基于多Agent的企业社会化营销信息传播建模与仿真研究论文设计

摘要随着社会化媒体的兴起和人们生活观念的变化，社会化营销已经成为了企业重要的营销方式。企业社会化营销过程中存在用户对信息从未知到已知再到传播的过程，它反映的是用户对企业从接触到接纳的过程。研究企业社会化营销背景下的信息动态传播与演化过程、掌握传播规律，对于企业制定营销策略、进行潜在客户挖掘、舆情监控、精准营销等活动有着重要意义。信息传播过程的本质是个体对于信息处理的行为决策，是一个基于个体交互、并以内部观点的变化为驱动力而形成的复杂的动态过程，传播演化的趋势和规律受到参与个体的自主性、个体异质性、个体间的复杂交互等多方面的影响。经常用于信息传播研究的经典传染动力学模型默认个体同质，对传播过程的假设过于简单，相关研究中的改进模型虽然通过考虑个体自身的影响力和个体间的相互影响力而建立了更加合理的传播机制，但仍然忽略了个体本身的异质属性以及多种信息传播渠道对信息传播过程的影响，难以真实反映企业社会化营销背景下的信息动态传播与演化。针对存在的问题，本文运用多Agent建模与仿真方法细粒度地刻画了个体异质特性和个体间的交互，构建了能够模拟信息动态演化过程的多Agent模型。本文首先分析了企业社会化营销中的信息传播过程和影响因素，并基于传播过程给出了相应的传染动力学模型。然后运用多Agent理论，建立了基于多Agent的信息传播模型，分析了模型中的交互关系，并基于改进的观点交互模型理论构建了Agent之间的交互规则，建立了计算实验模型，进一步深入到对个体、个体之间及个体与环境之间的交互行为进行分析研究。最后基于Swarm平台对信息传播的复杂动态交互过程进行计算实验研究，在微观的层面，研究具有个体交互行为的信息传播过程，揭示社会关系网络中异质个体间信息传播的一般规律。通过与动力学模型的仿真结果对比和分析，证明了本文多Agent信息传播模型设计和交互机制研究的有效性。关键词：社会化营销，信息传播，传播动力学，多Agent建模，仿真AbstractWiththeriseofsocialmediaandchangesinpeople'slifeconcepts,socialmarketinghasbecomeanimportantmarketingmethodforenterprises.Intheprocessofenterprisessocialmarketing,thereisanprocessfromunknowntoknownandthentheuser'sdisseminationofinformation,whichreflectstheprocessfromusercontacttoacceptanceoftheenterprise.Studyingthedynamicinformationdisseminationandevolutionprocessandgraspingthelawofcommunicationinthecontextofenterprisessocialmarketingisofgreatsignificanceforcompaniestoformulatemarketingstrategies,potentialcustomermining,publicopinionmonitoringandprecisemarketing.Theessenceoftheinformationdisseminationprocessistheindividual'sdecisiononinformationprocessing.Itisacomplexdynamicprocessbasedonindividualinteractionsanddrivenbychangesininternalperspectives.Thetrendsandlawsareinfluencedbytheautonomy,heterogeneity,complexinteractionsamongindividuals,etc.Classicalinfectiondynamicsmodelsoftenusedininformationtransmissionresearchassumethatindividualsarehomogeneous,andtheassumptionofthetransmissionprocessistoosimple.Althoughtheimprovedmodelsinrelatedstudieshavebeenestablishedreasonablecommunicationmechanismbyconsideringtheindividual'sowninfluenceandtheinteractionbetweenindividuals,butstillignoretheimpactofindividual'sownheterogeneousattributesandmultipleinformationtransmissionchannels,sodifficulttoreflectthedynamictransmissionandevolutionofinformationinthecontextofenterprisesocialmarketing.Aimingattheexistingproblems,thispaperusesmulti-agentmodelingandsimulationmethodstodescribetheindividualheterogeneouscharacteristicsandinteractionbetweenindividualsinafine-grainedmanner,andbuildsamulti-agentmodelthatcansimulatethedynamicevolutionofinformation.Firstly,itanalyzestheinformationdisseminationprocessandinfluencingfactorsinenterprisesocialmarketing,andgivesthecorrespondinginfectiondynamicsmodelbasedonthedisseminationprocess.Secondly,buildsamulti-agentbasedinformationdisseminationmodelbasedonthemulti-agenttheoryandtheinteractionrelationshipsinthemodelareanalyzed,andtheinteractionrulesbetweentheagentsareconstructedbasedontheimprovedperspectiveinteractionmodeltheory,theexperimentalmodelofcalculationisestablished.Analyzeandstudytheinteractionbetweenindividuals,individualsandtheenvironment.Finally,thecomplexdynamicinteractionprocessofinformationdisseminationisstudiedbasedontheSwarmplatform,theinformationdisseminationprocesswithindividualinteractionbehaviorisstudiedatthemicrolevel,thegenerallawofinformationdisseminationamongheterogeneousindividualsinthesocialrelationshipnetworkisrevealed.Bycomparisonandanalysiswiththesimulationresultsofthedynamicmodel,thevalidityofthemulti-agentinformationdisseminationmodeldesignandinteractionmechanismresearchinthispaperisproved.Keywords:Socialmarketing,Statustransition,Infectiondynamics,Multi-agentmodeling,Simulation第一章绪论-18-第一章绪论1.1研究背景与意义随着网络社群人数急速增加，国内外社交媒体不断推陈出新，其中以微博、Twitter等社会化媒体平台用户人数最多，当代社会化媒体呈现出蓬勃的发展趋势。