基于复杂在线网络的舆情传递研究< sup> *< /sup> ——进化博弈视角
魏静1, 朱恒民1, 洪小娟1, 宋瑞晓2, 许赞2
< sup> 1< /sup> (南京邮电大学产业信息安全与应急管理研究中心 南京 210023)
< sup> 2< /sup> (南京航空航天大学经济与管理学院 南京 210016)
摘要
以复杂网络为背景, 研究在网络动态变化下的舆情传递博弈行为。构建基于复杂网络的互联网舆情传递进化博弈模型, 对整个舆情传递的博弈进化过程进行仿真模拟, 求出稳定进化策略。研究发现, 初始博弈策略的选择个体比例, 对舆情传递具有重要影响。随着个体“传递”策略博弈方比例的升高, 网络连接数的增多, 均衡状态实现得越快。并且, 由于“非全连接”的网络结构和网络匿名性的特征, 在舆情传递过程会存在停滞和游走现象, 最终会因群体压力使舆情走向衰退。同时, 也为舆情传递监督者控制和引导网络舆情传递提供理论依据。
关键词: 网络舆情; 舆情传递; 复杂网络; 进化博弈
Study of Public Sentiment Transfer Based on Complex Online Network ——Evolutionary Game Angle
Wei Jing1, Zhu Hengmin1, Hong Xiaojuan1, Song Ruixiao2, Xu Zan2
< sup> 1< /sup> (Research Center of Industry Information Security and Emergency Management, < br/> Nanjing University of Posts & Telecommunications, Nanjing 210023, China)
< sup> 2< /sup> (College of Economic and Management, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)
Abstract
Based on the complex network, this paper studies the net-mediated public sentiment transfer game behavior in the Internet dynamic state. It sets up the network public sentiment transfer evolution game model, emulates the whole process of evolution game, and gets the stable evolution strategy. As a result, the beginning choice of the strategy has an important influence to the net-mediated public sentiment transfer. With the grown up rate of the game partner who has the strategy of “transfer”, the more of the network link numbers, the quicker the balanced state realizes. And transfer process in the public opinion has stagnant and migrated phenomenon, which eventually makes public sentiment towards a recession with population pressure. This paper also gives some advices to promote and control the behavior of net-mediated public sentiment transfer.
Keyword: Net-mediated public sentiment; Public sentiment transfer; Complex network; Evolutionary game
1 引 言

随着Web 3.0时代的到来, 以网络为媒介的信息传递方式延伸到网民终端, 网民在“碎片化”的网络媒介空间
里参与表达、聚合、传递网络信息, 使以往依靠一种媒介强势覆盖的舆论传递时代黯然消失[ 1]。通过网络媒介形成的“网络舆论”也渐渐成为舆情传递的中坚力量, 甚至在很大程度上成为引导社会舆论的主导性力量。

在线网络作为信息发布和传播的载体对舆情传递的影响愈发显著。由于在线网络上信息的互动性和开放性特点, 很难对在线网络上的舆情信息传播规律进行定量描述。

现有文献大多集中于定性描述。田卉等[ 2]将舆论的产生和形成过程描述为一个时空交错的意见博弈过程, 但是博弈状态的描述仅限于静态的、定性的描述。Noelle-Neumann[ 3]提出沉默的螺旋理论, 认为舆论形成中意见一方的沉默造成另一方意见的势力增强, 如此循环往复, 这样形成的舆论, 客观上促进社会一体化, 保障基本行为和观念达到足够一致的水平。

有些学者试图使用复杂网络理论对在线网络上的舆情信息传播规律进行定量分析。朱国东[ 4]借用复杂网络理论的量化指标, 以网络舆论演进为对象, 分析了网络结构特性, 发现网络舆论演进过程中不同阶段会呈现某种同质性, 并完整地分析了互联网舆情引发群体事件的演化过程。Watts等[ 5]用复杂网络理论解释了“意见领袖”在互联网舆情形成中的作用, 发现意见领袖的作用被无限夸大。张明善等[ 6]用传染病模型研究互联网舆情传递问题, 认为如果降低社会人员间的接触参数, 使其小于恶性发展的阈值, 就能有效实施对突发事件的控制和管理。

