区块链的大火，离不开区块链媒体们的推动。那大家了解什么是区块链媒体吗？其实，区块链媒体并不是报道区块链内容的媒体，而是依托区块链技术应用并给媒体内容领域带来革命性变化的新型媒体业态。

区块链媒体基本处于报道区块链资讯的形态，且经历了容易由热至冷的变化，管控下结束了野蛮生长的币圈和区块链媒体又该走向何处？

1.信息共享，区块链实现数据解放

每个人在区块链上都可以拥有完整的历史数据，这对于新闻业而言，有限的记者和编辑可以拥有大量的材料，极大节省了人工收集、整理数据的成本。区块链的信息共享不仅有别于记者传统采集信息的方式，也与平常网络搜索有所区别，即记者不仅仅可以通过区块链快速获得完整信息，同时也可以“直接接触”到信息人，进一步分析信息背后的内容。

2.区块链打击虚假新闻

网络时代，专业新闻生产日益被业余化，信源的可信度和权威性难以得到保障；同时，部分自媒体为了引导用户注意力不择手段，传播虚假消息，致使假新闻泛滥。对于新闻内容平台而言，几乎都有一套对新闻内容进行排名的算法，但是这类算法并不透明，新闻内容传播平台的控制者有很大的空间可以对这种筛选和排名进行操纵。这种对排名的操纵也是平台盈利的重要手段，最具代表性的例子是**“竞价排名”**等营销手段。

除开上文所提到的Userfeeds的评估证明方式之外，PressCoin为各独立新闻机构搭建了一个生态系统，用于新闻产品的生产与交易。生活在 PressCoin 系统里的独立新闻机构彼此是依存共生的。每一个独立新闻机构都分配了一个存储了该机构信息的数据区块，PressCoin通过区块链评估这些独立新闻机构为整个系统所作出贡献的大小，进行再次分配。所有独立新闻机构的信息都已经记录在区块链上，没有私钥不可随意篡改。一旦发现有机构发布虚假信息，系统可以通过区块链直接定位到发布源，对其进行相应的惩罚。

3.区块链追踪溯源保护版权

数字化时代，信息传播不再依赖于物理载体，作者很难实现对于数字作品的控制，便出现了大量的抄袭和洗稿。区块链能为新闻作品在某一个特定时间点的存在提供证明，**在区块链技术的数据库中，存储着完整的交易数据，既包括作品创作的时间点，也包括版权交易的时间点，其记录是透明准确和独一无二的，**在浩瀚的新闻生产作品中可以根据数据进行追踪溯源，具有很强的证明力，为保护版权提供强大技术保障。

4.区块链保护社交媒体用户隐私

个人信息保护世界各国网络安全面临的巨大问题，用户在网络上的身份信息、浏览痕迹、创造的内容并不受自己掌控。**区块链采用P2P技术，不需提供任何身份信息，区块链技术不仅能够实现数据加密，而且利用一套固定算法获取信任。**在这种模型中，用户个人的数据何时开放、开放给谁、开放到什么程度，均由用户个人来授权，而不再由网络信息平台任意处置。

5. 带动舆情分析技术突飞猛进

区块链有真实、不可篡改的特点，这种强背书成为精准分析网络舆情的绝佳切入点。当前所流行的舆情预警平台等搜集的信息，存在模糊、混沌、不准确的问题，舆情处理所需的时间周期太长，即便策略得当，还可能目标错误。在区块链基础上，舆情应对的方案将具有高度精确性。方案将作用于哪些人，以什么手段进行疏导，什么时间点实施，这些细节的精确性将大大提高效率。

保罗·莱文森提出了**“补偿性媒介”和“媒介的人性化趋势”**的概念，他指出，人类在媒介演化过程中，不断地进行着理性选择，人类的技术越来越完美，但新的媒介又带来新的问题。媒介的进化是人的选择结果，能更好地满足人的需要的媒介被保留了下来。从某种程度上说，**区块链技术是对以往技术的一种补偿，例如对隐私的保护、对信源的核查等，区块链技术能更好地满足当前社会人们的需要。**但是，区块链技术只是顺应时代发展的一种技术，它并不能解决所有问题。

首先，区块链既是一项新的技术，面临的最迫切的问题就是缺失一整套统一的标准及法律程序。智能合约的责任主体缺失问题、区块链提供的版权证明并不具有直接的法律效力问题，所有一系列问题都意味着区块链法律与监管急需完善。

其次，区块链的不可篡改性与被遗忘权产生了冲突。由于数字技术和全球网络的发展，人类记忆与遗忘的格局发生了根本性的转变，遗忘变成了例外，记住则成了常态。如果互联网上传播关于个人的负面信息，那么在不违反法律的前提下，个人是有权利要求数据控制者永久删除此类信息。而区块链的不可篡改，使被遗忘权处于不知何去何从的尴尬境地。

另外，区块链技术是否能真的抑制假新闻也让人存疑。一方面，就技术而言，新闻业中很少有人理解区块链技术的运作原理，那么既然现在新闻内容平台本身就存在“算法黑箱”，那依赖算法程序的区块链技术是否也存在同样的问题？

媒体革命已经来临，

媒体，在这个信息巨量化、茧房化的世界里，构建一种基于区块链技术的分布式、去中心化媒体新生态。

什么是媒体？教科书上的说法——媒体是从传播者到接受者之间传递信息的载体。区块链时代，媒体的属性正在发生质的改变。

媒体的变迁可以大致划分为四个时代。

第一个是古典媒体时代，传统的报纸、杂志、广播都属于古典媒体；

第二个是社交媒体时代，社交媒体是人们彼此分享见解和观点的平台，人们不用7点准时守在电视机前看新闻，所有信息来源都换成了刷朋友圈和微博，“朋友圈成为一种生活方式”；

