馬永軍 柴夢(mèng)瑤

1(天津科技大學(xué)人工智能學(xué)院 天津 300457)

2(天津科技大學(xué)食品安全管理與戰(zhàn)略研究中心 天津 300222)

Social network

0 引 言

中國(guó)互聯(lián)網(wǎng)信息中心于2019年8月30日發(fā)布的第44次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截止到2019年6月，中國(guó)網(wǎng)民規(guī)模達(dá)到了8.54億，普及率也已上升至61.2%，相較2018年底提升了1.6百分點(diǎn)，全年新增加的網(wǎng)民達(dá)到2 598萬(wàn)人次[1]。伴隨著互聯(lián)網(wǎng)的開(kāi)放性、虛擬性及隨意性等特征，網(wǎng)民越來(lái)越愿意在各類社交網(wǎng)絡(luò)上發(fā)表言論，展現(xiàn)個(gè)人觀點(diǎn)。這些新興社交網(wǎng)絡(luò)已逐步成為輿情發(fā)酵和演化的主要平臺(tái)，并逐漸影響著大眾輿情的走勢(shì)。例如，2018年在微博上熱議的長(zhǎng)春長(zhǎng)生假疫苗事件，不僅引起人們的恐慌也嚴(yán)重影響了正常的社會(huì)秩序。因此，對(duì)社交網(wǎng)絡(luò)的輿情演化進(jìn)行必要的研究顯得越來(lái)越重要，通過(guò)相應(yīng)的研究可以為輿情的管理和控制提供一些有力的指導(dǎo)。

目前網(wǎng)絡(luò)輿情演化的研究熱點(diǎn)之一是對(duì)觀點(diǎn)動(dòng)力學(xué)模型的研究，其中國(guó)內(nèi)外學(xué)者提出的觀點(diǎn)動(dòng)力學(xué)模型大致可分為離散和連續(xù)兩類。前者在模擬仿真用戶的觀點(diǎn)時(shí)使用的是有限的離散數(shù)值，其中比較有具有代表性的是文獻(xiàn)[2]模型、Voter模型和MR(Majority Rule)模型等；后者考慮到個(gè)體的觀點(diǎn)存在一個(gè)漸進(jìn)的演變過(guò)程，使用連續(xù)值表示個(gè)體觀點(diǎn)，影響力較大的有文獻(xiàn)[3]模型和HK模型[4]。兩者都建立在有限信任的基礎(chǔ)上，考慮到現(xiàn)實(shí)情況中一種常見(jiàn)的心理現(xiàn)象“選擇性接觸”，即認(rèn)為兩個(gè)用戶進(jìn)行觀點(diǎn)交互的前提是他們兩者之間的觀點(diǎn)差值的絕對(duì)值在一定交互閾值內(nèi)，反映了“道不同不相為謀”的社會(huì)現(xiàn)象。與文獻(xiàn)[3]模型相比之下，HK模型更多地考慮了周圍用戶對(duì)單個(gè)用戶的影響而不是單單地只受到一個(gè)用戶的影響就改變其觀點(diǎn)值，進(jìn)而促進(jìn)整個(gè)群體觀點(diǎn)的演化，因而HK模型能更好地模擬開(kāi)放性較強(qiáng)的社交網(wǎng)絡(luò)中輿情的演化過(guò)程。自HK模型被提出之后，其引起了輿論界學(xué)者的關(guān)注并對(duì)其進(jìn)行改進(jìn)和研究。李青等[5]基于BA網(wǎng)絡(luò)綜合考慮了用戶本身及用戶對(duì)他人的信任關(guān)系兩個(gè)因素進(jìn)而對(duì)HK模型進(jìn)行了相應(yīng)的擴(kuò)展，分析了模型中信任閾值對(duì)觀點(diǎn)演化的影響，并考慮了網(wǎng)絡(luò)中節(jié)點(diǎn)度這一影響因素，發(fā)現(xiàn)度最大節(jié)點(diǎn)受其他節(jié)點(diǎn)影響較小，度最小節(jié)點(diǎn)受其他節(jié)點(diǎn)影響較大。陳桂茸等[6]基于個(gè)體間的影響力對(duì)有限信任集合進(jìn)行改進(jìn)，假設(shè)用戶在更新觀點(diǎn)時(shí)僅考慮參考集合中與自身觀點(diǎn)距離小于某個(gè)閾值的個(gè)體觀點(diǎn)，同時(shí)引入自我堅(jiān)持度。宋艷雙等[7]研究了不同復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)對(duì)觀點(diǎn)收斂速度的影響，同時(shí)提出聯(lián)系數(shù)量和人際相似性來(lái)度量不同個(gè)體間相互影響。張亞楠等[8]通過(guò)擴(kuò)展用戶的交互集合來(lái)改進(jìn)HK模型，并且引入了個(gè)體間親密度、人際相似性和交互強(qiáng)度等概念，同時(shí)在聚類系數(shù)為0.165 9的社交網(wǎng)絡(luò)運(yùn)行了其改進(jìn)的輿情演化模型。何建佳等[9]考慮個(gè)體之間的親和度，對(duì)個(gè)體觀點(diǎn)之間的影響權(quán)重進(jìn)行重新定義，分析了觀點(diǎn)堅(jiān)持度、個(gè)體親和度和意見(jiàn)領(lǐng)袖支持者比例三個(gè)因素對(duì)網(wǎng)絡(luò)輿論演化的影響。

