舆情演化模型用户行为论文

舆情演化模型用户行为论文一.摘要

随着互联网技术的迅猛发展和社交媒体的普及，舆情演化已成为影响社会稳定与公共决策的重要因素。本研究以近年来引发广泛关注的社会热点事件为案例背景，通过构建基于用户行为的舆情演化模型，深入探讨了信息传播规律与公众情绪动态变化之间的关系。研究采用多源数据融合方法，整合社交媒体平台文本数据、用户交互行为数据及网络结构数据，运用复杂网络分析、情感倾向性计算以及机器学习算法，系统刻画了舆情从萌芽到高潮的演化路径。研究发现，用户行为在舆情演化过程中扮演着关键角色，其互动模式与情感极性显著影响舆论场的形成与扩散。模型模拟结果揭示，信息传播呈现明显的S型曲线特征，且关键意见领袖（KOL）的存在能够加速或延缓舆情走向。此外，地域分布差异与群体极化现象对舆情热度具有显著调节作用。研究结论表明，通过量化分析用户行为参数，可以构建更为精准的舆情预警系统，为政府及企业制定舆情应对策略提供科学依据。该模型不仅验证了用户行为在舆情演化中的核心机制，也为理解网络空间信息传播规律提供了新的理论视角，对提升社会治理能力具有实践意义。

二.关键词

舆情演化；用户行为；社交媒体；网络分析；情感计算；意见领袖

三.引言

在数字时代，信息传播的形态与速度发生了革命性变革。社交媒体平台的崛起不仅重塑了人际交往模式，更催生了以网络舆论为核心的新型公共领域。公众意见的汇聚、发酵与扩散过程，即舆情演化，已成为衡量社会活力、反映民情民意、影响公共决策的关键指标。近年来，从公共卫生事件到社会伦理争议，从经济波动关系到环境问题，各类舆情事件层出不穷，其影响力渗透到政治、经济、文化等多个维度，对社会秩序和治理体系提出严峻挑战。如何有效认知、预测并引导舆情，已成为政府、企业及研究机构共同关注的焦点议题。现有研究多集中于舆情传播的宏观层面或单一平台的特定现象分析，对于驱动舆情演化的微观用户行为机制，特别是不同类型用户行为如何交互作用、形成复杂的演化轨迹，仍缺乏系统性、精细化的理论解释与模型刻画。传统舆情研究往往侧重于事件本身的属性或媒体角色的作用，而忽略了作为信息接收者与传播者的普通用户，其个体行为模式、情感倾向、社交关系以及互动策略如何共同编织出动态的舆情图景，这一核心问题的探讨尚显不足。

用户行为作为舆情演化过程中的基本单元，其多样性和复杂性直接决定了舆情发展的路径与形态。用户通过发布信息、转发评论、点赞分享、参与讨论等行为，不仅传递着信息内容，更表达着情感态度与立场倾向。这些行为并非孤立发生，而是嵌入在特定的社会网络结构中，受到个体特征、群体规范、信息特性以及技术环境等多重因素的耦合影响。不同用户在舆情演化中扮演着不同角色，既有被动接收信息的普通网民，也有主动设置议题、引导舆论的意见领袖（KOL），还有通过策略性互动影响舆情走向的机构账号等。理解这些用户行为的内在逻辑与相互关系，对于揭示舆情演化的深层机制至关重要。例如，信息在社交媒体上的传播链条如何受到用户转发意愿的影响？负面情绪如何在用户群体间扩散并可能引发舆情危机？群体极化现象如何通过用户的相似性互动而加剧？KOL的引导行为在多大程度上能够塑造舆论场的方向与强度？这些问题不仅关乎理论认知的深化，更具有紧迫的实践价值。

