㊀收稿日期:２０２１－１２－２４基金项目：辽宁省经济社会发展立项课题(２０１９ｌｓｌｋｔｑｎ－０２３)ꎻ辽宁大学本科教学改革研究项目(ＪＧ２０１８ＺＣ８１)
作者简介：臧洁(１９７９－)ꎬ女ꎬ山东日照人ꎬ博士ꎬ副教授ꎬ研究方向：网络舆情㊁大数据应用. ㊀㊀辽宁大学学报㊀㊀㊀自然科学版第４９卷㊀第４期㊀２０２２年ＪＯＵＲＮＡＬＯＦＬＩＡＯＮＩＮＧＵＮＩＶＥＲＳＩＴＹＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎＶｏｌ.４９㊀Ｎｏ.４㊀２０２２
臧㊀洁ꎬ任㊀旭
(辽宁大学信息学院ꎬ辽宁沈阳１１００３６)
摘㊀要：通过建模对网络事件传播推演进行研究是网络舆情领域的重点研究方向ꎬ现有模型存在事件容量小㊁仅能容纳单一事件以及忽略用户个体兴趣偏好的缺陷.因此ꎬ本文首先提出兼顾平台用户兴趣特征与个体偏好差异性的元胞自动机矩阵ꎻ其次在经典ＳＩＲ传染病模型的基础上ꎬ针对多事件容量改进得到多重ＳＩＲ状态转换关系ꎬ构建出适用于网络事件的传播推演模型.经过推演实验得出ꎬ该模型针对不同类型事件同时期扩散程度对比指标表现良好.同时ꎬ为了进一步验证模型的有效性ꎬ本文对辟谣信息传播 过程采用了双信息源共同传播方式进行推演ꎬ为网络舆情研究提供了新的参考.
关键词：用户个体兴趣偏好ꎻ多事件影响ꎻ元胞自动机ꎻＳＩＲ状态转换ꎻ网络事件传播推演模型
中图分类号:ＴＰ３９１㊀㊀㊀文献标志码:Ａ㊀㊀㊀文章编号:１０００－５８４６(２０２２)０４－０２９８－０９
ＲｅｓｅａｒｃｈｏｎＮｅｔｗｏｒｋＥｖｅｎｔＰｒｏｐａｇａｔｉｏｎＭｏｄｅｌＣｏｎｓｉｄｅｒｉｎｇ
ＩｎｔｅｒｅｓｔＰｒｅｆｅｒｅｎｃｅａｎｄＭｕｌｔｉ￣ｅｖｅｎｔＩｎｆｌｕｅｎｃｅ
ＺＡＮＧＪｉｅꎬＲＥＮＸｕ
(ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎꎬＬｉａｏｎｉｎｇＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇ１１００３６ꎬＣｈｉｎａ.)
沃德事
Ａｂｓｔｒａｃｔ:㊀Ｉｔｉｓａｋｅｙｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｉｎｔｈｅｆｉｅｌｄｏｆｎｅｔｗｏｒｋｐｕｂｌｉｃｏｐｉｎｉｏｎｔｏｓｔｕｄｙｔｈｅｐｒｏｐａｇａｔｉｏｎｍｏｄｅｏｆｎｅｔｗｏｒｋｅｖｅｎｔｓｔｈｒｏｕｇｈｍｏｄｅｌｉｎｇ.Ｅｘｉｓｔｉｎｇｍｏｄ