上述對(duì)HK模型的研究大多集中在改進(jìn)交互集合、重新定義個(gè)體間影響權(quán)重和基于不同復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行建模分析。在重新定義個(gè)體間影響權(quán)重的研究中，認(rèn)為與某一個(gè)體有關(guān)聯(lián)的其他節(jié)點(diǎn)對(duì)該個(gè)體的影響權(quán)重之和為1，并采用隨機(jī)賦值的方式。本文在傳統(tǒng)HK模型的基礎(chǔ)上，提出一種基于個(gè)體相對(duì)權(quán)威性的輿情演化模型，建立個(gè)體間的相對(duì)權(quán)威函數(shù)來(lái)對(duì)HK模型進(jìn)行改進(jìn)，同時(shí)構(gòu)建網(wǎng)絡(luò)平均聚類系數(shù)和平均路徑長(zhǎng)度以更加貼近真實(shí)社交網(wǎng)絡(luò)性質(zhì)的網(wǎng)絡(luò)結(jié)構(gòu)作為輿情演化的載體，并分析了基于用戶相對(duì)權(quán)威性的改進(jìn)后的HK模型在社交網(wǎng)絡(luò)中演化過(guò)程的特性。

1 社交網(wǎng)絡(luò)模型

復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)常被作為研究輿論動(dòng)力學(xué)模型的載體，而不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)輿論演化速度有重要影響[7]。因此，對(duì)輿論演化進(jìn)行模擬分析的基礎(chǔ)是用算法構(gòu)建一個(gè)更加接近現(xiàn)實(shí)網(wǎng)絡(luò)性質(zhì)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。文獻(xiàn)[10-11]表明，新浪微博、Twitter和Facebook等大型社交網(wǎng)絡(luò)普遍具有無(wú)標(biāo)度網(wǎng)絡(luò)特性和小世界網(wǎng)絡(luò)特性，即網(wǎng)絡(luò)中節(jié)點(diǎn)度“富者更富”、較高聚類系數(shù)和較小平均路徑長(zhǎng)度。以新浪微博為例，杜洪濤等[11]以從新浪微博社區(qū)獲取的數(shù)據(jù)集合為樣本，研究了微博社區(qū)網(wǎng)絡(luò)的統(tǒng)計(jì)特征，發(fā)現(xiàn)所有節(jié)點(diǎn)彼此間的距離大部分都集中在[2,4]之間，且網(wǎng)絡(luò)的聚類系數(shù)為0.601。由斯坦福大學(xué)公開(kāi)的數(shù)據(jù)集可以得到，Twitter網(wǎng)絡(luò)的平均聚類系數(shù)為0.565 3，平均路徑長(zhǎng)度為4.5；Facebook網(wǎng)絡(luò)的平均聚類系數(shù)為0.605 5，平均路徑長(zhǎng)度為4.7。

為滿足以上特性，本文基于Barabasi等[13]提出的BA無(wú)標(biāo)度網(wǎng)絡(luò)模型和Holme等[12]提出的三角連接策略構(gòu)建聚類系數(shù)可調(diào)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，考慮每個(gè)用戶新加入網(wǎng)絡(luò)時(shí)關(guān)注的個(gè)體數(shù)不同，對(duì)三角連接過(guò)程進(jìn)行改進(jìn)，提出一種異質(zhì)三角連接算法。構(gòu)造算法步驟如下：

