基于NetLogo平台的舆情演化模型实现，本文主要内容关键词为：舆情论文,模型论文,平台论文,NetLogo论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
由于舆情在社会政治、外交、军事等各个领域的重要性与日俱增，学术界对舆情的研究也越来越全面和深入。目前关于舆情的研究主要集中于两个方面：一是从社会科学的角度，用定性方法研究舆情基础理论，主要对舆情的基本概念、特点和引导方法等进行研究；二是从自然科学，主要是计算机信息处理的角度，用定量方法研究网络舆情监控和预警，通常应用Web信息采集、文本分类和聚类、文本倾向性分析等技术。以上两方面的研究对象都是已经形成或即将形成的舆情，而没有对舆情自身演化的规律做出解释。
利用复杂系统理论和舆情动力学（opinion dynamics）及相关建模仿真方法研究舆情演化规律是一种新兴的研究方法，目前其相关研究才刚刚起步。国外学者主要借鉴物理学中的动力学理论来研究个体意见的交互和演化，例如，以Sznajd[1]、Deffuant[2]和Hegselmann[3]为代表的学者引入物理学中的磁铁粒子交互模型，定义个体间的简单的相互作用，并将这种简单作用多次迭代，从而在整体上得到宏观系统的复杂行为。在复杂网络的模型选择上，主要是基于既有的NW小世界模型[4]和BA无标度网络模型[5]进行相关研究。以上研究存在的问题主要是对社会中个体之间意见交互方式和关系网络结构的复杂性考虑不够，过于简化。
本文在前人研究的基础上，应用基于Agent的建模与仿真方法，结合改进的舆情动力学模型和复杂网路模型，提出了基于多Agent复杂网络的舆情演化建模与仿真方法，并应用该方法建立了计算机模型，该模型能够模拟人与人之间微观的意见交互如何涌现出宏观的社会舆情，最后基于NetLogo[6]平台实现了该模型的原型系统，并进行了仿真实验和结果分析。
1 舆情演化建模基本思想
1.1 舆情演化建模问题分解
本文的目的是针对舆情自身演化的规律进行研究，由于舆情演化无法在现实世界中进行实验，因此采用计算机建模与仿真方法是最有效的途径。基本思想是：社会系统是复杂系统，社会中舆情的形成和演化也具有复杂性特征，因此，可以应用研究复杂系统的最佳方法——基于Agent的建模与仿真方法来研究舆情；社会中人与人之间的关系网络是一种复杂网络，因此，可以应用复杂网络理论建立人际关系网络模型；舆情演化的基础是人与人之间的简单意见交互，而意见的传播和交互过程是一个典型的系统动力学过程，因此，可以用舆情演化动力指导设定意见交互规则。如图l所示。
基于Agent的建模与仿真[7]（Agent-Based Model-ing and Simulation，ABMS）是一种“自下而上”的建模方法，通过对Agent个体及其相互之间（包括与环境）的行为进行刻画，描述复杂系统的宏观行为。该方法根据系统内部的不同个体，明确建模对象，并将关键属性抽象出来建立个体Agent模型，设定Agent属性、行为、交互规则和相关约束条件，通过系统的运行研究个体行为对系统整体特性产生的影响。基于ABMS方法所建立的仿真系统称为多Agent系统。基于Agent的建模方法能较好地模拟个体异构性，但其缺点是模型的详细程度和复杂性受限于可以获得的资源和数据，且仿真运行需耗费较高的计算资源，模型验证具有较大难度。
复杂网络[8]是一种特殊网络，它是大量真实复杂系统的拓扑抽象，其节点数量众多，节点的度成幂律分布，具有小世界特性和无标度特性。现实中的大量复杂系统都可以用复杂网络来描述，如交通网、电力网、人际关系网等。舆情演化的载体就是社会中的人际关系网络，社会上的每个人是网络的节点，人与人之间的互动关系是网络的边。常见的复杂网络模型有WS小世界网络和BA无标度网络。现有复杂网络模型的缺点是对其结点（个体）和边（个体之间的交互）的描述比较简单，难以表述比较个体意见交互的复杂过程。
