论文部分内容阅读
〔摘要〕社交舆情传播影响因素是研究舆情规律的关键。本文从复杂网络视角出发，通过梳理国内外关于社交舆情传播的相关文献，从网络结构特征、节点属性特征、信息内容特征以及其他因素4个方面分别对影响社交舆情传播的因素进行归纳和总结。研究结果发现网络拓扑结构、网络基本性质、网络关系特征等网络结构特征因素是影响社交舆情传播的客观环境基础，传播主体属性特征和传播客体属性特征等节点属性特征是社交舆情传播的主观人为条件，对社交舆情信息内容特征的分析成为及时化解舆情的关键。
〔关键词〕社交舆情传播；复杂网络；社交媒体；影响因素
DOI：10.3969/j.issn.1008-0821.2016.07.031
〔中图分类号〕G206；G2528〔文献标识码〕A〔文章编号〕1008-0821（2016）07-0171-06
社交舆情是指公众通过社交媒体引发的舆情，公众在社交媒体上任何的观点表达或信息传播都有可能影响甚至误导舆论与舆情[1]。区别于传统媒体，社交媒体更多的是建立在社交关系网络之上，建立在复杂的网络基础上，以复杂网络为载体，以各种社会热点问题、危机事件、企业事件、政务事件以及一些公众人物的言行等公共事务为核心，表达并传播网民的情感、态度及观点等以形成一定的舆论影响力，促进各种公共事务的进展。随着互联网以及手机等新兴媒体的崛起，以微博、微信、社交网络为代表的Web20应用飞速发展，社交网络舆情也获得了空前的影响力，受到政府与企业等相关部门的高度重视。根据社交网络舆情涉及到的具体公共事务内容可分为政务舆情、企业舆情、教育舆情、食品舆情、医疗舆情、旅游以及公共人物舆情等，主要涉及到舆情基础理论、社会舆论、民意测验与调查、社会民生问题、危机预警、危机管理、危机应对、品牌声望、公关活动、社会网络安全与管理、舆情传播规律与传播机制、应用系统开发、高校网络舆情、国际事件等研究领域。从技术层面来看，主要负责提供网络舆情监测、网络数据挖掘、智能分析、处理、预警、智能搜索、报告辅助生成、舆情短信提醒、动态图标统计、情感识别、情感分析、舆情研判、社交媒体管理、企业竞争情报、口碑监测、声望管理、知识管理等方面的业务。
前期关于社交舆情传播的影响因素研究多基于个人层面，从个人心理、个人习惯、个人动机等方面展开。例如关于社交媒体舆情传播的动机研究发现普通用户的信息需求等信息性动机与用户的娱乐（Entertainment）、放松（Relaxation）、时尚（Fashion）等娱乐性动机往往无形之中铸成舆情，成为培育舆情的土壤，用户的个人成长（Personal Growth）、地位追求（Self-status Seeking）、自我认同（Self-identification）、自我提升（Self Enhancement）等利己主义性动机以及道德感知、公民责任、环境监测等利他主义性动机又进一步主观加速了舆情的传播，成为舆情发展的助力器，而用户的情感诉求、情感交流、群体归属、社会交往等社交性动机在一定程度上无疑为舆情的传播提供了便利的通道[2-6]。同时个人的上网习惯、个人隐私意识、感知控制、信息素养以及沉浸体验程度均会影响到舆情在社交媒体中的传播。但是从复杂网络视角来看，有限的舆论并不可怕，可怕的是泛滥化的广为传播的具有相当规模的舆情，在人人都是麦克风的Web20时代，一定范围的舆论争执是网民言语自由的体现，但是当舆论由小众走向大众，形成大范围的舆情时就会颇具破坏力并极易引发一系列社会骚乱与群体行为，因此社交舆情由低能量舆论场积聚到高能量舆论场，由小范围讨论到大面积极化传播的过程势必成为社交舆情把控的关键。
因此本文从复杂网络的视角出发，着重分析社交舆情传播的过程，分别从网络结构特征、节点属性特征、信息内容特征以及其他因素等4个方面对社交舆情传播客观过程中所涉及到的影响因素进行分析，以期为进一步加深对社交舆情传播研究的探讨。详情见表1。
1网络结构特征对社交舆情传播的影响
