考虑次近邻影响的微博舆论观点演化模型*
杨柳1, 朱恒民1, 马静2
1南京邮电大学管理学院 南京 210023
2南京航空航天大学经济与管理学院 南京 210016
通讯作者: 杨柳 E-mail: ylluckyyn@163.com

作者贡献声明:

朱恒民, 杨柳: 提出研究思路, 设计研究方案;

杨柳, 马静: 进行实验;

杨柳, 朱恒民: 采集、清洗和分析数据;

杨柳, 马静: 起草论文;

朱恒民, 杨柳: 论文最终版本修订。

摘要

【目的】研究考虑次近邻影响的微博舆论观点演化模型。【方法】采用有向BA无标度网络模拟微博用户关系网络, 设计近邻和次近邻影响下的用户观点演化规则。通过实验仿真有无次近邻影响下、不同评论概率和转发概率下的微博舆论观点演化过程。【结果】考虑到次近邻对观点演化过程的影响, 会缩短微博用户达成共识所用的时间。评论行为会延长微博舆论观点演化的弛豫时间, 而转发行为则会缩短微博舆论观点演化的弛豫时间。【局限】本模型重点突出考虑次近邻对微博舆论观点演化的影响, 未能考虑到社会环境等其他影响因素。【结论】考虑次近邻影响的微博舆论观点演化模型可以更为真实地刻画微博舆论观点的演化过程, 仿真结果揭示出微博具有短时间内聚集民意的作用, 极易造成舆论压力。

关键词: 微博舆论; 观点演化; BA无标度网络; 次近邻
中图分类号:N99
Evolution Model of Microblog Public Opinion Considering the Influence of Next-nearest Neighbors
Yang Liu1, Zhu Hengmin1, Ma Jing2
1School of Management, Nanjing University of Posts and Telecommunications, Nanjing 210023, China
2College of Economics and Management, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China
Abstract

[Objective] Study on an evolution model of microblog public opinion considering the influence of next-nearest neighbors.[Methods] Use the directed BA scale-free network to simulate the network formed by users’ attention relationship in microblog, and design the iterative rule, in which the nearest and the next-nearest neighbors influence the microblog view evolution in combination. Then simulate the view evolution of microblog public opinion with or without the influence of next-nearest neighbors, and the opinion evolution under different review probabilities and different forwarding probabilities.[Results] Considering the influence of next-nearest neighbors on view evolution, it would take less time to reach an agreement for microblog users. The experiments show that the behaviour of review increases the relaxation time of opinion evolution, but the behaviour of forwarding shortens it.[Limitations] The model highlights the effect of next-nearest neighbors on the opinion evolution of microblog public opinion and does not account for other factors such as the social environment.[Conclusions] The evolution model of microblog public opinion considering the influence of next-nearest neighbors can characterize the opinion evolution of microblog public opinion in a more realistic way. The simulation results show that microblog plays a role in aggregating the public opinion in a short time period and easily causes public pressure.

Keyword: Microblog public opinion; Opinion evolution; BA scale-free network; Next-nearest neighbor
1 引言

互联网舆论是社情民意中最活跃、最尖锐的一部分, 最直接、快速地反映了社会各个层面的舆论状况与发展态势[1]。网民对某一事件所持有的认知、态度、情感和行为倾向的变化过程, 实际上就是互联网舆论观点演化的过程。

随着Web2.0的兴起, 微博已成为互联网舆论传播的重要阵地。网民通过发表、转发和评论微博等传播行为不断影响着其他网民个体对舆论话题所持的观点。因此, 舆论话题在微博平台传播的过程也是网民观点演化的过程。如果把传播微博舆论话题的网民看作一个节点, 那么网民观点的演化过程实质上发生在由一系列相互连接的节点所构成的复杂网络上, 因此可以基于复杂网络理论研究微博舆论观点的演化特性和影响因素。

