社交媒體輿論演化下個體觀點交互的可信度研究

汪明艷+陳梅+YibingZhu

〔摘要〕建立改進的CODA模型來分析研究個體觀點可信度及傾向性的形成和變化過程，模擬并揭示群體觀點極化的演化條件及演化過程。研究結果顯示，高可信度（ρj=0.7-0.9）演化情況下個體最終形成集群，而低可信度（ρj=0.2-0.4）個體觀點呈現分散狀態。高、低可信度的差值越大，網絡觀點演化效率越明顯；高可信度個體推動了群體極化現象的發生；而當低可信度值低于0.2時，也會出現群體極化現象。進一步探討了網絡群體極化的現實效應，針對高低可信度的演變邊界，提出了網絡輿論的干預方案，防控網絡群體極化的危害。

〔關鍵詞〕社交媒體；個體觀點；網絡輿論；觀點交互；高可信度；低可信度；群體極化

DOI：10.3969/j.issn.1008-0821.2017.01.011

〔中圖分類號〕G206〔文獻標識碼〕A〔文章編號〕1008-0821（2017）01-0057-09

〔Abstract〕With an improved CODA model，the paper studied the formation and change process of credibility and tendentiousness of individual opinion，which simulated and explained the forming conditions and process of group opinion polarization.Research results showed that in the high credibility（ρj=0.7-0.9）cases，individual eventually evolved to form a cluster；while under low credibility（ρj=0.2-0.4）situation，individuals opinion was presented in a decentralized state.The greater the difference between high and low credibility，the more conspicuous the conversion efficiency would be.The High credibility individuals promoted an occurrence of a phenomenon of group polarization；meanwhile，the polarization phenomenon also occurred when the low credibility value was less than 0.2.This study further discussed the network group polarization reality effect，proposed public opinion intervene strategies aimed at high and low credibility evolution boundary，and has a practical significance in prevention and control the group polarization of public opinion.

〔Key words〕social media；individual opinion interaction；public opinion；opinion interaction；high credibility；low credibility；group polarization

在網絡輿論中，用戶從周圍人群獲得信息并將信息傳遞給鄰居，討論熱點新聞，在各自的社會關系中造成影響，漸漸形成用戶拓撲關系。當前的社交媒體是輿論演化最快的溫床，不當言論、謠言、分裂信息、恐怖言論等在這樣的平臺中得到快速的傳播與發展，扭曲了社會的價值觀，影響社會和諧，甚至影響國家安定。而當前的網絡輿情情報演化方面應用性研究還不豐富，個體輿論觀點的交互而導致的網絡群體極化現象的演化機理還不明確，個體輿論觀點的演化機理還不明確還不能完全應用于實際。

因此，本文通過建立改進CODA模型來分析研究個體觀點可信性，分析可信度差異帶來的影響，模擬并揭示群體觀點極化的演化條件及演化過程。使之能夠幫助輿論監管者能夠更深刻的了解網絡背景下的信息傳播過程和觀點演化模式，從而進一步研究如何促進或阻礙信息的流動，避免群體極化，為公眾輿論監測和應急預警提供參考。

1研究回顧與評述

目前就輿論演化方法而言，有學者利用細胞自動機模型，注重個體之間的信息交互[1-2]，加入網民表達觀點的傾向度和主觀能動性[3]，考慮元胞堅定性的移動元胞遍歷算法[4]，有學者利用CODA模型[5]，利用投票者模型（Voter）和Sznajd模型進行個體交互模擬，展現個體的內在觀點傾向變化過程[6]等，呈現網民對事件的態度。這些研究結果均表明，網絡輿論演變中存在觀點極化和群體極化等現象。群體極化現象，網絡極化被認為是一種潛在社會網絡現象，由高度連接且具有組間連通性薄弱的小群體組成[7]。Guerra等[8]（2013），Gruzd and Roy[9]（2014）針對Twitter和Facebook的社交媒體網絡的觀點交互而導致的群體極化現象進行了分析和研究。觀點極化使得不同觀點相互碰撞、同化與消亡等過程，最終形成兩個對立的、極端的狀態。而群體極化則是觀點極化的現實效應，形成兩個不同的派別，積極的觀點更正面，而消極的觀點則更極端，走向深淵，演變成不當的言論或是更嚴重的政治事件，最終危害國家和人民的利益。

