本文作者为浙江理工大学经济管理学院郝奥东，文章发表于《电子商务评论》（e-commerce letters）2025年第14卷第5期，具体刊出日期为2025年5月22日，文章页码为1614至1625页。该研究聚焦于数字经济时代网络平台虚假信息的传播机制与智能治理策略，提出了一种基于多指标融合的关键节点识别模型，并通过实证数据验证了该模型的有效性。以下将从研究背景、研究方法与流程、主要实验结果、研究结论与价值以及研究亮点等方面对该研究进行系统介绍。
数字经济的高速发展深刻改变了全球经济格局，电子商务作为其重要组成部分，已成为消费市场的核心驱动力。然而，虚假信息在网络平台上的传播对消费者权益和市场公平造成了严重威胁。尤其在微博等社交媒体平台上，用户发布的内容和评价能够直接或间接影响消费者的购买决策。虚假信息往往利用情绪化、煽动性内容误导受众，进而干扰正常的市场交易秩序。在突发事件背景下，信息传播速度加快，网络结构发生显著变化，虚假信息更易在短时间内实现裂变式扩散。传统的虚假信息治理方法多侧重于文本内容分析、来源可信度评估等角度，难以从网络结构层面有效遏制信息的源头扩散。社会网络分析（social network analysis, SNA）为虚假信息治理提供了新的研究视角，即通过网络中节点的连接关系来识别关键传播节点。基于上述背景，该研究旨在构建一种融合多种中心性指标的智能识别模型，精准定位虚假信息传播网络中的“超级传播者”，为平台提供实时监测与干预的决策依据。
该研究的总体流程可以概括为四个主要步骤：数据集获取、社交网络构建、网络中心性指标计算以及关键节点识别。研究选取了微博平台中围绕“俄亥俄州列车脱轨”突发事件（2023年2月14日至2023年3月17日）的用户社交数据，共涉及10,928条帖子所对应的用户。根据图论原理，研究以用户为节点（node），以转发关系为有向边（directed edge）构建了突发事件信息传播网络。具体而言，若用户j转发了用户i的一条帖子，则存在一条从用户j指向用户i的有向边。
在中心性指标计算环节，研究整合了四个经典的社会网络分析指标。第一，度中心性（degree centrality）衡量一个节点直接连接的边的数量，用于反映节点的直接影响力。第二，中介中心性（betweenness centrality）计算一个节点作为网络中其他节点之间最短路径中介者的频率，用于识别信息传播中的“桥梁”节点。第三，特征向量中心性（eigenvector centrality）不仅考虑节点自身的连接数量，还考虑其邻居节点的重要性，用以衡量节点的全局影响力。第四，PageRank算法基于链接分析原理，通过节点被其他重要节点指向的情况来评估其“权威性”和持续传播力。研究对每个节点分别计算上述四项指标，并对各指标得分进行归一化处理。
在关键节点识别算法环节，研究提出了一种基于加权融合的综合得分计算公式，即节点的最终得分由度中心性、中介中心性、特征向量中心性和PageRank四个指标得分分别乘以相应权重后求和得到。权重确定是该方法的核心环节。研究采用网络搜索优化方法，在预设的各指标权重范围内以步长0.05进行搜索，同时结合准确率（accuracy）、精确率（precision）、召回率（recall）和F1-score四项评估指标来评判不同权重组合下模型识别前50个关键节点的性能。研究还引入了熵权法进行权重的客观赋权，以期提高识别结果的可靠性。最终确定的最优权重组合为：度中心性权重0.35，中介中心性权重0.25，特征向量中心性权重0.20，PageRank权重0.20。
在实验验证与数据分析方面，研究使用Gephi软件对全部用户、真实信息传播用户和虚假信息传播用户的社交网络分别进行了可视化展示。数据集中包含文本内容以及用户粉丝数、发帖总数、认证类型等信息。研究在得到关键节点识别结果后，进一步从情感特征、用户信息特征和传播路径三个维度对关键节点进行了深度分析，以揭示虚假信息传播节点的行为规律。
在网络结构可视化方面，研究结果显示虚假信息用户社交网络（图2©）呈现显著的无标度特性（scale-free property），即少数核心节点承载了大多数的转发量，符合“超级传播者”主导的传播模式。相比之下，真实信息网络结构更为分散，核心节点的影响力较弱。这一结果从结构层面验证了该数据集适用于虚假信息传播关键节点识别研究。
