网络舆情结构逆转建模与仿真：基于改进Deffuant模型
于同洋1，肖人彬2，侯俊东3
(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)
摘要： 社会舆情从现实社会转移到网络空间，导致网络舆情事件的出现。网络舆情扩散使得群体舆论的支持与反对力量对比反转，最终改变利益集团最初的决策，该现象称为网络舆情结构逆转。为了探索这种现象背后的复杂系统机制，本文基于Deffuant模型建立了网络舆情扩散的结构逆转模型，该模型从两个方面对Deffuant模型改进，一是将个体自身的观点值转化为交互时的感知值，将连续观点的模型转化为离散观点模型，二是引入宏观的社会转型因素的影响。仿真结果显示，社会转型因素正向地影响网络舆情扩散，社会转型程度高，网络舆情结构逆转时的舆情扩散程度更高；群体异质性水平正向地延缓网络结构逆转现象，利益群体规模越大，网络舆情结构逆转越难以完成。本文提出的模型能一定程度上解释网络舆情扩散的结构逆转现象，可以为实践中网络舆情的管控提供理论参考与决策支持。
关键词： 网络舆情；结构逆转；扩散；Deffuant模型
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。
社会舆情演化存在于舆情发生、变化和终结等过程，Neumann提出沉默的螺旋理论来揭示舆论的演化机制[2]。互联网的特征使得网络舆情的演化具有新的特征和规律[3
4]，网络舆情扩散即为观点在网络群体的扩散行为。经典扩散理论以SIR、SIS和SEIQ等传染病模型[5]和谣言扩散模型[6]，传染病模型不能表达出舆情扩散的所有特征[7]。如果需要从微观视角来对社会个体状态的动态变化探索时，采用多智能体系统模型[89]更有效。早期观点动力学模型方法[10]假设简单都是服从线性动力系统，复杂性科学的兴起，以社会网络[11]和社会动力学为工具致力于舆论演化模型的建立，非线性舆论动力学模型不断被提出，计算机仿真成为研究非线性舆论动力学的主要方法[1213]。
近年来，泸州市食品药品监管局紧紧围绕习近平总书记“四个最严”要求，坚决贯彻落实“四有两责”，抓基层打基础，积极探索监管新方法、新举措，稳步推进国家食品安全城市创建工作，对食品药品安全违法行为“零容忍”，有力保障了群众饮食用药安全。先后荣获四川省食品药品监管系统先进集体、四川省学法用法示范单位、泸州市2015年度目标考核一等奖等80项荣誉。
观点动力学是针对舆论在社会网络中传播、形成等演化过程研究的社会动力学。观点动力学模型可按照观点的类型分为离散模型和连续模型，离散是指将观点建模成离散的整数值，连续是指将观点建模为区间内的连续实数值。离散模型多采用离散的整数值对观点进行建模，如以0、+1和-1来表示观点中立、支持和反对。离散模型包括Ising模型[1415]、Sznajd模型[1617]、多数决定模型[18]等。离散模型在处理现实社会的连续观点倾向时存在困难，需建立新的方法来阐述连续观点的舆论演化机理[19]。连续观点模型以Krause和Hegselmann的KH模型[2021]和Deffuant与Weisbuch[2223]的Deffuant模型这两类有界信任模型为代表，有界信任规则是指个体观点之间的差异必须小于或等于某一特定阈值，个体才会进行交互。HK模型中观点为同步更新，其扩展模型集中在信任阈值[24]、非线性观点更新规则[19]、个体信任阈值的异质性[2526]、意见领袖[27]等方面。Deffuant模型也有许多扩展及改进，如观点分布[28]、交互行为规则[2930]、外界环境影响[31]及群体异质性[3233]等方面。
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
那10个月中，我每天沉浸在读书中，从余华的《活着》《许三观卖血记》，到余秋雨的《文化苦旅》《霜冷长河》，沈从文的《湘行散记》《边城》等等，我用这种沉默的方式，熬过了那段最灰暗、最心酸的岁月。
(1)
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。
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
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x i (t )和x j (t )，其能够被其他个体感知到的离散值为xo i (t )和xo j (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，x i (t )和xo j (t )之间的观点距离小于d ，即|x i (t ) - xo j (t )|<d 时，则Agenti 下一时刻观点x i (t +1)的更新方式如式(2)和(3)。
1.2.2 改进Deffuant模型
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。
若0≤x i (t )-xo j (t )<d ，
x i (t +1)=x i (t )-μ (t )*(x i (t )-xo j (t ))
(2)
