引用本文
何玉梅, 齐佳音, 刘慧丽. 微博局部世界演化模型探究* . 现代图书情报技术, 2014, 30(5): 66-73
He Yumei, Qi Jiayin, Liu Huili. The Study of Local-world Network Evolution Model Based on Microblog. 现代图书情报技术, 2014, 30(5): 66-73  
Permissions
Copyright©2014, 《现代图书情报技术》编辑部
《现代图书情报技术》编辑部
微博局部世界演化模型探究
何玉梅1, 齐佳音2, 刘慧丽2
1清华大学经济管理学院 北京 100084
2北京邮电大学经济管理学院 北京 100876
通讯作者: 齐佳音 E-mail:qijiayin@bupt.edu.cn

作者贡献声明：

齐佳音, 何玉梅: 研究命题的提出、设计;

何玉梅: 研究过程的实施;

何玉梅, 齐佳音: 数据的获取、提供与分析;

何玉梅, 刘慧丽: 论文起草;

刘慧丽: 最终版本修订。

基金:*本文系北京市自然科学基金项目“基于微博的非常规突发事件信息沟通决策研究”(项目编号: 9122018)、973基础重大课题“社交网络分析与网络信息传播的基础研究”(项目编号: 2013CB329604)和教育部博士点基金“基于网络社会资本的企业网络舆情沟通决策研究”(项目编号: 20120005110015)的研究成果之一;
摘要

【目的】通过研究微博网络的结构特征, 对微博局部世界演化模型进行探究。【方法】以新浪微博全网数据和典型用户拓扑结构为例, 引入舆论动力学理论和复杂网络理论进行模型探究。【结果】获取微博用户行为框架, 得出划分普通用户和意见领袖的依据, 并建立微博局部世界演化模型。【局限】典型用户的选取具有一定的局限性; 全网数据的分析具有一定的偏差。【结论】本文建立的微博局部世界演化模型符合真实微博网络的拓扑结构, 研究成果有助于了解微博的网络结构。

关键词: 微博; 复杂网络; 舆情传播; 演化模型
中图分类号:G206
The Study of Local-world Network Evolution Model Based on Microblog
He Yumei1, Qi Jiayin2, Liu Huili2
1School of Ecomomics and Management, Tsinghua University, Beijing 100084, China
2 School of Economics and Management, Beijing University of Posts and Telecommunications, Beijing 100876, China
Fund:
Abstract

[Objective] Through the study of microblog network’s features, a local network evolution model of Sina Microblog is developed in this paper.[Methods] With Sina Microblog entire network data and a typical user’s topological structure, a model is explored based on the theories of public opinion dynamics and complex network.[Results] A framework for microblog users’ behaviors is obtained, a division basis for ordinary users and opinion leaders is got, and the local network evolution model is developed.[Limitations] In this method, the selection of typical user has its limitation, and the analysis of the entire network data has a certain deviation.[Conclusions] Finally, a conclusion can be obtained that the local network evolution model accord with real microblog network topology. The research work of this paper is helpful to know the microblog network structure well.

Keyword: Microblog; Complex network; Public opinion transmission; Evolution model
1 引言

微博作为近年来发展最快的社交化媒体平台, 其社会效应非常明显, 不仅开创了人际传播的新模式, 也成为重大非常规突发事件的舆论起源地和导火索。近年来, 微博[ 1]已经成为突发事件的传播舆论中心和首发媒体。不仅如此, 微博对传统主流媒体舆论的形成也有着重大影响, 各个领域的热点事件在微博频发, 且以负面事件为主; 这些事件在网络上持续成为舆情热点, 其链式传播的“围观效应”, 既有可能形成蓬勃而起的舆论张力, 凝聚起强大的民意, 也有可能导致网民的情绪化宣泄, 甚至被盲目利用或操纵[ 2]。

