网络舆情结构逆转建模与仿真：基于改进Deffuant模型

于同洋，肖人彬，侯俊东

(1.中南民族大学管理学院，武汉 430074；2.华中科技大学人工智能与自动化学院，武汉 430074；3.中国地质大学(武汉)经济管理学院，武汉 430074)

0 引言

网络舆情是随着互联网发展而逐渐产生的，以微博、微信为代表的网络自媒体成为网络时代信息扩散的主要媒介，自媒体在信息传递的快捷性和交互性上远远超过了传统媒体。在如今民众表达自身诉求的官方渠道还不很畅通的前提下，普通民众有了新的话语方式及形式，导致社会舆情从线下现实社会转移到线上的网络空间，现实社会里的一些突发事件，极易诱发网络上的网络舆情，在全民移动互联背景下，互联网呈现出话语表达的低门槛特征，对现实事件的网络讨论也更容易引起网络群体的关注和舆论热度，这使得网络舆情不断出现。特定网络舆情引起了网民的恐慌，也可能影响政府的公信力[1]。网络舆情的扩散常呈现出结构逆转特性。许多群体事件往往是由利益集团或政府的决策引起，引发网络舆情，使得群体舆论的支持与反对情况发生改变，打破传统势力对社会话语权的控制，导致网络舆情结构逆转，即网络空间的群体力量对比发生逆转，最终改变了利益集团或政府最初的决策。普通民众在现实处于弱势地位，难以改变强势群体的决策结果。但在网络空间里普通民众重新拥有话语权以表达自身利益诉求。网络舆情扩散往往会挑战政府的公信力，容易激发群体性事件，政府必须对网络舆情监管，必要时妥协网络民意达成舆情结构逆转。

随着中国社会转型的深入，加速了社会矛盾的涌现与聚合，导致群体性事件呈现出“涌喷”态势。社会转型下社会和谐的程度有所不同，影响着网络空间群体参与舆情的行为，从社会转型这个宏观因素出发，来研究网络舆情传播结构逆转现象的动力学特征。以观点动力学理论来研究网络舆情在网络空间扩散的复杂性，更接近真实的网络舆情现象。Deffuant模型考虑了社会影响中个体的心理过程，个体之间观点差别不大时才会扩散舆情，这符合舆情扩散的个体心理，Deffuant模型的两两配对方式也较适合真实场景的舆情扩散。本文探索网络舆情结构逆转背后的计算机制，通过微观的观点扩散分析，对Deffuant模型进行扩展，既考虑个体观点的连续假设，也考虑个体观点的被感知的离散性，建立网络舆情逆转的模型以揭示结构逆转现象，并解释群体异质性、社会转型对网络舆情结构逆转的影响，并揭示网络舆情结构逆转的复杂系统机制。

1 基于Deffuant模型的网络舆情逆转模型

Deffuant模型是针对连续观点进行的，以个体间的微观互动行为来研究宏观上的观点动力学特征及稳定性，网络舆情在线上与线下在微观上也具有差异性，线上与线下的微观个体Agent之间在接触性、产生信任上存在明显差异，线下个体之间的交互接触充分、信任感也较强，容易感知到交互对方的观点强度，因此Deffuant模型可用于线下的社会舆情的扩散。而线上的网络舆情扩散时，微观个体交互行为仅通过网络接触，接触性难以充分，Agent之间难以体会到对方观点的真实值，只能体会到对方模糊的观点值，因此，需要对Deffuant模型中的连续的观点进行修改。本文考虑社会转型与社会和谐等宏观因素的影响，也需要建立一些新的交互规则来扩展该模型以适合网络舆情扩散的在线仿真场景，从而建立网络舆情逆转模型。

1.1 Deffuant模型

t时刻从N个个体中随机选择Agenti和j，其观点值分别为xi(t)和xj(t)，如果xi(t)和xj(t)之间的观点的距离不小于d，则这两者的观点不会更新；如果xi(t)和xj(t)之间的观点的距离小于d，即|xi(t) -xj(t)|

