觀點動力學視角下基于意見領(lǐng)袖的網(wǎng)絡(luò)輿情反轉(zhuǎn)研究

劉 琪，肖人彬

(華中科技大學人工智能與自動化學院，武漢 430074)

0 引言

隨著新媒體的迅速發(fā)展，以微博、微信為代表的自媒體成為因特網(wǎng)上信息擴散的主要媒介，輿情從現(xiàn)實世界轉(zhuǎn)移到網(wǎng)絡(luò)虛擬空間，一些社會現(xiàn)實現(xiàn)象與突發(fā)事件往往誘發(fā)網(wǎng)絡(luò)輿情。自媒體背景下網(wǎng)絡(luò)輿情信息顛覆了傳統(tǒng)媒體真實性、權(quán)威性的新聞原則，增大了公眾甄別、判斷的難度，侵蝕著主流價值意識，隱藏著網(wǎng)絡(luò)輿情反轉(zhuǎn)的危機[1]?！拜浨榉崔D(zhuǎn)”是指輿情擴散過程中出現(xiàn)的報道傾向、情感傾向突然發(fā)生逆轉(zhuǎn)的現(xiàn)象[2]，例如“成都女司機被打事件”、“哈爾濱天價魚事件”和“羅一笑事件”等[3]。輿情反轉(zhuǎn)事件的不斷出現(xiàn)，導致公眾在面對各種輿情聲音時陷入困惑，事件主體及媒體公信力大大受損，不僅造成一定的負面效應(yīng)，也給網(wǎng)絡(luò)治理帶來了極大的挑戰(zhàn)。此時，探究自媒體時代下的網(wǎng)絡(luò)輿情反轉(zhuǎn)現(xiàn)象的內(nèi)在機理具有重要的意義。

網(wǎng)絡(luò)輿情反轉(zhuǎn)研究存在多種主題，包括輿情反轉(zhuǎn)、輿論反轉(zhuǎn)、新聞反轉(zhuǎn)等，其研究實質(zhì)是一致的[4]?，F(xiàn)有的研究主要涉及新聞學、傳播學、政治學、公共管理等多個學科，研究方法以定性分析為主，主要包括以下幾個方面：1)基于新聞傳播學視角研究網(wǎng)絡(luò)輿情反轉(zhuǎn)產(chǎn)生的原因及對策[5]。2)基于心理學視角，對影響力大、傳播范圍廣的案例進行分析，進而提出治理網(wǎng)絡(luò)輿情反轉(zhuǎn)現(xiàn)象的對策[6]。3)基于議程設(shè)置理論視角，研究媒體和網(wǎng)民在面對網(wǎng)絡(luò)輿情時的議程設(shè)置與輿情反轉(zhuǎn)現(xiàn)象的關(guān)聯(lián)性[7]。黃遠、劉怡君等學者從社會物理學角度提出了網(wǎng)絡(luò)輿論反轉(zhuǎn)的定義，以及網(wǎng)絡(luò)輿論反轉(zhuǎn)的3種形態(tài)和4種類型，對網(wǎng)絡(luò)輿論反轉(zhuǎn)進行了較為全面深入的研究[8]；張華在分析輿論反轉(zhuǎn)社會心理原因的基礎(chǔ)上，提出了網(wǎng)絡(luò)輿情反轉(zhuǎn)現(xiàn)象的“參照點”效應(yīng)[9]；王玉龍以“天價魚事件”為例分析網(wǎng)絡(luò)群體極化對網(wǎng)絡(luò)輿情反轉(zhuǎn)具有隱性操控力[10]。

盡管網(wǎng)絡(luò)輿情反轉(zhuǎn)已有較多研究，但主要是定性解釋其原因、特征及應(yīng)對策略，缺乏從定量視角解讀網(wǎng)絡(luò)輿情反轉(zhuǎn)的內(nèi)在機理。觀點動力學研究社會網(wǎng)絡(luò)中觀點或行為的產(chǎn)生、擴散和聚合[11]。對一個特定的事件或問題，不同的個體會產(chǎn)生不同的觀點，通過個體間的相互影響在網(wǎng)絡(luò)中傳播擴散。同時，來自不同個體的觀點根據(jù)個體的決策方式發(fā)生聚合，在宏觀層面上產(chǎn)生復雜涌現(xiàn)現(xiàn)象，最終形成整個社會的觀念[12]。根據(jù)觀點描述方式的差異，可將觀點動力學模型分為離散和連續(xù)兩類。離散型觀點動力學模型的典型代表有投票者模型[13]、多數(shù)決定模型[14]、及Sznajd模型[15]等，適用于描述個體同意或反對等簡單二元離散觀點決策，無法刻畫觀點的動態(tài)變化過程?；谟薪缧湃渭僭O(shè)，采用區(qū)間上的連續(xù)變量建模觀點得到廣泛應(yīng)用。有界信任的連續(xù)型動力學模型主要包括HK模型[16]和DW模型[17]，DW模型是在信任閾值內(nèi)隨機選擇兩個個體進行觀點交互，而HK模型中個體是與在其信任閾值內(nèi)所有的個體交互[18-19]。近年來，隨著復雜網(wǎng)絡(luò)研究的興起, 學者們發(fā)現(xiàn)現(xiàn)實世界以及互聯(lián)網(wǎng)社區(qū)中的個體交互結(jié)構(gòu)滿足復雜網(wǎng)絡(luò)的特征, 尤其是小世界網(wǎng)絡(luò)、無標度網(wǎng)絡(luò)等[20-22]，將觀點動力學與復雜網(wǎng)絡(luò)結(jié)合起來成為一種新的趨勢[23]。

