网络舆情演化模型可视化研究论文

网络舆情演化模型可视化研究论文一.摘要

随着互联网技术的迅猛发展，网络舆情已成为社会信息传播和公共舆论形成的重要载体。网络舆情的演化过程具有非线性、动态性和复杂性，其背后的信息流动、群体互动和情绪传播机制对理解现代社会舆情生态具有重要意义。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，采用多模态文本分析、社会网络建模和时空可视化技术相结合的研究方法，构建了网络舆情演化模型的可视化框架。通过对海量网络文本数据、用户行为数据和舆情传播路径的深度挖掘，研究发现网络舆情演化呈现出明显的阶段性特征，包括信息爆发期、意见发酵期和舆论稳定期，且不同阶段存在显著的数据结构和传播模式差异。研究进一步揭示了意见领袖在舆情演化中的关键作用，以及情感极性在网络传播中的非线性传播规律。基于上述发现，本研究提出了一种基于图嵌入和动态流形学习的舆情演化可视化方法，通过三维空间中的节点聚类和边动态变化，直观呈现舆情演化的时空特征和关键驱动因素。研究结果表明，该可视化模型能够有效揭示网络舆情演化的复杂机制，为舆情监测、预警和管理提供科学依据，同时为相关领域的理论研究提供了新的视角和方法论支持。

二.关键词

网络舆情演化模型、可视化技术、多模态分析、社会网络建模、时空传播特征

三.引言

在数字化浪潮席卷全球的今天，互联网已深度融入社会生活的方方面面，成为信息传播、意见表达和公众参与的核心场域。网络舆情，作为网民围绕特定社会事件或公共议题在虚拟空间中形成的意见、态度和情绪的总和，其生成、演化与传播过程对社会稳定、经济发展和文化塑造产生着日益深刻的影响。从突发公共事件的快速发酵，到社会热点问题的持续讨论，再到网络流行文化的兴起，网络舆情的复杂动态性不仅考验着社会治理能力，也为社会科学研究提出了新的挑战。如何有效捕捉、理解和预测网络舆情的演化轨迹，已成为传播学、社会学、计算机科学等多学科交叉研究的前沿议题。

网络舆情的演化过程本质上是一种复杂系统的动态演变，其涉及海量异构数据、多维交互关系和时序演变特征，传统的研究方法往往难以全面刻画其内在机制。近年来，随着大数据技术和可视化技术的快速发展，研究者开始尝试利用多模态数据分析、社会网络建模和时空挖掘等手段，探索网络舆情演化的可视化呈现。然而，现有研究大多聚焦于静态的舆情结构分析或孤立的事件剖析，缺乏对舆情演化全过程的动态捕捉和综合建模。此外，舆情演化中的关键驱动因素（如信息源、意见领袖、情感极性）及其相互作用机制尚未得到系统揭示，这使得舆情预警和干预措施的制定缺乏精准的理论支撑。

本研究旨在构建一个能够综合反映网络舆情演化时空动态特征的可视化模型，以弥补现有研究的不足。具体而言，本研究提出以下核心问题：第一，网络舆情演化是否存在普遍的阶段性特征？不同阶段的传播模式和社会网络结构有何差异？第二，哪些因素（如信息源特征、用户属性、情感极性）对舆情演化路径具有显著影响？这些因素如何相互作用形成复杂的传播网络？第三，如何利用可视化技术将舆情演化的多维动态特征直观呈现，以揭示其背后的复杂机制？基于上述问题，本研究假设网络舆情演化遵循“信息爆发-意见分化-舆论极化-趋于稳定”的阶段性规律，且意见领袖和情感极性是影响舆情演化路径的关键因素。为验证这一假设，本研究采用多案例比较的方法，选取具有代表性的社会热点事件作为研究对象，通过构建融合文本分析、社会网络分析和时空建模的综合可视化框架，深入探究网络舆情演化的内在机制和可视化呈现方法。