舆情演化动力学[9]注重描述个体间的信息交互过程，即人与人之间的意见交互直至舆情形成的全过程，这类模型通常假设参与意见交互的人群是由具有一定人际网络关系的个体组成，个体所持有的意见通常用连续或离散的数值表示。在一定的初始条件下，个体开始意见的交互过程：在一次交互中，个体之间根据指定的规则交换意见，决定自己所持有的意见是否改变及改变的程度。经过多次重复的意见交互后，往往能从群体中观察到宏观舆情现象。简而言之，舆情演化动力学的主要研究对象是个体意见交互规则。动力学模型的不足之处主要在于其个体行为是同构的、完全混合的，不能体现个体之间的特殊属性。
1.2 基于多Agent复杂网络的舆情演化模型框架
本文在分析比较基于Agent的建模与仿真方法、复杂网络方法和舆情动力学方法的基础上，摒弃以上三种方法的缺点，综合集成三者的优势，提出了适用于舆情演化建模的一体化方法——基于多Agent复杂网络的舆情演化建模与仿真方法。该方法的基本思想是：将社会中的人模拟成计算机中的Agent；人与人之间的意见交互行为模拟成Agent的属性和行为，并引入舆情动力学模型进行描述；人与人之间的关系通过计算机中生成的虚拟复杂网络来描述，如图2所示。该方法能够有效解答微观的个体意见如何涌现出宏观舆情。
如果根据实际的社会舆情环境设置一定的模型参数，如人际关系复杂网络结构、个体间意见交互规则、系统初始状态、个体基本特性等，就可以用基于多Agent复杂网络的舆情演化建模与仿真方法来研究不同交互场景中的各种因素对舆情形成和演化过程的影响。以此为指导，基于多Agent复杂网络的舆情演化模型总体框架如图3所示。
2 基于NetLogo平台的舆情演化原型系统
NetLogo[6]是一个用来对自然和社会现象进行仿真的可编程建模环境。1999年，Uri Wilensky首次推出该工具，后续开发一直在美国西北大学的Connected Learning and Computer-Based Modeling中心进行。NetLogo的软件、模型和相关文档都在其官方网站上免费提供下载。NetLogo特别适合对随时间演化的复杂系统进行建模，它自带有turtle、patch、link等多种类型的Agent，建模人员能够向成百上千独立运行的Agent发出指令，这就使得探究微观层面上的个体行为与宏观模式之间的联系成为可能，这些宏观模式是由许多个体之间的交互涌现出来的。NetLogo的底层是用Java编程语言实现的，可以在所有主流平台上运行（Mac、Windows、Linux等），也可以作为Java Applets在浏览器中运行。NetLogo有详尽的文档和教学材料。它还带着一个模型库，库中包含许多已经写好的仿真模型。这些仿真模型覆盖自然和社会科学的许多领域，包括生物和医学、物理和化学、数学和计算机科学、经济学和社会心理学等。
2.1 实现思路
本文基于NetLogo平台（版本号4.1.2），利用其自带的turtle、patch和link三类Agent，以turtle为基础构建了多Agent系统，以link为基础构建turtle的复杂网络，在turtle的交互规则中应用舆情动力学模型，主要步骤如下。
2.1.1 建立社会网络模型