舆论动力学是指借助理论物理原理, 结合社会科学理论, 采用模型仿真的方法研究新闻舆论的社会动力学, 其主旨是揭示舆论生成与演变的内外动因[ 3]。复杂网络作为描述自然界和人类社会各种复杂系统的有力工具, 目前已广泛应用于社会科学、生命科学和信息科学等领域, 也是当前社会网络研究的主流方法[ 4]。

本文采用舆论动力学方法建立微博用户行为框架, 在此基础上采用复杂网络理论探究微博局部世界演化模型, 并以新浪全局和典型用户数据集进行验证。通过对比发现, 该模型基本符合真实微博网络的拓扑结构, 研究成果对于了解微博的网络结构, 发挥意见领袖的作用具有一定的借鉴意义。

2 相关工作

对于舆论动力学的研究, 起初以物理领域的学者的研究为主, 之后逐步扩大到管理科学与工程领域。基于舆论动力学的舆论演化模型研究主要是三类经典模型及其拓展优化, 根据态度离散及连续划分, 分别是离散的Sznajd模型、连续的Deffuant模型及Hegselmann-Krause模型。

Sznajd模型最早由Sznajd-Weron和Sznajd[ 5]提出, 其核心思想是“united we stand, divided we fall”, 节点完全受到邻域内邻居节点的影响而改变自身观点。Deffuant模型为协商模型[ 6], 其核心思想是: 每两个粒子的交互导致两个粒子的观点同时变化, 变化的结果是两个粒子的观点倾向于折衷, 即两个粒子的观点分别向中间观点靠近。Hegeslmann- Krause(H-K)模型[ 7]系统的动态不会发生变化; 如果个体间观点出现破裂, 那么破裂将永远持续下去。Stauffer等[ 8]讨论了更具普遍意义的Sznajd模型, 将Sznajd模型推广到二维后衍生出了三种不同的规则决定每个粒子的观点方向。王茹[ 9]改变个体完全受到邻居影响的规则, 在推广小世界网络中引入个体持续度概念, 分析得到当个体持续度和网络结构有关时, 会对驰豫时间和决定时间产生一定影响。刘常昱等[ 10]在Deffuant模型中引进了个体间相互作用的不对称性, 认为个体意见的不确定性和个体间的相互信任是影响最终舆论涌现形态和涌现速度的重要因素。Fortunato[ 11]在研究HK模型时, 通过研究无标度网络和随机图等5种网络媒介下的模型, 发现达成一致需要的有限信任阈值与特定的网络形式无关, 只与系统规模发生变化时网络的平均度相关, 并且能取0.2和0.5。

在舆论环境方面, 所选取的现实问题大多是一般环境的舆情变化, 如小世界网络等, 很少涉及到特定网络模型下的信息沟通方式; 由于微博具有同以往的网络模型不同的特点, 信息在微博上的传播可能呈现出不同的特点, 因此本文将微博网络作为研究的环境。

复杂网络理论研究复杂网络内部节点和节点之间关系, 其核心思想是结构决定功能, 其研究方向主要是从系统结构和由此分析而来的系统功能角度, 揭示复杂网络之间的共性和处理他们的普适方法。Barabási等[ 12]通过对万维网的数据进行统计分析发现万维网的度分布服从幂律分布, 在双对数坐标系下是一条下降的直线。崔爱香等[ 13]提出一种由共同邻居驱动的网络演化模型,该模型能够重现实证研究所观察到的幂律集团度分布,暗示共同邻居驱动是复杂网络局部结构涌现形成的内在机理。安海忠等[ 14]基于复杂性科学理论中的复杂适应系统(CAS)理论,建立并分析了项目导向型社会结构模型,为深入研究项目导向型社会提供理论基础。杜海峰等[ 15]针对节点增加的动态网络, 提出一种对于的动态网络社群结构探测算法, 对网络节点进行社群划分, 从而发现网络社群结构随时间动态变化的过程。