上述文献主要着眼于互联网舆情传播规律的宏观描述, 对舆情传递过程中微观个体间的舆情信息传播机理研究较少, 而笔者认为微观方面的分析对于指导舆情管理实践必不可少。

另外, 对于个体间的信息传递, 学者们通常倾向于使用博弈论。谢辉[ 7]曾经采用博弈论中纳什均衡策略描述类似舆情传递的信息转移和扩散过程; 安世虎[ 8]使用博弈论中的逆向选择模型对这类信息的共享过程进行求解; 张四海[ 9]用囚徒困境博弈作为博弈策略对网络信息传递过程中的重复博弈进行模拟。在线网络舆情信息产生和传递的本质是由于新的舆情信息导入原有的舆情系统, 将产生极大的信息增值, 使原有的舆情系统中增加了个体的经验信息并产生新的舆情信息的过程[ 10]

也就是说, 舆情信息传递也是一种信息传递过程, 从信息传递的角度来研究互联网舆情的传递, 能够更好地解释“舆情传递的驱动力何在”、“个体如何在舆情传递过程中相互影响”等有利于互联网舆情管理的重要问题, 而现有文献很少有从这一角度出发的研究。因此本文选择信息传递的视角, 使用博弈论来描述舆情信息的传递。

综合以上分析, 为了更好地识别在线网络舆情传递过程, 从信息传递的角度, 提出异于现有文献的舆情信息传递博弈模型。将复杂网络理论与博弈论结合, 研究博弈论视角下以复杂网络为背景的微观个体间舆情信息传递模式, 以期为网络舆情传递的事前监督和引导提供相关的理论指导。

2 在线网络舆情传递中的Brookes知识方程

基于复杂在线网络的舆情信息传递行为, 是在在线网络结构的基础上, 舆情传递节点之间的信息增长和积累过程。Brookes[ 11]曾经构建了知识方程, 来形象地描述新旧信息的融合过程, 即:
KS+ΔI=KS+ΔS (1) .

其中, K (S) 表示原始的信息结构, ΔI表示被融合的信息。

国内外有很多学者对这一基本方程进行了改进[ 12], 温有奎等[ 13]曾经将其改进为:
KS+N〖JB ([〗K (E) +K (S) =KS+ΔS (2) .

其中, KS表示原信息系统, K (E) 表示信息单元, N表示信息导航链接。但是温有奎等的改进仍然属于静态层次的改进, 舆论信息的演化、融合过程是动态的过程[ 13]

借用温有奎等的“信息导航”概念, 用阶段序列对知识方程进行再次修正:
KS0+R×ΔK1=KS0+ΔS→K (S1) (3)
KS1+R×ΔK2=KS1+ΔS→K (S2) (4) .

……
KSn-1+R×ΔKn=KSn-1+ΔS→K (Sn) (5) .

将上述序列相加后得:
KS0+R×∑ni=1ΔKn=K (Sn) (6) .

其中, KS为节点所接收到的原有舆情信息; ΔK为节点在舆情传递过程中所获取的新的舆情信息以及节点自身已掌握的个体经验; R为舆情传递节点借助在线网络所形成的网络信息传递; KS+ΔS为经过在线网络及个人经验的共同作用下, 舆情传递节点所掌握的新的舆情信息。

这个序列表达了网络舆情传递过程, 即新的舆情信息ΔK与原有舆情信息K (Sn-1) 相互融合, 进而形成新的舆情信息K (Sn) 的过程。即在舆情信息传递过程中, 后一次舆情传递的信息量初始值大于前一次舆情信息传递博弈的信息量初始值。这样才会产生信息势能差, 进一步由 “猎奇心理”推动舆情信息传递行为的发生。

3 在线网络舆情传递中的进化博弈解析
3.1 在线网络舆情传递中的动态性与有限理性

以复杂在线网络为传递背景的舆情传递过程, 传递双方是以网络关系结构为基础进行动态调整[ 7, 8]。并且, 一次参与舆情传递最优策略, 将成为下一次舆情信息传递的历史信息。在现实中, 舆情传递双方通常不能准确判断所接受到的舆情信息是经过了多少次“改造”的信息[ 14]。同时, 在每一次博弈中不能正确地判断自己掌握信息是否准确, 有时甚至不清楚舆情信息与个体经验信息结合的结果是否正确[ 15]。因此, 可以定义现实中舆情传递双方是具有有限理性特征的。