社会化媒体具有良好的社会性和互动性，能够提高信息传播的广泛度和促进传播深度[1]，这些特点结合数量繁多的使用人群为企业打开了一个新的营销市场，为企业的产品和服务提供了良好的沟通、服务实时平台[2]，能够让企业充分利用社会网络所带来的优势进而展开各种营销活动。根据微博提供的微数据显示，截至2018年8月，微博企业账号达到140万，覆盖行业超过60个[3]，从社会化媒体的用户人数激增、广告营销功能扩展等发展趋势来看，社会化媒体已然成为各企业开展营销活动、提高企业知名度、提升企业绩效的一个不容忽视的平台，基于社交网络和多元内容的社交媒体平台受到越来越多企业的关注，社会化媒体营销成为企业的主要营销方式之一。企业社会化媒体营销最大的特点是以用户为中心的、社会性的营销，且在以提高企业绩效为最终目的的前提下，期望借助社会化媒体平台来提高企业及产品知名度，增长客户数量，并通过互动性的营销手段保持客户对企业和产品的好感。在整个营销过程中，用户对于企业的认知、对企业产品的认知会发生一系列改变，改变体现在用户对信息的处理上，从对信息的获知到对信息的传播，整个信息传播过程体现的是用户对企业从接触到接纳的过程，因此掌握信息传播过程规律成为企业挖掘潜在客户、增加客户数量、提升企业社会化营销能力的关键。由于企业社会化营销处于复杂的社会网络环境之中，社会化媒体提供的多种信息传播渠道和灵活的个体交互方式让信息传播成为一个复杂的动态演化过程，信息传播受到复杂系统中的环境、个体异质性以及个体交互的综合影响。因此，要准确描述社会化营销中的信息传播过程，需要从微观角度出发，研究个体的异质特征和异质个体间的交互机制，并综合考虑信息传播的环境，从而更为真实地描述复杂信息传播过程。多Agent建模方法是一种自底向上的建模方法，能够建立微观异质个体模型，探索个体交互机制，从复杂系统的角度研究信息传播的动态演化过程。通过对整个信息传播过程进行模拟仿真，可以展现由于异质个体交互而在信息传播过程中涌现出的宏观规律，能够认识个体在信息传播和扩散中的推动作用，有助于深入理解传播机理，进而为企业制定营销策略、调整营销方式提供决策支持，使企业能通过影响信息传播过程的方式提高营销有效性。本课题通过运用多Agent建模与仿真方法，对企业社会化营销背景下的复杂信息传播过程进行仿真和分析，旨在对信息传播问题的研究方法与技术上做出进一步的尝试。1.2国内外相关研究现状 1.2.1信息传播动力学基于传染病的动力学模型是经常用于研究信息传播的模型，因为与传染病传播的过程相似，所以依照病毒传染的过程构建了传染病动力学模型来刻画信息传播扩散过程。信息传播过程及机理一直是一个热点研究内容，通常利用传染病模型探究信息传播机理，发现和总结某种背景下群体活动的一般规律。针对不同的情形有不同的研究，主要包括了复杂社会网络下的信息[4-6]、谣言[7-8]等。另外，传染病学在营销领域的信息传播方面也应用得较为普遍，主要研究集中在病毒营销有效性预测模型[9]、社会网络中营销信息的传播和渗透[10]、社交媒体营销传播机理[11]、信息源随时间的变化和信息传播幅度范围等传播规律[12]这样几方面。多方面的研究对于社会网络影响力节点识别、舆情演化、网络结构演化等都有重要意义。动力学模型包括了SI、SIS、SIR等多个模型，模型中主要包含了未感染、易感染和免疫三种状态，模型用不同状态之间的转换来描述信息传播过程。该模型运用了平均场理论，忽略了局部的不同，把外界对个体的作用做集体处理，通常以求解个体密度随时间变化的微分方程组的形式来刻画信息传播过程。传统的传播模型考虑的情况较为简单，并且对于个体和其他因素的假设较为理想，所以难以准确描述复杂传播过程，只能展现一个传播过程的宏观规律。但是作为经典的传播模型，其研究思想和方法依然被广大研究者借鉴和运用，在传统模型的基础上进行了多方面的改进和创新，并应用到信息传播的多方面研究中。Garg等人基于SI传染病模型对社交网络中的传播过程进行了分析[13]；Leskovec等基于SIS模型，针对博客中的链接关系分析问题，提出了级联式社会网络信息传播模型[14]；Woo等人基于SIR模型提出了线上话题传播模型，用以评估论坛中一个话题对整个论坛的传染力度[15]。对于当前各种各样的复杂情境，三种状态显然不足以概括信息传播过程中所有的个体，因此在后面的研究中，学者们针对不同的情形在原模型的基础上增添了不同的状态将模型运用于社交网络传播的相关研究中。Wang等人在SIR模型的基础上，考虑到社会加强因素对传播的影响，提出了在线社交网络中的谣言传播模型CSR(credulousspreaderrationals)[16]；顾亦然等人对微博上的谣言抑制问题展开研究，考虑到用户看到信息的不及时性，将潜伏态节点引入到经典的SIR模型中，提出了新的SEIR模型，用以研究微博中的谣言抑制问题[17]；丁学君通过对微博中的互动机制进行分析，在经典模型的基础上引入了新的接触态，构建了描述微博舆情传播的SCIR模型，并研究了不同概率对信息传播过程的影响[18]。信息传播是人们以符号或者其他信号为载体，彼此进行思想沟通、意见交换和情感交流的过程，通过一系列信息的反馈达到相互了解和影响的目的，信息传播过程受到多种因素影响。传统信息传播模型设定一种状态以一定的概率向另一种状态进行转变，并且概率的取值是固定的，这样的设定显然和实际的信息传播有所差距。针对该问题，学者们考虑到不同因素对传播过程的影响，通过对感染概率和传播概率的重新定义，设计了更加合理的传播机制。王金龙等人在SIR模型的基础上考虑了网络节点的不同的权威性，用相对影响力函数来代替固定的传播概率，提出一种基于用户相对权重的线上信息传播模型[19]；Borge-Holthoefer等人考虑到用户的活跃度，改进了信息传播概率，使模型的传播机制更为合理[20]；张彦超等人考虑了复杂网络中节点之间不同的影响力，基于传统动力学模型构造了一个在线社交网络信息传播模型[21]。从文献中来看，传染病动力学模型在社会关系网络、社会舆情以及营销学等多方面都有广泛的研究适用性，学者们对于模型的改进方式对本文在研究方法上也有所启发。对于信息传播过程的研究，首先可以针对具体的情境进行过程分析，用适当的节点状态的转变过程对信息传播过程加以描述，其次信息传播过程受到多种外界或者节点相互作用的影响，在研究过程中应当考虑到多方面的影响。1.2.2基于多Agent的建模与仿真多Agent建模方法作为一种自底向上的方法，能够准确描述个体的异质性，并从微观视角探究不同的环境因素、个体属性因素对个体观点、行为、状态的影响，能够捕捉个体交互的非线性关系，在多个领域得到了广泛应用。