从上述研究可以看出, 复杂网络理论是一种很有效的研究社交网络结构的方法。本文从舆论动力学角度归纳出微博舆情传播的参与主体及其特点; 利用复杂网络理论构建微博局部世界演化模型, 并以新浪全局和典型用户数据集进行验证, 通过对比发现, 该模型基本符合真实微博网络的拓扑结构。

3 微博舆情主体属性研究

根据不同的研究目的和研究内容, 对微博主体分类不同。

(1) 从传播学的角度出发, 根据微博用户在微博传播过程中的用户行为和传播形态, 可以将其分为核心节点、桥节点及长尾节点[ 16]。

(2) 从社会学角度出发, 根据用户的属性特征不同, 可以分为微博达人、人气草根、普通草根及媒体微博。

(3) 从舆情研究的角度出发, 夏雨禾[ 17]将微博用户划分为匿名用户、实名个人、实名组织结构。

从主体来说: 一方面, 微博网络中, 主体呈现出多元化的特点, 以新浪微博上的舆情事件为例, 政府、相关机构、普通用户、媒体用户及事件当事人等多种主体的参与和交互, 使得信息传播行为变得异常复杂, 因此, 基于微博的舆情传播规律比一般环境舆情传播更为复杂和难以衡量; 另一方面关注和转发机制使信息传播者具有双重身份; 上述两方面因素的存在使得舆情在微博网络上的传播呈现出极为复杂的态势。

根据社会用户属性特点, 在新浪实名制后, 通过对新浪页面的分析, 总结出新浪用户的类别为: 名人用户、媒体用户、政府用户、机构用户、微博达人和普通用户。本文将主体划分为意见领袖和普通用户。本文中的意见领袖是广义概念, 也可以称为“新型意见领袖”, 其社会地位并不仅仅只是公共知识分子和专家等, 还包括名人微博、媒体微博和政府微博等在群体内部具有极大话语权及影响力的用户。普通用户主要是指微博平台的一般用户, 其特点是受到互动机制及周围邻居和事件本身的影响, 该类用户态度改变的可能性较大, 因此是本文研究的重点。

在本文中, 意见领袖和普通用户的界限是连续的, 即按照其影响力分类; 每个用户都会对微博上的其他用户产生一定的影响力, 只是影响力的来源不同, 影响力大小不同。

在微博影响力的动力机制内, 以微博作为信息服务平台所激发的内容及基于用户社会关系网络打通的信息通路, 其本质是对信息资源的凝聚力和整合力。

结合文献, 可以得到影响用户影响力的因素, 包括[ 18]:

(1) 社会地位: 和流行度类似, 是指吸引粉丝的数量, 即粉丝数;

(2) 互动频率: 即微博用户和邻居用户之间的互动情况;

(3) 关系强度: 根据社会网络分析方法, 从关系强度出发, 刻画微博用户节点之间的关系强弱程度;

(4) 活跃程度: 用户微博状态的条数越多, 用户越活跃。

从舆情动态传播的角度出发, 用户在舆情传播过程中的活跃度和影响力不同, 且用户行为不同, 为此提出行为属性划分法来衡量节点在动态传播中不同行为的影响。结合传播学理论和舆情传播具体实际情况, 将用户抽象成节点, 并划分为舆情核心节点、舆情桥节点及长尾节点,微博用户行为框架如图1所示:

图1 微博用户行为框架图

从传播的角度来说, 在舆情传播的过程中, 传播到该用户才能使之形成自己的态度, 也就是说先有传播路径, 后有态度的转变。在传播过程中, 每一个接收到舆情信息的用户都会形成自己的态度, 但是只有舆情桥节点才会将这种态度传播出去, 实际上, 节点观察到的是不同传播路径和每个节点的态度。由于信息的远近、影响的程度不同, 在本文中, 只考虑邻居节点对态度改变的影响。

