吳 鵬,強韶華,高慶寧

(1.南京理工大學(xué)經(jīng)濟管理學(xué)院，江蘇 南京 210094；2.安全預(yù)警與應(yīng)急聯(lián)動技術(shù)湖北省協(xié)同創(chuàng)新中心,湖北 武漢 430070；3.江蘇省社會公共安全科技協(xié)同創(chuàng)新中心，江蘇 南京 210094；4.南京工業(yè)大學(xué)經(jīng)濟管理學(xué)院，江蘇 南京 211800)

1 引言

目前，網(wǎng)絡(luò)輿情對于社會公共事件的發(fā)展有著重要的影響，其中網(wǎng)民群體是推動網(wǎng)絡(luò)輿情演變的行為主體，而網(wǎng)民群體的負面情感是網(wǎng)絡(luò)輿情的重要特征之一[1]，如果不加以正確引導(dǎo)，極有可能造成公共危機，尤其政府的應(yīng)急響應(yīng)對于網(wǎng)民的負面情感演變有著巨大的影響力[2-3]。

關(guān)于面向網(wǎng)民負面情感的政府應(yīng)急響應(yīng)研究，現(xiàn)有研究主要從危機管理角度，在理論層面進行影響要素和危機響應(yīng)階段的研究，主要成果有Benoit[4]和Hearit[5]的形象修復(fù)理論，Coombs[6]情境危機傳播理論(Situational Crisis Communication theory，SCCT)，以及Jin Yan和Liu[7]提出的BMCC(The Blog-Mediated Crisis Communication Model)模型，但是現(xiàn)有的研究缺少對網(wǎng)民群體負面情感行為決策轉(zhuǎn)換規(guī)律的研究，尤其缺少結(jié)合政府應(yīng)急管理對網(wǎng)民群體行為決策轉(zhuǎn)換規(guī)律的建模與仿真研究。

SOAR(State，Operator and Result)模型是由Allen Newell研究團隊提出的一種構(gòu)建人工智能系統(tǒng)的理論認知模型。SOAR模型既從心理學(xué)角度對人類認知建模，又從知識工程角度提出一個通用解題結(jié)構(gòu)，其借用人工智能領(lǐng)域中“問題空間”的概念，將認知行為看作相應(yīng)問題空間中狀態(tài)隨時間的連續(xù)轉(zhuǎn)換過程[8]，目前已經(jīng)被廣泛應(yīng)用到人工智能和認知科學(xué)領(lǐng)域，并取得了顯著的成果。在人工智能領(lǐng)域，研究者將SOAR模型作為開發(fā)具有學(xué)習、推理能力的Agent的工具；在認知科學(xué)領(lǐng)域，研究者使用SOAR模型對群體認知過程建模，很好的展現(xiàn)Agent行為轉(zhuǎn)換過程[9]。

本文基于SOAR模型，將網(wǎng)民作為智能體Agent，將網(wǎng)絡(luò)輿情中網(wǎng)民群體行為轉(zhuǎn)變過程看作相應(yīng)輿情問題空間中狀態(tài)隨時間的連續(xù)轉(zhuǎn)換過程，基于網(wǎng)民負面情感的分析與建模，設(shè)計網(wǎng)民群體負面情感SOAR Agent模型，基于社會和經(jīng)濟規(guī)則理論(Social and Economic Norm)對網(wǎng)民群體進行分類[10]，基于BMCC模型劃分網(wǎng)絡(luò)輿情發(fā)展階段；設(shè)計網(wǎng)民Agent的工作記憶、長期記憶、決策過程、學(xué)習機制，構(gòu)建網(wǎng)民群體行為轉(zhuǎn)換規(guī)則庫和相應(yīng)算法。在此基礎(chǔ)上，設(shè)計仿真實驗，結(jié)合典型網(wǎng)絡(luò)輿情事件案例，對政府不同應(yīng)急措施下網(wǎng)民群體行為演變過程進行仿真，從而驗證本文提出的模型的有效性。

2 文獻綜述

2.1 網(wǎng)絡(luò)輿情演變研究

2.1.1 網(wǎng)絡(luò)輿情演變過程中網(wǎng)民群體行為分類

Elster[10]分析了影響現(xiàn)實社會中人遵守社會準則的因素，他主張通過三個因素來解釋遵守準則這個現(xiàn)象：(1)利己動機，考慮了在個人目標上規(guī)則履行的影響；(2)期望因素，當某些人想要避免處罰或者想要回報時，他會準守準則；(3)情感因素，與內(nèi)在情感比如榮譽(與羞愧對比)和希望(與害怕對比)相關(guān)，很多學(xué)者以此為基礎(chǔ)上研究網(wǎng)民行為特性。Honeycutt和Herring[11]通過對Twitter上用戶發(fā)表的內(nèi)容文本分析，進而研究Twitter如何支持網(wǎng)民之間交互以及網(wǎng)民為什么要在Twitter上發(fā)表信息。Naaman等人[12]在Honeycutt研究的基礎(chǔ)上進行歸納，總結(jié)了4種最常見的信息類型：40%的post中包括的是關(guān)于自己的信息，比如“I′m tired”；25%的內(nèi)容是一些隨想，比如“Blue sky in Winter”；24%的內(nèi)容是表達個人觀點，比如“Great game yesterday”；21%的內(nèi)容是信息分享，比如“New Study on Enterprise 2.0: http:// ...”。在此基礎(chǔ)上，他提出了80%的Twitter用戶能夠被劃分叫做“Me-formers”，他們把自己作為他們溝通的對象，只有20%的人是真正的“In-formers”，他們發(fā)表內(nèi)容是以別的網(wǎng)民的興趣為目標，其發(fā)表內(nèi)容的目的是為了分享信息。相對于Me-formers，In-formers有更多的朋友和粉絲，在社交平臺上更加活躍；In-formers有更高的概率被其他的用戶在他們的信息里提到。隨著Riemer和Richter[13]與Papacharissi[14]等的深入研究，他們也贊成Naaman的觀點，Me-formers大多數(shù)的時候只發(fā)表有利于他們自己目標的或跟自己有關(guān)的博客，并且對評論或轉(zhuǎn)發(fā)別的用戶的博客沒有興趣；In-formers不僅是發(fā)表更多的博客，還評論或轉(zhuǎn)發(fā)別的用戶發(fā)表的內(nèi)容，本文基于Naaman等人的研究成果，根據(jù)網(wǎng)民行為特性將網(wǎng)民劃分為Me-formers與In-formers。