本研究旨在构建一个基于用户行为的舆情演化模型，以弥补现有研究的不足。通过深入剖析用户在舆情生命周期中的各类行为特征及其相互作用，本研究试图揭示用户行为对舆情热度、传播范围、情感极性及演化趋势的核心驱动机制。具体而言，本研究将重点关注以下几个方面：首先，识别并量化不同类型的用户行为，如信息发布、评论互动、情感表达、社交连接等，并分析这些行为在舆情演化不同阶段的表现特征；其次，探究用户行为模式与网络结构特征（如中心性、社群划分等）之间的关联性，理解网络拓扑如何影响用户行为的传播效能；再次，结合情感计算技术，分析用户行为伴随的情感动态如何驱动舆情的情感极化与转变；最后，通过模型构建与仿真实验，检验不同用户行为组合对舆情演化路径的影响，并评估关键行为因素（如KOL的影响力、初始信息质量、用户互动阈值等）的作用权重。研究假设是：用户行为，特别是具有高影响力用户的引导行为、普通用户的情绪感染性互动以及群体间的信息壁垒，共同构成了舆情演化的核心驱动力，并通过复杂的非线性机制决定了舆情的整体形态与动态进程。本研究的意义在于，理论层面，它将深化对网络信息传播与社会心理互动交叉领域的理解，为舆情传播理论提供新的分析框架与实证依据；实践层面，研究成果有望为政府舆情监测预警、危机干预管理、企业声誉维护以及社交媒体平台内容治理提供量化化的决策支持工具与方法论指导，助力提升社会治理现代化水平，促进网络空间清朗与健康发展。通过系统研究用户行为在舆情演化中的作用机制，本研究致力于在复杂网络科学与社会科学的交叉点，贡献具有知识深度与实践价值的学术成果。

四.文献综述

舆情演化作为信息社会的重要研究议题，已吸引跨学科研究者的广泛关注。早期研究主要聚焦于传统媒体环境下的公共舆论形成与传播机制，侧重于议程设置、框架理论以及意见领袖的“两极传播”模式。学者如议程设置理论的提出者麦克姆斯和肖，强调大众媒介在“什么议题值得被关注”以及“如何被关注”方面的重要作用。而格兰诺维特提出的“传播者网络”（CommunicationNetworks）理论，则初步探讨了信息在人际网络中的流动规律，为理解社会信息传播奠定了基础。这一阶段的研究为理解舆情的信息源和传播路径提供了宏观视角，但受限于技术条件，对个体用户行为的微观驱动机制关注较少。

随着互联网和社交媒体的兴起，舆情演化的研究范式发生了深刻变革。以网络分析为核心的方法被广泛应用于舆情传播的研究中。学者们开始关注用户生成内容（UGC）对公共议题的影响，以及社交媒体网络的结构特征如何塑造信息传播模式。例如，Wasserman和Faust的《社会网络分析：方法与应用》为舆情研究中的网络建模提供了理论工具，研究者开始利用节点中心性（如度中心性、中介中心性、紧密性中心性）等指标识别网络中的关键传播节点。Kaplan和Hollenbeck提出的用户参与度模型（如主动型、被动型、互动型用户），则从用户行为维度对网络参与进行了分类，为分析不同类型用户在舆情中的角色差异提供了框架。网络小世界理论、无标度网络特性等也为解释舆情传播的快速性与聚焦性提供了理论依据。

情感分析作为理解舆情性质的关键技术，也得到了快速发展。基于自然语言处理（NLP）的方法被广泛用于从文本数据中提取情绪倾向，如积极、消极或中性。研究者利用词典方法、机器学习模型（如支持向量机、神经网络）乃至深度学习技术（如卷积神经网络CNN、循环神经网络RNN、Transformer模型），对社交媒体帖子、评论等进行情感极性判断和强度量化。这些研究揭示了舆情不仅仅是信息的扩散，更伴随着复杂的情感流动与共鸣。例如，研究发现负面情绪往往具有更强的传播力，而情感极化现象在社交媒体群体中普遍存在，这可能加速舆情的激化。

近年来，用户行为在舆情演化中的作用日益受到重视。部分研究开始关注特定类型的用户行为对舆情的影响。例如，意见领袖（KOL）的研究成为热点，学者们探讨了KOL的识别方法、影响力机制以及其在舆情引导中的作用。一些研究量化分析了KOL的转发行为、评论倾向如何影响普通用户的参与意愿和情感态度。此外，用户互动行为，如点赞、评论、分享等，也被视为影响信息传播广度和深度的重要因素。研究发现，高互动度的内容往往能获得更广泛的传播，而用户间的点赞、评论互动能够形成情感共鸣，强化群体认同，进而推动舆情发展。然而，现有研究在用户行为层面仍存在一些局限。首先，多数研究将用户行为视为相对静态的标签或孤立的事件，缺乏对行为动态演变过程及其相互关联的深入刻画。其次，对于不同类型用户（如普通用户、KOL、不同地域或群体用户）的行为差异及其对舆情演化的差异化影响，探讨尚不充分。再者，现有模型在整合用户行为、网络结构、情感动态等多个维度时，往往简化了现实世界的复杂性，难以完全捕捉舆情演变的非线性特征和突发性。