(1)

其中，μ∈(0,0.5]为收敛参数。Agenti在t时刻的观点xi(t)连续分布于[0, 1]，数值越大表示观点支持的倾向越强，反之，观点反对的倾向越强。

1.2 网络舆情逆转模型

1.2.1 在线观点值

在网络舆情扩散中，观点在扩散过程中需要表达出来，才能为其他人所知晓，个体自身的观点与其他人所感知的观点之间存在差异，即个体表达出来的观点值与其被其他个体感知到的观点值是不同的；另外，线上的个体之间的交互通过在线网络环境，这种非直接接触的交互方式，使得个体交互难以充分，个体真实的观点值难以被交互个体完全感知。观点动力学主要有离散观点模型和连续观点模型，Deffuant模型为连续观点模型。仿真场景中，每个个体的观点值是按照Deffuant模型的连续观点假设，但在交互时其他个体的感知难以得到确切的观点值，但能体会到观点值的强弱程度，如较弱(0.1)、较强(0.9)，因此个体能被感知的值以离散观点表示更好。经典离散模型多以2个值或3个值来表示个体的观点，体现观点的态度倾向是支持还是反对还是中立，扩散结果也是计算这2个值或3个值在整个群体的分布状况。本模型不能这样简单假设被感知观点的离散值，以2值或3值来映射连续观点值过于简化，本模型对个体能被感知的观点进行了5值划分，这符合个体感知中的“很弱、弱、中等、强、很强”的5阈值分类。

表1 感知观点取值Tab.1 The value of perception viewpoint

为每个个体的观点值设置相应的感知观点值，以标识交互个体能够感知到的个体的在线观点值，如表1所示，如Agent的观点在[0,0.2)之间，能被感知的观点值为0.1，体现观点强度是很弱的，相反，0.9的感知观点值体现所感知的观点强度是很强的。

1.2.2 改进Deffuant模型

两个利益相关者Agenti和j，其观点值为[0, 1]之间的连续实数，分别为xi(t)和xj(t)，其能够被其他个体感知到的离散值为xoi(t)和xoj(t)，则两者之间的交互的观点仅在下列情况更新，其他情况下观点不会更新。如果Agenti感知到Agentj的观点，xi(t)和xoj(t)之间的观点距离小于d，即|xi(t) -xoj(t)|

若0≤xi(t)-xoj(t)

xi(t+1)=xi(t)-μ(t)*(xi(t)-xoj(t))

(2)

若0≤xoj(t)-xi(t)

xi(t+1)=xi(t)+μ(t)*(xoj(t)-xi(t))

(3)

与此同时，需要判断交互对方Agentj的观点xj(t)和xoi(t)之间的观点距离是否小于阈值d，即|xj(t)-xoi(t)|

xj(t+1)=xj(t)-μ(t)*(xj(t)-xoi(t))

(4)

若0≤xoi(t)-xj(t)

xj(t+1)=xj(t)+μ(t)*(xoi(t)-xj(t))

(5)

此外，收敛系数u(t)是社会转型与社会和谐参数的函数，如式(6)，其中，tf表示社会转型参数，它表示社会转型因素对个体观点更新的影响，影响了观点更新的收敛系数；sh表示社会和谐参数，它表示社会和谐程度对观点更新的收敛系数的影响系数。

u(t+1)=u(t)+(1-u(t))*(tf-sh+1)/2

(6)