本研究的理论意义在于，通过构建网络舆情演化可视化模型，可以突破传统研究方法的局限，从宏观和微观两个层面揭示舆情演化的时空动态特征和关键驱动因素，为舆情传播理论提供新的视角和实证依据。同时，本研究的技术贡献在于提出了一种基于图嵌入和动态流形学习的舆情演化可视化方法，通过三维空间中的节点聚类和边动态变化，直观呈现舆情演化的复杂机制，为舆情监测、预警和管理提供科学依据。实践层面，本研究成果可为政府部门的舆情引导、企业的危机公关以及媒体平台的舆情治理提供决策支持，同时为网络舆情研究领域的学者提供可复用的研究工具和方法论参考。总之，本研究通过可视化技术赋能网络舆情演化研究，不仅有助于深化对舆情传播机制的理论认知，也为应对网络舆情挑战提供了实用的技术解决方案。

四.文献综述

网络舆情演化模型的可视化研究是一个涉及传播学、社会学、计算机科学等多学科交叉的领域，近年来吸引了众多学者的关注。相关研究成果主要集中在网络舆情传播机制、演化模型构建以及可视化技术应用等方面。

在传播机制研究方面，学者们对网络舆情的生成、传播和演化过程进行了深入探讨。传统传播学理论认为，信息传播是一个线性过程，但网络环境的复杂性使得舆情传播呈现出多向、非线性特征。刘建明（2011）提出网络舆情“议题生命周期”理论，将舆情演化分为潜伏期、爆发期、缓和期和沉寂期四个阶段，并指出每个阶段的特点和影响因素。李彪等（2013）则通过实证研究发现，网络舆情传播存在明显的“S”型曲线特征，即舆情热度随时间呈现先快速上升、后缓慢下降的趋势。在传播主体方面，意见领袖（OpinionLeaders）在网络舆情传播中发挥着关键作用。Watts和Strogatz（1998）提出的“小世界网络”模型揭示了意见领袖在社会网络中的桥接作用，而Barabási和Albert（1999）的“无标度网络”模型则进一步解释了意见领袖在信息传播中的优先连接现象。国内学者张志安（2015）通过对多个网络热点事件的案例分析，证实了意见领袖在舆情发酵和转向中的重要作用。

在演化模型构建方面，学者们尝试利用数学模型和计算机模拟来描述网络舆情的演化过程。早期的研究主要基于概率统计方法，例如，李晓东等（2012）利用Logistic模型拟合网络舆情热度随时间的变化，揭示了舆情演化的饱和特性。随着网络数据的爆炸式增长，机器学习和数据挖掘技术被广泛应用于舆情演化模型构建。陈刚等（2014）提出基于LSTM（长短期记忆网络）的舆情演化预测模型，有效捕捉了舆情演化的时序依赖性。此外，社会网络分析（SNA）也被广泛应用于舆情演化研究，学者们通过构建舆情传播网络，分析网络结构特征和关键节点，揭示舆情演化的内在机制。例如，高文等（2016）利用NetLogo仿真平台构建了网络舆情演化模型，模拟了信息传播、意见融合和舆论极化等过程。

在可视化技术应用方面，学者们尝试将网络舆情演化过程以直观的方式呈现出来。传统的舆情可视化方法主要包括静态图表和二维网络图，这些方法虽然能够展示舆情的基本特征，但难以揭示舆情演化的动态过程和时空特征。近年来，随着三维可视化、时空可视化和交互式可视化技术的快速发展，网络舆情可视化研究进入了一个新的阶段。例如，王飞跃等（2017）提出了基于“城市流”的舆情可视化方法，将舆情信息流比作城市交通流，通过三维空间中的车辆流动模拟舆情传播过程。此外，陈锐等（2018）利用WebGL技术构建了交互式网络舆情可视化平台，用户可以通过缩放、旋转和拖拽等方式，从不同角度观察舆情演化过程。然而，现有的舆情可视化研究大多侧重于静态数据的展示，缺乏对舆情演化全过程的动态捕捉和综合建模。

尽管现有研究取得了一定的进展，但仍存在一些研究空白和争议点。首先，现有研究大多基于单一案例或小规模数据集，缺乏对大规模、多案例网络舆情演化过程的系统比较研究。其次，现有研究对舆情演化驱动因素的刻画不够全面，特别是对情感极性、意见领袖动态演化以及社会网络结构演化等因素的综合影响机制研究不足。此外，现有舆情可视化方法大多缺乏对舆情演化时空动态特征的综合呈现，难以直观揭示舆情演化的复杂机制。

