观点动力学视角下基于意见领袖的网络舆情反转研究

2019 年 3 月

复杂系统与复杂性科学

COMPLEXSYSTEMSANDCOMPLEXITYSCIENCE

V%16N〇.lMar. 2019

文章编号：1672 - 3813(2019)01 - 0001 - 13 ;!OI: 10. 13306%. 1672-3813. 2019. 01. 001

观点动力学视角下基于意见领袖的网络舆情反转研究

刘

琪

，肖人彬

(华中科技大学人工智能与自动化学院，武汉430074)

摘要：舆情反转是网络突发事件与热点事件中的一种重要现象。为探究网络舆情反

转现象的内在机理，发掘舆情反转事件的演化规律，提出了一种观点动力学视角下基 于意见领袖的观点演化模型。以意见领袖为切入点，基于无标度网络结构改进经典 有界信任的HK模型，在观点更新中引入意见领袖的作用。运用社会网络分析理论 的中心性指标识别意见领袖，对意见领袖引导下的观点演化进行仿真实验。选取新 浪微博上的舆情反转案例，对模型仿真结果进行验证。实验结果表明，意见领袖对观

点演化结果起着关键性的作用，能够引导群体的观点发生逆转，利用改进的模型能够模拟网络舆情 反转事件的演化进程。

关键词：观点动力学；意见领袖；舆情反转；新浪微博 中图分类号：TP391. 9

文献标识码：A

An Opinion Dynamics Approach to Public Opinion

Reversion with the Guidance of Opinion Leaders

LIU Qi，XIAO Renbin

(School of Artificial Intelligence and Automation，Huazhong University of Science and Technology，Wuhan 430074，China)

Abstract：Opinion reversion is an important phenomenon in network emergencies and hot events. In order to explore the internal mechanism and the evolution law of public opinion reversion，wepropose an opinion evolution model based on opinion leaders from the perspective of opinion dy­namics. The model is applied to simulate the evolution process of public opinion under the guid­ance of opinion leaders. We take opinion leaders into account , improve the HK model and use so­cial network analysis method to

identify the opinion

leaders based on

scale-free

ture. To verify the simulation results we select the reversal case on sina . The resultsshow that opinion leaders play a key role in the evolution of opinion，which can guide the publicopinion to reverse. The results also indicate that the improved model can simulate the evolutionprocess of network opinion reversion.

Key words： opinion dynamics； opinion leaders； public opinion reversion； sina

net

收稿日期！019-01-19;修回日期：2019 - 02 -28 基金项目：国家自然科学基金（610032)

作者筒介:刘琪（1995 -)，女，安徽阜阳人，硕士研究生，主要研究方向为舆情传播、大数据。 通讯作者：肖人彬（1965 -)，男，湖北武汉人，博士，教授，主要研究方向为复杂系统、群智能。

复杂系统与复杂性科学2019年3月

〇引言

随着新媒体的迅速发展，以微博、微信为代表的自媒体成为因特网上信息扩散的主要媒介，舆情从现实世界 转移到网络虚拟空间，一些社会现实现象与突发事件往往诱发网络舆情。自媒体背景下网络舆情信息了传 统媒体真实性、权威性的新闻原则，增大了公众甄别、判断的难度，侵蚀着主流价值意识，隐藏着网络舆情反转的 危机[1]。“舆情反转”是指舆情扩散过程中出现的报道倾向、情感倾向突然发生逆转的现象[2]，例如“成都女司机 被打事件”、“哈尔滨天价鱼事件”和“罗一笑事件”等[3]。舆情反转事件的不断出现，导致公众在面对各种舆情声 音时陷人困惑，事件主体及媒体公信力大大受损，不仅造成一定的负面效应，也给网络治理带来了极大的挑战。 此时，探究自媒体时代下的网络舆情反转现象的内在机理具有重要的意义。

网络舆情反转研究存在多种主题，包括舆情反转、反转、新闻反转等，其研究实质是一致的3。现有的研 究主要涉及新闻学、传播学、政治学、公共管理等多个学科，研究方法以定性分析为主，主要包括以下几个方面$) 基于新闻传播学视角研究网络舆情反转产生的原因及对策9。2)基于心理学视角，对影响力大、传播范围广的案 例进行分析，进而提出治理网络舆情反转现象的对策[6]。3)基于议程设置理论视角，研究媒体和网民在面对网络 舆情时的议程设置与舆情反转现象的关联性[7]。黄远、刘怡君等学者从社会物理学角度提出了网络反转的 定义，以及网络反转的3种形态和3种类型，对网络反转进行了较为全面深人的研究0 ;张华在分析舆 论反转社会心理原因的基础上，提出了网络舆情反转现象的“参照点”效应[9];王玉龙以“天价鱼事件”为例分析网 络群体极化对网络舆情反转具有隐性操控力)10]。

