文档介绍：该【基于多Agent和改进Deffaunt模型的信息传播建模与仿真 】是由【史湘云】上传分享，文档一共【6】页，该文档可以免费在线阅读，需要了解更多关于【基于多Agent和改进Deffaunt模型的信息传播建模与仿真 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: ******@
Computer Systems & Applications,2021,30(2):237−242 [doi: .]-s-
©: +86-10-62661041
 
 
基于多Agent和改进Deffaunt模型的信息传播
建模与仿真①
王 润,  赵 军
(宁夏大学 信息工程学院, 银川 750021)
通讯作者: 赵 军, E-mail: ******@
摘 要: 研究社会化营销中的信息传播对提出合理策略建议、提升企业竞争力有重要意义. 信息传播是一个存在个
体交互的复杂过程, 多数信息传播模型中对现实情况做了较多的简化, 没有考虑个体的异质属性对信息传播的影
响, 也无法体现个体间的交互, 本文从复杂系统的角度研究信息传播过程, 运用多Agent方法建立信息传播模型, 并
基于改进的Deffaunt模型建立多Agent交互机制, 通过模拟仿真分析了不同因素对信息传播的影响, 发现个体的异
质属性、个体间的相互影响力以及外界环境的因素对信息传播的速度和范围均有一定的影响..
关键词: 社会化营销; 信息传播; 多agent; 交互; 仿真
引用格式:  王润,,2021,30(2):237–242. -s-
-3254/
ModelingandSimulationofInformationDisseminationBasedonMulti-AgentandImproved
DeffauntModel
WANG Run, ZHAO Jun
(College of Information Engineering, Ningxia University, Yinchuan 750021, China)
Abstract: Studying the information dissemination in social marketing is of great significance in putting forward
reasonable strategy suggestions and enhancing the competitiveness of enterprises. Information dissemination is a complex
process that involves individual interaction. Most information dissemination models simplify the reality, failing to
consider the influence of individual heterogeneity on information dissemination, nor can they reflect the interaction
between individuals. This work studies the information dissemination process from the perspective of a complex system,
uses the multi-Agent method to establish the information dissemination model, and builds the multi-Agent interaction
mechanism based on the improved Deffaunt model. Also, this study analyzes the influence of different factors on
information dissemination through simulation, and finds the individual heterogeneous attributes, mutual influence
between individuals, and external environmental factors all have influence on the speed and scope of information
dissemination.
Keywords: social marketing; information dissemination; multi-Agent; interaction; simulation
 
