考慮媒體效應的微博網絡熱點事件輿論演化模型

劉 泉榮莉莉顏克勝

(1.大連理工大學系統工程研究所,遼寧大連116024；2.南陽師范學院計算機與信息技術學院,河南南陽473061)

1 引 言

近年來,Twitter、新浪微博等微博應用在人們生活和交流中占據越來越重要的地位.以新浪微博為例,2014年12月的月活躍用戶數為1.757億個,日均活躍用戶數為8 060萬個[1].微博網絡中,較低的信息發布和傳播門檻,多樣的信息內容形式(可以包含文字、網頁和視頻等),以及病毒式的信息傳播機制,使得某些網絡事件參與群體急劇增多,被迅速放大為網絡熱點,短時間內演化成廣泛關注的焦點.作為網絡輿論熱點事件首曝媒介,在2013年微博首曝事件的比例為15%[2],微博網絡在網絡輿論演化中的地位越來越突出.2014年,近四成網絡輿論熱點事件得到涉事主體回應,回應方式以接受記者采訪最多,通過官方網站及微博等網絡形式回應的漲幅明顯[3].這說明,網絡熱點事件的輿論受到網民、媒體和涉事主體等多方面的影響.因此,研究媒體在微博網絡輿論中的影響作用,為了有效應對和引導微博網絡中的輿論,提高涉事主體的輿情應對能力,具有非常重要的意義.

當前,關于網絡輿論的定量研究以建立輿論傳播動力學模型為主,通過仿真研究輿論涌現的規律.依據觀點的類型,輿論傳播動力學模型主要分為:離散觀點模型和連續觀點模型.經典的二維離散觀點模型主要是Sznajd模型[4],經典的連續觀點模型主要是Deffuant有界信任模型[5]和H-K有界信任模型[6].有界信任模型的核心思想是個體同觀點差異在一定閾值(信任水平)內的鄰居交流觀點.目前,對連續觀點模型的擴展主要集中在如下方面:1)對個體觀點受直接鄰居的影響進行擴展,有文獻考慮了最近鄰和次近鄰的影響[7]和更深層級鄰居節點的影響[8],以及隨機節點的影響[9,10]等;2)考慮外部環境的影響作用,有文獻引入了全局性周期擾動[11],考慮排斥交互的影響[12],以及節點可以隨機改變自身觀點的影響[13]等;3)關于網絡結構上的擴展,已有研究研究者分析了分層正式組織[14]、有向小世界[15]、有向自適應網絡[16]、交互網絡[17]和多層耦合網絡中的觀點演化[18,19]、考慮社團結構的影響[20]等;4)考慮節點異質性的研究[21-23]等.在上述相關的輿論動力學研究之外,目前運用超網絡進行網絡輿情的研究正在成為新的研究熱點,其中以劉怡君等提出的包含社交子網、環境子網、心理子網和觀點子網的網絡輿論超網絡模型為代表[24,25].文獻[26]和文獻[27]對意見動力學的研究進行了詳細的綜述.劉怡君等[28]分別從數學、物理學、復雜性科學和社會物理學四個視角,對輿論動力學模型進行了全面的綜述。