(1) 初始化：初始網(wǎng)絡(luò)包括1個(gè)節(jié)點(diǎn)。

(2) 增長(zhǎng)策略：每隔一個(gè)步長(zhǎng)根據(jù)優(yōu)先連接策略向網(wǎng)絡(luò)中添加一個(gè)攜帶m條邊的新節(jié)點(diǎn)。

(3) 優(yōu)先連接策略：新節(jié)點(diǎn)在加入已有的網(wǎng)絡(luò)結(jié)構(gòu)時(shí)選擇與網(wǎng)絡(luò)中已存在節(jié)點(diǎn)i相連接的概率為Πi，它與節(jié)點(diǎn)i的度k(i)有關(guān)，滿足的關(guān)系式為：

(1)

(4) 異質(zhì)三角連接策略：新節(jié)點(diǎn)根據(jù)優(yōu)先連接策略與網(wǎng)絡(luò)中已存在節(jié)點(diǎn)i相連之后，以概率Pt與節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)相連接，且連接的概率滿足優(yōu)先連接策略；當(dāng)在1-Pt概率內(nèi)或者沒(méi)有可連接的鄰居節(jié)點(diǎn)時(shí)，不進(jìn)行連接，并循環(huán)m-1次。

相比于原來(lái)的算法在每加入一個(gè)新節(jié)點(diǎn)時(shí)，一定會(huì)加入m條邊，改進(jìn)后的網(wǎng)絡(luò)模型受三角連接率Pt影響的同時(shí)也受到已有網(wǎng)絡(luò)結(jié)構(gòu)的影響，每加入一個(gè)新節(jié)點(diǎn)時(shí)加入的邊數(shù)都不相同，能夠反映個(gè)體的異質(zhì)性，并且最多加入m條邊。

2 輿情演化模型

2.1 經(jīng)典HK模型

HK模型是基于有限信任域的文獻(xiàn)[2]模型進(jìn)行改進(jìn)的一種經(jīng)典連續(xù)觀點(diǎn)交互(連續(xù)意見(jiàn)動(dòng)力學(xué))模型，該模型假設(shè)用戶在進(jìn)行觀點(diǎn)更新時(shí)，只考慮部分用戶對(duì)自身的影響，這部分用戶的觀點(diǎn)與自身觀點(diǎn)值的差的絕對(duì)值在一定范圍內(nèi)，這個(gè)差值即為信任閾值，一般用ε表示。

在經(jīng)典HK模型中，考慮群體是由N個(gè)個(gè)體組成的，用離散時(shí)間T={0,1,2,…}模擬觀點(diǎn)交互的重復(fù)過(guò)程。個(gè)體i在t時(shí)刻都有一個(gè)觀點(diǎn)屬性值Oi(i=1,2,…,N)，取值范圍在[0,1]之間。每個(gè)個(gè)體在t+1時(shí)刻的觀點(diǎn)為其有限信任集合中所有個(gè)體觀點(diǎn)的平均值，更新規(guī)則為：

(2)

2.2 基于個(gè)體相對(duì)權(quán)威性的改進(jìn)HK模型

有研究表明，在輿論演化的過(guò)程中，大多數(shù)人針對(duì)某個(gè)話題的最終態(tài)度傾向會(huì)更容易受到周圍人際關(guān)系的影響[14]。為定量地表示這種影響值，在經(jīng)典HK模型的基礎(chǔ)上，考慮個(gè)體的相對(duì)權(quán)威性，假設(shè)網(wǎng)絡(luò)中節(jié)點(diǎn)的鄰居越多，則其在網(wǎng)絡(luò)中的相對(duì)權(quán)威性越大，對(duì)其鄰居的相對(duì)影響力也越大。根據(jù)節(jié)點(diǎn)在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的位置，即節(jié)點(diǎn)的相對(duì)權(quán)威性，定義四類觀點(diǎn)交互路徑，以圖1所示案例來(lái)模擬網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)：權(quán)威節(jié)點(diǎn)到普通節(jié)點(diǎn)，如11→14(P1類)；普通節(jié)點(diǎn)到權(quán)威節(jié)點(diǎn)，如14→11(P2類)；權(quán)威節(jié)點(diǎn)到權(quán)威節(jié)點(diǎn)，如4?11(P3類)；普通節(jié)點(diǎn)到普通節(jié)點(diǎn)，如7?6(P4類)。

圖1 網(wǎng)絡(luò)拓?fù)涫纠?/p>

1) 相對(duì)權(quán)威函數(shù)A(i,j)。如上所述，在觀點(diǎn)交互過(guò)程中，不同權(quán)威性的鄰居節(jié)點(diǎn)對(duì)節(jié)點(diǎn)更新觀點(diǎn)的影響力各不相同。網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)由一個(gè)唯一的數(shù)字進(jìn)行編號(hào)，首先定義網(wǎng)絡(luò)節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j的相對(duì)影響力為：