2 文献综述

目前, 基于复杂网络理论研究舆论观点演化吸引了大批学者的广泛关注。Ising模型[2]是意见动力学中最基本的, 也是应用较为广泛的模型, 它机理简单, 能有效地模拟出二值观点的演进。Hegselmann等[3]的HK模型, Ceragioli等[4]的连续时间HK模型, Sî rbu等[5]提出的存在意见分歧和调制外部信息的模型考虑了最近邻的影响。周耀明等[6]对演化过程进行EMD分解, 通过对各成分进行分析与建模, 实现了网络舆论的演化分析与建模。李青等[7]考虑到互联网是一连接度分布具有幂律特性的复杂网络, 提出了基于BA网络的舆论观点演化模型。杜蓉等[8]运用复杂系统多主体建模的方法构建了危机信息互联网传播中无政府参与的舆论演化模型和有政府参与的舆论演化模型。上述研究均认为只有近邻节点之间才可以发生意见的交互。

现实网络中, 如果个体A认识B和C, 那么B和C很可能也互相认识; 人类社交活动具有幂律特征, Holme等[9]基于这两种特性提出了三元无标度网络。李倩倩等[10]和罗植等[11]考虑到社会网络中“朋友的朋友是朋友” 的可能性高, 基于三元无标度网络[9]模拟社会网络来研究舆论演化机理。阮冰等[12]也引入“朋友的朋友” 来构建社会网络研究民意形成演化。文献[9-12]均考虑到社会网络中“朋友的朋友” 这种次近邻的影响。但是, 在微博关系网络中, 次近邻只能以一定的概率影响用户的观点演化, 如果也将用户与次近邻直接相连来构建网络, 就扩大了次近邻的影响力, 与真实的微博关系网络结构相违背。

现实生活中, 微博用户观点演化不仅受到关注者和粉丝等近邻的影响, 同时受到关注者的关注者和关注者的粉丝等次近邻的影响, 因此, 传统的互联网舆论观点演化模型已不再适用。为了更真实地刻画微博舆论的观点演化过程, 本文提出一种考虑次近邻影响的微博舆论观点演化模型。

3 微博用户观点演化分析

在微博中, 用户拥有关注和粉丝, 即关注者和被关注者, 用户基于这种关注与被关注的关系构成了现实微博关系网络。在这种网络上, 用户之间主要通过发布、转发以及评论微博三种方式实现意见交流, 促使彼此的观点演化。影响微博用户观点演化的分析有:

(1) 用户发布的微博, 可以显示在所有粉丝的页面, 对其粉丝的观点演化起着最直接、最重要的影响。

(2) 用户评论以跟帖的形式与微博捆绑在一起, 呈现互文的关系[13], 用户可以同时看到关注者的微博和关注者的粉丝对该微博的评论, 而且关注同一个用户的粉丝之间也可以通过评论跟帖交流意见, 进一步加深了相互之间的影响, 因此关注者的粉丝亦可以影响该用户的观点演化。同样, 用户可以获悉自己粉丝的评论, 也会受到其影响。

在转发方面, 当用户转发关注者的微博, 该微博也会显示在自己粉丝的页面, 即将关注者的信息间接传递给粉丝, 因此, 粉丝的观点也受到关注者的关注者影响。

(3) 一些用户可能会鉴于某种因素放弃关注一些人, 例如A意在关注C, 但是不希望为人所知, A很可能不关注C, 转而关注已经关注了B的C, 然后通过B进入C的微博, 另外也有一些用户对其关注者都关注了哪些人感兴趣。这两类个体的观点演化都间接受到关注者的关注者影响, 与受到关注者转发的微博影响性质相似, 以下将其与以转发方式影响节点的观点演化归为一类。

综上所述可知, 微博用户的观点演化不仅受到关注者的影响, 还受到粉丝、关注者的关注者和关注者的粉丝的影响。将上述现象映射到观点演化模型上, 即节点同时受到近邻和次近邻的影响。在微博关系网络中, 节点A的观点演化同时受到表1所示的B、C、D、E这4种类型节点的影响。