从影响力角度来说, 意见领袖的关注度往往远高于普通用户, 且话语权较大, 因此成为核心节点的可能性很大, 而普通用户一般作为转发节点和桥节点。

通过新浪的第三方API, 宏观上获取新浪微博的全网用户(仅限于统计数据)及核心用户(粉丝数和微博数量均大于10的用户)的网络数据进行分析。微观上, 结合笔者所熟知的某典型用户, 作为新浪局部网络, 对其进行深入研究, 由于微博网络具有极高的连通性, 一条高关注度的舆情消息几乎可以遍历全网, 因此在数据集有限的情况下, 可以结合宏观统计性质分析及微观局部拓扑结构分析得到近似的合理结论。

4 新浪微博数据分析
4.1 新浪微博全网数据分析

(1) 数据集介绍

通过新浪第三方API接口, 获得新浪微博用户全网数据集。由于微博中存在活跃度极低的“僵尸用户”[ 19], 这可能会干扰网络拓扑结构分析, 因此需要去除活跃程度较低的用户, 以减小误差。全部用户数量为90 042 112, 而核心用户数量则为29 864 492, 具体如表1和表2所示:

表1 核心户认证比例
表2 全部用户认证比例

(2) 数据分析

对数据进行处理后, 得到用户粉丝数、关注数和微博数的基本关系, 摘取有用部分进行分析, 如表3所示。从粉丝数来看, 绝大部分用户的粉丝数集中在 1 000以内, 因此, 典型用户的数据也选取此范围。

表3 用户粉丝数量及比例

用户粉丝数对数及用户数量对数之间关系如图2所示。其中, x是用户粉丝数, N是粉丝数为x的用户数量, 从图2可以看出微博网络基本符合幂律分布。

图2 用户粉丝数对数及用户数量对数之间关系

摘取粉丝数最集中区域0-3 000进行分析, 对其粉丝数和对应用户数量取对数, 得到粉丝数对数与用户数量对数关系图, 如图3所示。对数坐标下的图像基本呈直线, 因此可以初步判定微博基本符合幂律分布, 具有典型的富者愈富现象。

图3 粉丝数对数与用户数量对数分析(粉丝数集中区域)

用户关注数对数与用户数量对数关系如图4所示。根据图3和图4显示, 在以10为底的用户粉丝数、用户关注数和对应用户数量的对数坐标系中, 数据在1 000左右的位置出现了分段的状况, 且出度和入度均出现这样的情况, 由此猜测粉丝数为1 000是意见领袖和普通用户的界限。

图4 用户关注数对数与用户数量对数关系

因此由新浪微博全网数据分析可以得到结论:

(1) 粉丝数为1 000是普通用户及意见领袖划分的依据之一;

(2) 普通用户和意见领袖的网络均按照一定规律生成。

4.2 典型微博用户拓扑结构研究

(1) 数据集简介

在微博中, 由于微博用户关注的对象仅限于领域内部, 因此研究局部具有重要的意义。为此, 从新浪微博爬取某典型用户及其粉丝和关注者的网络拓扑数据作为分析对象。又由上述的全局分析数据可知, 粉丝数为1 000的用户较为典型, 从研究对象的好友中筛选出某典型用户, 分析其微博网络拓扑结构, 通过API接口获得该用户与所有好友、粉丝及关注者之间的关系, 通过数据预处理发现, 该用户的微博存在4个社团结构: 社会关系、实验室关系、亲友关系和其他关系。

(2) 数据分析

利用Pajek软件作出该典型用户的拓扑结构图, 如图5所示, 可以看出其社团结构较为明显。

图5 某典型微博用户拓扑结构

从表4可以看出, 该典型用户的拓扑结构中, 度分布为0.44左右, 聚集系数为0.18左右, 而平均最短路径为2.65左右, 完全符合对微博网络性质的预测。

表4 某典型微博用户拓扑参数
5 微博局部世界演化模型
5.1 分析过程

结合舆情的传播特点来看, 粉丝数量是舆情传播的关键, 因此, 需要构造有向无权的网络, 其中节点代表用户, 边的连接代表关注机制, 从粉丝指向关注者。在微博中, 由于每一个节点根据自身的社会关系和兴趣构建自己的局部网络, 因此局部最优是非常重要的概念。对于普通用户而言, 其关注的节点主要来自于邻居的邻居及明星用户; 对于意见领袖而言, 其关注的节点主要来自于社会地位相近的其他用户。