(3)

其次，結(jié)合式(2)定義節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j的相對(duì)權(quán)威函數(shù)A(i,j)：

(4)

根據(jù)節(jié)點(diǎn)i和節(jié)點(diǎn)j的相對(duì)權(quán)威性，A(i,j)一般不等于A(j,i)。顯然，相對(duì)權(quán)威函數(shù)A(i,j)的作用是在進(jìn)行觀點(diǎn)交互的過(guò)程中，將連接i和j邊的權(quán)重根據(jù)雙方的相對(duì)地位重新做了調(diào)整。

圖2 不同路徑的相對(duì)權(quán)威函數(shù)

步驟1對(duì)N個(gè)個(gè)體的初始觀點(diǎn)在區(qū)間[0,1]內(nèi)進(jìn)行隨機(jī)賦值。

步驟2根據(jù)有限信任算法在節(jié)點(diǎn)i的鄰居中選擇與i的觀點(diǎn)差距處于有信任閾值ε內(nèi)的個(gè)體集合，即：

IΓ(i)(i,O(t))={1≤j≤k(i)||Oi(t)-Oj(t)|≤ε}

步驟3根據(jù)式(2)和式(3)計(jì)算有限信任集合IΓ(i)(i,O(t))中每個(gè)個(gè)體對(duì)節(jié)點(diǎn)i的相對(duì)權(quán)威函數(shù)A(j,i)。

步驟4計(jì)算節(jié)點(diǎn)i下一時(shí)刻的觀點(diǎn)值，將A(j,i)作為節(jié)點(diǎn)i更新觀點(diǎn)時(shí)節(jié)點(diǎn)j相對(duì)于節(jié)點(diǎn)i的權(quán)重，則節(jié)點(diǎn)i的新觀點(diǎn)值為：

(5)

步驟5在規(guī)定時(shí)間內(nèi)重復(fù)迭代步驟2-步驟4。

3 實(shí) 驗(yàn)

本文模型采用Netlogo(版本號(hào)6.0.4)實(shí)現(xiàn)，構(gòu)建社交網(wǎng)絡(luò)并對(duì)改進(jìn)后的HK模型進(jìn)行編程仿真。

3.1 社交網(wǎng)絡(luò)模型

對(duì)異質(zhì)三角鏈接算法進(jìn)行了相應(yīng)的仿真實(shí)驗(yàn)。通過(guò)多組實(shí)驗(yàn)對(duì)比分析可得，本文算法構(gòu)建的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的平均聚類系數(shù)和平均路徑長(zhǎng)度的變化趨勢(shì)不受網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)的影響，因此在接下來(lái)的實(shí)驗(yàn)中，選取網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)取500時(shí)的情況進(jìn)行分析。根據(jù)BA網(wǎng)絡(luò)中“增長(zhǎng)”和“優(yōu)先連接”算法生成10個(gè)節(jié)點(diǎn)作為初始網(wǎng)絡(luò)，根據(jù)異質(zhì)三角連接算法生成網(wǎng)絡(luò)總結(jié)點(diǎn)數(shù)N=500的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，具體步驟如下：

步驟1網(wǎng)絡(luò)中初始生成一個(gè)節(jié)點(diǎn)。

步驟2根據(jù)“優(yōu)先連接策略”新加入一個(gè)節(jié)點(diǎn)，并循環(huán)9次，即在進(jìn)行異質(zhì)三角連接前網(wǎng)絡(luò)中存在10個(gè)節(jié)點(diǎn)。

步驟3根據(jù)“增長(zhǎng)策略”和“三角異質(zhì)連接策略”加入490個(gè)節(jié)點(diǎn)，使得生成具有500個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

當(dāng)N=500、m=3時(shí)，對(duì)比異質(zhì)三角連接算法NTF和Holme等[12]提出的三角連接策略TF中平均聚類系數(shù)隨著Pt的變化情況，如圖3所示。在相同的條件下NTF中平均聚類系數(shù)明顯提高，能以更快速度接近實(shí)際情況。