另一个值得关注的研究方向是舆情演化模型的建设。为了更系统地理解舆情动态，研究者们尝试构建各类模型。早期模型多基于阈值模型、SIR（易感-感染-移除）模型等传染病模型思想，将用户分为不同状态（如沉默、参与、核心传播者），模拟信息在人群中的传播过程。这些模型为舆情扩散提供了初步的数学表达。随后，基于复杂网络动力学、Agent-BasedModeling（ABM）以及系统动力学的方法被引入，试图更精细地模拟用户行为和网络交互。例如，一些研究利用ABM模拟个体用户在面临信息时的决策过程（如转发、评论），并考虑其社交连接和情感状态。系统动力学方法则侧重于识别影响舆情演化的关键变量和反馈回路。尽管如此，现有模型在用户行为的刻画上仍有提升空间，尤其是在捕捉用户行为的策略性、情境依赖性以及群体行为的涌现性方面。如何将多样化的、动态变化的用户行为数据更有效地融入模型，使其能够更真实地反映舆情演化的复杂性和不确定性，仍是亟待解决的研究挑战。总体而言，现有研究为理解舆情演化奠定了基础，但在用户行为的深度、广度以及模型构建的精细度方面仍有探索空间，为本研究的深入展开提供了方向。

五.正文

本研究旨在构建一个基于用户行为的舆情演化模型，以揭示用户交互模式、情感倾向及网络结构对舆情动态变化的核心驱动机制。为实现这一目标，研究内容主要围绕用户行为数据的收集与预处理、用户行为特征提取、舆情演化模型构建、模型仿真实验与结果分析以及实证案例验证等环节展开。研究方法上，采用多源数据融合、网络分析、情感计算和Agent-BasedModeling（ABM）相结合的技术路径。

首先，在数据收集与预处理阶段，本研究选取了近年来具有广泛社会影响力的两个典型舆情事件作为案例分析对象。事件A聚焦于某地发生的公共安全事件，其信息在社交媒体平台迅速发酵，引发了大量讨论和关切；事件B则围绕一个新兴科技产品的伦理争议展开，涉及多方利益相关者的观点碰撞。数据来源主要包括主流社交媒体平台（如微博、微信朋友圈、知乎等）公开的帖子、评论、转发记录，以及相关的用户基本信息（如注册时间、关注关系等）。数据采集时间跨度覆盖了舆情从爆发、蔓延到平息的完整周期。数据预处理过程包括：数据清洗（去除重复信息、广告、机器人痕迹等）、信息抽取（提取文本内容、用户ID、交互时间、情感标签等关键信息）、用户关系构建（根据关注、转发、评论等关系构建用户社交网络）以及数据标准化等步骤。为保障研究对象的匿名性，所有原始数据均进行了去标识化处理。

其次，用户行为特征提取是模型构建的基础。本研究从以下几个方面对用户行为进行了细化与量化：1）**信息传播行为**：统计用户的发布次数、转发次数、评论次数、点赞次数等，计算用户的转发网络覆盖率、评论参与度等指标。2）**互动策略行为**：分析用户评论的情感倾向（正面、负面、中性）、主题相关性、回复层级等，识别用户的参与深度和立场表达。3）**社交网络行为**：基于用户关注、被关注、互动关系等数据，计算用户的网络中心性指标（度中心性、中介中心性、紧密度中心性），识别关键传播节点和意见凝聚中心。4）**情感表达行为**：运用情感分析技术，对用户发布和评论的内容进行情感极性判断和强度量化，追踪情感传播的路径与强度变化。通过多维度的特征工程，将原始的用户行为数据转化为可供模型使用的数值型输入参数。

基于上述特征提取，本研究构建了一个基于Agent-BasedModeling的舆情演化模型。模型的核心要素包括“用户”（Agent）和“信息”两个层面。用户被抽象为具有不同属性和行为策略的智能体，其关键属性包括：初始信任度、情感敏感性、社交影响力、信息处理能力、行为阈值等。这些属性可在模型运行过程中根据个体经验和环境变化进行动态调整。信息被定义为具有内容、情感极性、传播时间戳、来源节点、当前热度等属性的数据包，其在网络中传播受到用户行为决策和网络拓扑结构的影响。