尽管网络舆情反转已有较多研究，但主要是定性解释其原因、特征及应对策略，缺乏从定量视角解读网络舆 情反转的内在机理。观点动力学研究社会网络中观点或行为的产生、扩散和聚合)11]。对一个特定的事件或问 题，不同的个体会产生不同的观点，通过个体间的相互影响在网络中传播扩散。同时，来自不同个体的观点根据 个体的决策方式发生聚合，在宏观层面上产生复杂涌现现象，最终形成整个社会的观念)12]。根据观点描述方式 的差异，可将观点动力学模型分为离散和连续两类。离散型观点动力学模型的典型代表有投票者模型)13]、多数 决定模型[14]、及Sznajd模型[15]等，适用于描述个体同意或反对等简单二元离散观点决策，无法刻画观点的动态 变化过程。基于有界信任假设，采用区间上的连续变量建模观点得到广泛应用。有界信任的连续型动力学模型 主要包括HK模型)16]和DW模型)17]，DW模型是在信任阈值内随机选择两个个体进行观点交互，而HK模型中 个体是与在其信任阈值内所有的个体交互)019]。近年来，随着复杂网络研究的兴起，学者们发现现实世界以及 互联网社区中的个体交互结构满足复杂网络的特征，尤其是小世界网络、无标度网络等[022]，将观点动力学与复 杂网络结合起来成为一种新的趋势[23]。

经典有界信任观点动力学模型简化了个体间的交互规则和交互对象的选择，成为用来揭示群体涌现出的宏 观行为的常用模型。而在现实的舆情演化中，个体的异质性、意见领袖及社会交互网络结构等对群体观点的演变 同样具有重要的影响。从真实的舆情反转事件可以发现，舆情反转是意见领袖、普通网民之间不断交互作用的结 果。意见领袖的言论会影响群体的情绪变化，在传播、引导、推动舆情发展等方面具有重要的引导作用，但如何识 别关键的意见领袖，量化其在舆情反转事件中的主导作用还不多见。基于此，本文结合观点扩散的社会网络结 构、个体异质性等理论，考虑意见领袖的引导作用对经典有界信任的HK模型加以改进，以期实现对舆情反转现 象的抽象、模拟，揭示意见领袖对网民态度的引导规律。

本文结构安排如下:第1节分析了在舆情传播中意见领袖的引导作用，并介绍了社会网络分析法的3种中心 性，用作意见领袖的判别方法;第2节详细说明了基于无标度网络结构，考虑意见领袖的影响改进传统HK模 型;第3节是对模型的仿真实验，实验中对社会网络中的意见领袖进行了识别，模拟了持不同态度的意见领袖引 导下观点的演化过程，对仿真结果进行分析;第3节通过新浪微博实际案例数据，对模型的仿真结果进行验证;第 5节针对观点演化模型的仿真及案例分析得出结论。

1意见领袖及中心性

意见领袖

意见领袖概念最早由美国学者拉扎斯菲尔德等人提出[24]，他们认为观点和意见并不直接“流”向一般受众，

1. 1

第16卷第1期刘琪，等：观点动力学视角下基于意见领袖的网络舆情反转研究

而是要经过意见领袖这个中间环节，即“大众传播一意见领袖一一般受众”模式；意见领袖指那些在社会关系网络 中具有较高影响力与号召力的关键节点，经常为他人提供信息或意见，并对他人施加影响的“积极分子”。他们通 常是某个领域的专家、社会名流或主流媒体，其观点或评价往往被大量转发形成焦点意见，影响个体的判断，主导 网络舆情的发展。

分析近年来频发的网络舆情反转事件，在舆情发展前期，网民往往表达同一种集中倾向的观点，而在舆情传 播中后期，却急速反转，呈现另一种与之对立的观点，形成舆情反转效应。意见领袖作为信源和信息传播的中介， 在引导舆情传播方向，形成反转前期和后期两种对立观点中的作用不可忽视。因此，本文将考虑意见领袖的引导 作用，将舆情事件中的主体划分为意见领袖及普通个体，结合观点动力学原理研究舆情演化过程中个体的交互规 则，为解释网络舆情反转现象提供参考依据。1.2 中心性

在社会网络分析中网络的节点代表了社会网络中的个体，节点与节点之间的连线则表示个体之间的关系，网 络中节点的位置决定了个体的重要程度[25]。在社会网络中处在中心位置的个体具备意见领袖的特征）6]，这为意 见领袖的确定提供了思路。本文从个体及社会网络角度出发，采用社会网络分析法对个体的重要程度进行划分， 根据节点的中心性排序识别意见领袖。社会网络中对于关键节点的评价指标主要有三类中心性，即度中心性、居 间中心性及接近中心性）/]。1.2. 1 度中心性

度中心性统计每个节点的度数。如果某节点具有较高的度，则可认为其在观点网络中处于中心地位，与其他 的个体有较多的关联，具有较大的影响力。度中心性的计算表达式为

Ct=m/ ($—1)

(1)

其中，#表示与\"存在联系的个体个数&表示观点网络中的个体个数。1.2.2

居间中心性

居间中心性衡量个体在多大程度上成为“中间人”。居间中心性越大，说明该个体与其他个体之间发生的交 互越多，其控制信息交流的能力也就越强。居间中心性的计算公式为

i#j#k (&其中表示从节点&到'的最短路径中经过\"的最短路径数目表示节点&到'的全部最短路径数目。 1.2.3接近中心性

接近中心性描述个体不受其他个体控制的能力。若一个节点到网络中其他节点的平均距离越小，该节点位 于网络越中心的位置在网络中较少地依赖其它个体，则该个体具有较高的接近中心性。对于有$个节点的连通 网络，节点\"的接近中心性被定义为\"到其余节点的平均距离的倒数：

其中，‘表示节点\"到j之间的平均距离。

2网络舆情反转的观点演化模型

在现实世界中，个体的交互结构既不是完全规则的，也不是完全随机的，而是具有无标度、聚类系数高等特

性[03)]，无标度网络更接真实的社交网络。在观点演化进程中，参与个体的选择、个体之间的交互规则及观点传 播的网络结构共同决定演化的结果，本文将在无标度网络和HK模型基础上，引人意见领袖的作用，建立网络舆 情反转模型。2.1传统HK模型