第三个是智能媒体时代，根据大数据演算你的阅读习惯，当你点开一则新闻，就会出现无数类似的新闻。但算法构建的阅读世界里，人们容易陷入各自主观偏好信息与观点的漩涡中，舆论无法统一，世界的呈现方式也日趋碎片化；

第四个时代是区块链媒体时代，在这个系统中既能杜绝假新闻，又能获得内容激励和变现，写文章、看文章都能赚钱，人人是创作者和受益者。

真正的区块链媒体，不是报道区块链的媒体（Blockchain Reports），而是运用区块链的分布式、去中心化、不可更改、共同维护和智能合约的技术特征，能发放 token 的全新分布式媒体（Distributed Media）。以区块链技术和应用为基础，用区块链的思维和方式经营媒体，这是人类社会发展至今一种全新的媒体生态。

媒体为代表，前三个时代的媒体均是中心化的平台，手握文章生杀大权，审核机制并不透明。例如在微信公号中，文章能否发布需要机器或人工编辑审核，所有的文章都要经过中心化的平台，平台的审核标准影响着作者的创作；

若文章标题出现敏感议题，审核时间将大大延长，即便审核通过，一旦被举报，平台便马上删除该文章以自我保护。而区块链媒体时代，分布式、去中心化技术，会让内容的发布和分发更加公平、公正、客观，人人都可以发表文章，人人都可以对文章做出评价，而且人人都可以根据贡献值获益。

区块链技术的到来，将解决媒体发展中的痛点，预示着一个新的媒体时代的到来。

从自媒体到自品牌，再到自商业，媒体将重塑品牌传播，颠覆诸多行业观念，开启全新视野。

2013-2017年的聚类情况如图3-1所示，其中#7、#8和#9三个聚类都是针对虚拟货币及其影响的探讨，反映出区块链早期的研究热点，从比特币价值的市场波动情况、币值变动对投资人的影响到虚拟货币在金融体系中的地位等角度进行了许多研究。并在国内禁止ICO（首次币发行），也引起了学界对于虚拟货币法律层面的探讨，从研究热点中也可以较为明显地体现。

 技术层面上，#0和#6两个聚类都与区块链技术研究密切相关。最早出现的研究聚焦于以在密码学为代表的信息安全领域；2013-2014年间，Vitalik Buterin首次提出以太坊的概念，使智能合约开始被学界广泛关注，并尝试将其拓展到其他领域的应用中。 

从应用层面，#1、#2、#3、#4四个聚类均体现了学界在相关领域的探索。可以看出，早期区块链应用集中出现在银行、保险等经济金融领域，区块链已经被许多机构尤其是金融类机构定性为具有颠覆性与重要价值的新兴科技，和人工智能、大数据等技术并列。

这类社交网络使用区块链来记录社交网络中的信息发布和传播，使用户的所有言论都有迹可循，并对社区中优质内容的贡献者和传播者都给予激励，对虚假信息和垃圾信息的制造者和传播者给予惩罚。这些特点使生产、传播信息的成本变高，相比传统社交网络中的用户，该类社交网络中用户更加注意自己在社区中的言论，也更能理性看待社区中发布的各类信息，从而构建了一种新型的信息传播环境。

收益—风险矩阵，提出了一种针对区块链环境下的社交网络的舆情传播模型。然而，目前大多数研究集中在区块链技术在信息传播领域的应用前景和改善区块链中信息传播的效率、降低信息存储的成本等方面。仅有少数研究提出了针对区块链社交网络的传播模型，但是在这部分研究中仍未考虑过社交网络中的意见对立人群以及不同的激励政策对各群体传播行为的影响。

首先，作为一个去中心化的分布式账本，由于基础架构中激励层的技术特点，区块链中每一个节点都需要进行数据验证以达成共识并记账，所以需要设计合理的激励措施令区块链中各节点的利益与整体共识一致。这种底层技术特点映射到应用层面就是各种基于区块链技术的社交网络平台向优质内容创作者以及传播者发放平台的经济代币进行激励，为平台用户创作带来了经济动力。所以用户为尽可能多地获取其他用户的认可以及代币激励，在表达自己观点时会更加理性。在用户规范了自己行为的同时，社交网络平台也可依靠调整代币的激励政策对平台用户进行有效的引导。

其次，区块链技术基础架构的共识层利用区块的特点在高度去中心化的系统中高效地形成共识。在传播的过程中，区块链社交网络平台中的用户在一定程度上影响了信息的传播效果。用户可以支付平台代币对一条内容进行投票，评价该内容是否为优质(或低质量)信息，是否应将该内容优先浮现令更多用户看到以扩大其传播范围，由此促进了优质内容的传播而获得平台的代币激励。

最后，区块链中保存的数据可追溯且难以篡改。区块链技术利用时间戳和数字签名来保证区块链中存储的信息的稳定性与可靠性，用户的传播行为以及传播内容都会存储在区块链中且不可删除，即使用户删除了某条信息的本地记录，该信息仍会记录在其他分布式帐本中。借此特点，社交网络平台上的其他用户在接收到信息后可以通过查询创作(或传播)该信息的用户的历史发布记录和历史传播记录初步判定接收到的信息的真实性。

区块链社交网络信息传播的实际情况，假设SNS中存在信息T(T为一类话题的支持或反对信息)，将SNS中的节点分为易感染节点S(Susceptible)、观望节点E(exposed)、赞同节点A(Advocates)、反对节点O(Objector)、免疫节点R(Removed)，赞同节点A与反对节点O统称为感染者节点(Infected)。其中S节点表示用户还未接触到信息T。E节点表示接触信息T后，为最大化自身经济收益而暂时处于观望状态的节点。A节点表示接触信息T后，对信息T持赞同意见，并选择传播支持信息的节点。节点O表示接触信息T后，持反对意见，并选择传播反对信息的节点。R表示不再受信息影响的节点。