經(jīng)典有界信任觀點動力學模型簡化了個體間的交互規(guī)則和交互對象的選擇，成為用來揭示群體涌現(xiàn)出的宏觀行為的常用模型。而在現(xiàn)實的輿情演化中，個體的異質(zhì)性、意見領(lǐng)袖及社會交互網(wǎng)絡(luò)結(jié)構(gòu)等對群體觀點的演變同樣具有重要的影響。從真實的輿情反轉(zhuǎn)事件可以發(fā)現(xiàn)，輿情反轉(zhuǎn)是意見領(lǐng)袖、普通網(wǎng)民之間不斷交互作用的結(jié)果。意見領(lǐng)袖的言論會影響群體的情緒變化，在傳播、引導、推動輿情發(fā)展等方面具有重要的引導作用，但如何識別關(guān)鍵的意見領(lǐng)袖，量化其在輿情反轉(zhuǎn)事件中的主導作用還不多見。基于此，本文結(jié)合觀點擴散的社會網(wǎng)絡(luò)結(jié)構(gòu)、個體異質(zhì)性等理論，考慮意見領(lǐng)袖的引導作用對經(jīng)典有界信任的HK模型加以改進，以期實現(xiàn)對輿情反轉(zhuǎn)現(xiàn)象的抽象、模擬，揭示意見領(lǐng)袖對網(wǎng)民態(tài)度的引導規(guī)律。

本文結(jié)構(gòu)安排如下：第1節(jié)分析了在輿情傳播中意見領(lǐng)袖的引導作用，并介紹了社會網(wǎng)絡(luò)分析法的3種中心性，用作意見領(lǐng)袖的判別方法；第2節(jié)詳細說明了基于無標度網(wǎng)絡(luò)結(jié)構(gòu)，考慮意見領(lǐng)袖的影響改進傳統(tǒng)HK模型；第3節(jié)是對模型的仿真實驗，實驗中對社會網(wǎng)絡(luò)中的意見領(lǐng)袖進行了識別，模擬了持不同態(tài)度的意見領(lǐng)袖引導下觀點的演化過程，對仿真結(jié)果進行分析；第4節(jié)通過新浪微博實際案例數(shù)據(jù)，對模型的仿真結(jié)果進行驗證；第5節(jié)針對觀點演化模型的仿真及案例分析得出結(jié)論。

1 意見領(lǐng)袖及中心性

1.1 意見領(lǐng)袖

意見領(lǐng)袖概念最早由美國學者拉扎斯菲爾德等人提出[24]，他們認為觀點和意見并不直接“流”向一般受眾，而是要經(jīng)過意見領(lǐng)袖這個中間環(huán)節(jié)，即“大眾傳播—意見領(lǐng)袖—一般受眾”模式；意見領(lǐng)袖指那些在社會關(guān)系網(wǎng)絡(luò)中具有較高影響力與號召力的關(guān)鍵節(jié)點，經(jīng)常為他人提供信息或意見，并對他人施加影響的“積極分子”。他們通常是某個領(lǐng)域的專家、社會名流或主流媒體，其觀點或評價往往被大量轉(zhuǎn)發(fā)形成焦點意見，影響個體的判斷，主導網(wǎng)絡(luò)輿情的發(fā)展。

分析近年來頻發(fā)的網(wǎng)絡(luò)輿情反轉(zhuǎn)事件，在輿情發(fā)展前期，網(wǎng)民往往表達同一種集中傾向的觀點，而在輿情傳播中后期，卻急速反轉(zhuǎn)，呈現(xiàn)另一種與之對立的觀點，形成輿情反轉(zhuǎn)效應(yīng)。意見領(lǐng)袖作為信源和信息傳播的中介，在引導輿情傳播方向，形成反轉(zhuǎn)前期和后期兩種對立觀點中的作用不可忽視。因此，本文將考慮意見領(lǐng)袖的引導作用，將輿情事件中的主體劃分為意見領(lǐng)袖及普通個體，結(jié)合觀點動力學原理研究輿情演化過程中個體的交互規(guī)則，為解釋網(wǎng)絡(luò)輿情反轉(zhuǎn)現(xiàn)象提供參考依據(jù)。

1.2 中心性

在社會網(wǎng)絡(luò)分析中網(wǎng)絡(luò)的節(jié)點代表了社會網(wǎng)絡(luò)中的個體，節(jié)點與節(jié)點之間的連線則表示個體之間的關(guān)系，網(wǎng)絡(luò)中節(jié)點的位置決定了個體的重要程度[25]。在社會網(wǎng)絡(luò)中處在中心位置的個體具備意見領(lǐng)袖的特征[26]，這為意見領(lǐng)袖的確定提供了思路。本文從個體及社會網(wǎng)絡(luò)角度出發(fā)，采用社會網(wǎng)絡(luò)分析法對個體的重要程度進行劃分，根據(jù)節(jié)點的中心性排序識別意見領(lǐng)袖。社會網(wǎng)絡(luò)中對于關(guān)鍵節(jié)點的評價指標主要有三類中心性，即度中心性、居間中心性及接近中心性[27]。