假设有限集A = {1，2，…，N}内的个体共享观点，个体i在z时刻的观点为^ !)，形成一个1X N的列向量 X!) = (:^ ()，心（），…，以！)）a() $ [0,1] ,新规则为：

A，f%0

= 0时为其初始观点。根据传统HK模型，观点更

复杂系统与复杂性科学2019年3月

0(i，.⑴）={ 1&&&NI | ⑴一.& ⑴ | 其中！是信任阈值，| 生影响作用。

|

⑷

计算个体\"与&的观点差值，表示在信任_值内的个体才能对个体\"产

表示-时刻在个体\"信任阈值内所有个体的集合。通常，信任阈值越小，观点越分散，越

不容易形成共识#言任阈值越大，观点越聚集，越容易形成一致观点。

.，（+ 1)=

j$I(\x(t))\" a& x, (t) (5)

其中，a,是t时刻个体&对z的影响权重，a,$[0，1]且\"a, =1 (& = 1，2,…，N);a,=0且表示个体z不受

j = i

其他个体观点的影响=1且表示个体\"只跟周围个体观点有关而与自身观点无关。a,越小，表明个体的 观点越不同意受周围个体的影响;a,越大，表明周围个体对个体\"的影响越大。2.2基于意见领袖的改进HK模型

在传统HK模型的基础上，考虑意见领袖的引导作用，将个体划分为普通群体及意见领袖群体，提出以下改进模型。

定义NXN的矩阵只表示社会群体中个体之间的关系矩阵。假设有限集A={1，2,…，N}代表个体的集 合。对集合内的所有个体\"和j

表示个体\"与&是否有连接，当i\" =0时，表示个体\"与&没有关联；当& =

1时，表示个体\"与&有连接。个体\"在t时刻的观点为.\"（），形成一个1XN的列向量X⑴=(.1()，.2()，… xN())，X\"()$[0，1]\"$A，t%0，t = 0时为其初始观点。假定网络中存在M个意见领袖，属于集合B={1，2, …，M};普通个体的个数为N—M，属于集合C={1，2,…，N—M}。易知，A = BUC。观点更新规则如下：

1) 若个体 > 为意见领袖，即\"$ B，观点的更新规则为

x!(t + 1)=x!(0)

所区别，在观点的演化中保持初始观点不变。

2) 若\"为普通个体，即\"$C，观点更新方式描述如下：

(1) 计算t时刻在个体\"信任阈值范围内的普通个体及意见领袖的信任集合。

L(i,x(t)) = {1&&&M| \\ X\" tt) — x& tt) | I(i,xtt)) = {1&&&N—M| \\ X\" (t) — x& (t) |

(6)

其中，.\"（0)表示代表个体的初始观点。意见领袖具有较高的自信度，其观点不受其他个体的影响，与普通个体有

$5}

$ C}

(7)

其中！代表个体\"对普通个体的信任阈值，\"代表个体\"对意见领袖的信任阈值。I(，x())表示t时刻在个体i 信任_值内普通个体的集合，L(i，x())表示t时刻在个体i信任阈值内意见领袖个体的集合。

(2)

处在信任阈值内且有关联的个体将对个体\"下一时刻的观点形成产生影响，分别用i ()及i ()表示。

i ():

C& (t):

根据社会网络矩阵中节点的连接关系，找出t时刻意见领袖和普通个体集合内与个体i有关联的个

[1，当 ij=1，j$L(，x())I ,

0，其他0，其他

1，当ii=1，j$I(，x())

(8)

其中，i ()的值反映了在个体i信任阈值范围内的意见领袖&的观点是否对其造成影响。当& $ L(，x()且 i&=1时，i() = 1，表示t时刻个体i会受到个体&的影响；若i() = 0,表示个体&对个体i没有影响。同样， i的值代表在个体i信任阈值范围内的普通个体&的观点是否对其有影响。当j$Ii，x-))且i表示个体i会受到个体&的影响；当C& () = 0,表示个体&对个体i没有影响。

(3) 依据信任集合及关系矩阵只，个体i的观点按照如下规则更新：

;(11):

1

& $ L ( i ,x (t)) =1时，i()=1，

\"btj (t ) &$L (,x (( ())

\"by (t)x& (t) 1 ( (.—〇)-& $ L ( i,x (t)\"Cj()Xj(t)

\" C& (t ) j$I(!,x(t))

1

(9)

其中，#代表意见领袖的影响力权值，则1#表示普通个体的影响力权值。

(4)当满足下列条件时，观点将结束更新：

第16卷第1期刘琪，等：观点动力学视角下基于意见领袖的网络舆情反转研究

\"[.，！ + 1)—X,( t)]z & $

\"一i

其中$取一个接近于0的正数。

(10)

当个体为普通个体时，将按照式（9)的规则进行观点的更新迭代，当所有个体的观点满足式（10)，认为观点演 化到达稳态，结束更新。按照上述舆情反转模型，可以看出，若0=0，该模型等同于HK模型，参与观点演化的个 体均为普通个体，在交互过程中意见领袖不发挥影响。若0>〇,群体中既有意见领袖，也有普通个体，个体将综 合考虑普通个体及意见领袖的观点，形成下一时刻的观点。

