复杂网络上的舆情演化模型研究现状与展望
钱亚飞
（西华大学计算机与软件工程学院，成都610039）
摘要： 随着多媒体技术的不断发展，网络舆情对社会的影响也越来越大。复杂网络的出现给舆情演化模型提供很大的理论支持，目前大多数舆情演化模型都是基于复杂网络构建的。梳理复杂网络上的一些主流舆情演化模型，阐述其优缺点。随后对复杂网络上舆情演化模型的研究进行总结并预测未来的发展趋势。
关键词： 社会网络；舆情演化；复杂网络
0 引言
近年来，在飞速发展的互联网的带动下，各种各样的社交平台给广大网民提供了很多的开放式的交换意见的平台。根据《中国互联网发展状况统计报告》显示，当前中国网民数量已经超过8.3 亿人，当很多谣言或者是舆论在如此巨大的网络流量中传播时，相比传统的社会网络如今的复杂网络系统传播舆情的范围会更加的宽广，对社会的和谐稳定会产生更大的影响。因此，探索舆情在复杂网络系统中的网民传播舆情演化的规律来为相关监管部门提供理论的一些指导这一研究趋势成为了广大国内外学者的研究方向。20 世纪末，Watts[1]发现大千世界中的复杂系统都有类似的网络拓扑结构属性，其中最突出的就是一个节点经过几步就可以到达另外一个节点，于是用“六度分离”理论构建了小世界网络模型。Watts[2-3]在规则网络的基础上建立了WS 小世界模型和NW 小世界模型。在这之后复杂网络上最重要的发现当数无标度网络的发现，Barabasi 和Albert[4]发现复杂网络系统中都具有“增长”和“优先链接”的特点，而且证明了互联网、电网等网络都具有这个特性，这使得对网络模型的研究从以前的静态模型转到了动态的演化。但是随着现实复杂系统的发展，无标度网络已经不足以描述现实的网络，于是Yook S H[5]在无标度网络的基础上衍生出了加权无标度网络，它可以很好地描述各连接边之间的异质性。
随着Web2.0 时代的到来，各类的舆情传播变得更加的复杂多变，伴随着复杂网络理论的飞速发展，很大程度使得舆论方面的研究得到很好的发展。从最早的个体行为传播到集体活动的演化，很多的经典动力学模型都和复杂网络模型结合起来，产生了很多经典的舆情传播模型。
1 复杂网络上的舆情演化模型研究现状
国内外学者结合社会学、社会心理学、计算机科学以及统计物理和管理学等方面的学科背景，对观点之间的交互以及观点的形成有了很深的研究，提出了很多经典的理论模型，给后面的研究起了很大的作用。现有的复杂网络上的舆情演化模型大多数都是从观点形成是怎样引起舆情传播以及在达到一个什么样的度的时候观点传播会上升为舆情。下文将着重分析当前主流的舆情研究模型的一些优缺点。
1.1 元胞自动机模型
基元胞自动机（CA），是一个离散的数学模型，最早根据设定好的更新规则然后给每个元胞赋值决定其状态来研究生物的繁殖。Sakoda[6]用元胞自动机模型来研究了二战之后的美国的一个搬迁中心的疏散过程，这也就成了元胞自动机在社会科学领域的开端。Alves[7]把元胞自动机应用在投票模型中，他认为选民会根据新闻媒体的报道以及知识的更新来改变自己的意向。方薇[8]把细胞坚定性的特点用在了遍历移动细胞的传播模型。戴建华等人[9]将观点的倾向力和顽固力这两个模糊的规则和元胞自动机相结合，建立了模糊规则下网络舆情的传播模型。
小学教师在开展语文教学的过程中，要想将小组合作的效用展现出来，师生间的密切配合，往往是必不可少的。至此，在这其中，教师一定要充分地发挥出自身的效用，来辅助学生找寻角色定位，使学习目标得到进一步地明确，保障小组合作的顺利开展，使每位学生都有所收获，将该模式的效用展现出来。
木工机械行业目前面临的主要挑战之一是产品个性化，制造商要在和批量生产相同的周转、盈利能力和效率限制下交付定制产品，面临着很大的压力。汉诺威国际林业木工展览会的参展商将在2019年5月展示应对这些挑战的解决方案。LIGNA展会是国际木工行业的创新市场，此届展会涵盖了以下三大主题：
1.2 多数决定模型