2.1.2 網(wǎng)絡(luò)輿情演變階段

政府應(yīng)急管理涉及網(wǎng)絡(luò)輿情演變的不同階段。對于網(wǎng)絡(luò)輿情演變階段，學(xué)者從不同的研究角度進行了劃分，比較典型的有方付健[15]根據(jù)生命周期理論，將網(wǎng)絡(luò)輿情發(fā)展過程劃分為孕育、擴散、變換和衰減四個階段；Jin Yan等[7]從謠言發(fā)展角度出發(fā)將謠言發(fā)展分為四個階段：Generation、Belief、Transmission和Crisis Recovery；李綱等[16]從系統(tǒng)建模的角度認為網(wǎng)絡(luò)輿情生命周期曲線可以被視作一條連續(xù)曲線，相應(yīng)的函數(shù)是連續(xù)可微的，曲線上的拐點可視為輿情發(fā)展至不同的階段。本文上述研究成果，構(gòu)建網(wǎng)絡(luò)輿情生命周期曲線，如圖1，根據(jù)拐點，將網(wǎng)絡(luò)輿情演變階段分為：產(chǎn)生(Generation)、爆發(fā)(Diffusion)、成熟(Mature)、衰退(Decline)。

2.1.3 網(wǎng)絡(luò)輿情演變過程中政府應(yīng)急管理

政府作為公共事件管理的主體，對網(wǎng)絡(luò)輿情事件的態(tài)度和干預(yù)措施對網(wǎng)絡(luò)輿情發(fā)展起到關(guān)鍵作用。在過去的20年，危機管理——關(guān)于組織在危機中或者發(fā)生后說了什么和做了什么成為研究熱點，研究焦點在于如何在危機中通過溝通來保護組織信譽，如Benoit[4]和Hearit[5]的形象修復(fù)理論，這些研究的缺陷在于過多依賴簡單的危機應(yīng)對策略列表和通過歷史經(jīng)驗總結(jié)建議應(yīng)對措施，Coombs[17]在Benoit[4]和Hearit[5]研究成果的基礎(chǔ)上提出情境危機傳播理論(Situational Crisis Communication theory，SCCT)，幫助危機管理者根據(jù)危機情境選擇合適的危機應(yīng)對策略。SCCT由三個主要元素組成：危機情境、各種危機策略和一個用來匹配危機情境與危機策略的系統(tǒng)，并對其進行了發(fā)展和應(yīng)用[6]，Coombs等人概括的3種危機應(yīng)對策略：Deny、Diminish、Deal和10個對應(yīng)的具體措施。

圖1 網(wǎng)絡(luò)輿情一般演變過程(該圖在參考文獻[15]、[16]基礎(chǔ)上設(shè)計)

SCCT被政府用來評估危機，選擇適當?shù)奈C應(yīng)對策略，這是迄今為止在危機傳播最常用的理論框架[18-19]。后來很多學(xué)者在Coombs研究成果的基礎(chǔ)上進行策略補充和完善。比如Liu[20]在Deny中增加了Ignore和Separation，在Deal中增加了Transcendence。隨著互聯(lián)網(wǎng)的發(fā)展，SCCT逐漸應(yīng)用于網(wǎng)絡(luò)應(yīng)急管理中。DiFonzo[21]提出了一套博客謠言平息策略，可以幫助公共關(guān)系專業(yè)人員管理博客謠言周期的每個階段，在謠言產(chǎn)生階段，應(yīng)提供準確和及時的信息減少不確定性，開放溝通渠道，促進與公眾之間的交流；謠言相信階段，應(yīng)該試圖通過反駁減少公眾對謠言的信任，獲得公眾支持；在謠言傳播的過程中，試圖勸阻人們不要傳播謠言，如有必要可以采取懲罰性措施；最后在謠言危機恢復(fù)階段，建議組織通過道德手段來修復(fù)他們的聲譽。Jin Yan等[7]在Coombs[17]等研究基礎(chǔ)上提出BMCC(The Blog-Mediated Crisis Communication Model)模型，將博客媒介謠言的生命周期劃分為四個階段：Generation、Belief、Transmission、Crisis Recovery，將SCCT中的Deal劃分為Rebuild和Reinforce，在此基礎(chǔ)上增加Punish策略，提出6種不同的應(yīng)對方案：Base、Deny、Diminish、Rebuild、Reinforce、Punish。

本文綜合Coombs[17]、Jin Yan等[7]的研究，進行網(wǎng)絡(luò)輿情中政府應(yīng)急管理措施的梳理，將政府在危機的不同階段采取的應(yīng)急策略分為Deny(否認)、Diminish(減弱)、Rebuild(修復(fù))、Reinforce(加強)，并總結(jié)了不同的策略相應(yīng)的具體措施(表1)。

表1 政府應(yīng)急管理措施歸納

2.2 SOAR模型

SOAR模型簡單來說就是運用算子，改變狀態(tài)產(chǎn)生結(jié)果。在SOAR模型中，所有問題的求解過程被看成是在問題空間中目標導(dǎo)向的搜索過程[22]，在此過程中，不斷地嘗試應(yīng)用當前的算子(一個狀態(tài)只能選擇一個算子)，改變問題求解狀態(tài)，直到達到目標。

SOAR模型因其架構(gòu)接近人類思維過程，常被用來設(shè)計智能代理，目前在國內(nèi)外已被應(yīng)用于很多方面，如實現(xiàn)通用智能行為的作戰(zhàn)仿真、游戲虛擬人物行為仿真、專家系統(tǒng)、機器人行為控制及更多人工智能領(lǐng)域，效果顯著。SOAR模型多應(yīng)用于作戰(zhàn)仿真領(lǐng)域。1992年，Laird Nielsen[23]帶領(lǐng)的SOAR研究小組就開始開發(fā)智能SOAR Agent應(yīng)用于空軍行為戰(zhàn)略仿真，最著名的是TacAir-Soar系統(tǒng)，該系統(tǒng)對復(fù)雜空戰(zhàn)環(huán)境下的飛行員行為進行建模，開發(fā)具有智能行為的飛行員Agent應(yīng)對復(fù)雜作戰(zhàn)環(huán)境，大大提高了軍事推演的效率。在其他應(yīng)用領(lǐng)域，Puigbo等人[24]將SOAR模型應(yīng)用于機器人服務(wù)員，使機器人能夠完成用自然語言表達的語音指令。Zhong Shiquan等[25]基于經(jīng)典SOAR模型，首先利用第一輪問卷調(diào)查獲取駕駛員的社會特征和駕駛特征，在此基礎(chǔ)上對駕駛員分類，設(shè)計駕駛員Agent工作記憶的輸入輸出屬性；利用問卷調(diào)查獲取被調(diào)查者路線選擇行為的數(shù)據(jù)，獲得初始長期記憶規(guī)則；然后設(shè)計了駕駛員Agent決策算法以及學(xué)習機制，研究在不同的信息發(fā)布模式下駕駛員對于VMS信息引導(dǎo)的遵從率。本文將在上述研究成果的基礎(chǔ)上，基于SOAR模型對網(wǎng)絡(luò)輿情演變過程中網(wǎng)民群體行為進行建模。