南北朝时期社会政治环境的变化引起文学观念的多样化，南北朝的乐府诗也得到迅速发展，由于地域差异，南北朝民歌呈现出不同的风格与内涵：北方质朴高亢，多表现社会动乱与人民生活；南方清绮缠绵，更多地展现劳动人民真挚细腻的感情生活。北朝文学较之南朝文学相对落后，但出现了北魏孝文帝等有战略眼光的少数民族统治者实行政治、经济、文化等改革，加快少数民族封建化进程，并与汉族贵族紧密结合，使得少数民族不同程度上受到汉文化传统的熏陶，其文学艺术得到发展，形成自己的特色。
x i (t +1)=x i (t )+μ (t )*(xo j (t )-x i (t ))
(3)
与此同时，需要判断交互对方Agentj 的观点x j (t )和xo i (t )之间的观点距离是否小于阈值d ，即|x j (t )-xo i (t )|<d 时，若0≤x j (t )-xo i (t )<d ，
x j (t +1)=x j (t )-μ (t )*(x j (t )-xo i (t ))
(4)
若0≤xo i (t )-x j (t )<d ，
律师调解制度的设立是完善我国诉讼制度和律师制度的一项重要改革及创新，是实现繁简分流、快速高效的司法制度改革目的的必然要求，有利于形成社会矛盾多元化解机制，促进社会和谐与进步。律师调解试点遇到各种问题，既是正常现象也是试点本身的价值所在。要推进律师调解工作深入开展，需要及时总结试点经验和不足，转变现有工作模式，建立与律师调解工作实际相适应的制度，甚至在更高层面推动制度化规范化建设，完善相关立法工作，从而发挥律师调解在矛盾纠纷化解中的更大作用。
从模型1和模型2可知,导师指导能力与研究生学术认知程度显著正相关,但是与研究生学术动机强度的相关性并不显著,因此H2a得到支持,H2b并未得到支持。导师学术水平对研究生的学术感知力的各个维度(学术认知程度、学术动机强度)表现出显著的正相关关系,因此H2c和H2d得到支持。导师人格魅力与研究生学术认知程度的相关性不显著,导师人格魅力与研究生的学术动机强度有着正的相关关系,H2e得不到支持,H2f得到支持。
x j (t +1)=x j (t )+μ (t )*(xo i (t )-x j (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{A 1,A 2,…,A N }，Agent间存在异质性，一类是属于利益相关群体S 1，另一类是利益无关群体S 2，任意Agenti 在t 时刻的观点为x i (t ) ∈[0,1]，i =1，2，…，N 。当x i (t )= 0时，表示个体i 完全反对，当x i (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ε i ∈[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x i (0)，t 时刻Agent的观点集合为{x 1(t ),x 2(t ), …, x N (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x i (t +1)。
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。
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xo j (t )，xo j (t )与x j (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xo j (t )与自身观点x i (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。
3.1.3 采取集体备课，案例设计集思广益 基于临床实际的教学案例并不是完全的拿来主义，规范的案例设计应通过教师集体备课完成，将收集的复杂临床病例资料按教材内容和岗位任务进行梳理，使案例经过集体讨论补充与修改简单化、完整化，保证其篇幅、难度与教学相适应，且知识点全面，主次分明，设计的案例问题能导出并围绕当次课程内容。另外，对教学大纲要求和案例中涉及的需要学生实践的操作技术，在集体备课中首先进行教师间的预演，进一步讨论确定需要学生提前预习的知识与技能，估算教学所需时间，评价模拟脚本是否符合逻辑及临床实际，以更有利于教师掌控教学节奏。
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。
若0≤xo j (t )-x i (t )<d ，
t 时刻从N 个个体中随机选择Agenti 和j ，其观点值分别为x i (t )和x j (t )，如果x i (t )和x j (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x i (t )和x j (t )之间的观点的距离小于d ，即|x i (t ) - x j (t )|<d 时，则这两者t +1时刻的观点x i (t +1)和x j (t +1)更新按式(1)。
3.1 Agent 属性
观点x i (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xo i (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。