Sznajd 模型是Sznajd-Weron[22]提出的一个观点动力学模型，因为其对社会网络领域做出相当大的贡献，所以后来学者们将其称为Sznajd 模型。Sznajd 认为个体观点取值只要两个并且只会和邻居进行交互，在交互的过程中有的个体会采取邻居的策略，基本更新规则就是个体的观点受社会中邻居的影响而且邻居中观点相同的人更容易说服另外的人。Bonnekoh[23]用Sznajd 模型在BA 无标度网络上建立了舆情演化模型，得出在舆情机制开始后，新加入的个体对舆情走向不会产生很大的影响。Stauffer[24]将该模型推广到了二维链中，更加合适地描述了社会网络。
Galam 模型能直观地看出复杂网络的演化过程，可以通过控制初始网络中网民的偏好来控制舆情走向，使其往好的方向发展。但是由于现实生活中人们的知识水平层次不齐，所以也仅仅是提供了理论的支撑，并不能很好地运用于现实生活中。
1.3 Ising模型
有界信任模型（Bounded Confidence Model）[16]是将观点值刻画成连续的区间。因为现实生活中我们的观点不仅仅是赞成或者反对这样极端，可能会有多种选择。按照社会网络的网民交互的实际情况来看，只有状态类似的网民才会产生交互，于是引入了连续态度模型。这类模型最为经典的当数Hwgselmann[17]和Krause 提出的HK 模型和Deffuant[18]提出的D 模型，这二者都将个体观点抽象成连续的实数，然后设定一个阈值，通过邻居观点的值来和阈值比较如果大于阈值则按照规则交互如果低于阈值则不交互。
但是庞大的互联网社区随着规模的增加这种逐一比较其他观点与自身观点的区别操作起来相对复杂，这也就导致很难与其他用户之间的观点交互。
虽然Sznajd 模型在舆情传播领域有了很深的应用，但是考虑的社会特性并不是很多。很多模型都仅仅是建立在理论基础上，然后数据仿真，并没有拿到真实数据集中去检验。所以后来才将说服力[25]和局部意见机制[26]来研究观点传播的过程。
1.4 有界信任模型
Ising 模型，又叫伊辛模型，最早是在物理学领域用+1 或-1 来表示磁铁的两极，然后研究铁磁物质相变的过程。因为在舆情传播中，我们的个体观点也是二值观点，+1 表示支持，-1 表示对立，观点的取值受到邻居的影响，所以Ising 模型被广泛用于观点传播中。Pekalski[13]研究了其在小世界网络中的温度相变。Bartolozzi 等人[14]用Ising 模型发现了BA 无标度网络上的观点传播的时间序列近似于高斯分布。Grabowski[15]把网民的空间位置以及社交关系考虑进来再结合BA 无标度网络结构构建了意见形成模型。该模型认为个体的权威性可以有影响力来决定。
街道名称作为旅游城市语言景观的重要组成部分很容易随着时代发展和城区改扩建而发生变化甚至是消亡。所以政府对现存不多的能够体现潍坊历史发展和民俗风情的街道名称郭宅街、十笏园街、北马道街、奎文门街、鸢飞路等要予以坚定地保护。
1.5 Sznajd模型
多数决定模型（Majority Rule Model），该模型的核心思想就是少数服从多数。每次迭代之前将邻居中大多数人的意见作为自己观点，也就是网民在选择某个观点的可能性与其邻居中保持该观点的人数是成正比的。经常用多数决定模型来研究投票或者辩论的意见传播。在所有的多数决定模型中，最为出名的莫过于Galam 模型。Galam[10]用Ising 模型模拟选举过程，其认为网络的初始状态的状态对最终的观点演化方向有很大的影响。Stauffer[11]把该模型的传播规则变为点阵扩散，建立了观点演化模型。陈福集等人[12]把观点的动态变化变量用该模型来研究了舆情演化机制。
元胞自动机最大的特点就是个体的态度确定以及交互规则简单，所以得到了广大学者的喜爱。但是也正是因为这种情况，使得它很难适合当今的复杂的社会网络，不能更加深入地探讨复杂系统中人们之间的交互。