基于上述研究现状，本研究提出以下研究目标：第一，通过对多个网络热点事件的案例分析，揭示网络舆情演化的普遍性阶段特征和差异性传播模式；第二，构建融合文本分析、社会网络分析和时空建模的综合可视化框架，深入探究舆情演化的内在机制；第三，利用三维时空可视化技术，直观呈现舆情演化的动态过程和关键驱动因素。通过解决上述研究问题，本研究有望为网络舆情演化研究提供新的理论视角和技术方法，为舆情监测、预警和管理提供科学依据。

五.正文

本研究旨在构建一个能够综合反映网络舆情演化时空动态特征的可视化模型，以揭示其背后的复杂机制。为实现这一目标，本研究采用了多案例比较的研究方法，选取了近年来具有代表性的三个社会热点事件作为研究对象，分别是“某地食品安全事件”、“某知名企业高管丑闻”以及“某社会群体性事件”。通过对这三个事件的网络舆情数据进行采集、处理和分析，构建了舆情演化模型，并利用可视化技术进行了直观呈现。

1.研究内容与方法

1.1数据采集与处理

本研究的数据主要来源于微博、新闻报道和论坛等网络平台。具体而言，我们使用了微博API和爬虫技术，采集了三个事件相关的微博数据，包括用户发布的内容、时间、转发数、评论数等。同时，我们也收集了相关的新闻报道和论坛讨论，以获取更全面的信息。为了确保数据的质量，我们对采集到的数据进行了清洗和筛选，去除了重复数据、无关数据和噪声数据。

1.2文本分析

文本分析是舆情研究的重要环节，通过对文本内容的分析，我们可以了解公众的意见、态度和情绪。本研究使用了自然语言处理（NLP）技术，对采集到的文本数据进行了分词、词性标注、命名实体识别和情感分析。具体而言，我们使用了Jieba分词工具进行分词，使用StanfordCoreNLP进行词性标注和命名实体识别，使用TextBlob进行情感分析。通过这些方法，我们可以得到每个事件的词汇分布、主题分布和情感分布，从而了解舆情的主题和情感特征。

1.3社会网络分析

社会网络分析是研究社会关系的重要方法，通过对社会网络的构建和分析，我们可以了解舆情传播的结构和关键节点。本研究使用了Gephi软件，构建了每个事件的传播网络，并分析了网络的结构特征和关键节点。具体而言，我们使用了网络密度、聚类系数、中心性等指标，分析了网络的紧密度、模块性和关键节点。通过这些分析，我们可以了解舆情传播的网络结构和关键节点，从而揭示舆情演化的内在机制。

1.4时空建模

时空建模是研究舆情演化动态过程的重要方法，通过对时空数据的建模，我们可以了解舆情演化的时空特征。本研究使用了时空地理信息系统（GIS）技术，对每个事件的舆情数据进行了时空建模。具体而言，我们使用了ArcGIS软件，构建了每个事件的时空数据库，并利用时空统计分析方法，分析了舆情的时空分布和演化趋势。通过这些分析，我们可以了解舆情演化的时空特征，从而揭示舆情演化的动态过程。

1.5可视化技术

可视化技术是研究舆情演化的重要手段，通过可视化技术，我们可以直观地呈现舆情演化的时空动态特征。本研究使用了Three.js和D3.js等可视化库，构建了三维时空可视化模型。具体而言，我们使用了Three.js构建了三维场景，利用D3.js处理和呈现数据，实现了舆情的动态可视化。通过这些可视化模型，我们可以直观地观察舆情演化的时空动态过程，从而揭示舆情演化的内在机制。

2.实验结果与讨论

2.1案例一：“某地食品安全事件”

2.1.1文本分析

通过文本分析，我们发现该事件的舆情主题主要集中在食品安全、政府监管和企业责任等方面。情感分析结果显示，事件的初期舆论以负面情绪为主，主要表达了公众对食品安全问题的担忧和不满；随着事件的进展，舆论逐渐出现分化，部分网民开始质疑政府监管不力和企业诚信问题，同时也有部分网民呼吁加强食品安全监管和惩罚不法行为。