不同的网络拓扑结构对社交舆情传播的影响较为显著。关于网络的拓扑结构有4种比较经典的拓扑结构模型：规则网络（Regular Network），规则网络主要是指具有规则的拓扑结构的网络，通常该网络中每个节点的度都相等，大多数规则网络呈现平均路径较大、聚类系数较大的特征，并且多数规则网络每个节点的度和聚类系数都是相等的[7]；随机网络（Random Network），相对于规则网络中各个节点和连边直接依据某种规则连接形成，随机网络的节点和连边没有具体的连接规则，而是随机连接就得到随机网络，主要有固定边数模型和ER随机网络模型（二项式模型）[8]；小世界网络（Small World Network）是由Watts和Strogatz于1998年发现的，因该类网络中既有很高的聚类系数有具有很小的平均路径，网络中节点虽然很多，但是节点之间相对距离却较小，遂称其为小世界网络[9]；随机网络和小世界网络的度分布近似为泊松分布，而无标度网络（Scale-free Network）的度分布服从幂律分布[10]。不同的网络拓扑结构对舆情传播影响不同。如个体对信息的记忆能力在不同网络结构中产生的影响，在随机网络和BA网络中随着人们记忆的加深，舆情传播的范围也在不断扩展，但是在规则网络和小世界网络中，即使比较小的记忆长度也依然会铸成大范围的舆情传播影响[11]。在规则网络下谣言信息是很难广泛传播的，即使传播开来也需要很长的时间，因为在其传播过程中很容易受到外界辟谣信息的介入并迅速终结谣言的传播，但是在小世界网络中，随着平均路径的缩短，达到最终转发饱和的时间也越来越短，平均路径对谣言传播速度和传播的持续时间影响显著。但是最终转发谣言的人群比例却没有改变，因为小世界网络结构只是加速了谣言的传播，依据人与人之间距离的缩短得以迅速传播并引发舆论高峰，但对最终传播者的覆盖比例没有显著影响[12]。 不同的网络结构性质对社交舆情传播的影响不同。不同的网络拓扑性质对舆情传播的影响也较为显著，关于网络的拓扑性质主要有度（出度和入度）、平均路径、聚类系数等。关于度对舆情传播影响的研究发现在社群结构的网络中，出度或入度较大的节点并非一定会更多的参与信息的传播，草根消息有时候也能够大范围传播。研究表明谣言接受度函数随着节点度的增大会单调下降，对于度低的节点其传播率要高于全局传播率，但与其他具有传播状态节点的接触率也相对较低，因此即使传播率较高但对谣言信息传播的作用也是比较有限的，而对于度高的节点由于其接收信息的渠道是多样的，不会依赖或只信任单一渠道的信息，客观方面形成了较强的谣言抵御能力，其被感染的几率相对较低，因此其传播率相对是要低于全局传播率，此时谣言信息的传播就会缓慢，但是由于其具有较高的接触率，因此舆情传播的规模并没有太大变化[13]。关于意见领袖对舆情传播的影响研究发现在不同阶段不同类型的意见领袖对舆情的传播起着不同的作用。在舆情发生阶段，草根意见领袖通过转发或者发帖使得事件在网络上传播，为了吸引眼球往往会主观地给事件加入一些标签，如富二代、官二代等，来引起网民的关注和参与，使舆情开始得到蔓延；在舆情发展阶段，一些专家和学者人为介入到意见领袖行列，表达比较专业性的意见和看法，引导人们对事件背后进行深度挖掘；在舆情演化阶段，事件关注度比较高，一些媒体介入成为意见领袖，如在药家鑫案件中在舆情演化阶段新浪微博对如何判决药家鑫发起投票，使舆情传播达到高潮；在舆情消退阶段，意见领袖在遇到相关或形似事件时重启网民沉淀的记忆，可能致使本将消退的舆情发生衍化，再次升至峰值，出现二次或者多次高潮[14]。
关系特征对社交舆情传播的影响，关系特征对应到网络结构中就是边的特征，不同的节点关系（边）影响着舆情的传播，从传播角度来看主要可分为传播主体与传播客体的关系特征，传播主体与传播内容的关系特征、传播客体与传播内容之间的关系特征。从关系的行动者角度来看，影响舆情传播的关键关系特征就是传播主体与传播客体的关系特征。传播主体与传播客体的关系主要包括其兴趣相似度、结构相似度、是否互相提及、是否相互关注以及两者的位置关系等特征。关于传播主体与传播客体的兴趣相似度研究发现用户所发布的消息内容可代表用户的兴趣偏好，如果将每个用户历史时间段内发布的所有消息汇总成一个文档，则可以借助词项的TF-EDF值构建文档向量，通过计算传播主体文档与传播客体文档的余弦相似度来恒量传播客体与传播主体的兴趣相似度[15]。关于传播主体与传播客体的结构相似度研究发现可以用两个节点的邻居集合的Jaccard距离来表示[16]。两者之间的位置信息（Main Location）是指用户在一段时间内的主要活动位置，例如用户的居住地、用户的工作场所或者用户的生活区，主要描述用户的主要活动范围和用户的出行轨迹。研究发现针对不同的节点属性给出不同的传播参数可保证信息的差异化传播，引入位置信息可保证事发地节点对信息传播的可信性，有利于对社交舆情传播范围进行定性分析[17]。同时通过定义位置熵和社区熵来描述用户位置内用户社区信息的混乱程度和用户社区内用户位置类的混乱程度，可以进一步对比分析网络聚类（社区结构）与用户空间聚类（Main Location聚类）之间的关系[18]。