1.2.1 度中心性

度中心性統(tǒng)計每個節(jié)點的度數(shù)。如果某節(jié)點具有較高的度，則可認為其在觀點網(wǎng)絡(luò)中處于中心地位，與其他的個體有較多的關(guān)聯(lián)，具有較大的影響力。度中心性的計算表達式為

Ci=m/(n-1)

(1)

其中，m表示與i存在聯(lián)系的個體個數(shù)，n表示觀點網(wǎng)絡(luò)中的個體個數(shù)。

1.2.2 居間中心性

居間中心性衡量個體在多大程度上成為“中間人”。居間中心性越大，說明該個體與其他個體之間發(fā)生的交互越多，其控制信息交流的能力也就越強。居間中心性的計算公式為

(2)

其中，gjk(i)表示從節(jié)點j到k的最短路徑中經(jīng)過i的最短路徑數(shù)目，gjk表示節(jié)點j到k的全部最短路徑數(shù)目。

1.2.3 接近中心性

接近中心性描述個體不受其他個體控制的能力。若一個節(jié)點到網(wǎng)絡(luò)中其他節(jié)點的平均距離越小，該節(jié)點位于網(wǎng)絡(luò)越中心的位置在網(wǎng)絡(luò)中較少地依賴其它個體，則該個體具有較高的接近中心性。對于有n個節(jié)點的連通網(wǎng)絡(luò)，節(jié)點i的接近中心性被定義為i到其余節(jié)點的平均距離的倒數(shù)：

(3)

其中，dij表示節(jié)點i到j(luò)之間的平均距離。

2 網(wǎng)絡(luò)輿情反轉(zhuǎn)的觀點演化模型

在現(xiàn)實世界中，個體的交互結(jié)構(gòu)既不是完全規(guī)則的，也不是完全隨機的，而是具有無標度、聚類系數(shù)高等特性[28-30]，無標度網(wǎng)絡(luò)更接真實的社交網(wǎng)絡(luò)。在觀點演化進程中，參與個體的選擇、個體之間的交互規(guī)則及觀點傳播的網(wǎng)絡(luò)結(jié)構(gòu)共同決定演化的結(jié)果，本文將在無標度網(wǎng)絡(luò)和HK模型基礎(chǔ)上，引入意見領(lǐng)袖的作用，建立網(wǎng)絡(luò)輿情反轉(zhuǎn)模型。

2.1 傳統(tǒng)HK模型

假設(shè)有限集A={1,2,…,N}內(nèi)的個體共享觀點，個體i在t時刻的觀點為xi(t)，形成一個1×N的列向量X(t)=(x1(t)，x2(t)，…，xN(t))，xi(t)∈[0,1]，i∈A，t≥0，t=0時為其初始觀點。根據(jù)傳統(tǒng)HK模型，觀點更新規(guī)則為：

I(i,x(t))={1≤j≤N||xi(t)-xj(t)|<ε}

(4)

其中，ε是信任閾值，|xi(t)-xj(t)|<ε計算個體i與j的觀點差值，表示在信任閾值內(nèi)的個體才能對個體i產(chǎn)生影響作用。I(i,x(t)) 表示t時刻在個體i信任閾值內(nèi)所有個體的集合。通常，信任閾值越小，觀點越分散，越不容易形成共識；信任閾值越大，觀點越聚集，越容易形成一致觀點。

(5)

2.2 基于意見領(lǐng)袖的改進HK模型

在傳統(tǒng)HK模型的基礎(chǔ)上，考慮意見領(lǐng)袖的引導作用，將個體劃分為普通群體及意見領(lǐng)袖群體，提出以下改進模型。

定義N×N的矩陣R表示社會群體中個體之間的關(guān)系矩陣。假設(shè)有限集A={1,2,…,N}代表個體的集合。對集合內(nèi)的所有個體i和j，Rij表示個體i與j是否有連接，當Rij=0時，表示個體i與j沒有關(guān)聯(lián)；當Rij=1時，表示個體i與j有連接。個體i在t時刻的觀點為xi(t)，形成一個1×N的列向量X(t)=(x1(t)，x2(t)，…xN(t))，xi(t)∈[0,1]，i∈A，t≥0，t=0時為其初始觀點。假定網(wǎng)絡(luò)中存在M個意見領(lǐng)袖，屬于集合B={1,2,…,M}；普通個體的個數(shù)為N-M，屬于集合C={1,2,…,N-M}。易知，A=B∪C。觀點更新規(guī)則如下：

1)若個體i為意見領(lǐng)袖，即i∈B，觀點的更新規(guī)則為

xi(t+1)=xi(0)

(6)

其中，xi(0)表示代表個體的初始觀點。意見領(lǐng)袖具有較高的自信度，其觀點不受其他個體的影響，與普通個體有所區(qū)別，在觀點的演化中保持初始觀點不變。

2)若i為普通個體，即i∈C，觀點更新方式描述如下：

(1)計算t時刻在個體i信任閾值范圍內(nèi)的普通個體及意見領(lǐng)袖的信任集合。

L(i,x(t))={1≤j≤M||xi(t)-xj(t)|<β,j∈B}
I(i,x(t))={1≤j≤N-M||xi(t)-xj(t)|<ε,j∈C}

(7)

其中，ε代表個體i對普通個體的信任閾值，β代表個體i對意見領(lǐng)袖的信任閾值。I(i,x(t)) 表示t時刻在個體i信任閾值內(nèi)普通個體的集合，L(i,x(t)) 表示t時刻在個體i信任閾值內(nèi)意見領(lǐng)袖個體的集合。