但是,上述輿論演化模型均是隨機選擇兩個節點或多個鄰居進行觀點交互,而微博網絡中觀點具有轉發傳播的特點,故將上述模型直接應用到微博網絡中還有一定的局限性.在微博網絡中,用戶發布或轉發的微博將向其粉絲進行廣播,粉絲可以獲得所關注人的評論;而如果用戶不轉發該條微博,其粉絲將不能得到關于該信息的評論.鑒于以上分析,本文針對目前輿論動力學中較少研究外部媒體影響的問題,考慮媒體因素和微博網絡中轉發用戶才能影響其粉絲觀點的特性,以及節點信任界限異質性對輿論的影響,構建了微博網絡中考慮媒體效應的輿論演化模型,研究影響微博網絡中輿論演化的主要因素.最后,在一個真實的Twitter網絡上對模型進行了仿真分析,重點考察轉發概率、媒體效應和節點信任界限異質性等對輿論演化的影響.研究結果表明:存在媒體影響時,個體對媒體觀點的采納幅度越大,媒體引導的效果越好;群體觀點易于改變的輿論熱點事件中,媒體首次報道時間越晚,媒體的引導效果越好.本文的結論同文獻[29]中“政府應慎重發表言論”的結果相吻合.同時,本文的仿真實驗結果也同實例相符合,說明了本文模型的正確性和適用性.本文在微博網絡的輿論演化中考慮了外部媒體的影響作用,根據網絡結構考慮了節點信任界限的異質性和信息傳播過程,構建了微博網絡中的輿論演化模型,研究結果可為微博網絡中的輿論引導與控制提供理論支持.

2 考慮媒體效應的微博網絡輿論演化模型

借鑒經典的傳染病模型—–SIR模型,結合微博網絡中信息和觀點傳播的特點,本文把網絡中的節點狀態分為三類:未激活態節點(S態)、激活態節點(I態)、失去興趣節點(R態).未激活態節點表示尚未接收到消息,但可以接收消息的節點,類似于SIR模型中的S態.激活態節點表示該節點接收到來自其鄰居節點的消息,并轉發該消息,類似于SIR模型中的I態.失去興趣節點表示該節點失去傳播該消息的興趣或能力,類似SIR模型中的R態(本文假設,失去興趣節點雖不再轉發消息,但也可以受媒體影響).

微博平臺出現后,新媒體正悄然改變著熱點事件的傳播路徑:新媒體引發熱點事件—傳統媒體落地—網絡媒體轉載[30].微博中信息發布的零門檻,促使其逐漸成為熱點事件的發源地.當事件在微博中傳播到一定規模時,迅速得到媒體的關注,逐漸形成熱點.為表述方便,本文把傳統媒體報道、網絡媒體報道、當事人回應和官方新聞發布會等統稱為媒體影響.下文把媒體觀點定義為Op.本文引用文獻[11]的思想,把媒體影響作為對全局觀點的周期性擾動,引入到觀點的交互過程中來,進而分析其在微博網絡中輿論演化的作用.

對于模型,做如下假設:1)假設網絡中有N個個體,初始時刻每個個體的觀點值隨機的分布在觀點空間xi(0)∈[0,1].2)假設節點傳播微博信息時均附上自己的觀點,即用戶轉發微博時附帶上自己的評論(某些節點在轉發時可能沒附上評論,為計算簡單,本模型對此進行了簡化處理;同時,模型不考慮微博中評論功能帶來的觀點傳播).有向邊的起點為源節點,有向邊的終點為目的節點.下文為描述方便,定義源節點為目的節點的直接鄰居.

節點的觀點傾向和狀態采用異步更新的方式進行.在每一個時步t,對所有節點的狀態和觀點傾向更新一次.在每一時刻隨機抽取一個節點,根據其上一時步的狀態和觀點傾向、鄰居節點的狀態和觀點傾向來決定該時步的狀態和觀點傾向,當所有節點更新一遍時,該時步結束.具體地,節點狀態和觀點傾向的更新遵循如下規則:

1)如果在t時步,節點i處在未激活態,有β的概率退出演化,在t+1時刻變為免疫態,否則判斷其鄰居中激活態節點數量ΔI,如果ΔI≥1,則其在t+1時刻有λ的概率變為激活態;i在t+1時刻的觀點改變公式為

其中Ni(t)={j|Statej(t)=1且|xj(t)-xi(t)|＜di}是節點i的信任界限內且為激活態的鄰居集.|Ni(t)|表示集合Ni(t)的基數.Statej(t)=1表示節點j在t時刻為激活態.α表示個體i上一時步觀點在該時步觀點中所占權重,本文中取α=1/(1+|Ni(t)|),即權重相等.

