何建佳 劉舉勝 王祥兵

(1.上海理工大學(xué) 管理學(xué)院，上海 200093；2.貴州工程應(yīng)用技術(shù)學(xué)院經(jīng)濟與管理學(xué)院,貴州 畢節(jié) 551700)

近年來，隨著認知盈余的出現(xiàn)以及互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，以互聯(lián)網(wǎng)為代表的數(shù)字技術(shù)正在加速與經(jīng)濟社會各領(lǐng)域深度融合，成為促進我國消費升級、經(jīng)濟社會轉(zhuǎn)型、構(gòu)建國家新優(yōu)勢的重要推動力。2017年7月，中國互聯(lián)網(wǎng)絡(luò)信息中心(CNNIC)發(fā)布了第40次中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告，報告顯示截至2017年6月，中國手機網(wǎng)民規(guī)模達7.24億，較2016年年底增加2 830萬人，網(wǎng)民中使用手機上網(wǎng)人群占比由2016年底的95.1%提升至96.3%[1]。在數(shù)字化時代背景下，一些受過教育，并擁有自由支配時間的網(wǎng)民開始在自我小型圈層中，以手機移動端為載體，微博、微信為平臺進行發(fā)聲與評議，潛在地參與社會公共活動，源源不斷為社會輸出新的內(nèi)容，制造新的話題。在新的輿論形勢下，如何合理引導(dǎo)網(wǎng)絡(luò)輿論發(fā)展，構(gòu)建和諧健康網(wǎng)絡(luò)輿論環(huán)境，對促進社會共識涌現(xiàn)，化解網(wǎng)絡(luò)輿情危機具有重要的理論與現(xiàn)實意義[2-4]。

輿論作為一種主觀的，相對自由的、開放的思維結(jié)晶在個體之間可以進行廣泛傳播與演化。目前，輿論的演化主要集中于兩種模式：一是自下而上的輿論演化模式，這種模式將個體看作微觀粒子，個體之間觀點的交互近似看作粒子之間信息的交互，這類演化模式按照粒子之間的交互規(guī)則可以分為3種類型：離散模型(Discrete Opinion Model)[5]、連續(xù)模型(Continuous Opinion Model)[6]、離散連續(xù)模型(Continuous Opinions and Discrete Actions Model，簡稱CODA模型)[7]。離散模型主要有Sznajd模型[8]、投票者模型(Voter Model)[9]、多數(shù)決定模型(Majority Rule Model)[10]等，在離散模型中，觀點的取向一般為一組對立的觀點，如是和不是、支持和反對、接受和拒絕；連續(xù)模型是一種允許個體在一個如[0,1]之間連續(xù)的觀點區(qū)間內(nèi)進行觀點交互的演化模型，常見的連續(xù)觀點模型主要為DW(Deffuant-Weisbuch)模型[11]和HK(Hegselmann-Krause)模型[12]。在該類模型中，觀點的演化準則是建立在有界信任的基礎(chǔ)上的，其演化要滿足個體觀點差值在一定的閾值之內(nèi)這一條件；CODA模型是建立在離散模型和連續(xù)模型的基礎(chǔ)上，其觀點的交互一般根據(jù)貝葉斯準則進行演化，演化過程較為關(guān)注鄰居的觀點，故不能較好地反映個體的主觀意愿。二是自上而下的以網(wǎng)絡(luò)結(jié)構(gòu)為載體的輿論傳播模式，這類模式借鑒網(wǎng)絡(luò)科學(xué)的相關(guān)知識，以復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)為載體進行輿論的傳播與擴散，具體演化傳播模型有SIS(Susceptible-Infected-Susceptible)模型[13]、SIR(Susceptible-Infected-Removed)模型[14]、SIRE(Susceptible-Infected-Removed-Escape)[15]等模型。雖然上述輿論觀點演化模型的提出為后續(xù)學(xué)者研究輿論演化提供了一定的參鑒意義，然而目前鮮有學(xué)者基于認知失調(diào)(Cognitive Dissonance)[16]這一視角對輿論觀點的演化進行研究。事實上，在一定范圍內(nèi)，個體之間的親和力可以隨著觀點的演化而發(fā)生相應(yīng)變化，并且親和力的變化可以有效促使觀點發(fā)生相應(yīng)的演化，進而形成認知失調(diào)。在認知失調(diào)視角下，網(wǎng)絡(luò)輿論的演化呈現(xiàn)何種規(guī)律？如何合理構(gòu)建健康網(wǎng)絡(luò)輿論環(huán)境，引導(dǎo)網(wǎng)絡(luò)輿論合理演化，對破解重大輿情危機，疏導(dǎo)公眾情緒，維護社會長治久安具有重要的理論與現(xiàn)實意義。