2.3 總結(jié)

目前，國內(nèi)學(xué)者主要對網(wǎng)絡(luò)輿情演變階段、特征、作用要素的宏觀理論進行探討，國外學(xué)者側(cè)重基于微觀建模思想對網(wǎng)絡(luò)輿情演變過程進行仿真，現(xiàn)有的研究給本文提供了啟發(fā)。但是，現(xiàn)有研究存在以下問題，首先研究視角多數(shù)基于對歷史事件的分析統(tǒng)計和解釋，缺少對未來發(fā)展趨勢的預(yù)測；其次研究方法大都是宏觀理論分析或微觀模型設(shè)計，缺少與實際管理需求相結(jié)合的綜合研究；究其原因是研究對象多數(shù)以案例事件本身為中心，缺乏對導(dǎo)致輿情演變的最直接主體(網(wǎng)民)的行為和認知分析。

本研究的創(chuàng)新點在于：在研究視角上，面向政府應(yīng)急響應(yīng)的實際需求，以網(wǎng)民群體負面情感的演變和測量作為基點，預(yù)測網(wǎng)絡(luò)輿情演變的路徑和態(tài)勢，進而支持突發(fā)事件應(yīng)急響應(yīng)策略的制定；在研究策略上，以網(wǎng)民群體為核心，關(guān)注整個突發(fā)事件演變的過程，探索突發(fā)事件中群體行為的演變規(guī)律，由此揭示突發(fā)事件網(wǎng)絡(luò)輿情演變的內(nèi)在機理；在研究方法上，引入SOAR模型，將突發(fā)事件中的網(wǎng)民映射為Agent，綜合網(wǎng)民類型、網(wǎng)絡(luò)輿情發(fā)展階段、政府應(yīng)急響應(yīng)措施類型等影響因素，結(jié)合實際案例數(shù)據(jù)，進行建模仿真，從網(wǎng)民具體行為數(shù)據(jù)抽取規(guī)則，將網(wǎng)民在微博論壇的行為選擇問題轉(zhuǎn)換為網(wǎng)民Agent的工作記憶、長期記憶、決策過程、僵局解決與學(xué)習機制建模問題；在研究結(jié)果上，形成可以進行預(yù)測群體行為演變的模型和規(guī)則，為應(yīng)急響應(yīng)提供決策支持。

3 基于SOAR模型的網(wǎng)民群體行為建模

基于SOAR模型對網(wǎng)絡(luò)輿情演變過程中網(wǎng)民群體行為進行建模，著重研究在外部網(wǎng)絡(luò)輿情環(huán)境下，網(wǎng)民Agent的工作記憶組成、長期記憶規(guī)則庫組成，在決策過程中，算子的提出、選擇、應(yīng)用的算法，以及產(chǎn)生僵局時，僵局解決與學(xué)習產(chǎn)生新規(guī)則的機制，以形成一個可操作性的SOAR Agent計算模型，模擬在網(wǎng)絡(luò)輿情事件發(fā)展過程中政府的不同應(yīng)對措施下的網(wǎng)民行為轉(zhuǎn)換規(guī)律，以此預(yù)測政府應(yīng)急措施可能引發(fā)的網(wǎng)絡(luò)輿情演化趨勢，為政府應(yīng)急響應(yīng)策略的制定提供建議。本文SOAR Agent模型總體框架設(shè)計如圖2所示。

其中①表示網(wǎng)民從外部環(huán)境感知目前網(wǎng)絡(luò)輿情演變階段、政府應(yīng)急管理措施、網(wǎng)民總體情感傾向，作為輸入屬性存儲在工作記憶中；②表示從長期記憶規(guī)則庫中獲取適合當前狀態(tài)的規(guī)則；③表示工作記憶元素與長期記憶規(guī)則進行匹配，進入決策過程，根據(jù)匹配結(jié)果提出候選算子，根據(jù)偏好知識選擇最合適的算子應(yīng)用；④表示當決策過程沒有匹配的結(jié)果時產(chǎn)生僵局，通過匹配精度降低算法解決僵局，同時利用chunking學(xué)習機制將新規(guī)則添加到長期記憶中；⑤表示選擇合適的算子后，工作記憶輸出網(wǎng)民行為到外部環(huán)境。下面分別對各模塊進行詳細設(shè)計。

3.1 SOAR Agent模塊設(shè)計

3.1.1 工作記憶設(shè)計

在SOAR模型中，Agent對外部環(huán)境的感知、內(nèi)部的推理和決策過程都表現(xiàn)在工作記憶中。外部環(huán)境刺激為感知系統(tǒng)提供輸入信息，刺激信息經(jīng)過編碼后被Agent知覺，存儲到工作記憶，然后通過與已有的知識體系進行匹配，從而做出推理和決策。如果現(xiàn)有的知識可以解決問題，則直接做出相應(yīng)的反應(yīng)；如果推理條件不夠，則產(chǎn)生一個子狀態(tài)，進入下一層循環(huán)，通過僵局解決方法直到問題解決輸出行為返回上一層[25]。

網(wǎng)民Agent從外部網(wǎng)絡(luò)環(huán)境感知信息存儲到工作記憶中，包括感知到的網(wǎng)絡(luò)輿情演變階段、在該階段政府采取的應(yīng)急響應(yīng)措施、網(wǎng)絡(luò)環(huán)境中網(wǎng)民總體情感傾向，然后在工作記憶中對信息進行編碼，與長期記憶規(guī)則進行匹配，選擇合適的行為輸出。外部影響因素和可能的行為分別作為工作記憶輸入和輸出(表2)。

在SOAR模型運行過程中，應(yīng)用算子有兩種方式可以改變狀態(tài)，一種是修改工作記憶元素的值，另一種就是間接改變外部網(wǎng)絡(luò)輿情環(huán)境。在本文中，應(yīng)用算子輸出網(wǎng)民行為，造成網(wǎng)民負面情感比例改變，對工作記憶中網(wǎng)民總體情感傾向?qū)傩栽斐芍苯佑绊憽Ｍ瑫r，政府應(yīng)急管理措施受網(wǎng)民負面情感比例的影響，根據(jù)網(wǎng)民負面情感比例調(diào)整自己的應(yīng)急措施。本文根據(jù)王昌偉對于網(wǎng)絡(luò)危機信息傳播建立的政府與網(wǎng)民之間的交互規(guī)則，分析網(wǎng)民群體行為對政府應(yīng)急管理措施調(diào)節(jié)的影響，網(wǎng)民對政府的影響函數(shù)為公式(1)：

(1)