2节点属性特征对社交舆情传播的影响
节点属性特征是研究社交舆情传播的重要影响因素。从传播的主题与客体角度来看，节点属性可分为传播主体的节点属性和传播客体的节点属性[15]。
传播主体属性特征主要是指传播主体的信息传播能力，可以通过传播主体的节点影响力、节点权威度、节点活跃度、节点可信度、节点关注者、账号年龄来恒量，同时受到节点传播动机的影响[19]。研究表明在信息采纳过程中信源的可信度显著影响用户对信息的采纳[20]。同时在信息内容较为相同的情况下信源的可信度越高信息接收者被说服的概率越大[21]，这主要源于信源的专业性、准确性和吸引力[22]。同时研究发现传播主体的关注者（Follower）越多，其传播信息的速度越快[23]。关于账号年龄（Age of Account），有学者发现在Tweet上信息传播的速度与用户的账号年龄有很大关系，对于注册时间300天以上的用户其发布的信息传播速度比整个网络中的平均信息传播速度要快，但是在0～30天这段时间内，用户发布的信息传播速度却与注册时间成反比[23]。关于舆情传播的动机研究主要有信息性动机、情绪性动机、社会性动机。其中信息性动机指为了满足他人信息需求而发布信息，政府部门、新闻媒体等发布信息是因为其职责所在，而个人发布信息是一种利他主义而获得的自我满足；情绪性动机是指为了表达情绪而发布公共危机信息，情绪宣泄；社会性动机是指由社会性因素引起公共危机信息的发布，主要包括寻求帮助和自我提升，传播主体的动机不同，由动机引致的行为就不同，从而进一步影响到舆情的传播[24]。
传播客体属性特征是指传播客体作为舆情信息的接受者，对舆情的敏感程度以及生理、行为反应特征在客观上要受到传播客体自身特征的影响，例如传播客体的受教育水平、舆情经历、舆情免疫力、信息素养、阅读或浏览信息的习惯。Afassinou K通过仿真发现客体的受教育水平对网络谣言的传播影响较大，整个网络中的人群受教育水平越高，谣言信息对整个网络的影响就越小[25]。传播客体本身的行为习惯仍然影响舆情信息的传播，例如不完全阅读行为（Incomplete Reading Behavior），在社交媒体环境中人们会以一定的概率阅读到一些信息，同时也会以一定的概率忽视一些信息，当一个用户发布一条信息的时候并不是他所有的好友或者关注者会看到这条信息，并且对于信息阅读者想要在有限的时间内浏览网上所有不断更新的信息也是较为困难的，而且一些旧的信息也会被新的信息所替代，旧的信息会从人们的视野中移除，新信息的传播率、旧信息的移出率和信息浏览者的阅读速度等造成了信息浏览者的不完全阅读行为[26]。 3信息内容特征对社交舆情传播的影响
关于信息内容特征主要是指舆情信息的情感属性、是否含有URLs链接、是否包含标签、是否与重大事件有关以及话题的衍生性如何等关于内容属性的一些特征。信息的情感属性（Sentiment）指信息的情感倾向，根据文本情感分析技术可以将文本的情感分为多个类，例如二分类法将情感分为正向（Positive）和负向（Negative）。具有很强情感倾向的消息更容易吸引人们的注意力并得到传播，Anthony S[27]等人发现越是让人们产生焦虑情感（Anxiety）的谣言或者信息越容易得到传播，并且本身愈是处于焦虑状态的学生越容易接受并传播谣言，负面的舆情信息要比正面的舆情信息更容易导致人们产生焦虑感，因此也更容易被广泛传播。在关于信息内容中是否含有URLs链接的研究中，Tanaka Y[28]等人通过设计一个实验发现在Tweet中如含有URLs链接则谣言更容易被传播，即使Tweet中的URLs是一个无效的超链接谣言信息仍然容易被传播，从心理学角度来看可以解释为URLs通常代表的是对信息内容的更加深度解读，对信息内容的详尽表达，但是我国黄膺旭、曾润喜[29]则发现链接有时候反而会减弱微博信息的传播，因为很多情况下人们根据阅读的习惯会去读取链接内容，因此这种深度阅读的行为导致了人们忘记去转发信息了，可能导致信息传播在此阶段此用户身上发生终止。关于信息内容中是否包含标签的研究发现带有标签的内容更加容易吸引其他读者的注意，带有标签的Tweet更容易被传播，但并不是标签越多信息传播越快，信息传播的速度还与信息中标签的类型有关[23]。关于舆情信息与重大事件的关系研究发现当谣言信息的内容与当前国内、国际比较重大的事件有关的时候其更容易获得关注并传播[30]。话题衍生性是指根据话题的特点所导致的衍生舆情。依照网络舆情传播规律的研究，对处于消退期的网络信息应该是一种逐步减少并最终趋向平稳消失匿迹的状态，但是对于某些衍生性较强的敏感话题，由于网络话题的异化、关联、泛华等效应，极易使原本应该消退的舆情话题进一步衍生，在达到波峰后没有趋于平缓而是形成新的舆情高潮，即出现二次波峰甚至连发多次波峰[31]。