3.2 在线网络舆情传递的进化博弈模拟

在线网络舆情传递进化博弈模型中, 存在两种类型的博弈个体:第一种类型是博弈双方各自拥有的舆情信息水平没有根本性的差别; 第二种类型是博弈双方存在掌握舆情信息的差异。

只有第二种类型的个体间才会产生舆情信息的传递行为。如果博弈双方都选择传递策略, 则双方都会获取较大的心理收益a; 如果博弈双方都选择不传递舆情策略时, 双方的心理收益均为0。如果博弈双方只有一方选择舆情信息传递策略的时候, 又会出现两种情况, g (高, 低) = (传递, 不传递) , g (低, 高) = (传递, 不传递) , 所对应的心理收益分别为I (g (高, 低) ) = (c, -b) , I (g (低, 高) ) = (-b, c) 采取不传递舆情策略的节点的收益为-b, 意思是说, 如果所掌握的舆情不传递, 不但不能获取新的舆情信息, 原有的舆情信息也会因为信息时效性的降低导致收益减少。

设初始T时刻, 网络上有比例为p的节点采用“传递舆情”的策略, 则有比例q=1-p的节点采用“不传递舆情”的策略。博弈过程是在复杂在线网络背景下发生, 用函数f (m) 表示所选取的博弈节点间的网络连接情况。在T时刻博弈双方的心理期望收益因为本文将舆情传递的动力归结为“猎奇心理”, 所以此处所指的“期望收益”均指“心理收益”。如下:
PTZZ=p (7)
ITZZ= (pa-qb) f (m) (8)
PTNN=1-p=q (9)
ITNN= (pc+q×0) f (m) =pcf (m) (10)
T=pITZZ+qITNN (11) .

在T+1时刻, 部分博弈节点将根据T 时刻的博弈过程中所获取的心理收益状况, 调整自己的博弈策略。假设在T+1时刻改变原有策略的个数为PT+1ZN和PT+1NZ:
PT+1ZN=PTZZ|T-ITZZ|T (12)
PT+1NZ=PTNN|T-ITNN|T (13) .

|T-ITZZ|T表示在T时刻博弈中采用传递舆情策略的节点, 在确定自己的 “心理收益”本文的“心理收益”是指舆论传递个体在获取自己感兴趣的舆论信息后的心理满足。与总体平均“心理收益”的差距时, 对自己下一次参与博弈行为的策略调整, |T-ITNN|T具有相同的意义。

则T+1时刻:
PT+1ZZ=PTZZ+PT+1NZ-PT+1ZN (14)
IT+1ZZ= (PT+1ZZa- (1-PT+1ZZ) b) f (m) (15)
PT+1NN=PTNN+PT+1ZN-PT+1NZ (16)
IT+1NN= (PT+1NNc+ (1-PT+1NN) ×0) f (m) =PT+1NNcf (m) (17)
T+1=PT+1ZZIT+1ZZ+PT+1NNIT+1NN (18)
3.3 求解舆情传递的进化博弈均衡状态.

博弈节点会根据其他节点在上一期博弈中的心理收益, 来改变自己的博弈策略。所以, 持有传递舆情策略的节点的比例是随时间变化的。

用动态微分方程表示持有“传递舆情”策略的博弈节点数量动态变化速度f (m) 表示的是节点网络结构的函数, 随着博弈的发生, 函数会体现出网络结构的变化, 但是此处忽略网络结构的影响, 对f (m) 的函数表达不做具体讨论。:

dpdt=p (INN-)
=p〖JB ([〗pa- (1-p) b-〖JB ([〗p2a-p (1-p) b+p (1-p) c
=-cp (1-p) .