Michela Del Vicario（2016）[10]等發現用戶傾向于選擇與他們擁有共同信念的個體，志同道合的個體之間的觀點交互加強了群體認同[11]，而想法不同個體之間的觀點交互加強了內群體和外群體關系。人們就會受到比以前更廣泛的觀點，但受限的能力使得其無法進行有意義的討論。用戶的參與度直接影響其共同的情感行為[10]。通常情況下，相較積極事件而言，更多的活躍用戶對消極事件展現出更快的傳播速度。

然而，網絡用戶的行為高度復雜化和多樣化，所發生的輿論現象及其演化規律極為復雜，并不能依靠傳統的單一研究方法來解釋，個體未必會充分表達自己的意見[12]，也無法準確地描述個體的差異性與交互特性。對大多數問題來說，每個個體只能觀察到其他個體的外在決策而觀察不到他們的內部觀點時，交互個體不會像有界信任模型[13-14]收斂于平均結果。相反，每個不同的個體將根據同伴的決策而改變其連續的主觀概率。并且個體交互過程中，雙方是基于相互的熟悉程度與可信程度來建立關注的過程。A.C.R.Martins[5]（2008）基于貝葉斯定理對個體的內在觀點傾向變化過程進行了建模，并提出連續觀點離散系統模型（Continuous Opinions and Discrete Actions，CODA）模型。CODA[15]中使用離散選擇模型，只有二元選擇，因此對探索動態系統的影響是有意義的，增加不同意見間的接觸可以減少極端。另外當引入第三個選擇時，對研究極端主義特別重要[6，16]?？尚哦仍礁撸鋵σ环降恼f服力越強，同時會同化對方的觀點；可信度低，對其他個體的影響效果低，幾乎沒有說服力。

2連續觀點離散系統模型（Continuous Opinions and Discrete Actions）假設個體i的決策Si=±1是一個二維離散變量，分別代表決策A和決策B，假設概率P（A）=pi為個體i對A的傾向性，概率P（B）=1-pi是個體i對B的傾向性，且pi∈[0，1]。個體根據其內在意愿決定哪個決策更優。如果某個體觀察到其他個體認同其所做決策A，那么將會使pi值增大。為了實現貝葉斯更新，個體需要交互作用，更新其自身觀點，因此我們需要相關的鄰居決策。因此，假設α=P（Sj=+1A）為當決策A最優時，i的鄰居j認同決策A的概率，那么1-α=P（Sj=-1A）則為鄰居j認同決策B的概率；同樣地，假設當個體i更認同決策B時，其鄰居j認同決策B的概率為β=P（Sj=-1B），那么1-β=P（Sj=+1B）為鄰居j認同決策A的概率[5]。

3.2仿真方法設計

本文采用MATLAB來模擬仿真模型演化過程，具體步驟及相關代碼如下：

初始參數設置一個維數為128*128的個體空間，隨機給每個個體賦值0.4～0.6的傾向度。個體與上、下、左、右4個鄰居進行觀點交互。個體在初始條件下，中立者占50%，支持者及反對者各占25%，假設大多個體都會選擇符合常理的正確觀點，所以設置α為0.7。

3.3仿真分析

3.3.1演化情況總體集群分析

張彥超[17]（2012）研究表明，網絡中大部分個體的可信度較低，在0.26～0.40之間；只有少數個體的可信度較高，在0.85～0.87左右。趙奕奕[14]（2014）也認為，當0.2時，輿論領袖的觀點根本不值得信任或民眾對他們抱有較大的懷疑。當信任度因子超過0.6后，輿論領袖引導力持續增加的幅度減弱了，跟隨輿論領袖的從屬層個體比例逐步趨于穩定。因此本文將高可信度定義為ρj=0.7-0.9，低可信度為ρj=0.2-0.4。

圖1、圖2顯示的是個體的傾向度密度隨著演化次數的更新而更新，分別從高可信度0.7～0.9與低可信度0.2～0.4的研究角度展開相關分析。

1）初始情況下個體觀點均呈現分散狀態

在初始條件下（演化1次），根據初始的設置，持贊成的個體個數與持反對的個體數量持平，各個自信度指數狀態的個體觀點均呈現分散狀態，遍布于整個空間。

2）高可信度演化情況下個體最終形成集群

從圖1可以看出，經過多次演變，紅色的色塊逐漸減少，最終大部分全變成黑色色塊，并呈現聚集的狀態。即持某一態度的個體演變后幾乎都改變了原始的觀點，最終服從了大多數個體的意見。同時，高可信度（ρj=0.7-0.9）演化500次比低可信度（ρj=0.2-0.4）演化500次呈現的結果更明顯。個體在演化50次以內時，仍處于分散的狀態，經過100次演化后，逐漸形成群體聚集的現象。在500次演化時，已經可以看到明顯的群體聚集情況。高可信度的個體經過歷次演化，持相同觀點的個體聚集成群體的速度更快，可信度越高，演化速度越快，群體分化嚴重。