SEAOR模型状态转移过程Fig.1 The state transition process of the SEAOR model

设S(k,t)、E(k,t)、A(k,t)、O(k,t)、R(k,t)分别表示t时刻度为k的易感染节点、观望节点、赞同节点、反对节点、免疫节点的密度，且在任意时刻:S(k,t)+E(k,t)+A(k,t)+O(k,t)+R(k,t)=1，各状态之间的转移规则描述如下：

1)易感节点S接触到目标信息后，S可能以概率psa转变为赞同节点A，或以概率pso转变为反对节点O，或因经济激励和惩罚而选择暂时观望，以概率pse转变为观望者节点E。其中psa、pso、pse分别成为易感节点S对信息的赞同概率、反对概率、观望概率。

2)观望节点E再次接触到赞同节点A或反对节点O后，可能以概率pea转变成赞同节点A、以概率peo转变成反对节点O，或以概率per转变成免疫节点R。称pae、peo、per分别为观望节点E的赞同概率、反对概率、直接免疫概率。

3)赞同节点A以概率par转变成免疫节点R，称par为赞同节点A对目标信息的免疫概率。

4)反对节点O以概率por转变成免疫节点R，称por为反对节点O对目标信息的免疫概率。

5)当节点成为免疫节点R后，其状态不再改变。

基于上述状态间转移规则及系统动力学，基于区块链社交网络中的信息传播模型如式(1)：

(1)

其中，pcon为网络中任意一条随机边与感染者节点相连的概率。

矩阵中x为观望者接受来自感染者的消息的概率，即x为pea+peo，1-x为per。y、z分别为赞同者和反对者传播信息的概率，当感染者不再传播消息时，其将转变成免疫者，即1-y、1-z分别为pir、por。

群体S或群体E接受消息后转变成群体I(A或O)，付出投票的成本c，并根据A与O在所有I中的密度(λ和1-λ)从社区提供的经济激励中获得其基本收益λE、(1-λ)E。当I成功影响健康节点，即扩大了信息的传播范围，I将会获得其对应的额外收益。同时，I传播的消息可能被认定为劣质内容，I将得到相应的经济惩罚，即I传播信息的惩罚风险。

uE1=(yλ-zλ+z)E-(y+z)c

(2)uE2≡0

构造观望者E采取策略“接受”概率的复制动态方程[15]

(5)F(x)=x(1-x)[(yλ-zλ+z)E-(y+z)c]

(6)

• (1)若(yλ-zλ+z)E-(y+z)c=0，则F(x)≡0,即无论观望者E选择策略“接受”和“不接受”比例如何，其策略都不会随时间发生改变。此时per与pea+peo不变。

• (2)若(yλ-zλ+z)E-(y+z)c≠0，令F(x)=0，可得x=0，x=1为x的两个稳定点。即在不出现选择相反策略的突变体时，观望者E选择特定策略的比例(稳定在“接受”或“不接受”)不再发生变化。此时，对F(x)求导可得

可以得出转移概率per、par、por在t时刻下的变化趋势及函数。上述博弈的参与者为观望者E与全体感染者，所以仅通过上述计算无法界定当观望者E选择策略“接受”时，转移概率pei与peo的变化趋势。当E选择策略“接受”时：(1)若E选择接受A传播的信息，通过博弈矩阵可知其收益为λE-c；(2)若E选择接受O传播的信息，通过博弈矩阵可知其收益为(1-λ)E-c。

λ为A当前在所有感染者中的密度，(1-λ)为O当前在所有感染者中的密度。因此，在E选定策略“接受”的条件下，其收益与A、O在所有感染者中的密度相关，即选择人数较多的一方E总能获得较高的收益。一定程度上反映了真实社交网络中的个体会在面对大众信念时压制自己的怀疑、伪化即有知识的现象，这种现象称之为从众效应[16]。万佑红等人[17]通过结合信息的初始传播率和某时刻中传播者的密度描述从众效应对信息传播概率的影响。根据上述已有研究并结合本文实际，分别得出在E选定策略“接受”的条件下，转移概率pea与peo的动态变化方程

可知区块链社交网络中的激励机制和社交网络中普遍存在的从众心理，会影响区块链社交网络中不同群体传播行为。用户的期望收益与其基本收益E、传播成本c、传播惩罚风险R、传播额外收益有关，而不同感染者的密度又影响其所获基本收益和额外收益。所以，调整上述参数，均会对各群体的密度变化产生影响。由于信息传播时间相对较短，在后续实验中本文暂不考虑网络规模的动态变化。

因群体E、A、O的传播收益总是大于其传播风险，所以群体A、O密度均在短时间内上升，且不会下降，最终达到稳态。

调整激励政策，令群体E、A、O的传播收益可能大于0或小于0，各群体变化趋势如图6所示。

区块链社交网络给予用户的经济激励能够深刻影响社交网络中用户的传播行为。经济收益可以极大激发用户对信息的传播热情，与激励并存的经济惩罚机制又可使用户在面对不同信息时保持理性和怀疑，不轻易相信虚假和劣质信息。在实际的舆情监测中，平台可以针对不同的情况调整激励政策，以凸显高质量内容并抑制低质量信息的传播，更有利于营造积极健康向上的网络舆论环境。

了一种用于内容推荐的 Sean 模型，在区块链社交平台 Steemit 上构建的数据集上与 CF 算法等其他基于内容的推荐方法进行对比，取得了较好的效果 [ 26 ]。本文使用其公开的 Steemit 用户关系数据集来构建一个复杂的网络。网络拓扑如图2所示。该图包含 7242 个节点和 273942 条边。节点的颜色和大小代表节点的度数。如果节点的颜色越深，尺寸越大，则节点的度数大约越大。