泰诺福韦ｅｌｓｈａｖｅｓｏｍｅｄｅｆｅｃｔｓꎬｓｕｃｈａｓｓｍａｌｌｅｖｅｎｔｃａｐａｃｉｔｙꎬａｓｉｎｇｌｅｅｖｅｎｔａｃｃｏｍｍｏｄａｔｅａｎｄｔｈｅｕｓｅｒᶄｓｉｎｄｉｖｉｄｕａｌｉｎｔｅｒｅｓｔｐｒｅｆｅｒｅｎｃｅｓｗｈｉｃｈａｒｅｉｇｎｏｒｅｄ.Ｆｉｒｓｔｌｙꎬｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｃｅｌｌｕｌａｒａｕｔｏｍａｔａｍａｔｒｉｘｗｈｉｃｈｔａｋｅｓｉｎｔｏａｃｃｏｕｎｔｔｈｅｏｖｅｒａｌｌｕｓｅｒｉｎｔｅｒｅｓｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｉｎｄｉｖｉｄｕａｌｐｒｅｆｅｒｅｎｃｅｄｉｆｆｅｒｅｎｃｅｓｏｆｔｈｅｐｌａｔｆｏｒｍ.ＳｅｃｏｎｄｌｙꎬｔｈｅｐｒｏｐａｇａｔｉｏｎｄｅｄｕｃｔｉｏｎｍｏｄｅｌｓｕｉｔａｂｌｅｆｏｒｎｅｔｗｏｒｋｅｖｅｎｔｓｉｓｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎｔｈｅｃｌａｓｓｉｃａｌＳＩＲｅｐｉｄｅｍｉｃｍｏｄｅｌꎬａｎｄｔｈｅｍｕｌｔｉｐｌｅＳＩＲｓｔａｔｅｔｒａｎｓｉｔｉｏｎｒｅｌａｔｉｏｎｓｈｉｐｉｓｏｂｔａｉｎｅｄｂｙｉｍｐｒｏｖｉｎｇｔｈｅｍｕｌｔｉ￣ｅｖｅｎｔｃａｐａｃｉｔｙ.Ｔｈｒｏｕｇｈｔｈｅｄｅｄｕｃｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓꎬｔｈｅｍｏｄｅｌｆｏｒｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｅｖｅｎｔｓｉｎｔｈｅｓａｍｅｐｅｒｉｏｄｄｉｆｆｕｓｉｏｎｄｅｇｒｅｅｃｏｎｔｒａｓｔｉｎｄｅｘｐｅｒｆｏｒｍａｎｃｅｉｓｅｆｆｅｃｔｉｖｅ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｉｎｏｒｄｅｒｔｏｆｕｒｔｈｅｒｖｅｒｉｆｙｔｈｅｖａｌｉｄｉｔｙｏｆｔｈｅｍｏｄｅｌꎬｔｈｅｄｏｕｂｌｅｉｎｆｏｒｍａｔｉｏｎｓｏｕｒｃｅｃｏｍｍｏｎｐｒｏｐａｇａｔｉｏｎｗａｙｉｓｕｓｅｄｔｏｄｅｄｕｃｅｆｏｒｔｈｅｒｕｍｏｒｉｎｆｏｒｍａｔｉｏｎｄｉｓｓｅｍｉｎａｔｉｏｎｐｒｏｃｅｓｓ.Ｉｔｃａｎ
㊀㊀
ｐｒｏｖｉｄｅａｎｅｗｒｅｆｅｒｅｎｃｅｆｏｒｔｈｅｎｅｔｗｏｒｋｐｕｂｌｉｃｏｐｉｎｉｏｎｒｅｓｅａｒｃｈ.
Ｋｅｙｗｏｒｄｓ:㊀ｕｓｅｒｉｎｄｉｖｉｄｕａｌｉｎｔｅｒｅｓｔｐｒｅｆｅｒｅｎｃｅꎻｍｕｌｔｉ￣ｅｖｅｎｔｉｎｆｌｕｅｎｃｅꎻｃｅｌｌｕｌａｒａｕｔｏｍａｔａꎻＳＩＲｓｔａｔｅｔｒａｎｓｉｔｉｏｎꎻｎｅｔｗｏｒｋｅｖｅｎｔｐｒｏｐａｇａｔｉｏｎｍｏｄｅｌ
０㊀引言
随着互联网的快速发展和手机等智能设备的普及ꎬ互联网已成为我国民众日常生活中必不可少的信息获取渠道和交流方式.民众通过互联网发表和传播各种观点情绪ꎬ其中流行于互联网上对于某些事件不同看法的总和ꎬ称为网络舆情.网络舆情是由于各种事件的刺激而产生并通过互联网传播ꎬ人们对于该事件的认知㊁态度㊁情感和行为倾向[１].互联网信息的传播方式极大地缩短了社交距离ꎬ如何准确捕捉网络舆情动态㊁掌握相关规律并及时进行应对ꎬ成为众多学者的研究热点.