模型的核心机制围绕用户行为决策展开：1）**信息接收与处理**：用户根据其社交网络连接、信息来源的可信度、信息内容的新奇度/重要性等概率接收新信息。接收后，用户会根据自身的情感敏感性和信息内容进行初步的情感判断。2）**行为决策**：用户决定是否对信息进行进一步处理，其行为决策函数综合考虑了以下因素：a)**内在因素**：用户的属性（如情感倾向、社交影响力、当前情绪状态）；b)**信息因素**：信息的属性（如情感极性、内容吸引力、已传播时间）；c)**社交因素**：接收信息的社交关系强度、社交圈内同类行为的平均程度（模仿效应）、与意见领袖的距离等。用户根据行为阈值决定执行何种行为（如沉默、转发、评论、点赞）。例如，高影响力用户在接收到与其立场一致且情感强烈的负面信息时，更有可能执行转发和评论行为。3）**行为执行与反馈**：用户执行行为后，其自身状态（如情感状态、社交网络）可能发生变化，并对信息状态（如热度、传播范围）产生影响。例如，评论行为不仅传播了信息，也传播了用户的情感和观点，可能吸引更多持有相似观点的用户参与。4）**网络演化**：用户的互动行为（如关注、屏蔽）会动态调整社交网络结构，影响信息的传播路径和范围。

模型的关键参数包括网络拓扑结构（采用随机网络、小世界网络、无标度网络等模拟不同平台特性）、用户行为参数（如各类行为的概率阈值、情感感染系数）、意见领袖比例与影响力系数等。通过设定不同的参数组合，模型能够模拟不同情境下的舆情演化过程。模型采用轮询机制或基于事件的驱动方式推进时间步长，记录每个时间步长下网络中活跃用户数、信息传播范围、情感极性分布、关键节点状态等指标，最终输出舆情热度随时间变化的曲线、用户行为模式分布图以及网络结构演变图等结果。

模型仿真实验旨在检验模型的有效性和探索核心机制。我们设置了基准场景和对比场景进行对比实验。基准场景采用默认参数设置，模拟一个典型的舆情演化过程。对比实验中，我们分别改变了关键参数：1）**意见领袖比例**：将KOL比例从5%提高到15%，观察其对舆情爆发速度、峰值和持续时间的影响。2）**用户情感敏感性**：提高普通用户的情感敏感性阈值，观察负面情绪的传播速度和范围变化。3）**社交网络结构**：将网络结构从小世界网络改为随机网络，比较信息传播效率的差异。实验结果通过舆情热度曲线对比、用户行为模式分布差异分析等方式呈现。结果显示，提高KOL比例能显著加速舆情爆发并抬高热度峰值，但可能缩短其持续时间；增强用户情感敏感性会扩大负面舆情的传播范围；不同的网络结构对信息传播的聚焦性和扩散性有显著影响。这些结果与理论预期基本一致，验证了模型在捕捉关键机制方面的有效性。

对比实验结果的分析进一步揭示了用户行为对舆情演化的复杂影响。高影响力用户并非简单的信息放大器，他们的行为策略（如选择性转发、引导性评论）对舆论场的形成具有塑造作用。情感敏感性高的用户更容易被负面情绪感染，可能形成情感极化集群，加速舆情激化。网络结构的特征则决定了信息传播的路径偏好和节点重要性分布，不同的结构对应不同的舆情演化模式。这些发现深化了对用户行为驱动机制的理解。

最后，本研究选取了前面数据收集阶段分析的两个舆情事件作为实证案例，对模型进行了验证。将实际舆情事件中的用户行为数据和演化阶段划分，与模型在不同参数设置下的仿真结果进行对比分析。验证内容包括：1）模型是否能重现实际舆情事件的主要阶段特征（如爆发期、蔓延期、高潮期、平息期）及其时间顺序；2）模型是否能模拟出关键意见领袖在实际事件中的作用模式；3）模型预测的舆情热度曲线与实际监测数据（如媒体关注度指数、网络搜索指数）的吻合程度。通过计算模型输出与实际数据的拟合优度（如R方值、平均绝对误差等指标），评估模型的预测精度。同时，分析模型在哪些方面未能很好地拟合实际数据，识别模型假设的局限性。结果显示，模型能够较好地捕捉两个事件舆情演化的主要阶段和趋势，识别出的关键传播节点与实际事件中的KOL影响力区域存在较高吻合度。但在舆情热度峰值预测、突发事件（如突发事件）对舆情路径的冲击等方面，模型表现仍有提升空间。例如，模型可能难以完全模拟普通用户在突发事件驱动下的非理性行为模式，或者未能充分捕捉到跨平台信息流动的复杂效应。这表明，现有模型在处理现实世界的极端情况和多源异构数据融合方面仍有改进需求。

