張亞楠,孫士保,張京山,尹立航,閆曉龍

河南科技大學(xué) 信息工程學(xué)院, 河南 洛陽 471023)(*通信作者電子郵箱sunshibao@126.com)

基于節(jié)點(diǎn)親密度和影響力的社交網(wǎng)絡(luò)輿論形成模型

張亞楠,孫士保*,張京山,尹立航,閆曉龍

河南科技大學(xué) 信息工程學(xué)院, 河南 洛陽 471023)(*通信作者電子郵箱sunshibao@126.com)

針對輿論傳播過程中個體交互的廣泛性和個體社會影響力的差異性,在Hegselmann-Krause模型的基礎(chǔ)上建立了社交網(wǎng)絡(luò)輿論形成模型。新模型通過引入個體間親密度、人際相似性和交互強(qiáng)度等概念,對個體交互集合進(jìn)行了擴(kuò)展,并對影響力權(quán)重進(jìn)行了合理量化,進(jìn)而構(gòu)建更切合實(shí)際的觀點(diǎn)交互規(guī)則。通過一系列仿真實(shí)驗(yàn),分析了模型主要參數(shù)在輿論演化中的作用。結(jié)果表明:在不同信任閾值下,群體觀點(diǎn)均能收斂到一致,形成輿論共識;且信任閾值越大,收斂時間越短;當(dāng)信任閾值為0.2時, 收斂時間僅為10。同時,擴(kuò)大交互集合、提高人際相似性的作用強(qiáng)度會促進(jìn)輿論共識的形成。此外,當(dāng)無標(biāo)度網(wǎng)絡(luò)的聚類系數(shù)和平均度較高時,群體觀點(diǎn)更容易產(chǎn)生趨同效應(yīng)。研究結(jié)果有助于理解輿論形成的動力學(xué)過程,對社會管理者進(jìn)行決策分析具有指導(dǎo)作用。

社交網(wǎng)絡(luò);輿論形成;共識;親密度;人際相似性;交互強(qiáng)度

0 引言

近年來,隨著網(wǎng)絡(luò)信息技術(shù)的快速發(fā)展,Facebook、Twitter、微博等社交網(wǎng)絡(luò)已成為人們獲取信息、發(fā)表觀點(diǎn)、表達(dá)情緒的重要途徑,給輿論的傳播、形成與演化帶來極大便利。研究社交網(wǎng)絡(luò)中輿論信息的傳播過程和演化機(jī)制,對科學(xué)進(jìn)行輿論的監(jiān)控和引導(dǎo)具有重要的意義。

目前對輿論傳播與演化的研究主要集中在觀點(diǎn)動力學(xué)建模方面,國內(nèi)外學(xué)者已經(jīng)提出多種模型來解釋輿論的形成和演進(jìn)現(xiàn)象。這些模型大致可以分為離散觀點(diǎn)模型和連續(xù)觀點(diǎn)模型。離散觀點(diǎn)模型采用有限離散數(shù)值模擬個體觀點(diǎn)[1-2],例如,+1代表贊同,-1代表反對。雖然離散模型能清晰地表達(dá)個體態(tài)度,但卻不能很好地反映個體觀點(diǎn)的漸進(jìn)變化過程。Deffuant等[3]考慮到人們的觀點(diǎn)并非總是非左即右,將觀點(diǎn)分布在連續(xù)數(shù)值區(qū)間內(nèi),認(rèn)為只有觀點(diǎn)相近的人員才會引發(fā)共鳴并進(jìn)行交流,首次建立了基于有界信任的連續(xù)觀點(diǎn)模型。文獻(xiàn)[4]借鑒Deffuant模型[3],對信任閾值內(nèi)的所有個體觀點(diǎn)進(jìn)行算術(shù)平均,作為個體下一時刻的觀點(diǎn),構(gòu)建了HK(Hegselmann-Krause)模型。HK模型正受到越來越多的關(guān)注,后續(xù)學(xué)者分別從復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、觀點(diǎn)交互規(guī)則、有限信任機(jī)制和輿論環(huán)境因素等方面對有界信任HK模型進(jìn)行了深入研究[5-10]。