社交网络使用激励机制来突出高质量信息并抑制低质量信息。在一定程度上，区块链社交网络可以利用其激励机制来鼓励用户抑制劣质信息的传播。抑制效果可以用信息达到最大传播范围时不同信息传播者的密度差来表示。模型能否描述这种效果也是评价模型是否合理的一个指标。在区块链环境下，由于经济激励，用户在选择传播行为时会更加谨慎，而不是收到信息就随便传播。而当用户频繁接触某类意见时，他们更倾向于选择传播这类观点。由此可见，传播开始时各种传播者的比例，将对用户接触信息后的传播行为产生重要影响。本实验选取不同类型传播者的初始密度比，观察不同信息传播者在信息达到最大传播范围时的密度差异。本文模型与传统通信模型的对比如图 本实验选取不同类型传播者的初始密度比，观察不同信息传播者在信息达到最大传播范围时的密度差异。本文模型与传统通信模型的对比如图 本实验选取不同类型传播者的初始密度比，观察不同信息传播者在信息达到最大传播范围时的密度差异。

除了核心用户的识别，传播规模也是影响微博最终传播效果的关键要素之一。通过对信息传播规模的预测，可以提早发现信息传播的最终影响范围。相关研究集中于信息传播建模、影响力最大化等方面。

第一，本文通过分析微博网络中完整的转发链路，定义了核者的识别。

第二，本文通过提取微博网络中的相关特征，综合分析对转发产生影响的因素，考虑到影响转发因素的用户影响力以及信息强化效应，以线性阈值模型（LT）、传染病模型（SEIR）为最初蓝本，改进阈值表示方法，实现对于单条微博最终传播规模的预测。

关注关系是其社交网络结构的重要组成部分，用户间的关注关系共同构成网络结构的入度与出度。通过分析88829条用户关注数据有如下发现（附录Ⅱ（1））：

• 有8420人次（10%）关注人数高达993，我们分析提供的数据爬取时最高爬取量为993。

• 大量用户关注数在100~200档位，符合一般逻辑，因为大多数人处理社交事务精力有限。

俩个网络与四种指标展开。考虑到核心用户在不同场景下有不同的定义，在信息传播的情形下，本文使用用户微博扩散能力、对下级用户影响程度能力为衡量指标计算核心用户的核心程度。具体运用PageRank思想，基于微博转发关系网络、用户关注关系网络，构建信息转发时间性、用户转发影响力，对下级用户的情绪强弱性影响以及在静态网络中的用户自身位置信息指标决定用户核心程度。

• 对文本进行分词，找出文本中的情感词、否定词以及程度副词；

• 判断每个情感词之前是否存在否定词及程度副词，将其与情感词分为文本中的一个组；

• 如果情感词前有否定词则将情感词的情感权值乘以-1，如果有程度副词就乘以程度副词的程度值；

• 加和所有组的得分，积极情绪得分大于0、消极情绪得分小于0，绝对值越大情绪越强

度算法算法：在基于社交网络的信息传播过程中：

• 转发影响力：体现被转发用户信息传播能力在话题内的信息传播广度。

• 用户自身质量：体现用户信息传播能力影响用户的强度。

因此本文将这两个度量指标通过线性融合计算用户在话题内的信息传播能力大小。

经典的传播理论认为信息的传播可以分为“大众传播”和“人际传播”。随着社会网络分析（SNA）方法不断地发展，对于信息传播规模的预测出现了过度“结构”化现象(6)，即过分强调网络结构，忽略的信息传播的宏观性。个体间的相互作用对最终传播规模有着重要影响，夸大其网络结构的作用，往往有悖实际情况。

出现让“非结构化传播”和“结构化传播”间的界限更加模糊

满足以下假设：

1. 假设1：用户发布或者转发用户的状态为感染用户，其直接粉丝的状态为易感染用户。

2. 假设2：微博用户从易感染用户成为感染用户的概率为β。

3. 假设3：用户从感染转态成为免疫状态的概率为α。

4. 假设4：没有关注这些感染用户的状态为外来用户。此类用户自主阅读微博并转发的概率为γ。

当给定某条热点，信任圈层，t时刻，在SIRE模型中：

• S(t)表示t时刻易感染用户的数量，该部分人群可能会进行转发；

• I(t)表示已转发改微博的用户，并且具有传播力的人群；

• R(t)表示免疫用户R的数量，该类用户表示t时刻不会再转发该微博的用户人数

本文提出一种基于关注关系、用户影响力以及信息强化效应的传播规模预测模型，该模型在线性阈值模型（LT）(11)的基础上着重考虑不同用户影响力。该模型分为两个部分，启动部分及后续传播部分。启动部分考虑根微博用户u对粉丝集合fans(u)的影响力PR(u)，用户v转发阈值设置为0到该粉丝所有关注用户（Fv）PR值之和间的随机数，即γv∈[0,sum(PR(Fv))]，若PR(u)>γv，则用户v不转发；若PR(u)≤γv，则用户v转发。后续传播部分因为信息的冗余所以存在强化效应，对用户的总影响力Influce(v)计算如下：

v转发阈值设置为0到该所有关注用户（Fv）PR值之和间的随机数,与LR模型不同，当v所关注用户近90%都转发了该信息，则用户v必参与转发。

链路预测的主要目的是基于推测网络节点之间存在链路的概率。本文主要研究基于转发关系的微博传播网络中的链路预测问题（附录Ⅳ（1））。

本文采用转发数据对不同的指标进行对比分析，将数据及按照0.85：0.15的比例切分训练集和测试集。分别尝试Adamic-Adar，Jaccard Coefficient, Preferential Attachment, Node2vec, Variational Graph Auto-Encoders等链路预测方法，衡量链路预测算法精度的指标主要有AUC和Precision，其中AUC从整体上衡量算法的精确度，Precision只考虑排在前L位的边是否预测准确。

