1.1 研究背景及现状

1.1.1研究背景

近几年，随着网络信息的传播逐渐成为社会信息流交互的主要方式，各类社交软件和平台也逐步成为了信息时代的主流传播媒介。网络舆情已经成为社会情报的重要表现形式，微信舆情产生与微信用户人际网络中人际资源和人际交流的各种社会活动，符合现代社会人们信息交往多元化，平等化，移动化，便捷化的内在需求。在2015年10月24日的腾讯全球合作伙伴大会上，微信团队发布了《微信生活白皮书》，公布了微信用户，行为习惯等数据。去年9月份微信平台日登陆用户为5.7亿人。每天大概有2.8亿分钟的音频聊天时间，相当于每天产生了540年的通话，其中异地通话的用户中58%为年轻人。80后成为春节发红包主力军，发红包土豪用户过半是80后。数据显示，日活跃用户同比增长了64%，去年同期为49%。5.7亿用户中，60%用户为15-29岁的年轻人，平均每个用户有128个好友。学生从毕业到工作，微信好友平均增加了20%。

随着社交网络在Web2.0体系下的迅速兴起，海量用户间的信息交互变得越发频繁多样，用户通过微博，QQ，博客等社交媒介逐步扩大着自己的生活圈，一个庞大的社会关系网逐步成形。当人们更习惯于在各类社交网站上与人交流，共享信息的同时，信息也沿着用户关系进行着传播，演变。可以说，目前信息在社交网络中的传播速度是空前的，与此同时，微信舆情的安全性等一系列题也跃然纸上。社交网络的拓扑结构是如何的，舆情的传播机制是怎样的，用户节点度对信息交互有多大的影响，如何在海量的媒体流中了解信息流向及发展趋势。2015年7月23日，中国互联网信息中心发布了《第36次中国互联网络发展状况统计报告》。报告显示，2014.12-2015.6中国网民对各类网络应用的使用率情况分析

 

由具体数据可以看出，社交网络中信息流的交互方式具有极强的多样性和实时性的特点。截至2015年6月，使用即时通信的网民已达6亿以上，网民使用率达到了90.8%，传统媒体和新媒体的加强，使得即时通信的使用率几乎达到了饱和状态，而随着即时通信的使用率逐步达到饱和，中国互联网的发展主题已经从“普及率提升”转换到“使用深度加深”，而近几年的政策和环境变化也对互联网的深度使用提供了有力保障，用户对于社会现象或现实问题的描述和反应，逾6亿用户借助人际社会网络的复杂关系交叉勾连形成共同意见，间接并隐含式推动舆情发展，因此需要引用一定的方法来研究目前社交网络下微信舆情的传播机制及其网络拓扑结构，解决社交网络发展带来的相关舆情问题。

1.1.2研究现状

目前对于微信的相关研究主要注重于研究微信的传播方式及其本身的特性或是社会影响，也有学者对微信的传播方式进行了分析，但侧重要各有不同。相关论文例如《微信的传播模式分析》从传播学的角度对微信进行了研究，对其特点进行了总结。《微信在高校的传播现状以及对人际关系的影响研究》则是以重庆大学学生为研究对象，探究了微信在高校中的传播现状以及他对人际关系造成的影响。另一篇《微信用户传播方式与使用行为分析》则是从使用者的角度出发，分析了信息的传播方式以及什么功能更能满足当前的用户需求，根据一系列数据分析预测了微信平台的未来发展，各即时通讯软件的长处与短处。由于社交网络的发展如此之迅速，微信的普及程度之高，由最初的个人信息发布交互，已经上升到影响社会舆论导向，社会文化等多个方面。

1.2 选题意义

微信网络拓扑结构分析与微信舆情传播机制分析属于网络舆论研究的范畴，该理论在研究了微信网络的拓扑结构，得出了其网络拓扑特性，分析了微信舆情的传播机制，得到了信息传播的小世界特性和无标度网络特性，通过建立模型具体分析了传播特点及其影响因素。社交网络是当今社会最主要的信息交互场所和舆情传播媒介，更是存储着海量的用户个人信息和网络资源，这些都为研究微信传播机制的演化与研究用户行为提供了数据支持。了解并研究信息流在社交网络中的流动特点，对于掌握网络舆情的产生和发展并掌握其潜在规律有着至关重要的意义。由此可见，在社交信息网络传播模式逐步完善增强的今天，对于其的研究，有助于了解社交信息的传播机制。而在信息传播方面，微信又有着不同于传统媒体和其他新兴媒体的传播特性，了解其网络拓扑特性与传播机制对于舆情的监管与预测都有着重要意义。因此，对于微信舆情传播机制的分析有着一定的学术价值和应用价值，论文选题具有一定的创新性，实用性和理论价值。

1.3 论文结构

论文的组织结构如下：

第一章为绪论，介绍了论文的背景及现状，利用一系列数据对目前微信的普及性做出证实，例举了国内相关论文对于类似方向的研究，并阐述了该研究的主要内容和意义。

第二章为微信网络拓扑结构分析，通过对于微信网络的基本数据和描述，利用微信用户的节点关系展现了微信网络拓扑结构，利用其统计参数总结出了微信网络的拓扑结构特性。

第三章为微信舆情传播机制，通过对网络信息传播机制的分析，建立模型定义社交网络中的用户和用户间的好友关系，得出了其所具有的小世界特性与无标度网络特性，进一步分析了强弱关系和节点度值对传播过程的影响，对微信舆情的传播有了更全面的掌握。

第四章结合具体实例对研究所得结果进行验证，进一步说明了研究得出的微信舆情传播的一系列特性。

第五章为总结了论文的主要工作及意义，并对未来微信舆情的监管与掌握方向做出了计划与预测。

1.微信网络拓扑结构分析

2.1 微信网络结构

根据复杂网络规则中对于社交网络用户关系的定义，我们用最基本的元素点和线来描述微信网络中的用户间关系，定义微信网络中的用户为节点，用线来代表用户之间的好友关系，这种关系存在于微信好友之间，信息流动之间及个人信息交互的同时。这样，点和线就构成了最基本的微信非加权网络。我们可以从这种点线所构成的网络得出，信息的交互只能通过用户间的线流动，微信的网络结构具有无向非加权网络的结构特性，且信息一旦发布，与该节点相连的相关节点都有机会获得该信息，并且有一定几率沿着点线继续传播。

在这里，我们可以假设A.B.C.D.E.F.G来表示7个微信用户利用我们所构建的点线模型来定义用户之间的好友关系并作图，我们得到他们之间的关系如图2.1所示，我们用节点表示任意微信用户，并用连线表示了随机的用户联系，节点的位置具有随机性，他们之间的好友关系用连线表示，这样，我们就构建了一个小型的微信网络用户结构图。定义关系Axy来表示用户之间的相邻关系，如果x，y之间相邻，则Axy=1，否则Axy=0。这样，我们就将复杂的微信网络构建成了一个二维矩阵。