3）低可信度演化情況下個體難以形成集群

從圖2可以看出，經過多次演變，紅色的色塊減少速度緩慢，經過500次演化后，大部分扔為原始的紅色色塊，并呈現分散的狀態。可信度在0.2～0.3時，經過演化，幾乎不形成集群。個體因信賴鄰居（交互對象），不斷調整自己的決策，但當可信度較低0.2～0.3時，個體因不信任與其交互的上下左右4個個體，而持有與交互對象相反的態度，使得個體觀點呈現分散狀態，相鄰個體的觀點相互對立。

3.3.2演化結果信度差異分析

1）高信度分析

從圖3、圖4中可以看到，系統最初的設置為：針對觀點A的中立個體占50%，支持個體及反對個體各占25%。隨即個體間進行觀點交互，紅黑色塊變化明顯。

在局部演化（演化50次以內）時，各高可信度的演化趨勢大致相同。演化到第2次時，反對與支持個體的比例達到第一個峰值，接下來又跌到波谷；隨后反對個體波動上升，支持個體出現波動下降，而后兩者逐漸分極化；而中立個體的比例只有最初設置時最高，接下來經過3次波動，在第8次左右減少到0，直到演化結束。

ρj=0.9，演化到第2次時，反對個體的比例達到第一個峰值，由25%直到50%，立刻又跌入波谷，為43%，經過幾次小波動后，緩緩上升，在演化50次時達到61%，在演化第500次時達到100%；而支持個體的比例第2次演化時達到波峰為50%，在第4次演化時達到低谷，接下來經過平緩逐漸上升、平緩下降，在第50次演化時達值為39%，而后逐漸下降，直到演化500次時，支持個體跌為0%。

ρj=0.8；演化到第2次時，反對個體的比例達到波峰，為50%，接下來又跌入波谷，為43%，經過緩緩上升波動后，最終在演化500次時達到最大值98%；而支持個體的比例在第4次演化時達到低谷為40%，接下來平緩上升，下降，最終支持比率僅剩2%。

ρj=0.7；演化到第2次時，反對個體的比例達到波峰，為50%，接下來又跌入波谷，為43%，經過緩緩上升波動后，最終在演化500次時達到最大值96%；而支持個體的比例在第4次演化時達到低谷，接下來平緩上升達到下一個小峰值為47%，接下來逐步下降，最終支持比率為4%。

在全局演化（演化500次）時，支持個體及反對個體的數量均出現一個突然的下降或上升，并在此之后又趨于平穩，而隨著中立個體幾次大的波動并迅速由50%趨于0，使得反對個體與支持個體呈現分極化的趨勢。較高的可信度（ρj=0.9）在第400次左右便出現了一方壓倒的現象，而很高可信度（ρj=0.7）在演化500次時仍未使得一方獨大的現象。即當一方觀點個體占多數時，輿論會越來越偏向該觀點，最終造成一方獨大的現象，而隨可信度越高，該現象越明顯。

2）低信度分析

從圖5、圖6中可以看到，系統最初的設置為：中立個體占50%，支持個體及反對個體各占25%，隨即個體間進行觀點交互，圖中的紅黑色方塊的變化相對不大。

ρj=0.2，從第2次演化開始，中立個體的比例開始大幅下降，歷經幾次波動，在第8次左右跌到0，至此開始一直保持微小波動，到500次演化結束時也為0。而反對個體與支持個體的經過幾次小波動后，從第8次后保持平緩狀態，此時二者比例為1∶1；從第130次演化開始，反對個體與支持個體分離，反對個體比例下降到47%，支持者53%，而后二者保持平緩波動，直到500次演化結束。

