网络群体行为涌现过程建模与实证

目前已有研究大多对个体从众性赋予一个固定值进行计算，但是个体由于自身习惯的不同、亲疏远近关系的不同及邻居节点影响力的不同，其所产生的观点从众倾向也不相同。而且人们往往会更倾向于服从比自身更具权威性个体的意见，即意见领袖思维［29-30］，如亲密朋友的话会比一个陌生人的言论更具说服力。另外，由于个体异质性，不同的个体是倾向于听从社会主流舆情还是倾向于听从周围朋友看法的概率也不相同。

基于此，本章根据J-A模型的基本思想，提出新的舆情极化模型，具体如下：

假设在t时刻，所有参与该网络事件交互行为的Agent的数量为N，在初始时刻，它们的观点服从N～（0，1）正态分布。在t时刻，Agent i的态度值表示为xi（t），且xi（t）∈［-1，1］。此时，社会平均态度值T（t）表示为：

用ρ（t）表示在舆情演化至t时刻，整个网络中观点的极化程度，其与态度值的标准差成反相关关系，用公式表示如下：

社会主流态度在t时刻对Agent i的影响程度Π（t）则与社会整体极化程度和社会平均态度成正比，用公式表示如下：

当ρ（t）很低时，说明t时刻网络中的态度值分布非常分散，没有形成主流舆情，因此Agent i倾向于服从社会主流舆情的概率较低，称这种概率为社会从众性。而随着舆情演化，观点逐步达到统一时，由于“沉默的螺旋”效应［31］，网络中的个体由于害怕被孤立，服从社会主流舆情的倾向上升。此时，社会主流舆情对个体的影响力大小与社会极化程度成正比，并且正比于社会平均态度值。

此外，强弱连接理论［32-33］认为，人与人之间的关系从沟通和互动的频率来看，可以简单划分为强连接关系和弱连接关系，强连接关系通常代表交互者之间具有高度的互动性，而弱连接关系虽然表示个体间不强的互动性，但是却是广泛存在于网络中的一种连接关系，作用更加广泛。本章提出的舆情极化模型中，Agent i与同其直接进行观点交互的邻居个体为强连接关系，而存在于同一个网络中的其余Agent则对Agent i有着潜移默化的影响，与Agent i是弱连接关系。因此，社会主流舆情对于Agent i的影响是基于弱连接关系进行传递的，在t时刻Agent i根据网络中与其为弱连接关系的个体所传递的社会主流态度来改变自身观点。但是，虽然这些个体对Agent i有一定程度的影响，Agent i却并不会与这些仅仅有弱连接关系的个体直接进行观点交互。当热点事件发生时，由于网络的集聚性，会出现围绕该事件而存在的社群。社群中的个体通过发表描述热点事件的文章、博客后跟帖、相互评论而向其他个体传达自身态度，本章假设这种存在直接交互行为的关系为强连接关系。此时，与Agent i进行直接交互的Agent j成为Agent i的邻居，对其的影响程度提高。

假设当Agent i和邻居Agent j进行观点交互时，Agent j对Agent i的影响力的大小会受到Agent j的权威性pj及Agent i自身的权威性pi的影响。在网络仿真中，每个个体的权威性是根据度中心性来进行计算的，那么i，j之间的影响力大小则与两者差值有关，用Zij表示Agent j对Agent i的影响力，具体描述如下：

在任一时刻，假设Agent i能接收到所有与其相连的邻居Agent所传递的信息并受到影响，Agent j对Agent i的态度值的影响程度取决于Agent j在t时刻传递给Agent i的态度值xj（t）及它们之间的影响力Zij，那么Agent i受到周围所有邻居的影响程度Zi（t）可描述如下：

(www.xing528.com)

按照式（6-11）进行调整后，每一时刻Agent i接收到的总态度值Xi（t）都由Agent i接收到的社会主流态度Π（t）及Agent i的邻居节点所传递的邻居态度Zi（t）所组成：其中，μ为影响参数，表示Agent i倾向于与社会主流态度Π（t）一致的概率；1-μ则表示Agent i倾向于与同其有强连接关系的邻居态度Zi（t）保持一致的概率。

当Agent i的态度值xi（t）与其接收到的总态度值Xi（t）接近（处于同化效应带）时，Agent i会因受到鼓舞而提高自身的态度值；反之，当态度值差异非常大（处于排斥效应带）时，由于逆反心理，Agent i会更加强化自身态度。同时，Agent i只与其邻居节点进行强交互，即观点只会受到邻居节点的赞同或反对。个体i的态度值与邻居的态度值Zi（t）正负倾向相同时，个体i会由于受到肯定，从而增强对于自身观点的肯定程度。在t时刻，Agent i根据自身所接收到的总态度值Xi（t）来调节自身下一时刻的态度，再根据其差值选择使用同化规则、相斥规则或中立规则，具体如下：

第一，同化规则。当时，有：

其中，fi（t）表示t时刻Agent i对于自身观点的肯定程度，如果Agent i在进行交互时受到对方肯定，就会强化自身观点；反之，也会由于一直受到攻击而怀疑自身观点的正确性；ki（t）表示迭代至t时刻，Agent i的交互次数；k1i（t）表示在初始时刻迭代至t时刻的过程中，Agent i在进行观点交互时受到肯定的次数（假设Agent i在与邻居节点进行交互时，自身观点值xi（t）与接收到的邻居观点值Zi（t）正负倾向相同则为受到肯定）；k1i（t）/k i（t）则表示受到肯定的概率，其伴随交互的进行而不断变化；Yi表示Agent i的固有自信度，是Agent i的固有属性，不会随交互的进行而改变。如果个体对于自身观点十分自信，fi（t）处于比较大的值，那么个体的从众性ζi（t）就会有所降低，因此ζi（t）与fi（t）成反相关关系，如公式（6-15）所示。在t=0时刻，个体没有参与交互，k i（0），k1i（0）都为0，Agent i的从众性ζi（0）=1-Yi。

第二，相斥规则。当时，有：

第三，中立规则。其他情况下态度值不变，用公式表示如下：

仿真过程如图6-1所示。

图6-1　基于多Agent的蒙特卡罗仿真示意图