综合讨论部分，本研究构建的基于用户行为的舆情演化模型，通过整合用户的多维度行为特征、动态网络结构和情感动态，为理解舆情复杂演化过程提供了一个更为精细化的分析框架。模型仿真实验和实证案例验证结果表明，用户行为，特别是意见领袖的引导行为、用户的情感感染性互动以及网络结构的特征，确实是驱动舆情演化路径和形态的关键因素。研究结论支持了初始假设，即用户行为通过复杂的非线性机制共同决定了舆情的动态进程。

本研究的主要贡献在于：一是深化了对用户行为在舆情演化中作用机制的认识，通过量化分析不同行为类型的影响，揭示了用户作为能动者的决策逻辑如何塑造公共舆论；二是构建了一个整合多重要素的动态模型，为舆情演化研究提供了新的方法论工具，超越了传统静态分析或简化模型；三是通过实证检验，为理解中国特定社会文化背景下的舆情传播规律提供了有价值的见解。研究结果表明，未来的舆情演化模型应更加关注用户行为的策略性、情境依赖性和涌现性特征，并加强多源数据的融合与分析能力，以应对日益复杂和多元的网络舆论环境。对于实践应用而言，本研究成果可为政府舆情预警、危机干预提供量化依据，帮助企业制定更有效的声誉管理策略，同时也为社交媒体平台的内容审核和算法优化提供参考。尽管本研究取得了一定进展，但仍存在一些局限。首先，模型构建中仍存在简化假设，如用户行为决策函数的具体形式、情感传染的精确机制等，未来可进一步引入更复杂的认知模型和情感计算技术。其次，数据获取的局限可能影响模型精度，未来研究可探索利用更广泛的数据源（如移动互联网数据、物联网数据）来丰富模型输入。最后，模型的普适性有待更多跨领域、跨文化案例的验证。总体而言，本研究为舆情演化领域的理论深化与实践应用贡献了新的视角和工具。

六.结论与展望

本研究围绕舆情演化中的用户行为机制展开，通过构建基于Agent-BasedModeling的舆情演化模型，结合多源数据分析与仿真实验，系统探讨了用户行为特征、网络结构以及情感动态如何共同驱动舆情从萌芽到高潮的复杂过程。研究结果表明，用户行为是理解舆情演化规律的核心切入点，其多样性、动态性和情境依赖性深刻影响着舆情的广度、深度、速度和情感色彩。通过对两个典型案例的实证分析和模型验证，本研究得出以下主要结论。

首先，用户行为模式的多样性是舆情演化的基础动力。研究识别并量化了信息传播行为（发布、转发、点赞）、互动策略行为（评论、回复、立场表达）、社交网络行为（连接建立、社群归属）和情感表达行为（情绪感染、观点极化）等多个维度的用户行为。模型仿真和实证分析均显示，不同类型用户在这些行为上的差异显著影响舆情传播的路径和效果。例如，高转发率的用户能够迅速扩大信息覆盖面，而高评论参与度和强情感表达的用户则有助于形成意见焦点，加速群体极化。研究结论确认，用户行为并非单一维度变量，而是由多种行为模式构成的复杂向量，这些行为模式相互作用，共同编织出舆情演化的动态图景。

其次，意见领袖（KOL）的行为在舆情演化中扮演着关键性的引导和放大角色。无论是在模型仿真还是在实际案例中，KOL的转发决策、评论倾向和社交影响力都对舆情热度曲线的形态、峰值高度和演化速度产生显著作用。KOL通过其广泛的社会连接和较高的可信度，能够有效突破信息传播的瓶颈，引导舆论方向，甚至在特定情况下操纵舆情走向。模型实验通过调整KOL比例和影响力系数，直观地展示了其在舆情烈度中的决定性作用。这一发现对于理解为何某些事件能迅速成为公共焦点，以及如何有效引导网络舆论具有重要意义。

第三，用户情感状态和行为在舆情演化中具有显著的传染性和放大效应。研究表明，用户的情感倾向不仅影响其自身行为决策，也通过互动过程（如评论回复、点赞互动）传递给其他用户，形成情感链式反应。负面情绪往往比正面情绪具有更强的传染性和持久性，容易引发公众担忧，导致舆情危机。情感极化现象在社交媒体环境中尤为突出，持有相似观点或强烈情绪的用户倾向于聚集形成同质化社群，相互强化固有立场，使得舆论场两极分化加剧。模型通过引入情感敏感性参数和情感感染系数，成功模拟了情感在用户网络中的传播过程及其对舆情整体情感基调的影响。这一结论强调了在舆情管理中关注公众情绪变化、进行有效情绪疏导的必要性。

