林自展，肖井華，周金連，吳 曄*

(1.北京郵電大學(xué)理學(xué)院 北京 海淀區(qū) 100876；2.北京師范大學(xué)新聞傳播學(xué)院 北京 海淀區(qū) 100875)

在互聯(lián)網(wǎng)時(shí)代，每個(gè)人不僅是社會(huì)信息的消費(fèi)者，同時(shí)也是信息的生產(chǎn)者和觀點(diǎn)的傳播者[1]。在線點(diǎn)評(píng)作為一種個(gè)體觀點(diǎn)表達(dá)的方式，指用戶或者消費(fèi)者通過(guò)線上平臺(tái)直接對(duì)商品或服務(wù)評(píng)分并發(fā)布評(píng)論。這種直接的觀點(diǎn)表達(dá)，將作為一種反饋信息，為下一個(gè)潛在消費(fèi)者的行為決策提供參考。因此研究點(diǎn)評(píng)平臺(tái)中群體意見(jiàn)分布的觀點(diǎn)動(dòng)力學(xué)機(jī)制，既可以進(jìn)一步了解個(gè)體線上點(diǎn)評(píng)的行為規(guī)律，也可以為商家保持良好口碑提供參考。

目前，關(guān)于個(gè)體在線點(diǎn)評(píng)觀點(diǎn)動(dòng)力學(xué)的研究主要采用多主體建模的方法對(duì)點(diǎn)評(píng)意見(jiàn)分布進(jìn)行解釋或預(yù)測(cè)。文獻(xiàn)[2]認(rèn)為個(gè)體在觀影后發(fā)表影評(píng)時(shí)容易受到電影質(zhì)量、其他用戶評(píng)分以及自身評(píng)分習(xí)慣的影響，基于此建立了關(guān)于電影評(píng)分的理論模型，并使用豆瓣影片在線點(diǎn)評(píng)數(shù)據(jù)進(jìn)行驗(yàn)證，該模型可以較好地預(yù)測(cè)影片評(píng)分的意見(jiàn)分布。與預(yù)測(cè)評(píng)分意見(jiàn)不同的是，文獻(xiàn)[3]則通過(guò)建立連續(xù)觀點(diǎn)的動(dòng)力學(xué)模型，通過(guò)判斷個(gè)體是否會(huì)選擇發(fā)表評(píng)分，從而預(yù)測(cè)在線點(diǎn)評(píng)的人數(shù)發(fā)展趨勢(shì)。文獻(xiàn)[4]則是針對(duì)電子商務(wù)環(huán)境下，基于個(gè)體時(shí)間與精力的有限性、個(gè)人對(duì)他人觀點(diǎn)的信任程度、發(fā)表評(píng)論的概率及現(xiàn)有的歷史評(píng)論等影響因素，構(gòu)建出在線點(diǎn)評(píng)意見(jiàn)演化動(dòng)力學(xué)模型。通過(guò)仿真模擬實(shí)驗(yàn)的方式，分別討論了上述的各個(gè)因素對(duì)最終意見(jiàn)群體演化結(jié)果的影響。

