基于小集团集散观点模型的网络舆情传播研究

张勃 高玲

【摘 要】随着信息时代的爆炸式发展，网络舆情传播研究变得越来越为重要。本文提出了一种新的更具现实意义的传播模型，该模型在整个网络中划分为各自联系紧密的很多小集团，然后小集团内部个体之间进行信息观点集散并最终整合，最后整个网络上各小集团之间再进行意见平衡，使其可以对整个网络的意见分布进行分时统计。

【关键词】舆情传播 演化模型 小集团观点集散

【中图分类号】 C931.6【文献标识码】A【文章编号】1672-5158（2013）07-0158-01

一、引言

1、社会网络舆情传播研究的时代要求

信息在现代社会生活中的作用越来越大，甚至很多时候，它已经成为制约事情成败的关键性因素。人们获得信息的渠道也越来越广泛，毫无疑问，互联网让这个信息时代有了爆炸式的发展，并当之无愧成为引导现代社会信息交流的排头兵，社交网站、微博论坛等互联网衍生的服务应用也已成为了人们信息传播和交流沟通的主要方式。随之而来的，社会网络舆情的控制和引导，成为一个迫在眉睫需要解决的重大问题。

2、网络舆情研究现状

对舆情的研究最初发源于社会学领域，其是作为传播学的研究内容出现的，但随着社会信息化程度的加深和舆情传播形式的复杂多样化，对舆情传播的研究涉及经济、物理、数学、计算机等多种科学领域，是舆情研究成为一个名符其实的交叉性学科。人们利用不同领域的方法试图对现实社会网络舆情进行量化描述，以期望可以对舆情的传播和演化过程实现更加客观的分析。

在自然科学领域内，关于舆情传播的研究主要体现在建模演化上，这些模型用以解释在各自不同的定义上舆情如何表达以及如何演进。例如，以Sznajd模型和KH模型为代表的一系列节点交互模型，其主要思路是定义节点间简单的交互形式，并将这种交互方式在特定的网络结构上多次迭代，从而观察整个网络上节点的共同宏观效应得出舆情传播规律。

二、研究内容

1、小集团型网络拓扑结构

网络的拓扑结构对舆情演化有着重要的影响，而现实中人们之间意见交换的方式具有非常复杂的拓扑特征，比如小世界特性、无标度特性等等。本文讨论的结构，可以称之为小集团型网络结构。可以这样理解，现实社会中人们更为关心也更加倾向和本身距离相近的个体进行信息交换，该结构初始化过程中在整个网络中加入节点时，必要首先选择其确定加入的小集团，也就是每个节点的产生必要依附于某个小集团，即每个节点必属于某一个小集团之内。每个节点的观点值只能影响本集团成员，而无法影响其他集团中节点的观点值。令ηi 为小集团i的观点热量参数。各个集团之间，通过ηi 互相影响各自节点的观点值。

2、小集团型观点传播类型特征

一般情况下，人们在形成看法过程中，总是容易受到周围的人观点态度的影响，而当自身接受一种观点时，经过分析判断也会形成对原观点某种程度上的偏移，转而发表继续影响周围人的观点。就这样，当形成看法过程中，总要经历各种反复，并在小范围内达成某种共识，这也就是小范围内观点的集散过程。我们从一个相对小的范围，即一个联系相对密切的小的集团着手，以一个小范围节点整体为单位，该小范围内观点自组织集散共同形成。同KH模型一样，采用连续的方式定义观点值，并令观点值α∈[0， 1]，0表示观点极左，1表示观点极右，这样可以用小规模的观点简单相加得出大小判断意见倾向。考虑N个节点组成的紧密贴合的小集团，其中个体i的观点值在t时刻用Xi（t）表示，0≤Xi（t）≤1。在下一时刻，个体i的观点值由下式决定：

Xi（t+1）=λ[ri1X1（t）+ri2X2（t）+…+rinXn（t）]ηi （1）

其中：

λ 表示在下一时刻Xi进行观点改变的概率；

rij 为节点i与节点j之间的权重，并且满足如下约束条件：

ηi 表示本集团内的观点热量参数，可以认为，集团内的总体观点也遵循类似于自然界“热胀冷缩”的现象：即比较“热”的观点会更快的进行传播，而比较“冷”的观点，会以更快的速度冷却。

n为Xi节点的度，也就是说，Xi节点只能和与其相邻的节点进行意见交流。

另外，在本集团网络中，我们还要给节点之间的交流加上某种限制，因为容易理解，在现实社会中，并不是随意的两个人都会产生意见交流，只有当两个人的意见相差在某个范围之内时，才有可能进行观点交换。对此，我们定义一个距离参数？，只有当 |Xi-Xj|≤？时，Xi和Xj 才有可能进行观点值交换。

3、小集团型集散观点演进过程分析

由于各自集团的节点无法影响其他集团节点的意见，所以讨论各个集团之间的相互影响。各个小集团之间通过观点热量参数ηi相互影响。本文定义，任何两个小集团之间交互之后，观点热量参数为

表示为相互交换的两个小集团的距离权重。

由（1）式可见，一个节点所持的意见，不仅和自己周围节点有关，也和该集团的整体舆论热度有关。在每一个时刻，节点都需要根据整个网络热度均值进行自身的调整，调整的同时也必将对其他节点的观点进行影响。

对于式（1），我们希望研究其某个节点在下一个时间步的变化趋势，即对Xi（t+1）在t上求微分，于是得到下式：d（Xi（t+1））=λd[ri1X1（t）+ri2X2（t）+…+rinXn（t）]ηi+λXi（t+1）/ηi+dηi

从上面的微分方程中，我们可以得出，在某一个小集团内，观点会在最终趋于一致，收敛时间和下一时刻Xi进行观点改变的概率λ成正比。

而在整个网络中，各个小集团间的意见评价热度则趋向于稳定。

参考文献

[1] HolystJ.A.，KaePerskiK.，SchweitZer F.Social impact models of opinion dynamies.World Scientific Publishing Company：2001

[2] K.Sznajd-Weron，J.Sznajd.Opinion evolution in elosed community.Int. J.Mod.Phys.C，2000，11（6）：1157-1165

[3] R.Hegselmann，U.Krause.Opinion dynamics and bounded confidence models，analysis，and simulation.Joural of Artificial Societies and Social Simulation（JASSS），2002，5（3）：2-34