多Agent建模方法通过设定Agent间的交互规则描述个体交互过程，研究个体交互产生的宏观涌现现象，从而发现复杂系统的演化机理[22]。基于多Agent建模方法的研究基本思想均为用Agent的智能性来模拟人类社会的行为，Agent建模也因此被认为是一种用来理解人类社会的工具[23]，因而对于人类行为上的研究许多也都基于多Agent建模方法进行。Agent建模方法可以从微观的角度考虑个体层面的差异，很好地考察个体异质性，可以对一个场景下的多个不同的个体进行异质性建模，避免群体同质，进而让主体的沟通过程与实际情境更为相似。个体的异质性既体现在个体本身的属性、特点上，比如年龄、选择偏好等等，又体现在个体在一定环境中的表现出的特质和行为。对个体异质性建模的支持，使多Agent建模方法在复杂性科学的研究上具有突出优势。段伟考虑了疾病传播的异质随机特性和个体的微观行为交互，构建了多Agent疾病传播模型，对真实疾病传播过程进行了模拟[24]；Edmonds运用多Agent方法研究了个体在学习和沟通过程中体现出来的异质性[25]。作为复杂系统的研究方法，多Agent建模还提供了良好的主体交互机制，可用于多主体间交互的研究。在Agent建模领域，交互被认为有两层含义，一个是Agent与环境以及Agent之间的信息交互；另一个是Agent之间进行观点、需求或者评价准则等方面的交互[26]。基于Agent的建模与仿真技术通过设定个体之间以及个体与环境之间的交互规则，来模拟实现所研究情境下的个体交互的动态过程。CollingsD通过模拟仿真口碑相传的交互方式，来研究一个服务品牌被消费者的接纳过程[27]；危小超等人通过建立多Agent模型，模拟了创新产品扩散过程中的消费者交互，并探索了微观个体交互引起的宏观涌现规律[28]；袁爱进等人提出了一种基于博弈论的多Agent交互模型，研究复杂系统中的多人交互的协调决策问题[29]；因为在交互研究上具有良好适用性，多Agent建模与仿真方法也通常被用于过程性的研究[30]。1.2.3问题和研究方法分析从以上文献可以看出，对于信息传播模型、多Agent建模的理论与技术研究均取得了丰硕的成果，为后续相关研究提供了丰厚的理论基础和技术借鉴。本文通过文献学习，总结了相关研究领域现有理论与技术的特点，分析出目前还存在的一些需要改进的问题，并提出问题的解决方法。对于信息传播问题，多数是基于传播动力学模型的研究，对个体设定不同的状态，并用不同状态之间的转换来刻画信息传播过程。针对传统模型中固定概率的缺陷，学者们提出了众多改进模型，将节点权威性、节点间的相互影响力等多种因素考虑到了信息传播过程中，对传播概率进行改进，从而设置更为合理的传播机制。但目前基于动力学模型对信息传播过程进行研究还存在这样几个问题：1.企业社会化营销背景下的信息传播过程是个体间相互交互、个体与环境交互、相互影响的复杂过程，传播动力学模型通常是从宏观角度出发，研究信息传播过程的一般性规律，在仿真时通常没有体现出个体间的动态交互以及多种交互方式，导致仿真结果不能反映信息传播过程中一些微观上的变化规律，也不能准确描述社会化营销中的信息传播。2.信息传播过程除了受到节点的影响力这些体现在社会网络之中的外部异质性的影响之外，还受到了节点作为人所具有的不同自身属性的影响，这些属性可以称为内部异质性，在目前的研究中，动力学模型基本没有考虑内部异质性对信息传播的影响。综上，要研究在复杂环境中的信息传播过程，只运用动力学模型进行描述和刻画还不足以模拟一个真实的信息传播过程，所以不能完全依赖传染病模型，还需要其他能够从微观角度考虑个体内部异质性，并能反映个体交互的方法去对动态的信息传播过程做进一步的刻画和描述。Agent建模作为一种能够进行微观建模的技术，为个体异质建模的研究提供了思路，能够解决传统动力学模型中群体同质的问题，所具有的描述个体异质属性的能力也能够解决改进模型中没有考虑个体内部异质性的问题。另外，多Agent技术广泛应用于过程性的研究，重视个体间的交互，因此，对于信息传播过程中个体交互的研究和实现也提供了相关方法。本课题将营销活动中的信息传播看作是一个受多种因素影响的复杂过程，从复杂系统的角度去研究信息传播机理，基于动力学模型的建模思想分析信息传播过程，再运用多Agent技术，建立考虑个体内外两方面异质性的Agent模型，建立多Agent交互机制，旨在对企业社会化营销背景下真实的信息传播过程进行更好的模拟。1.3本文的组织结构和创新点1.3.1具体内容和组织结构本文基于企业社会化营销背景，结合传染病信息传播模型思想对社会化营销中的用户进行状态划分，基于观点交互模型设计主体交互规则，并采用多Agent建模与仿真的方法对用户状态转换过程进行模拟仿真，分析仿真结果，总结用户状态转换规律，为企业社会化营销策略提供借鉴和参考。第一章介绍了课题研究背景和意义，对国内外相关研究现状进行了总结分析，归纳了本文可借鉴的理论方法，并提出了相关研究领域目前还存在的问题，最后介绍了本文的研究内容和技术路线。第二章介绍了社会网络中用户状态转换的相关理论，包括现有的传染病动力学模型、观点交互模型等理论基础，总结分析了它们的优点和不足之处，为本课题的研究方法和研究内容提供了基础。最后介绍了多Agent建模与仿真方法，为本课题后续仿真平台的设计提供了理论和技术基础。第三章分析了微博中的信息互动模式，研究了社会化营销背景下的信息传播过程，并给出了相应的信息传播动力学模型，最后从环境和异质个体两方面分析了信息传播过程中影响因素，为多Agent建模与仿真提供理论依据。第四章基于多Agent建模的相关理论，以实际的企业社会化营销过程为原型系统，构建了多Agent模型，并且对不同Agent的属性和内部结构进行了设计。另外还改进了观点交互模型，研究了多Agent交互机制，制定了信息传播过程中的主体交互规则。第五章将构建的多Agent系统在Swarm仿真平台上进行了实现，同时对动力学模型也进行了仿真实现，通过两种仿真结果的对比分析，证明了多Agent模型能够反映更为真实的信息传播过程。第六章进行了课题研究的总结归纳，说明了课题研究中存在的不足之处，并对以后的研究方向和内容进行了展望。1.3.2创新点一、本文结合SIR模型的建模思想，通过对社会化营销中的信息互动模式的分析，增加了节点状态，提出了社会化营销中的信息传播过程，并给出了相应的动力学模型。二、本文用多Agent建模与仿真的方法来研究信息传播问题，考虑了个体内外异质性、外部影响因素、个体互动多种信息传播影响因素，解决了动力学模型没有考虑个体内部异质性、没有考虑多种交互方式、不能体现个体交互过程的问题。图1-1技术路线第二章相关理论基础第二章相关理论基础2.1传播动力学模型传染病动力学模型是数理模型，都是将群体分为不同的状态，并假设同一群体中的个体同质，属性混合均匀，然后用微分的形式刻画不同状态个体数量的变化，从而对信息传播过程进行描述[31]，模型中的变量，用来描述个体从一种状态成为另一种的状态的概率。动力学模型运用了平均场理论，将个体受到外界的影响力平均化，同时对信息传播过程和传播因素进行了一定的简化[32]，因此，动力学模型更为关注信息传播的宏观规律，通过模型的仿真实现，能够对传播临界值、传播持续时间等进行较好的观察。传统模型包括了SI、SIS、SIR等模型，其中SIS和SIR模型应用最为普遍，而最为经典的模型是SIR。下面对常见的几种经典模型分别进行介绍和分析。（一）SI模型SI模型没有考虑过多复杂情形，只对传染过程做出了简单阐释。模型中将个体状态分为了S（Susceptible）易感个体和I（Infected）感染个体两类[33]，易感个体以概率α被传染成为感染个体I。