       A

B

           C

                                     F

E

D

G

图2.1 微信网络用户关系图

在此，为了研究的方便，我们进一步引入了节点度，聚集系数和平均路径长度三个参数，进一步对微信网络的拓扑结构特性进行分析。

2.2 微信网络的拓扑结构特性

2.2.1 节点度

节点度是对复杂网络中用户连接统计的基本描述，表示了与该节点相连接的边数，由于我们所研究的微信网络具有无向网络的特性，因此我们可以用节点度来描述其相邻节点的数目，在这里用k表示节点度。在我们已知的数据集中，如图2.1所构建的微信网络用户关系图，用G（N,M）来表示该无向图，N表示用户节点集，M表示边集合，而此时的我们就可以根据G（N,M）来表示其网络平均度，记为Q，则，那么平均节点度就表示了该网络中的与节点相邻的其他节点数目的平均值。

2.2.2 平均最短路径长度

我们用公式3.2.1来定义无向网络中的每两节点之间的平均路径长度L：

（公式2.2.2）

其中，表示节点x到节点y的距离。在无向网络中，由于节点数量达到了一定值，因此我们用此公式来对网络中两节点的平均路径长度在进行计算（此公式也适用于节点数量较多的实际网络）。

根据【复杂网络的微信网络信息传播研究】对矩阵的分析得到的微信网络平均路径长度，对于微信如此巨大的社交网络来说，如此小的平均路径长度使得微信用户很轻易就能与其他不曾认识的用户相连。

2.2.3 聚集系数

聚集系数是衡量网络集团化的标志，周云龙【复杂网络平均路径长度研究】中提到的聚集系数这一概念，节点的聚类系数所描述的是与直接相邻的节点间实际存在的边数占最大可能存在的边数的比例。我们用公式2.2.3.1对聚集系数进行定义

                （公式2.2.3.1）

微信网络的聚类系数表示了所有用户节点聚类系数的平均值，表示该微信网络中的节点数，我们用公式2.2.3.2定义：

                        （公式2.2.3.2）

根据【复杂网络的微信网络信息传播研究】对微信网络平均聚集系数的计算，，设定相同密度下随机网络得到的该随机网络聚类系数，远小于微信网络的平均聚集系数，因此微信网络中陌生人成为朋友就变得不那么困难。

2.微信舆情传播机制

3.1网络信息传播机制

根据已经构建的微信网络结构所定义的用户间的节点度关系，借鉴经典的信息传播模型【64，70】，我们将社交网络节点分为三类：未知节点（），传播节点（）和免疫节点()。

未知节点表示在某条信息发布之前并未接收到任何关于该信息内容的分享，且该节点自身不具备向其他节点传播该信息的能力，但有可能被该信息“感染”，

传播节点表示该节点从外界或其他节点接收某信息并对其领节点进行传播，也有可能作为该信息的信息源，向其领节点传播信息，具有极强的传播性和接受性，

免疫节点表示该节点该节点之前已经了解了相关信息，但不具备传播该信息的能力。

在此需要注意，如果该信息在传播过程中，遇到未知节点或传播节点，未知节点被“感染”之后则有可能转化为传播节点，而传播节点由于之前有可能已经了解了该信息，则可能不再对该信息进行传播，进而转化为了免疫节点。而免疫节点由于始终不会对其所接受到的信息进行传播，因此其节点特性很难改变。由此可以得知，网络信息在传播过程中不仅仅与散步该信息的节点特性有关，与其节点度的相邻节点特性也有很大关系。

由此，我们可以用三个参数来描述节点间的信息传播：

（1）传染性，表示节点x与节点y相互连接，并且信息从节点x到y传播成功让y成为传播节点的概率。

（2）免疫性m，表示该节点不受其所接收信息影响，从原本传播节点转化为免疫节点的概率

（3）衰弱性s，由于信息不可能无限传播，有限大小社交网络内的信息传播性总是成逐渐衰弱的趋势，传播节点也会由于从各处接收相关信息或是暂时忘记而不再传播该信息，此时传播节点就对该信息产生了免疫性，并逐步成为免疫节点。这种情况下随着信息传播的衰弱性而使节点自身对该信息逐步免疫，我们将s定义为衰弱性。

由此得知，信息在社交网络中的传播只由以上三种节点控制，并且只沿着三类节点传播，通过图3.1我们对三种节点的传播状态进行描述：

 

  

图3.1

参考文献【3】，未知节点y在相邻节点x为传播节点的条件下，被该信息感染而成为传播节点主动传播信息的概率可表示为：

                           （3.1）

其中，定义为节点x与节点y之间的连接权重，为节点x的度，为调节参数，通过公式3.1可以看出，参数与连接权重息息相关，根据公式3.1的定义，当>0，<0和=0时，由于节点间的连接关系强度不同该节点受相邻节点影响接收相关信息的概率大不相同，当>0时，由于节点x与节点y之间有更强的连接关系，因此有更大的几率接受该信息，当<0时，与其连接关系相对较弱的节点更加有几率成为接收并传播该信息的节点，当=0时，强关系节点与弱关系节点接收该信息的概率则相同。

根据参考文献【3】【4】，连接权重的定义：

                       （3.2）

其中，为节点x与节点y的共同好友数，和分别表示节点x和节点y的度。通过比较和观察公式3.1和3.2可以发现，传播概率受到了连接权重，强弱关系，节点的度等多方面情况的影响。

3.2 信息传播特点

3.2.1 小世界特性

1967年美国社会心理学家米尔格伦（Stanley Milgram）提出了一个“六度分离”理论。2001年哥伦比亚大学社会学系的一个研究小组开始在互联网上进行了这个实验。他们建立了一个实验网站，终点是分布在不同国家的18个人（包括纽约的一位作家、澳大利亚的一名警察以及巴黎的一位图书管理员等等），志愿者通过这个网站把电子邮件发给最可能实现任务的亲友。结果一共有384个志愿者的邮件抵达了目的地，电子邮件大约只花了五到七步就传递到了目标，而这一实验结果进一步证明了小世界特性在虚拟网络中也是真实存在着的。

我们根据公式2.2.2中定义了网络的平均路径长度，而在面临具有多个组群的网络时，我们采取另外一种定义方式来定义节点的平均距离，利用Kretzschmar【7】公式3.2.1.2来计算网络结构的距离：

