人机传播视域网络舆情传播模型【附代码】

✨ 长期致力于网络舆情传播、社交机器人、动力学模型、数据挖掘、国际舆论场研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）提取Twitter平台猴痘疫情推文中社交机器人的传播特征：

使用公开API爬取229690条推文，部署Botometer API检测社交机器人，标注出占比百分之十四点二的机器账户。对比人类与机器账户的社交行为：机器人平均每小时发帖量为三点四条，是人类的一点七倍；情感倾向分析使用VADER工具，机器人推文负面情感得分平均值零点六二，人类为零点四一。社交网络构建采用节点度分布，机器人节点的平均度数为四十八，高于人类的二十二。机器人倾向于在推文中使用话题标签与短链接，平均每条推文含三个标签。通过时间序列分析，机器人活动高峰出现在UTC时间凌晨二时至五时，疑似自动化调度。这些特征为后续建模提供参数依据。

（2）构建机器账户-人类账户双层耦合的SAIASA-SBEBIBRB动力学模型：

将用户分为易感态、听闻态、转发态、沉默态等共八种状态，机器人层与人类层通过耦合系数交互。感染率在机器人层内为每天零点三，人类层内为每天零点一五，层间交叉感染率为零点零八。恢复率与遗忘率参数依据推文生命周期估计，平均记忆时长为二点五天。使用Matlab生成无标度网络，节点数一千，度分布幂指数二点二。数值模拟初始设置百分之五的人类为听闻态，百分之二机器人为听闻态。运行两百步后，机器人层传播峰值提前十步到达，峰值感染率达到百分之六十二，人类层峰值百分之四十一。移除耦合项后，人类层峰值降至百分之二十九，证明机器人对舆情传播的催化作用。

（3）建立竞争与捕食关系下的社交机器人传播正面/负面舆情的Lotka-Volterra改进模型：

将正面信息视为种群P，负面信息为种群N，社交机器人为捕食者S。微分方程组包含信息间的竞争系数与机器人对负面信息的偏好捕食系数。参数通过真实数据拟合得到：正面自然增长率零点一，负面零点一五，竞争系数零点三。机器人对负面信息的捕食率设为零点四，对正面为零点一。稳定性分析显示存在三个平衡点，其中混合共存点的雅可比矩阵特征值实部为负表示稳定。数值模拟初始正面信息密度零点三，负面零点五，机器人密度零点一。演化一百天后，负面信息密度降至零点二一，正面升至零点六七，机器人密度稳定在零点三五。干预措施模拟表明，当监管算法降低机器人负面偏好系数至零点一以下时，负面信息峰值下降百分之五十八。据此提出针对社交机器人的算法治理策略，包括限制自动化转发频率与情感倾向校准。

import numpy as np from scipy.integrate import odeint class TwoLayerModel: def __init__(self, beta_hh=0.15, beta_rh=0.08, gamma=0.1): self.beta_hh = beta_hh # 人类层内感染率 self.beta_rh = beta_rh # 机器人到人类感染率 self.gamma = gamma def deriv(self, y, t, N_h, N_r): S_h, I_h, R_h, S_r, I_r = y dS_h = -self.beta_hh * S_h * I_h / N_h - self.beta_rh * S_h * I_r / N_r dI_h = self.beta_hh * S_h * I_h / N_h + self.beta_rh * S_h * I_r / N_r - self.gamma * I_h dR_h = self.gamma * I_h # 机器人层简化，机器人自身感染率高 beta_rr = 0.3 dS_r = -beta_rr * S_r * I_r / N_r dI_r = beta_rr * S_r * I_r / N_r - 0.2 * I_r return [dS_h, dI_h, dR_h, dS_r, dI_r] def lotka_volterra_info(z, t, alpha_p, alpha_n, beta_p, beta_n, gamma_pn, gamma_np, delta_p, delta_n): P, N, S = z dP = alpha_p * P - beta_p * S * P - gamma_pn * P * N dN = alpha_n * N - beta_n * S * N - gamma_np * P * N dS = delta_p * S * P + delta_n * S * N - 0.05 * S return [dP, dN, dS] if __name__ == '__main__': model = TwoLayerModel() N_h = 1000 N_r = 200 y0 = [800, 50, 150, 180, 20] # 初始状态 t = np.linspace(0, 50, 500) sol = odeint(model.deriv, y0, t, args=(N_h, N_r)) peak_human = np.max(sol[:,1]) peak_robot = np.max(sol[:,4]) print(f'人类感染峰值: {peak_human:.0f}, 机器人感染峰值: {peak_robot:.0f}') # 正面负面模型 z0 = [0.3, 0.5, 0.1] t2 = np.linspace(0, 100, 1000) sol2 = odeint(lotka_volterra_info, z0, t2, args=(0.1, 0.15, 0.1, 0.4, 0.3, 0.3, 0.1, 0.1)) print(f'100天后正面信息密度: {sol2[-1,0]:.2f}, 负面: {sol2[-1,1]:.2f}')