上述模型均在不同程度上表達(dá)了觀點(diǎn)演化和群體交流的主要特征,但是綜合、深入地考慮有限信任機(jī)制和個體社會影響力對輿論形成的作用的研究相對較少。在現(xiàn)實(shí)中,觀點(diǎn)相近的人的確能促進(jìn)交流,但同時人們也更愿意和關(guān)系較為親近的個體進(jìn)行交流,而和關(guān)系較為疏遠(yuǎn)的個體進(jìn)行交流的概率較小。鑒于此,本文在設(shè)定交互信任邊界的同時,根據(jù)“親密度原則”隨機(jī)篩選若干個信任閾值外的個體進(jìn)行觀點(diǎn)交流,以此擴(kuò)充HK模型的交互集合。同時,消除HK模型中的同質(zhì)化影響力假設(shè),提出一種基于人際相似性和交互強(qiáng)度來量化個體社會影響力的方法。本文的目的是構(gòu)建一個更貼近實(shí)際的輿論形成模型,以此研究個體親疏關(guān)系、社會影響力及網(wǎng)絡(luò)結(jié)構(gòu)特征在輿論傳播與演化中的作用。

1 網(wǎng)絡(luò)模型

輿論動力學(xué)模型多以某種復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)作為輿論演化的載體。以往研究表明,不同的網(wǎng)絡(luò)結(jié)構(gòu)對演化結(jié)果有著重要影響。因此,一個更加接近現(xiàn)實(shí)的網(wǎng)絡(luò)模型是模擬分析的基礎(chǔ)。對國內(nèi)外大型社交網(wǎng)絡(luò)Facebook、LiveJournal、Twitter和新浪微博等的統(tǒng)計(jì)研究表明,社交網(wǎng)絡(luò)普遍具有兩個重要特性:較高的聚類系數(shù)，度分布滿足冪律分布[11-12]。為了刻畫這兩種特性,本文在Holme等[13]提出的網(wǎng)絡(luò)模型算法基礎(chǔ)上,將三角連接策略中節(jié)點(diǎn)的選擇范圍從最近鄰(person-person)擴(kuò)大到次近鄰(person-person-person),從而構(gòu)造可變聚類系數(shù)的無標(biāo)度網(wǎng)絡(luò)來模擬社交網(wǎng)絡(luò)環(huán)境。該算法思路是在BA(由Barabasi和Albert提出)無標(biāo)度網(wǎng)絡(luò)的增長過程中,每新加入一個節(jié)點(diǎn)就添加m0條邊,加邊時以概率(1-pt)執(zhí)行無標(biāo)度網(wǎng)絡(luò)的優(yōu)先連接策略,以概率pt執(zhí)行三角連接策略。三角連接策略用于調(diào)節(jié)網(wǎng)絡(luò)聚類系數(shù)Cluster,且pt越大,Cluster越大,而加邊數(shù)量m0則會影響到網(wǎng)絡(luò)的平均度Degree[13]。

圖1為依據(jù)該算法生成具有5 000個節(jié)點(diǎn)的網(wǎng)絡(luò)的度分布圖,經(jīng)計(jì)算,該網(wǎng)絡(luò)的Degree=39.621 4,Cluster=0.165 9,度分布近似服從冪律分布P(k)～k-b(b=1.832 8)。

圖1 度分布圖(m0=20, pt=0.8)

2 輿論形成模型

2.1 計(jì)算交互集合

定義1 將網(wǎng)絡(luò)中連接兩個節(jié)點(diǎn)i和j的最短路徑上的邊數(shù)定義為節(jié)點(diǎn)間的距離dij,將dij的指數(shù)形式定義為節(jié)點(diǎn)間親密度cij,如式(1)所示：

cij=e1-dij

(1)

在現(xiàn)實(shí)生活中,關(guān)系親密的人之間比較容易進(jìn)行溝通交流,而相對疏遠(yuǎn)的人之間進(jìn)行交流的概率較小。從式(1)可知,如果兩個體在網(wǎng)絡(luò)中的距離較大則其親密度越低,并且距離越大,親密度衰減得越快。當(dāng)j是i的鄰居時,dij=1,cij達(dá)到最大值1;而當(dāng)dij增大時,cij就會呈現(xiàn)指數(shù)衰減。