為節點i的信任界限,表示對自己觀點的不確定性或者思想的開放性等,其中ki表示節點i的出度,kmax表示所有節點中出度的最大值.

式(2)說明出度大的節點具有較小的信任界限,出度小的節點具有較大的信任界限.值得注意的是,每個時步未激活態節點并不是采納信任界限內的所有鄰居節點的觀點,而是僅僅采納信任界限內的激活態鄰居的觀點.如果取d1=d2=···=dn,并且去掉Statej(t)=1的限制,本文改進模型退化為經典的H-K模型.

2)如果在t時步,節點i處在激活態,則在t+1時刻,有β的概率失去對該消息的興趣,退出演化,變為免疫態,否則變為未激活態;i在t+1時刻的觀點同t時刻保持一致.

3)如果在t時步,節點i處在免疫態,則節點i退出t+1及以后時步的演化,一直保持免疫態,并且觀點跟隨上一時刻不變.

4)在第T個時步,所有個體有q的概率會同時受到媒體的影響,其觀點受媒體影響的改變公式為

其中Opj表示第j個媒體的觀點,Opj∈[0,1];μi為收斂參數,表示個體i接收媒體觀點的幅度,μi∈[-1,1].這里μi的值取決于媒體觀點的可信性、論據的詳實程度等方面.假設q=0.5,θ(y)函數表示個體僅與媒體觀點之差在其信任界限之內時才進行觀點交互,即

值得注意的是,由于上述的媒體作用,觀點演化規則式(3)可能導致個體的觀點超出區間[0,1],為了保持xi(t)∈[0,1],附加如下的強制條件

3 仿真分析

為分析微博網絡中的觀點傳播和輿論演化規律,本文對提出的模型在一個真實的Twitter網絡上進行了蒙特卡洛仿真.從文獻[31]的Twitter網絡數據集中,采用滾雪球的方法和寬度優先的策略抽取了由1 550個節點,33 732條有向邊所構成的子網絡,平均出度為21.76,平均聚類系數為0.372,平均路徑長度為3.466,網絡的出度分布如圖1所示,Twitter網絡為有向網絡.目前已有的實測研究表明,新浪微博和Twitter網絡具有小世界和無標度特性,出度和入度均服從冪率分布[32-35].這說明本文抽取的子網絡符合微博網絡的拓撲結構特征.本文中,節點的信任界限根據式(2)計算,信任界限的取值分布如圖2所示.從圖2中可以發現,Twitter網絡中60%的節點信任界限取值在區間[0.9,1]之間,這說明由于網絡中節點的出度呈冪律分布,使大多數節點的信任界限取值較大,僅有極少數節點的信任界限取值較小.這對目前的部分網絡熱點事件來說,無疑是符合現實情況的.

為討論網絡結構對觀點演化的影響,本文又在有向無標度網絡上進行了仿真研究.用Price有向網絡模型[36]來構建有向無標度網絡.Price有向網絡模型的構造算法為:1)初始網絡為m0個相互連接的節點,在每個時間步t增加一個新的節點i,同時生成m條由m個已存節點指向新節點i的有向邊.2)已存節點被選擇的概率依賴于其出度.理論解析表明Price有向網絡模型的出度服從冪率.這里產生一條已存節點指向新節點的有向邊對應于一個新注冊用戶會收聽一些老用戶.仿真中m0=10,m=10,Price網絡結點個數為1 000,平均出度為9.945,平均聚類系數為0.032,平均路徑長度為3.197,從圖1中可以看出網絡的出度服從冪律分布.Price網絡和Twitter實際網絡不同之處在于,Price網絡中節點的入度均為10,Twitter網絡中節點出度為冪律分布.

圖1 網絡節點出度分布圖Fig.1 Out-degree distribution of network nodes

圖2 節點信任界限分布圖Fig.2 The distribution of node confidence limit

本文運用終態觀點均值M和觀點標準差σx[19]作為參數衡量網絡輿論的總體情況,

其中N表示節點總數,xi(t)表示節點i在t時刻的觀點,(t)表示t時刻觀點平均值.觀點標準差σx值越大,表示觀點越無序;當達到一致性的公共輿論時,σx的值趨近于零.