模型中的信息传播过程如图2-1：图2-1基于SI模型的信息传播过程假设t时刻易感个体和感染个体的数量占比分别s(t)、i(t)，所有个体的总数记为Nt=s(t)+dstdt=-α（二）SIS模型和SI模型相似，SIS模型将个体状态同样分为了S（Susceptible）易感个体和I（Infected）感染个体两类但不同的是，SIS模型考虑了传染病中的重复感染[34]。在该模型中，感染个体以概率β恢复为易感个体，易感个体以概率α被传染成为感染个体I。模型中的信息传播过程如图2-2：图2-2基于SIS模型的信息传播过程假设t时刻易感个体和感染个体的数量占比分别s(t)、i(t)，所有个体的总数记为Nt=s(t)+dstdt=-α（三）SIR模型不同于SIS模型，SIR模型考虑了传染病中感染个体产生抗体、将不再受到感染而成为免疫个体的情况，将一个群体中的个体状态分为了易感个体（Susceptible）、感染个体（Infected）和免疫个体（Recovered）这三类个体[35]。在该模型中，感染个体以概率α感染易感个体，感染个体以概率β被治愈，成为不再受到感染的免疫个体R。模型中的信息传播过程如图2-3：图2-3基于SIR模型的信息传播过程假设t时刻易感个体和感染个体的数量占比分别s(t)、i(t)、r(t)，所有个体的总数记为Nt=s(dstdt=-α从模型建立的思想来看，SI模型考虑的传播情况过于简单，而SIS模型不失为一种符合实际疾病传播情况的模型，但在实际信息传播过程中，在时间足够长的情况下，信息一般都会停止传播，具有重复传播机制的SIS模型中的个体状态种类和信息传播机制不足以描述复杂社会网络中的信息传播过程。所以在关于社会网络信息传播的研究中，通常基于SIR模型来展开研究。用模型中的易感、感染、免疫态对应与信息传播中未知态、传播态和停止传播态，通常用这三种不同状态来表示信息传播中的个体，这三种状态能够大致概括大多数信息传播过程中的用户状态，也通常能够反映普遍的信息传播过程。但若要刻画更为真实和复杂的企业社会化营销背景下的信息传播过程还有些不够，需要结合实际在此基础上对状态进行进一步的细分。从动力学模型中可以看到，模型参数对信息传播过程有重要影响，如果参数一直固定不变，也就默认了个体的同质性，使同种状态的个体以相同的概率进行状态的转换，这样的设定与实际情况有所差距，因此需要采取一定的方法改进模型中的固定的转换概率。2.2个体观点交互理论在日常的社会活动中，人们的各种行为或多或少都是由其内部观点所指导而产生的，比如是否要去某个地方吃饭，同一类商品要选择哪种品牌，某个节假日是否要出游等等，在社会网络中，当然也包括是否要传播某信息。可以说，观点对人们的各种行为以及许多社会现象的产生都有一定的促成作用。因此，观点形成和演化的研究吸引了计算机科学、信息系统科学、经济学等多领域的学者，许多观点动力学模型也因此诞生。观点动力学旨在通过对观点演化进行建模与仿真，研究引起群体中个体观点如何在群体当中传播、以及如何被其他个体影响而改变自己观点的当前状态，从而提示观点演化的普遍规律。根据个体观点值的类型来划分，观点演化模型可以分为离散和连续两种观点模型。离散观点模型中比较典型的有Sznajd模型[36]、Voter模型[41]等等，这一类模型通常认为观点只有正面和反面两种情况，主要用来研究群体中个体的最终选择结果而导致的变化规律。连续观点模型中比较典型的有Deffuant模型[37]、HK模型[38]等等，不同于离散观点模型，该类模型认为在正反两个端点中间还有中立、偏正、或者偏反的观点，观点演化过程存在着观点逐渐发生变化的现象。对于观点演化的研究，更多都基于连续观点模型展开[31][39]。观点体现了个体的选择倾向性，而个体的选择倾向性不是阶跃变化的[31]，在复杂环境中的个体往往经历了潜移默化的过程才会产生最终是否选择传播信息的选择，连续观点更能体现个体内部观点循序渐进的变化过程，因此，本文也基于连续观点模型对信息传播过程中个体观点的演化进行研究。（一）Deffuant模型Deffuant模型是一种连续观点模型中的两两交互模型，模型遵循有限信任原则，认为两个个体的观点差值在规定的范围内才可以进行观点交互，在某一时刻，一个个体与另一个可交互个体进行交互，并将当前时刻的自身的观点值与其邻居观点值的差值之和作为下一时刻的观点值。设个体i的观点在当前时刻t表示为opit，另一可交互个体j的观点在当前时刻t表示为opj(t)，发生交互后，在t+1时刻，个体i的opit+1=opi式中的收敛参数μ表示个体i对邻居个体j的信任程度，反映了观点更新的速度。（二）HK模型HK模型同样遵循有限信任原则，不同的是个体i与在交互范围内的所有邻居个体进行交互，并将当前时刻的自身的观点值与其邻居观点值的加权平均和作为下一时刻的观点值。设个体i的观点在当前时刻t表示为opit，其邻居个体j的观点在当前时刻t表示为opj(t)，在交互范围内的邻居个体数量为N，Ni(t)为邻居个体集合。发生交互后，在t+1时刻opit+1=1NDeffuant模型和HK模型的区别在于前者每次选择一个个体进行交流，每交流一次，观点值更新一次；后者则是一个个体同时和多个个体交流，最后将所有交流个体观点的平均值作为自己的新观点。在社会关系网络中个体观点的演化通常基于Deffuant模型进行研究[40-42]，所以本文后续将基于Deffuant模型来进行多Agent模型中的个体观点交互研究。μ作为观点交互的影响力因子，Deffuant模型并未对其做详细区分，模型无法展现社会网络中个体的异质性，也不能表明除了观点交互之外、其他因素对观点更新所带来的影响。本文在后续将针对以上问题进行观点交互规则的改进。2.3社交网络相关理论在研究信息传播时，其所在的网络的结构是必须要考虑到的因素。企业社会化媒体营销中的信息传播处于社交媒体中的关系网络之中，因此有必要了解社交网络中的相关概念和结构特性，以便于构建仿真网络。（一）社交网络中的统计参量社交网络属于复杂网络的一种，因此网络的表示可用复杂网络中一些统计参量来进行。度是进行网络研究时不可忽视的统计参量，被定义为与节点相连的边的数量，用作描述节点的重要程度。在有向网络中度分为入度和出度，入与出的指向相反，入指向某节点自身，出指向其他节点，不同指向的边的数量成为入度或出度。平均度是所有节点度的平均值。度分布是研究节点度的分布规律的重要参量，若用pn表示度分布，那么pn的含义为度为n的节点在网络中所占的除了以上几个参量，受到关注的还有聚类系数和平均路径。聚类系数用来衡量一个节点的邻居之间相连的程度，设节点i的聚类系数为Ci，Ci=2mi其中ni是节点i的度，mi是节点i的邻居之间存在的网络中两个节点之间可能存在多条相通的路径，其中最短的一条为最短路径，所有节点最短路径的平均值则为平均路径，用D来表示平均路径，用dij表示节点i到j的最短路径，n为节点总数，平均路径具体计算方式D=2n(n（二）社交网络的结构特性复杂网络有多种不同的结构，常见的包括规则网络、随机网络、小世界网络以及无标度网络，不同的网络结构通过统计参量的不同来进行区分。规则网络中所有节点的连接规则相同，并且平均路径长度和聚类系数都较大，度分布呈现伽玛分布；随机网络中节点之间以一定的概率进行随机连接，平均路径长度和聚类系数都较小，度分布呈现泊松分布；小世界网络介于随机网络和规则网络之间，有较小的平均路径长度和较大的聚类系数，度分布呈现指数分布；无标度网络和随机网络一样有较小的平均路径长度和聚类系数，不同的是，无标度网络的度分布呈现幂率分布。对于社交网络的结构特性，包括微博中的网络结构，有很多学者通过获取真实数据，并对所形成的网络拓扑结构进行分析，发现真实的社交网络基本具有较小的平均路径长度和较大的聚类系数，而度分布一般呈现为幂率分布或近似幂率分布，具有小世界网络和无标度网络的综合特性[18][41][43]。