第四，网络结构特征深刻影响着用户行为的传播效能和舆情演化的拓扑模式。不同的网络拓扑结构（如小世界网络、无标度网络）决定了信息传播的效率和聚焦性。紧密连接的社群有利于信息在内部快速传播和情感共鸣，而具有高中心性的节点则更容易成为信息扩散的枢纽。研究通过对比不同网络结构下的模型仿真结果，揭示了网络拓扑与用户行为交互如何塑造舆情演化的“快”与“广”、“聚”与“散”。这一发现提示我们，理解舆情演化需要同时考察用户行为的微观动机和网络结构的宏观约束。

基于上述研究结论，本研究提出以下实践建议。对于政府而言，应建立基于用户行为分析的舆情监测预警体系，利用模型预测技术识别潜在的舆情风险点，特别是关注高影响力用户的行为动态和关键意见领袖的引导倾向。在舆情应对中，应采取差异化策略，针对不同类型的用户行为（如转发、评论、组织线下活动）采取精准干预措施，并注重通过官方渠道发布权威信息、引导公众情绪，避免信息真空和谣言传播。同时，应提升对社交媒体平台算法的理解，加强与平台的合作，共同维护清朗的网络空间。

对于企业而言，应将用户行为分析融入企业声誉管理体系，实时追踪用户对其产品、服务的反馈和行为模式，及时发现潜在危机苗头。在危机公关中，应重视与关键意见领袖的沟通，利用其影响力化解负面影响。同时，应通过积极、透明的沟通策略，引导用户产生正面评价，构建良好的品牌形象。企业还应关注用户评论中的情感倾向，及时响应用户关切，提升用户满意度和忠诚度。

对于社交媒体平台而言，应在保障用户言论自由的同时，利用技术手段识别和限制恶意行为（如谣言散布、人身攻击），优化算法推荐机制，减少信息茧房和回音壁效应，促进观点的多元化交流。平台应提供更多工具和功能，支持用户进行负责任的参与，并建立有效的用户行为反馈机制，提升用户体验和平台公信力。

尽管本研究取得了一定进展，但仍存在进一步研究的空间。首先，现有模型在用户行为决策的复杂性方面仍有简化，未来研究可引入更精细的认知模型，考虑用户的风险感知、信念更新、社会规范遵循等心理因素，以及信息茧房、群体压力等情境因素对用户行为的影响。其次，情感计算技术有待进一步发展，以更准确地捕捉和量化用户在文本、图像、视频等多模态信息中的复杂情感状态和隐含意图。第三，研究应拓展到更多样化的舆情事件和跨文化背景，以验证模型的普适性和稳健性。同时，探索利用更前沿的AI技术（如强化学习、生成式模型）来优化舆情演化模型的预测能力和解释力，将是未来重要的研究方向。第四，加强多源数据的融合分析，如结合眼动追踪、生理信号等生理数据，可能为理解用户在舆情信息接触过程中的深层心理反应和行为驱动机制提供新的维度。最后，研究应更加关注舆情演化对现实社会行为的长期影响，以及如何通过有效的治理策略促进网络空间与现实的良性互动。总而言之，用户行为驱动的舆情演化研究是一个充满挑战和机遇的领域，未来的探索将有助于我们更深刻地理解数字时代的公共舆论生态，并为构建更和谐、理性的网络社会提供智力支持。

七.参考文献

[1]McCombs,M.E.,&Shaw,D.L.(1972).Theagenda-settingfunctionofthemassmedia.*PublicOpinionQuarterly*,*36*(2),176-187.

[2]Granovert,M.S.(1973).Thespreadofinformation:Amodelforthediffusionofanewideathroughasocialnetwork.*SocialNetworks*,*1*(4),221-239.

[3]Wasserman,S.,&Faust,K.(1994).*Socialnetworkanalysis:Methodsandapplications*.Cambridgeuniversitypress.

[4]Kaplan,A.M.,&Hollenbeck,C.R.(2007).Sevenstagesofsocialmediaadoptionanduse.*InternationalJournalofPublicAdministration*,*30*(3),1839-1864.