目前主流的觀點(diǎn)動(dòng)力學(xué)模型歸為離散模型和連續(xù)觀點(diǎn)模型兩個(gè)大類。在離散模型中，個(gè)體的觀點(diǎn)只有贊成和反對(duì)兩種情況。Sznajd模型[5]、Majority rule模型[6]和Voter模型[7]是離散模型的典型代表。實(shí)際上個(gè)體的觀點(diǎn)并不能簡(jiǎn)單地歸結(jié)于0和1兩種情況，在連續(xù)模型中，個(gè)體的觀點(diǎn)值是一定范圍內(nèi)的連續(xù)數(shù)值，基于有界信任的Deffuant模型[8]和Hegselmann-Krause模型[9]是最具代表性的兩個(gè)模型。這兩個(gè)模型用[0,1]區(qū)間內(nèi)的連續(xù)數(shù)值來(lái)表示個(gè)體的觀點(diǎn)值，只有在觀點(diǎn)差值小于閾值的情況下，兩個(gè)個(gè)體之間才會(huì)發(fā)生意見(jiàn)交流，并互相產(chǎn)生影響。在Deffuant模型中每次選擇兩個(gè)個(gè)體進(jìn)行觀點(diǎn)交互，與Deffuant模型的不同點(diǎn)在于，HK模型中的個(gè)體會(huì)受到群體中所有滿足觀點(diǎn)差值小于閾值的其他個(gè)體的觀點(diǎn)的影響，并以此來(lái)更新自己的觀點(diǎn)值。目前，關(guān)于輿論動(dòng)力學(xué)的研究主要是在傳統(tǒng)的Deffuant模型和HK模型的基礎(chǔ)上，從社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)[10-15]、評(píng)論文本挖掘[16-17]、個(gè)體特征[18]等角度進(jìn)行研究。

伴隨著在線點(diǎn)評(píng)平臺(tái)的快速發(fā)展，越來(lái)越多的學(xué)者基于觀點(diǎn)動(dòng)力學(xué)在社交網(wǎng)絡(luò)的基礎(chǔ)上研究用戶行為特征以及輿論傳播的演化過(guò)程。然而，在線點(diǎn)評(píng)行為與傳統(tǒng)的輿情演化相比存在明顯的差異，主要包括以下幾個(gè)方面：1) 在傳統(tǒng)的輿論研究中，人群中任意兩個(gè)人都有可能發(fā)生觀點(diǎn)交互并互相影響對(duì)方的觀點(diǎn)。但在線點(diǎn)評(píng)中，通常只能看到前人的評(píng)論，而前人并不會(huì)受到即將發(fā)表的評(píng)論的影響。因此，在線點(diǎn)評(píng)下個(gè)體間的影響是基于時(shí)間順序的單方面影響。2) 基于社交網(wǎng)絡(luò)的輿論演化研究，是在復(fù)雜網(wǎng)絡(luò)的基礎(chǔ)上考慮節(jié)點(diǎn)多樣性、連接多樣性、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性等。而在線點(diǎn)評(píng)模式下是多個(gè)前人對(duì)后續(xù)評(píng)論者的單向影響，即單向網(wǎng)絡(luò)結(jié)構(gòu)。3) 社交網(wǎng)絡(luò)下，個(gè)體間的交流可以發(fā)生在有人際關(guān)系連邊的好友，也可能是發(fā)生在有共同好友的兩個(gè)個(gè)體之間。而在在線點(diǎn)評(píng)平臺(tái)上，通常是按照評(píng)論發(fā)表時(shí)間的先后順序進(jìn)行展示，只有近期的少部分評(píng)論會(huì)對(duì)用戶產(chǎn)生影響。

本研究基于上述在線點(diǎn)評(píng)與傳統(tǒng)輿論傳播的差異性，對(duì)傳統(tǒng)的HK模型進(jìn)行部分針對(duì)性的修改，并探究在線點(diǎn)評(píng)中所蘊(yùn)含的觀點(diǎn)動(dòng)力學(xué)機(jī)制。

1 數(shù)據(jù)來(lái)源

在線點(diǎn)評(píng)行為常見(jiàn)于淘寶、京東、當(dāng)當(dāng)?shù)雀鞔箅娚唐脚_(tái)，其中大眾點(diǎn)評(píng)是中國(guó)最大的在線點(diǎn)評(píng)平臺(tái)之一。用戶可以在大眾點(diǎn)評(píng)平臺(tái)上發(fā)布自己對(duì)商家的評(píng)論，同時(shí)他們也能夠?yàn)g覽其他用戶的點(diǎn)評(píng)輔助消費(fèi)決策。