为了验证局部世界模型的合理性, 从经典模型中选取三元闭包模型[ 20]、中间度分布模型[ 21]、局域世界演化模型[ 22]和高聚集无标度模型[ 23]4种模型, 对各自的生成网络进行比较分析。采用各模型的生成算法, 模拟生成4个网络, 各模型统一取总节点数 n=10 000, 每次新增节点连接数 m=10, 其余参数选择各模型较理想的参数。得到模型生成网络概况如表5所示:

表5 网络生成模型概况

结合新浪典型用户数据及对拓扑结构的分析可知: 一个人总是倾向于与熟悉范围内的人相连接, 即邻域范围内的人总是会先被连接到, 尤其是局部意见领袖及间接关注较多的人。这和局部世界演化模型的核心思想是一致的。

而在仿真实验中, 局域世界网络的同配性、富人效应及最短路径等系数均与微博的网络拓扑结构数据吻合, 但是平均聚集系数较低, 因此需要对该模型进行改进。在微博平台上, 新加入网络的用户虽然只能了解局部信息, 但是局部信息并不是随机的, 而是具有一定规律性, 用户根据真实社交关系添加关注对象, 因此对局部世界模型进行改进, 增加关系强度概念, 形成微博网络生成机制。

根据关系强度理论, 用邻居节点之间的覆盖程度来定义连接强度:

(1)

其中,ki,kj为节点的度, cij为两个节点的共同邻居数目。强度Tie(ki,kj)即为社交影响力, 生成网络时, 连接强度随着节点i的连接情况的变化而变化, 具体表现为: 静态时, 即网络不再发生任何变化, 则直接将计算结果当作社交影响力; 只考虑单向时:

(1) 若节点i与i的邻点a连接, 则i的度ki增加1,i、j的共同邻居cij增加1, 对应公式的分子值增1,Tie(ki,kj)变大;

(2) 若节点i与非j邻点b连接, 则i的度ki增加1, i、j共同邻居cij不变, 对应公式的分子值不变,Tie(ki,kj)减小;

(3) 由于关注机制使得微博具有不对称性, 因此, 连接强度:

(2)

5.2 提出微博局部世界演化模型

基于以上分析, 本文提出微博局部世界演化模型, 该模型构造网络的算法如下:

(1) 初始条件:m0个节点,e0条边组成一个全连通图;

(2) 增长机制: 每步增加一个节点, m条边;

(3) 连接机制:

①随机从网络已有节点中选取M个节点(M>>m)作为新加入节点的局域世界。新加入节点根据优先连接概率选择和局域世界中的m个节点相连接, 其中LW由新选的M个节点组成。

②设步骤①中增加节点的粉丝数Fi(i=1,2,...,m),Fi的粉丝组成邻域si, 从邻域Si(i=1,2,...,m)中找到n个直接关注对象, 由①分析可知, 网络中二元路径越多, 连接概率线性增长。可得:

其中,ki,kj为节点的度,cij为两个节点的共同邻居数目, 借用knn(k)的定义, 定义Tie(k)为度为k的节点与其邻居节点的连接强度的平均值, 即:

其中,Ni表示节点ki的邻居的集合,Mi表示度为k的节点。

(4) 演化终止条件: 微博拓扑网络节点总数达到L时, 结束循环, 终止演化。

5.3 实验模拟及结果分析

(1) 参数设定

①初始网络节点数, 连接数e0,m0, 取e0=m0=100;

②新增连接数m, m=10;

③网络总节点数n, 取n=10;

④M个节点: m=30;