3仿真分析

为验证模型的有效性，分析意见领袖在舆情事件中的影响作用，本节将对第2节中改进的HK模型进行仿

真实验。选取无标度网络作为观点传播的网络结构，建立节点N=1 000的无标度网络结构。个体的初始观点 服从[0，1]区间的随机均匀分布，参与者分为意见领袖和普通个体。随着时间推进，个体与社会网络上有关联的 节点进行交互，交互方式遵从上述改进HK模型的规则。在前期引人持支持观点的意见领袖，后期引人持反对 观点的意见领袖，观察意见领袖引导下的观点变化。3.1算法流程

利用Matlab实现了舆情反转模型的仿真。算法流程见图1。

设置反对意见领袖

1算法流程

Fig. 1 Algorithm flow chart

图

具体步骤如下：

1) 初始化参数。需要设置的参数包括节点个数，信任阈值，终止条件参数等。

2) 构建无标度网络，生成关系矩阵只。初始设定W。个孤立节点，不断引人新的节点。每次引人一个新的点，新点与™个不同的已经存在于网络中的节点相连产生™条边，这里。本实验中设置为5，to设置 为3。新节点与已经存在的节点，相连的概率P遵从优先连接原理，取决于节点，的度数：

11)

复杂系统与复杂性科学2019年3月

其中，节点〗的度为^，节点j的度为岣。

3)设置观点演化的阶段。基于本文的研究，需要设置两个阶段的观点演化，用代表观点的演化阶段。 初始设置f\"eri〇ii=1。

3)生成普通个体的初始观点。利用随机数生成器生成普通个体的初始观点^(0)，观点服从随机均匀分布。5)

若Pr«^=1，表示代表观点演化的前一阶段，设置支持观点的意见领袖；若Pr«^ = 2，代表观点演化的后一阶 段，则设置反对观点的意见领袖。

6) 针对网络中的每个个体完成其观点的迭代更新。判断个体是否是意见领袖。若为意见领袖，则其观 点&保持不变，继续分析下一个个体，重复此步。若不是意见领袖，执行步/)。

/)对个体*，利用关系矩阵只，当尽=1时代表有连接，找出与其有连接的所有邻居个体。判断其邻居个体 是否是意见领袖：若J是意见领袖，则划分到集合L中；若j不是意见领袖，则划分到集合J中。个体按式（10) 进行更新。

8) 依据式（10)判断是否满足观点演化终止条件，若不满足则返回步6)。

9) 判断^是否等于2。若Prtod不等于2,令Pr«^ = 2,返回步5)。若^等于2,表明已完成两 个阶段的观点更新，执行步10)。

1 〇)输出演化结果，保存最终生成的观点矩阵，输出观点随时间变化的曲线，退出程序。3.2意见领袖的确定

利用上述算法，构建了一个节点大小为1 000的无标度网络，图2展示了本实验中观点扩散的无标度网络结 构图，图中节点的大小与节点度的大小呈正相关，节点越大说明网络中节点的度越高。可以很直观地发现，无标 度网络中，只有少数节点拥有较多连接，大部分节点只有很少的连接。

图3是节点度分布的双对数曲线图，其中直线斜率为一2. 98。无标度网络节点度分布满足幂律分布，更接近 真实的社会网络，少数拥有较高连接的节点可对应到社会网络中有着较高知名度和影响力的个体。运用UCI- NET软件，基于节点的度中心性、接近中心性以及居间中心性指标找出网络中心性高的前30个节点，结果如表 1所示。

设置意见领袖。依据中心性指标，找出已构建的无标度网络中度中心性高的M个节点，标记为意见领

图

2

网络结构图

图3

节点度分布双对数曲线

Fig. 2 Network structureFig. 3 The log-log plot of degree distribution

根据社会网络中心性的定义，将具有较高中心性的节点确定为意见领袖。从表中3种中心性指标的识别结 果来看，识别出的前30个节点基本没有变化，仅在次序上有所区别。在仿真实验中可依据表中的实验结果选择 其中—•种排序指标，将对应节点标记为意见领袖。

第16卷第1期

刘琪，等：观点动力学视角下基于意见领袖的网络舆情反转研究

表？ 3种中心性指标下的节点排序

Tab. 1 The nodes sorted by three centrality methods

序号度中心性接近中心性居间中心性

序号度中心性接近中心性居间中心性

序号度中心性接近中心性居间中心性

1)33311)21312(21)581)98

!2)77712)6639!22)221758

!3)11113)12125!23)183818

⑷23923(14)15396(24)11842)

5)11231115)25141525)353)117

6)1651616)5293)26)117518

7)1311917)9882527)2)2235

8)921318)3)582928)41)21)2

9)141514(19)172)2229)663538

1))391622))2925173))1)25)51

注:序号指+种中心性下节点由髙到低的排序，如序号为（1)的节点对应的中心性最髙;数字代表不同的节点，如7表示节点7。

3.3实验结果分析

基于改进的经典HK模型，在观点演化的两个时期引人对 立观点的意见领袖，对比了不同的意见领袖影响权值及不同比 例的意见领袖对个体观点产生的影响。实验中涉及到的参数说

明见表2。若实验中无特别说明，则仿真实验中的参数将依据表2设定。

实验1选取不同的意见领袖影响权值，进行意见领袖影 响力仿真实验。实验结果如图4、5所示，图4展示了 0为0、 0. 3、0. 7、1. 0时的观点演化。图中红色曲线代表初始观点值在 (0. 5，1]区间内个体（即支持者）的观点变化；黑色曲线代表初始 观点值在区间[〇，〇. 5)内个体（即反对者）的观点变化。