其中，et-N(t)表示t階段發(fā)布的負面信息數(shù)，Nmax表示t階段發(fā)布的信息總數(shù)，f(e,t)表示t階段負面信息所占比例，若f(e,t)∈[0,μ]則政府不調(diào)整應(yīng)急措施；若f(e,t)∈[μ,1]，則政府調(diào)整應(yīng)急措施。μ為[0,1]區(qū)間內(nèi)的常數(shù)，其值在實際數(shù)據(jù)統(tǒng)計中得到。

3.1.2 長期記憶設(shè)計

長期記憶控制行為，它直接映射到算子知識，包括提出、比較、選擇和應(yīng)用算子的知識。長期記憶知識用if-then形式來表示一組條件(即規(guī)則的“if”部分)和一組動作(即規(guī)則的“then”部分)之間的關(guān)聯(lián)?！癷f”部分與工作記憶輸入屬性進行匹配，“then”部分為網(wǎng)民行為。偏好知識(Preference Knowledge)決定當前提出的算子的選擇，每一個狀態(tài)下最終只能選擇一個算子應(yīng)用，決策程序?qū)蜻x算子的偏好值進行評估，選擇當前狀態(tài)最合適的操作。

1)規(guī)則數(shù)據(jù)獲取

本文選擇2014年至2015年之間食品安全、社會生活、公共安全領(lǐng)域多個事件的微博數(shù)據(jù)作為基于SOAR模型的網(wǎng)民負面情感建模的基礎(chǔ)，從中獲取網(wǎng)民屬性與分類、網(wǎng)絡(luò)輿情演變階段、政府應(yīng)急管理措施、網(wǎng)民總體情感傾向、網(wǎng)民行為等數(shù)據(jù)，建立長期記憶規(guī)則庫。食品安全事件包括：頂新地溝油、江西病死豬肉等事件，社會類事件包括南京小護士被打、柴靜霧霾調(diào)查等事件，公共安全類事件包括上海踩踏、漳州PX爆炸、天津爆炸等事件。7個事件總共139060條原始微博數(shù)據(jù)，114768個微博用戶，抽取“是否發(fā)表微博、是否評論他人微博、是否轉(zhuǎn)發(fā)他人微博”三個屬性，將網(wǎng)民分為Me-formers和In-formers。Me-formers網(wǎng)民只發(fā)表信息，不轉(zhuǎn)發(fā)和評論他人微博；In-formers網(wǎng)民既發(fā)表微博，也評論或轉(zhuǎn)發(fā)他人微博。

2)初始長期記憶規(guī)則

本文長期記憶規(guī)則在對多個輿情事件實際數(shù)據(jù)統(tǒng)計分析基礎(chǔ)上得到的，形成過程如圖3所示。通過真實數(shù)據(jù)對每類網(wǎng)民工作記憶中的輸入和輸出屬性進行描述，輸入屬性包括網(wǎng)絡(luò)輿情發(fā)展階段、政府應(yīng)急管理措施、網(wǎng)民總體情感傾向，輸出屬性即網(wǎng)民群體行為，輸入與輸出屬性的組合被歸納出來形成規(guī)則，網(wǎng)民有多大意愿選擇這種行為，作為規(guī)則的偏好值。

圖3 長期記憶形成過程

相關(guān)變量提取方法如下：網(wǎng)絡(luò)輿情演變階段，根據(jù)按日統(tǒng)計微博數(shù)據(jù)構(gòu)建的事件發(fā)展曲線劃分得到；政府應(yīng)急管理措施，通過人工對輿情事件每個階段總結(jié)得到；網(wǎng)民總體情感傾向，使用該階段負面微博數(shù)比上微博總數(shù)的比值來衡量，大于0.5即為負面，小于0.5為非負面；網(wǎng)民群體行為，用微博表達的情感來表示，一條表達負面的微博即為一個負面信息行為，一條表達非負面情感的微博即為一個非負面信息的行為，通過輿情事件數(shù)據(jù)進行統(tǒng)計得到，計算公式如式(2)。

Preference=

(2)

根據(jù)上述長期記憶規(guī)則形成過程與變量設(shè)計，結(jié)合實際案例數(shù)據(jù)，輸入屬性、輸出行為和偏好組成了一系列的規(guī)則，這些規(guī)則是本研究長期記憶的初始規(guī)則。分別統(tǒng)計Me-formers類和In-formers網(wǎng)民的長期記憶初始規(guī)則。

3.1.3 決策過程設(shè)計

決策過程是SOAR模型得以持續(xù)運行的核心，是圍繞算子提出、選擇、應(yīng)用的一個循環(huán)的過程，本文中SOAR Agent決策過程如圖4所示。

圖4 SOAR Agent決策過程

該決策過程首先對規(guī)則進行歸納保存到長期記憶規(guī)則庫中，根據(jù)實際情況獲取工作記憶元素，每一條規(guī)則的條件用來和工作記憶元素匹配，如果匹配成功，算子將被提出加入候選算子集中。其次判斷候選算子集是否為空，如果為空，即在當前狀態(tài)下，由于知識不充足(規(guī)則不完全)沒有合適的算子被提出，則說明產(chǎn)生僵局(僵局解決算法在3.1.4節(jié)描述)，如果不為空則使用偏好知識來對提出的算子進行評估，比較算子對于當前狀態(tài)的適合程度，幫助決策機制選擇一個算子應(yīng)用，輸出對應(yīng)的行為(發(fā)布負面信息或者發(fā)布非負面信息)，改變狀態(tài)和工作記憶。詳細的決策選擇過程描述如下：

(1)當前狀態(tài)工作記憶E={OP,GR,ET}，其中OP表示為網(wǎng)絡(luò)輿情發(fā)展階段、GR表示政府應(yīng)急管理措施、ET表示網(wǎng)民總體情感傾向、AC表示網(wǎng)民群體行為。規(guī)則集合P={p1,p2,…,pn}，對于規(guī)則集合中的任意一條規(guī)則pi∈P，有條件集合pi→Ci，Ci={OP,GR,ET}，相應(yīng)的動作集合為Ai={AC}。遍歷規(guī)則庫中每條規(guī)則，工作記憶每個元素與規(guī)則的每個條件進行匹配E∧C，如果為真，則將E∧C→A加入候選算子集合O(S)。

(2)O(S)是當前狀態(tài)S下的候選算子集合。如果集合大小|O(S)|為1，那么這個算子o∈O(S)將被選擇應(yīng)用到工作記憶，否則進入步驟3。

(3)如果|O(S)|>1，則根據(jù)P[o(S)]對算子進行排序，選擇算子P[omax(S)]應(yīng)用到工作記憶，否則，進入步驟4。P[o(S)]和P[omax(S)]分別算子的偏好值和算子最大的偏好值。