区块链的大火，离不开区块链媒体们的推动。那大家了解什么是区块链媒体吗？其实，区块链媒体并不是报道区块链内容的媒体，而是依托区块链技术应用并给媒体内容领域带来革命性变化的新型媒体业态。

区块链媒体基本处于报道区块链资讯的形态，且经历了容易由热至冷的变化，管控下结束了野蛮生长的币圈和区块链媒体又该走向何处？

1.信息共享，区块链实现数据解放

每个人在区块链上都可以拥有完整的历史数据，这对于新闻业而言，有限的记者和编辑可以拥有大量的材料，极大节省了人工收集、整理数据的成本。区块链的信息共享不仅有别于记者传统采集信息的方式，也与平常网络搜索有所区别，即记者不仅仅可以通过区块链快速获得完整信息，同时也可以“直接接触”到信息人，进一步分析信息背后的内容。

2.区块链打击虚假新闻

网络时代，专业新闻生产日益被业余化，信源的可信度和权威性难以得到保障；同时，部分自媒体为了引导用户注意力不择手段，传播虚假消息，致使假新闻泛滥。对于新闻内容平台而言，几乎都有一套对新闻内容进行排名的算法，但是这类算法并不透明，新闻内容传播平台的控制者有很大的空间可以对这种筛选和排名进行操纵。这种对排名的操纵也是平台盈利的重要手段，最具代表性的例子是**“竞价排名”**等营销手段。

除开上文所提到的Userfeeds的评估证明方式之外，PressCoin为各独立新闻机构搭建了一个生态系统，用于新闻产品的生产与交易。生活在 PressCoin 系统里的独立新闻机构彼此是依存共生的。每一个独立新闻机构都分配了一个存储了该机构信息的数据区块，PressCoin通过区块链评估这些独立新闻机构为整个系统所作出贡献的大小，进行再次分配。所有独立新闻机构的信息都已经记录在区块链上，没有私钥不可随意篡改。一旦发现有机构发布虚假信息，系统可以通过区块链直接定位到发布源，对其进行相应的惩罚。

3.区块链追踪溯源保护版权

数字化时代，信息传播不再依赖于物理载体，作者很难实现对于数字作品的控制，便出现了大量的抄袭和洗稿。区块链能为新闻作品在某一个特定时间点的存在提供证明，**在区块链技术的数据库中，存储着完整的交易数据，既包括作品创作的时间点，也包括版权交易的时间点，其记录是透明准确和独一无二的，**在浩瀚的新闻生产作品中可以根据数据进行追踪溯源，具有很强的证明力，为保护版权提供强大技术保障。

4.区块链保护社交媒体用户隐私

个人信息保护世界各国网络安全面临的巨大问题，用户在网络上的身份信息、浏览痕迹、创造的内容并不受自己掌控。**区块链采用P2P技术，不需提供任何身份信息，区块链技术不仅能够实现数据加密，而且利用一套固定算法获取信任。**在这种模型中，用户个人的数据何时开放、开放给谁、开放到什么程度，均由用户个人来授权，而不再由网络信息平台任意处置。

5. 带动舆情分析技术突飞猛进

区块链有真实、不可篡改的特点，这种强背书成为精准分析网络舆情的绝佳切入点。当前所流行的舆情预警平台等搜集的信息，存在模糊、混沌、不准确的问题，舆情处理所需的时间周期太长，即便策略得当，还可能目标错误。在区块链基础上，舆情应对的方案将具有高度精确性。方案将作用于哪些人，以什么手段进行疏导，什么时间点实施，这些细节的精确性将大大提高效率。

保罗·莱文森提出了**“补偿性媒介”和“媒介的人性化趋势”**的概念，他指出，人类在媒介演化过程中，不断地进行着理性选择，人类的技术越来越完美，但新的媒介又带来新的问题。媒介的进化是人的选择结果，能更好地满足人的需要的媒介被保留了下来。从某种程度上说，**区块链技术是对以往技术的一种补偿，例如对隐私的保护、对信源的核查等，区块链技术能更好地满足当前社会人们的需要。**但是，区块链技术只是顺应时代发展的一种技术，它并不能解决所有问题。

首先，区块链既是一项新的技术，面临的最迫切的问题就是缺失一整套统一的标准及法律程序。智能合约的责任主体缺失问题、区块链提供的版权证明并不具有直接的法律效力问题，所有一系列问题都意味着区块链法律与监管急需完善。

其次，区块链的不可篡改性与被遗忘权产生了冲突。由于数字技术和全球网络的发展，人类记忆与遗忘的格局发生了根本性的转变，遗忘变成了例外，记住则成了常态。如果互联网上传播关于个人的负面信息，那么在不违反法律的前提下，个人是有权利要求数据控制者永久删除此类信息。而区块链的不可篡改，使被遗忘权处于不知何去何从的尴尬境地。

另外，区块链技术是否能真的抑制假新闻也让人存疑。一方面，就技术而言，新闻业中很少有人理解区块链技术的运作原理，那么既然现在新闻内容平台本身就存在“算法黑箱”，那依赖算法程序的区块链技术是否也存在同样的问题？

媒体革命已经来临，

媒体，在这个信息巨量化、茧房化的世界里，构建一种基于区块链技术的分布式、去中心化媒体新生态。

什么是媒体？教科书上的说法——媒体是从传播者到接受者之间传递信息的载体。区块链时代，媒体的属性正在发生质的改变。

媒体的变迁可以大致划分为四个时代。

第一个是古典媒体时代，传统的报纸、杂志、广播都属于古典媒体；

第二个是社交媒体时代，社交媒体是人们彼此分享见解和观点的平台，人们不用7点准时守在电视机前看新闻，所有信息来源都换成了刷朋友圈和微博，“朋友圈成为一种生活方式”；