因此在后续的研究中，将依照社交网络的结构特点来构建传播网络。2.4多Agent建模与仿真2.4.1多Agent建模多Agent建模与计算机仿真方法是由遗传算法之父约翰•H•霍兰德教授基于复杂适应系统理论（CAS）提出的复杂系统研究方法，该方法所建立的系统模型即为多Agent模型，主要应用于对生物、生态和社会、经济等复杂系统的动态模型研究。霍兰德教授认为系统复杂性的来源是系统中的具有自治性、适应性、交互性的多个主体，以及主体之间进行交互而造成的系统的动态演化和发展，因此，基于这一认识，人们运用多Agent建模方法主要对主体和主体之间的交互进行为微观建模和研究，相应的多Agent模型也有了以下两个鲜明的特点：（1）Agent作为现实世界中生命体在仿真世界中的“代理”，具有主动性、自治性、社会性、响应性等基本特性，这也是多Agent建模方法和其他方法的关键性区别，除此之外，Agent根据情境需要再适当增加其他特性。（2）模型中存在主体与主体（包括环境主体）之间的相互作用和影响。即主体之间存在着非线性交互关系，交互产生的对主体的属性、行为决策上的影响是引起系统演变和进化的主要动力。多Agent建模方法从个体内部进行建模，在考虑了个体本身的内部属性的同时，也考虑了主体之间和主体与环境之间的相互作用，所以多主体建模方法适用于具有异质属性和相似相互关系的多个研究领域。2.4.2基于规范的多Agent交互规范是来自组织符号学的概念，也被称为社会规范，是一个具有社会性的群体中多个成员的行为规则和标准，起到约束成员行为的作用。组织符号学认为，组织的本质是由人类Agent组成的系统，系统中的个体按照特定的规范与约束条件产生相应的行为，进行交互以及协作，所以组织可以通过说明Agent、Agent之间的关系以及Agent所要遵循的行为规范来表示[44]。规范描述了在不同的情境下，不同类型、不同文化背景甚至不同组织下的Agent之间如何进行交互以及协作，规定了Agent和组织间的交互应该采取哪些行为[45]。规范在组成和表达上具有鲜明的特点。Wright认为，规范具体由条件、内容、特征、权威、对象、场合六部分组成，其中，条件、内容、特征是规范的核心[45]，条件是对规范被应用的情况或状态的限制，内容是指规范中规定的动作或事件，特征则表示规范的应用所产生的效果。规范具有丰富的语义内涵，大部分的规范可以用语言来描述。Stamper和Liu定义了规范的表达方式，如下所示：Whenever<条件集>If<状态集>Then<Agent>Is<义务逻辑操作符>To<行动集>[47-48]。其中，<条件集>指明了Agent执行指定行为需要满足的条件；<状态集>是对Agent行为规范的进一步说明，表明行为需要在什么状态下发生；<Agent>指的是做出行为的责任Agent；<义务逻辑操作符>包括允许、必须、不允许等；<行动集>指Agent在满足条件后要采取的行为。[47-48]Agent之间的交互通常是非线性的，即一对多的交互，另外，在多Agent系统中通常存在着诸多异质个体，复杂系统中的个体，它们之间的交互一般也不会只遵循同一种规则。规范可以为Agent间的交互过程中的决策提供一种框架，系统中的异质个体可根据自身的角色、状态来选择与其相关的规范，从而产生不同的行为。规范的引入，使多Agent系统中的成员不必遵循同一种行为规则，让非线性的交互关系得以实现，极大地提高了多Agent系统的灵活性，从规范的角度来研究信息传播过程，可以更好地描述系统中多个异质Agent之间的交互规则。为了使Agent之间的交互与实际情况更为相符，更好的模拟现实情况，通常依据现有的理论，并结合对现实世界的认识来制定交互规则。个体信息传播过程中的交互是个体观点上的交互，因此交互规则的制定可以在已有的观点交互模型基础上，结合实际情况对其稍作改进，让多Agent之间的观点交互更符合社会化营销过程中真实的个体观点转变过程。2.3.3多Agent建模与仿真技术的应用多Agent建模是用Agent的方式、思想建立复杂系统中各个仿真实体的模型，试图通过研究Agent的行为及其之间的交互关系来刻画和描述复杂系统，进而研究多Agent之间的交互和通过交互涌现出的宏观现象。Agent具有学习和适应性，能够根据环境的实时变化而变更自己的行为，这一特点使多Agent建模与仿真方法被广泛应用于复杂系统的建模、多主体之间的交互和协同等的研究中，仿真系统中具有自治性、能动性、通信性和反应能力的Agent之间依据规则进行交互协作，基于沟通机制相互交换信息和能量，模拟着真实系统中复杂的交互作用和关联关系。作为复杂系统的研究方法，基于Agent技术研发的软件系统广泛应用于生产管理、协调和控制等需要进行复杂调度以及管理的场景，另外在道路交通控制、铁路运输控制、航空系统控制等过程控制领域也有基于Agent技术的相关研究以及成果应用。基于多Agent建模与仿真技术的复杂问题研究思路可概括为如下基本步骤：首先由研究者根据自己的研究意图和目标构建一个由一群智能主体组成的虚拟组织，一般应包含成千上万的智能主体以及相应的环境、信息等；其次，研究者结合实际去定义这个虚拟世界中各智能主体交互的规范和方法等一系列初始条件，交互包括智能主体之间的交互，也包括主体与环境、信息之间的交互；然后，组织不再受到人为干预，进行自发互动演化；最后，研究者对系统演化结果进行总结归纳，并形成相应的理论或提出针对性的政策建议。基于Agent的建模只对个体的属性和行为规范进行设计，而不对整体的行为作过多干预和控制，从而使多Agent模型在演化过程中表现出了自发行成的整体规律。本文研究的信息传播过程处于社会化营销的背景之下，存在着异质性个体，也存在着个体之间的多种交互方式和系统的动态演化，所以可以从复杂系统的角度考虑，运用多Agent建模与仿真技术，对企业社会化营销中的信息传播过程中所涉及到的个体进行自底向上上的微观异质个体建模，制定个体之间的交互规则、行为方法，刻画和描述整个信息传播过程。通过仿真实现，来发现过程中的一些规律，从而为企业提升竞争力而提出一些建议。2.4小结本章节对本课题相关的一些理论的特点、应用等进行了介绍，分析归纳了它们在本课题中的可用性，另外，结合本课题的研究背景，针对理论存在的不足之处，提出了对于相关理论的改进方向，为后续研究提供了理论基础。第三章信息传播过程研究第三章信息传播过程研究3.1信息传播过程分析3.1.1企业社会化营销中的信息传播企业社会化营销广泛存在于社会化媒体平台中，并且形式多样。有转发抽奖活动，也有节日主题活动。总之，都是为了让广大用户都参与进来的具有吸引性的活动。社会化媒体通常提供了不同的信息发布和传播方式，企业也通常会通过多种渠道进行信息扩散，因此有必要选择一个具体情境，对其中用户接触信息的模式进行分析，从而使多Agent模型能够与实际情形更为符合。目前，具有庞大用户群体的网络平台基本均为社会化媒体平台，如国外的Twitter、Facebook，国内的新浪微博等等。据中商情报网统计数据显示，截至2018上半年中国新浪微博用户规模为3.37亿人，该数量在整体网民数量中的比例达到42.1%，成为国内用户数量最高的社会化媒体，是我国规模最大的社会化平台之一，其庞大的用户群体和多元化的平台功能吸引了众多企业在微博中开展社会化营销活动。因此，本文以具有代表性的社会化平台——新浪微博为研究情境，并通过一个真实营销案例来对信息接触模式和信息传播过程进行分析。实例选自社会化营销案例库网站（/senior/view?id=30772）。