ρj=0.3，在500次演化內，反對個體、中立個體、支持個體維持初始的狀態，基本沒有波動。

ρj=0.4，從演化開始，中立個體的數量直線下降，在第9次左右跌為0，而后波動不大，到500次演化為止維持0。從第2次演化開始，反對個體與支持個體的比例明顯上升，在演化第9次左右都達到第一個最高值，反對個體為52%，支持個體比例為48%；在150次演化內基本保持這一比例。而后，二者呈現分極化發展，反對者比例折線形式上升，支持個體比例折線形式下降，到500次演化時，反對者與支持個體比例為73%∶27%。

在全局演化（演化500次）時，因為可信度較低，因此演化呈現不規律的現象（ρj=0.2、0.3），三方根據自身情況進行演化，但是可信度ρj0.4依舊表現出規律的現象，演化規律類似于高信度，如圖6所示。在這里可以推測，ρj≥0.4時，在500次演化過程中，中立個體在10次內降為0，反對個體與支持個體呈現出現明顯的分化現象，可信度越高分化越明顯，演化速度越快。

3）可信度梯度分析

輿論初始狀態時，對觀點A、B的平均可信度不盡相同。接下來根據平均傾向度情況，區分高低可信度，分析信度差距為0.2～0.7的500次演化情況，其余條件不變。

當可信度差為0.2。當高可信度為0.6，低可信度為0.4，演化到第500次時，只剩下傾向度為1.0與傾向度為0.1兩種情況，二者比例為96%：4%，如圖7所示?？梢姷涂尚哦仍谄渲衅鹆岁P鍵的作用，影響了最終的情況。

當可信度差為0.3。當高可信度為0.6，低可信度為0.3時，只有零星的0.5、0.6傾向度留存，出現了一方獨大的現象，傾向度為1.0的支持者比例為96%；而當高可信度為0.7，低可信度為0.4時，僅剩傾向度為1.0與傾向度為0.1，二者比例為97%∶3%，如圖8所示。低可信度的值越小，越易產生一方獨大的現象。

當可信度差為0.4。當高可信度為0.6，低可信度為0.2時，只有傾向度為1.0的支持者，比例為100%；當高可信度為0.7，低可信度為0.3時，出現了零星的0.5、0.6傾向度留存，傾向度為1.0的支持者比例為96%；當高可信度為0.8，低可信度為0.4時，僅剩傾向度為1.0與傾向度為0.1，二者比例為97%∶3%；當低可信度值低于0.2時，便會出現一方獨大的現象，如圖9所示。

當可信度差為0.5。當低可信度低于0.2時，均出現了極化現象；當高可信度為0.8，低可信度為0.3時，出現了零星的0.5、0.6傾向度留存，傾向度為1.0的支持者比例為96%；當高可信度為0.9，低可信度為0.4時，僅剩傾向度為1.0與傾向度為0.1，二者比例為97%∶3%，如圖10所示。

當可信度差為0.6。當低可信度低于0.2時，均出現了極化現象；當高可信度為0.9，低可信度為0.3時，仍有傾向度為0.5、0.6的零星留存，剩下的傾向度為1.0比例為96%，如圖11所示。

當可信度差為0.7。當高可信度為0.9，低可信度為0.2時，只有傾向度為1.0的支持者，比例為100%，同之前情況一樣，出現極化現象，如圖12所示。

綜上可以看出，經過500次演化后，個體的傾向度均集中于某一個或兩個狀態。出于對交互對方的信任度，個體的傾向度變化相對于初始設置值是十分明顯的。若一方觀點的平均可信度較高，其反對個體的數量會逐步減少，二者趨向兩個極端，個體的傾向度分別也會逐漸向1.0與0.1靠攏。而且高、低可信度的差值越大，這種轉換效率越快；當低可信度相同時，高可信度值越高，極化現象越明顯；初始情況下處于某一觀點狀態的個體擁有更高的可信度，在系統演化過程中，具有較高可信度的個體，不僅使得本來持有正向觀點的個體的傾向性更加傾向于正向，使其變得更加極端，而且還說服了本來持有反對意見的個體，使得反對個體改變自己的觀點，使其轉變為支持個體，最終呈現了一個觀點的終態?？梢姡瑩碛休^高可信度的個體能夠影響別人，讓其他個體向其靠攏，并不斷吸引其他個體加入，而且，處于同一意見的個體之間不斷交互加強彼此的觀點傾向度，從而使得其傾向性越發極端化。高可信度個體推動了群體極化現象的發生。而當低可信度值低于0.2時，就會出現極化現象；低可信度的制約作用同樣明顯。