第三个是智能媒体时代，根据大数据演算你的阅读习惯，当你点开一则新闻，就会出现无数类似的新闻。但算法构建的阅读世界里，人们容易陷入各自主观偏好信息与观点的漩涡中，舆论无法统一，世界的呈现方式也日趋碎片化；

第四个时代是区块链媒体时代，在这个系统中既能杜绝假新闻，又能获得内容激励和变现，写文章、看文章都能赚钱，人人是创作者和受益者。

真正的区块链媒体，不是报道区块链的媒体（Blockchain Reports），而是运用区块链的分布式、去中心化、不可更改、共同维护和智能合约的技术特征，能发放 token 的全新分布式媒体（Distributed Media）。以区块链技术和应用为基础，用区块链的思维和方式经营媒体，这是人类社会发展至今一种全新的媒体生态。

媒体为代表，前三个时代的媒体均是中心化的平台，手握文章生杀大权，审核机制并不透明。例如在微信公号中，文章能否发布需要机器或人工编辑审核，所有的文章都要经过中心化的平台，平台的审核标准影响着作者的创作；

若文章标题出现敏感议题，审核时间将大大延长，即便审核通过，一旦被举报，平台便马上删除该文章以自我保护。而区块链媒体时代，分布式、去中心化技术，会让内容的发布和分发更加公平、公正、客观，人人都可以发表文章，人人都可以对文章做出评价，而且人人都可以根据贡献值获益。

区块链技术的到来，将解决媒体发展中的痛点，预示着一个新的媒体时代的到来。

从自媒体到自品牌，再到自商业，媒体将重塑品牌传播，颠覆诸多行业观念，开启全新视野。

2013-2017年的聚类情况如图3-1所示，其中#7、#8和#9三个聚类都是针对虚拟货币及其影响的探讨，反映出区块链早期的研究热点，从比特币价值的市场波动情况、币值变动对投资人的影响到虚拟货币在金融体系中的地位等角度进行了许多研究。并在国内禁止ICO（首次币发行），也引起了学界对于虚拟货币法律层面的探讨，从研究热点中也可以较为明显地体现。

 技术层面上，#0和#6两个聚类都与区块链技术研究密切相关。最早出现的研究聚焦于以在密码学为代表的信息安全领域；2013-2014年间，Vitalik Buterin首次提出以太坊的概念，使智能合约开始被学界广泛关注，并尝试将其拓展到其他领域的应用中。 

从应用层面，#1、#2、#3、#4四个聚类均体现了学界在相关领域的探索。可以看出，早期区块链应用集中出现在银行、保险等经济金融领域，区块链已经被许多机构尤其是金融类机构定性为具有颠覆性与重要价值的新兴科技，和人工智能、大数据等技术并列。

这类社交网络使用区块链来记录社交网络中的信息发布和传播，使用户的所有言论都有迹可循，并对社区中优质内容的贡献者和传播者都给予激励，对虚假信息和垃圾信息的制造者和传播者给予惩罚。这些特点使生产、传播信息的成本变高，相比传统社交网络中的用户，该类社交网络中用户更加注意自己在社区中的言论，也更能理性看待社区中发布的各类信息，从而构建了一种新型的信息传播环境。

收益—风险矩阵，提出了一种针对区块链环境下的社交网络的舆情传播模型。然而，目前大多数研究集中在区块链技术在信息传播领域的应用前景和改善区块链中信息传播的效率、降低信息存储的成本等方面。仅有少数研究提出了针对区块链社交网络的传播模型，但是在这部分研究中仍未考虑过社交网络中的意见对立人群以及不同的激励政策对各群体传播行为的影响。

首先，作为一个去中心化的分布式账本，由于基础架构中激励层的技术特点，区块链中每一个节点都需要进行数据验证以达成共识并记账，所以需要设计合理的激励措施令区块链中各节点的利益与整体共识一致。这种底层技术特点映射到应用层面就是各种基于区块链技术的社交网络平台向优质内容创作者以及传播者发放平台的经济代币进行激励，为平台用户创作带来了经济动力。所以用户为尽可能多地获取其他用户的认可以及代币激励，在表达自己观点时会更加理性。在用户规范了自己行为的同时，社交网络平台也可依靠调整代币的激励政策对平台用户进行有效的引导。

其次，区块链技术基础架构的共识层利用区块的特点在高度去中心化的系统中高效地形成共识。在传播的过程中，区块链社交网络平台中的用户在一定程度上影响了信息的传播效果。用户可以支付平台代币对一条内容进行投票，评价该内容是否为优质(或低质量)信息，是否应将该内容优先浮现令更多用户看到以扩大其传播范围，由此促进了优质内容的传播而获得平台的代币激励。

最后，区块链中保存的数据可追溯且难以篡改。区块链技术利用时间戳和数字签名来保证区块链中存储的信息的稳定性与可靠性，用户的传播行为以及传播内容都会存储在区块链中且不可删除，即使用户删除了某条信息的本地记录，该信息仍会记录在其他分布式帐本中。借此特点，社交网络平台上的其他用户在接收到信息后可以通过查询创作(或传播)该信息的用户的历史发布记录和历史传播记录初步判定接收到的信息的真实性。

区块链社交网络信息传播的实际情况，假设SNS中存在信息T(T为一类话题的支持或反对信息)，将SNS中的节点分为易感染节点S(Susceptible)、观望节点E(exposed)、赞同节点A(Advocates)、反对节点O(Objector)、免疫节点R(Removed)，赞同节点A与反对节点O统称为感染者节点(Infected)。其中S节点表示用户还未接触到信息T。E节点表示接触信息T后，为最大化自身经济收益而暂时处于观望状态的节点。A节点表示接触信息T后，对信息T持赞同意见，并选择传播支持信息的节点。节点O表示接触信息T后，持反对意见，并选择传播反对信息的节点。R表示不再受信息影响的节点。