1 網(wǎng)絡(luò)輿論演化模型構(gòu)建

在網(wǎng)絡(luò)輿論演化過程中，HK模型作為個體與群體觀點交互的經(jīng)典模型近年來受到廣大學(xué)者的廣泛關(guān)注。該模型在個體觀點與周圍觀點差值小于一定閾值的基礎(chǔ)上，依據(jù)有界信任準則，進行觀點更新。目前，已有學(xué)者對HK模型進行了相關(guān)改進，以應(yīng)用于不同的輿論觀點演化情境中。文獻[17]在非線性系統(tǒng)中采用離散時間分數(shù)階以及考慮個體記憶效應(yīng)的情況下，對經(jīng)典HK觀點演化模型進行了研究；文獻[18]將個體進行分層，引入異質(zhì)有界信任的概念，在改進HK模型的基礎(chǔ)上，對開放型、隨和型和封閉型群體人員的觀點演化進行了研究；文獻[19]在考慮大眾傳媒和信任范圍的多樣性的基礎(chǔ)上，研究了改進的HK模型和DW模型，研究發(fā)現(xiàn)信任范圍的多樣性可以提高系統(tǒng)達成共識的能力。上述學(xué)者基于經(jīng)典HK模型，對HK模型進行了相關(guān)改進，研究了不同輿論觀點的演化問題，取得了一定的研究成果，然而鮮有學(xué)者基于認知失調(diào)視角，將個體之間的親和度引入到HK模型，較為完備的研究網(wǎng)絡(luò)輿論的演化。

1.1 HK模型

假設(shè)系統(tǒng)中存在N個個體，個體的觀點可以在一維歐幾里得實數(shù)空間R內(nèi)用一個實數(shù)進行表示，定義集合Ω={1,2,…,n}中的某一個體i∈Ω的觀點可以表示為oi(t)∈R，設(shè)置ε={ε1,ε2,…,εn}為觀點影響閾值(個體信任閾值)，每個個體將會按照式(1)在觀點影響閾值εi內(nèi)與其周圍鄰居進行觀點交互。

(1)

其中，Ni(t)={j∈V||oj(t)-oi(t)|≤εi}表示個體i在t時刻時周圍的鄰居個數(shù)；uij為個體j對個體i的觀點的影響程度，uij=0表示周圍個體對個體的觀點沒有影響，個體的觀點較為堅定；uij=1表示個體的觀點完全受周圍個體影響，而與自身觀點無關(guān)。

1.2 改進HK模型(EHK)

在網(wǎng)絡(luò)輿論演化過程中，人與人之間的親和度往往會對觀點的演化產(chǎn)生一定的影響，進而形成認知失調(diào)，在關(guān)系較好的兩個體中，觀點的真實性以及個體對觀點的堅持度較個體之間的親和度而言往往顯得不是特別重要，為了準確刻畫認知失調(diào)對群體觀點演化的影響，本文引入親和度這一指標對基本HK模型進行改進，形成了改進的HK模型(Extended Hegselmann-Krause，簡稱EHK)。

(2)

(3)

(4)

此處，η為親和度閾值，η∈[0,1]。對上述個體之間的權(quán)重進行標準化處理，得到周圍群體對個體i的影響權(quán)重為：

(5)

基于上述定義，對HK模型進行改進，得到改進的HK模型(EHK)如下：

(6)