仿真流程主要分為如下部分:首先,在沒有媒體作用下,考察觀點傳播過程的影響作用;其次,重點研究媒體的作用,并結合觀點傳播過程進行分析.仿真步數為100個時步,每個參數上的結果取100次獨立實驗的平均值,以減小交互過程中隨機性的影響.仿真中隨機選擇一個節點作為初始節點為I態,其余節點為S態,初始節點的觀點值取0.8.

3.1 觀點傳播過程的影響作用

在t=0時刻,每個節點觀點xi(0)均勻分布在區間[0,1]之內.圖3(a)中,當轉發概率比較小時,終態觀點標準差σx較大,此時網絡中很難形成一致性的輿論;隨著轉發概率的增大,終態觀點標準差σx逐漸減小,直至趨于穩定值.當轉發概率增大到一定程度時,σx值穩定在0.15左右(Twitter網絡),近似達到一致性輿論,具體的觀點分布見圖4.隨著轉發概率的增大,觀點傳播的范圍逐漸增大,節點之間的觀點交互次數也逐漸增多,此時網絡中的觀點逐漸趨同.當轉發概率λ增大到一定程度時,觀點標準差σx不再變化,這說明交互次數達到一定程度時,對觀點演化的影響作用逐漸減小.本文也對比了初始節點出度不同的影響,如圖3(a)所示.當初始節點的出度較小時(k0=8),σx值也隨著轉發概率的增大而減小,但是減小的速度較快,形成穩態時需要的轉發概率值也較大;當k0=49,100時,曲線較為相似,這說明當初始節點出度足夠大時,初始節點的不同造成的影響較為有限.這說明對于有較大吸引力的話題,無論是誰最先發布的,都能夠引起一致性的輿論,達成系統共識;對于吸引力較小的話題,發布者的影響力就較為關鍵,僅僅影響力較大的發布者才可能形成較為一直性的輿論.

圖3 轉發概率λ與終態觀點標準差σx之間的關系Fig.3 The relationship between the forwarding probability λ and the standard deviation of the final view σx

本文也對比了不同網絡結構的影響,在Twitter網絡和Price有向網絡中,兩者總體的曲線趨勢相同,僅在初始節點出度較小時,曲線有差別,這是由兩個網絡的連通性不同造成的.在Twitter網絡上,不同的初始節點所造成的終態觀點標準差σx的差異較小,這說明由于網絡的連通性較好,網絡輿論逐漸呈現去中心化的趨勢,這符合實際微博網絡中輿論的特點.在兩個網絡中,當k0=49,100時,隨著λ增至0.4,觀點標準差σx的穩定值在Price有向網絡中反而大于Twitter網絡,是由于Price有向網絡中有更多的大信任界限節點(見圖2),并且Twitter網絡中有部分節點入度為零,其觀點始終未發生變化,而根據網絡構建規則,Price有向網絡中無入度為零的節點.

圖3(b)中,比較了節點信任界限同質性和異質性之間的差異.取同質性時,隨著信任界限取值的增大,終態時觀點逐漸趨同,觀點標準差σx逐漸減小,這同經典H-K模型相吻合.但值得注意的是,即使所有節點信任界限取值較大時(例如di=0.8時),本文模型也不能形成完全一致性輿論(σx=0),這與經典H-K模型不同.在無媒體影響時,本文模型不能形成完全一致性輿論,這可能是三方面因素造成的,一是由于模型中節點存在有界信任的特點,有些信任界限較小的節點改變自己觀點的機會較小,甚至不改變觀點(例如di=0時);二是在信息傳播過程中,并不是所有的節點都能進行觀點交互,即某些節點從始至終未參與到輿論討論中來;三是由于免疫概率β的存在,某些節點在討論的途中失去興趣,觀點不再改變.本文的異質性信任界限取值方法與同質性信任界限di=0.5所得到的結果相似,但是本文的異質性信任界限值在區間[0,0.5]之內的比例為2.4%.這說明對出度較大的節點賦予較小的信任界限,對輿論演化結果產生了顯著的影響.

