分享者：中國傳媒大學大數據分析與挖掘實驗室博士生張志強
衆所周知，我們處於網絡信息大爆炸的時代。現代互聯網產生了大量的輿情信息，其中很多信息並不是正常的信息，是因爲在網絡中存在着大量水軍或部分惡意造謠者。國家非常重視輿情治理，它與整個國家的安全息息相關。網絡中許多貌似無用的熱點話題，也與我們的日常生活具有緊密關聯，引起大衆的廣泛關注，在某種意義上也會影響到整個社會生活的方方面面。
部分具有網絡輿情監測或輿情治理功能的平臺
在整個信息傳播過程中，引起人們關注的話題，往往是遵循某一規律進行傳播的。此處我重點關注網絡中微博的信息傳播情況。這裏借用了殷復蓮教授在2020年出版的《網絡信息傳播建模與分析》一書，書中將網絡信息傳播的整個過程，抽象爲一種單信息傳播的模式。例如在微博中有一個大V發佈了一條信息，隨後會產生很多的評論數據以及累計轉發量數據。
在此背景之下，可以將整個網絡信息傳播抽象成如圖所示形式。
這種形式仿造了醫學領域傳染病動力學的研究基礎，把網民劃分爲四類羣體：第一類是易受影響的羣體，他們沒有接觸到這些信息；第二類是已經接觸到信息的羣體；在這個羣體之中會有一部分人進行轉發，這類人羣被稱之爲轉發者。轉發之後，一部分人因已接觸過這些信息而失去興趣，因而變成免疫者。
單信息傳播SFI動力學模型
單信息傳播SFI動力學模型
簡單將這一單信息傳播過程進行抽象的建模，可以用SFI動力學模型表示。模型中有三個主要的羣體，即S、F和I，分別代表易受影響人羣、傳播人羣和信息免疫人羣。
這一模型與傳染病動力學模型的不同之處在於：傳染病領域是可以實時獲得各個羣體的狀態，例如某個個體處於感染病毒或免疫病毒的狀態。但在信息傳播領域，往往只能獲得已經接收到信息羣體的數據。例如可以將微博中的轉發量作爲已接受到信息的羣體數量。難點在於獲得信息免疫人羣的數據。所以在此引入新的變量C代表累積傳播人羣。以微博爲例，可以用某一條微博信息的累計轉發量來代表這個羣體。其中存在一些參數，比如說貝塔、阿爾法、P，此處類似傳染病動力學模型，它們各有特殊含義。藉此完成對整個單信息傳播的動力學建模，圖3爲模型的基本的微分方程形式。引入累計轉發量，可以通過爬蟲的方法獲得某一條新聞或輿論的累計轉發人羣，或是接觸到信息的人羣的具體情況。
嵌入物理神經網絡
我的方法是將PINN方法引入到信息傳播過程，關注在時間推進的情境下，各個羣體的數量變化。此處的輸入數據僅爲時間，輸入數據也可以包含一些其他變量，如距離，但並非現實生活中的物理距離，它可能是網絡中的兩個節點或網絡社交的距離，如好友關係。通過某種方式遞出距離，同時也需要獲得各個羣體的初值。
通過PINN方法，可以對整個單信息傳播的過程進行建模。建模過程中主要想獲得輿論傳播某條信息的未來發展趨勢，這一行爲對於探索傳播規律、輿情信息的監控和治理等大有裨益。
基於Paddle的實驗結果
基於經典最小二乘法、蒙特卡洛採樣法的擬合效果
此類方法非常依賴於真實數據的情況。同時也對各個狀態的初值非常敏感。
基於飛槳平臺，使用PINN的方法擬合單信息傳播模型的效果
基於PINN的方法，首先其整體擬合效果往往優於傳統方法。其次，使用PINN的方法可以加入一些其他變量。在嘗試過程中，我加入了部分社交距離的變量，驗證它相比於經典方法，做偏微分的擬合效果更突出。最後，這一方法對初值和邊界並不敏感。無論傳染病動力學還是信息傳播動力學，初值和邊界對整個結果的重要性不言而喻，很多情況下結果的偏差是不合理的初值和邊界選擇導致的。
此外，我也做了部分信息傳播方面的其他研究：引入情感變量，將轉發羣體進行情感的分類，包含正面情感、負面情感或中性情感三種情況。
基於傳統方法的擬合情況，尤其是在輿論發展到快速傳播階段時，擬合效果並不理想。關於非常經典的謠言的兩個階段，一是謠言的傳播階段，二是闢謠信息的傳播階段，這類信息的傳播結果，需要分階段各自進行動力學的擬合，然而使用PINN的方法可以將整個過程進行建模。
總結與展望
1.使用PINN的方法在多個傳播動力學模型上均可取得優於傳統方法的擬合結果；
2.相比於純數據驅動方法，結合動力學模型能夠預測更長階段且減少誤差累積；
3.PINN方法在反問題求解上受初值或邊界值影響不明顯，擬合更加高效；
4.處理多輸入問題（如偏微分方程），擬合參數同時獲得各個狀態值的輸出，PINN方法更加高效；
5.在信息傳播動力學問題中，除時間t外的自變量比較難確定，關於傳播動力學中偏微分方程的擬合還有待實驗驗證。