2020年3月，护肤品牌SK-Ⅱ以“春日娃娃”为主要话题在微博平台上发起了一场营销活动，活动以激发产品口碑、促进用户消费为目标，由企业联合明星、美妆博主等平台中具有一定影响力的用户共同进行相关信息的发布，同时企业在微博热搜、发现页大视窗、微博入口等地方投放活动相关硬广告，增加了信息曝光率。微博中关注机制使用户可以选择关注别人，也可以被别人关注，因此能够形成单向或双向的联结关系，从而进行信息的传递。随着活动的进行，越来越多的普通用户通过关注的用户或者硬广告获知信息，并通过与参与用户的交流互动或者在多次接触到硬广告后对活动产生兴趣，自发产生内容，促进了信息传播。活动期间品牌曝光率显著上升，品牌口碑大幅提升，微博平台中的官方账号也获得了大量粉丝。结合以上对关注机制和信息发布方式的分析，整理出企业社会化营销背景下的微博信息互动模式如下图所示：图3-1企业社会化营销背景下的微博信息互动模式从实例来看，社会化营销过程大致可分为以下这样几个阶段：首先由企业发起社会化营销活动；然后由具有一定影响力少部分人进行二次信息传播，使更多人接收到信息；接收到信息的人传播信息从而使信息不断扩散；最后活动终止，信息停止传播。整个社会化营销过程中，用户对信息有从未知—接收—传播—停止的一个接收和传递过程。在获知信息后，用户是否传播信息可以看作是一种决策行为，因此可以将接收到信息的用户称为观望态，用以描述处于决策阶段的用户状态。从信息互动模式中可以看到，企业发布信息有不同渠道，用户也有多种获取信息的方式。企业和自媒体都可以看作传播态个体，其它的广告机制可以统一看作存在于营销环境中的广告信息，因此在微博情境下的用户的信息接触模式有两种：接触传播态个体和接触环境中的信息。不同于传播态个体，环境中的信息不具有自主性，而是在环境中的某个地方固定存在。为了更直观地区分两种信息接触模式，将未知态的个体进行进一步划分，使信息传播中存在两种通过不同方式获知信息的未知态用户。综上所述，社会化营销中用户的状态的变化过程如图所示。图3-2企业社会化营销中的信息传播过程从观望态到传播态是一个个体是否要传播信息的决策过程，通常受到多方面的影响促使个体发生内在观点的变化，从而指导产生外在的行为和状态的变化。从对信息传播动力学模型的分析中，可以看到数理模型默认个体同质，同一状态的个体均以同一种概率进行转换。但在现实世界中，人本身具有很多差异性，比如性别、性格、思维方式等等，这些因素均有可能导致个体行为上的差异性。这些差异性在学术研究中被称为异质性，如果要尽量刻画一个真实的信息传播过程的话，那么异质性应当是必须被考虑的因素。对异质性的分析将在后续研究中进行详细描述。研究发现，个体会对新发布的信息产生一个初始观点，并且在和其他个体的交流互动过程中不断进行观点的调整[49-50]。交流互动作为社交网络的主要特征，必然存在于网络中的个体与个体之间，而个体的观点也会在交流互动的过程中受到其他个体的影响而发生变化，比如在营销实例中，个体能够通过其他传播态个体获知信息，并在与其进行一定的交流互动后传播信息。将该现象称为个体与个体之间的交互影响，并在信息传播过程中加以考虑。除了个体的异质属性和个体之间的交互影响，在一个环境中，还存在着许多外界影响因素，这些影响因素也会对信息传播过程中的不同阶段造成不同的影响，比如在营销实例中，企业在平台中投放的硬广对个体接触和传播信息都起到了一定的促进作用。将该现象称为个体与环境之间的交互影响，外界影响因素也将在后续研究中进行分析。综上所述，从观望态向传播态转变的过程可以看作是受到各种因素影响、以及各主体之间进行交互、相互影响的过程，如下图所示。图3-3观望态到传播态的转变3.1.2信息传播影响因素研究关于信息传播的影响因素，众学者通过实证等各种方法进行过许多深入研究，也有了众多研究成果，限于篇幅和研究重点，本文对此不作深入研究，只基于以往的研究基础，结合企业社会化营销的特点，分析和归纳出企业社会化营销过程中信息传播的外部影响因素。（一）外部影响因素外部影响因素是个体所处的环境进行考虑的、对信息传播过程有影响的因素，具体分析如下。赵蓉英等人对信息传播过程中的影响因素进行了实证研究，认为信息的本身特征对用户的传播行为有重要影响[51]。信息本身有多方面的特征，包括了信息的叙事性、简洁性、可信性、吸引力等等，本文根据社会化营销通过发出营销信息吸引用户进行参与的特点，将信息层面的影响因素定义为信息的吸引力，并认为信息的影响力对信息传播过程有一定的影响。从本文所研究的企业社会化营销的角度考虑，营销初期信息发布范围的广度能够影响获知信息的人数。广告覆盖率越高，信息被用户获知的概率也就越大，因此，广告覆盖率是信息传播的重要影响因素，对信息能被获知的范围也有着重要影响。（二）内部影响因素内部影响因素是从个体本身进行考虑的、对传播过程有影响的因素。真实社会网络中的不同个体存在着各个方面的差异，正是由于这些差异，才形成了个体对信息的不同认知，继而形成不同的社会行为。这些差异被称为个体的异质性，个体的异质性也是形成复杂适应系统的原因之一，对系统演变有着一定的影响作用，所以可以将异质性统一认为是信息传播的个体内部影响因素。作为模型中的人类个体的“代理”，用户Agent应当具备一些具有代表性的属性来体现个体的异质性。由于人类个体具有高度复杂性，在建模的时候不可能面面俱到，考虑到所有的异质性，因此，本文基于异质性的概念并结合课题研究背景的特点，只对与研究社会化营销中信息传播相关性较大的内部因素进行分析。异质性可以分为两类，一类是个体本身自带的一些不同属性，称为内部异质性，另一类是个体处于某种环境中表现出来的不同，称为外部异质性。具体分析如下。（1）内部异质性个体本身固有的年龄、性别、身高、体重、性格、爱好等属性，都是个体的内部异质性，本文在这些属性上做一些取舍，主要从性格方面来分析个体的内部异质性。在做出行为之前，不同的个体通常会表现出冲动型和冷静型两种性格特征，冷静型个体会基于理性分析做出行为决策，冲动型则不经过理性分析直接做出行为，本文将这种性格特征定义为理性程度，从而用理性和非理性来区分冷静和冲动两种性格特征的个体。在接触到某事物时，个体会产生对事物的初始观点，不同性格的个体通常会对个体自身初始观点的坚持度不同，本文将其称为从众性，个体从众性越高，受到其他交互个体观点的影响越大，越容易改变自身的观点，从众性越低，则受到的影响越小，越坚持自身的初始观点。（2）外部异质性在第一章中，通过对文献的分析可以看到，节点的影响力是在研究社会网络中的信息传播过程时经常被考虑到的个体异质因素，不针对特定情境，在线上社会关系网络中，不同节点的影响力不同，对任何信息传播过程都有着重要影响。因此，本文对节点影响力也加以考虑，并将其定义为权威度。权威度高的个体通常有着庞大的粉丝基数，信息受众面比较广，权威度越高，在社会中的影响力就越高，被民众的认可度也就越高，因此权威度对信息传播过程有重要影响。3.1.3信息传播过程在前文中将社会化营销背景下的信息传播过程中的节点状态分为了未知态1，未知态2，观望态，传播态，免疫态五种。另外根据对信息传播影响因素的分析，考虑个体的理性和非理性决策，对信息传播路径加以改进。借鉴传染病模型的思想，用五种状态的转换来描述信息传播过程。五种节点状态的具体表示如下。S1（Susceptible1）：未知态；S2（Susceptible2）：未知态；O（Observe）：观望态；I（Infected）：传播态；R（Recovered）：免疫态。不同状态之间的转换关系如下图所示：图3-4信息传播过程本文给出的信息传播过程在保留了SIR模型从未知态直接转变为传播态的基础上，新增加了从未知态先到观望态、再从观望态到传播态的过程，如图中虚线所示。两种传播路径的区别在于个体有没有经历内部决策的过程，如果经历了先到观望态、再到传播态的过程，则认为是理性个体进行了内部决策，反之，则是非理性个体没有进行内部决策而直接做出传播行为。