(2)根據(jù)社會網(wǎng)絡(luò)矩陣中節(jié)點的連接關(guān)系，找出t時刻意見領(lǐng)袖和普通個體集合內(nèi)與個體i有關(guān)聯(lián)的個體，處在信任閾值內(nèi)且有關(guān)聯(lián)的個體將對個體i下一時刻的觀點形成產(chǎn)生影響，分別用bij(t)及cij(t)表示。

(8)

其中，bij(t)的值反映了在個體i信任閾值范圍內(nèi)的意見領(lǐng)袖j的觀點是否對其造成影響。當j∈L(i,x(t))且Rij=1時，bij(t)=1，表示t時刻個體i會受到個體j的影響；若bij(t)=0，表示個體j對個體i沒有影響。同樣，cij的值代表在個體i信任閾值范圍內(nèi)的普通個體j的觀點是否對其有影響。當j∈I(i,x(t))且Rij=1時，cij(t)=1，表示個體i會受到個體j的影響；當cij(t)=0，表示個體j對個體i沒有影響。

(3)依據(jù)信任集合及關(guān)系矩陣R，個體i的觀點按照如下規(guī)則更新：

(9)

其中，θ代表意見領(lǐng)袖的影響力權(quán)值，則1-θ表示普通個體的影響力權(quán)值。

(4)當滿足下列條件時，觀點將結(jié)束更新：

(10)

其中，δ取一個接近于0的正數(shù)。

當個體為普通個體時，將按照式(9)的規(guī)則進行觀點的更新迭代，當所有個體的觀點滿足式(10)，認為觀點演化到達穩(wěn)態(tài)，結(jié)束更新。按照上述輿情反轉(zhuǎn)模型，可以看出，若θ=0，該模型等同于HK模型，參與觀點演化的個體均為普通個體，在交互過程中意見領(lǐng)袖不發(fā)揮影響。若θ>0，群體中既有意見領(lǐng)袖，也有普通個體，個體將綜合考慮普通個體及意見領(lǐng)袖的觀點，形成下一時刻的觀點。

3 仿真分析

為驗證模型的有效性，分析意見領(lǐng)袖在輿情事件中的影響作用，本節(jié)將對第2節(jié)中改進的HK模型進行仿真實驗。選取無標度網(wǎng)絡(luò)作為觀點傳播的網(wǎng)絡(luò)結(jié)構(gòu)，建立節(jié)點N=1 000的無標度網(wǎng)絡(luò)結(jié)構(gòu)。個體的初始觀點服從[0,1]區(qū)間的隨機均勻分布，參與者分為意見領(lǐng)袖和普通個體。隨著時間推進，個體與社會網(wǎng)絡(luò)上有關(guān)聯(lián)的節(jié)點進行交互，交互方式遵從上述改進HK模型的規(guī)則。在前期引入持支持觀點的意見領(lǐng)袖，后期引入持反對觀點的意見領(lǐng)袖，觀察意見領(lǐng)袖引導下的觀點變化。

3.1 算法流程

利用Matlab實現(xiàn)了輿情反轉(zhuǎn)模型的仿真。算法流程見圖1。

圖1 算法流程Fig.1 Algorithm flow chart

具體步驟如下：

1)初始化參數(shù)。需要設(shè)置的參數(shù)包括節(jié)點個數(shù)，信任閾值，終止條件參數(shù)等。

2)構(gòu)建無標度網(wǎng)絡(luò)，生成關(guān)系矩陣R。初始設(shè)定m0個孤立節(jié)點，不斷引入新的節(jié)點。每次引入一個新的節(jié)點，新點與m個不同的已經(jīng)存在于網(wǎng)絡(luò)中的節(jié)點相連產(chǎn)生m條邊，這里m≤m0。本實驗中m0設(shè)置為5，m設(shè)置為3。新節(jié)點與已經(jīng)存在的節(jié)點i相連的概率P遵從優(yōu)先連接原理，取決于節(jié)點i的度數(shù)：

(11)

其中，節(jié)點i的度為ki，節(jié)點j的度為kj。

3)設(shè)置觀點演化的階段?；诒疚牡难芯?，需要設(shè)置兩個階段的觀點演化，用Period代表觀點的演化階段。初始設(shè)置Period=1。

4)生成普通個體的初始觀點。利用隨機數(shù)生成器生成普通個體的初始觀點x(0)，觀點服從隨機均勻分布。

5)設(shè)置意見領(lǐng)袖。依據(jù)中心性指標，找出已構(gòu)建的無標度網(wǎng)絡(luò)中度中心性高的M個節(jié)點，標記為意見領(lǐng)袖。若Period=1，表示代表觀點演化的前一階段，設(shè)置支持觀點的意見領(lǐng)袖；若Period=2，代表觀點演化的后一階段，則設(shè)置反對觀點的意見領(lǐng)袖。

6)針對網(wǎng)絡(luò)中的每個個體完成其觀點的迭代更新。判斷個體i是否是意見領(lǐng)袖。若i為意見領(lǐng)袖，則其觀點xi保持不變，繼續(xù)分析下一個個體，重復此步。若i不是意見領(lǐng)袖，執(zhí)行步7)。