令dpdt=0可以解出p=0, p=1。

当p=1时, 表示所有的博弈方都采用“传递舆情”策略, 所有的博弈方都找到了均衡的博弈策略; 当p=0时, 所有的博弈方采用“不传递舆情”策略。但是对于p≠0的初始状态, 博弈进化过程不会收敛于此, 所以p=0不是此进化博弈的解。

4 在线网络舆情传递的进化博弈仿真
4.1 模型建立

设初始状态网络中, 有比例拥为p的节点完全掌握舆情信息并且舆情信息量为1。具备高水平舆情信息值的节点在第一个时间步的博弈中会同其他舆情信息水平值为0的节点进行舆情传递, 使整个网络的舆情信息水平提高, 从而实现第一个时间步内的舆情传递过程。

舆情信息借助节点间的网络关系进行传递, 节点间的连接越多越有利于舆情的传递。但是全连接的网络在现实中是不存在的, 因此本文选取小世界网络进行分析。

首先, 建立连接矩阵。在网络中, 如果具备连接的两个节点舆情信息水平值相等, 则不发生舆情传递; 反之, 则存在发生舆情信息传递的可能性。根据这一条件, 定义函数:

f (m) = (与i有连接, 并且与i存在舆论信息水平差异的节点数) /网络节点总数 (N) .

假设T时刻, 节点I的舆情信息水平值为KLi, t, 根据改进后的知识方程, 在T+1时刻该节点的舆情信息水平值为:
KLi, t+1=KLi, t+ΔKLi, t+1 (19) .

其中:

(1) 当博弈双方的舆情传递策略均为“传递”时:
ΔKLi,t+1=α|KLj,t-KLi,t|(20).

(2) 当博弈双方的舆情传递策略一方为“传递”, 一方为“不传递”时:
ΔKLi, t+1=-i, j∈Ab|KLj, t-KLi, t| (节点I为不传递)
i, j∈Ac|KLj, t-KLi, t| (节点I为传递) (21) .

(3) 当博弈双方的博弈策略均为“不传递”时:
ΔKLi, t+1=0 (22) .

可知, T时刻网络上所有节点的舆情信息水平平均值为:
KLt=∑Ni=1KLi, tN (23) .

4.2 仿真流程及初始值设计

使用Matlab对舆情传递的进化博弈模型进行仿真。

(1) 建立网络连接矩阵。确定小世界网络的节点总数为30个, 每一个节点的邻居节点的选取数为3个, 网络重新布线的随机选择概率为0.2;

(2) 对网络节点进行赋值。选择网络中p比例节点的舆情信息水平值为1, 其他1-p比例的节点舆情信息水平值为0;

(3) 进行舆情信息传递的进化博弈。对某一节点, 找出与此节点相连接的其他节点, 再判断此节点与其他节点间的舆情信息水平是否存在差异。如果节点间有连接并且存在舆情信息水平差异, 则进行舆情传递博弈;

(4) 重复运行。重复运行程序50次, 求出运算结果的平均值, 来消除由仿真程序随机性带来误差;

(5) 输出运行结果。

设定50次的博弈迭代, 取a=0.8, b=0.5, c=0.3。

5 舆情传递的仿真结果分析
5.1 博弈节点比例的影响

舆情传递的博弈过程实现均衡状态的标志为舆情传递博弈双方的比例达到稳定状态; 并且网络上所有节点心理收益的平均值达到稳定, 如图1所示:

图1 舆情传递进化博弈过程曲线

.

图1可知, 当网络中舆情水平为1的节点的比例p由0.01逐渐增加到0.6时, 网络舆情信息传递博弈实现均衡所需的迭代次数由26次减少为15次。

由此可知, 当具备高水平舆情信息值的节点越多, 博弈节点间的连接越多, 舆情传递实现博弈均衡所需的时间越短。这一仿真结果印证了这样的观点, 经过足够长的时间持有某些舆情观点的社会群体比例会达到某一相对稳定的期望值。这一社会群体比例期望值的大小, 取决于个体所在网络中持有此观点的初始个体比例[ 16]

5.2 传递过程的短暂突变

在舆情传递过程中, 网络上所有节点的心理收益的平均值不断升高, 最终其递增率趋于0。随着网络节点平均心理收益水平的升高, 整个网络的舆情信息水平平均值也在不断升高, 如图2图3所示:

图2 舆论传递概率及心理收益随时间变化

图3 舆论信息水平及舆论信息变化量随时间变化

.