(4)如果O(S)=φ，沒有算子能夠直接被選擇，一個僵局產(chǎn)生，需要運用SOAR模型的僵局解決與chunking學(xué)習。

3.1.4 僵局解決與學(xué)習

如圖5，在決策過程中，如果候選算子集合為空，則僵局產(chǎn)生。Chunking是SOAR的主要學(xué)習機制，用來解決僵局產(chǎn)生新的規(guī)則，新的規(guī)則稱為chunk。當一個chunk建立并被應(yīng)用則被添加到長期記憶規(guī)則庫，它能在以后用于匹配類似的情況，避免產(chǎn)生同樣的僵局。當候選算子集合為空即僵局產(chǎn)生時chunking學(xué)習開始。

圖5 僵局產(chǎn)生、解決、學(xué)習過程

本文采用降低匹配精度的方法來解決僵局，即減少規(guī)則的條件。匹配精度是條件與工作記憶元素匹配的比例。當精度滿足，則算子被推薦。當產(chǎn)生僵局時，利用降低匹配精度算法在寬松條件下產(chǎn)生新規(guī)則，如果新規(guī)則與當前狀態(tài)匹配成功，并且匹配的算子被應(yīng)用，使問題解決向目標狀態(tài)轉(zhuǎn)移，僵局被解決，新規(guī)則chunk被加入到長期記憶規(guī)則庫。僵局解決與chunking學(xué)習的過程描述如下：

(1)當前狀態(tài)si是從初始狀態(tài)s0經(jīng)過i個狀態(tài)變換得到的，如果O(si)=φ，即當前狀態(tài)下候選算子集為空，那么chunking學(xué)習開始，進入步驟2。否則如3.2.3節(jié)描述，選擇一個算子應(yīng)用。

3.2 仿真算法設(shè)計

1)仿真算法的變量與函數(shù)定義

2)仿真算法流程設(shè)計

結(jié)合仿真算法變量和函數(shù)定義，仿真算法流程如圖6所示，仿真算法流程描述如下：

表3 仿真算法變量與函數(shù)

(1)獲取網(wǎng)民工作記憶規(guī)則。針對不同階段加入AGT-個帶負面情感與AGT+個帶非負面情感的不同類別的網(wǎng)民，總數(shù)為AGT，計算當前狀態(tài)下網(wǎng)民總體負面情感比例NEP，在政府當前應(yīng)急管理措施gr下，進入循環(huán)遍歷網(wǎng)民，獲取網(wǎng)民Agent工作記憶各個輸入屬性值；

(2)獲取該網(wǎng)民類別AT及對應(yīng)的長期記憶規(guī)則庫RuleSet(AT)。將工作記憶元素與規(guī)則條件進行匹配，獲得候選算子集合OperatorSet；

(3)規(guī)則匹配。判斷候選算子集合OperatorSet是否為空，如果不為空，則根據(jù)決策過程設(shè)計的算子選擇機制，根據(jù)偏好對候選算子集合進行排序函，選擇一個算子應(yīng)用，判斷該算子對應(yīng)的規(guī)則是否為新規(guī)則NewRule，若是則加入初始規(guī)則庫RuleSet(AT)，將該新規(guī)則添加到長期記憶規(guī)則庫中，進入步驟5；如果候選算子集為空，則說明產(chǎn)生僵局，進入步驟4；

(4)僵局解決。根據(jù)3.1.4中的僵局解決和學(xué)習機制，產(chǎn)生新規(guī)則，形成臨時規(guī)則庫NewRuleSet(AT)，重新與新狀態(tài)下工作記憶元素進行匹配，獲得候選算子集合，進入步驟3；

(5)網(wǎng)民行為輸出。應(yīng)用算子ApplyOperator()，輸出網(wǎng)民行為，計算當前狀態(tài)下網(wǎng)民負面情感比例，與閾值threshold進行比較，如果小于閾值則進入步驟1，繼續(xù)遍歷網(wǎng)民，如果大于閾值則改變政府應(yīng)急措施Set(gr)，進入步驟1，重新遍歷網(wǎng)民，繼續(xù)下一輪循環(huán)，直到遍歷完后退出。

圖7 仿真算法流程

4 基于案例的仿真分析

本文選擇NetLogo為仿真實現(xiàn)工具，根據(jù)第三章中設(shè)計的模型，以“江西病死豬肉”和“南京小護士被打”事件為案例，選取事件發(fā)生后的微博數(shù)據(jù)為樣本，首先通過實驗仿真再現(xiàn)事件中政府不同應(yīng)對措施下微博用戶群體行為轉(zhuǎn)換過程，根據(jù)仿真結(jié)果對模型的有效性進行分析；然后，通過在網(wǎng)絡(luò)輿情發(fā)展的不同階段，設(shè)置政府不同的應(yīng)對措施，對實驗結(jié)果進行分析，來評估政府應(yīng)急措施對不同網(wǎng)民群體引導(dǎo)能力，得出在網(wǎng)絡(luò)輿情事件不同發(fā)展階段，對于不同類別網(wǎng)民，政府采用何種措施，能使網(wǎng)民負面情感比例下降至最低，從而為政府更好地處理社會公共事件引發(fā)的網(wǎng)絡(luò)輿論提供建議。

4.1 仿真實驗設(shè)計

本文仿真實驗流程設(shè)計如下：第一，從新浪微博上采集相關(guān)事件數(shù)據(jù)保存到數(shù)據(jù)庫；第二，對數(shù)據(jù)進行清洗和整理，剔除媒體、官微發(fā)布的微博數(shù)據(jù)，得到所需普通網(wǎng)民發(fā)布的目標微博數(shù)據(jù)；第三，對數(shù)據(jù)進行加工：(1)對微博文本進行情感傾向分析；(2)人工處理數(shù)據(jù)，按日統(tǒng)計微博數(shù)量構(gòu)建事件發(fā)展曲線圖，以此劃分事件發(fā)展階段；(3)歸納不同階段政府采取的應(yīng)急管理措施，分別統(tǒng)計政府采取措施前后不同類別網(wǎng)民發(fā)布的負面微博及非負面微博所占比例；第四，在模型設(shè)計與仿真算法設(shè)計的基礎(chǔ)上，基于NetLogo仿真平臺實現(xiàn)仿真算法，分析模型有效性。仿真實驗過程如圖8所示。