7) 對個體i，利用關(guān)系矩陣R，當Rij=1時代表有連接，找出與其有連接的所有鄰居個體。判斷其鄰居個體是否是意見領(lǐng)袖：若j是意見領(lǐng)袖，則劃分到集合L中；若j不是意見領(lǐng)袖，則劃分到集合I中。個體i按式(10)進行更新。

8)依據(jù)式(10)判斷是否滿足觀點演化終止條件，若不滿足則返回步6)。

9)判斷Period是否等于2。若Period不等于2，令Period=2，返回步5)。若Period等于2,表明已完成兩個階段的觀點更新，執(zhí)行步10)。

10)輸出演化結(jié)果，保存最終生成的觀點矩陣，輸出觀點隨時間變化的曲線，退出程序。

3.2 意見領(lǐng)袖的確定

利用上述算法，構(gòu)建了一個節(jié)點大小為1 000的無標度網(wǎng)絡(luò)，圖2展示了本實驗中觀點擴散的無標度網(wǎng)絡(luò)結(jié)構(gòu)圖，圖中節(jié)點的大小與節(jié)點度的大小呈正相關(guān)，節(jié)點越大說明網(wǎng)絡(luò)中節(jié)點的度越高?？梢院苤庇^地發(fā)現(xiàn)，無標度網(wǎng)絡(luò)中，只有少數(shù)節(jié)點擁有較多連接，大部分節(jié)點只有很少的連接。

圖3是節(jié)點度分布的雙對數(shù)曲線圖，其中直線斜率為-2.98。無標度網(wǎng)絡(luò)節(jié)點度分布滿足冪律分布，更接近真實的社會網(wǎng)絡(luò)，少數(shù)擁有較高連接的節(jié)點可對應(yīng)到社會網(wǎng)絡(luò)中有著較高知名度和影響力的個體。運用UCINET軟件，基于節(jié)點的度中心性、接近中心性以及居間中心性指標找出網(wǎng)絡(luò)中心性高的前30個節(jié)點，結(jié)果如表1所示。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Network structure

圖3 節(jié)點度分布雙對數(shù)曲線Fig.3 The log-log plot of degree distribution

根據(jù)社會網(wǎng)絡(luò)中心性的定義，將具有較高中心性的節(jié)點確定為意見領(lǐng)袖。從表中3種中心性指標的識別結(jié)果來看，識別出的前30個節(jié)點基本沒有變化，僅在次序上有所區(qū)別。在仿真實驗中可依據(jù)表中的實驗結(jié)果選擇其中一種排序指標，將對應(yīng)節(jié)點標記為意見領(lǐng)袖。

表1 3種中心性指標下的節(jié)點排序Tab.1 The nodes sorted by three centrality methods

注：序號指3種中心性下節(jié)點由高到低的排序，如序號為(1)的節(jié)點對應(yīng)的中心性最高；數(shù)字代表不同的節(jié)點，如7表示節(jié)點7。

表2 實驗參數(shù)說明Tab.2 Explanation of experimental parameters

3.3 實驗結(jié)果分析

基于改進的經(jīng)典HK模型，在觀點演化的兩個時期引入對立觀點的意見領(lǐng)袖，對比了不同的意見領(lǐng)袖影響權(quán)值及不同比例的意見領(lǐng)袖對個體觀點產(chǎn)生的影響。實驗中涉及到的參數(shù)說明見表2。若實驗中無特別說明，則仿真實驗中的參數(shù)將依據(jù)表2設(shè)定。

實驗1選取不同的意見領(lǐng)袖影響權(quán)值，進行意見領(lǐng)袖影響力仿真實驗。實驗結(jié)果如圖4、5所示，圖4展示了θ為0、0.3、0.7、1.0時的觀點演化。圖中紅色曲線代表初始觀點值在(0.5,1]區(qū)間內(nèi)個體(即支持者)的觀點變化；黑色曲線代表初始觀點值在區(qū)間[0,0.5)內(nèi)個體(即反對者)的觀點變化。

圖4 不同意見領(lǐng)袖影響權(quán)值下個體的觀點演化Fig.4 Evolution of individual opinion under different influencing weights of opinion leaders

圖5 群體平均觀點的演化Fig.5 Evolution of group average opinion

圖4是個體觀點值的變化曲線。觀點演化過程中，絕大多數(shù)個體參與交互并不斷更新自身的觀點。同時，網(wǎng)絡(luò)中還存在少數(shù)不與其他個體進行交互的偏執(zhí)型個體，始終保持其初始觀點不變。當θ=0，即意見領(lǐng)袖影響權(quán)值為0時，觀點演化模型與經(jīng)典HK模型一致，整個演化進程中觀點并未反轉(zhuǎn)，在觀點演化的約30個周期之后到達穩(wěn)態(tài)，多數(shù)個體的觀點收斂到一致。隨著意見領(lǐng)袖權(quán)值的不斷增大，意見領(lǐng)袖發(fā)揮引導作用，觀點值先是到達峰值趨于穩(wěn)定，隨后在持對立觀點意見領(lǐng)袖影響下觀點值迅速下降，出現(xiàn)明顯的反轉(zhuǎn)現(xiàn)象。θ=0.3時，在第23個周期后觀點變化趨于穩(wěn)定，存在779個支持觀點；第59個周期后觀點演化再次達到穩(wěn)態(tài)，支持觀點個數(shù)下降到343，437個觀點發(fā)生反轉(zhuǎn)。θ=0.7時，觀點到達穩(wěn)態(tài)的周期分別縮短至20和51，反轉(zhuǎn)的觀點個數(shù)增加到500?？梢钥闯?，意見領(lǐng)袖影響權(quán)值的增大會加快觀點演化的演化進程，縮短收斂時間，說明意見領(lǐng)袖的影響力在輿情反轉(zhuǎn)過程中的引導作用不斷增強。