本研究選取了大眾點(diǎn)評(píng)平臺(tái)上2012年12月至2015年1月用戶的歷史評(píng)論數(shù)據(jù)，共包括3.8萬(wàn)個(gè)商家，共330萬(wàn)條歷史評(píng)分記錄。從中篩選出評(píng)分?jǐn)?shù)量超過(guò)500條的店鋪，剩余1 610個(gè)商家，205萬(wàn)條歷史評(píng)分?jǐn)?shù)據(jù)。每一條評(píng)分?jǐn)?shù)據(jù)由星級(jí)、口味、環(huán)境、服務(wù)組成，均是[10,20,30,40,50]分，以這4種評(píng)分的均值作為店鋪的整體評(píng)分。極端的評(píng)論會(huì)影響實(shí)際數(shù)據(jù)的真實(shí)性和準(zhǔn)確性，因此50分的極端評(píng)分在這里并不考慮，原因是：1)雇傭水軍模擬正常消費(fèi)者的評(píng)論，提升整體平均分，吸引更多的人到店消費(fèi)是商家常用的手段[19]；2)未發(fā)表評(píng)論系統(tǒng)默認(rèn)打分為滿分50；這兩種情況不能反映真實(shí)的用戶體驗(yàn)。

通過(guò)觀察500條以上店鋪的評(píng)分分布情況，可以將其歸類為單峰模式和雙峰模式兩大類。單峰模式即店鋪的評(píng)分呈現(xiàn)出單一意見(jiàn)群體，雙峰模式則存在兩個(gè)對(duì)立的意見(jiàn)群體。本文分別從這1 610家店鋪中挑選了兩種模式下具有代表性的3個(gè)不同店鋪，實(shí)際的評(píng)分分布如圖1所示。

2 模型構(gòu)建

2.1 Hegselmann-Krause模型

傳統(tǒng)HK模型是在Deffuant模型的基礎(chǔ)上演化出的一種基于有界信任的連續(xù)動(dòng)力學(xué)模型，目的是研究群體中個(gè)體觀點(diǎn)的演化過(guò)程。假設(shè)在一個(gè)群體中，存在N個(gè)個(gè)體，用表示個(gè)體i在t時(shí)刻自身的觀點(diǎn)值，同時(shí)在t時(shí)刻，個(gè)體i會(huì)在群體中與其他個(gè)體進(jìn)行交流，發(fā)生觀點(diǎn)間的交互，如果個(gè)體j與個(gè)體i的觀點(diǎn)差值小于觀點(diǎn)閾值d，即那么個(gè)體j的觀點(diǎn)會(huì)對(duì)個(gè)體i的觀點(diǎn)產(chǎn)生影響，反之則不會(huì)有影響。個(gè)體i在與其他個(gè)體發(fā)生觀點(diǎn)交互后，其觀點(diǎn)值的更新如下：

式中，收斂參數(shù)μi表示個(gè)體對(duì)其他個(gè)體觀點(diǎn)值的信任程度；觀點(diǎn)閾值d表示只有在觀點(diǎn)閾值內(nèi)的個(gè)體觀點(diǎn)才會(huì)對(duì)個(gè)體i產(chǎn)生影響；權(quán)重表示個(gè)體j對(duì)個(gè)體i的影響程度，且

2.2 模型修正

在線點(diǎn)評(píng)觀點(diǎn)傳播的特點(diǎn)與HK模型并不完全相同，其傳播過(guò)程如圖2所示?；谠诰€點(diǎn)評(píng)模式觀點(diǎn)傳播的特點(diǎn)，本文在HK原始模型的理論基礎(chǔ)上針對(duì)以下三個(gè)部分進(jìn)行了調(diào)整，使得新模型能夠適用于在線點(diǎn)評(píng)模式下的觀點(diǎn)演化模式。