（公式3.2.1.2）

在此，我们将倒数的平均再倒数，利用此方法来对拥有多个组群的网络节点的平均距离进行计算。

小世界特性作为微信网络拓扑结构的重要特性对微信舆情的传播和网络动力学有着重要的意义，因为小世界特性对信息流传播的影响，舆情在传播过程中的速度就变得异常迅速。这也符合了之前提到的“六度分离”理论，即舆情在发布之后仅仅六步之内就可以传达给处于该网络结构中的另一节点，这使得舆情的传播速度尤为迅速。

根据Janson【Janson S, Luczak T, Rucinski A. Random graphs[M]. John Wiley & Sons, 2011.】，Chung【Chung F, Lu L. The average distances in random graphs with given expecteddegrees[J]. Proceedings of the National Academy of Sciences, 2002, 99(25):15879-15882.】，Dorogovtsev【Dorogovtsev S N, Mendes J F F, Samukhin A N. Metric structure of random networks[J]. Nuclear Physics B, 2003, 653(3): 307-338.】在数学上，Albert【Albert R, Barabási A L. Statistical mechanics of complex networks[J]. Reviews of modern physics, 2002, 74(1): 47.】在实际中对小世界效应的证明，小世界现象就是网络的平均路径随着网络规模的增加而呈对数形式增长。在某节点数量达到一定规模的网络结构中，设节点数量为n,即平均路径长度随着n的增长而增长缓慢。Cohen【Cohen R, Havlin S. Scale-free networks are ultrasmall[J]. Physical Review Letters,2003, 90(5): 058701.】证明了在真实网络中节点间距离的平均值是低于的增长值。综上所述，我们可以得知小世界特性在微信网络结构中影响着舆情的传播，是其网络拓扑结构的重要特性。

3.2.2 无标度网络特性

3.3强弱关系对传播过程的影响（衡量：交互频率）

人与人的关系是分强弱的，也是分层次的，根据3.1节的描述，值的不同对强弱关系的传播概率会造成一定影响，而强弱关系的选择也会对该信息的传播造成不同程度的影响。

在此，我们定义某关系网络中传播节点密度为

               (3.30)

按照我们所设计的模型的定义，在整个传播过程中，节点的属性只分为三类：传播节点，未知节点和免疫节点。信息在整个传播过程中在整个关系网中的流动随着节点的变化而增强或者减弱。传播节点具有较强的传播特性，免疫节点相比于传播节点和未知节点具有更强的稳定性。免疫节点由于自身的原因在整个传播过程中终止了对某种信息的传播，而传播节点则会主动与其邻近的节点交互信息并主动传播该信息，因此传播节点就可以被看做是某信息的发散源，尽管其自身也有可能发生着变化，但传播节点可以说是信息传播过程中至关重要的一环。那么从某种意义上来说，传播节点占整个关系网络节点的比例（）就可以看做该信息被讨论的“强度”。因为传播节点越多意味着该信息有更多的可能被传播，并有更多的节点有可能相信并继续传播该信息。在此研究强弱关系对传播过程的影响，就显得尤为重要。

在此，根据参考文献【5】，定义信息传播范围为，可以表示为

                           （3.31）     

其中，为免疫节点的密度。我们把理解为接收到该信息的节点占总结点的比例。那么在此就可以作为描述信息传播能力的指标。

在研究强弱关系对信息传播的影响时，我们注意到由于关系强弱不同而引起的用户对于该信息可信度价值性等问题对舆情传播造成的影响。在微信的社会关系中，我们按照用户的添加方式不同将好友分为6类：QQ好友，漂流瓶添加，LBS附近的人添加，手机通讯录，摇一摇添加和搜索微信号添加。根据不同场景调查相对应好友信息交互量占该用户聊天信息总量的百分比，调查结果如图3.3.1所示。

图3.3.1

我们在研究舆情传播的过程中时，由于用户间强弱关系的不同而引起的对于该信息进一步传播所造成的影响。我们用交互频率对其进行量化，可以理解为用户关系越强，该用户对对另一方的信息信任度更高，越能激发用户的兴趣，他们之间的交互频率越高，使得舆情有更大的几率得到进一步传播。根据参考文献【基于移动即时通讯应用的信息流网络的特征与建模研究】，如图3.3.1，依次表示不同场景下的添加好友状态，则在不同的添加场景下，两者建立好友关系，表示不同场景下添加好友的通过率。那么验证好友率越高就可以说明用户之间的关系越密切。

可以得到如图公式3.3.2所示结果

   （公式3.3.2）

对于好友的熟悉程度的不同影响着验证好友的通过率。可以看出手机通讯录里的好友和用户本身通过自身搜索微信号进行添加的好友可以视为与该用户社会关系较强的一方，而通过LBS附近的人，摇一摇，漂流瓶方式添加的好友在该用户社会关系中则处于较弱的一方。

我们在研究无向有权网络的特性时，对信息流的掌控需要考虑到社交关系强度，社交影响力，社交亲密程度以及信息流强度等多个方面。在此，我们重点研究通信强度来衡量用户间的强弱链接关系，我们用用户间的交互频率来量化用户间的信任度，根据【基于】，我们定义两节点，之间的平均通信强度为，设一段时间t内某节点用户与节点用户之间相互收发消息，那么我们可以得知=1,节点间的平均通信强度可以作为节点间关系强弱的衡量，我们对平均通信强度做出的量化就可以看做是对节点强弱关系的量化。

 

图3.3.2

如图3.3.2，横坐标表示节点间的社交关系强度，纵坐标表示节点的社交影响力，图中气泡大小表示了不同方式所添加的好友的平均通信强度，气泡越大说明该方式下添加的用户间关系更强，那么该用户所发出的信息对其的影响力更大。由于与社交关系强度间的关系成正向关系，通过与不同场景下添加好友的通过率进行比较，我们发现通过率对平均通信强度有正向的影响。验证好友通过率越高，平均通信强度越大。在现实社交中，我们通过不同的方式添加各类好友，我们对其的熟悉程度，社会关系也有所不同，在这些社交关系场景中，产生了大量的信息交互。我们发现，较大的例如手机通讯录，搜索微信号等方式添加的多为自己现实生活中的好友，亲人，而较小的例如通过LBS，漂流瓶等方式添加的多为不曾相识的陌生人，我们按照此方法量化用户间链接关系的强弱。那么根据以上实验结果，我们可以得知节点间的链接关系对舆情的传播有正向的影响。即节点间的关系越强，该节点间的舆情信息更有可能得到传播。

3.4节点度值对传播过程的影响

由于我们所研究的网[]络均为无向网络，把节点度理解为节点的邻边数，在建模的过程中，节点度值k，

3.5 模型

通过上述对微信舆情传播过程的分析，在整个网络结构中，未知节点（），传播节点（）和免疫节点()间的信息交互是舆情传播的关键，我们用表示作为传播节点的，用表示作为免疫节点的，用表示作为未知节点的，那么我们用公式3.5的来表示整个传播过程：