圖5為群體的平均觀點值在不同時期的變化曲線，表明整個群體觀點的傾向性。意見領(lǐng)袖權(quán)值θ為0或較小時，不會出現(xiàn)反轉(zhuǎn)現(xiàn)象。而當θ=1時，僅有意見領(lǐng)袖的作用，反轉(zhuǎn)階段觀點值水平反而較高。這表明，在綜合考慮意見領(lǐng)袖與普通個體的影響力作用時，并非意見領(lǐng)袖的權(quán)重越大，對系統(tǒng)群體觀點水平影響越大。

實驗2為研究意見領(lǐng)袖數(shù)量對觀點演化的影響，在群體中設(shè)置不同比例的意見領(lǐng)袖，修改參數(shù)P進行仿真實驗。

圖6 不同比例意見領(lǐng)袖作用下個體的觀點演化Fig.6 Evolution of individual opinion under different proportions of opinion leaders

圖7 群體觀點演化結(jié)果Fig.7 Evolution of group average opinion

圖6和圖7是選取不同比例的意見領(lǐng)袖參與觀點演化的實驗結(jié)果。圖6展示了意見領(lǐng)袖比例P為0.5%、1.5%、2.0%、3.0%時的變化曲線。P=0.5%時，在30個周期后觀點變化趨于穩(wěn)定，隨后在第62個周期觀點演化再次達到穩(wěn)態(tài)，約410個觀點發(fā)生反轉(zhuǎn)；P=1.5%時，觀點到達穩(wěn)態(tài)的周期分別縮短至25和53，反轉(zhuǎn)觀點的個數(shù)增加到450。而P=3%時，觀點到達穩(wěn)態(tài)的周期則分別縮短至19和48，反轉(zhuǎn)觀點的個數(shù)增加到505。這一現(xiàn)象說明意見領(lǐng)袖比例的增加，能夠加速觀點演化進程、縮短演化周期。圖7反映了群體觀點的平均水平，當系統(tǒng)中只存在0.5%比例的(即5個)意見領(lǐng)袖時，反轉(zhuǎn)前穩(wěn)態(tài)時平均觀點值為0.74左右，反轉(zhuǎn)后穩(wěn)態(tài)時觀點值約為0.33；當意見領(lǐng)袖比例增加到3%時，反轉(zhuǎn)前后穩(wěn)態(tài)時觀點值分別為0.87和0.17。觀點演化中意見領(lǐng)袖的比例越大，其主導作用越明顯，群體的觀點值會更接近意見領(lǐng)袖，出現(xiàn)明顯的觀點極化現(xiàn)象。

通過上述對意見領(lǐng)袖影響力和比例的仿真實驗，可以看出：

1)不引入意見領(lǐng)袖作用時，觀點的演化將遵從傳統(tǒng)HK模型的規(guī)則，觀點不會發(fā)生逆轉(zhuǎn)。少數(shù)社會網(wǎng)絡(luò)中與其它節(jié)點無連接的個體不參與觀點的交互，在演化過程中觀點保持不變；多數(shù)個體參與交互，觀點將收斂到一致，符合有界信任模型的演化規(guī)律。

2)觀點演化中加入意見領(lǐng)袖的影響后，無論是從個體層面還是宏觀層面，仿真結(jié)果中都能觀察到明顯的觀點逆轉(zhuǎn)現(xiàn)象，說明了輿情反轉(zhuǎn)中意見領(lǐng)袖的引導作用。

3)意見領(lǐng)袖的觀點會在群體內(nèi)迅速擴散，意見領(lǐng)袖影響力的增加和意見領(lǐng)袖比例的增大，使得觀點的演化進程顯著加快，觀點收斂以及到達穩(wěn)態(tài)的時間逐漸縮短。

4)意見領(lǐng)袖的權(quán)重對群體觀點值平均水平的影響并非是單調(diào)一致的正相關(guān)，而是在0到1之間的某個值取得最大，這與觀點動力學的基本原理相吻合。網(wǎng)絡(luò)輿情是觀點在系統(tǒng)內(nèi)的充分傳播，觀點的演化是個體交互的結(jié)果，系統(tǒng)中占絕大多數(shù)比例的是普通個體，輿情演化需要普通個體與意見領(lǐng)袖的共同參與，在意見領(lǐng)袖的引導下，普通個體與社會網(wǎng)絡(luò)中有關(guān)聯(lián)的節(jié)點進行觀點的交流，不斷推進輿情的演化進程。