1) 在HK模型中，基于社會(huì)人際關(guān)系復(fù)雜網(wǎng)絡(luò)，個(gè)體之間的觀點(diǎn)交互只在有關(guān)系的個(gè)體間發(fā)生，即只有兩個(gè)節(jié)點(diǎn)之間存在關(guān)系連邊，且觀點(diǎn)差值小于閾值才會(huì)發(fā)生兩者間的觀點(diǎn)交互。然而在在線點(diǎn)評(píng)中，用戶之間的社會(huì)網(wǎng)絡(luò)關(guān)系并不明顯，個(gè)體間的觀點(diǎn)交互是基于評(píng)論時(shí)間先后順序的，只有后發(fā)表評(píng)論的人才能看到已有的評(píng)論。因此，本文將社會(huì)人際關(guān)系網(wǎng)絡(luò)結(jié)構(gòu)轉(zhuǎn)變?yōu)榛跁r(shí)間先后順序的單向網(wǎng)絡(luò)結(jié)構(gòu)。

2) 在線點(diǎn)評(píng)店鋪中存在大量的歷史評(píng)論，且網(wǎng)頁(yè)上每次僅只會(huì)顯示幾十條評(píng)論，由于決策的時(shí)間有限，不能看完所有的歷史評(píng)論，只有近期的評(píng)論數(shù)據(jù)會(huì)對(duì)用戶觀點(diǎn)產(chǎn)生直接的影響。假設(shè)最近的K條評(píng)論會(huì)對(duì)用戶的觀點(diǎn)有影響。

3) 不同個(gè)體之間的信任程度不一致。傳統(tǒng)的HK模型通過(guò)產(chǎn)生一個(gè)隨機(jī)數(shù)作為兩個(gè)個(gè)體間的信任值。大眾點(diǎn)評(píng)中，用戶更傾向于相信近期的評(píng)論。在觀點(diǎn)差小于閾值d的前提上，發(fā)表時(shí)間越近的評(píng)論對(duì)當(dāng)前用戶的評(píng)分所造成的影響程度越大。這里用表示第j條評(píng)論對(duì)第i條評(píng)論的影響程度。

綜上所述，個(gè)體觀點(diǎn)值的更新如式2所示，其中i表示當(dāng)前新增的評(píng)論為評(píng)論序列的第i條，表示第i條評(píng)論的初始觀點(diǎn)，服從[0,1]之間的均勻分布，μ表示收斂參數(shù)。

2.3 模型仿真

根據(jù)大眾點(diǎn)評(píng)的實(shí)際情況，本文基于傳統(tǒng)HK模型進(jìn)行修正，提出了適用于在線點(diǎn)評(píng)模式中的新模型，并對(duì)比分析了每一個(gè)參數(shù)對(duì)最終仿真結(jié)果所造成的影響。

意見(jiàn)群體的形成與K值的大小緊密相關(guān)，如圖3所示。當(dāng)K值較小時(shí)，也就是用戶閱讀的評(píng)論數(shù)較少，即只有少部分評(píng)論會(huì)影響到用戶的評(píng)分，K值越小說(shuō)明用戶受到其他用戶的影響越小，那么用戶之間就很難形成意見(jiàn)群體。隨著K值的增大，越來(lái)越多的評(píng)論會(huì)影響到用戶，那么用戶就容易與周圍其他用戶的意見(jiàn)達(dá)成一致，最終形成了意見(jiàn)群體。從圖中可以看到，當(dāng)K值大于10時(shí)，最終的結(jié)果并不會(huì)隨著影響用戶的評(píng)論數(shù)量的增加而產(chǎn)生明顯的差異。