                               （公式3.5）

如公式3.5所示，传播节点遇到未知节点在产生信息交互的过程中，未知节点相信并主动传播该信息的概率为，之后未知节点转变为传播节点。传播节点与传播节点产生信息交互，在免疫概率的作用下，由于传播节点或对该信息不感兴趣或已经接受过该信息，传播节点在此时有概率会转变为免疫节点。传播节点在与免疫节点产生信息交互时，由于免疫节点已经对该信息丧失传播性，那么传播节点原来的传播状态有存在免疫概率使其转变为免疫状态，成为免疫节点。而传播节点本身由于信息自身不能永远传播下去，有限网络内信息传播总是程衰减趋势及其本身对该信息逐步丧失兴趣等因素，当传播节点对该信息逐步免疫，那么在其自身衰减性的作用下，其本身也会逐步从传播状态转变为未知状态，即成为免疫节点。

我们通过从微观角度构建不同状态下的节点间的信息传播模型模拟不同场景中的舆情传播情景，由公式3.5得到的传播节点，未知节点，免疫节点间的相互转化，当网络中存在的节点数量足够大时，在整个舆情传播过程中，按照传播节点，未知节点，免疫节点分类所有用户节点并模拟其间的转化关系使得整个传播过程简洁清晰。

本章重点描述了所构建的传播模型在信息传播过程中的状态转化，在实际的微信网络中，结合之前在考虑强弱关系对传播过程的影响中引入平均通信强度对于个体间关系强弱进行量化，在建立模型的基础上加入对社会因素的考虑，即量化了各参数与舆情传播的关系。

4.案例实证分析

2016年4月14日，NBA著名球星科比布莱恩特用一场60分的得分表演，为自己的NBA职业生涯画上了完美句号，各大公众账号在第一时间发布了各类缅怀科比的文章，并在微信群和公众平台进行推广。微信朋友圈也瞬间被刷屏，网友及各类公众账号对该事件纷纷进行转发并分享，次数达数百万。为满足大众对于该事件前后的了解，各类门户网站还对科比的生平做了简述，部分公众平台等还为此事件专门制作视频。科比最后一场比赛的数据和相关评论也得到广泛传播，我们利用微信用户所构成的网络结构来分析该舆情的传播。

如图4所示，科比退役事件在接下来几天中的传播程度随着事件的变化图。2016年4月14日当天，科比退役事件就在微信中产生了巨大的传播量，直至15日，关于该事件的关注仍然居高不下，无论是个人用户或者是公众账号都对于该事件做出了很强的反应，关于该事件的文章或相关内容被大量转发评论和传播。在4月16日关于该事件在微信上引起的关注度仍未降低，当天的转发传播量仍然高达近百万，随着时间的推移该事件的传播程度逐渐变缓，但关于该事件的相关文章和话题量仍然惊人。

根据我们定义的微信网络结构的小世界特性，信息的传播在节点度较大，节点间关系强度较强的节点上进行传播扩散时所引起的社会反应更大，引起了更大的转发，评论和传播量，从图4可以看出，关于该信息的传播在前三天引起的舆论增长呈现爆炸式，这也在另一方面说明了微信舆情在其网络结构传播中传播的平均路径很短。我们进一步利用复杂网络拓扑结构对其进行分析，根据我们所定义的网络拓扑结构，根据该节点在该网络结构中身处地位的不同，其自身的影响力也不同，而信息在整个复杂网络中拥有怎样的影响力，与该节点的节点度值，该微信网络的平均路径长度等都息息相关。

图4 舆情网络传播

5.总结与展望

5.1论文的总结

在新兴媒体和各类社交方式的推动下，微信以智能手机为基础，具有着其独特的功能并带给用户便捷的体验。这种新兴的社交方式使得微信舆情在交互过程中变得更加复杂多样并带有极强的不确定性。这种以节点和线所构建的模型模拟出的微信网络关系，突破了传统的传播方式的局限，使舆情在个人用户，媒体，企业间的流动变得更为便捷。研究在基于对社会学，新闻与传播学，复杂网络理论等的研究上，对具体的微信舆情传播机制做了更为深入的研究，并在建模过程中对微信舆情传播的影响因素做了表现。

研究基于对网络基本的拓扑结构分析，利用复杂的网络规则对微信网络进行了定义，根据我们所研究的无向网络的特点，将微信网络中用户间的关系用节点和线来表示，并提出了节点度，聚集系数，平均路径长度三个关键要素，通过对微信网络用户结构图的分析进一步分析微信舆情的传播机制。在具体研究网络舆情的传播时，构建了相关模型，在分析社交网络中用户相互之间信息交互的基础上，总结出了微信网络的特性，通过分析所构建的模型发现：节点度值，用户关系的强弱，连接权重等因素都对信息交互过程造成了一定影响。可以得出：用户参与舆情接收与传播过程越积极，用户间关系越强，传播链路

1.1 研究背景及现状

1.1.1研究背景

近几年，随着网络信息的传播逐渐成为社会信息流交互的主要方式，各类社交软件和平台也逐步成为了信息时代的主流传播媒介。网络舆情已经成为社会情报的重要表现形式，微信舆情产生与微信用户人际网络中人际资源和人际交流的各种社会活动，符合现代社会人们信息交往多元化，平等化，移动化，便捷化的内在需求。在2015年10月24日的腾讯全球合作伙伴大会上，微信团队发布了《微信生活白皮书》，公布了微信用户，行为习惯等数据。去年9月份微信平台日登陆用户为5.7亿人。每天大概有2.8亿分钟的音频聊天时间，相当于每天产生了540年的通话，其中异地通话的用户中58%为年轻人。80后成为春节发红包主力军，发红包土豪用户过半是80后。数据显示，日活跃用户同比增长了64%，去年同期为49%。5.7亿用户中，60%用户为15-29岁的年轻人，平均每个用户有128个好友。学生从毕业到工作，微信好友平均增加了20%。

随着社交网络在Web2.0体系下的迅速兴起，海量用户间的信息交互变得越发频繁多样，用户通过微博，QQ，博客等社交媒介逐步扩大着自己的生活圈，一个庞大的社会关系网逐步成形。当人们更习惯于在各类社交网站上与人交流，共享信息的同时，信息也沿着用户关系进行着传播，演变。可以说，目前信息在社交网络中的传播速度是空前的，与此同时，微信舆情的安全性等一系列题也跃然纸上。社交网络的拓扑结构是如何的，舆情的传播机制是怎样的，用户节点度对信息交互有多大的影响，如何在海量的媒体流中了解信息流向及发展趋势。2015年7月23日，中国互联网信息中心发布了《第36次中国互联网络发展状况统计报告》。报告显示，2014.12-2015.6中国网民对各类网络应用的使用率情况分析