本文基于有限信任和親密度計(jì)算交互集合,因此個體i交互集合的選擇過程可分為兩步：

1)按照有界信任算法選擇與i的觀點(diǎn)差距處于信任閾值ε內(nèi)的個體集合,即:

(2)

(3)

(4)

2.2 觀點(diǎn)更新規(guī)則

經(jīng)典HK模型[4]按照式(5)進(jìn)行觀點(diǎn)更新:

(5)

從式(5)可以看出,個體i在下一時刻的觀點(diǎn)取決于信任閾值內(nèi)交互集合觀點(diǎn)的算數(shù)平均值。該算法將個體同質(zhì)化,假設(shè)每個節(jié)點(diǎn)對i的影響程度相同,且均為集合勢的倒數(shù)。事實(shí)上,個體作為觀點(diǎn)的主體,具有千差萬別的屬性,這導(dǎo)致個體的社會影響力并不相同。例如在社交網(wǎng)絡(luò)中,粉絲眾多、活躍度較高、經(jīng)過官方認(rèn)證的用戶自然比一般用戶的影響力要強(qiáng)一些；而且往往是那些有朋友圈交集、互動頻繁的個體更容易引發(fā)彼此思想、情感或行為上的變化。Li等[5]雖然考慮到了個體間影響力權(quán)重的差異性,但其模型算法只是將權(quán)值賦予[0,1]內(nèi)的隨機(jī)數(shù),其物理意義并不明顯。本文綜合考慮社交網(wǎng)絡(luò)結(jié)構(gòu)和用戶間的交互行為,提出一種基于人際相似性和交互強(qiáng)度來量化個體社會影響力的方法。

(6)

(7)

其中：Ψ(i,j)表示個體i對j的歷史觀點(diǎn)交互次數(shù);Ψ(i)和Ψ(j)分別表示個體i和j對所有個體的總歷史交互次數(shù)。

(8)

(9)

t+1時刻,所有個體同步更新觀點(diǎn):將交互集合內(nèi)個體觀點(diǎn)的加權(quán)平均值作為該時刻個體的觀點(diǎn)值,如式(10)所示：

Ot+1=Wt+1Ot

(10)

(11)

其中:ξ是一個非常小的正數(shù),這里取ξ=0.000 1。

3 實(shí)驗(yàn)與分析

利用仿真工具M(jìn)atlab對上述社交網(wǎng)絡(luò)輿論形成模型進(jìn)行仿真實(shí)驗(yàn),觀察不同參數(shù)集下模型的性質(zhì),分析影響輿論形成的關(guān)鍵因素。實(shí)驗(yàn)結(jié)果均取100次仿真的平均值。

模型的仿真算法如下:

輸入:N,m0,pt,ε,λ,m,α。

輸出:G,Degree,Cluster,Ot,CT。

步驟1 初始化輸入?yún)?shù);

步驟2 按照第1章中的算法構(gòu)建具有N個節(jié)點(diǎn)的網(wǎng)絡(luò)G作為輿論演化的網(wǎng)絡(luò)載體;

步驟3 初始時刻為N個個體賦予[0,1]內(nèi)的隨機(jī)數(shù),構(gòu)造初始觀點(diǎn)向量Ot=0;

步驟6 更新并記錄個體間的交互次數(shù);

步驟7 重復(fù)步驟4～6直至遍歷完所有個體后,根據(jù)式(10)計(jì)算本輪的觀點(diǎn)向量Ot;

步驟8 重復(fù)步驟4～7直至系統(tǒng)達(dá)到收斂條件(11);

步驟9 記錄觀點(diǎn)向量Ot和收斂時間CT;