4其他因素对社交舆情传播的影响
对于社交舆情传播产生影响的还有其他方面的一些因素，如时间、真伪信息的对抗等因素，社交舆情信息的发布时间对舆情传播而言至关重要，研究表明用户使用社交媒体的时间具有一定的分布规律，如果当舆情传播的高峰与用户使用社交媒体的高峰叠加在一起的时候就会爆发更大范围的更具破坏力的舆情影响，进一步加剧舆情的恶化[32]。如果舆情监控能够及时发现传播的苗头，及时避开社交媒体使用高峰，就会为相关部门以较低的社会成本化解舆情争取宝贵的时间。同时对于处于零散时间状态的正面舆情信息，往往容易被新的信息所覆盖，导致其他用户在浏览时无法看到，从而影响到舆情信息的传播，同时舆情传播也会受到新闻刊发时间的影响，所以舆情的发布时间对舆情传播影响十分显著[33]。关于真信息的注入对舆情的影响主要是在舆情传播仿真实验中考虑到在不同阶段不同信息的注入对整个舆情态势的影响。信息有真伪之分，伪信息是指在严格假信息内核上具有部分真实性表象的信息，看似有根有据但是从严格意义上来看其本质是假的，具有很强的社会蒙蔽性和社会危害性[34]。在舆情传播的过程中真伪信息的注入往往酿发为一场真伪信息的对抗。在真伪信息对抗模型仿真研究中发现，真实信息的注入时间是控制伪信息传播的关键[35]。
5结语
在众多影响社交舆情传播的因素中，社交网络结构特征是舆情社交化传播的客观环境基础，从宏观层面上决定了社交舆情传播的速度与范围。舆情所处的网络拓扑结构环境是舆情按照小世界网络规律传播还是无标度网络规律传播的关键，而度、平均路径、聚类系数等网络基本性质又进一步量化了舆情传播的环境，用客观结构数据描述舆情的复杂网络环境，同时网络关系特征通过对传播主体与传播客体的关系、传播客体与传播内容的关系等指标的量化，借助量化的关系数据描述舆情传播的环境。传播主体、传播客体等节点属性特征是社交舆情传播的主观人为条件，从微观层面解释了人的行为主体性。传播主体作为社交舆情传播的发起者或助推者，其传播的动机直接决定其在社交媒体上的信息行为，无论是有意识的传播，还是无意识中促就，微小的动机倾向都有可能掀起舆论的高潮，而传播主体的自身影响力、自身活跃度以及自身的信度客观决定了传播主体的传播能力。同时作为舆情的接受者，传播客体本身固有的属性特征直接影响到其对舆情信息的反应。舆情信息内容是社交舆情传播的载体，社会的舆论或争辩主要借助于各种各样的信息形式来表现出来，因此分析舆情信息的情感，分析舆情信息内容，分析舆情话题本身才是化解舆情的根本。舆情信息的情感是舆情行为者感情的表达，无论是网民的一时情感宣泄，还是公众的普遍诉求，情感是公民最明确的态度，关注公民的情感，关注公民的焦点，努力解决好社会重大事件势必成为化解舆情的关键。
同时从数据的来源来看，相当比例研究者的数据来源是基于新浪、腾讯等微博平台以及Twitter等社交网站，数据来源比较单一，多数研究只是基于其中一个平台的数据来展开研究，由于现实的网络舆情的发展是多渠道、全方位、无序化、无间断性的混沌状态，理论模型和仿真效果与现实舆情有较大出入，无法模拟和描述整个网络上的舆情发展状况。未来的研究需要根据不同渠道进行大数据分析，努力贴近实际舆情，尽量模拟现实舆情的发展环境并进行多维度的仿真分析。从研究层面来看，有关于舆情传播模型、传播模式、生命周期的宏观研究，也有基于节点具体属性、信息内容的微观分析，未来研究可能需要将这两者结合起来，将微观影响因素嵌入宏观背景，考虑到整体对局部的影响。例如基于舆情传播生命周期的不同阶段研究具体因素对舆情传播的影响。从技术层面来看，关于舆情的研究经历了从舆情态势的关注到舆情内容的深层挖掘，基于文本的挖掘，分析文本的情感倾向，整合舆情热度，从而为舆情预警与应对策略提供依据。随着舆情研究层次不断深入，分析的对象不仅仅为文本对象，对网络上的音频、视频、图像的分析技术也在发展，所见所闻皆舆情。分析对象只有涵盖了网络上以各种形式存在的数据才能做更加精确的分析。同时随着社交媒体生态圈的不断完善，人们于社交媒体中的浏览、阅读、发布、转发信息的习惯也在发生变化，基于情境的舆情传播可能呈现出别样的姿态，因此深耕移动舆情规则是进一步提升舆情研究、强化舆情监管的关键。