在线社交平台是人们日常生活中使用最为普遍的略、广告投放、舆情监控、精准营销等方面都有着重
应用软件, 基于社交媒体平台的社会化营销也成为了要意义.
现代化社会中企业必不可少的营销方式. 研究企业社由于和传染病传播的过程非常相似, 所以对于信
会化营销背景下的信息传播对于企业在制定营销策息传播过程的研究通常基于传染动力学模型展开, 如
① 基金项目: 国家自然科学基金(71461025)
Foundation item: National Natural Science Foundation of China (71461025)
收稿时间: 2020-06-27; 修改时间: 2020-07-27; 采用时间: 2020-08-10; csa在线出版时间: 2021-01-27
Research and Development 研究开发 237
万方数据
计算机系统应用-s- 年 第 30 卷 第 2 期
SIS[1]、SIR[2]等. 该类模型为数理模型, 通过将信息传1   多Agent模型研究
播分为几个不同阶段, 
描述传播行为. 传播模型对现实情况做了一定的简化,本文首先借鉴动力学模型的建模思想, 对社会化
无法满足快速发展时代的研究需求, 因此学者们结合营销背景下的信息传播过程进行分析, 将其用不同个
现实情况, 并基于具体的研究背景和情境, 对个体状态体状态之间的转换来表示, 并考虑个体属性、环境等
以及属性的分析将信息传播阶段进行进一步的划分,多种因素构建更为准确的多Agent信息传播模型.
建立了许多新的信息传播模型, 如SEIR[3]、SCIR[4]
然而改进模型仍属于数理模型, 通常不考虑参与个体进行, 平台一般提供了多种信息传播渠道, 因此用户接
本身的一些属性以及环境因素对信息传播过程的影响[5],触信息也就有了多种方式. 以微博为例, 在微博中, 企
模型的仿真结果也通常只展现了宏观的信息传播规律,业发布信息有不同渠道, 比如微博入口、大视窗等的
没有反映出过程中的个体交互, 从而无法准确刻画企广告推送, 另外微博还通过与一些“大V”用户合作让
, 而这些“大V”用户都可以看
信息传播是一个比较典型的复杂系统演化过程,作传播态个体, 其它的广告机制则可以统一看作存在
其中的个体具有思考、决策能力, 在社会关系网络中,于营销环境中的广告信息, 因此在微博情境下的用户
个体间的交互是必然存在的, 因此在社会化营销背景的信息接触模式有两种: 接触传播态个体和接触环境
下的信息传播过程也涉及到个体的选择决策以及个体中的信息. 不同于传播态个体, 环境中的信息不具有自
交互过程. 研究发现, 个体会对新发布的信息产生一个主性, 而是在环境中的某个地方固定存在.
初始观点, 并且在和其他个体的交流互动过程中不断为了更直观地区分两种信息接触模式, 将未知态
进行观点的调整[6,7], 因此在信息传播过程中, 个体之间的个体进行进一步划分, 使信息传播中存在两种通过
会进行非线性观点交互, 并以内部观点的变化为驱动不同方式获知信息的未知态用户. 现实世界中的个体
力而形成外在对信息的处理决策, 进而形成了宏观上通常为具有决策能力和选择行为的理性个体, 所以未
的复杂信息传播过程, 因此有必要借助观点交互模型知态个体获知信息后, 称为观望态个体, 观望态个体受
建立交互机制, 从而更好地还原信息传播过程中的个到多种因素的影响, 进行综合决策后发生内在观点的
体交互过程. 对于观点演化的研究, 更多都基于连续观转变, 进而成为传播态个体, 传播态个体停止传播信息
点模型展开[8,9]. 观点体现了个体的选择倾向性, 而个体后, 成为免疫态个体.
的选择倾向性不是阶跃变化的, 在复杂环境中的个体为了方便表示, 将不同的状态用不同的符号代替:
是否选择传播信息, 往往经历了潜移默化的过程在会S1: 未知态1; S2: 未知态2; O: 观望态; I: 传播态; R: 免
产生最终的选择[10], 连续观点更能体现个体内部观点疫态. 综上所述, 社会化营销中用户的状态的变化过程
循序渐进的变化过程, 因此, 本文也基于连续观点模型如图1所示.
 
对信息传播过程中个体观点的演化进行研究.
S1
多Agent方法能够建立具有自主性和一定行为的
个体模型, 并通过设定一些规则让系统在一定环境下接触环境信息
传播停止
自发演化, 然后考察系统演化过程中涌现出来的若干OIR
信息传播
性质. 这种基于局部个体空间相互作用的模型, 是研究
接触传播态个体
复杂系统整体行为的有效手段, 在研究信息传播问题
 
本文构建的信息传播模型基于复杂系统建模思想,
图1    企业社会化营销中的信息传播过程
综合考虑社会化营销中的个体属性、环境等因素, 改进 
Deffaunt经典观点交互模型, 
征和个体间的交互, 建立有效的信息传播多Agent仿真本文用多Agent建模与仿真的方法研究信息传播,
模型, 从而对自主性个体的异质性、个体间的复杂交互把用户在现实世界参与社会化营销而出现的状态转换
, 结合己有知识和经验, 通过对原型
238 研究开发 Research and Development
万方数据
2021 年 第 30 卷 第 2 期-s-
系统的分析, 确定主体种类, 外部环境以及系统边界,值在规定的范围内才可以进行观点交互, 在某一时刻,
从而形成一个初始的系统总体模型. , 并将当前时
息传播过程的分析, 本文设计多Agent系统模型如图2刻的自身的观点值与其邻居观点值的差值之和作为下
. 在社会关系网络中个体之间通常是
 
进行点对点式的交流, 而非群体交流, 已有的研究中个
信息S1Agent体观点的演化一般也基于Deffaunt模型进行研究[10–12],
所以本文后续将基于Deffaunt模型来研究多Agent模
OAgent
企业Agent信息型中从观望到传播过程的个体交互机制.
IAgentS2Agent设个体i的观点在当前时刻t表示为opi(t), 另一
信息个可交互个体j的观点在当前时刻t表示为opj(t), 发
RAgent
环境Agent生交互后, 在t+1时刻, 个体i的观点如下式:
 