在模型性能比较方面，当四个指标权重均衡分配（均为0.25）时，F1-score仅为0.61，反映出单一方法或简单平均融合的局限性。经过网络搜索优化和熵权法调节后，最优权重组合（0.35、0.25、0.20、0.20）使F1-score提升至0.78，准确率为0.76，精确率为0.72，召回率为0.81。此外，研究中还比较了其他几组权重组合的性能，例如权重配置为0.40、0.25、0.20、0.15时F1-score为0.76，权重配置为0.30、0.30、0.20、0.20时F1-score为0.72，权重配置为0.25、0.35、0.20、0.20时F1-score降为0.67。上述结果表明，适度提高度中心性的权重有助于提升识别性能，但过度偏向某一指标反而会降低整体效果。
在关键节点情感特征分析方面，图3(a)显示关键节点所发布的内容普遍具有明显的消极情绪特征，如恐慌、焦虑等负面情绪。这些情绪性内容能够迅速激发受众的情感共鸣，成为推动信息扩散的重要驱动力。该发现表明，虚假信息往往借助煽动性言辞或情绪化内容来制造社会恐慌或不信任感，从而放大传播效应。在用户认证情况方面，图3(b)的结果显示个人认证用户在关键节点中占较大比例，而这些认证用户通常具备较好的信用度和较高的社会信任度，因此在虚假信息传播中处于信息流动的枢纽位置。
在关键节点用户信息特征方面，图4通过对粉丝数、关注数和微博发布总量的统计分析揭示，拥有庞大粉丝基础且互动频次较高的用户所发布的内容更容易引起广泛转发，并在整个传播网络中形成较高的中心性。高活跃度和高粉丝量的用户不仅是信息的接收者，更是信息的扩散者，在虚假信息传播中扮演着“超级传播者”的角色。
在关键节点传播路径分析方面，图5(a)展示了虚假信息传播网络中关键节点的分布位置，这些节点大多位于网络的核心区域，起到联结各个子网络的桥梁作用。图5(b)的网络结构分析显示关键节点之间存在紧密的相互联系，信息在传播过程中会在这些节点间循环放大，形成集群效应。图5©的关键传播路径图则精准定位了对整个网络信息流起到“瓶颈”作用的通道，这些通道连接不同局部群体，一旦被激活，能够使虚假信息在极短时间内突破地域和群体界限，形成跨群体传播效应。
该研究得出以下主要结论：虚假信息在社交媒体上的传播主要依赖高粉丝量、高活跃度的“超级传播者”节点；这些节点所发布的内容通常具有情绪化、消极化倾向；认证用户尤其是个人认证用户在虚假信息传播中占据了重要比例；关键节点之间的紧密连接和核心通道构成了虚假信息快速扩散的结构基础。基于这些发现，研究提出了相应的治理建议：其一，利用度中心性、中介中心性、特征向量中心性和PageRank算法，结合熵权法动态优化权重，精准识别虚假信息传播的关键节点；其二，通过算法调控降低虚假内容在平台上的曝光率；其三，鼓励用户举报虚假信息，并建立便捷的举报入口和反馈系统，确保举报能够在24小时内得到处理。
从科学价值来看，该研究提出的多指标融合关键节点识别模型突破了传统方法仅依赖单一或较少网络结构指标的局限，为复杂网络环境下的关键节点识别提供了新的方法路径。从应用价值来看，该模型可为社交平台提供实时监测与干预的决策工具，有助于从源头遏制虚假信息的裂变式扩散，进而保护消费者权益、维护市场公平竞争秩序。研究还指出，未来可进一步探索跨平台虚假信息传播规律，并借助人工智能技术构建更完善的信息治理体系，以促进数字经济环境的健康发展。
该研究的主要亮点体现在以下几个方面。第一，方法层面的创新性在于将度中心性、中介中心性、特征向量中心性和PageRank四种指标进行融合，并通过网络搜索优化与熵权法实现权重的自适应确定，相较于传统单一中心性指标方法具有更高的识别精度。第二，研究对象具有现实针对性，选取了具体的突发事件数据集进行实证验证，使得研究结论具有较强的实践指导意义。第三，研究不仅停留在识别关键节点层面，还进一步从情感特征、用户属性和传播路径三个维度对关键节点进行了深入剖析，揭示了虚假信息传播节点的行为模式与结构特征，这为后续的精准干预提供了多维度的数据支撑。