〔关键词〕社交舆情传播；复杂网络；社交媒体；影响因素
DOI：10.3969/j.issn.1008-0821.2016.07.031
〔中图分类号〕G206；G2528〔文献标识码〕A〔文章编号〕1008-0821（2016）07-0171-06
社交舆情是指公众通过社交媒体引发的舆情，公众在社交媒体上任何的观点表达或信息传播都有可能影响甚至误导舆论与舆情[1]。区别于传统媒体，社交媒体更多的是建立在社交关系网络之上，建立在复杂的网络基础上，以复杂网络为载体，以各种社会热点问题、危机事件、企业事件、政务事件以及一些公众人物的言行等公共事务为核心，表达并传播网民的情感、态度及观点等以形成一定的舆论影响力，促进各种公共事务的进展。随着互联网以及手机等新兴媒体的崛起，以微博、微信、社交网络为代表的Web20应用飞速发展，社交网络舆情也获得了空前的影响力，受到政府与企业等相关部门的高度重视。根据社交网络舆情涉及到的具体公共事务内容可分为政务舆情、企业舆情、教育舆情、食品舆情、医疗舆情、旅游以及公共人物舆情等，主要涉及到舆情基础理论、社会舆论、民意测验与调查、社会民生问题、危机预警、危机管理、危机应对、品牌声望、公关活动、社会网络安全与管理、舆情传播规律与传播机制、应用系统开发、高校网络舆情、国际事件等研究领域。从技术层面来看，主要负责提供网络舆情监测、网络数据挖掘、智能分析、处理、预警、智能搜索、报告辅助生成、舆情短信提醒、动态图标统计、情感识别、情感分析、舆情研判、社交媒体管理、企业竞争情报、口碑监测、声望管理、知识管理等方面的业务。
前期关于社交舆情传播的影响因素研究多基于个人层面，从个人心理、个人习惯、个人动机等方面展开。例如关于社交媒体舆情传播的动机研究发现普通用户的信息需求等信息性动机与用户的娱乐（Entertainment）、放松（Relaxation）、时尚（Fashion）等娱乐性动机往往无形之中铸成舆情，成为培育舆情的土壤，用户的个人成长（Personal Growth）、地位追求（Self-status Seeking）、自我认同（Self-identification）、自我提升（Self Enhancement）等利己主义性动机以及道德感知、公民责任、环境监测等利他主义性动机又进一步主观加速了舆情的传播，成为舆情发展的助力器，而用户的情感诉求、情感交流、群体归属、社会交往等社交性动机在一定程度上无疑为舆情的传播提供了便利的通道[2-6]。同时个人的上网习惯、个人隐私意识、感知控制、信息素养以及沉浸体验程度均会影响到舆情在社交媒体中的传播。但是从复杂网络视角来看，有限的舆论并不可怕，可怕的是泛滥化的广为传播的具有相当规模的舆情，在人人都是麦克风的Web20时代，一定范围的舆论争执是网民言语自由的体现，但是当舆论由小众走向大众，形成大范围的舆情时就会颇具破坏力并极易引发一系列社会骚乱与群体行为，因此社交舆情由低能量舆论场积聚到高能量舆论场，由小范围讨论到大面积极化传播的过程势必成为社交舆情把控的关键。
因此本文从复杂网络的视角出发，着重分析社交舆情传播的过程，分别从网络结构特征、节点属性特征、信息内容特征以及其他因素等4个方面对社交舆情传播客观过程中所涉及到的影响因素进行分析，以期为进一步加深对社交舆情传播研究的探讨。详情见表1。
1网络结构特征对社交舆情传播的影响
不同的网络拓扑结构对社交舆情传播的影响较为显著。关于网络的拓扑结构有4种比较经典的拓扑结构模型：规则网络（Regular Network），规则网络主要是指具有规则的拓扑结构的网络，通常该网络中每个节点的度都相等，大多数规则网络呈现平均路径较大、聚类系数较大的特征，并且多数规则网络每个节点的度和聚类系数都是相等的[7]；随机网络（Random Network），相对于规则网络中各个节点和连边直接依据某种规则连接形成，随机网络的节点和连边没有具体的连接规则，而是随机连接就得到随机网络，主要有固定边数模型和ER随机网络模型（二项式模型）[8]；小世界网络（Small World Network）是由Watts和Strogatz于1998年发现的，因该类网络中既有很高的聚类系数有具有很小的平均路径，网络中节点虽然很多，但是节点之间相对距离却较小，遂称其为小世界网络[9]；随机网络和小世界网络的度分布近似为泊松分布，而无标度网络（Scale-free Network）的度分布服从幂律分布[10]。