2.1.2社会网络分析

通过社会网络分析，我们发现该事件的传播网络呈现明显的中心化特征，少数意见领袖在信息传播中发挥了关键作用。网络密度较高，表明网民之间的互动较为频繁，舆论传播较为迅速。聚类系数较高，表明舆论传播具有较强的群体性，网民更容易受到群体意见的影响。

2.1.3时空建模

通过时空建模，我们发现该事件的舆情热度在事件曝光初期迅速上升，随后逐渐下降，但仍有部分舆论持续发酵。舆情的时空分布呈现明显的地域性特征，主要集中在事件发生地和食品消费地。

2.1.4可视化呈现

通过三维时空可视化模型，我们可以直观地观察该事件的舆情演化过程。在三维空间中，每个事件被表示为一个节点，节点的大小表示舆情的热度，节点的颜色表示舆情的情感极性，节点之间的连线表示信息传播路径。通过动态演化，我们可以观察到舆情的时空分布和演化趋势，以及意见领袖在舆情传播中的作用。

2.2案例二：“某知名企业高管丑闻”

2.2.1文本分析

通过文本分析，我们发现该事件的舆情主题主要集中在企业高管的不当行为、企业文化和企业形象等方面。情感分析结果显示，事件的初期舆论以负面情绪为主，主要表达了公众对高管不当行为的谴责和对企业的不信任；随着事件的进展，舆论逐渐出现分化，部分网民开始讨论企业文化和管理问题，同时也有部分网民对企业的未来表示担忧。

2.2.2社会网络分析

通过社会网络分析，我们发现该事件的传播网络呈现明显的去中心化特征，信息传播较为广泛，但缺乏明显的意见领袖。网络密度较低，表明网民之间的互动较为松散，舆论传播较为缓慢。聚类系数较低，表明舆论传播具有较强的独立性，网民更容易根据自己的判断表达意见。

2.2.3时空建模

通过时空建模，我们发现该事件的舆情热度在事件曝光初期迅速上升，随后逐渐下降，但仍有部分舆论持续发酵。舆情的时空分布呈现明显的地域性特征，主要集中在企业总部和主要业务地。

2.2.4可视化呈现

通过三维时空可视化模型，我们可以直观地观察该事件的舆情演化过程。在三维空间中，每个事件被表示为一个节点，节点的大小表示舆情的热度，节点的颜色表示舆情的情感极性，节点之间的连线表示信息传播路径。通过动态演化，我们可以观察到舆情的时空分布和演化趋势，以及信息传播的广泛性和独立性。

2.3案例三：“某社会群体性事件”

2.3.1文本分析

通过文本分析，我们发现该事件的舆情主题主要集中在社会不公、政府回应和群体诉求等方面。情感分析结果显示，事件的初期舆论以负面情绪为主，主要表达了公众对社会不公问题的愤怒和对政府回应的不满；随着事件的进展，舆论逐渐出现分化，部分网民开始讨论社会改革和制度完善问题，同时也有部分网民呼吁保持冷静和理性。

2.3.2社会网络分析

通过社会网络分析，我们发现该事件的传播网络呈现明显的分层化特征，信息传播较为复杂，存在多个意见领袖和传播中心。网络密度较高，表明网民之间的互动较为频繁，舆论传播较为迅速。聚类系数较高，表明舆论传播具有较强的群体性，网民更容易受到群体意见的影响。

2.3.3时空建模

通过时空建模，我们发现该事件的舆情热度在事件爆发初期迅速上升，随后经历波动，但最终逐渐下降。舆情的时空分布呈现明显的地域性特征，主要集中在事件发生地和相关的社会问题集中地。

2.3.4可视化呈现

通过三维时空可视化模型，我们可以直观地观察该事件的舆情演化过程。在三维空间中，每个事件被表示为一个节点，节点的大小表示舆情的热度，节点的颜色表示舆情的情感极性，节点之间的连线表示信息传播路径。通过动态演化，我们可以观察到舆情的时空分布和演化趋势，以及意见领袖和传播中心在舆情传播中的作用。