纳税人权益网
同时ꎬ随着计算机建模仿真技术的发展ꎬ越来越多的学者尝试将其应用到网络舆情研究中.尽管网络舆情的传播是一个整体过程ꎬ但是从模型仿真角度对其进行研究ꎬ需要同时兼顾社交网络结构不同㊁网民
特征属性不同㊁事件特征属性不同和传播过程的随机性等诸多因素ꎻ并且每一项因素的变化都会使最终的网络舆情传播结果产生变化ꎬ对于这样一个复杂系统的仿真难度可想而知.针对此现状ꎬ学者们提出了各种有针对性的模型进行仿真ꎬ其中Ｂｏｌｚｅｒｎ等[２]提出了一个动态的随机多智能体模型ꎬ研究社交网络中体行为存在的特征ꎻ赵磊等[３]采用ＢＰ神经网络的理论构建模型ꎬ使得模型能够对舆情事件热度变化趋势有更精确的仿真效果ꎻ兰月新等[４]采用多维函数构建出网络舆情演化高维模型ꎻＷａｎｇ等[５]在舆情传播模型中引入博弈论ꎬ提出基于一对多博弈的舆情传播模型ꎻ马宇红等[６]建立了基于ＢＡ无标度网络的谣言传播模型ꎬ对网络谣言的传播规律进行仿真分析ꎻ魏德志等[７]将博弈论与传染病ＳＩＲＳ模型相结合ꎬ探寻热点话题传播过程中的规律ꎻＣｈｅｎ等[８]使用ＳＩＲＳ模型对信息扩散过程中的舆论极化现象进行研究ꎻ何英等[９]使用Ｍａｔｌａｂ构建网络舆情扩散方向估计模型ꎬ可以提高网络舆情突变扩散方向的判断精确度ꎻ秦涛等[１０]采用排序学习的方法实现了对网络舆情事件演化态势的评估ꎻ董靖巍[１１]㊁索琪等[１２]着重于研究复杂网络结构下的舆情演化ꎻ曹海军等[１３]㊁哈达等[１４]应用系统动力学理论构建舆情传播模型.上述研究中所采用模型以及研究对象的多样性ꎬ也印证了网络事件传播研究内容的广泛程度.
但是在这些研究中ꎬ大部分模型弱化事件区分ꎬ将模型构造的关注点落在用户影响力差异化以及社交关系中.首先ꎬ模型忽略了用户的个体兴趣偏好对网络事件传播的影响ꎬ根据网络舆情的特点ꎬ整体网络用户的兴趣偏好对于网络事件的传播会产生不同的影响ꎻ其次ꎬ忽略了不同类型事件在互联网中受关注的
程度ꎬ模型中仅能容纳单一事件ꎬ但是根据研究发现互联网中各种事件共享同一网络空间ꎬ这些事件对于民众的注意力呈现竞争关系ꎬ对于网络事件的传播会产生影响.因此ꎬ本文在以上研究的基础上ꎬ考虑用户个体兴趣偏好和多事件影响ꎬ采用元胞自动机(ＣｅｌｌｕｌａｒＡｕｔｏｍａｔａꎬＣＡ)原理ꎬ首先提出兼顾平台总体用户兴趣特征与个体偏好差异性的ＣＡ矩阵ꎻ其次在经典ＳＩＲ传染病模型的基础上ꎬ针对多事件容量改进得到多重ＳＩＲ状态转换关系ꎬ构建了适用于网络事件的传播推演模型ꎬ并通过实例进行了验证ꎬ仿真实验验证了模型的有效性.９
磁选器
９２㊀第４期㊀㊀㊀㊀㊀㊀臧㊀洁ꎬ等：考虑兴趣偏好和多事件影响的网络事件推演模型研究
㊀㊀１㊀基础理论１.１㊀ＣＡ模型
２０世纪５０年代初ꎬ为了模拟生命系统所具有的自复制功能ꎬ计算机之父冯 诺依曼(Ｊ.ｖｏｎＮｅｕｍａｎｎ)提出了ＣＡ模型.它是一种网格动力学模型ꎬ关键理论为采用离散的空间布局和时间间隔ꎬ将元胞(Ｃｅｌｌｕｌａｒ)分成有限种状态ꎬ元胞个体状态的变化仅与其当前状态以及某个局部邻域的状态有关.公式化描述为任一元胞Ｃｉ的下一时刻状态Ｓｔ＋１ｉꎬ仅由当前时刻元胞Ｓｔｉ自身状态和有限邻域内元胞状态ＳｔＮ所决定ꎬ即ＣｉѳＳｔ＋１ｉ＝ｆ(ＳｔｉꎬＳｔＮ)ꎬ其中ｆ(ＳｔｉꎬＳｔＮ)为具体转换规则.因其上述特征ꎬ多年来众多学者将其应用于社会学㊁生态学和计算机科学等领域.网络事件的传播过程可以看作网民所代表的网络节点间对于事件信息的交换过程ꎬ在ＣＡ模型中体现
为元胞间进行信息传递㊁改变自身状态的过程.Ａｌｖｅｓ等[１５]于２００２年将ＣＡ理论应用于自由选举舆情分析ꎻ王根生等[１６]也在ＣＡ网络舆情应用中进行了一系列研究.近年来ꎬＣＡ在网络舆情方面的应用更加细化ꎬ毛乾任等[１７]关注于网络舆情观点聚合ꎬ后续还针对导控策略影响下的网络舆情传播[１８]进行了研究ꎻ姚翠友等[１９]提出基于用户属性的微博舆情演化ＣＡ模型ꎻ滕婕等[２０]将ＣＡ模型应用于体辟谣信息的扩散效果预测.上述研究从不同角度均取得了一定的成果ꎬ展现出了ＣＡ应用于网络舆情研究的潜力.