 

由具体数据可以看出，社交网络中信息流的交互方式具有极强的多样性和实时性的特点。截至2015年6月，使用即时通信的网民已达6亿以上，网民使用率达到了90.8%，传统媒体和新媒体的加强，使得即时通信的使用率几乎达到了饱和状态，而随着即时通信的使用率逐步达到饱和，中国互联网的发展主题已经从“普及率提升”转换到“使用深度加深”，而近几年的政策和环境变化也对互联网的深度使用提供了有力保障，用户对于社会现象或现实问题的描述和反应，逾6亿用户借助人际社会网络的复杂关系交叉勾连形成共同意见，间接并隐含式推动舆情发展，因此需要引用一定的方法来研究目前社交网络下微信舆情的传播机制及其网络拓扑结构，解决社交网络发展带来的相关舆情问题。

1.1.2研究现状

目前对于微信的相关研究主要注重于研究微信的传播方式及其本身的特性或是社会影响，也有学者对微信的传播方式进行了分析，但侧重要各有不同。相关论文例如《微信的传播模式分析》从传播学的角度对微信进行了研究，对其特点进行了总结。《微信在高校的传播现状以及对人际关系的影响研究》则是以重庆大学学生为研究对象，探究了微信在高校中的传播现状以及他对人际关系造成的影响。另一篇《微信用户传播方式与使用行为分析》则是从使用者的角度出发，分析了信息的传播方式以及什么功能更能满足当前的用户需求，根据一系列数据分析预测了微信平台的未来发展，各即时通讯软件的长处与短处。由于社交网络的发展如此之迅速，微信的普及程度之高，由最初的个人信息发布交互，已经上升到影响社会舆论导向，社会文化等多个方面。

1.2 选题意义

微信网络拓扑结构分析与微信舆情传播机制分析属于网络舆论研究的范畴，该理论在研究了微信网络的拓扑结构，得出了其网络拓扑特性，分析了微信舆情的传播机制，得到了信息传播的小世界特性和无标度网络特性，通过建立模型具体分析了传播特点及其影响因素。社交网络是当今社会最主要的信息交互场所和舆情传播媒介，更是存储着海量的用户个人信息和网络资源，这些都为研究微信传播机制的演化与研究用户行为提供了数据支持。了解并研究信息流在社交网络中的流动特点，对于掌握网络舆情的产生和发展并掌握其潜在规律有着至关重要的意义。由此可见，在社交信息网络传播模式逐步完善增强的今天，对于其的研究，有助于了解社交信息的传播机制。而在信息传播方面，微信又有着不同于传统媒体和其他新兴媒体的传播特性，了解其网络拓扑特性与传播机制对于舆情的监管与预测都有着重要意义。因此，对于微信舆情传播机制的分析有着一定的学术价值和应用价值，论文选题具有一定的创新性，实用性和理论价值。

1.3 论文结构

论文的组织结构如下：

第一章为绪论，介绍了论文的背景及现状，利用一系列数据对目前微信的普及性做出证实，例举了国内相关论文对于类似方向的研究，并阐述了该研究的主要内容和意义。

第二章为微信网络拓扑结构分析，通过对于微信网络的基本数据和描述，利用微信用户的节点关系展现了微信网络拓扑结构，利用其统计参数总结出了微信网络的拓扑结构特性。

第三章为微信舆情传播机制，通过对网络信息传播机制的分析，建立模型定义社交网络中的用户和用户间的好友关系，得出了其所具有的小世界特性与无标度网络特性，进一步分析了强弱关系和节点度值对传播过程的影响，对微信舆情的传播有了更全面的掌握。

第四章结合具体实例对研究所得结果进行验证，进一步说明了研究得出的微信舆情传播的一系列特性。

第五章为总结了论文的主要工作及意义，并对未来微信舆情的监管与掌握方向做出了计划与预测。

1.微信网络拓扑结构分析

2.1 微信网络结构

根据复杂网络规则中对于社交网络用户关系的定义，我们用最基本的元素点和线来描述微信网络中的用户间关系，定义微信网络中的用户为节点，用线来代表用户之间的好友关系，这种关系存在于微信好友之间，信息流动之间及个人信息交互的同时。这样，点和线就构成了最基本的微信非加权网络。我们可以从这种点线所构成的网络得出，信息的交互只能通过用户间的线流动，微信的网络结构具有无向非加权网络的结构特性，且信息一旦发布，与该节点相连的相关节点都有机会获得该信息，并且有一定几率沿着点线继续传播。

在这里，我们可以假设A.B.C.D.E.F.G来表示7个微信用户利用我们所构建的点线模型来定义用户之间的好友关系并作图，我们得到他们之间的关系如图2.1所示，我们用节点表示任意微信用户，并用连线表示了随机的用户联系，节点的位置具有随机性，他们之间的好友关系用连线表示，这样，我们就构建了一个小型的微信网络用户结构图。定义关系Axy来表示用户之间的相邻关系，如果x，y之间相邻，则Axy=1，否则Axy=0。这样，我们就将复杂的微信网络构建成了一个二维矩阵。

       A

B

           C

                                     F

E

D

G

图2.1 微信网络用户关系图

在此，为了研究的方便，我们进一步引入了节点度，聚集系数和平均路径长度三个参数，进一步对微信网络的拓扑结构特性进行分析。

2.2 微信网络的拓扑结构特性

2.2.1 节点度

节点度是对复杂网络中用户连接统计的基本描述，表示了与该节点相连接的边数，由于我们所研究的微信网络具有无向网络的特性，因此我们可以用节点度来描述其相邻节点的数目，在这里用k表示节点度。在我们已知的数据集中，如图2.1所构建的微信网络用户关系图，用G（N,M）来表示该无向图，N表示用户节点集，M表示边集合，而此时的我们就可以根据G（N,M）来表示其网络平均度，记为Q，则，那么平均节点度就表示了该网络中的与节点相邻的其他节点数目的平均值。

2.2.2 平均最短路径长度

我们用公式3.2.1来定义无向网络中的每两节点之间的平均路径长度L：

（公式2.2.2）

其中，表示节点x到节点y的距离。在无向网络中，由于节点数量达到了一定值，因此我们用此公式来对网络中两节点的平均路径长度在进行计算（此公式也适用于节点数量较多的实际网络）。

根据【复杂网络的微信网络信息传播研究】对矩阵的分析得到的微信网络平均路径长度，对于微信如此巨大的社交网络来说，如此小的平均路径长度使得微信用户很轻易就能与其他不曾认识的用户相连。