4基于個體可信度的群體極化干預策略

網絡社交平臺的輿論需要有效的監控，防止惡意信息污染整個網絡環境，擾亂公眾視聽。為了避免群體極化現象的發生，要從網絡環境和網絡人兩個角度進行監管。

4.1自由的網絡環境要抑制不當言論的形成

網絡中的個體觀點最初都是呈現分散狀態，隨著輿論熱度的提高，輿論不斷地演化，使得持中立觀點的個體逐漸減少，支持、反對觀點的個體呈現分極化的趨勢。網民的觀點會隨著高可信度（ρj=0.7-0.9）、低可信度（ρj=0.2-0.4）兩種輿論的引導，最終高可信度的人群擁有絕大部分力量，持相同觀點的個體聚集成群體的速度更快，交互中強化自己的觀點，進而同化對立觀點，使得群體分化明顯。在網站方面也要加大控制群體極化的力度。聚集在某一貼吧、論壇的網民會自由的表達自己的觀點，也更容易在該網站上找到更多和他們的想法有共同點的言論，相互聯系在一起，越發堅定自己的觀點，逐漸變得更加大膽。杭家蓓[18]也指出 “原創帖”比“轉帖”更容易出現態度極化。因此一些熱門的社交媒體平臺，微信、微博、貼吧、社區等要加大對不當言論的監管，網民的從眾性也是輿論演進中不可忽略的因素[19]，同時要積極引導正向輿論。網站中個體的正面能動性越高，使得極端主義越無生存環境[5]。政府機構、主流媒體（高可信度（ρj=0.7-0.9））也要發揮主觀能動性，積極引導正面言論，對不實信息、不當言論及時進行辟謠與糾正，凈化輿論空間。

4.2“網絡紅人”要做出表率，引導正確輿論走向

郭勇陳，沈洋，馬靜[20]認為，意見領袖理論適用于網絡論壇環境，網絡論壇中“意見領袖”對事件的關注可以明顯延長輿情事件的存在時間?！熬W絡紅人”在社交平臺上擁有超高人氣，他們的帖子、微博等有百萬級至千萬級的點擊量與轉發（轉帖）量，這些高可信度（ρj=0.7-0.9）人群的言論被無限的傳播，相對于那些低可信度（值低于0.2）的人群的言論，產生壓倒性觀點，影響作用不可估量，高可信度個體推動了群體極化現象的發生。而且高、低可信度的差值越大，使得輿論的轉換效率越快。對于普通的網民其可信度差別不大，值都比較低，而“網絡紅人”他們的高可信度值越高，極化現象越明顯。擁有較高可信度的個體能夠影響別人，讓其他個體向其靠攏，并不斷吸引其他個體加入，而且處于同一意見的個體之間不斷交互加強彼此的觀點傾向度，從而使得其傾向性越發極端化。例如在最近的某明星離婚事件中，輿論在3天內爆發，傳播速度極快，群體分化嚴重，便出現了一邊倒的現象。任立肖，張亮，張春莉[21]也證實了逐漸不斷地改變意見領袖意見值，能比較有效引導輿情傳播。讓這些高可信度的人群能夠正面引導輿論走向，使一些負面極端言論沒有生存環境。

4.3沉默網民要積極、理性地表達自己，規范自己的言論低可信度多次演化會出現分散、消亡的現象。也就是說網絡中一些群眾傾向于發泄自己在現實中受到的不當待遇，發泄自己內心的陰暗面，所以常會在網絡中看到各種謾罵攻擊等黑暗言論，也會出現許多子虛烏有的事件，然而他們的負面意見得不到大眾的支持，經過與其他觀點彼此碰撞，相互辯論，最終被同化、消亡，難以形成輿論。而且這種低可信度（0.2～0.3）的值越低，其被群眾同化的速度越快。低可信度的普通網民，其觀點被關注的概率低，個體間因不信任，使得個體觀點呈現分散狀態，容易使得網民只“看”，不“評”，使得一些正面的觀點、言論被淹沒。因此要避免“沉默的螺旋”，激發那些潛水的群眾勇于表達自己的正面觀點，逐漸形成更強勢的正面極化力量。例如，在最近的中菲關系中，很多沉默的群眾表達了自己的愛國觀點，一些不理性的觀點也在正面觀點的影響下得到了很好的引導。還有一群不能忽視的人群就是學生，這些人在小范圍內形成群體，有極強的傳播作用與極快的事件響應速度，因此要積極引導這些同質化的網民，利用同伴教育，同伴模范等方式，避免其散播不當言論，降低群體極化所帶來的負面效應。