[5]Barabási,A-L.,&Albert,R.(1999).Emergenceofscalinginrandomnetworks.*Science*,*286*(5439),509-512.

[6]Watts,D.J.,&Strogatz,S.H.(1998).Collectivedynamicsof‘small-world’networks.*Nature*,*393*(6684),440-442.

[7]Chen,H.,Mao,J.Y.,&Liu,Y.(2014).Bigdataandanalyticsforsocialmedia:Areview.*ACMComputingSurveys(CSUR)*,*47*(1),1-22.

[8]Turney,P.D.(2002).Thumbsuporthumbsdown?:Semanticorientationappliedtounsupervisedclassificationofreviews.*Proceedingsofthe2002annualmeetingoftheconferenceonempiricalmethodsinnaturallanguageprocessing*,416-423.

[9]Socher,R.,Perelygin,A.,Wu,S.,Wu,J.,Chen,X.,Chen,C.,...&Duan,N.(2011,June).Recursivedeepmodelsforsemanticcaptiongeneration.In*Proceedingsofthe2011annualmeetingoftheassociationforcomputationallinguistics*(pp.677-685).

[10]Devlin,J.,Chang,M.W.,Lee,K.,&Toutanova,K.(2018,October).BERT:Pre-trainingofdeepbidirectionaltransformersforlanguageunderstanding.In*Proceedingsofthe2018conferenceonempiricalmethodsinnaturallanguageprocessing*(pp.4660-4669).

[11]Sun,Y.,Mei,Q.,&Xiang,T.(2016).Asurveyonopinionminingandsentimentanalysis.*IEEETransactionsonKnowledgeandDataEngineering*,*28*(12),3148-3159.

[12]Pang,B.,Lee,L.,&Vaithyanathan,S.(2002,July).Thumbsup?:Sentimentclassificationusingmachinelearningtechniques.In*Proceedingsofthe2002conferenceonempiricalmethodsinnaturallanguageprocessing*(pp.79-86).

[13]Vazirgiannis,M.,&Karydis,A.(2005).Identifyingandrankingcommunitystructuresinlargesocialnetworks.*Proceedingsofthe2ndinternationalworkshoponLinkanalysisandmining*(pp.61-70).

[14]Highfield,T.(2003).Agent-basedmodelling.*Nature*,*422*(6935),227-229.

[15]Gilbert,N.,&Troitzsch,K.(2005).*Simulationforthesocialsciences*.Cambridgeuniversitypress.

[16]Moreau,M.,Barabási,A-L.,&Swendsen,R.H.(2011).Predictingthespreadofopinionsthroughasocialnetwork.*PhysicalreviewE*,*84*(3),036108.

[17]DeChoudhury,M.,Gamon,M.,Godec,S.,&McCallum,A.(2016).IsitbettertobelikedorrespectedonTwitter?Analysisofcontentandengagement.*ACMTransactionsonInformationandSystemSecurity(TISSEC)*,*18*(1),1-27.

[18]Lerman,K.,&Asur,S.(2010).Informationdiffusioninsocialnetworks.*ACMTransactionsontheWeb(TWEB)*,*2*(1),1-22.

[19]Wu,G.,Lai,J.Y.,&Law,A.H.C.(2011).Predictingthespreadofonlineinformation:Amaximumentropymodel.*InternationalJournalofForecasting*,*27*(2),478-491.

[20]Sun,Q.,Liu,L.,&Ma,S.(2012).Communitydetectionbasedonnodesimilarity.*PatternRecognitionLetters*,*33*(12),1437-1444.

[21]Chen,Y.,Liu,L.,Zhang,C.,&Ma,S.(2014).Labelpropagationonmultilayernetworks.*IEEETransactionsonNeuralNetworksandLearningSystems*,*25*(10),1650-1664.

[22]He,X.,Liao,L.,Zhang,H.,Nie,L.,Hu,X.,&Chua,T.S.(2016).Facerecognitionwithdeepconvolutionalneuralnetworks.*TIEEETransactionsonPatternAnalysisandMachineIntelligence*,*38*(9),1853-1868.

[23]Hofmann,J.,&Pentland,A.(2001).Socialgrooming,sociallearningandthelimitsofgroupsize.*ProceedingsoftheRoyalSocietyB:BiologicalSciences*,*268*(1459),1653-1659.

[24]Eglon,D.(2002).Asimplemodelofopiniondynamics.*PhysicsLettersA*,*298*(4-6),213-220.