2.2.3 聚集系数

聚集系数是衡量网络集团化的标志，周云龙【复杂网络平均路径长度研究】中提到的聚集系数这一概念，节点的聚类系数所描述的是与直接相邻的节点间实际存在的边数占最大可能存在的边数的比例。我们用公式2.2.3.1对聚集系数进行定义

                （公式2.2.3.1）

微信网络的聚类系数表示了所有用户节点聚类系数的平均值，表示该微信网络中的节点数，我们用公式2.2.3.2定义：

                        （公式2.2.3.2）

根据【复杂网络的微信网络信息传播研究】对微信网络平均聚集系数的计算，，设定相同密度下随机网络得到的该随机网络聚类系数，远小于微信网络的平均聚集系数，因此微信网络中陌生人成为朋友就变得不那么困难。

2.微信舆情传播机制

3.1网络信息传播机制

根据已经构建的微信网络结构所定义的用户间的节点度关系，借鉴经典的信息传播模型【64，70】，我们将社交网络节点分为三类：未知节点（），传播节点（）和免疫节点()。

未知节点表示在某条信息发布之前并未接收到任何关于该信息内容的分享，且该节点自身不具备向其他节点传播该信息的能力，但有可能被该信息“感染”，

传播节点表示该节点从外界或其他节点接收某信息并对其领节点进行传播，也有可能作为该信息的信息源，向其领节点传播信息，具有极强的传播性和接受性，

免疫节点表示该节点该节点之前已经了解了相关信息，但不具备传播该信息的能力。

在此需要注意，如果该信息在传播过程中，遇到未知节点或传播节点，未知节点被“感染”之后则有可能转化为传播节点，而传播节点由于之前有可能已经了解了该信息，则可能不再对该信息进行传播，进而转化为了免疫节点。而免疫节点由于始终不会对其所接受到的信息进行传播，因此其节点特性很难改变。由此可以得知，网络信息在传播过程中不仅仅与散步该信息的节点特性有关，与其节点度的相邻节点特性也有很大关系。

由此，我们可以用三个参数来描述节点间的信息传播：

（1）传染性，表示节点x与节点y相互连接，并且信息从节点x到y传播成功让y成为传播节点的概率。

（2）免疫性m，表示该节点不受其所接收信息影响，从原本传播节点转化为免疫节点的概率

（3）衰弱性s，由于信息不可能无限传播，有限大小社交网络内的信息传播性总是成逐渐衰弱的趋势，传播节点也会由于从各处接收相关信息或是暂时忘记而不再传播该信息，此时传播节点就对该信息产生了免疫性，并逐步成为免疫节点。这种情况下随着信息传播的衰弱性而使节点自身对该信息逐步免疫，我们将s定义为衰弱性。

由此得知，信息在社交网络中的传播只由以上三种节点控制，并且只沿着三类节点传播，通过图3.1我们对三种节点的传播状态进行描述：

 

  

图3.1

参考文献【3】，未知节点y在相邻节点x为传播节点的条件下，被该信息感染而成为传播节点主动传播信息的概率可表示为：

                           （3.1）

其中，定义为节点x与节点y之间的连接权重，为节点x的度，为调节参数，通过公式3.1可以看出，参数与连接权重息息相关，根据公式3.1的定义，当>0，<0和=0时，由于节点间的连接关系强度不同该节点受相邻节点影响接收相关信息的概率大不相同，当>0时，由于节点x与节点y之间有更强的连接关系，因此有更大的几率接受该信息，当<0时，与其连接关系相对较弱的节点更加有几率成为接收并传播该信息的节点，当=0时，强关系节点与弱关系节点接收该信息的概率则相同。

根据参考文献【3】【4】，连接权重的定义：

                       （3.2）

其中，为节点x与节点y的共同好友数，和分别表示节点x和节点y的度。通过比较和观察公式3.1和3.2可以发现，传播概率受到了连接权重，强弱关系，节点的度等多方面情况的影响。

3.2 信息传播特点

3.2.1 小世界特性

1967年美国社会心理学家米尔格伦（Stanley Milgram）提出了一个“六度分离”理论。2001年哥伦比亚大学社会学系的一个研究小组开始在互联网上进行了这个实验。他们建立了一个实验网站，终点是分布在不同国家的18个人（包括纽约的一位作家、澳大利亚的一名警察以及巴黎的一位图书管理员等等），志愿者通过这个网站把电子邮件发给最可能实现任务的亲友。结果一共有384个志愿者的邮件抵达了目的地，电子邮件大约只花了五到七步就传递到了目标，而这一实验结果进一步证明了小世界特性在虚拟网络中也是真实存在着的。

我们根据公式2.2.2中定义了网络的平均路径长度，而在面临具有多个组群的网络时，我们采取另外一种定义方式来定义节点的平均距离，利用Kretzschmar【7】公式3.2.1.2来计算网络结构的距离：

（公式3.2.1.2）

在此，我们将倒数的平均再倒数，利用此方法来对拥有多个组群的网络节点的平均距离进行计算。

小世界特性作为微信网络拓扑结构的重要特性对微信舆情的传播和网络动力学有着重要的意义，因为小世界特性对信息流传播的影响，舆情在传播过程中的速度就变得异常迅速。这也符合了之前提到的“六度分离”理论，即舆情在发布之后仅仅六步之内就可以传达给处于该网络结构中的另一节点，这使得舆情的传播速度尤为迅速。

根据Janson【Janson S, Luczak T, Rucinski A. Random graphs[M]. John Wiley & Sons, 2011.】，Chung【Chung F, Lu L. The average distances in random graphs with given expecteddegrees[J]. Proceedings of the National Academy of Sciences, 2002, 99(25):15879-15882.】，Dorogovtsev【Dorogovtsev S N, Mendes J F F, Samukhin A N. Metric structure of random networks[J]. Nuclear Physics B, 2003, 653(3): 307-338.】在数学上，Albert【Albert R, Barabási A L. Statistical mechanics of complex networks[J]. Reviews of modern physics, 2002, 74(1): 47.】在实际中对小世界效应的证明，小世界现象就是网络的平均路径随着网络规模的增加而呈对数形式增长。在某节点数量达到一定规模的网络结构中，设节点数量为n,即平均路径长度随着n的增长而增长缓慢。Cohen【Cohen R, Havlin S. Scale-free networks are ultrasmall[J]. Physical Review Letters,2003, 90(5): 058701.】证明了在真实网络中节点间距离的平均值是低于的增长值。综上所述，我们可以得知小世界特性在微信网络结构中影响着舆情的传播，是其网络拓扑结构的重要特性。