其中，g(i)表示個體對初始觀點的堅持度，g(i)=0表示個體對觀點的判斷全部受周圍個體的影響，沒有發(fā)揮自我的主觀判斷力，g(i)=1表示個體對觀點比較偏執(zhí)，不容易受周圍人的影響；Θ表示周圍群體對個體i的影響權(quán)重；Ni(t)表示t時刻系統(tǒng)內(nèi)的個體數(shù)。

2 認知失調(diào)視角下網(wǎng)絡(luò)輿論演化仿真及分析

2.1 初始觀點堅持度與網(wǎng)絡(luò)輿論演化仿真及分析

初始觀點堅持度，即個體對觀點的初始傾向。一般來說，大多數(shù)個體的初始觀點是隨和的，也有少部分個體的觀點傾向是極端的，為了探究初始觀點堅持度對觀點演化的影響機理，本文在初始觀點堅持度滿足正態(tài)分布、均勻分布、隨機分布的情況下，探究了初始觀點堅持度對觀點演化的影響，其中參數(shù)設(shè)置取個體數(shù)N=1000，演化次數(shù)t=1000，親和度閾值η=0.8，觀點影響閾值ε=0.5；正態(tài)分布的均值δ=0.5，方差σ=0.1，其余參數(shù)保持不變，利用Matlab軟件進行仿真演化得到不同分布條件下觀點的演化結(jié)果如圖1所示。

在圖1中，可以發(fā)現(xiàn)，在隨機分布條件下，觀點的演化收斂時間最長，大約在450次完成收斂；在均勻分布條件下，觀點收斂時間次之，大約為300次；在正態(tài)分布條件下，觀點的演化收斂時長最短，大約為40次。這一結(jié)果表明在均值的正態(tài)分布條件下即初始觀點堅持度處于中立狀態(tài)時，觀點的演化過程較均勻分布和隨機分布更容易形成一致。這一結(jié)果也與現(xiàn)實較為吻合，在現(xiàn)實生活中，當群體中含有較少偏執(zhí)個體時，大眾觀點會快速向偏執(zhí)觀點進行靠攏，觀點容易在較短時間內(nèi)形成一致，從而達成觀點共識。

以正態(tài)分布為例，本文在均值分別為δ=0.1，δ=0.3，δ=0.5，δ=0.7，δ=0.9，方差σ=0.1情況下進一步探究了輿論的演化收斂時長，具體如圖2所示。

由圖2可知，在不同均值的正態(tài)分布條件下，觀點的演化時長也不相同，隨著均值的增大，觀點演化時長也在不斷增大，當δ=0.1時，觀點發(fā)生收斂的演化時長為19；當δ=0.5時，觀點發(fā)生收斂的演化時長為39；當δ=0.9時，觀點發(fā)生收斂的演化時長為425。由此可知，觀點的演化時長與群體中觀點的均值密切相關(guān)。若群體大多數(shù)觀點是隨和的，觀點堅持度較低時，觀點較為容易發(fā)生演化，形成一致觀點；若群體中大多數(shù)觀點是偏執(zhí)的，觀點的堅持度較高時，觀點不容易發(fā)生演化，從而形成分散的觀點，具體如圖3所示。

2.2 異質(zhì)信任水平與網(wǎng)絡(luò)輿論演化仿真及分析

在社會群體中，個體與個體之間的信任水平是不相同的，即個體之間的信任水平是異質(zhì)的，為了探究異質(zhì)信任水平下網(wǎng)絡(luò)輿論的演化情況，根據(jù)個體的信任水平將個體劃分為偏執(zhí)型、隨和型、開放型個體，假設(shè)其信任區(qū)間分別為[0.01,0.05]、[0.2,0.3]、[0.4,0.9]。在初始觀點服從均勻分布和正態(tài)分布(δ=0.5，σ=0.1)的情況下，本文探究了異質(zhì)信任水平對網(wǎng)絡(luò)輿論演化模式的影響，輿論演化結(jié)果如圖4所示。