但对于网络舆情的元胞矩阵构建ꎬ在个体差异化的表现形式上ꎬ重点区分普通用户㊁舆论领袖㊁政府等个体属性影响力[１８－１９]ꎬ或者是将元胞区分为传谣个体和辟谣个体[２０].这两种方式都存在自身不足ꎬ首先元胞矩阵容量不足ꎬ过于区分普通用户㊁舆论领袖等个体差异化元胞ꎬ会过渡放大舆论领袖以及政府账号的传播作用ꎬ非普通用户元胞的数量稍有变化就会对推演结果产生较大影响.而且ꎬ在当前网络社交平台中ꎬ不良事件传播很少经过已有舆论领袖进行ꎬ都是网民之间自发传播造成影响力.对于传谣辟谣用户ꎬ在不清楚信息是否真实的状态下ꎬ普通用户无法确认事件真假ꎬ所以并不能给予普通用户属性上的认定ꎬ对此ꎬ本文构建了具有个体偏好差异化的元胞矩阵用以改善上述问题.１.２㊀ＳＩＲ传染病模型
ＳＩＲ模型是传染病模型中经典的模型之一ꎬ由Ｋｅｒｍａｃｋ与ＭｃＫｅｎｄｒｉｃｋ在１９２７年用动力学方法构建.其原理为ꎬ假设总人数Ｎ不变ꎬ将总人数分为Ｓ(Ｓｕｓｃｅｐｔｉｂｌｅ)代表易
感者㊁Ｉ(Ｉｎｆｅｃｔｉｖｅ)
代表感染图１㊀ＳＩＲ状态转换规则
者㊁Ｒ(Ｒｅｍｏｖａｌ)代表移出者等３部分.易感者
Ｓ会受感染者Ｉ影响ꎬ依据传染率β变为感染
者Ｉꎬ感染者Ｉ在依据恢复率γ被治愈后ꎬ会变
为移出者Ｒ不会再被感染ꎬ如图１所示.因传
染病在人际中的传播过程与网络事件在网络空间中传播的过程类似ꎬ网民在整个过程中对于事件的感知也可以划分为对应状态ꎬ所以近年来ＳＩＲ模型在网络舆情方向有诸多研究.Ｚｈａｏ等[２１]将ＳＩＲ模型应用于新型传播网络中ꎬ使用数值分析法进行动力学分析ꎻ王谢宁等[２２]对ＳＩＲ模型应用平均场理论以及小世界网络ꎬ进行有针对性的假设ꎬ并对社会化网络中的规律进行探究ꎻ陈波等[２３]提出ＳＥＩＲ(ＳｕｓｃｅｐｔｉｂｌｅＥｘｐｏｓｅｄＩｎｆｅｃｔｅｄＲｅｍｏｖｅｄ)传播模型ꎬ考虑到传染病存在一定潜伏期ꎬ用状态Ｅ表示潜伏ꎬ对ＳＩＲ模型的网络舆情应用进行了扩充ꎻ
００３㊀㊀㊀辽宁大学学报㊀㊀自然科学版２０２２年㊀㊀
㊀㊀丁学君[２４]在研究了微博平台网络舆情传播过程及其特点之后ꎬ增加了接触状态ꎬ构建了基于ＳＣＩＲ的微博网络舆情话题传播模型ꎻＫｕｍａｒ等[２５]增添了谣言缓解者以及反对谣言概念ꎬ提出ＳＭＩＲ模型ꎬ用于对社交网络中谣言传播过程的模拟ꎻ田世海等[２６]结合信息生态理论对ＳＩＲ模型进行改进ꎬ通过构建网络舆情信息生态落的横向和纵向衍生模型ꎬ探寻舆情信息衍生规律.上述研究虽对ＳＩＲ模型各自进行了有针对性的改进ꎬ但是并未脱离模型最初只针对单一传染病推演的本质ꎬ全程围绕单一事件进行研究.