圖8 仿真實驗流程

(1)網(wǎng)民分類

出于隱私保護原因，用戶個人信息如受教育程度、年齡、性別、職業(yè)等使用網(wǎng)絡(luò)爬蟲工具在網(wǎng)絡(luò)上難以獲取，本文將影響網(wǎng)民分類的因素歸納為網(wǎng)絡(luò)屬性，包括是否發(fā)表微博、是否評論其他網(wǎng)民發(fā)表的微博、是否轉(zhuǎn)發(fā)其他網(wǎng)民發(fā)表的微博。根據(jù)這三個屬性，結(jié)合Naaman等人的研究成果，將網(wǎng)民劃分為兩種類型：Me-formers與In-formers。分別統(tǒng)計在不同事件中這兩種類型人數(shù)及所占比例(表4)，每個事件中Me-formers類別網(wǎng)民的人數(shù)都明顯高于In-formers類網(wǎng)民人數(shù)，說明在網(wǎng)絡(luò)輿情環(huán)境中大部分人都以自我為中心，在網(wǎng)上發(fā)布信息的目的是為了表達自己而不是以他人興趣為目標分享信息，這也驗證了Naaman等人的研究。

(2)網(wǎng)民情感傾向性分析

在對微博的內(nèi)容特征、外部特征等研究基礎(chǔ)上確定微博情感傾向性，借助空間向量模型來進行每條微博的特征表示，使用SVM模型分析微博情感傾向性，確定每條微博的情感傾向，統(tǒng)計各階段網(wǎng)民負面情感比例與非負面情感比例中較大者作為該階段網(wǎng)民總體情感傾向。

表4 微博用戶劃分

(3)政府應(yīng)急管理措施分析

通過統(tǒng)計每日微博數(shù)據(jù)，構(gòu)建事件發(fā)展曲線圖，選取拐點作為事件發(fā)展階段劃分依據(jù)。同時根據(jù)事件案例描述與事件發(fā)展階段劃分，分別找出各個階段政府在微博或其他平臺發(fā)布的信息及采取的活動，結(jié)合SCCT等理論總結(jié)的政府應(yīng)急管理措施對其進行歸類。

4.2 仿真實驗結(jié)果

根據(jù)真實數(shù)據(jù)統(tǒng)計的每個階段開始時不同類別網(wǎng)民比例及其情感設(shè)置仿真初始值，結(jié)合3.2.2節(jié)歸納總結(jié)的長期記憶規(guī)則，使用建立的仿真平臺進行仿真，得到不同階段仿真下的網(wǎng)民負面情感比例?！敖鞑∷镭i肉事件”與“南京小護士被打事件”的不同階段仿真結(jié)果見圖9、10，紅色曲線表示Me-formers類網(wǎng)民的負面情感比例，綠色曲線表示In-formers類網(wǎng)民的負面情感比例，黑色曲線表示網(wǎng)民總體負面情感比例。仿真結(jié)果描述如表5、6所示。

圖9、10顯示了“江西病死豬肉事件”與“南京小護士被打事件”不同階段不同類別網(wǎng)民負面情感比例的時變特性。曲線的起始點為真實數(shù)據(jù)統(tǒng)計結(jié)果，仿真開始網(wǎng)民負面情感比例不斷發(fā)生變化。隨著仿真的進行，負面情感比例逐漸穩(wěn)定，最后達到收斂，在此過程中，若產(chǎn)生僵局則需要chunking和反饋學(xué)習新的規(guī)則，逐漸完善長期記憶。從初始條件到負面情感比例的最終收斂是一個不斷探索、反饋和學(xué)習的過程。

4.3 模型有效性驗證

首先，根據(jù)“江西病死豬肉事件”與“南京小護士被打事件”的真實微博數(shù)據(jù)，將事件劃分階段，識別不同階段政府采取的應(yīng)急管理措施，根據(jù)網(wǎng)民的網(wǎng)絡(luò)屬性將網(wǎng)民分類，通過情感傾向性分析，得出真實數(shù)據(jù)中每個階段不同類別的網(wǎng)民在不同的政府應(yīng)急管理措施下的負面情感比例；第二，根據(jù)真實數(shù)據(jù)統(tǒng)計的每個階段開始時不同類別網(wǎng)民比例及其情感設(shè)置仿真初始值，結(jié)合歸納總結(jié)的長期記憶規(guī)則，進行仿真，得到不同階段仿真下的網(wǎng)民負面情感比例；第三，仿真結(jié)果與實際數(shù)據(jù)負面情感比例比較。將兩個事件不同階段Me-formers類別與In-formers類別網(wǎng)民負面情感比例的實際數(shù)據(jù)與仿真結(jié)果進行比較，如圖11所示。

圖9 “江西病死豬肉事件”仿真結(jié)果

圖10 “南京小護士被打事件”仿真結(jié)果

事件發(fā)展階段政府應(yīng)急措施結(jié)果解釋產(chǎn)生階段(12月27日前)Diminish(Justification)負面情感比例較低政府對江西生產(chǎn)銷售病死豬肉進行打擊,但事件仍有發(fā)生,網(wǎng)民對此事件沒有特別關(guān)注,負面情感比例較低。爆發(fā)階段(12月27日)Deny(Ignore)負面情感比例大幅度增加由于央視曝光病死豬生產(chǎn)銷售,引起網(wǎng)民廣泛關(guān)注,在此階段,政府沒有采取相關(guān)行動,即在Ignore(Deny)措施下網(wǎng)民負面情感比例大幅度增加。成熟階段(12月28日至30日)Diminish(Justification)負面情感比例先增加后減少政府在12月28日晚之前未采取相關(guān)措施,Me-formers類與In-formers類網(wǎng)民負面情感比例不斷增加。12月28日晚對事件開展專項調(diào)查,并處理相關(guān)官員和涉案人員,在仿真中網(wǎng)民負面情感比例達到一定比例后,加入Diminish措施,網(wǎng)民負面情感比例總體呈不斷下降的趨勢。衰退階段(12月31日后)Diminish(Justification)負面情感比例下降政府開始針對病死豬肉產(chǎn)品開展專項清查工作,兩名官員被立案偵查,即加入Diminish措施,網(wǎng)民負面情感比例不斷下降。

表6 “南京小護士被打事件”仿真結(jié)果解讀

圖11 實際數(shù)據(jù)負面情感比例與仿真結(jié)果負面情感比例對比圖

圖11展示實際數(shù)據(jù)負面情感比例與仿真結(jié)果負面情感比例之間的差距。結(jié)合表2的定義，對于“江西病死豬肉事件”成熟階段與衰退階段In-formers類網(wǎng)民實際數(shù)據(jù)與仿真結(jié)果相差較大，這是因為由實際數(shù)據(jù)統(tǒng)計得到該事件成熟階段與衰退階段In-formers類網(wǎng)民的規(guī)則為：