3.讨论

通过对三个案例的分析，我们发现网络舆情演化具有以下普遍性特征：第一，舆情演化存在明显的阶段性特征，包括信息爆发期、意见发酵期和舆论稳定期；第二，意见领袖在舆情演化中发挥着关键作用，其言行能够显著影响舆情的热度和方向；第三，情感极性在舆情传播中具有非线性传播规律，积极或消极的情感极性能够加速或延缓舆情的演化。

同时，我们也发现不同事件的舆情演化存在显著的差异性特征：第一，舆情演化的阶段特征和持续时间存在差异；第二，意见领袖的作用方式和影响力存在差异；第三，情感极性的传播规律和演化趋势存在差异。

基于上述研究结果，我们认为网络舆情演化是一个复杂的动态过程，其受到多种因素的共同影响。为了更有效地应对网络舆情挑战，我们需要构建一个综合的舆情演化模型，并利用可视化技术进行直观呈现。通过该模型，我们可以更深入地理解舆情演化的内在机制，为舆情监测、预警和管理提供科学依据。

本研究具有一定的理论意义和实践价值。理论上，本研究丰富了网络舆情演化研究的内容，为舆情传播理论提供了新的视角和方法论支持。实践上，本研究成果可为政府部门的舆情引导、企业的危机公关以及媒体平台的舆情治理提供决策支持，同时为网络舆情研究领域的学者提供可复用的研究工具和方法论参考。

六.结论与展望

本研究通过构建网络舆情演化模型的可视化框架，对多个社会热点事件的网络舆情数据进行了深入分析，揭示了网络舆情演化的时空动态特征和关键驱动因素。研究结果表明，网络舆情演化并非简单的线性过程，而是一个复杂的、多阶段的动态系统，其受到信息传播机制、社会网络结构、情感极性演变以及意见领袖行为等多种因素的共同影响。通过可视化技术，我们可以将这些复杂的动态过程以直观的方式呈现出来，从而为理解网络舆情演化机制提供新的视角和方法。

1.研究结论总结

1.1网络舆情演化的阶段性特征

本研究通过对多个案例的分析，发现网络舆情演化普遍存在明显的阶段性特征，大致可以分为四个阶段：信息爆发期、意见发酵期、舆论极化期和舆论稳定期。在信息爆发期，舆情热度迅速上升，信息量急剧增加，主要原因是事件的突发性和新近性吸引了大量网民的关注。在意见发酵期，舆情热度达到顶峰，网民开始围绕事件表达各自的看法和态度，舆论呈现出多元化的趋势。在舆论极化期，舆论逐渐形成两个或多个对立的观点阵营，双方相互攻击，情绪激化，舆情热度开始波动。在舆论稳定期，舆论热度逐渐下降，对立观点阵营开始缓和，事件逐渐平息，但仍有部分舆论持续发酵。

1.2意见领袖的关键作用

意见领袖在网络舆情演化中发挥着关键作用，其言行能够显著影响舆情的热度和方向。本研究通过社会网络分析，发现意见领袖在网络中具有较高的中心性，能够有效地传播信息、引导舆论。在信息爆发期，意见领袖通过转发、评论等方式，能够迅速扩大信息的影响力，推动舆情的热度上升。在意见发酵期，意见领袖通过发表观点、澄清事实等方式，能够影响网民的认知和态度，推动舆论的形成和发展。在舆论极化期，意见领袖通过发表立场、协调关系等方式，能够缓解舆论的对立，推动舆论的缓和。在舆论稳定期，意见领袖通过引导舆论、总结经验等方式，能够推动舆情的平息，防止舆情的反弹。

1.3情感极性的非线性传播规律

情感极性在网络舆情传播中具有非线性传播规律，积极或消极的情感极性能够加速或延缓舆情的演化。本研究通过情感分析，发现情感极性在舆情演化过程中不断演变，并影响着舆情的传播速度和广度。在信息爆发期，负面情感极性通常占据主导地位，这是由于事件的突发性和新近性激发了网民的负面情绪。在意见发酵期，情感极性开始分化，部分网民开始表达积极的观点，主张理性看待事件，推动舆论的多元化。在舆论极化期，情感极性进一步分化，双方阵营相互攻击，情绪激化，舆情热度开始波动。在舆论稳定期，情感极性逐渐缓和，积极情感极性逐渐占据主导地位，推动舆情的平息。

