随着社会科学技术的不断进步,通讯手段和通讯方式在网络及通讯技术发展的支持下日益丰富,人们的交流日益频繁和便利,在此基础上,社会舆情伴随着各类事件的传播而实现爆炸式增长。这些事件中非常重要且常见的一类关联事件,其交互传播已经不可忽视,无论是良性事件还是恶性事件的传播,都会被其关联事件推波助澜,进而产生更加强烈的社会效应。良好地运用关联事件的传播规律可以强化政府决策的普及程度,帮助推进企业的文化、品牌传播,有效推进自媒体的发展;不法分子也有可能利用具有强化作用的关联事件,传播谣言和反社会言论等行为,政府可以通过打破关联事件的传播规律来抑制非法信息的传播。无论是政府、企业还是个人,都应对于关联事件隐性的传播作用产生高度的重视。因此,关联事件的传播规律研究具有重大的理论和现实意义。通过对于现有的信息传播领域的论文梳理发现,现存的信息传播模型过度依赖传染病模型,绝大多数的模型都是改进的传染病模型。现有研究还缺少对衍生事件等关联事件传播规律的分析,且多停留在定性角度或通过调节传染病模型的参数来简单地定量分析,缺少系统全面的仿真定量分析。因此本文以能够更好地刻画网络结构与传播效果分析的渗流理论为依据,分别构建了以自洽方程为框架的单层网络和双重网络上的信息传播模型,研究的主要内容包括以下三部分:(1)首先在单层网络上,构造了一种以自洽方程为框架能够遍历所有节点的渗流模型,该模型相较于已有模型灵敏度高,并且可以准确表达巨分支的规模随渗流概率的相变情况。在新构造的渗流模型的基础上加入网络扩散能力的度量指标,以此建立单层网络的信息传播模型。并利用该模型对不同聚类系数、不同度分布的方差的单层网络进行仿真实验,发现聚类系数与网络的扩散能力呈正相关关系,而度分布的方差与网络的扩散能力呈负相关关系。(2)本文对关联事件进行了定义,并给出了事件关联性的定性和定量识别,利用改进的最大熵模型与其他常用关联事件识别方法对关联事件识别效果进行了对比,发现改进的最大熵模型的识别效果明显优于贝叶斯模型和K-means模型,略优于BP神经网络模型,在提取的特征词小于等于25个时(最多35个)略优于SVM(支持向量机)模型,但是特征词在30和35之间时改进的最大熵模型略次于SVM模型。在此基础上本文进一步分析了关联事件的促进效应,通过引入促进因子对关联事件的传播概率进行了重新的定义。(3)最后,本文采用单层网络信息传播模型的构造思路,进一步构造了以自洽方程为框架的基于双重网络的关联事件传播模型,利用该模型进一步验证和分析关联事件传播的促进效应,并通过仿真实验发现促进因子在∈,0.3,0.8-时,在促进效应作用下,网络对于事件的扩散能力提高的效果明显。通过选取递增的双重网络结构上的不同层聚类系数的皮尔逊相关系数,通过仿真实验发现,不同层聚类系数的皮尔逊相关系数在(0,1)时,网络的扩散能力与该相关系数呈正相关关系;不同层聚类系数的皮尔逊相关系数在(-1,0)时,网络的扩散能力与该相关系数呈负相关关系。