2实验参数说明

Tab. 2 Explanation of experimental parameters

表

参数初始观点观点空间中心性指标节点个数N意见领袖比例P意见领袖阈值点普通个体阈值s终止条件参数！意见领袖权值0

取值随机均勻分布

[0,1]度中心性1)))2_10. 2510 40. 7

0 10 20 30 40 50 60 70

ta 0=00 10 20 30 40 50 60 70

t

c (9=0.7

图4不同意见领袖影响权值下个体的观点演化

Fig. 4 Evolution of individual opinion under different influencing weights of opinion leaders

复杂系统与复杂性科学 2019年3月

图3是个体观点值的变化曲线。观点演化过程中，绝大 多数个体参与交互并不断更新自身的观点。同时，网络中还 存在少数不与其他个体进行交互的偏执型个体，始终保持其 初始观点不变。当0=0,即意见领袖影响权值为0时，观点 演化模型与经典HK模型一致，整个演化进程中观点并未反 转，在观点演化的约30个周期之后到达稳态，多数个体的观 点收敛到一致。随着意见领袖权值的不断增大，意见领袖发 挥引导作用，观点值先是到达峰值趋于稳定，随后在持对立观 点意见领袖影响下观点值迅速下降，出现明显的反转现象。0=0. 3时，在第23个周期后观点变化趋于稳定，存在779个 支持观点；第59个周期后观点演化再次达到稳态，支持观点 个数下降到333,37个观点发生反转。0=0. 7时，观点到达 稳态的周期分别缩短至20和51，反转的观点个数增加到

500。可以看出，意见领袖影响权值的增大会加快观点演化的演化进程，缩短收敛时间，说明意见领袖的影响力在 舆情反转过程中的引导作用不断增强。

图5为群体的平均观点值在不同时期的变化曲线，表明整个群体观点的倾向性。意见领袖权值0为0或较 小时，不会出现反转现象。而当0=1时，仅有意见领袖的作用，反转阶段观点值水平反而较高。这表明，在综合 考虑意见领袖与普通个体的影响力作用时，并非意见领袖的权重越大，对系统群体观点水平影响越大。

实验2实验。

为研究意见领袖数量对观点演化的影响，在群体中设置不同比例的意见领袖，修改参数P进行仿真

5群体平均观点的演化

Fig. 5 Evolution of group average opinion

图

0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70

t

aP=0.5%

t

bP=1.5%

0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70

t

cP=2.0%

t

dP=3.0%

N不同比例意见领袖作用下个体的观点演化

Fig. N Evolution of individual opinion under different proportions of opinion leaders

图

第16卷第1期 刘琪，等：观点动力学视角下基于意见领袖的网络舆情反转研究

图6和图7是选取不同比例的意见领袖参与观点演化的 实验结果

。图6展示了意见领袖比例P为0.5%、1.5_、

2. 0%、3. 0_时的变化曲线。P = 0. 5_时，在30个周期后观

,

点变化趋于稳定，随后在第62个周期观点演化再次达到稳 态，约310个观点发生反转；P = 1. 5_时，观点到达稳态的周 期分别缩短至25和53反转观点的个数增加到350

。而P =3_时，观点到达稳态的周期则分别缩短至19和48,反转观 点的个数增加到505。这一现象说明意见领袖比例的增加，能够加速观点演化进程、缩短演化周期。图7反映了群体观

7群体观点演化结果

Fig. 7 Evolution of group average opinion

图

点的平均水平，当系统中只存在0.5%比例的（即5个）意见 领袖时，反转前稳态时平均观点值为0. 74左右，反转后稳态 时观点值约为0.33;当意见领袖比例增加到3%时，反转前后 稳态时观点值分别为087和017

. 。观点演化中意见领袖的比例越大，其主导作用越明显，群体的观点值会更接 近意见领袖，出现明显的观点极化现象。

通过上述对意见领袖影响力和比例的仿真实验，可以看出：1) 不引人意见领袖作用时，观点的演化将遵从传统HK模型的规则，观点不会发生逆转。少数社会网络

与其它节点无连接的个体不参与观点的交互，在演化过程中观点保持不变；多数个体参与交互，观点将收敛到一 致符合有界信任模型的演化规律

2) 3) 4)

.

，。

。。

观点演化中加人意见领袖的影响后，无论是从个体层面还是宏观层面，仿真结果中都能观察到明显的观

逆转现象说明了舆情反转中意见领袖的引导作用

，

意见领袖的观点会在群体内迅速扩散，意见领袖影响力的增加和意见领袖比例的增大，使得观点的演化

程显著加快观点收敛以及到达稳态的时间逐渐缩短得最大这与观点动力学的基本原理相吻合

，

意见领袖的权重对群体观点值平均水平的影响并非是单调一致的正相关，而是在0到1之间的某个值

。网络舆情是观点在系统内的充分传播，观点的演化是个体交互的结 果，系统中占绝大多数比例的是普通个体，舆情演化需要普通个体与意见领袖的共同参与，在意见领袖的引导下， 普通个体与社会网络中有关联的节点进行观点的交流，不断推进舆情的演化进程。

4

41

，

案例研究

.