这种现象出现的原因为:

(1) 在舆情传递过程中存在短暂的停滞现象。在舆情传递的初始阶段, 由于舆情传递的蝴蝶效应, 使舆情传递呈现井喷式的增长状态。但是, 由于节点间的信息传递关系构成的网络并非“全连接”, 所以舆情信息的传递也会逐渐变得缓慢。

(2) 舆情传递过程会出现随机游走现象[ 17] 。因而图3中出现传递峰值, 所对应的舆情信息变化水平也出现突变。另外, 虽然在网络中因信息传播的匿名性而减轻了个体心理压力, 使得个体的舆情表达顾虑较少, 但是作为个体社会关系延伸的网络多多少少会掺杂各种现实中的社会关系[ 18]。因此, 在网络个体舆情不能随意表达的情况下, 迫于压力随时修正自己的舆情态度也是正常现象。

5.3 心理收益的变化

互联网舆情与一般的社会舆情相比具有虚拟性、平等性和开放性的特点, 是社会舆情的一个子集, 互联网舆情的主体是网民, 本体是网民的意志、倾向和愿望[ 19]。并且在舆情信息的传递过程中, 由于群体压力的存在, 会产生群体极化的现象。

群体压力是指群体成员基于遵守群体规范的潜在想法, 为了同其他成员在观点、行为上保持一致而产生的心理压力。群体压力的产生会对参与舆情信息传递的群体成员造成一种心理压迫。本来, 舆情信息传递个体在获取舆情信息之后得到了很大的心理满足, 心理收益开始上升, 但是在群体压力的作用下, 当事人会选择群体内部多数人持有的观点, 最终迫于情势而改变自我态度[ 19]。同时, 参与传递的个体会随着群体态度的统一, 心理收益慢慢下降。最终, 没有获取新的舆情信息的心理满足, 同时群体多数个体的观点趋于一致, 也没有持续观望的意愿, 舆情信息传递过程进入衰竭, 如图4所示:

图4 平均期望心理收益递增率

.
6 结 语

由以上分析可知, 舆情传递状况与博弈双方的比例有明显的相关关系, 同时也受博弈双方“猎奇心理”强弱的影响。当所有节点的“猎奇心理”越强烈, 则会产生更多的舆情信息获取途径, 从而实现舆情传递均衡解所需的时间越短。并且, 由于“非全连接”的网络结构和网络匿名性的特征, 使此过程存在停滞和游走现象。传递个体最终因群体压力与多数人观点趋于一致, 将舆情信息传递过程推向衰竭。

因此, 本文对致力舆情监督和引导的管理实践者而言, 对有益舆论的引导及有害舆论的及时纠正和传播阻滞提供了理论上的指导, 并指明了引导舆情传递走向衰退的一个可能的因素——群体压力。但是, 本文提到的引导和纠正舆论的最根本立足点需要放在“心理收益”上, 这一概念的衡量主观性较强, 对其量化的主要手段是“问卷”等主观性较强的手段。对于网络舆论传递这样较大的样本量进行量化, 可操作性并不是很强, 如何圆满解决这一问题, 也是后续研究的一个重点方向。