5研究不足與展望

本文的研究視角從基于可信度在個體觀點交互過程中的作用效果，及可信度的差異是否對輿論演化趨勢產生影響而開展了相關研究。因此，為深刻了解社交媒體網絡中的個體觀點交互的演化過程，本研究利用了改進的CODA模型，并且將模擬個體的交互對象設置為其周圍4個相鄰的個體。也許現實的交互情況更復雜，個體差異性影響了可信度，而可信度往往是個區間且伴隨輿論演化而動態改變。故在未來的研究中，將更專注于交互個體的差異性、交互的多元性、可信度的區間性等因素，使研究結果更好地反映個體觀點交互的演化趨勢。

參考文獻

[1]曾祥平，方勇，袁媛，等.基于元胞自動機的網絡輿論激勵模型[J].計算機應用，2007，（11）：2686-2688.

[2]劉云，丁飛，張振江.輿論形成和演進模型的研究綜述[J].北京交通大學學報，2010，（5）：83-88.

[3]王根生，勒中堅.小世界效應的網絡輿情演化遷移元胞模型[J].小型微型計算機系統，2011，（12）：2523-2528.

[4]方薇，何留進，宋良圖.因特網輿情傳播的協同元胞自動機模型[J].計算機應用，2012，（2）：399-402.

[5]Martins A C.Mobility and Social Network Effects on Extremist Opinions[J].Physical Review E Statistical Nonlinear & Soft Matter Physics，2008，78（32）：2365-2389.

[6]Martins，André C.R..A middle option for choices in the Continuous Opinions and Discrete Actions model[J].Adv.appl.stat.sci，2009，（2）：333-345.

[7]Conover，M.D.；Gonalves，B.；Flammini，A.；Menczer，F.Partisan Asymmetries in Online Political Activity[J].EPJ Data Science，2012，（1）：1-19.

[8]Guerra，P.H.C.；Meira Jr，W.；Cardie，C.；Kleinberg，R.A Measure of Polarization on Social Media Networks Based on Community Boundaries[J].International AAAI Conference on Weblogs and Social Media，2013.

[9]Gruzd，A.；Roy，J.Investigating Political Polarization on Twitter：A Canadian Perspective[J].Policy & Internet，2014，6（1）：28-45.

[10]Michela Del Vicariol，Gianna Vivaldol，Alessandro Bessil.etc.Echo Chambers：Emotional Contagion and Group Polarization on Facebook[J].Physics.Soc-ph，2016，（6）：1-14.

[11]Sarita Yardi and Danah Boyd.Dynamic Debates：An Analysis of Group Polarization Over Time on Twitter[J].Bulletin of Science，Technology & Society，2010，30（5）：316-327.

[12]D.Urbig.Attitude dynamics with limited verbalization capabilities[J].Journal of Articial Societies and Social Simulations，2003，6（1）.

[13]J.Lorenz.Continuous opinion dynamics under bounded confidence：A survey[J].Intern-ational Journal of Modern Physics C，2007，18（12）：1819-1838.

[14]趙奕奕.突發性群體事件下基于有界信任規則的輿論傳播機理研究[D].成都：電子科技大學，2014.

[15]Martins，André C.R..Modeling scientific agents for a better science[J].Adv.Complex Syst，2010，（13）：519-533.

[16]S.Gekle，L.Peliti，and S.Galam.Opinion dynamics in a three-choice system[J].Eur.Phys.J.B，2005，（45）：569-585.

[17]張彥超.社交網絡服務中信息傳播模式與輿論演進過程研究[D].北京：北京交通大學，2012.

[18]杭家蓓.網絡社群參與公共決策的群體極化效應理論研究及實證分析[D].南京：南京理工大學，2012.

[19]熊菲.互聯網用戶行為分析及信息演化模式研究[D].北京：北京交通大學，2013.

[20]郭勇陳，沈洋，馬靜.基于意見領袖的網絡論壇輿情演化多主體仿真研究[J].情報雜志，2015，（2）：13-21.

[21]任立肖，張亮，張春莉.無標度網絡機制下網絡輿情傳播演化規律分析[J].現代情報，2014，（2）：8-12.

（本文責任編輯：郭沫含）