+=+µ·−
图2    多Agent总体模型opi(t1)opi(t)[opj(t)opi(t)](1)
 
式中, 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.
类, 另外基于对企业社会化营销原型系统的分析, 还考
(2) Deffaunt模型
虑到了实际情况中的信息发布者—企业, 以及包含了
传统Deffaunt模型中的恒定值µ作为收敛参数, 反
所有企业和用户个体在内的环境. 模型中, 所有Agent
映了个体对另一个个体的观点影响力, 而在实际的交
都存在于环境Agent中, 企业作为信息源, 发布信息到
互情形中, 异质个体间的观点影响力并不对等, 因此须
环境中, 不同状态的用户根据一定的规则发生状态改
考虑多方面因素, 给出相应的函数来更为准确的描述
变. 可以看到, 总体模型中各个离散的系统成员通过信
观点影响力.
息传播机制被组织起来, 形成相互联系的动态松散多
由于受到个体年龄、性格、心理、地位和对信息
Agent组织结构.
的掌握、分析能力等因素的影响, 导致不同的人对自
总体模型由4部分组成: (1)不同状态的用户个体
己观点的坚持程度有所不同, 在群体内部甚至会存在
Agent; (2)环境Agent; (3)企业Agent; (4)主体关系.
观点极难或者极易改变的极端个体. 为此本文给每个
用户Agent由个体标识、属性、规范库、行为组
个体设定一个观点的“坚定程度”, 用insist来表示.
成, 具体表示为<ID, Name, Attributes, Norm Base,
在现实生活中经常存在着“人以群分”的现象, 具
Behaviors>.
有一定相似性的个体彼此通常会有较高的信任度, 所
企业Agent和环境Agent主要由属性和行为组成,
以本文引入信任因子, 来衡量人际间的相互信任程度.
具体表示为< Name, Attributes, Behaviors>.
用trust来表示信任程度, op表示个体i的观点值, op
主体关系是模型中主体之间的交互关系, 如模型ij
表示个体j的观点值, 信任程度具体表达式如下:
中的实线表示主体间信息传播的方向, 虚线表示主体
=− −
(2)
本文对多Agent模型做以下几点假设:个体的影响力是研究社会关系网络中信息传播时
(1)本模型不局限于某一特定行业市场;经常被考虑到的因素[13–15], 在社会化营销背景下, 社会
(2)假设在整个过程中无新个体的产生和旧个体化媒体平台中的个体通常也都有着不同的影响力, 影
的消失, , 信息受众面比
较广, 影响力对信息传播有着重要影响, 因此本文也对
2   交互机制研究个体影响力加以考虑, 并用aut表示.
, 本文在综合考虑信任程度、观点坚持度和
(1) Deffaunt模型个体权威度对信息传播影响的基础上给出个体影响力
Deffaunt模型是一种连续观点模型中的两两交互函数. f(i,j)表示I类个体j对O类个体i的影响, 用autj
模型, 模型遵循有限信任原则, 认为两个个体的观点差表示I类个体j的权威度, 其他参数同上. 具体表达式如下:
Research and Development 研究开发 239
万方数据
计算机系统应用-s- 年 第 30 卷 第 2 期
( )
trust 外, 企业在微博中的其他广告机制也进行了信息的投放.
f(i,j)=·ω· opi·insisti−opj·insistj +φ·autj
Maxtrust从以上实例可以分析出共有企业、环境、用户
(3)
3类主体, 用户有两种信息接触模式, 而主体之间存在
函数中参数ω表示观点坚持度的影响在整体影响
着信息传播过程.
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. 个体间进行交互之后, 观点值调整为:
( )对于社交网络的结构特性, 包括微博中的网络结
+=+,· −
opi(t1)opi(t)f(ij)opi(t)opj(t)(4)构, 有很多学者通过获取真实数据, 并对所形成的网络
在多Agent模型中, 对O类个体设计了两种交互拓扑结构进行分析, 发现真实的社交网络基本具有小