每个节点视为一个Agent，节点之间的边视为Agent之间的关系，边的权重为关系的亲疏程度。该网络要能够在拓扑结构中体现现实社会的各种现象：（1）“意见领袖”现象。“意见领袖”的社交范围面广，影响力大，体现在网络拓扑结构上就是节点的度比较大，且与邻居节点的边的平均权重较高。另外，社会各个群体中都有自己的“意见领袖”，体现在网络拓扑结构上就是度比较大的节点是均匀分布在整个网络上的。（2）体现社会中“族群”。物以类聚，人以群分。社会中的人都有自己的交往圈子，假设A的朋友中有B和C，那么B和C互为朋友的概率也很大。体现在网络拓扑结构上就是网络的聚类系统较大。（3）体现人际关系的亲疏远近。由于人与人之间的人际关系并不是完全等同的，存在着亲疏关系。因此，人际间影响的程度也有所不同，所以舆论传播的人际网络应该是加权网络，权重越大，表示人际间的关系越亲密，意见相互影响的程度就越深；权重越小，则表示关系越生疏，意见影响的程度就小。（4）体现朋友的数量限制。现实生活中个人的交流对象是有限的，因此网络节点的度也是有限的，不能无限增加。
本文是在BA无标度网络模型基础上提出社会网络模型的构建算法，为符合上述四点要求对模型做了改进，网络构造基本步骤如下：
（1）给定一个具有
个初始节点的网络，将网络分为个子网，在每个时间步长t增加一个新的节点，新节点随机分配到任意子网中。
（2）在给定子网内，当节点i的度
小于给定阈值
时（对节点的度进行限制），新节点连接到一个已经存在的节点i上的概率正比于节点i的度，即：
（3）借鉴Holme和Kim[10]提出的三角构成（triad formation）方法增加网络的聚类系数，即如果新节点v连向节点u，则再以一定的概率p，在节点u的邻居中任选一节点w，在w和v之间增加一条边（如图4所示）。
图中，在优先连接步骤（a），如果一个新节点v与节点u相连，则在三角构成步骤（b），此新节点v从节点u的所有邻居节点中随机选择一个节点相连。符号“×”表示“不允许连接”（无法形成三角或者已经有边存在）。这样，通过与节点的邻居的邻居进行连接，增加了网络的聚类系数。
（4）加权步骤，遍历所有节点，根据“二八”法则，为20%的边赋予权重0.8，为80%的边赋予权重0.2。
2.1.2建立Agent模型
从传播学理论可知，传播的基本类型分为人际传播、大众传播和网络传播，意见在社会中的传播也分别受到人际关系、大众传媒和互联网的影响。但是，有研究表明，在舆论的传播与演化过程中，大多数的人最终会形成怎样的态度倾向，往往更容易受周围人际关系的影响[11]。为突出研究重点，本文重点考虑个体Agent建模，而将媒体视为独立于Agent系统之外的上层对象，能够对一定比例的个体Agent施加影响，改变其意见。个体Agent代表了社会中的人，其基本属性有性别、年龄、学历、意见倾向等，本节提取与舆情演化最相关的几个特性。
（1）意见。舆情演化模型的基础是个体Agent的意见，意见的形式化表示主要有离散数值或连续区间两种方法[12]。例如在离散表示法中，用-1（反对）、0（中立）、+1（支持）或者-1（反对）、+1（支持）或者其他离散数据来表示个体意见。这种离散表示法中，意见之间互不相交，截然分开。而在实际社会中，在稳定的舆情形成之前，人们的意见并不是一开始就明确无误，因为媒体或者人际影响，很多人的态度逐步由模糊不清、左右摇摆转变为清晰坚定的意见。因此，本文用连续区间[0，2]上的实数来表示个体意见，以反映大多数人的意见并非泾渭分明这一现实状态。其中，0为高度反对，1表示无明确倾向，2为高度支持。
的意见表示为
，随时间的变化而变化。
（2）影响力。从传播学基础理论可知，存在“二级传播”和“意见领袖”现象，这也是现实生活的体现。“意见领袖”由于接触信息全面，了解情况早，交往面广，并热衷于传播自己的意见，有较大影响力。在本文中，为了使模型相对简单，并与后续建立的人际关系复杂网络建模结合起来，将影响力定义为：个体的影响力与该Agent节点的度成正比。的意见表示为：