針對Twitter網絡中,個體觀點隨時間的演化做了具體分析,如圖4所示.由于節點個數較多,為了圖示清楚直觀,本文把節點觀點分為5個區間[0,0.2),[0.2,0.4),[0.4,0.6),[0.6,0.8),[0.8,1],分別在轉發概率λ=0.05,0.1,0.3,0.6四種情形下分析了隨時步落在各個區間的節點數量變化情況.

圖4 隨時間變化的各區間觀點數量,Twitter網絡,初始節點為k0=49Fig.4 Time evolution of opinion number with different spreading rate,Twitter network,the initial node k0=49

從圖4(a)中可以看出,當轉發概率λ=0.05時,五個區間上的觀點比例差別不大,均集中在0.2左右;圖4(b)中,隨著轉發概率λ的增加(λ=0.1時),區間[0.4,0.6)內的觀點數量急劇增加,區間[0,0.2)和[0.8,1]內的觀點數量逐漸減少;當轉發概率λ=0.3,0.6時,兩者保持了相同的曲線趨勢,同λ=0.1相比,區間[0,0.2)和[0.8,1]內的觀點比例更少,均在5%左右.這說明隨著轉發概率的增大,觀點交互次數的增多,系統中的極端觀點越來越少,大部分節點的觀點集中在中間部分,這種觀點的演化趨勢同經典H-K模型相吻合.

3.2 媒體的影響作用

在本節的仿真中,主要考察媒體因素的影響,僅在Twitter網絡中進行了仿真,設定參數λ=0.3,k0=49,β=0.05.假設T=T0+5h,h=0,1,2,...,9時步,節點同時與媒體信息進行觀點交互,T0為媒體首次報道時間,媒體觀點為OP=0.8.為簡單起見,本文仿真中將所有媒體的觀點統一設置為OP,但是也可以將本文模型推廣到媒體觀點不同的情況.

圖5為不同的媒體影響次數m下,終態觀點均值M與μ的關系圖.本文中μ為收斂參數,表示個體對媒體觀點的采納程度,同媒體觀點的說服力有關.在圖5(a)中,t=0時刻,90%的節點觀點均勻分布在[0,0.2]內,剩余10%節點的觀點均勻分布在[0.2,1]內,可得系統初始觀點平均值M0=0.15;在圖5(b)中,t=0時刻,每個節點觀點在[0,1]之間服從均勻分布,系統初始觀點平均值M0=0.5.從圖5能夠看出,對于固定的媒體影響次數m,隨著μ值的增加,終態觀點均值M增大.對于固定的μ值,當μ＞0時,隨著媒體影響次數m的增加,終態觀點均值M增大;μ＜0時,隨著媒體影響次數m的增加,終態觀點均值M減小.對比圖5(a)和圖5(b)時可以發現,兩者在總體上有著相同的變化趨勢,在細節上可以發現,相同的m和μ值下,初始時觀點均值大時,終態M值也較大.圖5表明,在相同的影響次數下,媒體的論據越詳實,觀點說服力越強,才越能有力的引導輿論;當不知道事情真相,論據含糊時,不要過多的得出結論,謹防說的越多,錯的越多的情況發生,沒有起到正面的效果,反而引起公眾的質疑.上述結論同文獻[29]的結果吻合,其認為“當非常規突發事件引發公共恐慌時,政府應該慎重發表言論,注重自身的公眾形象,并在應急政策準備充分情況下,盡快公布事件真相”.值得注意的是,圖5中還可以發現,即使提供了有力的論據,也需要經過多次影響,才能達到預設的引導目標.