表1 影响微博用户观点演化的关注关系类型

用户A直接受关注者B的影响, 影响概率p1设置为1。由于粉丝活跃程度不同, 不一定转发或评论关注者的微博, 且用户阅读评论的条数有限, 特别是当评论量较大时。因此, 粉丝型用户C、共同关注型用户D与传递关注型用户E三类节点与节点A的交互都不是持续进行的, 只以一定的概率影响A的观点, 这个概率与用户的阅读概率、转发概率和评论概率等因素有关。

4 微博舆论观点演化模型构建
4.1 微博舆论观点演化载体网络

刘志明等[14]使用真实数据对微博网络结构进行分析, 说明微博关系网络是一个服从幂律分布的复杂网络结构, 与BA无标度网络[15]结构性质相似。所以, 本文的微博舆论观点演化模型就以有向无标度网络为载体, 以用户为节点, 关注关系为边, 构建有向BA网络模拟微博关系网络。基于网络的增长和优先连接特性, 有向BA无标度网络模型的构造原则如下:

(1) 增长: 网络开始于少数几个节点(初始设定为m0个), 每个相等时间间隔增加一个新的节点, 新的节点与m个(这里的m小于等于m0)不同的已经存在于网络中的旧节点相连产生m条有向边。

(2) 择优连接: 一个新节点与一个已存在节点i相连的概率 与节点i的入度ki, 节点j 的入度kj之间满足如下关系:

经过t个时间步后, BA模型演化成一个具有N=t+m0个节点和mt条边的网络。

4.2 模型假设

本模型的基本假设如下:

(1) 在观点演化过程中, 网络的拓扑结构固定不变, 即模型所构建的为静态网络;

(2) 本模型只研究一个微博舆论话题的观点演化, 暂不考虑多话题、衍生话题等舆论问题;

(3) 每个用户均能获取关注者的全部信息, 但只能以一定的概率获取粉丝和次近邻的信息。

4.3 近邻和次近邻影响下的用户观点演化规则

为了描述模型中的观点演化规则, 定义如下状态变量:

Oi(t)表示节点i在t时刻的观点值, Oi(t)∈ [0, 1]。 0表示绝对反对, 1表示绝对赞成。

confidencei表示节点i的自信度, confidencei∈ [0, 1]。微博用户对自身观点的自信程度是不同的, 同一个用户对不同事件的观点自信程度也是有差别的。自信度越大, 越不容易受到其他用户影响。

impacti表示节点i的影响力, impacti∈ [0, 1], 用入度来衡量。微博用户的粉丝数不同, 受到的关注越多, 影响力越大。impacti=di/dmax, di是节点i的入度, dmax是网络中所有节点入度的最大值。

ε 为信任阈值, ε ∈ [0, 1]。用户之间的观点差异只有在ε 范围内才能进行意见交互。

μ ij表示节点j对i的影响函数。

表1中影响微博用户观点演化的4种概率具体定义如下:

(1) 当i关注j时, 根据4.2节中的假设(3), j对i的影响概率p1=1。

(2) 当j是i的粉丝时, j对i影响概率p2=α × β 1, α 表示节点j对i微博的评论概率, β 1表示节点i对j评论的阅读概率。

(3) 当j是i的共同关注型次近邻时, j对i影响概率p3=min{α × β 1× n1, 1}, α 表示节点j对中间节点微博的评论概率, β 1表示节点i对j评论的阅读概率, n1表示节点i到节点j的路径数, 即i和j共同关注的用户总数, n1越大, 节点i从j获取信息的能力越强, 越易受到j的影响。

(4) 当j是i的传递关注型次近邻时, j对i影响概率p4=min{γ × β 2× n2, 1}, γ 表示中间节点对j微博的转发概率, β 2表示节点i对j转发的微博的阅读概率, n2表示节点i到节点j的路径数, n2越大, i从j处获取信息的能力越强。

在模型中, 节点i的观点演化规则如下:

(1)

(2)

其中, n° 为以p1, p2, p3及p4概率影响节点i观点演化的4类节点总数。

5 仿真分析

实验基于Matlab进行仿真分析。首先, 构建一个拥有1 000个节点的有向BA无标度网络。网络中节点的入度分布如图1所示:

图1 BA有向无标度网络的入度分布

观察图1发现, 网络中节点的入度分布具有幂律特性, 少部分节点的入度较大, 大部分节点的入度较小, 这说明该网络结构符合微博的现实情况, 草根用户多, 明星用户少。然后依据4.3节中建立的观点演化规则仿真微博舆论的观点演化过程。为了研究方便, 将信任阈值ε 设置为0.5, 在现实生活中, 微博用户对转发的阅读概率一般高于对评论的阅读概率, 因此令β 1=0.2, β 2=0.5, 网络中节点的初始观点值服从均匀分布。

5.1 有无次近邻对观点演化过程的影响分析

为了比较和分析有无次近邻影响的微博舆论观点演化过程, 本文选择两种情况的实验: 关注者、粉丝等近邻和共同关注者、传递关注者等次近邻共同影响节点的观点演化; 只有关注者和粉丝等近邻影响节点的观点演化。取参数值α =0.2, β 1=0.2, β 2=0.5, γ =0.2, 具体观点演化过程如图2所示:

图2 有无次近邻影响的观点演化过程对比

比较两次实验发现, 尽管网络中大多数节点的总体观点演化趋势一致, 随着时间的推移逐渐达到稳定状态。但是, 两个实验在演化速度方面表现出明显的不同。将系统从初始无共识状态演化到有共识稳定状态所需要的时间称为弛豫时间τ 。观察发现, 有次近邻影响的演化曲线更加陡峭, 弛豫时间短于无次近邻影响的演化, 而无次近邻影响的演化经过2 500个时间步后, 仍未完全达到稳定状态。这说明, 考虑到次近邻对观点演化过程的影响, 会缩短节点达成共识的时间, 改变观点演化的趋势, 这与微博的现实情况是相符的。在微博中, 由于其单向性的人际关系和独特的观点交互模式, 用户可以与关注者和粉丝之外的关注者的关注者和关注者的粉丝等次近邻进行互动, 易形成趋同效应, 产生主导性强音, 实现短时间内集中民意的效果, 使民意由整体方向的趋势形成舆论, 造成舆论压力。因此, 在研究微博舆论观点演化时, 考虑次近邻对用户的影响是必不可少的。

5.2 评论概率α 对观点演化过程的影响分析

为了研究评论概率α 对微博舆论观点演化过程的影响, 参数α 取0、0.2、0.4、0.6、0.8、1等几种不同的值, β 1=0.2, β 2=0.5, γ =0.2, 其他条件保持不变, 同样演化2 500次。当网络中所有节点的观点值前后变化不再超过10-5, 认为系统已经达到稳定状态, 然后统计不同α 值条件下的弛豫时间τ , 结果如图3所示:

图3 弛豫时间τ 随评论概率α 变化的曲线

观察图3发现, 随着评论概率α 的增大, 弛豫时间τ 也逐渐变长, 越难形成一致的意见, α 与τ 正相关。这说明, 当评论概率α 较大时, 即当微博用户热衷于评论, 会增长弛豫时间, 减缓系统达到稳定状态的速度, 这与现实情况相符。

在微博中, 评论行为实质上是让更多的用户参与到话题讨论当中, 汇集更多的观点, 使舆论事件变得错综复杂, 更不易形成一致性观点。

5.3 转发概率γ 对观点演化过程的影响分析

为了研究转发概率γ 对微博舆论观点演化过程的影响, 同样参数γ 取0、0.2、0.4、0.6、0.8、1等几种不同的值, α =0.2, β 1=0.2, β 2=0.5, 其他条件保持不变, 演化2 500次。当网络中所有节点的观点值前后变化不再超过10-5时, 认为系统已经达到稳定状态, 然后统计不同γ 值条件下的弛豫时间τ , 结果如图4所示:

图4 弛豫时间τ 随转发概率γ 变化的曲线

观察图4发现, 转发概率γ 越大, 弛豫时间越短, 越易形成一致的观点, γ 与τ 负相关。这说明, 当转发概率γ 较大时, 即当微博用户热衷于转发, 会缩短弛豫时间, 加快系统达到稳定状态的速度, 这与现实情况是相符的。在微博中, 转发行为实质上是将某种观点扩散到网络当中, 加快该观点对其他用户的影响速度, 更易形成一致性观点。

5.4 案例分析

2014年5月13日, @南方都市报发微博爆料, 山东兖州网友违法停车被贴罚单, 后因发帖骂交警被拘留, 一时众说纷纭。有的谴责“执法者在滥用公权” 、“执法太随意” 、“欺负弱势百姓” , 有的认为“互相理解, 警察也是普通人” 、“网上骂人不该处罚吗” 、“个别交警不能代表人民警察” 。经过网友的热烈讨论, 截至16日评论数已达到2 097条, 网友的观点基本达成一致, 认为应理性看待此事, 不可偏激, 言论自由不代表骂人自由, 网上辱骂他人不对, 警方行政拘留不对, 双方都有过失。@南都评论5月13日也报道了此事, 截至14日该微博被评论99次, 网友在一天之内的观点已基本达成一致, 认为“警方确实代表着执法权威, 但正因此才更需节制谨慎, 否则就是淫威了” 。这也一定程度上说明, 评论概率越大越难形成一致的观点。

@新京报5月13日也发微博爆料此事, 指出“一句不文明的气话究竟违了哪条法? 法律可不是拿来解气的” 。截至14日, 该微博已被转发4 969次, 网友在两天之内就普遍认同了新京报的观点。这说明新京报的微博在被转发过程中, 观点普遍渗透到网友的心中, 被转发得越多, 越容易影响网友, 从而形成一致的观点。

6 结语

本文分析得出微博用户的观点演化同时受到直接关注者、粉丝、共同关注者和传递关注者等4类个体的影响, 基于此构建了考虑次近邻影响的微博舆论观点演化模型。实验结果表明, 考虑次近邻影响的微博舆论观点演化模型具有短时间内聚集民意的作用, 评论行为会延长微博舆论观点演化的弛豫时间, 而转发行为则会缩短微博舆论观点演化的弛豫时间。本模型有助于探索微博舆论观点的演化规律, 为政府有效引导微博舆论危机提供了依据。但是, 本模型是对现实情况进行了一定的简化, 现实生活中网民是一个社会人, 除了受到线上其他网民的观点影响外, 也受到线下朋友和同事等社会环境的影响。本模型并未考虑这一点, 这也是本文的不足之处。完善观点演化模型, 结合舆论传播机制, 研究线上和线下用户舆论观点和传播的协同演化是未来研究的重点内容。