OP(3) and GR(2) and ET(1) AC(1) 0.39

OP(3) and GR(2) and ET(1) AC(2) 0.61

OP(4) and GR(2) and ET(1) AC(1) 0.31

OP(4) and GR(2) and ET(1) AC(2) 0.69

即由“江西病死豬肉事件”得到的規(guī)則中對于In-formers類網(wǎng)民，在成熟階段OP(3)，在政府采取Diminish措施GR(2)，網(wǎng)民總體情感傾向為負面ET(1)時，網(wǎng)民采取發(fā)布負面信息AC(1)與發(fā)布非負面信息AC(2)的偏好分別為0.39、0.61；衰退階段OP(4)，在政府采取Diminish措施GR(2)，網(wǎng)民總體情感傾向為負面ET(1)時，網(wǎng)民采取發(fā)布負面信息AC(1)與發(fā)布非負面信息AC(2)的偏好分別為0.31、0.69。

而最后綜合多個事件總結(jié)的長期記憶規(guī)則為：

OP(3) and GR(2) and ET(1) AC(1) 0.57

OP(3) and GR(2) and ET(1) AC(2) 0.43

OP(4) and GR(2) and ET(1) AC(1) 0.47

OP(4) and GR(2) and ET(1) AC(2) 0.53

即由多個事件總結(jié)的規(guī)則中對于In-formers類網(wǎng)民，在成熟階段OP(3)，在政府采取Diminish措施GR(2)，網(wǎng)民總體情感傾向為負面ET(1)時，網(wǎng)民采取發(fā)布負面信息AC(1)與發(fā)布非負面信息AC(2)的偏好分別為0.57、0.43；衰退階段OP(4)，在政府采取Diminish措施GR(2)，網(wǎng)民總體情感傾向為負面ET(1)時，網(wǎng)民采取發(fā)布負面信息AC(1)與發(fā)布非負面信息AC(2)的偏好分別為0.47、0.53。

兩者之間偏好相差較大，使用總結(jié)的長期記憶規(guī)則選擇發(fā)表負面信息的行為概率增大，并且由于In-formers類網(wǎng)民數(shù)量較少，在運行過程中波動較大，最后仿真結(jié)果網(wǎng)民負面情感比例較大，使得誤差較大。綜合兩個事件的Me-formers和In-formers類網(wǎng)民的16個結(jié)果，實際數(shù)據(jù)與仿真結(jié)果的平均誤差為5.61%，最大誤差為14.9%，最小誤差為1.0%，整體而言，實際數(shù)據(jù)與仿真結(jié)果之間的偏差較小，當仿真實驗收斂后，不同階段不同類別網(wǎng)民負面情感比例與實際數(shù)據(jù)統(tǒng)計結(jié)果基本相似，上面的數(shù)據(jù)和分析表明，本文在3.1.2中設(shè)計的長期記憶規(guī)則符合中國網(wǎng)絡(luò)輿情演變過程中網(wǎng)民負面情感行為轉(zhuǎn)換的規(guī)律，使用SOAR Agent模型的決策機制可以反映網(wǎng)民在政府不同的應(yīng)急管理措施下的實際行為轉(zhuǎn)換過程。

4.4 結(jié)論

根據(jù)上述分析，首先，在網(wǎng)民負面情感傾向性與政府應(yīng)急響應(yīng)措施關(guān)系方面。無論是在輿情的產(chǎn)生階段還是爆發(fā)階段，政府忽視事件，不采取任何措施(Deny(Ignore))，會導(dǎo)致網(wǎng)民負面情感顯著上升；相反，在網(wǎng)絡(luò)輿情爆發(fā)階段，政府采取將責任歸咎于事件引發(fā)者措施(Deny(Scapegoat))，在網(wǎng)絡(luò)輿情產(chǎn)生、爆發(fā)和成熟階段，政府進行積極的信息公開，解釋事情發(fā)生，并做出決定采取行動(Diminish(Justification))，會導(dǎo)致網(wǎng)民負面情感下降。這說明在突發(fā)事件中，網(wǎng)民的負面情感傾向性與政府的應(yīng)急響應(yīng)措施存在直接相關(guān)性，政府如果能夠正面積極應(yīng)對，采取公開透明的應(yīng)急響應(yīng)措施，可以有效的疏導(dǎo)網(wǎng)民負面情感，引導(dǎo)網(wǎng)絡(luò)輿情向健康的方向發(fā)展。

其次，在網(wǎng)民負面情感的測量和預(yù)測方面，可以應(yīng)用SOAR模型，結(jié)合網(wǎng)民類型、網(wǎng)絡(luò)輿情演變階段、政府應(yīng)急響應(yīng)措施等研究成果，基于特定領(lǐng)域?qū)嶋H案例網(wǎng)民行為數(shù)據(jù)進行建模仿真，預(yù)測網(wǎng)民負面情感的演變規(guī)律。

因此，本文以網(wǎng)民負面情感的測量為基點，應(yīng)用SOAR模型，將宏觀的政府應(yīng)急響應(yīng)與微觀的網(wǎng)民行為相結(jié)合，融合群體行為建模方法與社會學(xué)中的應(yīng)急響應(yīng)模型，構(gòu)建了網(wǎng)民群體負面情感SOAR Agent模型，為突發(fā)事件中網(wǎng)民群體行為決策研究提供了一個新的研究視角，這是本研究的理論價值所在。同時，本文研究成果不僅為政府，也可以為企業(yè)、非政府組織提供突發(fā)事件中網(wǎng)民負面情感應(yīng)急響應(yīng)提供了一個可操作的應(yīng)對方案和計算模型，從這一點來說，本項目具有廣泛的實踐意義。

5 結(jié)語

本文面向網(wǎng)絡(luò)輿情演變過程中政府應(yīng)急響應(yīng)的實際需求，立足于網(wǎng)民群體負面情感的分析與建模，通過對網(wǎng)絡(luò)輿情中網(wǎng)民群體行為演化的“感知——決策——行為——反饋”的閉環(huán)過程的解析，基于SOAR模型，將網(wǎng)民映射為Agent，分析網(wǎng)民群體行為影響要素，形成網(wǎng)民群體行為轉(zhuǎn)變規(guī)則庫，全面系統(tǒng)地揭示網(wǎng)絡(luò)輿情演變過程中網(wǎng)民群體行為轉(zhuǎn)變規(guī)律，進而解釋網(wǎng)絡(luò)輿情演變的內(nèi)在機理。在此基礎(chǔ)上進行仿真預(yù)測，模擬不同網(wǎng)絡(luò)輿情演變階段不同政府應(yīng)急措施對不同類別網(wǎng)民群體行為決策的影響，對政府應(yīng)急措施進行評估，深入認識網(wǎng)絡(luò)輿情演變規(guī)律，據(jù)此對政府應(yīng)急管理提出科學(xué)合理建議。