。取值
，
为节点的度，
。为模型所有节点度的最大值，的取值空间为（0，1）。
（3）固执度。个体对自己意见的坚持程度是不同的，受个体地位、性格，心理，对信息的掌握、分析程度等众多因素的影响。一般来说受教育程度高、地位高的人，会比较坚持已有的意见，部分极端个体也会坚守自己的意见。本文称之为“固执度”，用（0，1）区间上的一个数值来表示。的固执度表示为
。1表示完全没有主见，直接受他人意见的影响；0表示极端主义者，不会改变自己的意见。“影响力”用来描述影响他人的能力，“固执度”用来描述受他人影响的程度。
（4）信任度。人与人之间的关系存在亲疏远近，直系亲属之间关系亲密，信任度非常高，互相的影响力也会大一些，而泛泛之交的朋友之间的信任度相对较低。为了描述这种人际交流中的信任度问题，本文将与
之间的信任度表示为
。在建立网络模型时，信任度用Agent之间边的权重表示，一个（0，1）区间上的值，其中0代表完全不信任，1代表完全信任。通常个体间的相互信任程度并不相同，并且信任是一个累积变化的过程。
2.1.3 建立舆情演化动力学模型
即Agent之间的意见交互规则，该规则要求能够体现出影响Agent意见变化的各种因素。设为的意见值，ε为交互阈值，在t时刻，如果｜（t）-
（t）｜＜ε，那么：
其中，
表示为表示网络的邻居矩阵。节点i在其自身原有意见的基础上，根据其邻居的意见进行修正。修正的程度为邻居节点j与节点i的意见之差与节点j的影响力、节点i的固执度、节点i和j之间的信任度之积，再对以上算法取所有满足[-ε，+ε]交互条件的邻居节点的算术平均值。从上述意见交互规则可以看出：人与人的意见交流存在一定的前提，即意见分歧不能太大，如果分歧超过一定的阈值，就失去了交流的基础，因而互相之间都不会改变自身意见。同时，该规则也将Agent的影响力、固执度、信任度等因素纳入了考量范围。
2.2 总体效果
在NetLogo平台上实现上述思路，建立舆情演化原型系统。该系统分为输入、控制和输出三个部分。输入部分用于调节意见交互阈值参数、Agent参数、复杂网络参数、舆情动力学参数等各类相关参数；控制部分用于控制Agent网络的生成和舆情演化的进程；输出部分用于多Agent复杂网络的可视化表示，实时显示舆情演化的步骤、各类Agent的数量、舆情演化图、舆情熵图和舆情分布图，便于使用者观测舆情演化进程。如图5所示。
（1）系统控制部分。“初始化”按钮用于为系统参数设置初始值，“Agent网络构建”按钮用于生成多Agent复杂网络，“舆情演化”按钮用于控制Agent之间意见交互行为，“重置”按钮用于将Agent网络和Agent状态恢复为网络构建完成时的状态，以便于进行演化过程的多次迭代。
（2）参数设置部分。各类参数及其含义如下表1所示。
（3）图形和输出部分。
①图形“Opinion-Evolution”用于描述三种不同意见区间的分布，其横坐标为舆情演化的次数（所有Agent都与其邻居交互一次意见即为一次演化），纵坐标为意见值在一定范围内的个体Agent的数量。图中浅灰色线条表示支持“支持”的Agent数量，其意见值在（1.33，2）范围内，黑色线条表示支持“反对”的Agent数量，其意见值在[0，0.67]范围内，深灰色线条表示支持“中立”的Agent数量，其意见值在（0.67，1.33）范围内。
②图形“Opinion-Entropy”用于描述“舆情熵”，即舆情分散程度的度量，其横坐标为舆情演化的次数，纵坐标为舆情熵的值。定义如下：假设每个舆情演化时刻，“支持”的个体Agent比例为
，“反对”个体Agent比例为
，“中立”个体Agent比例为
，则定义舆情熵为：