⑤t是指t时刻, 有t≤3000。

通过编程实现微博局部世界网络构造算法, 生成微博局部世界网络, 模型的直方图、度分布和微博粉丝数量直方图分别如图6至图8所示:

图6 微博局部世界演化模型直方图

图7 微博局部世界演化模型度分布

图8 新浪微博粉丝数为25-500之间用户数量直方图

观察上述度分布和直方图可知, 在该网络中, 度分布在[0,20]区间内是递增的, 而之后完全符合幂律分布, 这和取得的新浪微博全局数据几乎一致。

仿真最终生成的网络统计参数如表6所示:

表6 微博局部世界演化模型参数表

首先, 从平均聚集系数来看, 同局部世界网络演化模型所取得的0.007相比提高幅度较大, 说明在考虑关系强度以后, 整个模型的聚集程度提高, 该算法的改进方向是合理的; 其次, 从平均路径长度来说, 该参数取值为2.4左右, 完全符合社交网络的幂律分布参数在2至3之间的规律; 再次, 这两个参数与Twitter全网数据集的数据类似[ 24], 因此可以认为本文提出的微博局部世界演化模型是基本合理的。

通过宏观和微观数据对网络进行分析, 得出:

(1) 本文认为, 意见领袖是一个局部的概念, 如果从粉丝数量上考虑, 全局意见领袖、局部意见领袖和普通用户定义的可能的划分界限分别为: 1 000和10 000;

(2) 新浪微博的全局网络十分接近幂律特征, 富人愈富效应非常明显, 而本文提出的网络生成机制基本符合现实规律;

(3) 在局部网络上, 用户的社交网络符合小世界分布特性, 聚集系数较高, 但是互动频率较低。

6 结论

微博作为新兴的信息传播工具, 从时间、地域和接入设备等各个方面都极大地解放了民众的话语权, 代表了一种全新的个人表达方式, 其稳定持续的身份构建培养了大批具有参与意识的网络民众, 为网络公共领域的成型奠定基础。在Web2.0时代, 微博已经成为突发事件的传播舆论中心和首发媒体, 对传统主流媒体舆论的形成也有着重大影响。本文结合舆论动力学和复杂网络理论, 根据结构决定功能的观点, 从节点分类特征和网络生成机制两个角度出发研究网络拓扑结构特征。一方面, 归纳出微博舆情传播的参与主体及其特点; 另一方面观察微博真实关注机制, 抽象出网络生成规则。提出局部最优连接机制, 在局部世界演化模型中, 引入关系强度, 得到微博局部世界演化模型, 并以新浪全局和典型用户数据集进行验证。通过对比发现, 该模型基本符合真实微博网络的拓扑结构, 在局部网络上, 用户的社交网络符合小世界分布特性, 聚集系数较高, 但是互动频率较低。本文的研究成果对了解微博的网络结构, 发挥意见领袖的作用具有一定的借鉴意义。下一步工作是如何帮助企业应用本文提出的微博局部世界演化模型以控制舆情的发展。