不同的网络拓扑结构对舆情传播影响不同。如个体对信息的记忆能力在不同网络结构中产生的影响，在随机网络和BA网络中随着人们记忆的加深，舆情传播的范围也在不断扩展，但是在规则网络和小世界网络中，即使比较小的记忆长度也依然会铸成大范围的舆情传播影响[11]。在规则网络下谣言信息是很难广泛传播的，即使传播开来也需要很长的时间，因为在其传播过程中很容易受到外界辟谣信息的介入并迅速终结谣言的传播，但是在小世界网络中，随着平均路径的缩短，达到最终转发饱和的时间也越来越短，平均路径对谣言传播速度和传播的持续时间影响显著。但是最终转发谣言的人群比例却没有改变，因为小世界网络结构只是加速了谣言的传播，依据人与人之间距离的缩短得以迅速传播并引发舆论高峰，但对最终传播者的覆盖比例没有显著影响[12]。 不同的网络结构性质对社交舆情传播的影响不同。不同的网络拓扑性质对舆情传播的影响也较为显著，关于网络的拓扑性质主要有度（出度和入度）、平均路径、聚类系数等。关于度对舆情传播影响的研究发现在社群结构的网络中，出度或入度较大的节点并非一定会更多的参与信息的传播，草根消息有时候也能够大范围传播。研究表明谣言接受度函数随着节点度的增大会单调下降，对于度低的节点其传播率要高于全局传播率，但与其他具有传播状态节点的接触率也相对较低，因此即使传播率较高但对谣言信息传播的作用也是比较有限的，而对于度高的节点由于其接收信息的渠道是多样的，不会依赖或只信任单一渠道的信息，客观方面形成了较强的谣言抵御能力，其被感染的几率相对较低，因此其传播率相对是要低于全局传播率，此时谣言信息的传播就会缓慢，但是由于其具有较高的接触率，因此舆情传播的规模并没有太大变化[13]。关于意见领袖对舆情传播的影响研究发现在不同阶段不同类型的意见领袖对舆情的传播起着不同的作用。在舆情发生阶段，草根意见领袖通过转发或者发帖使得事件在网络上传播，为了吸引眼球往往会主观地给事件加入一些标签，如富二代、官二代等，来引起网民的关注和参与，使舆情开始得到蔓延；在舆情发展阶段，一些专家和学者人为介入到意见领袖行列，表达比较专业性的意见和看法，引导人们对事件背后进行深度挖掘；在舆情演化阶段，事件关注度比较高，一些媒体介入成为意见领袖，如在药家鑫案件中在舆情演化阶段新浪微博对如何判决药家鑫发起投票，使舆情传播达到高潮；在舆情消退阶段，意见领袖在遇到相关或形似事件时重启网民沉淀的记忆，可能致使本将消退的舆情发生衍化，再次升至峰值，出现二次或者多次高潮[14]。
关系特征对社交舆情传播的影响，关系特征对应到网络结构中就是边的特征，不同的节点关系（边）影响着舆情的传播，从传播角度来看主要可分为传播主体与传播客体的关系特征，传播主体与传播内容的关系特征、传播客体与传播内容之间的关系特征。从关系的行动者角度来看，影响舆情传播的关键关系特征就是传播主体与传播客体的关系特征。传播主体与传播客体的关系主要包括其兴趣相似度、结构相似度、是否互相提及、是否相互关注以及两者的位置关系等特征。关于传播主体与传播客体的兴趣相似度研究发现用户所发布的消息内容可代表用户的兴趣偏好，如果将每个用户历史时间段内发布的所有消息汇总成一个文档，则可以借助词项的TF-EDF值构建文档向量，通过计算传播主体文档与传播客体文档的余弦相似度来恒量传播客体与传播主体的兴趣相似度[15]。关于传播主体与传播客体的结构相似度研究发现可以用两个节点的邻居集合的Jaccard距离来表示[16]。两者之间的位置信息（Main Location）是指用户在一段时间内的主要活动位置，例如用户的居住地、用户的工作场所或者用户的生活区，主要描述用户的主要活动范围和用户的出行轨迹。研究发现针对不同的节点属性给出不同的传播参数可保证信息的差异化传播，引入位置信息可保证事发地节点对信息传播的可信性，有利于对社交舆情传播范围进行定性分析[17]。同时通过定义位置熵和社区熵来描述用户位置内用户社区信息的混乱程度和用户社区内用户位置类的混乱程度，可以进一步对比分析网络聚类（社区结构）与用户空间聚类（Main Location聚类）之间的关系[18]。
2节点属性特征对社交舆情传播的影响