步驟10 算法結(jié)束。

該模型算法分為兩層嵌套循環(huán),對于規(guī)模為N的群體,步驟1～3主要進(jìn)行模型參數(shù)初始化和網(wǎng)絡(luò)結(jié)構(gòu)初始化。步驟4～6中的計(jì)算交互集合、計(jì)算影響權(quán)重、更新交互次數(shù)可作為算法的基本操作。步驟4～7為內(nèi)層循環(huán),時間復(fù)雜度為O(N2)。步驟4～8為外層循環(huán),循環(huán)次數(shù)為CT。故本文算法的時間復(fù)雜度為O(N2),這與HK模型的時間復(fù)雜度在量級上是持平的。但考慮到本模型引入了親密度、人際相似性和交互強(qiáng)度等概念,因而空間復(fù)雜度較原始HK模型會有所上升。

3.1 輿論共識的形成

本節(jié)首先在相同條件下對新模型與經(jīng)典HK模型作對比分析,進(jìn)而探究新模型在輿論演化中涌現(xiàn)出的一些特性。取N=1 000,m0=5,pt=0.5,建立社交網(wǎng)絡(luò)模型。設(shè)定ε∈{0.01,0.05,0.1,0.2},λ∈[-2,2],m∈[1,10],α=0.5,之后從t=0時刻分別按經(jīng)典HK模型算法[4]和新模型算法進(jìn)行實(shí)驗(yàn),所得結(jié)果如圖2～4所示。

圖2為經(jīng)典HK模型在不同信任閾值ε下群體觀點(diǎn)的變化曲線。從圖2可看出,HK模型中觀點(diǎn)集團(tuán)的個數(shù)對ε的變化比較敏感,其最終的觀點(diǎn)簇?cái)?shù)大致服從1/(2ε)規(guī)則,也即是ε越小,形成的觀點(diǎn)集團(tuán)就越多,這和文獻(xiàn)[4]所得結(jié)論幾乎一致。而在本模型中,如圖3所示,無論ε為多大,群體觀點(diǎn)最終都收斂于一致,形成輿論共識。從圖3可知,當(dāng)ε=0.01,0.05,0.1,0.2時,群體觀點(diǎn)分別在t=35,22,16,10處收斂。不難發(fā)現(xiàn),ε的變化只會影響到收斂速度(收斂時間隨ε的增大而減小),并不會影響到群體觀點(diǎn)的收斂性。本模型雖然在ε較小時(如圖3(a)、(b)),演化過程中也會出現(xiàn)觀點(diǎn)分裂的現(xiàn)象,但隨著時間的推移,個體之間并沒有因ε的阻礙而停止交互,并最終產(chǎn)生從輿論多元分化過渡到輿論一致的相變行為。

圖2 經(jīng)典HK模型中不同ε下群體觀點(diǎn)的收斂過程

圖3 新模型中不同ε下群體觀點(diǎn)的收斂過程(λ=0,m=5)

圖4展示了在不同信任閾值ε下親密度調(diào)節(jié)參數(shù)λ和隨機(jī)節(jié)點(diǎn)數(shù)量m對輿論收斂時間CT的影響。分析圖4(a),首先固定m值不變,只觀察λ的變化對CT的影響?？梢园l(fā)現(xiàn),λ>0時的CT值普遍大于λ<0時CT值;且當(dāng)λ>0時,λ的減小對CT值幾乎沒有影響;而當(dāng)λ<0時,CT值會隨λ的減小而緩慢降低。固定λ值不變,分析m與CT的關(guān)系,由圖可知收斂時間CT會隨著m的增大而迅速減小,當(dāng)λ=-2,m=10時,CT僅為10左右。分析圖4(b) (ε=0.2)有類似現(xiàn)象。總的來說,當(dāng)ε不變時,λ越小、m越大,越能促進(jìn)群體觀點(diǎn)演化到一致,加快輿論的收斂速度。根據(jù)式(3),λ越小,隨機(jī)節(jié)點(diǎn)的選擇概率受親密個體的影響較小,選取過程的隨機(jī)性越大。這也就意味著,加強(qiáng)關(guān)系疏遠(yuǎn)的個體之間的交流(降低λ)、擴(kuò)大閾值外個體的交流范圍(增加m)會有利于群體形成輿論共識。