圖3 TF和NTF中聚類系數(shù)隨三角連接率Pt的變化情況

通過(guò)調(diào)節(jié)三角連接率Pt和新增邊數(shù)m的大小，觀察網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的平均聚類系數(shù)Cluster、平均路徑長(zhǎng)度Apath的變化情況，結(jié)果分別如圖4、圖5所示。為避免隨機(jī)性的影響，每次實(shí)驗(yàn)重復(fù)50次，并將50次結(jié)果的平均值作為分析依據(jù)。

圖4 平均聚類系數(shù)隨Pt和m的變化情況

圖5 平均路徑長(zhǎng)度隨Pt和m的變化情況

網(wǎng)絡(luò)的聚類系數(shù)反映了一個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)之間也是鄰居的概率大小，在社交網(wǎng)絡(luò)中的具體體現(xiàn)為一位用戶的好友之間也是好友的概率。路徑長(zhǎng)度反映了任意一位用戶和網(wǎng)絡(luò)中其他用戶之間取得聯(lián)系需要通過(guò)的用戶個(gè)數(shù)。如圖4所示，網(wǎng)絡(luò)的平均聚類系數(shù)在新增邊m為9時(shí)最快達(dá)到0.6，滿足實(shí)際社交網(wǎng)絡(luò)的拓?fù)湫再|(zhì)；且隨著m增大，平均聚類系數(shù)達(dá)到0.6的速度也越來(lái)越快。如圖5所示，網(wǎng)絡(luò)的平均路徑長(zhǎng)度隨著新增邊m和三角連接概率Pt增大而明顯減小，能滿足輿情演化需要的社交網(wǎng)絡(luò)結(jié)構(gòu)的性質(zhì)。根據(jù)實(shí)驗(yàn)結(jié)果和以往研究，本文以下仿真實(shí)驗(yàn)中選擇平均聚類系數(shù)Cluster∈[0.55,0.60]，平均路徑長(zhǎng)度Apath∈[2,5]的網(wǎng)絡(luò)結(jié)構(gòu)作為輿論演化模型的基礎(chǔ)，以更好地模擬真實(shí)的社會(huì)網(wǎng)絡(luò)環(huán)境。

3.2 有限信任閾值對(duì)輿論演化的影響

在進(jìn)行觀點(diǎn)交互時(shí)，有限信任閾值越大，個(gè)體對(duì)他人觀點(diǎn)的接受度越強(qiáng)，也更愿意參考周圍個(gè)體對(duì)輿情事件的看法，則該個(gè)體從其鄰居節(jié)點(diǎn)中選擇的有限信任集合越大，多個(gè)個(gè)體以相同的規(guī)則在下一時(shí)刻改變觀點(diǎn)，可以促進(jìn)網(wǎng)絡(luò)中觀點(diǎn)的融合。為考察新模型的有效性，在不同有限信任閾值下對(duì)新模型進(jìn)行仿真實(shí)驗(yàn)，分析個(gè)體觀點(diǎn)隨時(shí)間的變化情況。圖6所示為有限信任閾值ε分別取值0.1、0.3和0.5時(shí)的仿真結(jié)果。隨著有限信任閾值的增大，輿情演化后形成的觀點(diǎn)數(shù)量逐漸變少，當(dāng)有限信任閾值為0.5時(shí)，演化后的觀點(diǎn)基本一致，這與HK模型的研究結(jié)論相同。同時(shí)也說(shuō)明相對(duì)權(quán)威函數(shù)可以有效衡量周圍人際關(guān)系對(duì)個(gè)體進(jìn)行觀點(diǎn)更新時(shí)的影響力。

(a) ε=0.1

3.3 平均節(jié)點(diǎn)度對(duì)輿情演化的影響

在社交網(wǎng)絡(luò)中具有較大節(jié)點(diǎn)度的用戶會(huì)以更快的信息傳播速度和更廣的信息傳播規(guī)模將其所參與的輿情事件傳遞給其他用戶并能及時(shí)獲得網(wǎng)絡(luò)中其他用戶了解的輿情信息；而節(jié)點(diǎn)度較小的個(gè)體獲得信息的渠道相對(duì)較少，與周圍個(gè)體進(jìn)行信息交流的頻率也相對(duì)減少，甚至對(duì)于一些相對(duì)孤立的個(gè)體，他們了解輿情信息的來(lái)源更少，也很少與周圍個(gè)體進(jìn)行交互。因此，具有不同節(jié)點(diǎn)度的個(gè)體之間交流輿情信息的頻率有很大的差別。