3.2.2 无标度网络特性

3.3强弱关系对传播过程的影响（衡量：交互频率）

人与人的关系是分强弱的，也是分层次的，根据3.1节的描述，值的不同对强弱关系的传播概率会造成一定影响，而强弱关系的选择也会对该信息的传播造成不同程度的影响。

在此，我们定义某关系网络中传播节点密度为

               (3.30)

按照我们所设计的模型的定义，在整个传播过程中，节点的属性只分为三类：传播节点，未知节点和免疫节点。信息在整个传播过程中在整个关系网中的流动随着节点的变化而增强或者减弱。传播节点具有较强的传播特性，免疫节点相比于传播节点和未知节点具有更强的稳定性。免疫节点由于自身的原因在整个传播过程中终止了对某种信息的传播，而传播节点则会主动与其邻近的节点交互信息并主动传播该信息，因此传播节点就可以被看做是某信息的发散源，尽管其自身也有可能发生着变化，但传播节点可以说是信息传播过程中至关重要的一环。那么从某种意义上来说，传播节点占整个关系网络节点的比例（）就可以看做该信息被讨论的“强度”。因为传播节点越多意味着该信息有更多的可能被传播，并有更多的节点有可能相信并继续传播该信息。在此研究强弱关系对传播过程的影响，就显得尤为重要。

在此，根据参考文献【5】，定义信息传播范围为，可以表示为

                           （3.31）     

其中，为免疫节点的密度。我们把理解为接收到该信息的节点占总结点的比例。那么在此就可以作为描述信息传播能力的指标。

在研究强弱关系对信息传播的影响时，我们注意到由于关系强弱不同而引起的用户对于该信息可信度价值性等问题对舆情传播造成的影响。在微信的社会关系中，我们按照用户的添加方式不同将好友分为6类：QQ好友，漂流瓶添加，LBS附近的人添加，手机通讯录，摇一摇添加和搜索微信号添加。根据不同场景调查相对应好友信息交互量占该用户聊天信息总量的百分比，调查结果如图3.3.1所示。

图3.3.1

我们在研究舆情传播的过程中时，由于用户间强弱关系的不同而引起的对于该信息进一步传播所造成的影响。我们用交互频率对其进行量化，可以理解为用户关系越强，该用户对对另一方的信息信任度更高，越能激发用户的兴趣，他们之间的交互频率越高，使得舆情有更大的几率得到进一步传播。根据参考文献【基于移动即时通讯应用的信息流网络的特征与建模研究】，如图3.3.1，依次表示不同场景下的添加好友状态，则在不同的添加场景下，两者建立好友关系，表示不同场景下添加好友的通过率。那么验证好友率越高就可以说明用户之间的关系越密切。

可以得到如图公式3.3.2所示结果

   （公式3.3.2）

对于好友的熟悉程度的不同影响着验证好友的通过率。可以看出手机通讯录里的好友和用户本身通过自身搜索微信号进行添加的好友可以视为与该用户社会关系较强的一方，而通过LBS附近的人，摇一摇，漂流瓶方式添加的好友在该用户社会关系中则处于较弱的一方。

我们在研究无向有权网络的特性时，对信息流的掌控需要考虑到社交关系强度，社交影响力，社交亲密程度以及信息流强度等多个方面。在此，我们重点研究通信强度来衡量用户间的强弱链接关系，我们用用户间的交互频率来量化用户间的信任度，根据【基于】，我们定义两节点，之间的平均通信强度为，设一段时间t内某节点用户与节点用户之间相互收发消息，那么我们可以得知=1,节点间的平均通信强度可以作为节点间关系强弱的衡量，我们对平均通信强度做出的量化就可以看做是对节点强弱关系的量化。

 

图3.3.2

如图3.3.2，横坐标表示节点间的社交关系强度，纵坐标表示节点的社交影响力，图中气泡大小表示了不同方式所添加的好友的平均通信强度，气泡越大说明该方式下添加的用户间关系更强，那么该用户所发出的信息对其的影响力更大。由于与社交关系强度间的关系成正向关系，通过与不同场景下添加好友的通过率进行比较，我们发现通过率对平均通信强度有正向的影响。验证好友通过率越高，平均通信强度越大。在现实社交中，我们通过不同的方式添加各类好友，我们对其的熟悉程度，社会关系也有所不同，在这些社交关系场景中，产生了大量的信息交互。我们发现，较大的例如手机通讯录，搜索微信号等方式添加的多为自己现实生活中的好友，亲人，而较小的例如通过LBS，漂流瓶等方式添加的多为不曾相识的陌生人，我们按照此方法量化用户间链接关系的强弱。那么根据以上实验结果，我们可以得知节点间的链接关系对舆情的传播有正向的影响。即节点间的关系越强，该节点间的舆情信息更有可能得到传播。

3.4节点度值对传播过程的影响

由于我们所研究的网[]络均为无向网络，把节点度理解为节点的邻边数，在建模的过程中，节点度值k，

3.5 模型

通过上述对微信舆情传播过程的分析，在整个网络结构中，未知节点（），传播节点（）和免疫节点()间的信息交互是舆情传播的关键，我们用表示作为传播节点的，用表示作为免疫节点的，用表示作为未知节点的，那么我们用公式3.5的来表示整个传播过程：

                               （公式3.5）

如公式3.5所示，传播节点遇到未知节点在产生信息交互的过程中，未知节点相信并主动传播该信息的概率为，之后未知节点转变为传播节点。传播节点与传播节点产生信息交互，在免疫概率的作用下，由于传播节点或对该信息不感兴趣或已经接受过该信息，传播节点在此时有概率会转变为免疫节点。传播节点在与免疫节点产生信息交互时，由于免疫节点已经对该信息丧失传播性，那么传播节点原来的传播状态有存在免疫概率使其转变为免疫状态，成为免疫节点。而传播节点本身由于信息自身不能永远传播下去，有限网络内信息传播总是程衰减趋势及其本身对该信息逐步丧失兴趣等因素，当传播节点对该信息逐步免疫，那么在其自身衰减性的作用下，其本身也会逐步从传播状态转变为未知状态，即成为免疫节点。

我们通过从微观角度构建不同状态下的节点间的信息传播模型模拟不同场景中的舆情传播情景，由公式3.5得到的传播节点，未知节点，免疫节点间的相互转化，当网络中存在的节点数量足够大时，在整个舆情传播过程中，按照传播节点，未知节点，免疫节点分类所有用户节点并模拟其间的转化关系使得整个传播过程简洁清晰。

本章重点描述了所构建的传播模型在信息传播过程中的状态转化，在实际的微信网络中，结合之前在考虑强弱关系对传播过程的影响中引入平均通信强度对于个体间关系强弱进行量化，在建立模型的基础上加入对社会因素的考虑，即量化了各参数与舆情传播的关系。