3.2动力学模型本课题主要研究异质个体建模和交互，为了验证研究的有效性，在这里基于图3-4给出的信息传播过程，结合传染病动力学模型的相关理论，给出企业社会化营销背景下的信息传播动力学模型作为对比模型，模型默认个体同质，不考虑个体之间的非线性交互，同一类型的节点以相同的概率进行状态的转换，如下图所示。图3-5信息传播过程模型假定在信息传播中不存在平台中新用户的加入和老用户的退出，因此总人数保持N，五类状态用户人数总和满足下式：S1t+S2t设s1t、s2t、ot、it、s1t+s2t+结合经典SIR传播模型的微分方程推导原理，先得到各状态人数变化的微分方程，如式（3-3）：dS1dt=-p4∙S1各状态人数密度计算如式（3-4）：s1=S1Ns2=S2将式（3-4）代入式（3-3），得到人数密度的微分方程，即本文的动力学信息传播模型，如式（3-5）所示：d(s1)dt=-p4∙s1t3.3小结本章基于对实际的信息互动模式的分析，在传播SIR模型的基础上增加了状态类别，扩展了信息传播路径。另外，从外部环境和个体本身两方面对信息传播过程的影响因素进行了分析。通过本章节对信息传播过程的研究，为后续多Agent建模研究提供理论基础。第四章多Agent仿真模型设计第四章多Agent仿真模型设计4.1多Agent总体模型本文用多Agent建模与仿真的方法研究信息传播，把用户在现实世界参与社会化营销而出现的信息传播过程作为原型系统，结合己有知识和经验，通过对原型系统的分析，确定主体种类，外部环境以及系统边界，从而形成一个初始的系统总体模型。结合第三章对信息传播过程的分析，本文设计多Agent系统模型如下：图4-1多Agent总体模型多Agent模型继续沿用第三章信息传播过程中的用户状态分类，另外基于对企业社会化营销原型系统的分析，还考虑到了实际情况中的信息发布者—企业，以及包含了所有企业和用户个体在内的环境。模型中，所有Agent都存在于环境Agent中，企业作为信息源，发布信息到环境中，不同状态的用户根据一定的规则发生状态改变。模型中的实线表示信息传播方向，虚线表示状态转换。可以看到，总体模型中各个离散的系统成员通过信息传播机制被组织起来，形成相互联系的动态松散多Agent组织结构。总体模型一共由四部分组成：不同状态的用户个体Agent；环境Agent；企业Agent；主体关系。主体关系指模型中存在的不同Agent之间的交互关系，交互关系和对应关系中存在的状态转换具体有这样几种：（1）企业与环境：企业Agent将信息发布到环境中；（2）S1Agent与环境Agent：S1个体与环境交互，接触其中的信息，并根据一定的规则成为O类个体或者I类个体；（3）S2Agent与IAgent：S2个体与I个体交互，并根据一定的规则成为O类个体或者I类个体；（4）OAgent与IAgent：O个体与I个体交互，根据一定的规则成为I类个体；（5）OAgent与环境：O个体与环境交互，接触其中的信息，并根据一定规则成为I类个体。（6）IAgent与IAgent：I个体通过相同类型的个体交互，根据一定的规则成为R类个体。限于研究重点，本文对多Agent模型做以下几点假设。（1）本模型不局限于某一特定行业市场；（2）假设在整个过程中无新个体的产生和旧个体的消失，个体数量为恒定值。4.2Agent建模4.2.1用户Agent（一）用户Agent结构设计信息传播中的用户主体作为适应性主体，在建模时应当考虑以下几种基本复杂适应特征。（1）自治性：用户Agent具有主动自发的活动能力，不需要其他外界干预，而通过自身具有的控制信息掌控其外部行为。（2）响应性：用户Agent能够感知环境中的信息，并通过行为做出相应反应。（3）社会性：用户Agent之间以及与其他的Agent能够进行交互，可以通过通信机制发生信息交换，进而对自身以及其他Agent产生在内部属性或者外部状态、行为上的影响。根据本课题的研究情境及特点，作为用户Agent，还具有以下几种特征。（1）移动性：在线社会网络中的个体通过会对其他个体进行随机访问，因此，需要让系统模型中用户Agent具有移动性，从而模拟个体的随机访问行为。（2）情境性：用户Agent存在与环境中，且能够与环境发生交互。（3）有限理性：为了更好地模拟人的思维和行为，通过设定相关规则，使用户Agent能够在发生交互后，产生内在观点的变化，继而再对信息进行处理，产生相关行为。考虑到以上主体特征，并结合Agent建模理论，给出用户Agent结构模型，如下图所示：图4-2用户Agent模型（1）信息感知模块：信息感知模块负责接收来自环境和其他Agent的信息，对信息进行解析和判断后传送至其他模块进行处理。模块中包括了信息感知器和信息处理器，其中信息感知器作为Agent内部与外界的接口，具有一定的通信能力。信息处理器会对信息进行分类处理，按照类别将其传送到反应或者慎思模块。（2）Norm库：Norm库中存储了多个由Agent的类型、状态、某事件的前提条件等信息组成的个体行为规范，每个规范由Agent依据一定的条件各自进行调用，做出差异性行为。Norm库是实现非线性交互的关键。（3）反应模块：反应模块中的反应器用来处理一些用户Agent被动接受信息的情况，反应器依赖Norm库中的相应规则，让信息处理器中的反应型信息直接映射为动作，而不必经过复杂决策。（4）慎思模块：慎思模块用来模拟人的理性决策过程，模块中的计划器依赖Norm库中的相应规则，根据自身属性、外界环境做出计划，再通过决策器生成计划结果，最后将结果传送至其他执行相关模块映射为相应动作。（5）反馈模块：反馈模块是生成行为以及对外界传送信息、进行反馈的模块，行为管理器负责对行为集合以及动作执行的管理，效应器类似于感知器，也是Agent内部与外界环境的接口，将信息转换为动作并向外界形成反馈，向其他Agent传送信息。不同用户Agent具有一些相似属性和方法，因此本文设计一种基类Agent，定义用户Agent的多个通用功能模块，不同的用户Agent都基于基类Agent设计，并根据各自的特点构建不同的功能模块。publicclassBasicAgent{……//Agent的属性以及相关变量定义publicvoidperception(Informationinfo){//信息感知voidinfor();//信息处理}publicvoidnorm();//规范获取publicvoidreaction(){//反应模块if(条件)…….//反应动作}publicvoidreflect(){//慎思模块voiddecision();//综合Agent的属性、行为规则进行相应的决策}publicvoidupdate();//Agent的属性更新publicvoidaction();//行为管理publicvoideffect();//效应器}（二）属性分析Agent属性通常包括动态属性和静态属性，静态属性在模型运行过程中恒定不变，动态属性则是可变的。模型构建中需要对实体的真实属性作一些数量和特征上的简化，具体根据研究情境以及相关概念来进行属性的选择和设计。本文基于研究课题的背景，考虑到社会网络中个体的特征，对用户Agent做出以下属性设计。（1）动态属性状态S：状态属性沿用第三章中的状态分类。S1代表通过接触环境而获知信息的个体；S2代表通过接触传播态个体而获知信息的个体；O代表已知个体，已经获知了信息，但还没有传播信息；I代表传播态个体，已经对信息进行了传播；R代表免疫个体，已经对信息停止传播，由传播态个体转化而来。初始观点op：在信息传播过程中，个体接触到信息成为O类个体后会生成对信息的初始观点。