圖5 有媒體時,終態觀點均值M與μ的函數關系,OP=0.8Fig.5 The final magnetization M as the function ofμ,when there is an influence of media,OP=0.8

由于觀點平均值并不能完全反映觀點的有序性,本文又使用觀點標準差σx來輔助觀測終態時的觀點一致性,如圖6所示.從圖6(a)可以看出,對于固定的μ值,當μ＞0時,σx值隨著m值的增大,先增大后減小;σx的最大值出現在m=3,μ=1時.這說明媒體觀點同公眾初始觀點相左時,經過三次左右的宣傳,輿論達到最混亂,隨著影響次數的增多輿論逐漸趨于一致,這同現實生活中公眾對新事物的認知過程相一致.對于一個新生事物、新產品或新技術,公眾的認知同樣是從未知、恐懼到混亂,再到一致和接受的過程.對比圖3(a)與圖6(b)可以發現,媒體的影響作用是十分顯著的,當媒體宣傳起正向作用時,媒體可以促使系統的觀點更為一致.

圖6 有媒體影響時,終態觀點標準差σx與μ的關系,OP=0.8Fig.6 The standard deviation of final opinion σxas the function ofμ,when there is an influence of media,OP=0.8

通過調節系統初始觀點平均值,進一步觀測初始觀點分布對系統觀點演化的影響.從圖7中可以發現,在初始觀點分布不同時,達到相同的M值,M0=0.15時比M0=0.5均需要多花費4次左右的宣傳;對于固定的m值,M值隨著M0的增大而增大,當m=10時,M值趨同.橫向比較可以看出,初始觀點分布的不同,使媒體需要提供不同的影響次數才能達到相同的宣傳效果.值得注意的是,即使初始時社會輿論同媒體觀點相差較大,經過多次的引導(m≥10),同樣可以達到預設的效果.

圖7 終態觀點均值M和媒體影響次數m之間的關系Fig.7 The relationship between the mean of the final state view point M and the number of media influence m

圖8 不同的媒體首次報道時間下,媒體影響次數m與終態觀點均值M和觀點標準差σx的關系Fig.8 The relationship between the number of media influence m and the mean of the final state view point M and the standard deviation of final opinion σxunder different media first reported time

本文也分析了媒體首次報道時間對終態觀點均值M和觀點標準差σx的影響.圖8(a)中,在初始平均觀點同媒體觀點差異較大時(M0=0.15,OP=0.8),固定m值時,終態觀點均值M隨著T0增加而增加,當T0達到一定程度時,其影響作用變得不再明顯.圖8(b)中,固定m值時,觀點標準差σx隨著T0增大而增大,當T0增大一定程度時,觀點標準差σx保持不變;T0＞25時,觀點標準差σx的峰值提前至m=3處,說明媒體首次報道時間越晚,將導致觀點混亂的時間提前.從圖8可以發現一個有趣的現象,隨著T0增大,終態觀點均值M和觀點標準差σx同時增大,這說明系統觀點平均值增大的同時,系統中觀點卻更加混亂.

本文對比了終態時節點的觀點分布,如圖9所示.

圖9 終態節點觀點分布比例圖Fig.9 Distribution proportion diagram of final state node point of view

圖9表明,造成上述狀況的原因是,T0=25,50時,70%以上的節點觀點集中在[0.6,0.8]區間內,而在[0,0.2]區間的數量多于T0=5時,這造成了觀點標準差較大.當T0較大時,系統中已經初步形成較為統一的觀點,此時同媒體觀點交互,由于信任界限的存在,少部分極端節點不再采納媒體觀點,但絕大部分節點觀點向媒體觀點靠近,這說明隨著初次介入時間推遲,反而取得了更好的宣傳效果,這一結論與人們的常識相反.由于本文對于信任界限的設置方式,絕大部分節點具有較大的信任界限,故對媒體觀點的采納影響較小,這說明本文的結論較適用于部分群體觀點易于改變的輿論熱點事件中.對于群體觀點難以改變的網絡群體性事件,媒體介入的越晚,其起到的作用則將可能有所不同.