4 案例研究

4.1 案例選擇及數(shù)據(jù)獲取

為進一步驗證仿真分析的結(jié)論，選取輿情反轉(zhuǎn)案例進行研究。在媒體平臺中，新浪微博已成為中國網(wǎng)民最主要的虛擬交往平臺，也是網(wǎng)絡(luò)公共事件生成、發(fā)展的重要策源地。2018年9月9日，微博用戶名為@刺Ytt的楊女士發(fā)微博稱遭到網(wǎng)紅毆打，相關(guān)話題迅速占據(jù)熱搜榜單，網(wǎng)民紛紛表示支持孕婦并指責網(wǎng)紅。隨著事件的發(fā)展，更多的真相被公開，輿論由支持孕婦轉(zhuǎn)變?yōu)槁曈懺袐D，輿情發(fā)生逆轉(zhuǎn)。本文選取此事件作為研究實例，運用爬蟲技術(shù)，以“孕婦”、“saya”“孕婦遭網(wǎng)紅毆打”“saya道歉”等關(guān)鍵詞，采集了2018年9月9日至2018年11月14日新浪微博平臺上的相關(guān)微博和評論。共計獲取了10 056條微博，56 002條評論信息，采集到的基本信息包含發(fā)布者的昵稱、發(fā)布時間、粉絲數(shù)、評論數(shù)、點贊數(shù)等。

4.2 數(shù)據(jù)處理

運用爬蟲技術(shù)采集到的原始數(shù)據(jù)中，包含大量的無用信息且雜亂無章，中文文本數(shù)據(jù)也包含各種錯誤編碼信息，需要對采集到的原始數(shù)據(jù)進行處理，流程如圖8所示，具體步驟如下：

1)數(shù)據(jù)清洗。爬取到的原始數(shù)據(jù)中，包含大量錯誤亂碼、表情符號、缺失或重復冗余的信息，需要對這類數(shù)據(jù)進行剔除。

2)觀點匯總。因事件持續(xù)時間較長，針對爬取到的數(shù)據(jù)，以天為單位匯總9月9日至11月14日個體的觀點。

圖8 案例數(shù)據(jù)處理流程Fig.8 The processing procedure for the case data

3)篩選個體。本實驗需要觀察個體在不同時期的觀點的變化。對抓取到的相關(guān)微博及評論數(shù)據(jù)進行篩選，在采集到的信息中提取出約1萬個在事件發(fā)展各個時期均表明觀點的個體。設(shè)置最大實驗次數(shù)1 000，初始化T=1。

4)隨機選擇研究個體。為與仿真模型對應(yīng)，采用隨機抽樣的方式，每次選擇1 000個個體進行實驗。

5)中文文本情感值分析。爬取到的原始數(shù)據(jù)是中文文本的評論信息，為與模型相對應(yīng)，需要對中文文本進行情感值分析，量化個體的情感傾向。主要步驟如下：

(1)利用500萬微博評論語料構(gòu)建語料庫，將具有正負標記的文本作為訓練集。

(2)利用新的數(shù)據(jù)集訓練情感分析模型，情感分類的基本模型是貝葉斯模型。對于有兩個類別的分類問題來說，其特征之間相互獨立，屬于類別c1的貝葉斯公式為

(12)

其中，P(ω1,…,ωn)=P(ω1,…,ωn|c1)·P(c1)+P(ω1,…,ωn|c2)·P(c2)。

(3)利用分詞引擎對評論文本進行分詞。

(4)提取正負面詞，進行正負面詞庫匹配，篩選出文本中能夠反映情感傾向的詞。

圖9 “網(wǎng)紅毆打孕婦”事件預測結(jié)果與實際數(shù)據(jù)對比曲線Fig.9 Comparing curve between predicted results and actual data

(5)調(diào)用貝葉斯訓練模型，計算并返回文本的分類結(jié)果和情感傾向值。

6)判斷是否達到實驗設(shè)定的次數(shù)，若沒有，令T=T+1，返回步4)。

7)求得所有實驗結(jié)果的平均值，繪制真實數(shù)據(jù)的變化曲線。

4.3 結(jié)果分析

圖9是仿真結(jié)果與真實數(shù)據(jù)的變化曲線，基于100次的仿真實驗，當意見領(lǐng)袖影響力權(quán)值為0.72下的仿真結(jié)果與真實數(shù)據(jù)的擬合趨勢最為接近。9月28日至10月14及11月1至11月14時期內(nèi)觀點值演化已趨于穩(wěn)定，為更清晰地展示觀點值在上升階段及下降階段的發(fā)展態(tài)勢，圖9中詳細描繪了9月9日至9月28日及10月14日至11月1日的變化曲線。表3顯示了在輿情反轉(zhuǎn)前后兩個階段內(nèi)，孕婦一方的支持者人數(shù)的預測值與真實值。

由仿真結(jié)果與真實數(shù)據(jù)對比可以看出，輿情反轉(zhuǎn)的演化模型的預測結(jié)果與社交網(wǎng)絡(luò)的實際案例數(shù)據(jù)變化趨勢基本吻合，擬合效果較好。

1)該事件自9月9日孕婦發(fā)布微博起開始逐漸發(fā)酵，隨后迅速爆發(fā)且群體的觀點逐漸明確，支持孕婦的人數(shù)變化與真實值相比較有輕微波動，但整體呈持續(xù)上升趨勢。9月9日開始，參與討論的各個主體事件不斷交換意見，在9月13日達到最高峰，9月28日之后群體觀點已基本趨于穩(wěn)定，支持者的人數(shù)不再變化。分析這個階段觀點變化的原因，幾個高影響力博主的轉(zhuǎn)發(fā)評論起關(guān)鍵作用，如@王思聰、@鳳凰網(wǎng)、@梨視頻、@網(wǎng)紅揭秘，這些意見領(lǐng)袖的觀點會直接影響網(wǎng)民的情緒，帶動其觀點在群體內(nèi)盛行。