节点属性特征是研究社交舆情传播的重要影响因素。从传播的主题与客体角度来看，节点属性可分为传播主体的节点属性和传播客体的节点属性[15]。
传播主体属性特征主要是指传播主体的信息传播能力，可以通过传播主体的节点影响力、节点权威度、节点活跃度、节点可信度、节点关注者、账号年龄来恒量，同时受到节点传播动机的影响[19]。研究表明在信息采纳过程中信源的可信度显著影响用户对信息的采纳[20]。同时在信息内容较为相同的情况下信源的可信度越高信息接收者被说服的概率越大[21]，这主要源于信源的专业性、准确性和吸引力[22]。同时研究发现传播主体的关注者（Follower）越多，其传播信息的速度越快[23]。关于账号年龄（Age of Account），有学者发现在Tweet上信息传播的速度与用户的账号年龄有很大关系，对于注册时间300天以上的用户其发布的信息传播速度比整个网络中的平均信息传播速度要快，但是在0～30天这段时间内，用户发布的信息传播速度却与注册时间成反比[23]。关于舆情传播的动机研究主要有信息性动机、情绪性动机、社会性动机。其中信息性动机指为了满足他人信息需求而发布信息，政府部门、新闻媒体等发布信息是因为其职责所在，而个人发布信息是一种利他主义而获得的自我满足；情绪性动机是指为了表达情绪而发布公共危机信息，情绪宣泄；社会性动机是指由社会性因素引起公共危机信息的发布，主要包括寻求帮助和自我提升，传播主体的动机不同，由动机引致的行为就不同，从而进一步影响到舆情的传播[24]。
传播客体属性特征是指传播客体作为舆情信息的接受者，对舆情的敏感程度以及生理、行为反应特征在客观上要受到传播客体自身特征的影响，例如传播客体的受教育水平、舆情经历、舆情免疫力、信息素养、阅读或浏览信息的习惯。Afassinou K通过仿真发现客体的受教育水平对网络谣言的传播影响较大，整个网络中的人群受教育水平越高，谣言信息对整个网络的影响就越小[25]。传播客体本身的行为习惯仍然影响舆情信息的传播，例如不完全阅读行为（Incomplete Reading Behavior），在社交媒体环境中人们会以一定的概率阅读到一些信息，同时也会以一定的概率忽视一些信息，当一个用户发布一条信息的时候并不是他所有的好友或者关注者会看到这条信息，并且对于信息阅读者想要在有限的时间内浏览网上所有不断更新的信息也是较为困难的，而且一些旧的信息也会被新的信息所替代，旧的信息会从人们的视野中移除，新信息的传播率、旧信息的移出率和信息浏览者的阅读速度等造成了信息浏览者的不完全阅读行为[26]。 3信息内容特征对社交舆情传播的影响
关于信息内容特征主要是指舆情信息的情感属性、是否含有URLs链接、是否包含标签、是否与重大事件有关以及话题的衍生性如何等关于内容属性的一些特征。信息的情感属性（Sentiment）指信息的情感倾向，根据文本情感分析技术可以将文本的情感分为多个类，例如二分类法将情感分为正向（Positive）和负向（Negative）。具有很强情感倾向的消息更容易吸引人们的注意力并得到传播，Anthony S[27]等人发现越是让人们产生焦虑情感（Anxiety）的谣言或者信息越容易得到传播，并且本身愈是处于焦虑状态的学生越容易接受并传播谣言，负面的舆情信息要比正面的舆情信息更容易导致人们产生焦虑感，因此也更容易被广泛传播。在关于信息内容中是否含有URLs链接的研究中，Tanaka Y[28]等人通过设计一个实验发现在Tweet中如含有URLs链接则谣言更容易被传播，即使Tweet中的URLs是一个无效的超链接谣言信息仍然容易被传播，从心理学角度来看可以解释为URLs通常代表的是对信息内容的更加深度解读，对信息内容的详尽表达，但是我国黄膺旭、曾润喜[29]则发现链接有时候反而会减弱微博信息的传播，因为很多情况下人们根据阅读的习惯会去读取链接内容，因此这种深度阅读的行为导致了人们忘记去转发信息了，可能导致信息传播在此阶段此用户身上发生终止。关于信息内容中是否包含标签的研究发现带有标签的内容更加容易吸引其他读者的注意，带有标签的Tweet更容易被传播，但并不是标签越多信息传播越快，信息传播的速度还与信息中标签的类型有关[23]。关于舆情信息与重大事件的关系研究发现当谣言信息的内容与当前国内、国际比较重大的事件有关的时候其更容易获得关注并传播[30]。话题衍生性是指根据话题的特点所导致的衍生舆情。依照网络舆情传播规律的研究，对处于消退期的网络信息应该是一种逐步减少并最终趋向平稳消失匿迹的状态，但是对于某些衍生性较强的敏感话题，由于网络话题的异化、关联、泛华等效应，极易使原本应该消退的舆情话题进一步衍生，在达到波峰后没有趋于平缓而是形成新的舆情高潮，即出现二次波峰甚至连发多次波峰[31]。