参考文献
[1] 王绍明. 网络舆论的焦点成因分析[J]. 东南传播, 2009, 62 (10) : 57-58. (Wang Shaoming. Causes of Network Public Opinion Focus [J]. Southeast Communication, 2009, 62 (10) : 57-58. ) [本文引用:1] [CJCR: 0.2351]
[2] 田卉, 柯惠新. 网络环境下的舆论形成模式及调控分析[J]. 现代传播, 2010 (1) : 40-45. (Tian Hui, Ke Huixin. Analysis of Formation and Guiding the Public Opinion in Network Environment [J]. Modern Communication, 2010 (1) : 40-45. ) [本文引用:1] [CJCR: 0.4536]
[3] Noelle-Neumann E. The Spiral of Silence: Public Opinion-Our Social Skin [M]. Chicago: University of Chicago Press, 1993. [本文引用:1]
[4] 朱国东. 关于网络舆论演进的若干问题研究[D]. 北京: 北京交通大学, 2009. (Zhu Guodong. Research on Some Issues About Network Opinion Evolution [D]. Beijing: Beijing Jiaotong University, 2009. ) [本文引用:1] [CJCR: 0.3788]
[5] Watts D J, Dodds P S. Influentials, Networks, and Public Opinion Formation[J]. Journal of Consumer Research, 2007, 34 (4) : 441-458. [本文引用:1]
[6] 张明善, 占英春. 网络舆情传播对群体性突发事件的影响模型[J]. 西南民族大学学报: 自然科学版, 2011, 37 (3) : 331-335. (Zhang Mingshan, Zhan Yingchun. Influence of Network Public Opinion Dissemination of the Unexpected Events of the Group Model [J]. Journal of Southwest University for Nationalities: Natural Science Edition, 2011, 37 (3) : 331-335. ) [本文引用:1]
[7] 谢辉. 组织隐性知识整合及扩散机制研究[D]. 长沙: 中南大学, 2005. (Xie Hui. Study on Organization Tacit Knowledge Integration and Diffusion Mechanism [D]. Changsha: Central South University, 2005. ) [本文引用:2]
[8] 安世虎. 组织内部知识共享研究[D]. 天津: 天津大学, 2005. (An Shihu. Study on Knowledge Sharing Within Organizations [D]. Tianjin: Tianjin University, 2005. ) [本文引用:2] [CJCR: 0.786]
[9] 张四海. 基于社会网络和博弈论的合作理论研究[D]. 合肥: 中国科学技术大学, 2006. (Zhang Sihai. Study on the Theory of Social Network and Cooperation Based on Game Theory[D]. Hefei: University of Science and Technology of China, 2006. ) [本文引用:1]
[10] 朱庆华. 《知识元挖掘》的评介——兼议情报学的理论研究[J]. 情报科学, 2006, 24 (12) : 1899-1902. (Zhu Qinghua. Book Review of Knowledge Element Mining[J]. Information Science, 2006, 24 (12) : 1899-1902. ) [本文引用:1] [CJCR: 1.112]
[11] Brookes B C. The Foundations of Information Science, Part I: Philosophical Aspects[J]. Journal of Information Science, 1980, 2 (3-4) : 125-133. [本文引用:1] [JCR: 1.238]
[12] Quigley E J, Debons A. Interrogative Theory of Information and Knowledge [C]. In: Proceedings of the 1999 ACM SIGCPR Conference on Computer Personnel Research (SIGCPR’99). New York: ACM Press, 1999: 4-10 [本文引用:1]
[13] 温有奎, 徐国华. 信息与知识变换[J]. 情报学报, 2002, 21 (5) : 613-617. (Wen Youkui, Xu Guohua. Transformation of Information to Knowledge [J]. Journal of the China Society for Scientific and Technical Information, 2002, 21 (5) : 613-617. ) [本文引用:2] [CJCR: 1.1348]
[14] 严浩仁, 贾生华. 试论知识特性与企业知识共享机制[J]. 研究与发展管理, 2002, 14 (3) : 16-20, 31. (Yan Haoren, Jia Shenghua. Knowledge Nature and Knowledge Sharing Mechanism in Firms [J]. R D Management, 2002, 14 (3) : 16-20, 31. ) [本文引用:1] [CJCR: 1.031]
[15] 任志安. 企业知识共享网络理论及其治理研究[D]. 成都: 西南交通大学, 2006. (Ren Zhian. Study on the Theory of Enterprise Knowledge Sharing Network and Its Governance[D]. Chengdu: Southwest Jiaotong University, 2006. ) [本文引用:1]
[16] Wu F, Huberman B A, Adamic L A, et al. Information Flow in Social Groups[J]. Physica A: Statistical Mechanics and Its Applications, 2004, 337 (1) : 327-335. [本文引用:1] [JCR: 1.676]
[17] Costa L F. Learning About Knowledge: A Complex Network Approach [J]. Physical Review E, 2006, 74 (2) . [本文引用:1] [JCR: 2.313]
[18] 毕宏音. 网络舆情形成与变动中的群体影响分析[J]. 天津大学学报: 社科版, 2007, 9 (3) : 270-274. (Bi Hongyin. Group Influence in the Formation and Change of Network Public Opinion [J]. Journal of Tianjin University: Social Sciences, 2007, 9 (3) : 270-274. ) [本文引用:1] [CJCR: 0.3959]
[19] 方薇, 何留进, 孙凯, 等. 采用元胞自动机的网络舆情传播模型研究[J]. 计算机应用, 2010, 30 (3) : 751-755. (Fang Wei, He Liujin, Sun Kai, et al. Study on Dissemination Model of Network Public Sentiment Based on Cellular Automata [J]. Journal of Computer Applications, 2010, 30 (3) : 751-755. ) [本文引用:2] [CJCR: 0.646]