案例选择及数据获取

为进一步验证仿真分析的结论选取舆情反转案例进行研究

。在媒体平台中，新浪微博已成为中国网民最主 要的虚拟交往平台，也是网络公共事件生成、发展的重要策源地。2018年9月9日，微博用户名为@刺'1的杨 女士发微博称遭到网红殴打，相关话题迅速占据热搜榜单，网民纷纷表示支持孕妇并指责网红。随着事件的发 展，更多的被公开，由支持孕妇转变为声讨孕妇，舆情发生逆转。本文选取此事件作为研究实例，运用爬 虫技术，以“孕妇”、“saya”“孕妇遭网红殴打”“saya道歉”等关键词，采集了 2018年9月9日至2018年11月14 日新浪微博平台上的相关微博和评论。共计获取了 10 056条微博，56 002条评论信息，采集到的基本信息包含 发布者的昵称、发布时间、粉丝数、评论数、点赞数等。

4.2数据处理

运用爬虫技术采集到的原始数据中，包含大量的无用信息且杂乱无章，中文文本数据也包含各种错误编码信 息需要对采集到的原始数据进行处理流程如图8所示具体步骤如下

1) 进行剔除点

数据清洗

，

，，，：

日至11月14日个体的观

。

。爬取到的原始数据中，包含大量错误乱码、表情符号、缺失或重复冗余的信息，需要对这类数

2) 观点汇总

。因事件持续时间较长，针对爬取到的数据，以天为单位汇总9月9

。

• 10 -复杂系统与复杂性科学2019年3月

3) 筛选个体。本实验需要观察个体在不同时期的观点的变化。对抓

取到的相关微博及评论数据进行筛选，在采集到的信息中提取出约1万 个在事件发展各个时期均表明观点的个体。设置最大实验次数1 000,初 始化T= 1。

4) 5)

随机选择研究个体。为与仿真模型对应，采用随机抽样的方式，每 中文文本情感值分析。爬取到的原始数据是中文文本的评论信

次选择1 000个个体进行实验。

息，为与模型相对应，需要对中文文本进行情感值分析，量化个体的情感 倾向。主要步骤如下：

(1) 为训练集。

(2)

利用新的数据集训练情感分析模型，情感分类的基本模型是贝叶

斯模型。对于有两个类别的分类问题来说，其特征之间相互，属于类 别C1的贝叶斯公式为

9(8 | %

其中，9(01，…，％I)

I 2 )。

P (.0)1

利用500万微博评论语料构建语料库，将具有正负标记的文本作

、—P (明，…，I C1 ) - P !1 )

P(x〇l，••• ,(%„),o„|c1 ) • P( c1 )\\P ((〇!12)

(0„ I C( ) - P

图

(3) 利用分词引擎对评论文本进行分词。(4)

8

案例数据处理流程

Fig. 8 The processing procedure

提取正负面词，进行正负面词库匹配，筛选出文本中能够反映情

for the case data

感倾向的词。

(5) 调用贝叶斯训练模型，计算并返回文本的分类结果和 情感倾向值。

6) 判断是否达到实验设定的次数，若没有，令T= T+1，返回步4)。

7) 求得所有实验结果的平均值，绘制真实数据的变化曲线。

4.3结果分析

图9是仿真结果与真实数据的变化曲线，基于100次的 仿真实验，当意见领袖影响力权值为0. 72下的仿真结果与真 实数据的拟合趋势最为接近。9月28日至10月14及11月 1至11月14时期内观点值演化已趋于稳定，为更清晰地展 示观点值在上升阶段及下降阶段的发展态势，图9中详细描 绘了 9月9日至9月28日及10月14日至11月1日的变化 曲线。表3显示了在舆情反转前后两个阶段内，孕妇一方的 支持者人数的预测值与真实值。

由仿真结果与真实数据对比可以看出，舆情反转的演化模型的预测结果与社交网络的实际案例数据变化趋 势基本吻合，拟合效果较好。

1)

变化与真实值相比较有轻微波动，但整体呈持续上升趋势。9月9日开始，参与讨论的各个主体事件不断交换意 见，在9月13日达到最高峰，9月28日之后群体观点已基本趋于稳定，支持者的人数不再变化。分析这个阶段 观点变化的原因，几个高影响力博主的转发评论起关键作用，如@王思聪、@凤凰网、@梨视频、@网红揭秘，这些 意见领袖的观点会直接影响网民的情绪，带动其观点在群体内盛行。

2) 从10月14日开始，网红saya发布道歉微博，@凤凰网娱乐、@梨视频等官方媒体相继转发，态度出

图Q

“网红殴打孕妇”事件预测结果与

实际数据对比曲线

DiE. Q Ro+paring curve 3et8een predicted

results *1: *ctual

该事件自9月9日孕妇发布微博起开始逐渐发酵，随后迅速爆发且群体的观点逐渐明确，支持孕妇的人

第16卷第1期刘琪，等：观点动力学视角下基于意见领袖的网络舆情反转研究-11 -

现反转，群体观点水平不断下降，10月15日观点值已经下降到约0.42,孕妇一方的支持者人数也由760下降到 241，网友的态度逐渐由支持孕妇转变为指责。10月15日至10月23日期间，@梨视频、@娱ms等账号的发言， 再一次引爆热点，群体观点值持续下降，在10月22日、10月23日观点值水平接近0.21。10月23日之后， 群体观点值存在小幅波动，但整体趋于稳定。