圖4 新模型中不同ε下參數(shù)λ、m與收斂時間CT的關(guān)系

3.2 影響力構(gòu)成因素中α對輿論形成的影響

在輿論形成過程中,決定個體觀點(diǎn)的影響力因素主要來自個體之間的人際相似性和交互強(qiáng)度(式(8))。本節(jié)設(shè)定N=1 000,m0=5,pt=0.5;設(shè)定ε∈{0.01,0.05,0.1,0.2},λ=0,m=5,α∈[0,1],考察影響力構(gòu)成因素配比系數(shù)α對輿論形成的影響,結(jié)果如圖5所示。

圖5 影響力構(gòu)成因素對輿情形成的影響

從圖5可以看出,在其他條件不變的情況下,ε越大,輿論收斂速度越快,這也進(jìn)一步驗(yàn)證了3.1節(jié)所得結(jié)論。在ε=0.01，0.05時,收斂時間CT基本上是隨α的增大而呈現(xiàn)出減小趨勢,但其減小幅度并不均勻,且震蕩較為明顯。當(dāng)α增大時,也即是增大了人際相似性在影響力構(gòu)成中的比重,削減了交互強(qiáng)度的比重。這也就意味著在ε較小時,增大人際相似性的作用強(qiáng)度有利于全局性一致輿論的形成。而當(dāng)ε=0.1,0.2時,α的變化并未引起CT的變化,CT的值分別穩(wěn)定于20和13附近。這可能是因?yàn)棣旁龃蟮揭欢ǔ潭葧r,個體的閾值內(nèi)交互集合擴(kuò)大,使得群體觀點(diǎn)迅速收斂,α對輿論共識的促進(jìn)作用被削弱。

3.3 網(wǎng)絡(luò)結(jié)構(gòu)特征對輿論形成的影響

3.2節(jié)討論了影響力構(gòu)成因素與收斂時間的關(guān)系,粗略得出提高人際相似性的作用強(qiáng)度有利于輿論收斂。而決定人際相似性的關(guān)鍵因素則是網(wǎng)絡(luò)節(jié)點(diǎn)度數(shù)和節(jié)點(diǎn)間共同鄰居數(shù)量(式(6))。因此本節(jié)嘗試從平均度Degree和聚類系數(shù)Cluster的角度進(jìn)一步探討網(wǎng)絡(luò)結(jié)構(gòu)特征在輿論形成中的作用。首先令N=1 000,m0∈{5,10,15},pt∈[0,1],根據(jù)第1章中的算法分別生成Degree∈{10,20,30}的三個可變聚類系數(shù)網(wǎng)絡(luò);再固定ε=0.01,λ=0,m=5,α=0.5不變,進(jìn)行仿真實(shí)驗(yàn),所得結(jié)果如圖6所示。

由圖6可知,隨著pt增大(Cluster增加),群體觀點(diǎn)收斂時間CT減小。而在相同pt情況下,Degree越大越能加快輿論共識的形成。這說明較高的聚類系數(shù)和平均度對觀點(diǎn)的演化統(tǒng)一具有促進(jìn)作用。主要原因在于聚類系數(shù)的增加會直接導(dǎo)致節(jié)點(diǎn)間共同鄰居數(shù)量的增加,彼此之間更容易建立起好友關(guān)系,使得整個網(wǎng)絡(luò)變得更加緊密,從而更有利于局部個體之間產(chǎn)生趨同效應(yīng)。而較大的平均度則意味著在輿論傳播過程中個體的觀點(diǎn)傳播途徑更廣泛、溝通更加充分,進(jìn)而使得群體輿論共識更容易形成。