关系, 除了与I类个体交互之外, O类个体还可与环境世界网络和无标度网络的综合特性[5,11,15]. 如文献[15]
交互, 通过环境中信息的影响, 发生内部观点的转变,利用真实数据分析了包含5400个用户节点在内的微
所以给出O类个体与环境交互时的观点调整方式: 假博关系网络拓扑结构特征, 发现每个用户的平均好友
设O类个体i在t时刻的观点值为opi(t), 信息的吸引量为48, 将用户被关注的程度看作网络中的出度, 出度
力为acn, 引入对信息的信任因子α, 在t+1时刻, 个体呈现幂率分布, 即少数用户有较多的被关注量, 而大多
i的观点值为:数用户的被关注量较少, 另外网络整体有较大的聚类
系数和较小的平均路径. 本文利用以上数据, 在多Agent
opi(t+1)=opi(t)+α·acn(5)
模型中通过一定的规则让Agent之间的关系符合微博
中关系网络的一些结构特征, 从而构建仿真网络.
根据多Agent模型中的交互关系, 并结合基于改
首先在Swarm平台中生成807个均匀分布于二
进Deffaunt模型的观点交互机制, 给出整体的多Agent
维网格中的异质Agent, 用以代表个体在社会网络中的
交互规则, 如表1所示.
 不同位置, 每个Agent可以朝着任意方向进行移动, 和
表1     多Agent交互规则
 其他Agent的每一次接触是两个Agent之间的交互,
交互主体具体规则
和网格中代表信息的固定元素的每一次接触是
Whenever <接触信息>If <为理性S1类个体> To <成为
S1与环境
O类个体>Agent与环境之间的交互. 给不同的Agent的可移动范
Whenever <接触I类个体>If <为理性S2类个体> To <成围和步长进行限制设定不同的可移动范围使
S2与I, , Agent
为O类个体>
能够与在一定范围内的其他Agent进行交互, 从而模
Whenever <接触信息> If <为非理性S1类个体> To <成
S1与环境
为I类个体>拟微博中的关系网络结构. 首先使代表普通用户的多
Whenever <接触I类个体>If <为非理性S2类个体> To数Agent的可交互Agent数量在较小的范围内, 而代
S2与I
<成为I类个体>表媒体用户的少数Agent则有较大的可移动范围, 使
Whenever <接触I类个体> If <为O类个体> Then <更新
O与I其有更多的可交互Agent, 通过该方式来模拟度的幂率
观点值>If< >To <成为I类个体>
Whenever <接触信息> If <为O类个体> Then <更新观点分布; 另外在在一定范围内的多个Agent都有相互交
O与I环境
值>If< >To <成为I类个体>互的可能性, 可看作是网络中一个节点的多个邻居节
Whenever <接触I类个体> If <为I类个体> To<成为R类
I与I点之间也有一定的连接关系, 从而也模拟了真实网络
个体>
聚类系数较大的特征.
3   信息传播模型的仿真实现仿真实例中提到企业通过与自媒体用户进行合作
, 因此在多Agent系统初始化时,
某企业为了提高关注量, 提升企业知名度, 欲在微应当生成一些传播态个体来代表自媒体用户, 这些用
博平台上进行社会化营销活动, 活动通过“转发抽奖”户具有较高的影响力, 因此对其设定较高的权威度. 企
的方式进行, 即用户将营销活动信息进行转发后, 就可业也通过一些平台广告机制进行信息传播, 这一点在
成为抽奖参与者, 有机会获得由企业提供的奖品. 为了多Agent系统中应有所体现, 可在swarm平台中生成
使活动更好地进行, 企业和微博中具有一定粉丝基础一些固定的值用以表示广告信息. 在系统演化初期, 大
的一些自媒体用户进行合作, 让其帮助信息的扩散, 另部分个体都为未知态个体. 根据以上描述, 给定不同类
240 研究开发 Research and Development
万方数据
2021 年 第 30 卷 第 2 期-s-
型Agent的初始密度, 具体为:
s1t=, s2t=, ot=0, it=, rt=0.
 