参考文献
[1] 刘挺, 徐志明, 秦兵, 等. 从语言计算到社会计算[J]. 中国计算机学会通讯, 2011, 7(12): 31-39.
(Liu Ting, Xu Zhiming, Qin Bing, et al. From Language Computing to Social Computing[J]. Communications of the China Computer Federation, 2011, 7(12): 31-39. ) [Cited within: 1]
[2] 李海峰. 微博对突发事件的影响作用探究[J]. 宁波大学学报: 人文科学版, 2012, 25(1): 124-127.
(Li Haifeng. On the Impacts of Micro-Blogs on Emergencies[J]. Journal of Ningbo University: Liberal Arts Edition, 2012, 25(1): 124-127. ) [Cited within: 1] [CJCR: 0.3656]
[3] 董立人, 董乐铄. 舆论动力学初探[J]. 华北水利水电学报: 社科版, 2009, 25(2): 24-26.
(Dong Liren, Dong Leshuo. Initial Exploration of Opinion Dynamics[J]. Journal of North China Institute of Water Conservancy and Hydroelecric Power: Social Science, 2009, 25(2): 24-26. ) [Cited within: 1]
[4] 白林根, 谌志群, 王荣波, 等. 微博关注关系网络K-核结构实证分析[J]. 现代图书情报技术, 2013(11): 68-74.
(Bai Lin’gen, Chen Zhiqun, Wang Rongbo, et al. Empirical Analysis on K-core of Microblog Following Relationaship Network[J]. New Technology of Library and Information Service, 2013(11): 68-74. ) [Cited within: 1] [CJCR: 1.073]
[5] Sznajd-Weron K, Sznajd J. Opinion Evolution in Closed Community[J]. International Journal of Physics C, 2000, 11(6): 1157-1165. [Cited within: 1] [JCR: 0.615]
[6] Deffuant G, Neau D, Amblard F, et al. Mixing Beliefs among Interacting Agents[J]. Advance in Complex System, 2000, 3(4): 87-98. [Cited within: 1] [JCR: 0.647]
[7] Hegeselmann R, Krause U. Opinion Dynamics Driven by Various Ways of Averaging[J]. Computational Economics, 2005, 25(4): 381-405. [Cited within: 1] [JCR: 0.463]
[8] Stauffer D, Sousa A O, Oliveira S M. Generalization to Square Lattice of Sznajd Sociophysics Model[J]. International Journal of Modern Physics C, 2000, 11(6): 1239-1245. [Cited within: 1] [JCR: 0.615]
[9] 王茹, 蔡勖. 小世界网络上个体持续度的舆论动力学研究[J]. 复杂系统与复杂科学, 2008, 5(2): 46-50.
(Wang Ru, Cai Xu. The Small-world Topology and Individual Persistence Effect in Opinion Dynamics[J]. Complex Systems and Complexity Science, 2008, 5(2): 46-50. ) [Cited within: 1] [CJCR: 0.6105]
[10] 刘常昱, 胡晓峰, 罗批, 等. 基于不对称人际影响的舆论涌现模型研究[J]. 系统仿真学报, 2008, 20(4): 990-992, 996. (Liu Changyu, Hu Xiaofeng, Luo Pi, et al. Based on Asymmetric Personal Relatinship Influence[J]. Journal of System Simulation, 2008, 20(4): 990-992, 996. ) [Cited within: 1] [CJCR: 0.914]
[11] Fortunato S. On the Consensus Threshold for the Opinion Dynamics of KrauseHegselmann[J]. International Journal of Modern Physics C, 2005, 16(2): 259-270. [Cited within: 1] [JCR: 0.615]
[12] Barabási A L, Albert R. Emergence of Scaling in Rand om Networks[J]. Science, 1999, 286(5439): 509-512. [Cited within: 1]
[13] 崔爱香, 傅彦, 尚明生, 等. 复杂网络局部结构的涌现: 共同邻居驱动网络演化[J]. 物理学报, 2011, 60(3): 809-814.
(Cui Aixiang, Fu Yan, Shang Mingsheng, et al. Emergence of Local Stuctures in Complex Network: Common Neigh-borhood Drives the Network Evolution[J]. Acta Physica Sinica, 2011, 60(3): 809-814. ) [Cited within: 1] [JCR: 1.016] [CJCR: 1.691]