表

3 “网红殴打孕妇”事件支持者人数仿真值与实际值

Tab. 3 Supporters in simulation and real world

误差率/_

日期1)-151)-16

748

25124524)实际值

预测值250246242242

误差率/_

1 20 2. 03 1 24 0. 83 1 72 20. 70

2))148173

255

211

255255

241 241 241

255 255 255

5.495.495.49

434

日期实际值422678

预测值

775803

75)752753755

802757757

77077576)

09- 10- 10-14

3005

76)76)76)

757758758758758758

3)整个演化过程，真实值与预测值的相关系数为0. 997 62,仿真预测结果与真实事件的变化趋势高度近似， 拟合效果良好。与预测结果相比，真实案例数据会在部分节点出现波动，其原因是观点的演化是微观个体不断交 互导致群体观点涌现的过程，在此期间的几个关键点，如9月10日、9月14日、10月15日、10月23日等时间节 点中，官方媒体及拥有较高关注度的博主发挥了意见领袖的作用，其观点影响个体的判断，使群体平均观点水平 在一段时间内出现波动。可见，实际舆情数据受各种因素干扰会与预测值出现一定偏离，包括实验中涉及的中文 文本情感分析技术，都会带来一定误差，但模型对事件的整体趋势的预测是正确的。这也表明，运用舆情逆转模 型能够模拟舆情反转事件的演化过程。

5结论

为研究舆情反转现象的内在机制，本文在经典有界信任的观点动力学模型基础上提出了一种基于意见领袖

的改进HK模型，结合无标度网络结构及社会网络分析理论的中心性确定意见领袖，对舆情反转事件的观点演 化过程进行了模拟，并以新浪微博舆情反转事件实际数据为例进行研究。根据本文的实验结果分析可得以下结 论：

1)

的观点会向意见领袖的观点靠拢，无论是从个体层面还是宏观层面，实验中都能观察到明显的观点反转现象。这 说明意见领袖在网络舆情中的中心性地位，他们不仅是舆情的发起者，更是引导者与共同意见的促成者。

2) 3)

的收敛时间和观点值到达稳态的时间逐渐缩短。

通个体与意见领袖的共同参与。在社会网络中占绝大多数的是普通群体，他们对个体的影响同样不可忽略，这与

在观点演化过程中，意见领袖是左右舆情演变的重要参量，前后时期分别引人对立态度的意见领袖，个

意见领袖能够促进观点在网络中的传播，加速观点演化进程，其影响权重的增加和比例的增大，使得观

若某一观点能够在系统内充分传播并发展为主流意见，单独考虑意见领袖的影响并不能完全实现，需要

• 12 -复杂系统与复杂性科学2019年3月

现实中人们的“从众心理”相符，即个体的观点会和周围人的观点趋于一致。

4)案例研究部分，仿真实验结果与真实数据变化趋势基本吻合，表明本研究改进的模型能够模拟网络舆情反 转事件的演化过程，具有一定的应用价值。

上述研究和结论，为定量研究网络舆情反转现象提供了依据，也为相关部门制定舆情控制策略有重要的参考 价值。互联网环境下舆情发展速度快、传播范围广，相关部门要及时介人突发事件，对其中的非理性声音进行约 束与规范；要充分重视意见领袖的带动效应，发挥意见领袖在方面的优势，将正面信息通过意见领袖这一中 介进行传播，引导网络舆情向正确的方向发展。在今后的研究中，将结合观点传播过程中的动态网络结构，完善 观点演化模型，进一步研究舆情反转事件的观点演化过程。

参考文献：

[I] 田世海，孙美琪，张家毓.基于贝叶斯网络的自媒体舆情反转预测[J].情报理论与实践，2019,(2)1-10.

Tian Shihai , Sun Meiqi , Zhang

Jiayu.

Pridiction

of

we-media public reversion based

on

Bayesi

ies： Theory e Application，2019，（2): 1-10.

)]韩旭.探析网络“反转”现象出现的成因及对策—

2016,(4)： 24 -28.

HanXu. Research on the causes and countermeasures of the network \"public opinion reversion\" [J]. Journal of Western，2016,!): 24 -28.

)]袁野，兰月新，张鹏，等.基于系统聚类的反转网络舆情分类及预测研究[J].情报科学，2017, 35(9): - 60.

Yuan Ye，Lan Yuexin，Zhang Peng，et al. Research on the classification and forecast of reversal network public opinionbasedon cluster analysis)]. Information Science，2017，35(9): - 60.

)]夏一雪，兰月新，刘茉，等.大数据环境下网络舆情反转机理与预测研究[J].情报杂志，2018, 37!): 92 - 96.

XiaYixue，Lan Yuexin，Liu Mo，et al. Inversion mechanism and prediction of network public opinion in big data environment[J]. Journal of Intelligence，2018，37(8): 92 - 96.

)]敖阳利.传播学视阈下舆情反转事件研究）].新闻研究导刊，2015, 6(3): 138 - 139.

AoYangli. Research 2015, 6(23): 138 - 139.

)]史若天.从突发事件网络舆情的流变过程浅析网民心理特征—

2(12): 16-17.

Shi Ruotian. Analyzing the psychological characteristics of netizens from the process of emergency network sensation)]. NewMedia Research，2016，2(12): 16-17.

)]梁舞，李劭强.自媒体环境下议程设置的弱化分析—

26&

Liang Wu， Li Shaoqiang. Weakening analysis of agenda setting in the media environment [J]. Management Observer，2015 ,33) : 24 - 26.