经过研究发现ꎬ同一时刻内网络空间中存在众多事件同时进行传播ꎬ这些事件整体共享网络空间ꎬ但彼此之间存在对于用户关注度的竞争关系.各类网络平台热点榜单从侧面反映出了事件在经过传播竞争后
所受关注度的情况ꎬ这种多事件共存关系已有研究但并未得到具体体现ꎬ对此本文改进ＳＩＲ模型以增加模型事件样本量.
２㊀改进的网络事件传播推演模型２.１㊀考虑用户兴趣偏好的个体差异化元胞矩阵构建
对网络用户个体进行合理描述是模型合理性的基础ꎬＣＡ模型应用于网络舆情研究ꎬ需要通过构建元胞矩阵对真实网络空间进行微缩来描述用户间的社交关系.但是矩阵所包含的元胞数量有限ꎬ既要体现出不同用户所具有的个体差异ꎬ又要在有限数量的元胞之间构建起合理的用户比例ꎬ这需要对元胞矩阵进行重新构建.现有研究多基于用户权重对该问题进行研究ꎬ本文将用户个体兴趣偏好作为个体差异化指标进行元胞矩阵构建ꎬ提出了考虑用户偏好的具有个体差异化的元胞矩阵.
初始元胞偏好的构建不随后续事件推演发生变化ꎬ不同用户对于不同事件具有不同的偏好排序ꎬ首选偏好类型ꎬ元胞感知度强ꎬ次选偏好类型的感知度弱.个体元胞偏好受整体矩阵元胞偏好比例限制且随机分布ꎬ该特征具有平台通用性ꎬ如新闻资讯服务平台㊁社交网络平台㊁网络文化平台㊁综合性社区等ꎬ可根据不同平台自身用户画像进行比例重构.以微博为例ꎬ根据微博平台给出的２０２１上半年微博热搜榜趋势报告ꎬ２０２１年６月热搜统计中ꎬ２６％为娱乐热点ꎬ３６％为社会热点ꎬ３８％为垂直热点.其中垂直热点涵盖众多垂直话题ꎬ如企业㊁美食㊁科技㊁文化等ꎬ根据此比例可以逆推微博用户偏好比例.应用于个体差异化元胞矩阵中首选偏好构建的比例为：社会３６％㊁明星１３％㊁综艺１３％
㊁美食８％㊁文化㊁军事㊁科技㊁情感㊁财经各６％ꎻ次选偏好比例相同ꎬ且保证同一元胞中首选偏好与次选偏好不同.
根据上述比例构建的初始元胞矩阵ꎬ宏观上表现出整个矩阵用户体兴趣比例ꎬ微观上体现出每个元胞自身兴趣偏好不同ꎬ充分展现了元胞代表的用户个体间存在的差异化特征.
２.２㊀考虑多事件影响的多重ＳＩＲ状态转换
为了体现多事件的竞争关系ꎬ使得事件容量更大ꎬ本文将多事件传播情况考虑在内ꎬ重构了多重ＳＩＲ状态转换.单一用户可以同时暴露在多个事件信息的影响之下ꎬ根据个体偏好不同决定后续受到哪一具体事件影响进行传播或免疫.而且ꎬ针对辟谣信息的推演ꎬ改进后的多重ＳＩＲ状态转换ꎬ能够将谣言信息与辟谣信息同时作为信息源放入网络空间中进行传播.