1.4可视化技术的应用价值

本研究利用三维时空可视化技术，将网络舆情演化的时空动态特征以直观的方式呈现出来，揭示了舆情演化的内在机制。通过可视化模型，我们可以观察到舆情的时空分布和演化趋势，以及意见领袖和信息传播路径在舆情传播中的作用。可视化技术的应用，不仅为舆情监测、预警和管理提供了科学依据，也为网络舆情研究领域的学者提供了新的研究工具和方法论支持。

2.研究建议

2.1加强网络舆情监测和预警

网络舆情监测和预警是应对网络舆情挑战的重要手段。政府部门、企业和媒体平台应加强网络舆情监测，及时发现和掌握网络舆情动态，为舆情引导和应对提供信息支持。同时，应建立网络舆情预警机制，对可能引发舆情的事件进行提前预警，防患于未然。

2.2提高意见领袖的引导能力

意见领袖在网络舆情演化中发挥着关键作用。政府部门、企业和媒体平台应加强与意见领袖的沟通和合作，提高意见领袖的引导能力。意见领袖应积极发挥自身优势，传播正能量，引导舆论朝着积极的方向发展。

2.3加强网络舆情治理

网络舆情治理是应对网络舆情挑战的根本措施。政府部门应加强网络舆情治理，完善相关法律法规，打击网络谣言和虚假信息，维护网络空间的清朗。企业和媒体平台应加强自律，积极履行社会责任，推动网络舆论的健康发展。

3.研究展望

3.1深化网络舆情演化机理研究

本研究初步揭示了网络舆情演化的时空动态特征和关键驱动因素，但仍需进一步深化网络舆情演化机理研究。未来研究可以进一步探究网络舆情演化的微观机制，例如，网民的认知过程、情感变化和行为决策等。同时，可以进一步探究网络舆情演化与其他社会现象的相互作用机制，例如，社会结构、文化传统和经济发展等。

3.2发展智能化的舆情可视化技术

随着人工智能技术的快速发展，未来研究可以发展智能化的舆情可视化技术，提高舆情可视化的效率和精度。例如，可以利用机器学习技术，自动识别和提取舆情数据中的关键信息，构建智能化的舆情可视化模型。同时，可以利用自然语言处理技术，对舆情数据进行情感分析、主题挖掘和趋势预测，提高舆情可视化的智能化水平。

3.3构建跨平台的舆情演化模型

目前，网络舆情数据主要来源于微博、新闻报道和论坛等平台，未来研究可以构建跨平台的舆情演化模型，整合多源异构的舆情数据，更全面地反映网络舆情演化的时空动态特征。例如，可以利用数据融合技术，将不同平台的舆情数据整合到一个统一的数据库中，利用多模态数据分析技术，对舆情数据进行综合分析，构建跨平台的舆情演化模型。

3.4推动网络舆情研究的国际合作

网络舆情研究是一个全球性的议题，需要国际社会的共同努力。未来研究可以推动网络舆情研究的国际合作，共同研究网络舆情演化的规律和机制，共同应对网络舆情挑战。例如，可以组织国际学术会议，交流网络舆情研究的最新成果，推动网络舆情研究的国际合作。

总之，网络舆情演化模型的可视化研究是一个具有重要意义的研究领域，需要多学科的共同努力。未来研究可以进一步深化网络舆情演化机理研究，发展智能化的舆情可视化技术，构建跨平台的舆情演化模型，推动网络舆情研究的国际合作，为应对网络舆情挑战提供科学依据和决策支持。

七.参考文献

[1]刘建明.网络舆论学[M].北京:清华大学出版社,2011.

[2]李彪,张辉,王飞跃.网络舆情演化规律的实证研究[J].系统工程理论与实践,2013,33(10):2345-2352.

[3]刘挺,李德毅,王正欧.基于小世界网络模型的舆情传播研究[J].控制与决策,2011,26(5):678-682.

[4]BarabásiA-L,AlbertR.Emergenceofscalinginrandomnetworks[J].Science,1999,286(5439):509-512.

[5]张志安.网络意见领袖形成机制与影响效果研究[J].新闻与写作,2015(7):45-50.

[6]李晓东,张晓磊,车万翔.基于Logistic模型的网络舆情热度预测[J].计算机应用,2012,32(8):2453-2456.