[14] 安海忠, 于文静. 项目导向型社会的复杂适应系统结构模型研究[J]. 改革与战略, 2008, 24(11): 77-79.
(An Haizhong, Yu Wenjing. On Structural Model of Complex Adaptive Systems for Project-Oriented Society[J]. Reformation & Strategy, 2008, 24(11): 77-79. ) [Cited within: 1] [CJCR: 0.5407]
[15] 杜海峰, 悦中山, 李树茁, 等. 基于模块性指标的动态网络社群结构探测方法[J]. 系统工程理论与实践, 2009, 29(3): 162-171.
(Du Haifeng, Yue Zhongshan, Li Shuzhuo, et al. Community Structure Detecting Alorithm for Dynamic Networks Based on Modularity[J]. Systems Engineering- Theory & Practice, 2009, 29(3): 162-171. ) [Cited within: 1]
[16] 郑雅真. 新浪微博的发展研究[D]. 北京: 北京交通大学, 2010.
(Deng Yazhen. Research of Sina Microblog’s Development [D]. Beijing: Beijing Jiaotong University, 2010. ) [Cited within: 1] [CJCR: 0.3788]
[17] 夏雨禾. 突发事件中的微博舆论: 基于新浪微博的实证研究[J]. 新闻与传播研究, 2011(5): 43-51.
(Xia Yuhe. Microblog Opinions on Emergency: an Empirical Study Based on Sina Microblog[J]. Journalism & Communication, 2011(5): 43-51. ) [Cited within: 1]
[18] 丁雪峰, 胡勇, 赵文, 等. 网络舆论意见领袖特征研究[J]. 四川大学学报: 工程科学版, 2010, 42(2): 145-149.
(Ding Xuefeng, Hu Yong, Zhao Wen, et al. A Study on the Characters of the Public Opinion Leader in Web BBS[J]. Journal of Sichuan University: Engineering Scinece Edition, 2010, 42(2): 145-149. ) [Cited within: 1] [CJCR: 0.864]
[19] 原福永, 冯静, 符茜茜, 等. 一种降低微博僵尸粉影响的方法[J]. 现代图书情报技术, 2012(5): 70-75.
(Yuan Fuyong, Feng Jing, Fu Qianqian, et al. A Method to Reduce the Impact of Zombie Fans in Micro-blog[J]. New Technology of Library and Information Service, 2012(5): 70-75. ) [Cited within: 1] [CJCR: 1.073]
[20] 吕非非, 徐雅斌, 李卓, 等. 面向微博影响力的社交网络特征分析[J]. 计算机应用, 2013, 33(12): 3359-3362, 3418.
(Lv Feifei, Xu Yabin, Li Zhuo, et al. Analysis of Charac-teristics of Social Networks in Terms of Microblog Impact[J]. Journal of Computer Applications, 2013, 33(12): 3359-3362, 3418. ) [Cited within: 1] [CJCR: 0.646]
[21] 陈冰鑫, 邱保志. 聚类消息中间件构造技术[J]. 计算机应用, 2012, 32(5): 1425-1428.
(Chen Bingxin, Qiu Baozhi. Construction Technology of Cluster Message-oriented [Cited within: 1]
[22] Middleware[J]. Journal of Computer Applications, 2012, 32(5): 1425-1428. ) [Cited within: 1] [CJCR: 0.646]
[23] 郭印, 刘维清. 具有局部无标度特性的小世界网络模型[J]. 江西理工大学学报, 2012, 33(1): 73-77.
(Guo Yin, Liu Weiqing. Model of Small World Network with Local Scale Free Structure[J]. Journal of Jiangxi University of Science and Technology, 2012, 33(1): 73-77. ) [Cited within: 1] [CJCR: 0.6348]
[24] 吕丽, 张素娟, 樊锁海. 一个科研合作复杂网络模型的实证研究[J]. 暨南大学学报: 自然科学与医学版, 2011, 32(5): 462-467.
(Lv Li, Zhang Sujuan, Fan Suohai. Research of a Complex Network Model on Scientific Collaboration[J]. Journal of Jinan University: Natural Science & Medicine Edition, 2011, 32(5): 462-467. ) [Cited within: 1] [CJCR: 0.4548]
[25] Kwak H, Lee C Y, Park H, et al. What is Twitter, a Social Network or a News Media?[C]. In: Proceedings of the 19th International Conference on World Wide Web(IW3C2), Raleigh, Raleigh NC, USA. 2010: 591-600. [Cited within: 1]