其中，μ ∈(0,0.5]为收敛参数。Agenti 在t时刻的观点x i (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。
国家医保局、财政部、国务院扶贫办日前印发《医疗保障扶贫三年行动实施方案（2018-2020年）》，方案明确，到2020年，农村贫困人口全部纳入基本医保、大病保险和医疗救助保障范围，农村贫困人口医疗保障受益水平明显提高。
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≤x i (t )-xo j (t )<d ，x i (t +1)=x i (t )-μ b (t )*(x i (t )-xo j (t ))，μ b(t )为Agenti 观点增大时的收敛参数；若0≤xo j (t )-x i (t )<d ，x i (t +1)=x i (t )+μ s (t )*(xo j (t )-x i (t ))，μ s(t )为Agenti 观点减少时候的参数，μ b(t )>μ s(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 、x i (t )、xo i (t )、d 、u i (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。
（3）大规模试验工程。目前，生物能源的炼制工艺已逐步完善，但还集中在实验室水平。需要建立大规模的试验工程来检验实验室的研究成果，并从中发现实际问题，进一步解决问题，便于未来微藻生物能源的工业化应用。
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。
周妈的遗像摆在矮柜上，前面还放着一个玻璃瓶，周泽赡（小）踮起脚尖正要把鲜花插在玻璃瓶里，手不小心挡了一下瓶子，瓶子啪的一声，连同鲜花掉在了地上。
5.由于国家对无形资产研发支出资本化和费用化的规定不够清晰明确，企业通过将研发支出资本化来平滑企业利润是一种更为隐蔽的手段，既能够保障账面价值的稳定增长，赢得投资者满意，又能够带来一定的利润增长。因此可得出结论，盈余比前一年下降的企业更愿意将研发支出资本化。
(2)岚弟,你不以为我残暴么?打狼不能用打狗的方法的,你看,这位妇人为什么病了?从她底呓语里可以知道她病底根由。
参考文献:
[1] Huang C, Hu B, Jiang G, et al. Modeling of agent-based complex network under cyber-violence[J]. Physica A Statistical Mechanics & Its Applications, 2016, 458: 399-411.
[2] Noelle-Neumann E. The spiral of silence a theory of public opinion[J]. Journal of Communication, 1974, 24(2): 43-51.
[3] Vande K C, Martin S, Gend P, et al. Modelling influence and opinion evolution in online collective behaviour[J]. Plos One, 2016, 11(6): e0157685.
[4] Jia P, Mirtabatabaei A, Friedkin N E, et al. Opinion dynamics and the evolution of social power in influence networks[J]. Siam Review, 2015, 57(3): 367-397.
[5] 朱张祥, 刘咏梅. 在线社交网络谣言传播的仿真研究——基于聚类系数可变的无标度网络环境[J]. 复杂系统与复杂性科学, 2016, 13(2): 74-82.
Zhu Zhangxiang, Liu Yongmei. Simulation study of propagation of rumor in online social network based on scale-free network with tunable clustering[J]. Complex Systems and Complexity Science, 2016,13(2): 74-82.
[6] Xiao R B, Yu T Y. A multi-agent simulation approach to rumor spread in virtual community based on social network[J]. Intelligent Automation & Soft Computing, 2011, 17(7): 859-869.
[7] Dechêne A, Stahl C, Hansen J, et al. The truth about the truth: a meta-analytic review of the truth effect[J]. Personality & Social Psychology Review, 2010, 14(2): 238-257.