S2Agent
OAgent
密度RAgentt
(a)观点坚持度取值区间为[,]
Agent
0
0100200
t
 
图3    信息传播过程
密度
 
从仿真结果中可以看到, 未知态个体总体呈减少变
化趋势, 观望态和传播态个体呈现先增加后减少的变化
0100200300
趋势, 免疫态个体则一直在增加. 除了能够观察到宏观t
上的个体密度变化, 还能够看到每一类个体密度在变化(b)观点坚持度取值区间为[,]
 
过程中存在着一些波动, 这些波动由异质个体间的交互
图4    个体观点坚持度对信息传播过程的影响(OAgent)
而引起. 通过多Agent模型对信息传播过程进行模拟仿 
真, 能够反映信息传播宏观规律和过程中的个体交互.
对整体信息传播过程进行仿真之后, 再对一些参
数进行不同的设定, 
(1)
所示. 图4(a)为观点坚持度在区间[, ]中取值, 图4(b)
为观点坚持度在区间[, ]中取值. 将两个仿真结果0100200300
进行对比, 能够看到观点坚持度较低的情况下观望态t
(a)
个体的密度峰值高于观点坚持度较高的情况下观望态
个体的密度峰值, 说明当群体的整体观点坚持度水平较
高时, 
(2)广告覆盖率对信息传播过程的影响如图5所
示. 图5(a), 图5(b)为广告覆盖率密度
. 将两个仿真结果进行对比, 
率越高, 传播态个体密度的峰值越高, 即信息传播越快.
(3)个体权威度对信息传播过程的影响如图6所0100200
示. 仿真结果给出了分别在权威度水平整体较低和权t
(b)
威度水平整体较高的情况下传播态个体密度的变化情 
况. 图6(a)为权威度在区间[, ]中取值, 图6(b)图5    广告覆盖率对信息传播过程的影响(IAgent)
为权威度在区间[, ]中取值. 从仿真结果中可以
看到, 权威度影响到传播态个体密度的峰值, 当权威度4   结论与展望
较高时, 传播态个体密度的峰值越高, 说明权威度越高,本文针对目前信息传播模型存在的问题, 研究了
, 引入多Agent建模理论
Research and Development 研究开发 241
万方数据
计算机系统应用-s- 年 第 30 卷 第 2 期
和方法, 从微观角度分析Agent的属性和行为, 并基于参考文献
改进的观点交互模型构建了Agent之间的交互规则,1Saha A, Sindhwani V. Learning evolving and emerging
然后基于Swarm仿真平台对信息传播多Agent模型进topics in social media: A dynamic nmf approach with
行模拟仿真, 研究了社会化营销背景下信息传播过程temporal regularization. Proceedings of the 5th ACM
International Conference on Web Search and Data Mining.
的宏观规律, 另外, 通过改变多Agent模型中的参数值,
Seattle, WA, USA. 2012. 693–702.
对几种不同影响因素对信息传播过程的影响进行了仿
2Rosen-Zvi M, Griffiths T, Steyvers M, etal. The author-topic
真分析, 根据分析结果, 可以对企业社会化营销提出以
model for authors and documents. Proceedings of the 20th
下几点策略建议.
 Conference on Uncertainty in Artificial Intelligence.
Arlington, MA, USA. 2004. 487–494.
3张发, 李璐, 宣慧玉. 传染病传播模型综述. 系统工程理论
与实践, 2011, 31(9): 1736–1744. [doi: -6788
(2011)9-1736]
密度4顾亦然, 夏玲玲. 在线社交网络中谣言的传播与抑制. 物理
学报, 2012, 61(23): 544–550.
5丁学君. 基于SCIR的微博舆情话题传播模型研究. 计算
机工程与应用, 2015, 51(8): 20–26, 78. [doi: .
0100200300
t1002--0404]
(a)个体权威度取值区间为[,]6Liu QP, Wang XF. Social learning with bounded confidence
and heterogeneous agents. Physica A: Statistical Mechanics
 its Applications, 2013, 392(10): 2368–2374. [doi: 10.
1016/]
 E, Zadorozhny V. Adaptive social learning based
on crowdsourcing. IEEE Transactions on Learning
密度
Technologies, 2017, 10(2): 128–139. [doi: .
2515097]
8刁苏蒙. 社交网络中个体交互行为和观点演化模式研究
0100200300[博士学位论文]. 北京: 北京交通大学, 2016.
t
9Si XM, Liu Y, Xiong F, etal. Effects of selective attention
(b)个体权威度取值区间为[,]
 on continuous opinions and discrete decisions. Physica A:
图6    个体权威度对信息传播过程的影响(IAgent)Statistical Mechanics and its Applications, 2010, 389(18):
 
3711–3719. [doi: .]
(1)企业可采取一定的手段提高客户忠诚度, 使客
10Yang YC, Dimarogonas DV, Hu XM. Opinion consensus