SEAOR模型状态转移过程Fig.1 The state transition process of the SEAOR model

设S(k,t)、E(k,t)、A(k,t)、O(k,t)、R(k,t)分别表示t时刻度为k的易感染节点、观望节点、赞同节点、反对节点、免疫节点的密度，且在任意时刻:S(k,t)+E(k,t)+A(k,t)+O(k,t)+R(k,t)=1，各状态之间的转移规则描述如下：

1)易感节点S接触到目标信息后，S可能以概率psa转变为赞同节点A，或以概率pso转变为反对节点O，或因经济激励和惩罚而选择暂时观望，以概率pse转变为观望者节点E。其中psa、pso、pse分别成为易感节点S对信息的赞同概率、反对概率、观望概率。

2)观望节点E再次接触到赞同节点A或反对节点O后，可能以概率pea转变成赞同节点A、以概率peo转变成反对节点O，或以概率per转变成免疫节点R。称pae、peo、per分别为观望节点E的赞同概率、反对概率、直接免疫概率。

3)赞同节点A以概率par转变成免疫节点R，称par为赞同节点A对目标信息的免疫概率。

4)反对节点O以概率por转变成免疫节点R，称por为反对节点O对目标信息的免疫概率。

5)当节点成为免疫节点R后，其状态不再改变。

基于上述状态间转移规则及系统动力学，基于区块链社交网络中的信息传播模型如式(1)：

(1)

其中，pcon为网络中任意一条随机边与感染者节点相连的概率。

矩阵中x为观望者接受来自感染者的消息的概率，即x为pea+peo，1-x为per。y、z分别为赞同者和反对者传播信息的概率，当感染者不再传播消息时，其将转变成免疫者，即1-y、1-z分别为pir、por。

群体S或群体E接受消息后转变成群体I(A或O)，付出投票的成本c，并根据A与O在所有I中的密度(λ和1-λ)从社区提供的经济激励中获得其基本收益λE、(1-λ)E。当I成功影响健康节点，即扩大了信息的传播范围，I将会获得其对应的额外收益。同时，I传播的消息可能被认定为劣质内容，I将得到相应的经济惩罚，即I传播信息的惩罚风险。

uE1=(yλ-zλ+z)E-(y+z)c

(2)uE2≡0

构造观望者E采取策略“接受”概率的复制动态方程[15]

(5)F(x)=x(1-x)[(yλ-zλ+z)E-(y+z)c]

(6)

• (1)若(yλ-zλ+z)E-(y+z)c=0，则F(x)≡0,即无论观望者E选择策略“接受”和“不接受”比例如何，其策略都不会随时间发生改变。此时per与pea+peo不变。

• (2)若(yλ-zλ+z)E-(y+z)c≠0，令F(x)=0，可得x=0，x=1为x的两个稳定点。即在不出现选择相反策略的突变体时，观望者E选择特定策略的比例(稳定在“接受”或“不接受”)不再发生变化。此时，对F(x)求导可得

可以得出转移概率per、par、por在t时刻下的变化趋势及函数。上述博弈的参与者为观望者E与全体感染者，所以仅通过上述计算无法界定当观望者E选择策略“接受”时，转移概率pei与peo的变化趋势。当E选择策略“接受”时：(1)若E选择接受A传播的信息，通过博弈矩阵可知其收益为λE-c；(2)若E选择接受O传播的信息，通过博弈矩阵可知其收益为(1-λ)E-c。

λ为A当前在所有感染者中的密度，(1-λ)为O当前在所有感染者中的密度。因此，在E选定策略“接受”的条件下，其收益与A、O在所有感染者中的密度相关，即选择人数较多的一方E总能获得较高的收益。一定程度上反映了真实社交网络中的个体会在面对大众信念时压制自己的怀疑、伪化即有知识的现象，这种现象称之为从众效应[16]。万佑红等人[17]通过结合信息的初始传播率和某时刻中传播者的密度描述从众效应对信息传播概率的影响。根据上述已有研究并结合本文实际，分别得出在E选定策略“接受”的条件下，转移概率pea与peo的动态变化方程

可知区块链社交网络中的激励机制和社交网络中普遍存在的从众心理，会影响区块链社交网络中不同群体传播行为。用户的期望收益与其基本收益E、传播成本c、传播惩罚风险R、传播额外收益有关，而不同感染者的密度又影响其所获基本收益和额外收益。所以，调整上述参数，均会对各群体的密度变化产生影响。由于信息传播时间相对较短，在后续实验中本文暂不考虑网络规模的动态变化。

因群体E、A、O的传播收益总是大于其传播风险，所以群体A、O密度均在短时间内上升，且不会下降，最终达到稳态。

调整激励政策，令群体E、A、O的传播收益可能大于0或小于0，各群体变化趋势如图6所示。

区块链社交网络给予用户的经济激励能够深刻影响社交网络中用户的传播行为。经济收益可以极大激发用户对信息的传播热情，与激励并存的经济惩罚机制又可使用户在面对不同信息时保持理性和怀疑，不轻易相信虚假和劣质信息。在实际的舆情监测中，平台可以针对不同的情况调整激励政策，以凸显高质量内容并抑制低质量信息的传播，更有利于营造积极健康向上的网络舆论环境。

了一种用于内容推荐的 Sean 模型，在区块链社交平台 Steemit 上构建的数据集上与 CF 算法等其他基于内容的推荐方法进行对比，取得了较好的效果 [ 26 ]。本文使用其公开的 Steemit 用户关系数据集来构建一个复杂的网络。网络拓扑如图2所示。该图包含 7242 个节点和 273942 条边。节点的颜色和大小代表节点的度数。如果节点的颜色越深，尺寸越大，则节点的度数大约越大。