圖6 不同pt條件下輿論收斂時間CT的變化

4 結(jié)語

本文提出親密度、人際相似性、交互強(qiáng)度等概念,擴(kuò)展經(jīng)典HK有界信任模型,并構(gòu)造更符合真實(shí)社交網(wǎng)絡(luò)環(huán)境的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),建立了社交網(wǎng)絡(luò)上的輿論形成模型。通過理論分析和仿真實(shí)驗(yàn),重點(diǎn)研究了影響觀點(diǎn)演化統(tǒng)一、輿論收斂速度的關(guān)鍵因素及其相互作用關(guān)系。仿真結(jié)果表明,新模型較經(jīng)典HK模型的演化過程更貼近現(xiàn)實(shí)社會中輿論的形成過程,演化結(jié)果也更加豐富。具體結(jié)論如下:1)信任閾值的變化只影響到輿論的收斂速度(ε越大,CT越小),并不阻礙群體觀點(diǎn)達(dá)成共識;2)較小的親密度調(diào)節(jié)參數(shù)λ和較大的隨機(jī)節(jié)點(diǎn)數(shù)量m對輿論統(tǒng)一具有促進(jìn)作用;3)相對于交互強(qiáng)度,提高人際相似性的作用強(qiáng)度更能加快全局一致輿論的形成;4)在具有較高聚類系數(shù)和平均度的無標(biāo)度網(wǎng)絡(luò)中,群體觀點(diǎn)更容易產(chǎn)生趨同效應(yīng)。

在下一步的工作中,將從動態(tài)網(wǎng)絡(luò)結(jié)構(gòu)與輿論耦合演化的角度進(jìn)一步完善模型。

)

[1]SZNAJD-WERONK,SZNAJDJ.Opinionevolutioninclosedcommunity[J].InternationalJournalofModernPhysicsC, 2000, 11(6): 1157-1165.

[2]GRABOWSKIA,KOSINSKIRA.Ising-basedmodelofopinionformationinacomplexnetworkofinterpersonalinteractions[J].PhysicaA:StatisticalMechanicsanditsApplications, 2006, 361(2): 651-664.

[3]DEFFUANTG,NEAUD,AMBLARDF,etal.MixingbeliefsamonginteractingAgents[J].AdvancesinComplexSystem, 2000, 3(01n04): 87-98.

[4]HEGSELMANNR,KRAUSEU.Opiniondynamicsandboundedconfidence:models,analysisandsimulation[J].JournalofArtificialSocietiesandSocialSimulation, 2002, 5(3): 1-24.

[5]LIH,LIZ,WUY,etal.AnimprovedevolutionarymodelofpublicopinionbasedonKHmodelandBAscale-freenetwork[J].JournalofInformationandComputationalScience, 2013, 10(12): 3939-3955.

[6]SUJ,LIUB,LIQ,etal.Coevolutionofopinionsanddirectedadaptivenetworksinasocialgroup[J].JournalofArtificialSocietiesandSocialSimulation, 2014, 17(2):4.

[7]CHENS,GLASSDH,MCCARTNEYM.Characteristicsofsuccessfulopinionleadersinaboundedconfidencemodel[J].PhysicaA:StatisticalMechanicsanditsApplications, 2016, 449: 426-436.

[8] 趙奕奕, 彭怡, 肖磊, 等. 突發(fā)事件下群體搶購行為的輿論傳播機(jī)理研究[J]. 系統(tǒng)工程理論與實(shí)踐, 2015, 35(3): 616-622.(ZHAOYY,PENGY,XIAOL,etal.Onopinionpropagationmechanismofcollectivepanicbuyingunderemergences[J].SystemEngineering—Theory&Practice, 2015, 35(3): 616-622.)

[9]LIUQ,WANGX.Opiniondynamicswithsimilarity-basedrandomneighbors[J].ScientificReports, 2013, 3(10): 2968.

[10]WANGH,SHANGL.Opiniondynamicsinnetworkswithcommon-neighbors-basedconnections[J].PhysicaA:StatisticalMechanicsanditsApplications, 2015, 421: 180-186.

[11] 徐恪, 張賽, 陳昊, 等. 在線社會網(wǎng)絡(luò)的測量與分析[J]. 計(jì)算機(jī)學(xué)報(bào), 2014, 37(1): 165-188.(XUK,ZHANGS,CHENH,etal.Measurementandanalysisofonlinesocialnetworks[J].ChineseJournalofComputers, 2014, 37(1): 165-188.)