為了比較具有不同平均節(jié)點(diǎn)度的社交網(wǎng)絡(luò)對(duì)輿情演化的影響，對(duì)2.2節(jié)中提出的輿情演化模型進(jìn)行仿真實(shí)驗(yàn)，設(shè)定有限信任閾值ε=1，觀察在不同平均節(jié)點(diǎn)度的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上模型運(yùn)行中輿情演化的情況，如圖7所示。

(a) 平均節(jié)點(diǎn)度=6.230

可以看出，當(dāng)網(wǎng)絡(luò)平均節(jié)點(diǎn)度為6.230時(shí)，觀點(diǎn)聚合的速度最慢，在相同時(shí)間內(nèi)觀點(diǎn)最終個(gè)數(shù)最多；網(wǎng)絡(luò)平均節(jié)點(diǎn)度為7.050時(shí)，個(gè)體的觀點(diǎn)聚合較快，觀點(diǎn)最終個(gè)數(shù)較少；當(dāng)網(wǎng)絡(luò)平均節(jié)點(diǎn)度為7.725時(shí)，觀點(diǎn)聚合最快，觀點(diǎn)基本一致。說(shuō)明平均節(jié)點(diǎn)度的不斷增加更有利于觀點(diǎn)的統(tǒng)一，即在輿情演化過(guò)程中個(gè)體之間交流的渠道越多輿論更容易趨于一致。另外，觀點(diǎn)的聚合速度也隨著平均節(jié)點(diǎn)度的增減而逐步加快。因此該算法可在輿情演化時(shí)間長(zhǎng)度的判定上提供依據(jù)，即在實(shí)際中若某一輿情事件剛開(kāi)始在粉絲數(shù)少的個(gè)體之間傳播，則其傳播時(shí)間會(huì)較長(zhǎng)；若輿情事件在剛開(kāi)始主要由粉絲數(shù)多的媒體進(jìn)行報(bào)道，則其傳播時(shí)間較短，用戶意見(jiàn)更容易趨于一致。所以，在網(wǎng)絡(luò)輿情的管控中，可以讓擁有較多粉絲數(shù)的用戶，即節(jié)點(diǎn)度大的個(gè)體，對(duì)真實(shí)的輿情事件進(jìn)行報(bào)導(dǎo)，從而引導(dǎo)輿情的演化，使之以更快的速度趨于一致。

4 結(jié) 語(yǔ)

本文在有限信任HK模型的基礎(chǔ)上，用相對(duì)權(quán)威函數(shù)定量描述個(gè)體之間的影響力，提出一種基于個(gè)體相對(duì)權(quán)威性的改進(jìn)HK模型，并構(gòu)建平均聚類系數(shù)、平均路徑長(zhǎng)度更符合真實(shí)社交網(wǎng)絡(luò)性質(zhì)的網(wǎng)絡(luò)結(jié)構(gòu)作為輿情演化的載體，運(yùn)用仿真軟件Netlogo進(jìn)行編程和仿真，驗(yàn)證改進(jìn)后的HK模型的真實(shí)可行性，并分析平均節(jié)點(diǎn)度對(duì)輿情演化的影響。仿真結(jié)果表明，在異質(zhì)三角連接算法中，可通過(guò)調(diào)節(jié)新增邊m和三角連接概率Pt來(lái)調(diào)節(jié)平均聚類系數(shù)和平均路徑長(zhǎng)度的大小，以更好地貼近真實(shí)社交網(wǎng)絡(luò)的性質(zhì)；基于個(gè)體相對(duì)權(quán)威性改進(jìn)HK算法提出的相對(duì)權(quán)威函數(shù)可以有效衡量周圍人際關(guān)系對(duì)個(gè)體的影響力；隨著有限信任閾值的增加，輿情演化后的觀點(diǎn)個(gè)數(shù)逐漸減少并能使網(wǎng)絡(luò)中的觀點(diǎn)更快地由多元化趨于一致，這與HK模型的結(jié)論一致；輿情演化的速度同時(shí)也受網(wǎng)絡(luò)平均節(jié)點(diǎn)度大小的影響，平均節(jié)點(diǎn)度越大則觀點(diǎn)的聚合速度越快。因此，控制社交網(wǎng)絡(luò)輿情時(shí)可以通過(guò)引導(dǎo)粉絲數(shù)多的用戶改變成正向意見(jiàn)，繼而去影響其他用戶，使得輿論盡快達(dá)成一致。但本文僅僅考慮到個(gè)體之間的相對(duì)權(quán)威性，未來(lái)研究將考慮個(gè)體更多的異質(zhì)性，更全面地研究影響輿情演化的各種因素。