4.案例实证分析

2016年4月14日，NBA著名球星科比布莱恩特用一场60分的得分表演，为自己的NBA职业生涯画上了完美句号，各大公众账号在第一时间发布了各类缅怀科比的文章，并在微信群和公众平台进行推广。微信朋友圈也瞬间被刷屏，网友及各类公众账号对该事件纷纷进行转发并分享，次数达数百万。为满足大众对于该事件前后的了解，各类门户网站还对科比的生平做了简述，部分公众平台等还为此事件专门制作视频。科比最后一场比赛的数据和相关评论也得到广泛传播，我们利用微信用户所构成的网络结构来分析该舆情的传播。

如图4所示，科比退役事件在接下来几天中的传播程度随着事件的变化图。2016年4月14日当天，科比退役事件就在微信中产生了巨大的传播量，直至15日，关于该事件的关注仍然居高不下，无论是个人用户或者是公众账号都对于该事件做出了很强的反应，关于该事件的文章或相关内容被大量转发评论和传播。在4月16日关于该事件在微信上引起的关注度仍未降低，当天的转发传播量仍然高达近百万，随着时间的推移该事件的传播程度逐渐变缓，但关于该事件的相关文章和话题量仍然惊人。

根据我们定义的微信网络结构的小世界特性，信息的传播在节点度较大，节点间关系强度较强的节点上进行传播扩散时所引起的社会反应更大，引起了更大的转发，评论和传播量，从图4可以看出，关于该信息的传播在前三天引起的舆论增长呈现爆炸式，这也在另一方面说明了微信舆情在其网络结构传播中传播的平均路径很短。我们进一步利用复杂网络拓扑结构对其进行分析，根据我们所定义的网络拓扑结构，根据该节点在该网络结构中身处地位的不同，其自身的影响力也不同，而信息在整个复杂网络中拥有怎样的影响力，与该节点的节点度值，该微信网络的平均路径长度等都息息相关。

图4 舆情网络传播

5.总结与展望

5.1论文的总结

在新兴媒体和各类社交方式的推动下，微信以智能手机为基础，具有着其独特的功能并带给用户便捷的体验。这种新兴的社交方式使得微信舆情在交互过程中变得更加复杂多样并带有极强的不确定性。这种以节点和线所构建的模型模拟出的微信网络关系，突破了传统的传播方式的局限，使舆情在个人用户，媒体，企业间的流动变得更为便捷。研究在基于对社会学，新闻与传播学，复杂网络理论等的研究上，对具体的微信舆情传播机制做了更为深入的研究，并在建模过程中对微信舆情传播的影响因素做了表现。

研究基于对网络基本的拓扑结构分析，利用复杂的网络规则对微信网络进行了定义，根据我们所研究的无向网络的特点，将微信网络中用户间的关系用节点和线来表示，并提出了节点度，聚集系数，平均路径长度三个关键要素，通过对微信网络用户结构图的分析进一步分析微信舆情的传播机制。在具体研究网络舆情的传播时，构建了相关模型，在分析社交网络中用户相互之间信息交互的基础上，总结出了微信网络的特性，通过分析所构建的模型发现：节点度值，用户关系的强弱，连接权重等因素都对信息交互过程造成了一定影响。可以得出：用户参与舆情接收与传播过程越积极，用户间关系越强，传播链路的权重值越大，该个体相信并主动传播舆情的几率就越高。另外，研究对微信舆情的传播过程中某些特征量进行了量化与定义，由于个体情绪，内在因素及个体认知水平等客观因素对研究的结果会产生一定影响，因此对于已掌握的真实数据的研究就显得极为重要。本文通过对微信舆情传播机制的分析，把网络传播这种虚拟化的传播过程通过建模表现了出来，微信是一种基于强弱关系的链接，这种信息的交互模式使得舆情在传播过程中具有极强的扩散能力和多样性，再加上传播个体具有不同的认知水平，社会经历等特征，使得微信舆情的传播变得更加难以捉摸，我们对于微信舆情的掌控就变得极为复杂。分析微信网络的拓扑结构特性与微信舆情的传播机制使我们掌握了舆情传播的大体脉络，认识其传播过程并掌握其影响因素也为我们进一步掌握并利用微信舆情的传播提供了有价值的参考。也为更好的实现微信舆情的监控与引导，提供了技术支持。

5.2未来展望

微信复杂网络的特性还有很多，与其他社交平台进行综合对比对于掌握其特点也有着重要意义。研究微信舆情的传播特点，通过对静态的网络拓扑研究，建立模型分析舆情传播机制，在面对现实生活中的突发问题及用户群的话题内容预测方面是否适用仍有待考证。本文的研究大多集中于对网络特性，舆情传播特性进行研究，而对社交网络内容，用户偏好的考虑仍有很大的不足，因此，如何把社交网络中对大数据的处理与舆情的传播综合考虑，多维度的分析节点的影响力和舆情特性，对于未来进一步研究社交网络中的问题发现和话题预测都有着极为重要的意义。

的权重值越大，该个体相信并主动传播舆情的几率就越高。另外，研究对微信舆情的传播过程中某些特征量进行了量化与定义，由于个体情绪，内在因素及个体认知水平等客观因素对研究的结果会产生一定影响，因此对于已掌握的真实数据的研究就显得极为重要。本文通过对微信舆情传播机制的分析，把网络传播这种虚拟化的传播过程通过建模表现了出来，微信是一种基于强弱关系的链接，这种信息的交互模式使得舆情在传播过程中具有极强的扩散能力和多样性，再加上传播个体具有不同的认知水平，社会经历等特征，使得微信舆情的传播变得更加难以捉摸，我们对于微信舆情的掌控就变得极为复杂。分析微信网络的拓扑结构特性与微信舆情的传播机制使我们掌握了舆情传播的大体脉络，认识其传播过程并掌握其影响因素也为我们进一步掌握并利用微信舆情的传播提供了有价值的参考。也为更好的实现微信舆情的监控与引导，提供了技术支持。

5.2未来展望

微信复杂网络的特性还有很多，与其他社交平台进行综合对比对于掌握其特点也有着重要意义。研究微信舆情的传播特点，通过对静态的网络拓扑研究，建立模型分析舆情传播机制，在面对现实生活中的突发问题及用户群的话题内容预测方面是否适用仍有待考证。本文的研究大多集中于对网络特性，舆情传播特性进行研究，而对社交网络内容，用户偏好的考虑仍有很大的不足，因此，如何把社交网络中对大数据的处理与舆情的传播综合考虑，多维度的分析节点的影响力和舆情特性，对于未来进一步研究社交网络中的问题发现和话题预测都有着极为重要的意义。