[12]GHOSHS,GANGULYN.SocialNetworking[M].Berlin:SpringInternationalPublishing, 2014: 23-44.

[13]HOLMEP,KIMBJ.Growingscale-freenetworkswithtunableclustering[J].PhysicalReviewE, 2002, 65(2): 95-129.

ThisworkispartiallysupportedbyKeyProjectsofHenanProvince(152102210277),theIndustry-Academia-ResearchCooperationProjectsofHenanProvince(152107000027),theProgramforInnovativeResearchTeam(inScienceandTechnology)inUniversityofHenanProvince(17IRTSTHN010),theTechnologicalInnovationTeamofHenanUniversityofScienceandTechnology(2015XTD011),theMajorCooperativeEngagementFundofHenanUniversityofScienceandTechnology(2015ZDCXY03).

ZHANG Yanan, born in 1991, M. S. candidate. His research interests include online public opinion, digital image processing.

SUN Shibao, born in 1970, Ph. D., professor. His research interests include computer network, digital image processing.

ZHANG Jingshan, born in 1992, M. S. candidate. His research interests include computer network, online public opinion.

YIN Lihang, born in 1991, M. S. candidate. His research interests include online public opinion.

YAN Xiaolong, born in 1990, M. S. candidate. His research interests include online public opinion.

Opinion formation model of social network based on node intimacy and influence

ZHANG Yanan, SUN Shibao*, ZHANG Jingshan, YIN Lihang, YAN Xiaolong

(College of Information Engineering, Henan University of Science & Technology, Luoyang Henan 471023, China)

Aiming at the universality of individual interaction and the heterogeneity of individual social influence in opinion spreading, an opinion formation model of social network was proposed on the basis of Hegselmann-Krause model. By introducing the concepts of intimacy between individuals, interpersonal similarity and interaction strength, the individual interactive set was extended, the influence weight was reasonably quantified, and more realistic view of interaction rule was built. Through a series of simulation experiments, the effects of main parameters in the model on opinion evolution were analyzed. The simulation results indicate that group views can converge to the same and form consensus under different confidence thresholds. And the larger the confidence threshold is, the shorter the convergence time is. When confidence threshold is 0.2, convergence time is only 10. Meanwhile, extending the interactive set and increasing the strength of interpersonal similarity will promote consensus formation. Besides, when the clustering coefficient and the average degree of scale-free network are higher, the group views are more likely to produce convergence effect. The results are helpful to understand the dynamic process of opinion formation, and can guide social managers to make decisions and analysis.

social network; opinion formation; consensus; intimacy; interpersonal similarity; interaction strength

2016- 09- 14;

2016- 12- 25。

河南省重點(diǎn)攻關(guān)項(xiàng)目(152102210277);河南省產(chǎn)學(xué)研合作計(jì)劃項(xiàng)目(152107000027);河南省高?？萍紕?chuàng)新團(tuán)隊(duì)支持計(jì)劃項(xiàng)目(17IRTSTHN010);河南科技大學(xué)科技創(chuàng)新團(tuán)隊(duì)項(xiàng)目(2015XTD011);河南科技大學(xué)重大產(chǎn)學(xué)研合作培育基金資助項(xiàng)目(2015ZDCXY03)。

張亞楠(1991—),男,河南西平人,碩士研究生,主要研究方向:網(wǎng)絡(luò)輿情、數(shù)字圖像處理; 孫士保(1970—),男,河南信陽人,教授,博士,主要研究方向:計(jì)算機(jī)網(wǎng)絡(luò)、數(shù)字圖像處理; 張京山(1992—),男,河南洛陽人,碩士研究生,主要研究方向:計(jì)算機(jī)網(wǎng)絡(luò)、網(wǎng)絡(luò)輿情;尹立航(1991—),男,河南新鄉(xiāng)人,碩士研究生,主要研究方向:網(wǎng)絡(luò)輿情; 閆曉龍(1990—),男,河南洛陽人,碩士研究生,主要研究方向:網(wǎng)絡(luò)輿情。

1001- 9081(2017)04- 1083- 05

10.11772/j.issn.1001- 9081.2017.04.1083

TP393.02

A