[8] Parsegov S E, Proskurnikov A V, Tempo R, et al. Novel multidimensional models of opinion dynamics in social networks[J]. IEEE Transactions on Automatic Control, 2017, 62(5): 2270-2285.
[9] Vicsek T, Czirók A, Ben-Jacob E, et al. Novel type of phase transition in a system of self-driven particles[J]. Physical Review Letters, 1995, 75(6): 1226.
[10] Friedkin N E, Johnsen E C. Social influence network theory: social positions in influence networks[J]. Social Networks, 2011, 19(3): 209-222.
[11] Albi G, Pareschi L, Zanella M. Opinion dynamics over complex networks: kinetic modelling and numerical methods[J]. Kinetic and Related Models, 2017, 10(1): 1-32.
[12] Castellano C, Fortunato S, Loreto V. Statistical physics of social dynamics[J]. Review of Modern Physics, 2007, 81(2): 591-646.
[13] Monica S, Bergenti F. Opinion dynamics in multi-agent systems: selected analytic models and verifying simulations[J]. Computational and Mathematical Organization Theory, 2017, 23(3): 423-450.
[14] Galam S, Gefen Y, Shapir Y. Sociophysics: a new approach of sociological collective behaviour. I. mean‐behaviour description of a strike[J]. Journal of Mathematical Sociology, 1982, 9(1): 1-13.
[15] Galam S, Moscovici S. Towards a theory of collective phenomena: consensus and attitude changes in groups[J]. European Journal of Social Psychology, 2010, 21(1): 49-74.
[16] Sznajd-weron K. Opinion evolution in closed community[J]. International Journal of Modern Physics C, 2000, 11(6): 1157-1165.
[17] Sznajd-weron K. Sznajd model and its applications[J]. Acta Physica Polonica, 2005, 36(8): 2537-2547.
[18] Galam S. Minority opinion spreading in random geometry[J]. The European Physical Journal B-Condensed Matter and Complex Systems, 2002, 25(4): 403-406.
[19] Zhu Y Y, Wang Q Q, Li W, et al. The formation of continuous opinion dynamics based on a gambling mechanism and its sensitivity analysis[J]. Journal of Statistical Mechanics-Theory and Experiment, 2017, 9(9): 093401.
[20] Krause U. A discrete nonlinear and non-autonomous model of consensus formation[C]∥Elaydi S, Ladas G, Popenda J, et al. Communications in Dierence Equations, Amsterdam: Gordon and Breach Science Publishers, 2000: 227-236.
[21] Hegselmann R, Krause U. Opinion dynamics and bounded confidence models, analysis and simulation[J]. Journal of Artificial Societies and Social Simulation, 2002, 5(3): 2.
[22] Weisbuch G, Deffuant G, Amblard F, et al. Meet, discuss, and segregate![J]. Complexity, 2017, 7(3): 55-63.
[23] Deffuant G, Neau D, Amblard F. Mixing beliefs among interacting agents[J]. Advances in Complex Systems, 2000, 3(1-4): 87-98.
[24] 赵奕奕, 寇纲, 彭怡, 等. 群体性突发事件中非一致信任水平舆论传播建模与分析[J]. 系统工程理论与实践, 2012, 32(5): 971-976.
Zhao Yiyi, Kou Gang, Peng Yi, et al. On modeling and analysis of opinion formation with heterogeneous confidence levels for emergences[J]. Systems Engineering-Theory & Practice, 2012, 32(5): 971-976.
[25] Mirtabatabaei A, Bullo F. opinion dynamics in heterogeneous networks: convergence conjectures and theorems[J]. Siam Journal on Control & Optimization, 2011, 50(5): 2763-2785.
[26] Shang Y L. An agent based model for opinion dynamics with random confidence threshold[J]. Communications in Nonlinear Science and Numerical Simulation, 2014, 19(10): 3766-3777.