2 网络舆情结构逆转仿真场景

在互联网背景下的舆情扩散中，潜在参与者Agent数为N，Agent的集合S为{A1,A2,…,AN}，Agent间存在异质性，一类是属于利益相关群体S1，另一类是利益无关群体S2，任意Agenti在t时刻的观点为xi(t) ∈[0,1]，i=1，2，…，N。当xi(t)= 0时，表示个体i完全反对，当xi(t)=1，则表示个体i完全支持，观点越趋于0，反对程度更高；越趋向于1，则支持程度越大。每个个体i的信任阈值为εi∈[0,1]。在初始每个个体受某种事件的推动而产生随机的观点xi(0)，t时刻Agent的观点集合为{x1(t),x2(t), …,xN(t)}，由于每个Agent个体都具有网络结构的嵌入性，因此每个Agent会在自己的局域网络中同其他Agent进行交互，这种交互行为依赖于Agent所处的网络环境，在网络环境下，信息的扩散更依赖于意见领袖等权威人物，因此将宏观的网络环境设置为无标度网络，该网络环境可以按无标度网络的生成算法。按照Roger的创新扩散的观点，观点扩散会受到大众传播与口头传播两种影响。Agenti会受到个体局域网络环境中临近Agent的类似于“口头传播”的微观交互效应，也会受到宏观上类似于“大众传播”的宏观综合效应来影响其下一时刻的观点xi(t+1)。

t时刻，Agenti会在网络中随机选择与其具有联系关系的Agent(如Agentj)进行交互，Agentj能够被其他Agent感知到的观点为xoj(t)，xoj(t)与xj(t)的转换关系如表1，按照Deffuant模型的有限信任原理，Agenti通过Agentj的感知观点xoj(t)与自身观点xi(t)，判断两者之间是否在Deffuant模型的阈值范围内，若在其中则相互吸引，否则互斥，以此完成Agenti与其他Agent交互的微观交互效应。同时，t时刻Agenti会受到宏观综合效应的影响，比如社会转型、社会和谐、政府应对舆情的策略等宏观因素的影响。按照此交互及时间t的推进，模拟每一时间t的Agent集的观点情况。对政府而言，当网络舆情在整个群体中较严重时，如Agent集合具有较高的平均观点，此时政府为控制网络舆情会采取一定策略以应对网络舆情，该策略与网络舆情的严重程度相关，能影响个体间交互的阈值，同样也能从宏观上影响Agent的宏观综合效应水平，政府对宏观舆情状况的策略会直接影响到个体的观点，并且这种策略对于利益无关者影响较大，直接可以降低Agent的观点甚至直接变为0表示不再关注该舆情，而利益相关群体的Agent受到的影响较小，进一步有可能会导致网络舆情的结构逆转现象。

在当今社会转型背景下，网络舆情扩散问题更加突出。社会转型的是结构转换、机制转轨、利益调整和观念转变。社会转型的主体是社会结构，它是指一种整体的和全面的结构状态过渡，而不仅仅是某些单项发展指标的实现。在仿真中设置社会转型参数，以突显社会转型的影响，显然社会转型影响着每个Agent的属性，也影响每个人在观点扩散时的行为。在社会转型时期，人们的行为方式、生活方式、价值体系都会发生明显的变化，这必定会影响到宏观的社会和谐，因此，社会转型与社会和谐具有一定的联系。社会和谐参数在网络上与线下的现实社会中存在不同的影响效果，网络上Agent之间是“互不见面”，网络的匿名性能够使得Agent更容易表达对不和谐的感受，使得这个社会和谐性在网络上的影响力被完全释放。因此，在此仿真中，着重考虑了社会转型与社会和谐的宏观影响力。社会转型及社会和谐参数会影响着Agent初始观点的分布。社会转型参数越大，观点分布越不均衡，社会和谐值越大，观点分布越趋于均衡。

3 Agent仿真设计

Agent表示在线网络上的网络舆情参与者，它具有自身的属性和行为。根据上述场景的描述及Deffuant模型及其改进，可设计Agent的属性及其交互规则。从微观个体Agent的属性与行为出发来探索网络舆情结构逆转，基于Deffuant有界信任模型，建立网络结构逆转的仿真模型。

3.1 Agent属性

观点xi(t)。Agenti自身的观点值。某种事件对Agent产生影响，使得Agent产生对此事件的观点，该观点传播到一定程度就形成了舆情，仿真场景中为了体现结构逆转，初始定义若干个体具有较高的观点值如0.9，以体现事件的影响，其他初始并未接触到该舆情，其观点值为0。