2)從10月14日開始，網(wǎng)紅saya發(fā)布道歉微博，@鳳凰網(wǎng)娛樂、@梨視頻等官方媒體相繼轉(zhuǎn)發(fā)，輿論態(tài)度出現(xiàn)反轉(zhuǎn)，群體觀點水平不斷下降，10月15日觀點值已經(jīng)下降到約0.42，孕婦一方的支持者人數(shù)也由760下降到241，網(wǎng)友的態(tài)度逐漸由支持孕婦轉(zhuǎn)變?yōu)橹肛煛?0月15日至10月23日期間，@梨視頻、@娛ms等賬號的發(fā)言，再一次引爆輿論熱點，群體觀點值持續(xù)下降，在10月22日、10月23日觀點值水平接近0.21。10月23日之后，群體觀點值存在小幅波動，但整體趨于穩(wěn)定。

表3 “網(wǎng)紅毆打孕婦”事件支持者人數(shù)仿真值與實際值Tab.3 Supporters in simulation and real world

3)整個演化過程，真實值與預測值的相關(guān)系數(shù)為0.997 62，仿真預測結(jié)果與真實事件的變化趨勢高度近似，擬合效果良好。與預測結(jié)果相比，真實案例數(shù)據(jù)會在部分節(jié)點出現(xiàn)波動，其原因是觀點的演化是微觀個體不斷交互導致群體觀點涌現(xiàn)的過程，在此期間的幾個關(guān)鍵點，如9月10日、9月14日、10月15日、10月23日等時間節(jié)點中，官方媒體及擁有較高關(guān)注度的博主發(fā)揮了意見領(lǐng)袖的作用，其觀點影響個體的判斷，使群體平均觀點水平在一段時間內(nèi)出現(xiàn)波動。可見，實際輿情數(shù)據(jù)受各種因素干擾會與預測值出現(xiàn)一定偏離，包括實驗中涉及的中文文本情感分析技術(shù)，都會帶來一定誤差，但模型對事件的整體趨勢的預測是正確的。這也表明，運用輿情逆轉(zhuǎn)模型能夠模擬輿情反轉(zhuǎn)事件的演化過程。

5 結(jié)論

為研究輿情反轉(zhuǎn)現(xiàn)象的內(nèi)在機制，本文在經(jīng)典有界信任的觀點動力學模型基礎(chǔ)上提出了一種基于意見領(lǐng)袖的改進HK模型，結(jié)合無標度網(wǎng)絡(luò)結(jié)構(gòu)及社會網(wǎng)絡(luò)分析理論的中心性確定意見領(lǐng)袖，對輿情反轉(zhuǎn)事件的觀點演化過程進行了模擬，并以新浪微博輿情反轉(zhuǎn)事件實際數(shù)據(jù)為例進行研究。根據(jù)本文的實驗結(jié)果分析可得以下結(jié)論：

1)在觀點演化過程中，意見領(lǐng)袖是左右輿情演變的重要參量，前后時期分別引入對立態(tài)度的意見領(lǐng)袖，個體的觀點會向意見領(lǐng)袖的觀點靠攏，無論是從個體層面還是宏觀層面，實驗中都能觀察到明顯的觀點反轉(zhuǎn)現(xiàn)象。這說明意見領(lǐng)袖在網(wǎng)絡(luò)輿情中的中心性地位，他們不僅是輿情的發(fā)起者，更是引導者與共同意見的促成者。

2)意見領(lǐng)袖能夠促進觀點在網(wǎng)絡(luò)中的傳播，加速觀點演化進程，其影響權(quán)重的增加和比例的增大，使得觀點的收斂時間和觀點值到達穩(wěn)態(tài)的時間逐漸縮短。

3)若某一觀點能夠在系統(tǒng)內(nèi)充分傳播并發(fā)展為主流意見，單獨考慮意見領(lǐng)袖的影響并不能完全實現(xiàn)，需要普通個體與意見領(lǐng)袖的共同參與。在社會網(wǎng)絡(luò)中占絕大多數(shù)的是普通群體，他們對個體的影響同樣不可忽略，這與現(xiàn)實中人們的“從眾心理”相符，即個體的觀點會和周圍人的觀點趨于一致。

4)案例研究部分，仿真實驗結(jié)果與真實數(shù)據(jù)變化趨勢基本吻合，表明本研究改進的模型能夠模擬網(wǎng)絡(luò)輿情反轉(zhuǎn)事件的演化過程，具有一定的應(yīng)用價值。

上述研究和結(jié)論，為定量研究網(wǎng)絡(luò)輿情反轉(zhuǎn)現(xiàn)象提供了依據(jù)，也為相關(guān)部門制定輿情控制策略有重要的參考價值?；ヂ?lián)網(wǎng)環(huán)境下輿情發(fā)展速度快、傳播范圍廣，相關(guān)部門要及時介入突發(fā)事件，對其中的非理性聲音進行約束與規(guī)范；要充分重視意見領(lǐng)袖的帶動效應(yīng)，發(fā)揮意見領(lǐng)袖在輿論方面的優(yōu)勢，將正面信息通過意見領(lǐng)袖這一中介進行傳播，引導網(wǎng)絡(luò)輿情向正確的方向發(fā)展。在今后的研究中，將結(jié)合觀點傳播過程中的動態(tài)網(wǎng)絡(luò)結(jié)構(gòu)，完善觀點演化模型，進一步研究輿情反轉(zhuǎn)事件的觀點演化過程。