参考文献
[1] 陈永刚, 孙卉垚. 互联网舆情研究[J]. 情报杂志, 2011, 30(6): 85-88.
(Chen Yonggang, Sun Huiyao. Research on the Internet Public Opinion[J]. Journal of Intelligence, 2011, 30(6): 85-88. ) [本文引用:1]
[2] Sznajd-Weron K, Sznajd J. Opinion Evolution in Closed Community[J]. International Journal of Modern Physics C, 2000, 11(6): 1157-1165. [本文引用:1] [JCR: 0.615]
[3] Hegselmann R, Krause U. Opinion Dynamics and Bounded Confidence: Models, Analysis and Simulation[J]. Journal of Artificial Societies and Social Simulation, 2002, 5(3): 216-219. [本文引用:1]
[4] Ceragioli F, Frasca P. Continuous and Discontinuous Opinion Dynamics with Bounded Confidence[J]. Nonlinear Analysis: Real World Applications, 2011, 13(3): 1239-1251. [本文引用:1] [JCR: 2.201]
[5] Sîrbu A, Loreto V, Servedio V D P, et al. Opinion Dynamics with Disagreement and Modulated Information[J]. Journal of Statistical Physics, 2013, 151(1-2): 218-237. [本文引用:1] [JCR: 1.4]
[6] 周耀明, 王波, 张慧成. 基于EMD的网络舆情演化分析与建模方法[J]. 计算机工程, 2012, 38(21): 5-9.
(Zhou Yaoming, Wang Bo, Zhang Huicheng. Evolution Analysis and Modeling Method of Internet Public Opinions Based on EMD[J]. Computer Engineering, 2012, 38(21): 5-9. ) [本文引用:1] [CJCR: 0.492]
[7] 李青, 朱恒民. 基于BA网络的互联网舆情观点演化模型研究[J]. 情报杂志, 2012, 31(3): 6-9, 35.
(Li Qing, Zhu Hengmin. Study on the Evolution Model of the Online Public Opinion Viewpoint Based on BA Network [J]. Journal of Intelligence, 2012, 31(3): 6-9, 35. ) [本文引用:1]
[8] 杜蓉, 梁红霞. 公共危机事件中政府对网络舆论的引导仿真[J]. 情报杂志, 2011, 30(11): 61-66.
(Du Rong, Liang Hongxia. Simulating Government’s Guide Effect on Network Opinion of Public Crisis[J]. Journal of Intelligence, 2011, 30(11): 61-66. ) [本文引用:1]
[9] Holme P, Kim B J. Growing Scale-free Networks with Tunable Clustering[J]. Physical Review E, 2002, 65(2): 026107. [本文引用:2] [JCR: 2.313]
[10] 李倩倩, 刘怡君. 基于超网络的社会舆论演化及应用研究[J]. 中国科学院院刊, 2012, 27(5): 569-577.
(Li Qianqian, Liu Yijun. Dynamical Model of Public Opinion and Its Application Based on Supernetwork[J]. Bulletin of the Chinese Academy of Sciences, 2012, 27(5): 569-577. ) [本文引用:1]
[11] 罗植, 杨冠琼, 狄增如. 具有空间因素的社会网络上的舆论形成[J]. 物理学报, 2012, 61(19): 190509.
(Luo Zhi, Yang Guanqiong, Di Zengru. Opinion Formation on the Social Networks with Geographic Structure [J]. Acta Physica Sinica, 2012, 61(19): 190509. ) [本文引用:1] [JCR: 1.016] [CJCR: 1.691]
[12] 阮冰, 朱建冲, 姜礼平, . 基于社会网络的民意形成演化建模与仿真研究[J]. 计算机仿真, 2011, 28(2): 97-100, 123.
(Ruan Bing, Zhu Jianchong, Jiang Liping, et al. Study on Modeling and Simulating of Public Opinion Formation and Evolution Based on SocialNet [J]. Computer Simulation, 2011, 28(2): 97-100, 123. ) [本文引用:1] [CJCR: 0.5628]
[13] 唐红, 王怀春. 网络新闻跟帖评论的特点及功能[J]. 新闻爱好者, 2011(23): 72, 73.
(Tang Hong, Wang Huaichun. Features and Functions of the Online News Thread and Commentary [J]. Journalism Lover, 2011(23): 72, 73. ) [本文引用:1] [CJCR: 0.1611]
[14] 刘志明, 刘鲁. 微博网络舆情中的意见领袖识别及分析[J]. 系统工程, 2011, 29(6): 8-16.
(Liu Zhiming, Liu Lu. Recognition and Analysis of Opinion Leaders in Mircoblog Public Opinions[J]. Systems Engineering, 2011, 29(6): 8-16. ) [本文引用:1] [CJCR: 0.891]
[15] Barabosi A, Albert R. Emergence of Scaling in Rand om Network[J]. Science, 1999, 286(5439): 509-512. [本文引用:1]