感知观点xoi(t)。Agenti能够被其他Agent所感知到的观点值，Agenti自身的观点不能被其他Agent感知到连续值，只能感受到一个离散值，该数值按照表1计算，Agentj可根据该感知观点值和自身观点值来看这两个值得差距是否在有界信任的阈值范围内，按照改进Deffuant模型的公式计算自身观点的变化。

异质性h。微观Agent的特征即为个体的异质性上，由于Agent异质性具有多种，但舆情相关与否的这种异质性对舆情传播产生实质而直接的影响，如与舆情相关的当事人Agent更具有传播该舆情的意愿。因此设置h取值0或1，表示其利益相关与否的异质性，取值1表示该Agent是该舆情相关者，可设置Agent的形状为“person”以图形化表示其为舆情相关者。

网络环境。线上的网络舆情扩散要快于线下社会舆情的扩散，原因在于网络结构的差异，在网络群体少数节点具有大量连接，多数节点具有较少连接，在线舆情在网络中的Hub节点的作用下快速扩散，如微博大V的影响，其网络结构更加呈现出无标度特性。Agent群体所嵌入的网络环境宏观上呈现无标度网络特性，因此需要生成无标度网络，本文按照NW无标度网络算法生成包含N个Agent的网络环境，在此无标度网络结构下，群体规模对扩散曲线的性状并没有根本影响，仿真中N取值1 000，如图2。根据此网络结构可计算每一Agent自身相关的网络属性，如度及中心性等。

信任阈值d。按照Deffuant模型的有限信任阈值，每个Agent具备自身具有该阈值，该阈值可设置每个Agent独特的自身属性，也可设置所有Agent具有相同的有限信任阈值，当相同的阈值表示一种总体平均意义上的阈值，与此也会衍生出每个Agent的收敛参数u(t)，即t时刻Agent更新观点的速率。

其他Agent属性。在仿真中用到较多的Agent属性，一类与Agent的图形化表示有关，如颜色color，大小size，形状shape等，如shape为“person”就表述其为舆情相关者；另一类表示在计算中可能用到的一些临时变量，如flag。以flag取值0或者1来表示该Agent是否已经进行过观点更新。

3.2 Agent行为集

舆情相关Agent的行为。舆情相关Agenti是利益相关者，参与舆情的积极性更高，更容易与其他Agent有共鸣，因此其在与其他Agent直接接触性交互时，有限信任阈值取值更大，也更有意愿推动舆情在群体的传播，也更容易被其他的Agent所影响，在阈值范围内，若观点增大时，收敛参数u(t)更大，观点增大的更快，但若观点减少时，利益相关的属性使得其观点减少的较慢，即收敛参数u(t)值较小。对Deffuant模型交互式的收敛参数进行修改：若0≤xi(t)-xoj(t)μs(t)。

舆情无关Agent的行为。舆情无关Agent的行为按照Deffuant模型，按照无标度网络环境，随机选择邻居Agent进行观点交互，若与邻居的感知观点相差不大，则按照Deffuant模型的收敛规则进行，其有限信任阈值及相关收敛参数都按照Agent自身属性值来计算。

宏观因素对Agent行为的影响。在t时刻，Agent行为都会受到宏观因素影响，主要有社会转型、社会和谐和政府舆情策略，会直接或间接影响Agent自身观点的更新；如政府舆情策略可以直接影响Agent自身的观点，舆情相关Agent在群体的网络舆情较严重时，源于政府舆情策略的严厉，并且由于策略的实施效果的有限性，我们设置该Agent按照某种概率被选择来减少自身的观点，并且对于不同异质性的Agent，政策效果也有差别，如利益相关者其观点减少的较少甚至产生对抗，而利益无关者则观点减少的更多甚至直接减少为0从而不再关注该观点。社会转型对Agent的观点影响则体现了一定的间接性，直观上来看，社会转型期，社会和谐程度低，社会矛盾多且容易激化，加之个体的网络的话语权增加，更容易产生网络舆情。因此，社会转型参数应该与网络舆情的发展正相关，而且这种影响是间接的，影响Agent交互时的相关参数，如Deffuant模型中的u(t)或d。