4其他因素对社交舆情传播的影响
对于社交舆情传播产生影响的还有其他方面的一些因素，如时间、真伪信息的对抗等因素，社交舆情信息的发布时间对舆情传播而言至关重要，研究表明用户使用社交媒体的时间具有一定的分布规律，如果当舆情传播的高峰与用户使用社交媒体的高峰叠加在一起的时候就会爆发更大范围的更具破坏力的舆情影响，进一步加剧舆情的恶化[32]。如果舆情监控能够及时发现传播的苗头，及时避开社交媒体使用高峰，就会为相关部门以较低的社会成本化解舆情争取宝贵的时间。同时对于处于零散时间状态的正面舆情信息，往往容易被新的信息所覆盖，导致其他用户在浏览时无法看到，从而影响到舆情信息的传播，同时舆情传播也会受到新闻刊发时间的影响，所以舆情的发布时间对舆情传播影响十分显著[33]。关于真信息的注入对舆情的影响主要是在舆情传播仿真实验中考虑到在不同阶段不同信息的注入对整个舆情态势的影响。信息有真伪之分，伪信息是指在严格假信息内核上具有部分真实性表象的信息，看似有根有据但是从严格意义上来看其本质是假的，具有很强的社会蒙蔽性和社会危害性[34]。在舆情传播的过程中真伪信息的注入往往酿发为一场真伪信息的对抗。在真伪信息对抗模型仿真研究中发现，真实信息的注入时间是控制伪信息传播的关键[35]。
5结语
在众多影响社交舆情传播的因素中，社交网络结构特征是舆情社交化传播的客观环境基础，从宏观层面上决定了社交舆情传播的速度与范围。舆情所处的网络拓扑结构环境是舆情按照小世界网络规律传播还是无标度网络规律传播的关键，而度、平均路径、聚类系数等网络基本性质又进一步量化了舆情传播的环境，用客观结构数据描述舆情的复杂网络环境，同时网络关系特征通过对传播主体与传播客体的关系、传播客体与传播内容的关系等指标的量化，借助量化的关系数据描述舆情传播的环境。传播主体、传播客体等节点属性特征是社交舆情传播的主观人为条件，从微观层面解释了人的行为主体性。传播主体作为社交舆情传播的发起者或助推者，其传播的动机直接决定其在社交媒体上的信息行为，无论是有意识的传播，还是无意识中促就，微小的动机倾向都有可能掀起舆论的高潮，而传播主体的自身影响力、自身活跃度以及自身的信度客观决定了传播主体的传播能力。同时作为舆情的接受者，传播客体本身固有的属性特征直接影响到其对舆情信息的反应。舆情信息内容是社交舆情传播的载体，社会的舆论或争辩主要借助于各种各样的信息形式来表现出来，因此分析舆情信息的情感，分析舆情信息内容，分析舆情话题本身才是化解舆情的根本。舆情信息的情感是舆情行为者感情的表达，无论是网民的一时情感宣泄，还是公众的普遍诉求，情感是公民最明确的态度，关注公民的情感，关注公民的焦点，努力解决好社会重大事件势必成为化解舆情的关键。
同时从数据的来源来看，相当比例研究者的数据来源是基于新浪、腾讯等微博平台以及Twitter等社交网站，数据来源比较单一，多数研究只是基于其中一个平台的数据来展开研究，由于现实的网络舆情的发展是多渠道、全方位、无序化、无间断性的混沌状态，理论模型和仿真效果与现实舆情有较大出入，无法模拟和描述整个网络上的舆情发展状况。未来的研究需要根据不同渠道进行大数据分析，努力贴近实际舆情，尽量模拟现实舆情的发展环境并进行多维度的仿真分析。从研究层面来看，有关于舆情传播模型、传播模式、生命周期的宏观研究，也有基于节点具体属性、信息内容的微观分析，未来研究可能需要将这两者结合起来，将微观影响因素嵌入宏观背景，考虑到整体对局部的影响。例如基于舆情传播生命周期的不同阶段研究具体因素对舆情传播的影响。从技术层面来看，关于舆情的研究经历了从舆情态势的关注到舆情内容的深层挖掘，基于文本的挖掘，分析文本的情感倾向，整合舆情热度，从而为舆情预警与应对策略提供依据。随着舆情研究层次不断深入，分析的对象不仅仅为文本对象，对网络上的音频、视频、图像的分析技术也在发展，所见所闻皆舆情。分析对象只有涵盖了网络上以各种形式存在的数据才能做更加精确的分析。同时随着社交媒体生态圈的不断完善，人们于社交媒体中的浏览、阅读、发布、转发信息的习惯也在发生变化，基于情境的舆情传播可能呈现出别样的姿态，因此深耕移动舆情规则是进一步提升舆情研究、强化舆情监管的关键。