社交网络使用激励机制来突出高质量信息并抑制低质量信息。在一定程度上，区块链社交网络可以利用其激励机制来鼓励用户抑制劣质信息的传播。抑制效果可以用信息达到最大传播范围时不同信息传播者的密度差来表示。模型能否描述这种效果也是评价模型是否合理的一个指标。在区块链环境下，由于经济激励，用户在选择传播行为时会更加谨慎，而不是收到信息就随便传播。而当用户频繁接触某类意见时，他们更倾向于选择传播这类观点。由此可见，传播开始时各种传播者的比例，将对用户接触信息后的传播行为产生重要影响。本实验选取不同类型传播者的初始密度比，观察不同信息传播者在信息达到最大传播范围时的密度差异。本文模型与传统通信模型的对比如图 本实验选取不同类型传播者的初始密度比，观察不同信息传播者在信息达到最大传播范围时的密度差异。本文模型与传统通信模型的对比如图 本实验选取不同类型传播者的初始密度比，观察不同信息传播者在信息达到最大传播范围时的密度差异。

除了核心用户的识别，传播规模也是影响微博最终传播效果的关键要素之一。通过对信息传播规模的预测，可以提早发现信息传播的最终影响范围。相关研究集中于信息传播建模、影响力最大化等方面。

第一，本文通过分析微博网络中完整的转发链路，定义了核者的识别。

第二，本文通过提取微博网络中的相关特征，综合分析对转发产生影响的因素，考虑到影响转发因素的用户影响力以及信息强化效应，以线性阈值模型（LT）、传染病模型（SEIR）为最初蓝本，改进阈值表示方法，实现对于单条微博最终传播规模的预测。

关注关系是其社交网络结构的重要组成部分，用户间的关注关系共同构成网络结构的入度与出度。通过分析88829条用户关注数据有如下发现（附录Ⅱ（1））：

• 有8420人次（10%）关注人数高达993，我们分析提供的数据爬取时最高爬取量为993。

• 大量用户关注数在100~200档位，符合一般逻辑，因为大多数人处理社交事务精力有限。

俩个网络与四种指标展开。考虑到核心用户在不同场景下有不同的定义，在信息传播的情形下，本文使用用户微博扩散能力、对下级用户影响程度能力为衡量指标计算核心用户的核心程度。具体运用PageRank思想，基于微博转发关系网络、用户关注关系网络，构建信息转发时间性、用户转发影响力，对下级用户的情绪强弱性影响以及在静态网络中的用户自身位置信息指标决定用户核心程度。

• 对文本进行分词，找出文本中的情感词、否定词以及程度副词；

• 判断每个情感词之前是否存在否定词及程度副词，将其与情感词分为文本中的一个组；

• 如果情感词前有否定词则将情感词的情感权值乘以-1，如果有程度副词就乘以程度副词的程度值；

• 加和所有组的得分，积极情绪得分大于0、消极情绪得分小于0，绝对值越大情绪越强

度算法算法：在基于社交网络的信息传播过程中：

• 转发影响力：体现被转发用户信息传播能力在话题内的信息传播广度。

• 用户自身质量：体现用户信息传播能力影响用户的强度。

因此本文将这两个度量指标通过线性融合计算用户在话题内的信息传播能力大小。

经典的传播理论认为信息的传播可以分为“大众传播”和“人际传播”。随着社会网络分析（SNA）方法不断地发展，对于信息传播规模的预测出现了过度“结构”化现象(6)，即过分强调网络结构，忽略的信息传播的宏观性。个体间的相互作用对最终传播规模有着重要影响，夸大其网络结构的作用，往往有悖实际情况。

出现让“非结构化传播”和“结构化传播”间的界限更加模糊

满足以下假设：

1. 假设1：用户发布或者转发用户的状态为感染用户，其直接粉丝的状态为易感染用户。

2. 假设2：微博用户从易感染用户成为感染用户的概率为β。

3. 假设3：用户从感染转态成为免疫状态的概率为α。

4. 假设4：没有关注这些感染用户的状态为外来用户。此类用户自主阅读微博并转发的概率为γ。

当给定某条热点，信任圈层，t时刻，在SIRE模型中：

• S(t)表示t时刻易感染用户的数量，该部分人群可能会进行转发；

• I(t)表示已转发改微博的用户，并且具有传播力的人群；

• R(t)表示免疫用户R的数量，该类用户表示t时刻不会再转发该微博的用户人数

本文提出一种基于关注关系、用户影响力以及信息强化效应的传播规模预测模型，该模型在线性阈值模型（LT）(11)的基础上着重考虑不同用户影响力。该模型分为两个部分，启动部分及后续传播部分。启动部分考虑根微博用户u对粉丝集合fans(u)的影响力PR(u)，用户v转发阈值设置为0到该粉丝所有关注用户（Fv）PR值之和间的随机数，即γv∈[0,sum(PR(Fv))]，若PR(u)>γv，则用户v不转发；若PR(u)≤γv，则用户v转发。后续传播部分因为信息的冗余所以存在强化效应，对用户的总影响力Influce(v)计算如下：

v转发阈值设置为0到该所有关注用户（Fv）PR值之和间的随机数,与LR模型不同，当v所关注用户近90%都转发了该信息，则用户v必参与转发。

链路预测的主要目的是基于推测网络节点之间存在链路的概率。本文主要研究基于转发关系的微博传播网络中的链路预测问题（附录Ⅳ（1））。

本文采用转发数据对不同的指标进行对比分析，将数据及按照0.85：0.15的比例切分训练集和测试集。分别尝试Adamic-Adar，Jaccard Coefficient, Preferential Attachment, Node2vec, Variational Graph Auto-Encoders等链路预测方法，衡量链路预测算法精度的指标主要有AUC和Precision，其中AUC从整体上衡量算法的精确度，Precision只考虑排在前L位的边是否预测准确。