圖1 初始觀點堅持度服從正態(tài)分布、均勻分布、隨機分布的觀點演化結(jié)果

在圖4中，圖a、c、e是初始觀點服從均勻分布的情況下輿論的演化結(jié)果，圖b、d、f是初始觀點服從正態(tài)分布情況下輿論的演化結(jié)果。對比圖a、c、e可以發(fā)現(xiàn)，輿論的極化或者分裂會根據(jù)不同的信任水平而發(fā)生相應(yīng)的變化，在初始觀點服從同一分布時，開放型個體較偏執(zhí)型和隨和型個體更容易形成一致觀點。此外，對比圖a、b以及圖c、d可以發(fā)現(xiàn)，在不同的初始觀點分布條件下，同一類型的個體也會促使觀點輿論形成不同的演化結(jié)果。

2.3 親和度與網(wǎng)絡(luò)輿論演化仿真及分析

媒體的碎片化和片面化，以及數(shù)字網(wǎng)絡(luò)的發(fā)展讓分享變得廉價，讓全世界的人成為潛在的參與者。在網(wǎng)民發(fā)表觀點與評議的過程中，個體與個體之間的親和度也是影響觀點演化的一個重要因素。一般來說，個體之間的親和度較大時，觀點的演化較容易形成一致，不同親和度對應(yīng)的輿論演化結(jié)果如圖5所示。

圖2 正態(tài)分布下不同均值對應(yīng)的觀點演化時長

圖3 均值δ=0.9、σ=0.1時觀點的演化結(jié)果

由圖5可以發(fā)現(xiàn)，當親和度發(fā)生變化時，觀點的演化時長和觀點的收斂狀況也發(fā)生了變化。當個體間的關(guān)系度為0.05時，演化結(jié)束時，觀點簇的個數(shù)為5個，觀點演化時長為38；當個體間的親和度為0.1時，觀點的演化時長縮短為32；當個體間的親和度繼續(xù)增大為0.3時，觀點的演化時長縮短為29；當個體間的親和度增大為0.5時，觀點的演化時長縮短為28，觀點簇的個數(shù)由5個變?yōu)?個；當個體間的親和度增大到觀點閾值0.8時，觀點的演化時長縮短為27；當個體間的親和度增大到1時，觀點的演化時長雖然變長，觀點簇的個數(shù)為1個，觀點此時形成一致。上述研究表明，在觀點閾值內(nèi)，隨著個體之間的親和度的增加，觀點的演化時長會逐漸縮短，并且觀點簇的個數(shù)也會發(fā)生變化，當個體間的親和度大于觀點閾值時，觀點會發(fā)生收斂，形成一致。

2.4 觀點閾值與輿論演化仿真及分析

觀點閾值作為有界信任的閾值指標對觀點的演化具有重要的作用。為了探究觀點閾值對輿論演化的影響程度，在親和度Xij=0.5，親和度閾值η=0.8，初始觀點服從正態(tài)分布的(δ=0.5，σ=0.1)的條件下，選取觀點閾值ε=0.05，ε=0.1，ε=0.25，對觀點閾值對輿論演化的影響機理進行了研究，具體演化結(jié)果如圖6所示。

3 案例分析

為了真實的驗證本文所構(gòu)建模型的準確性，本文選取了2015年成都女司機被打事件進行案例分析，以從側(cè)面說明本研究的合理性。

3.1 事件描述

2015年5月3日下午，在成都市嬌子立交處，一名男司機將一女司機逼停后當街毆打，性質(zhì)惡劣，隨后警方公布一段行車記錄視頻，起因女司機突然變道影響到男司機行車隨后雙方有斗車行為，差點釀成車禍。這段視頻公布后引發(fā)數(shù)萬網(wǎng)友轉(zhuǎn)發(fā)，數(shù)萬網(wǎng)友譴責(zé)女子被打不冤。2015年5月4日，錦江公安分局成龍路派出所針對“男司機逼停毆打女司機”事件做出通報。在警方出示的案件詢問視頻中，傷人司機張某表示，他對自己的行為感到非常后悔，一時沖動，鑄成大錯。2015年5月11日，被打女司機盧琴發(fā)表了致歉信，在信中她稱她將痛定思痛，認真的反思，并對大家表示歉意，并稱自己十分內(nèi)疚。具體的輿情進展如圖7所示，圖中橫軸表示時間軸，框內(nèi)的內(nèi)容表示輿情事件的進展。