虽然Ising 模型应用起来有很大的局限性，但是它是舆情演化模型的开端，对舆情演化领域的研究有着很大的推动作用。后来的Aznajd 以及Galam 模型都是在该模型的理论基础上演化过来的。
2 复杂网络上舆情演化模型研究总结及发展趋势
通过对文献的梳理，我们不难发现复杂网络上的舆情演化模型可以分为两大类，一是离散的观点模型，也就是把所有的观点都限制在二值观点内，要么赞成要么反对。这种模型可以很好地解释二进制观点可以描述的问题，而且个体也没必要了解以前的观点。但是社会网络中观点的表达并非如此简单。因为人们的观点可能在两者之间，有很多种程度，所以出现了第二类观点演化模型，也就是连续观点模型。二者都为观点传播学提供了很好的理论依据，都产生了很多经典的模型。
现代观赏石的审美理念突破了古典观赏石的局限性，其审美标准被界定为：形、质、色、纹、韵及命名、配座、传承八大要素，极大地扩展了观赏石的现代审美范畴，适应了人们对观赏石文化的多元化需求，在新的观赏石标准里，色彩成了重要的审美元素。
当前网络舆情的研究主要就是用经典理论为基础然后用仿真软件进行仿真，很少用现实的舆情事件的数据集来验证模型的有效性，当前大型社交网络非常多但是数据集的获得确实相当的困难，所以以后的研究应该更多的建立在真实的数据集上借助数据挖掘技术获得大量实例然后再和理论相结合。其次网络舆情的研究注定不是单一的学科研究，我们必须将社会学、心理学、物理科学、管理科学等学科有机的结合起来才能很好地研究社会网络这个复杂系统。最好在有了很多的传播规律的基础上我们更应该对于舆情的预测以及引导有一个更深的研究。
参考文献：
[1]Watts D J，Strogatz S H.Collective Dynamics of Small World Networks[J].Nature，1998，393（6684）:440-442.
[2]Watts D J.Networks，Dynamics，and the Small-World Phenomenon[J].American Journal of Sociology，1999，105（2）:1-10.
[3]Newman M E J，Watts D J.Scaling and Percolation in the Small-World Network Model[J].Physical Review E，1999，60（6）:7332-7342.
[4]Barabasi A L，Albert R.Emergence of Scaling in Random Networks[J].Science，1999，286（5439）:509-512.
[5]Yook S H，Jeong H，Barabasi A L，et al. Weighted Evolving Networks[J]. Physical Review Letters，2001，86（25）:5835.
[6]Sakoda J M.The Checkerboard Model of Social Interaction[J].The Journal of Mathematical Sociology，1971，1（1）:119-132.
[7]Alves S G，Oliveira Neto N M，Martins M L.Electoral Surveys'Influence on the Voting Processes:a Cellular Automata Model[J].Physica A:Statistical Mechanics and its Applications，2002，316（1）:601-614.
[8]方薇，等.采用元胞自动机的网络舆情传播模型研究[J].计算机应用.2010，30（3）:751-755.
[9]戴建华，杭家蓓.基于模糊规则的元胞自动机网络舆论传播模型研究[J].情报杂志，2012，31（7）:16-20.