以op来表示O类个体的初始观点，根据第二章中对观点演化模型的分析，该属性在连续区间内取值。个体位置point：在线社会网络中的个体，具有对网络中其他个体的访问行为，访问行为的发生具有随机性。在个体交互的过程中，个体在网络中的访问位置会进行动态变化，本文使用个体位置属性来表示访问位置，用来跟踪Agent在环境中的移动、信息的获取以及触发一些其他的情况。（2）静态属性从众性per：从众性作为个体的内部异质属性，用per来表示。从众性与个体对自身初始观点的坚持度有关，从众性越高，在交互过程中越容易受到其他个体观点的影响，从而改变自身原始观点；从众性越低，则对原始观点的坚持度越高，越不容易受到其他个体的影响。理性程度dor：人具有有限理性特征，除了能够进行理性决策的一些个体之外，还存在一些非理性个体，对信息不做过多决策处理而直接有所行动。用dor来表示个体理性程度，当dor=0时，认为个体为非理性个体，当dor=1时，则为理性个体。理性程度是个体的内部异质属性。权威度aut：权威度作为社会网络中不同个体影响力的体现，是个体的外部异质属性。基于以上对Agent结构和属性两方面的论述，并结合已有的研究，本文给出用户Agent模型的形式化表达：Agent=<ID，Name，Attributes，NormBase，Behaviors>。（1）ID：ID是每个Agent的唯一标识，和Agent一起生成，以此来对同一类型的多个Agent进行区分。（2）Name：Name是Agent的名称，是系统中扮演不同角色的不同主体的身份标识。（3）Attributes：Attributes是Agent的属性集，包括了状态、观点、从众性等多个属性。（4）NormBase：NormBase是Agent的规范库，包括了Agent各种的行为规范。（5）Behaviors：Behaviors是Agent的行为集，指Agent依照一定的规范，要产生的行为的集合。（三）用户Agent的基本任务在信息传播多Agent模型中，用户Agent大致包括两种基本任务。（1）用户Agent受到外界信息的刺激，产生对信息的初始观点；（2）用户Agent受到其他用户Agent或者环境的交互影响发生观点的变化。4.2.2企业Agent结构设计基于对原型系统的分析，企业主要承担着发布信息的工作，限于研究重点，企业Agent在整个模型中是一个简单的Agent，所以不对其内部结构做复杂描述。企业Agent模型设计如图4-3。图4-3企业Agent模型（1）名称：企业主体的身份标识。（2）行为集合：企业Agent所具有的行为的集合。（3）行为管理器：负责对行为集合以及动作执行的管理。（4）效应器：将动作执行产生的结果作用于环境Agent。4.2.3环境Agent结构设计环境Agent用来容纳企业发布的信息，以及为用户Agent提供交互的场所，Agent的行为通常会受到环境的大小、所包含信息量的多少等属性的影响和制约。环境Agent不具有自主性，因此将其作为系统中的客体Agent进行设计，只用属性和方法来描述。模型设计如下图。图4-4环境Agent模型4.3基于规范的多Agent交互机制研究Agent之间的交互研究主要是针对Agent之间的交互条件以及交互规则，Agent往往被赋予感知能力、决策能力和行为能力，总是根据其获得的输入信息并遵循其行为规则行事，通过交互，使得个体行为得以根据一定准则表现出规律性。在本文的研究中，多Agent模型的核心是交互，交互机制是模型设计的主要内容。在多Agent系统中，通过设定规范来对Agent的交互和行动进行控制，因此需要研究交互机制，并对Agent的规范库进行设计。4.3.1改进的观点交互模型本课题的研究中，认为从观望态到传播态是内在观点的变化驱动了外在行为的变化，该阶段Agent之间的交互主要是观点上的交互，因此基于观点交互模型来研究两类Agent的交互机制。在第二章中，对已有的几种经典观点交互模型进行了分析，对于本课题的研究，两两交互的Deffaunt模型较为合适。但是Deffaunt模型遵循有界信任原则，认为观点差值在一定范围之内才能进行交互，这种设定会使得系统在观点演化为若干集合后静止，不再交互，而实际上观点相差较大的两种个体并不会完全没有交流。另外，模型设定交互参数u为恒定值，而没有考虑到个体间影响不对等的问题。针对以上问题，本文对观点交互模型进行一定的改进，消除有界信任的限制，并考虑个体间的相互影响，从而建立从O类到I类的观点交互机制。（1）信任程度在现实生活中经常存在着“人以群分”的现象，具有一定相似性的个体彼此通常会有较高的信任度，所以本文引入信任程度的概念，并参照相关研究的信任关系条件[37,52]，从观点差异的角度研究信任程度。用trust来表示信任程度，opi表示个体i的观点值，opj表示个体j的观点值，trust=1-|opi-opj从上式可以看到，个体间的观点差异越小，信任程度越大，观点差异越大，信任程度则越小。（2）观点坚持度不同的个体具有不同的性格特征，往往对自身的观点有着不同的坚持度，简称观点坚持度，根据第三章中对个体异质性的分析，个体的从众性作为性格特征，反映了个体对自身观点的坚持程度，因此从从众性的交互研究观点坚持度。用peri表示个体i的从众性，用perj表示个体j的从众性，insisti表示个体i的观点坚持度，insistj表示个体insisti=1-periinsistj=1-perj从上式可以看到，从众性越大，观点坚持度越低，从众性越小，观点坚持度越高。（3）观点影响力函数传统Deffaunt模型中的恒定值u作为收敛参数，反映了个体对另一个个体的观点影响力，而观点受到个体属性的影响，所以异质个体间的观点影响力并不对等，因此须考虑多方面因素，给出相应的函数来更为准确的描述观点影响力。个体的观点受到影响的程度与个体之间的信任程度、个体本身的观点坚持度都有关，另外还与个体本身的权威度有关，因此在影响力函数中，应当考虑加入信任程度、观点坚持度和个体权威度。fi,j表示I类个体j对O类个体i的影响，用autj表示I类个体j的权威度，其他参数同上。fi,j=trustMaxtrust函数中参数ω表示观点坚持度的影响在整体影响中所占的权重，参数φ表示个体权威度的影响在整体影响力中所占的权重。（4）观点交互函数通过以上几点分析，对传统Deffaunt模型中的恒定值u进行了改进，用相互影响力函数来代替传统模型中的u，考虑了异质个体产生的不同影响力。在4.1节的多Agent模型中，对O类个体设计了两种交互关系，除了与I个体交互之外，O类个体还可与环境交互，通过环境中信息的影响，发生内部观点的转变，所以根据两种不同的交互方式，给出两种观点交互函数。当与I类个体交互时：假设O类个体i在t时刻的观点值为opit，与其交互的I类个体j对其产生的影响力为fi,j，那么在t+1时刻opit+1=opi当与环境交互时：假设O类个体i在t时刻的观点值为opit，信息的吸引力为acn，引入对信息的信任因子α，在t+1时刻，opit+1=opi4.3.4信息传播规则设计整个信息传播过程可以分为不同的阶段，不同阶段的Agent交互关系不同，相应的交互规则也就有所不同。本文基于给出的信息传播过程和多Agent模型，从以下几个阶段进行交互规则设计。（一）信息获知阶段信息获知阶段是S1和S2两种未知态向已知态O转变的阶段，也是一个被动的阶段，个体不需要以观点作为驱动力发生状态上的变化，即当个体接触到信息时，自然而然就成为了信息的获知者。在这个过程中，S1和S2两类个体分别以不同的方式获知信息。S1个体通过与环境Agent进行交互，接触到企业Agent散布在环境中的信息，从而成为信息的获知者。S2个体则通过与传播态I类个体交互而获知信息。用stat