3.2 事件分析

在2015年成都女司機被打事件中，充分說明了認知失調(diào)以及個體之間的親和度可以促使輿情發(fā)生了變化以及逆轉(zhuǎn)。具體而言，在女司機被打這一事件發(fā)生后，公眾的第一反應(yīng)就是男司機“素質(zhì)差”，“變態(tài)”，“喪心病狂”，之所以這種負面評論指向男司機，是由于公眾受傳統(tǒng)潛意識(女性在生理上屬于弱勢群體)影響，導(dǎo)致公眾與女司機的親和度較大，從而發(fā)生了認知失調(diào)，認為男司機不應(yīng)該或者不能打女司機。此外，由于政府或者公安機關(guān)在較短時間內(nèi)，沒來得及公布事情真相，導(dǎo)致公眾的初始觀點堅持度較大，觀點不容易改變，認為男司機在這起事件中，不應(yīng)該打女司機，男司機打人應(yīng)該負全責(zé)，進而導(dǎo)致男司機要承受一定的輿論壓力。這一現(xiàn)象也驗證了本文2.1部分初始觀點堅持度越大，其觀點越不容易發(fā)生改變這一結(jié)論。

圖4 異質(zhì)信任水平下基于改進HK模型的觀點演化結(jié)果

在這起事件中，網(wǎng)友的觀點褒貶不一，有反對的、中立的以及支持的。這些觀點的出現(xiàn)表明在受眾群體中，個體是分層的，不同的個體可能具有不同的輿論態(tài)度。就偏執(zhí)型群體來說，其對觀點的堅持度較大，故其言論也帶有一定的偏執(zhí)性，不容易形成一致的輿情，這一現(xiàn)象也驗證了本文的2.2部分異質(zhì)信任水平與網(wǎng)絡(luò)輿論演化密切相關(guān)這一結(jié)論。

事件發(fā)生后，3日晚間，張某的行車記錄儀曝光，4日輿論迅速發(fā)酵，此時，公眾在發(fā)現(xiàn)事情的真相后，輿論開始向男司機傾斜。公眾與男司機的親和度在不斷增加，與女司機的親和度在不斷減小，尤其當發(fā)現(xiàn)女司機是個違章多次的司機時，這更加提升了公眾對這一事件的認知程度。在這一過程中，公眾與男司機親和度的增加促使輿論的走向逐漸偏向男司機，這種認知失調(diào)促使公眾給予男司機更多的支持，而與女司機的親和度的下降促使公眾逐漸偏離女司機。這一現(xiàn)象充分說明了親和度可以促使公眾發(fā)生認知失調(diào)，這種認知失調(diào)可以讓輿論發(fā)生逆轉(zhuǎn)。此外，公安機關(guān)在發(fā)布行車記錄儀相關(guān)視頻以后，公眾的認知程度得以提升，對事件的真相有了進一步的了解。此時，公眾的觀點閾值也逐漸變大，不同意見逐漸減少，形成支持男司機的一致意見，這一現(xiàn)實現(xiàn)象與本文2.3和2.4部分的相關(guān)研究結(jié)論不謀而合。

圖5 不同親和度下觀點的演化結(jié)果

圖6 觀點閾值ε=0.05、ε=0.1、ε=0.25條件下輿論的演化結(jié)果

圖7 成都女司機被打輿情進展圖

4 認知失調(diào)視角下輿論演化干預(yù)策略

在認知失調(diào)視角下，不當?shù)母深A(yù)策略可能會助長網(wǎng)絡(luò)輿論的氣焰，使得重大輿情得不到有效干預(yù)和控制。為了避免輿論在演化的過程中，出現(xiàn)失控、泛濫的局面，基于上述研究，擬從以下幾種途徑來對輿論演化進行干預(yù)，以實現(xiàn)輿論穩(wěn)定，和諧演化的最終目標。

4.1 及早公布事實真相，減少信息的不對稱程度，降低輿論認知失調(diào)效應(yīng)