3.3 仿真参数

在仿真中，需要设置一些宏观的仿真参数和Agent自身的属性参数，一些宏观的参数如社会转型参数(st)、社会和谐参数(sh)、政府舆情策略参数(gp)、群体的异质性比例参数h、群体规模N等，一些微观的Agent自身属性参数如flag、xi(t)、xoi(t)、d、ui(t)。仿真计算实验中的这些需要设置的Agent的属性参数及仿真的宏观参数的默认值与相应的解释如表2所示。

3.4 算法流程

由上述的描述，归纳该仿真步骤包含：初始化、观点交互更新、宏观影响、Agent属性更新、判断群体观点是否稳定，若t时刻群体观点稳定，则仿真结束，输入相关的统计指标；若t时刻群体观点不稳定，则t=t+1，继续进行舆情观点的演化，由此循环直至群体观点达到稳定。具体的仿真流程图如图1所示。

表2 Agent属性及默认参数Tab.2 Agent properties and default parameters

图1 仿真流程图Fig.1 Simulation flow chart

4 仿真结果与分析

基于上述的仿真模型，使用NetLogo对网络舆情的观点动力学特征进行计算实验。首先对在线网络舆情的扩散结果分析，进而对网络舆情的社会转型度、社会和谐度和群体异质性对扩散的动力学过程的影响进行了计算实验。

4.1 仿真结果

线下社会舆情扩散网络主要体现小世界效应，而线上互联网的意见领袖的无门槛接触的特性，使得网络凸显无标度效应，无标度的扩散网络结构如图2所示，由于在线接触不充分的特征，使得Agent交互时感知的观点并非个体的准确的观点值，按照表1所示。在默认参数下，网络舆情扩散仿真结果如图3所示，图中明显出现了结构逆转现象，模型具有一定的解释力。图3显示，在仿真初期，群体中的Agent对于突发事件较快的拥有了初始的观点，随后较快的达到了观点的最高值，然后在政府管制的作用下，群体系统的平均观点快速衰减稳定态。网络舆情快速扩展到最高点后，继续快速的衰减到稳定态，结构逆转过程较快速。

图2 扩散网络结构Fig.2 The structure of diffusion network

图3 仿真结果Fig.3 Simulation result

由于无标度的网络结构，网络舆情扩散速度肯定快于线下的社会舆情扩散。无标度网络中的hub节点，即意见领袖在舆情扩散中的意义要远大于现实社会中的意见领袖，如微博中一些大V具有百万甚至上千万的节点，具有巨大的影响力，在自媒体时代的影响力也要远强于传统媒体。网络舆情具有爆发快速、快速结束的特征，短期内的舆情的快速发展引起公众舆论危机，对当权者存在一定的不利因素，任其发展会影响当权者的公信力，而公信力的降低会陷入“塔西佗陷阱”，此时无论相关部门如何发声也难以取信于民。网络舆情的扩散速度快、影响范围大，对公共管理部门的管理提出了挑战。这使得我们在对网络舆情的管控时，要从网络结构的视角，提出政策以应对网络舆情的扩散特征与冲击。社会舆情的扩散已经高度引起政府的关注和研究者的深入探索，而在网络时代、自媒体时代，网络舆情更需要引起政府的关注。