觀點(diǎn)差閾值d表示的是只有兩個(gè)個(gè)體間的觀點(diǎn)差值小于d，才會(huì)彼此互相影響。如圖4所示，如果任意兩個(gè)用戶之間都無(wú)法對(duì)對(duì)方產(chǎn)生影響，即當(dāng)d=0時(shí)，隨著時(shí)間的推移，最終是評(píng)分區(qū)間內(nèi)均勻分布的結(jié)果。當(dāng)閾值d逐漸增大時(shí)，部分觀點(diǎn)差較小的用戶之間開(kāi)始相互影響，且閾值d越大，兩個(gè)用戶之間越有可能會(huì)相互影響，向?qū)Ψ降囊庖?jiàn)靠近趨于一個(gè)中間值。此時(shí)會(huì)形成兩個(gè)不同的意見(jiàn)群體，形成兩種截然不同的對(duì)立意見(jiàn)。當(dāng)d值足夠大即d＞0.5時(shí)，觀點(diǎn)差異較大的用戶之間也會(huì)相互影響，大量用戶互相交流影響，最終形成一個(gè)統(tǒng)一的意見(jiàn)。

收斂參數(shù)μ表示個(gè)體受到他人觀點(diǎn)的影響程度。如圖5所示，μ值較小時(shí)用戶堅(jiān)信自己的觀點(diǎn)是正確的，無(wú)論他人的觀點(diǎn)與自身差異的大小，都不會(huì)輕易采納他人的觀點(diǎn)。隨著μ值的增大，用戶逐漸開(kāi)始接受他人的觀點(diǎn)。在受到周圍其他用戶的影響后，觀點(diǎn)差異較小的用戶之間達(dá)成統(tǒng)一意見(jiàn)，最終形成兩種對(duì)立的意見(jiàn)群體。

以上3個(gè)仿真結(jié)果表明，個(gè)體參考評(píng)論數(shù)K、觀點(diǎn)閾值d和收斂參數(shù)μ均會(huì)對(duì)在線點(diǎn)評(píng)的演化結(jié)果產(chǎn)生重要的影響。其中，最終形成意見(jiàn)群體個(gè)數(shù)是由觀點(diǎn)閾值d的大小所決定的。本文在大眾點(diǎn)評(píng)實(shí)際評(píng)分?jǐn)?shù)據(jù)分布中觀察到的單峰、雙峰兩種模式與最終的仿真結(jié)果一致。

3 結(jié) 束 語(yǔ)

以大眾點(diǎn)評(píng)、淘寶、京東、豆瓣等為代表在線點(diǎn)評(píng)平臺(tái)的興起，為消費(fèi)者提供了發(fā)表個(gè)人消費(fèi)體驗(yàn)的平臺(tái)，同時(shí)也使得其他后續(xù)的消費(fèi)者能夠參考他人的評(píng)論便于自身更好地做出消費(fèi)決策。傳統(tǒng)的輿論動(dòng)力學(xué)模型在社會(huì)人際關(guān)系網(wǎng)絡(luò)的基礎(chǔ)上探究觀點(diǎn)演化的內(nèi)在機(jī)制。然而，在線點(diǎn)評(píng)平臺(tái)上用戶之間的社交關(guān)系十分單薄，用戶之間通常不存在任何社交關(guān)系，無(wú)法構(gòu)建出有效的社會(huì)人際關(guān)系網(wǎng)絡(luò)，因此傳統(tǒng)輿論動(dòng)力學(xué)模型對(duì)于在線點(diǎn)評(píng)上的觀點(diǎn)演化存在明顯的缺陷。本文從以下兩個(gè)方便針對(duì)HK模型進(jìn)行修正：1) 將社交關(guān)系網(wǎng)絡(luò)替換為以時(shí)間先后為順序的多對(duì)一的中心網(wǎng)絡(luò)結(jié)構(gòu)；2) 將個(gè)體間的信任程度與發(fā)表評(píng)論的時(shí)間間隔因素結(jié)合。仿真結(jié)果表明，參考評(píng)論數(shù)量K、觀點(diǎn)差閾值d以及收斂參數(shù)μ三者是影響最終意見(jiàn)群體演化結(jié)果的主要因素。后續(xù)的研究可以針對(duì)不同點(diǎn)評(píng)店鋪的實(shí)際情況，更深入分析各個(gè)參數(shù)，進(jìn)一步豐富模型。