如何改變受眾群體的觀點堅持度、澄清事情真相、降低輿論的認知失調(diào)效應(yīng)是在應(yīng)對輿情危機時必須要考慮的一個因素。當發(fā)生重大輿情時，政府要準確快速向大眾做出回應(yīng)，防止公眾的認知以及對觀點的堅持度仍停留于初始水平，若不能及早將事情的真相公布于眾，就會對政府的公信力以及公眾的情感造成一定的損傷。當公眾的觀點堅持度小于0.5時，此時是進行輿情引導(dǎo)的絕佳時機；當公眾的觀點堅持度增長為0.9時，此時較難引導(dǎo)輿論走向，同時也較難把控公眾的情緒。在天津濱海新區(qū)化學(xué)品爆炸事件中，政府沒有及時將事實的真相向大眾公布出來，反而逃避責(zé)任，以“不明白”和“不明確”的態(tài)度回應(yīng)此事，推脫責(zé)任。在這樣的情形下，公眾認為政府不作為的觀點逐漸增強，最終即使政府后來對此事件進行了解釋，也難以挽回公眾對政府的信任，從而造成了不可避免的輿情事件。

4.2 制定個性化的輿情疏導(dǎo)策略，因人施策，多渠道引導(dǎo)輿論向平穩(wěn)狀態(tài)過渡

不同的個體對觀點具有不同的態(tài)度，如何個性化的實施輿情導(dǎo)向作用，從而使得受眾群體的情緒能夠快速緩和，輿情得到有效控制，是輿情處理部門不得不考慮的一個重要問題。群體是由多個不同類型的個體構(gòu)成，故在發(fā)生輿情時，由于個體類型的多樣性(異質(zhì)性)，輿情一般也呈現(xiàn)一種多樣性。偏執(zhí)型、隨和型以及中立型個體都會表達自己對某件輿情事件的觀點，這些觀點褒貶不一，眾口難調(diào)，其中偏執(zhí)型個體(ε∈[0.01,0.05])的觀點較難發(fā)生改變，開放型個體(ε∈[0.4,0.9])的觀點較為容易發(fā)生改變。在成都女司機被打事件中，有的個體會認為女司機被打很冤，也有個體為女司機被打叫好，大部分個體對此事件保持中立，這就導(dǎo)致這起輿情事件較難形成一致共識，一時爭吵不斷。此時輿情處理部門就應(yīng)該因人施策，采用個性化的輿情疏導(dǎo)策略，對受眾群體進行個性化引導(dǎo)，從而使得輿情得以盡早控制。

4.3 采用合理的方式方法，曉之以理，動之以情，正確處理輿情危機

親和度和觀點閾值的改變都可以影響觀點的收斂時長，較大的親和度和觀點閾值可以使得輿論的演化時長快速縮短，甚至可以使得輿論觀點從分散走向一致。公眾和政府人員作為一種社會群體，個體與個體之間的親和度會隨著事件的進展和處理方式方法的變化而發(fā)生變化。發(fā)生重大輿情時，政府要采用合理的方法，曉之以理、動之以情，要在處理重大輿情事件中，要給予公眾更多的人文關(guān)懷，這樣可以促使公眾與政府的親和度得以增加，若親和度大于親和度閾值(Xij>0.8)時，親和度較觀點閾值來說，對觀點的影響作用更大，這樣可以有效促使觀點從分裂走向一致。

5 研究不足與展望

在認知失調(diào)視角下，本文基于經(jīng)典HK模型，將影響輿論演化的親和度這一現(xiàn)實因素考慮到HK模型中，構(gòu)建了改進的HK輿論演化模型，在此基礎(chǔ)上，探討了初始觀點堅持度、異質(zhì)信任水平、個體之間的親和度、觀點影響閾值對網(wǎng)絡(luò)輿論演化的影響，并以2015年成都女司機被打事件為例，對本文的研究進行了案例分析。最后基于上述研究，提出了網(wǎng)絡(luò)輿情干預(yù)策略，以期為政府解決重大輿情事件提供一定決策依據(jù)。研究具有一定的現(xiàn)實意義，然而也具有一定的局限性，那就是本文沒有考慮網(wǎng)絡(luò)結(jié)構(gòu)，以及個體間關(guān)系的進化對輿論演化的影響，未來可圍繞此方向結(jié)合多種輿論演化模型進行進一步的研究。

[1]中國網(wǎng)信網(wǎng).CNNIC發(fā)布《第40次中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告》[EB/OL].http://www.cac.gov.cn/2017-08/04c_1121427672.htm,2017-11-27.