4.2 社会转型影响

社会转型无疑会对网络舆情的扩散产生影响，在默认条件下，并没有考虑社会转型度的影响，假定在其他参数不变，令社会转型参数st取值依次为0，0.3，0.6，0.9时，仿真结果如图4。图4显示，社会转型度参数的变化与否对于网络舆情的扩散性状并没有本质的影响，两者都是快速的增加到高点，然后衰减到稳定点，不同的是，具有较低水平的社会转型度的网络舆情扩散能快速达到稳定状态，而较高水平的社会转型度中的群体的网络舆情处于一种相对稳定的波动不大的状态。实质上，这其中存在本质的差别，默认结果下的稳定状态之所以呈现水平状态，原因在于只有根深蒂固的舆情相关者本身持有对事件的观点，其他Agent都处于不激活的状态，即不再关注该网络舆情，而后3个子图中的波动式的稳定，显示群体内对该网络舆情依然存在一定的关注，这种关注会在某种条件下重新产生舆情危机。虽然我们设置了较低的政府预警点，但依然可以从这两图的对比中可以看出，社会转型参数较大时，在舆情扩散初期会产生相对较大的舆情危机，且同一时期较大的参数具有相对高一些的平均观点。这说明，社会转型会影响网络舆情在群体内扩散的充分程度，更容易激发网络舆情，在社会转型期有关部门更要关注网络舆情的发展过程；不同于完全水平的稳定状态，社会转型的影响对于网络舆情有缓慢的结构逆转过程，因此在社会转型期需要对一直警惕网络舆情的发展。社会转型影响着社会和谐，不和谐的网络氛围更加容易产生网络舆情。网络舆情起源较小的导火索，但社会转型因素是网络舆情的根源之一，社会转型期的利益分配不均，很小的导火索也会引起网络舆情。

图4 社会转型参数的影响Fig.4 Effects of social transformation parameters

4.3 群体异质性影响

h是仿真群体的异质性比例参数，表示利益相关群体在整个网络群体中所占的比例，Agent在个体属性上存在舆情相关与否的差异，显然跟舆情无关者对比，舆情相关者对于舆情的推动更能起到作用。将h设置为0.1、0.3、0.6、0.9，与默认条件下的0.5的取值相比，结果如图5。图5结果显示，随着舆情相关群体者数量增多，网络舆情扩散程度更高，该值越大，网络中能达到的舆情最高点也越大，说明群体异质性比例对网络舆情的推动具有强烈的影响，但是把h取值0.9长期的仿真结果与取值0.1与0.5的仿真结果对比发现，这3个图在结构逆转点时具有类似的取值，即网络舆情结构逆转时群体的平均观点相差不大，这说明异质性比例参数使得结构逆转的过程变长，从而使得网络舆情长期在网络空间存在，但是，对结构逆转时的舆情扩散程度影响并不明显。这说明此参数对于舆情的长期存在具有明显的正向影响，利益相关群体在整个群体中占的比例越大时，则网络舆情越可能在一个极高的扩散程度上长期存在。整个网络群体中利益相关者越多，会推动网络舆情的不断扩散，会影响网络舆情结构逆转的进程。因此，在网络舆情的监测预警时，需要关注群体的规模，特别是其中利益相关群体的规模大小，利益相关群体的规模大，即使政府采用一定的管控措施，也会使得群体观点的一致性过程变长，结构逆转的过程会较长，这要求政府有关部分在网络舆情中需要重视该参数的影响。

图5 异质性参数的影响Fig.5 Effects of heterogeneity parameter

4.4 讨论及启示

仿真实验结果显示了网络舆情的结构逆转现象，表明网络逆转模型具有一定的解释能力。网络舆情结构逆转现象在真实的网络舆情事件中随处可见，观点在网络上的扩散，扩散影响范围大、影响程度高，都可能会引起网络舆情，乃至出现结构逆转现象。现实中导致网络舆情逆转的根源有以下因素，首先，政府出于对网络舆情的预警与监控。网络舆情的扩散时，当在网络群体中扩散较高时，此时网络自媒体具有了舆论导向作用，可能会挑战政府的公信力，政府常采取信息披露或公开声明等措施，会产生舆论导向的反转，从而产生舆情结构逆转现象；如“80后白发书记”的事件[34]，其白发苍苍的面貌引发了网民对“年龄造假”的强烈质疑，在云南楚雄州政府新闻办进行信息披露后，网络舆情结构逆转快速完成。其次，网络自媒体报道失实或选择性的报道。网民在掌握话语权的网络空间里有了肆意评论和发声的权力，且多数网民不具备去伪存真的信息辨识能力，网络媒体的失实报道，如2018年的“重庆万州公交坠江”事件[34]，媒体的失实报道导致小轿车女司机被千夫所指，在真实的信息报道之后，产生网络舆情结构逆转。