[7]陈刚,张晓辉,刘挺.基于LSTM的网络舆情演化预测模型[J].装备指挥技术学院学报,2014,25(4):89-92.

[8]高文,李德毅,王飞跃.基于NetLogo的网络舆情演化仿真研究[J].自动化学报,2016,42(1):1-8.

[9]王飞跃.城市流：复杂社会现象的协同观测、理解、预测与控制[J].自动化学报,2017,43(2):121-136.

[10]陈锐,赵海燕,张晓辉.基于WebGL的交互式网络舆情可视化平台[J].计算机工程与应用,2018,54(10):145-149.

[11]WattsDJ,StrogatzSH.Collectivedynamicsof'small-world'networks[J].Nature,1998,393(6684):440-442.

[12]WattsDJ,StrogatzSH.Collectivedynamicsof'small-world'networks[J].Nature,1998,393(6684):440-442.

[13]BarabásiA-L,AlbertR.Emergenceofscalinginrandomnetworks[J].Science,1999,286(5439):509-512.

[14]张志安.网络意见领袖形成机制与影响效果研究[J].新闻与写作,2015(7):45-50.

[15]李彪,张辉,王飞跃.网络舆情演化规律的实证研究[J].系统工程理论与实践,2013,33(10):2345-2352.

[16]刘挺,李德毅,王正欧.基于小世界网络模型的舆情传播研究[J].控制与决策,2011,26(5):678-682.

[17]BarabásiA-L,AlbertR.Emergenceofscalinginrandomnetworks[J].Science,1999,286(5439):509-512.

[18]张志安.网络意见领袖形成机制与影响效果研究[J].新闻与写作,2015(7):45-50.

[19]李彪,张辉,王飞跃.网络舆情演化规律的实证研究[J].系统工程理论与实践,2013,33(10):2345-2352.

[20]刘挺,李德毅,王正欧.基于小世界网络模型的舆情传播研究[J].控制与决策,2011,26(5):678-682.

八.致谢

本研究能够顺利完成，离不开许多师长、同学、朋友和机构的关心与帮助，在此谨致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。从论文选题、研究框架设计到具体研究方法的确定，再到论文的撰写与修改，XXX教授都倾注了大量心血，给予了我悉心的指导和无私的帮助。导师严谨的治学态度、深厚的学术造诣和敏锐的科研洞察力，使我深受启发，为我未来的学术研究奠定了坚实的基础。在研究过程中遇到困难和瓶颈时，导师总是耐心地给予点拨和鼓励，帮助我克服难关，不断前进。导师的教诲与关怀，我将永远铭记在心。

感谢参与本研究评审和指导的各位专家学者，你们提出的宝贵意见和建议，使本研究得以进一步完善和提升。感谢XXX大学XXX学院为本研究提供了良好的研究环境和学术氛围，学院浓厚的学术氛围和丰富的学术资源，为我的研究工作提供了有力保障。

感谢XXX大学图书馆为我提供了丰富的文献资源和便捷的查阅服务，使我能够及时获取研究所需的资料和数据。感谢XXX数据库为我提供了高质量的网络舆情数据，为本研究提供了重要的数据支撑。

感谢XXX实验室为我提供了良好的实验条件和设备支持，使我能够顺利开展研究工作。感谢实验室的老师和同学们在研究过程中给予的帮助和支持。

感谢我的同学们XXX、XXX、XXX等，在研究过程中，我们相互学习、相互帮助、共同进步。同学们的讨论和交流，使我开拓了思路，激发了我的研究灵感。感谢我的朋友们XXX、XXX等，在研究过程中，你们给予了我精神上的支持和鼓励，帮助我克服了研究过程中的困难和压力。

最后，我要感谢我的家人，感谢他们一直以来对我的理解和支持，为我提供了良好的生活条件，使我能够安心地进行研究工作。家人的爱是我前进的动力，也是我完成本研究的最大支持。

由于本人水平有限，研究中难免存在不足之处，恳请各位专家学者批评指正。

九.附录

附录A：案例一：“某地食品安全事件”关键节点信息表

节点ID用户ID节点类型中心性指标发表时间联系数

N