[2]李萍.從群體極化視角談網(wǎng)絡(luò)輿情危機的預(yù)警之策[J].現(xiàn)代情報，2015,35(4)：61-64.

[3]汪明艷，陳梅，Zhu Y B,等.社交媒體輿論演化下個體觀點交互的可信度研究[J].現(xiàn)代情報，2017,37(1)：57-65.

[4]王晰巍，邢云菲，張柳，等.社交媒體環(huán)境下的網(wǎng)絡(luò)輿情國內(nèi)外發(fā)展動態(tài)及趨勢研究[J].情報資料工作，2017,(4):6-14.

[5]Gambaro J P,Crokidakis N.The Influence of Contrarians in the Dynamics of Opinion Formation[J].Physica A-Statistical Mechanics and Its Applications,2017,486:465-472.

[6]Holzer M,Khatri,R.Pattern Formation,Traveling Fronts and Consensus Versus Fragmentation in a Model of Opinion Dynamics[J].Physics Letters A,2017,381 (37):3197-3202.

[7]Martins A C R.Discrete Opinion Models as a Limit Case of the CODA Model[J].Physica A-Statistical Mechanics and Its Applications，2014,395：352-357.

[8]Lima F W S.Transition Under Noise in the Sznajd Model on Square Lattice[J].International Journal of Modern Physics C,2016,27(3):1-8.

[9]Vieira A R,Crokidakis N.Phase Transitions in the Majority-Vote Model with Two Types of Noises[J].Physica A-Statistical Mechanics and Its Applications,2016,450:30-36.

[10]Lian Y,Dong X F,Liu Y J.Topological Evolution of the Internet Public Opinion[J].Physica A-Statistical Mechanics and Its Applications,2017,486:567-578.

[11]Borra D,Lorenzi T.Asymptotic Analysis of Continuous Opinion Dynamics Models Under Bounded Confidence[J].Communications on Pure and Applied Analysis,2013，12(3):1487-1499.

[12]Su W,Gu Y J,Wang S.et al.Partial Convergence of Heterogeneous Hegselmann-Krause Opinion Dynamics[J].Science China-Technological Sciences,2017,60(9):1433-1438.

[13]Meier,J,Zhou X,Hillebrand A.et al.The Epidemic Spreading Model and the Direction of Information Flow in Brain Networks[J].Neuroimage,2017,152:639-646.

[14]Maroufy E I H,Kernane T,Becheket S.et al.Bayesian Inference for Nonlinear Stochastic SIR Epidemic Model[J].Journal of Statistical Computation and Simulation,2016,86(11):2229-2240.

[15]Chen L H,Wei F Y.Persistence and Distribution of a Stochastic Susceptible-Infected-Removed Epidemic Model with Varying Population Size[J].Physica A-Statistical Mechanics and Its Applications,2017,483:386-397.

[16]Wang S W,Huang C Y,Sun C T.Modeling Self-Perception Agents in an Opinion Dynamics Propagation Society[J].Simulation-Transactions of the Society for Modeling and Simulation International,2014,90(3):238-248.

[17]Dorota M,Malgorzata W.Fractional Discrete-Time of Hegsemann-Krause’s Type Consensus Model with Numerical Simulations[J].Neurocomputing,2016,216:381-392.

[18]Fu G Y,Zhang W D,Li Z J.Opinion Dynamics of Modified Hegselmann-Krause Model in a Group-Based Population with Heterogeneous Bounded Confidence[J].Physica A,2015,419:558-565.

[19]Pinede M,Buendia G M.Mass Media and Heterogeneous Bounds of Confidence in Continuous Opinion Dynamics[J].Physica A,2015,420:73-84.

[20]何建佳，張亞楠.基于關(guān)系度的群體觀點演化模型與仿真[J].計算機應(yīng)用研究，2017,34(6):1694-1698.

[21]Fan K Q,Pedrycz W.Emergence and Spread of Extremist Opinions[J].Physica A,2015,436:87-97.