舆情熵越大，意味着意见越多，越不统一；越小，则意味着意见比较集中统一。舆情熵可以进一步反映由分散的个体意见到集中的群体舆情的涌现过程。
③图形“Opinion-Distribution”用于展示所有Agent的意见分布情况。其横坐标为仿真时间，纵坐标为舆情区间[0，2]。该图形动态描述了所有个体意见的变化情况，形象展示了个体意见从在舆情区间内均匀分布到逐渐向某个范围收敛的过程。
④“特定地区舆情演化效果图”用于显示多Agent复杂网络图以及Agent意见的变化情况。图中每个图案代表一个个体Agent，连线代表Agent之间存在联系。Agent图案的大小与Agent节点的度成正比。Agent图案的形状与所持有的意见相关。“支持”的Agent为正方形，“反对”的Agent为三角形，“中立”的Agent为圆形。
3 仿真实验
仿真实验对象为虚拟的特定地区民众，该地区民众针对“统一”议题有“支持”、“中立”和“反对”三种意见，实验的主要目的是通过改变舆论宣传策略，检验是直接向特定地区民众灌输极端统一的意见，还是循序渐进，先宣传中立的意见，再宣传比较支持统一的意见，最后再宣传较为支持统一的意见，哪种方式可以获得较好的效果。仿真实验操作系统平台为Windows XP SP3，NetLogo版本为4.1.2，系统硬件环境为Intel 2140@1.6G HZ中央处理器，2GB内存。
以通过大众媒体进行宣传为例，在表2初始条件下采取两种不同的宣传策略。
（1）强力型宣传，直接宣传极端统一的议题。媒体参数设置如图6所示，舆情演化效果如图7所示。
如图7所示，如果强力宣传意见值为2的极“统”意见，由于与大部分民众自身持有的意见差别太大，无法达到预期效果。反而使得支持统一的民众由原本的102人减少到94人，持“中立”意见的人由93人减少到78人。也就是说，暴力灌输极“统”意见起到了适得其反的效果，这一点值得反思，为什么多年来大力宣传“和平统一、一国两制”的观点，却反而使得该地区支持统一的人越来越少。
（2）递进型宣传，逐步改变宣传议题，引导民众改变意见。具体步骤为，在与强力型宣传相同的参数条件下，先设置媒体的意见值为0.7，演化150次，此时由于媒体的影响，支持“独立”的民众逐渐减少，持“中立”意见的民众增多；尔后设置媒体意见值为1.4，继续演化到300次，此时支持统一的民众逐渐变多，然后设置媒体意见值为支持极“统”的2，继续演化至400步，演化为稳定的、支持统一的社会舆情，此时有293人“支持”、1人“反对”、6人“中立”，如图8所示。
从试验结果来看，结合实际工作，对该地区的舆论宣传工作要注意宣传策略，如果一开始就强力宣传“一国两制”等极“统”的意见，反而会引起民众的反感，甚至使部分原本支持统一的人受到负面影响。而采用以退为进、“曲线救国”的方式，先宣传较为中立的内容，再逐渐向统一靠拢，逐步改变舆论宣传的内容，能够收到较好效果。
4 结语
本文针对舆情演化的规律进行研究，综合集成多Agent系统、复杂网络和舆情动力学三者的优点，从理论上提出了全新的基于多Agent复杂网络的舆情演化模型框架。同时，基于NetLogo平台，实现了该模型的原型系统，并应用原型系统进行仿真实验，证明了前述理论模型的可用性和有效性，具有一定的理论和现实意义。下一步工作中，将对人际关系复杂网络模型进行更深入的研究，使模型更加贴近现实社会，尤其是针对某个特定地区的网络模型，可以与该地区的地理位置、人口分布、社会结构等进行结合，将能够更有效地提升舆情演化模型的准确性和实用性。
标签：舆情论文; 复杂网络论文; 舆情分析论文; 网络模型论文; 建模软件论文; 网络节点论文; 网络宣传论文; 系统仿真论文; 社会网络论文; 网络行为论文; 动力学论文;