[27] Wongkaew S, Caponigro M, Borzi A. On the control through leadership of the Hegselmann-Krause opinion formation model[J]. Mathematical Models & Methods in Applied Sciences, 2015, 25(3): 565-585.
[28] Shang Y. Deffuant model with general opinion distributions: first impression and critical confidence bound[J]. Complexity, 2013, 19(2): 38-49.
[29] Zhang J, Hong Y. Opinion evolution analysis for short-range and long-range Deffuant-Weisbuch models[J]. Physica A Statistical Mechanics & Its Applications, 2013, 392(21): 5289-5297.
[30] Li L, Scaglione A, Swami A, et al. Consensus, polarization and clustering of opinions in social networks[J]. IEEE Journal on Selected Areas in Communications, 2013, 31(6): 1072-1083.
[31] Grauwin S, Jensen P. Opinion group formation and dynamics: structures that last from nonlasting entities[J]. Physical Review E Statistical Nonlinear & Soft Matter Physics, 2012, 85(2): 066113.
[32] Liu Q, Wang X. Social learning with bounded confidence and heterogeneous agents[J]. Physica A: Statistical Mechanics & Its Application, 2013, 392(10): 2303-2306.
[33] Kurmyshev E, Juárez H A, González-Silva R A. Dynamics of bounded confidence opinion in heterogeneous social networks: concord against partial antagonism[J]. Physica A Statistical Mechanics & Its Applications, 2011, 390(16): 2945-2955.
[34] 喻国明. 网络舆论的“后真相”辨析——以2018年年度争议新闻事件为例[J]. 新闻与写作, 2019, (5): 57-60.
Yu Guoming. Analysis of "post-truth" of online public opinion——take 2018 annual controversial news events as examples[J]. News and Writing, 2019, (5): 57-60.
Modeling and Simulation of Online Public Opinion Structure Reversal :Based on An Improved Deffuant Model
YU Tongyang1，XIAO Renbin2，HOU Jundong3
(1. School of Management, South-Central University for Nationalities, Wuhan 430074， China；2. School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan 430074, China；3. School of Economics and Management, China University of Geosciences, Wuhan 430074, China)
Abstract ：Social public opinions transfer from the real society to the network space, resulting in the emergence of network public opinion events. Online public opinion diffusion reverses the contrast between the support and opposition of public opinions, and finally changes the initial decision of interest groups, which is called the structure reversal of online public opinion. In order to explore the complex systems mechanism underlying this phenomenon, we established a network public opinion structure reversal model based on the Deffuant model. The Deffuant model is modified from two aspects: one is to transform the individual′s own opinion value into the perception opinion value in the interaction; the other is to introduce the influence of social transformation from a macro perspective. The simulation results show that social transformation factors positively influence the diffusion of online public opinion. The higher the degree of social transformation, the higher diffusion of public opinion in structure reversal. Heterogeneity level positively delays the public opinion structure reversal. The larger the size of interest groups, the more difficult it is to complete public opinion structure reversal. The model proposed in this paper can explain the structural reversal phenomenon of public opinion diffusion to a certain extent and can provide certain theoretical reference and decision support for the control of network public opinion in practice.
Key words : public opinion; structure reversal; diffusion; Deffuant model
中图分类号: TP391.1
文献标识码: A
文章编号： 16723813(2019)03003010；
DOI: 10.13306/j.1672-3813.2019.03.003
收稿日期： 2019-05-28；修回日期： 2019-07-31
基金项目： 国家自然科学基金(61540032, 71874163)；中南民族大学中央高校基本科研业务费专项资金(CSQ18074)
作者简介： 于同洋(1980-)，男，山东招远人，博士，讲师，主要研究方向为复杂系统建模与仿真。
通讯作者： 肖人彬(1965-)，男，湖北武汉人，博士，教授，主要研究方向为群智能、涌现计算。
(责任编辑 耿金花)
标签：网络舆情论文; 结构逆转论文; 扩散论文; Deffuant模型论文; 中南民族大学管理学院论文; 华中科技大学人工智能与自动化学院论文; 中国地质大学(武汉)经济管理学院论文;