[10]Galam S.Sociophysics:A Review of Galam Models[J]. International Journal of Modern Physics C，2008，19（03）:409-440.
[11]Stauffer D，Sa Martins J S.Simulation of Galam's Contrarian Opinions on Percolate Lattices[J].Physica A:Statistical Mechanics and Its Applications，2004，334（3）:558-565.
[12]陈福集，李林斌.G（Galam）模型在网络舆情演化中的应用[J].计算机应用，2011（31）12:3411-3413.
[13]Pekalski A.Ising Model on a Small World Network[J].Physical Review E，2001，64（5）:57-104.
[14]Bartolozzi M，Leinweber D B，Thomas A W. Stochastic Opinion Formation in Scale-Free Networks[J].Physical Review E，2005，72（4）:46-113.
[15]Grabowski A，Kosiński R A. Ising-based Model of Opinion Formation in a Complex Network of Interpersonal Interactions[J].Physica A:Statistical Mechanics and Its Applications，2006，361（2）:651-664.
[16]Fortunato S，Latora V，Pluchino A，et al.Vector Opinion Dynamics in a Bounded Confidence Consensus Model[J].International Journal of Modern Physics C，2005，16（10）:1535-1551.
[17]Hegselmann R，Krause U.Opinion Dynamics and Bounded Confidence Models，Analysis，and Simulation[J].Journal of Artificial Societies and Social Simulation，2002，5（3）:96-104.
[18]G.Weisbuch，G.Deffaunt，F.Amblard and T.Faure[J].Journal of Artificial Societies and Social Simulation，2002，5（4）:1.
[19]Sznajd-Weron K，Sznajd J.Opinion Evolution in Closed Community[J]. International Journal of Modern Physics C，2000，11（6）:1157-1165.
[20]Bonnekoh J. Monte Carlo Simulations of the Ising and the Sznajd Model on Growing BARABASI-Albert Networks[J]. International Journal of Modern Physics C，2003，14（9）:1231-1235.
[21]Stauffer D，Sousa A O，de Oliveira S M. Generalization to Square Lattice of SZNAJD Sociophysics Model[J]. International Journal of Modern Physics C，2000，11（6）:1239-1245.
[22]Crokidakis N，Forgerini F L. Consequence of Reputation in the Sznajd Consensus Model[J]. Physics Letters A，2010，374（34）:3380-3383.
[23]Crokidakis N.The Influence of Local Majority Opinions on the Dynamics of the Sznajd Model[J].preprint，2013（12）:25-50.
Current Status and Prospects of Research on Public Opinions Evolution Models on Complex Networks
QIAN Ya-fei
(School of Computer and Software Engineering,Xihua University,Chengdu 610039)
Abstract: With the continuous development of multimedia technology, the influence of online public opinions on the society is also growing. The emergence of complex networks provides a great theoretical support for the public opinion evolution model. At present, most of the public opinions evolution models are based on complex networks. Combs some mainstream public opinion evolution models on complex networks and expounds their advantages and disadvantages. Then, summarizes the research on the public opinions evolution model on the complex network and predicts the future development trend.
Keywords: Social Network；Opinion Evolution；Complex Networks
文章编号： 1007-1423（2019）22-0043-04
DOI： 10.3969/j.issn.1007-1423.2019.22.009
作者简介：
钱亚飞（1993-），男，陕西汉中人，硕士，研究方向为舆情演化
“多个管理闭环、包括药品管理闭环，以及医联体建设和诊疗一体化闭环的实现，将是医院未来三到五年的发展目标。”张伟表示，唯此，南大一附院才能向着“十三五”计划和打造区域医疗中心目标，踏实、稳进地前进。
收稿日期： 2019-06-25
修稿日期： 2019-07-09
标签：社会网络论文; 舆情演化论文; 复杂网络论文; 西华大学计算机与软件工程学院论文;