)]黄远，刘怡君.网络反转效应研究）].管理评论，2016, 28(8): 71 - 78.

Huang Yuan，Liu Yijun. Studies on online public opinion inversion effect)]. Management Review，2016，28(8) : 71 - 78.)]张华.网络舆情反转现象中的“参照点效应”一

28 - 32.

Zhang Hua. \"Reference point 2016 ,7): 28 - 32.

[10]王玉龙.舆情反转：突发事件过程中网络群体极化的角色研究—

24

WangYulong. Opinion reversion: the role of network group polarization in the process of emergencies. E-Government，2016 ,5): 16 - 24.[II] Corning P A. The

18-30.

re-emergence

of

\" emergence\"

: a

venerable concept in search of

a

th

effect\"

in

the

network reversal phenomenon[J].

Journalism and

Mass

on the

reversion of

public

opinion in

the

perspective

以“狗嘴下救女童系谎言”事件为例[J].西部学刊（新闻与传播），

of communicatio

以+ - 3成都女司机被打”事件为例[J].新媒体研究，2016,

基于领域反转、搭车、站队的视角[J].管理观察，2015，（33): 24 -

基于对“大学生掏鸟窝获刑十年半”微博舆情的研究）].新闻界，2016,7):

基于“天价鱼事件”的分析）].电子政务，2016,5): 16­

第16卷第1期

刘琪，等：观点动力学视角下基于意见领袖的网络舆情反转研究-13 -

[12] 王龙，田野，杜金铭.社会网络上的观念动力学[J].中国科学：信息科学，2018, 48(1\" 3-23.

Wang Long，Tian Ye，Du Jinming. Opinion dynamics on social networks[J]. ScientiaSinica(Informationis)，2018，48(1)：3-23.

[13] Ronzanova L，Boguna M. Dynamics properties of the herding voter model with and without noise[J]. Physical Review E，

2017, 96(1): 1 - 8.

[14] KrawieckiA. Stochastic resonance in the majority vote model on regular and small-world lattices[J]. International Journal of

Modern Physics B，2017，31(29) ： 1 - 14.

[15] Lima F W S. Transition under noise in the Sznajdmodel on square lattice)]. International Journal of Modern Physics C, 2016，

27(3) ： 1-8.

)6] HegselmannR，KrauseU. Opinion dynamics and bounded confidence: models，analysis and simulation)]. Journal of Artificial

Societies and Social Simulation，2002，5(3): 1 - 34.

)7] Deffuant G，NeauD，Amblard F. Mixing beliefs among interacting agents[J]. Advances in Complex Systems，2000，3(1):

87 - 98.

[18] Krueger T，Szwabinski J，Weron T. Conformity， anticonformity and polarization of opinions ： insights from a mathematical

model of opinion dynamics)]. Entropy，2017，19(7)： 371 - 392.[19] Castellano C，Fortunato

591 - 6.

)0]朱张祥，刘咏梅.在线社交网络谣言传播的仿真研究—

2016, 13(2) ： 74 -82.

ZhuZhangxiang，LiuYongmei. Simulation

study of propagation of rumor

in online social

network based

on

S，

Loreto

V.

Statistical

physics of

social

dynamics[J].

Re

基于聚类系数可变的无标度网络环境）].复杂系统与复杂性科学，

with tunable clustering)]. Complex Systems andComplexity Science，2016，13(2)： 74 -82.

)1] Barabasi A L，Albert R. Emergence of scaling in random networks)]. Science，1999，286(39) ： 509 - 512.[22] Newman M E J. The structure and founction of complex networks)]. SIAM Review，2003，45(2) ： 167 - 256.[23] Albi G，Pareschi

L，Zanella

M. Opinion dynamics

over complex

network ： kinetic modeling

and

nu

andRelated Models，2017，10(1): 1 — 32.

[24] Lazarsfield P. The People’s Choice[M]. New York ： Columba University Press，1948:434 - 445.)5]徐恪，张赛，陈昊，等.在线社会网络的测量与分析）].计算机学报，2014, 37(1)： 165 - 188.

XuKe，Zhang Qian, Chen Hao，et al. Measurement and analysis of online social networks[J]. Chinese Journal of Computers，2014, 37(1) ： 165 - 188.

[26] VanDerMerweR，Van Heerden G. Finding and utilizing opinion leaders ： social networks and the power of relationships[J].

South African Journal of Business Management，2009，40(3) ： 65 - 75.

)7]谌志群，徐宁，王荣波.基于主题演化图的网络论坛热点跟踪）].情报科学，2013, 31(3)： 147 - 150.

ChenZhiqun，XuNing，WangRongbo. BBS hot topic tracking based on theme evolution graph[J]. InformationScience，2013，31(3)： 147 - 150.

[28] Singh P，Sreenivasan S，Szymanski B K. Accelerating consensus on co-evolving networks ： the effect of committed individuals

[J]. PhysicalReviewE，2012，85(4) ： 1324 - 1340.

[29] Barreira da Silva Rocha A. Social outcomes due to the interplay between language competition and ideology struggle[J]. Phyti-

ca A ： Statistical Mechanics and its Applications，2018，492 ： 1340 - 1351.

)0] BiondoAE，PluchinoA，RapisardaA. Modeling surveys effects in political competitions[J]. Physica A ： Statistical Mechanics

and its Applications，2018, 503： 714 - 726.

(责任编辑耿金花）