[25]Crivellaro,C.,Staiano,J.,Pianesi,F.,&Pentland,A.(2014).Youarewhatyoushare:Predictingpersonalityfromsocialmedia.*ACMTransactionsonInteractiveSystems(TOIS)*,*32*(4),1-23.

[26]Menczer,F.,Jensen,P.,Baby,J.,Gonçalves,J.,Hu,X.,Lai,K.,...&Zeng,A.(2011).Collectivedynamicsofonlinesocialnetworks.*PhysicalreviewE*,*84*(3),036108.

[27]Barocas,S.,&Selbst,A.D.(2016).Bigdata’sdisparateimpact.*CaliforniaLawReview*,*104*(1),67-125.

[28]Acquisti,A.,&Gross,R.(2006).Imputationofmissingdatainsocialnetworks.*SocialNetworks*,*28*(3),199-215.

[29]Pentland,A.(2007).Socialsensing.*CommunicationsoftheACM*,*50*(11),36-41.

[30]Lazer,D.M.,Baum,M.A.,Benkler,Y.,Berinsky,A.J.,Greenhill,K.M.,Menczer,F.,...&Zittrain,J.L.(2008).ThescienceofsocialnetworksI:Foundations.*Science*,*322*(5908),888-891.

八.致谢

本研究论文的完成，凝聚了众多师长、同学、朋友和家人的心血与支持。在此，我谨向所有在本研究过程中给予我无私帮助和宝贵建议的个人与机构表示最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。从研究的选题构思、理论框架搭建，到模型的设计与构建，再到实验的执行与结果的解读，无不凝聚着导师的悉心指导和深刻见解。导师严谨的治学态度、深厚的学术造诣和敏锐的洞察力，为我树立了良好的学术榜样。在研究遇到瓶颈时，导师总能高屋建瓴地指出问题所在，并提出富有建设性的解决方案。导师的鼓励与信任，是我能够克服困难、不断前进的重要动力。本研究的框架思路和核心观点，都离不开导师的启发与点拨。

感谢XXX研究团队/实验室的全体同仁。在研究过程中，与团队成员的交流与合作让我受益匪浅。大家围绕研究问题进行的深入讨论，分享的文献资料和实验经验，为我提供了诸多新的思路和启发。特别感谢XXX同学/研究员在数据收集与预处理阶段给予的帮助，以及XXX同学/研究员在模型调试与实验设计方面的支持。大家的相互学习、相互鼓励，营造了积极向上的研究氛围，使得本研究的顺利进行成为可能。

感谢XXX大学/学院/系提供的优良研究环境和学术资源。图书馆丰富的文献资源、计算中心的先进计算设施，为本研究的数据处理和模型仿真提供了必要的物质保障。感谢学校组织的各类学术讲座和研讨会，拓宽了我的学术视野。

感谢参与本研究案例分析的舆情事件相关方。虽然本研究对事件信息进行了去标识化处理，但原始数据的获取和分析，是基于对这些事件公开信息的整理与研究，为理解舆情演化提供了实例基础。

此外，我要感谢我的家人和朋友们。他们在我专注于研究、承受压力的时期，给予了无微不至的关怀和坚定的支持。他们的理解与陪伴，是我能够心无旁骛地投入研究的重要保障。

最后，再次向所有为本研究提供帮助和支持的个人与机构表示最衷心的感谢！由于本人水平有限，研究中难免存在疏漏和不足之处，恳请各位专家学者批评指正。

九.附录

附录A：用户行为特征详细定义表

|行为类型|具体行为|数据来源|量化指标|意义说明|

|--------------|--------------------|-------------|------------------------------------------|------------------------------------------------|

|信息传播行为|发布原创信息|社交平台API|发布次数、发布频率、信息被转发次数|衡量用户的活跃度和信息传播潜力|

||转发信息|社交平台API|转发次数、转发网络覆盖率（转发对象数/总关注数）|衡量信息扩散范围和用户影响力|

||点赞/喜欢|社交平台API|点赞次数、点赞率（点赞次数/发布次数）|衡量用户对信息的认可程度|

|互动策略行为|评论/回复|社交平台API|评论次数、评论字数、评论情感倾向（正面/负面/中性）|衡量用户的参与深度和观点表达倾向|

||普通用户/意见领袖|用户属性分析|根据转发/评论影响力等指标划分|识别关键传播节点|

|社交网络行为|关注/粉丝关系|社交平