但是本文研究仍然存在一些不足，可以在后續(xù)的研究中繼續(xù)深化，主要包括兩個方面：

在模型通用性方面，第一，本文只選取了近兩年國內(nèi)發(fā)生的網(wǎng)絡(luò)輿情事件為樣本，從中總結(jié)出長期記憶規(guī)則，模型通用性有待于更大規(guī)模樣本的檢驗；第二，本文長期記憶規(guī)則影響因素只設(shè)計了3個，沒有考慮媒體因素，而媒體在網(wǎng)絡(luò)輿情演變過程中，也對網(wǎng)民群體行為產(chǎn)生較大影響，與網(wǎng)民、政府之間存在博弈的過程；第三，本文探索了網(wǎng)絡(luò)輿情演變過程中網(wǎng)民群體行為的劃分，提出兩種網(wǎng)民群體行為：發(fā)布負面信息與發(fā)布非負面信息；在今后的研究中，可以考慮：結(jié)合國外網(wǎng)絡(luò)輿情事件，豐富長期記憶規(guī)則庫，加入政府與媒體、媒體與網(wǎng)民之間的博弈模型，對網(wǎng)民群體行為進行更加詳細的劃分，比如劃分為負面發(fā)表/非負面發(fā)表/負面評論/非負面評論/負面轉(zhuǎn)發(fā)/非負面轉(zhuǎn)發(fā)，使模型構(gòu)建更加完善。

在模型驗證方面，本文的模型驗證方案是將模型仿真結(jié)果與實際數(shù)據(jù)統(tǒng)計結(jié)果進行比較，通過兩者誤差較小來說明模型的有效性，驗證方案的科學(xué)性和有效性還有待于進一步檢驗。在今后的研究中，可以考慮將基于SOAR模型的網(wǎng)絡(luò)輿情演變過程中網(wǎng)民群體行為建模仿真結(jié)果與其他行為描述模型仿真結(jié)果進行對比，例如BDI(Belief-Desire-Intention)模型、或者ACT-R(Adaptive Control Theory-Rational)模型的仿真結(jié)果進行對比，以此更加科學(xué)客觀地說明基于SOAR模型對網(wǎng)絡(luò)輿情演變過程中網(wǎng)民群體行為進行建模的合理性，與其他群體行為建模方法相比的優(yōu)勢或不足。

[1] Liu B F, Austin L, Jin Yan. How publics respond to crisis communication strategies: The interplay of information form and source[J]. Public Relations Review, 2011, 37(4): 345-353.

[2] McDonald L M, Sparks B, Glendon A I. Stakeholder reactions to company crisis communication and causes[J]. Public Relations Review, 2010, 36(3): 263-271.

[3] Choi Y， Lin Y H. Consumer responses to Mattel product recalls posted on online bulletin boards: Exploring two types of emotion[J]. Journal of Public Relations Research, 2009, 21(2): 198-207.

[4] Benoit W. Accounts, excuses and apologies: A theory of image repair strategies[M]. Albany: State University of New York Press, 1995.

[5] Hearit K M. The use of counter-attack in apologetic public relations crises: The case of General Motors vs. Dateline NBC[J]. Public Relations Review, 1996, 22(3): 233-248.

[6] Coombs W T. Protecting organization reputations during a crisis: The development and application of situational crisis communication theory[J]. Corporate Reputation Review, 2007, 10(3): 163-176.

[7] Jin Yan, Liu B F. The blog-mediated crisis communication model: Recommendations for responding to influential external blogs[J]. Journal of Public Relations Research, 2010, 22(4): 429-455.

[8] 劉怡靜, 袁建華, 汪李峰. 認知引擎中案例學(xué)習模塊的設(shè)計與實現(xiàn)[J]. 現(xiàn)代電子技術(shù), 2011, 34(9): 30-34.

[9] Oyewole S A, Farde A M, Haight J M, et al. Evaluation of complex and dynamic safety tasks in human learning using the ACT-R and SOAR skill acquisition theories[J]. Computers in Human Behavior, 2011, 27(5): 1984-1995.

[10] Elster J. Social norms and economic theory[J]. The Journal of Economic Perspectives, 1989,3(4): 99-117.

[11] Honey C, Herring S C. Beyond microblogging: Conversation and collaboration via Twitter[C]//Proceedings of the 42nd Hawaii International Conference on System Sciences, Big Island, HI, USA, January 5-8, 2009.

[12] Naaman M, Boase J, Lai C H. Is it really about me?: Message content in social awareness streams[C]//Proceedings of the 2010 ACM conference on Computer Supported Cooperative Work，Savannah, Geogia, USA, February 6-10, 2010.

[13] Riemer K， Richter A. Tweet inside: Microblogging in a corporate context[C]//Proceedings of the 23rd Bled eConference eTrust: Implications for the Individual, Erterprises and Society, Bled, Slovenia, June 20-23, 2010.

[14] Papacharissi Z. Without you, I'm nothing: Performances of the self on Twitter[J]. International Journal of Communication, 2012, 6: 838-855.

[15] 方付建. 突發(fā)事件網(wǎng)絡(luò)輿情演變研究[D].武漢： 華中科技大學(xué)， 2011.

[16] 李綱，陳璟浩. 突發(fā)公共事件網(wǎng)絡(luò)輿情研究綜述[J]. 圖書情報知識, 2014，(2): 111-119.

[17] Coombs W T. The protective powers of crisis response strategies: Managing reputational assets during a crisis[J]. Journal of Promotion Management, 2006, 12(3-4): 241-260.

[18] Pang N， Ng J. Twittering the Little India Riot: Audience responses, information behavior and the use of emotive cues[J]. Computers in Human Behavior, 2016, 54: 607-619.

[19] Cooley S, Jones A. A forgotten tweet: Somalia and social media[J]. Ecquid Novi: African Journalism Studies, 2013, 34(1): 68-82.

[20] Liu B F. Effective public relations in racially-charged crises: Not black or white[M]//Coombs WT, Holladay S J. Handbook of crisis communication, Hoboken, VewJersey: Wiley-Blackwell, 2010: 335-358.

[21] DiFonzo N. The watercooler effect: A psychologist explores the extraordinary power of rumors[M]. UK: Penguin,2008.

[22] 陳偉, 情感智能體認知行為建模研究[D]. 長沙：國防科學(xué)技術(shù)大學(xué),2011.

[23] Laird J E， Nielsen E. Coordinated behavior of computer generated forces in tacAir-Soar[C]//Proceedings of the 4th Conference on Computer Generated Forces and Behavior Represatation, 1994.

[24] Puigbo J Y, Pumarola A, Angulo C, et al. Using a cognitive architecture for general purpose service robot control[J]. Connection Science, 2015, 27(2): 105-117.

[25] Zhong Shiquan, Zhou Lizhen, Ma Shoufeng, et al. Guidance compliance behaviors of drivers under different information release modes on VMS[J]. Information Sciences, 2014, 289: 117-132.