网络舆情的扩散速度要快于线下的社会舆情的扩散，源于网络结构上的差异，互联网空间的群体网络呈现无标度特性，而真实世界呈现小世界效应，根据复杂网络理论，无标度网络的节点免疫需要针对影响力大的节点进行免疫，这使得在网络舆情扩散时，需要关注核心节点或意见领袖，可利用社会网络分析方法，分析网络的核心节点或意见领袖，以此针对性的实施防护措施，这也是网络舆情“微博大V集体失声”的主要原因。群体中利益相关者越多，会推动网络舆情的涌现，越会影响结构逆转的进程，此时即使采用相关措施也会使得结构逆转的过程较长。这需要在网络舆情的监测预警时，要关注相关群体的诉求，影响这类群体，要对这类群体采取针对性的“分而治之”措施，以减少其群体规模。

网络舆情结构逆转中，螺旋式发展倒逼出事实与真相，所投射的社会深层问题仍不容忽视。我国近年来的剧烈的社会转型，对当前的社会和谐也产生剧烈影响。网络新媒体的传播特征造成了网民的认知偏差，公众非理性情绪涌向网络，社会转型带来的社会分化刺激了网络舆情的产生。从仿真来看，社会转型对网络舆情扩散具有明显的影响作用，而社会转型影响着社会和谐。社会转型度越低，社会更加和谐，网络中不会充斥更多的偏激人群，网络舆情越不容易发展。这对公共管理者提供了宏观角度的思考，网络舆情虽然可能源于较小的导火索，但宏观的社会转型因素，可能是网络舆情产生的根源。社会转型期的利益分配不均，社会矛盾加剧，引起社会和谐程度降低，“仇权仇富”者比比皆是，很小的导火索也会点燃整个网络空间。因此，在社会转型期更需要关注网络舆情发生及发展过程。需要选择高效的舆情发掘与分析方法，避免小的事件发展为社会热点事件，在管理过程中也要高效的应对，如避免过多的请示。

5 结论

本文研究网络舆情扩散中的结构逆转，基于Deffuant有界信任模型，对网络舆情的结构逆转以微观视角进行分析，从网络空间的个体感知观点和社会转型等方面对Deffuant模型加以改进，建立本文的网络舆情结构逆转模型，并进行了仿真计算及相关参数的敏感性分析。仿真实验显示，该模型对网络舆情结构逆转现象具有一定的解释能力，社会转型因素影响着社会和谐，进而影响网络舆情的结构逆转，社会转型程度会严重影响网络舆情扩散及其结构逆转，能延长舆情结构逆转过程。网络群体的异质性也会影响到舆情扩散的充分程度及其结构逆转的过程，如群体中利益相关者越多，越会影响结构逆转的进程，此时即使采用相关措施也会使得结构逆转的过程较长。

相关部门需要关注核心节点或意见领袖；也要关注影响社会转型时期的社会矛盾及社会分化，这些都会影响整个网络空间的社会和谐，减少网络舆情发生的可能；相关部门要重视利益群体，有针对性的满足相关群体的需求，采取分化的措施，合理的转化利益群体。政府要发挥网络舆情监测主导作用，实时追踪舆论走向，在信息公开中实现与网民的良性互动，以提升政府的公信力。网络媒体需优化内部运行机制以有效的自身监管，充分发挥“把关人”作用，关键时刻需及时发声。针对网络舆情结构逆转，在理论模型上要更深入，本文基于经典Deffuant模型，但一些新模型可能也具有解释力，如J-A模型等；同时也需要结合机器学习及大数据技术对网络舆情监测与预警，以探索舆情结构逆转模型的实际应用。