因整个模型包含有限种不同的状态Ｓ０ꎬＳ１ꎬ ꎬＳｎꎬ并且单一用户同一时刻仅能展现一种状态
Ｓｔｉꎬｊ＝Ｓａ(Ｓａɪ{Ｓ１ꎬＳ２ꎬ ꎬＳｎ})ꎬ具体状态转换如图２所示ꎬ状态转换对应参数如表１所示.１０３㊀第４期㊀㊀㊀㊀㊀㊀臧㊀洁ꎬ等：考虑兴趣偏好和多事件影响的网络事件推演模型研究
㊀
㊀图２㊀改进后的多重ＳＩＲ状态转换图
表１㊀改进后的状态转换关系及参数
状态
后续状态转换概率阈值离线状态Ｓ０
Ｓ０ңＳ１Ｐ０１在线状态Ｓ１油液分析
Ｓ１ңＳ０ꎬＳ１ңＳ２１ꎬＳ１ңＳ３１Ｐ１０ꎬＰ１２ꎬＰ１３受首选偏好事件影响Ｓ２１
Ｓ２１ңＳ２２ꎬＳ２１ңＳ２３Ｐ２ＩꎬＰ２Ｒ传播首选偏好事件Ｓ２２
ＮＵＬＬ首选偏好事件免疫Ｓ２３
Ｓ２３ңＳ３１ＰＣｏｎｃｅｎｔｒａｔｉｏｎ受次选偏好事件影响Ｓ３１
Ｓ３１ңＳ３２ꎬＳ３１ңＳ３３Ｐ３ＩꎬＰ３Ｒ传播次选偏好事件Ｓ３２
ＮＵＬＬ首选偏好事件免疫Ｓ３３Ｓ３３ңＳ２１ＰＣｏｎｃｅｎｔｒａｔｉｏｎ㊀㊀离线用户状态Ｓ０表示对当前所有信息免疫ꎬ当元胞进入在线状态Ｓ１之后变为事件信息易感者ꎬ暴露在不同的事件传播空间之中ꎬ会受到邻域内其他元胞状态的影响.当在线用户邻域内出现首选偏好事件ａ的信息传播者时ꎬ系统生成随机数ꎬ将其与首选偏好感知度阈值Ｐ１２进行比较ꎬ判断状态是否转换为受首选偏好事件影响但未传播状态Ｓ２１.Ｓ２１状态为过渡态ꎬ处于此状态的元胞会在下一推演时刻进行选择ꎬ选择过程系统生成随机数与受首选偏好传播阈值Ｐ２Ｉ以及首选偏好免疫阈值Ｐ２Ｒ进行比较ꎬ决定后续状态转换为受到首选偏好事件影响并传播状态Ｓ２２或事件免疫状态Ｓ２３.进入事件免疫状态Ｓ２３后元胞对事件ａ不再关注ꎬ重新对其他类型事件易感ꎬ专注度参数ＰＣｏｎｃｅｎｔｒａｔｉｏｎ大小决定元胞能否被其他类型事件所感染.
重构后的多重ＳＩＲ状态ꎬ上述以首选偏好事件分支为代表的单一事件传播过程与传统ＳＩＲ状态相吻合ꎬ有向转换不可逆.但对于在线用户状态Ｓ１ꎬ因其可能同时暴露在多个事件影响下ꎬ即邻域内存在首选偏好事件传播元胞以及次选偏好事件传播元胞ꎬ因此后续状态存在多条分支及竞争关系.具体关系短花针茅
表现为ꎬ在线用户状态Ｓ１受偏好排序优先级影响ꎬ以Ｐ１２㊁Ｐ１３概率感知首选或次选偏好事件
影响ꎬ进入对应分支ꎬ此部分在后续实验推演中会控制推演矩阵变化ꎬ作为整个模型的动态参数.２.３㊀基于个体差异化元胞矩阵与多重ＳＩＲ状态转化的网络事件推演模型
本文考虑用户个性化兴趣偏好与多事件对网络事件发展趋势的影响ꎬ在改进的网络事件推演模型中ꎬ使用的元胞空间是二维空间元胞矩阵Ａꎬ其中Ａ＝{Ｃ１ꎬ１ꎬＣ１ꎬ２ꎬ ꎬＣ１ꎬｊꎬＣ２ꎬ１ꎬ ꎬＣｉꎬ１ꎬ ꎬＣｉꎬｊ}ꎬ为二维有限元矩阵ꎬ以横纵坐标ｉꎬｊ确定矩阵中每一个元胞个体的位置.采用Ｍｏｏｒｅ型邻域对初始时刻矩阵中在线用户比例Ｄｔ０进行控制ꎬ在此基础上构建基于用户偏好的个体差异化元胞矩阵ꎬ作为模型初始化状态ꎬ如图３所示.２０３㊀㊀㊀辽宁大学学报㊀㊀自然科学版２０２２年㊀㊀