4 實例驗證

為研究真實熱點事件中網絡輿論的演化過程和演變規律,針對“成都女司機變道被暴打事件”隨機從新浪微博中分兩個時間點(第一個時間點為5月3日,第二個時間點為5月5日)分別抓取了300條消息,然后對這些數據進行了觀點分析.為保證準確率,對微博消息的觀點分類采取了人工判別方法[37],三人交叉標注消息觀點,至少兩人標注結果一致或相近時,認為該結果正確.

實例簡介:2015–05–03,成都商報官方微博發布消息“嬌子立交發生暴力打人事件”,稱成都市一名男性司機逼停一名女性司機后,將其拉下車痛毆.該報道迅速引起眾多網絡媒體和傳統媒體報道和轉發,一時引起網絡熱議.05–04晚,該男司機行車記錄儀拍下的視頻被多個媒體曝光,顯示女司機多次變道在先,別車險造成事故.

根據從新浪微博平臺中抽取的5月3日的300條評論作為樣本,得到了該事件的初始網絡輿情分布,如 圖10(a)所示.從圖10(a)中可以看出,主要的網絡觀點為“反對暴力,無論誰有過錯,男司機都不應該打人”.如果假設最極端觀點“完全是女司機過錯”的觀點值為1,“完全是男司機過錯”的觀點值為0.為圖形表示方便,將實際存在觀點歸結為四類:“男司機過錯”、“女司機過錯”、“雙方均有過錯”、“無論雙方誰有過錯,不該打女人”.采用人工標注的觀點值,根據式(6),可計算得此時該事件的初始平均觀點為0.369.

圖10 “成都女司機被打事件”觀點分布圖Fig.10 The viewpoint distribution diagram of“Chengdu women driver beaten event”

根據5月5日的300條評論作為樣本,得到了該事件的終態網絡輿情分布,如圖10(b)所示.由于媒體公布的視頻可信程度較高,造成了網民觀點的急劇轉變,網絡中主流觀點變為“女司機該打”.此時,存在的觀點可以歸納為三類:“女司機該打”、“男司機該罰”、“雙方均有過錯”.根據式(6),可計算得終態觀點均值為0.809.從該實例可以看出,在媒體的不斷報道之下,網絡輿論呈現極大多數支持男司機的局面,形成了網絡意見的近似一致狀態.此時網絡中的觀點分布情形對應于本文仿真實驗圖5和圖6中μ=1,m＞5時的結果,仿真實驗表明,在論據充分時,經過多次報道可以形成群體意見的基本趨于一致.從以上的對比可以看出,本文的仿真實驗結果與實際統計數據基本吻合,說明了本文模型的正確性.

5 結束語

本文針對微博網絡中只有轉發節點才能影響其鄰居節點觀點的特性,并著重考慮媒體影響以及節點信任界限異質性對輿論的影響,提出了一種微博網絡中考慮媒體效應的輿論演化模型,研究了影響微博網絡中輿論演化的一些主要因素.研究結果表明:無外部影響時,對于極具吸引力的話題,微博網絡中有較大概率形成近似一致性輿論;有媒體影響時,媒體論據的說服力決定著媒體宣傳的效果;初始觀點分布影響著媒體需要宣傳的次數,同時媒體首次報道時間也影響著宣傳的效果.

本文提出的模型能夠較好的反映微博網絡中輿論演化的真實情況,可以還原諸多的輿論現象,如在媒體影響下的輿論反轉等.知名博主在微博網絡中具有較強的影響力和話語權,能夠較大的影響網絡中輿論的發展.普通微博用戶只有在發布一些具有吸引力的話題時,才可能在網絡中形成較一致性的輿論.當社會中的個體普遍具有較高的信任界限時,媒體介入時間越早并非總能取得較好的引導效果.媒體觀點需要有力的論據作為支撐,否則只能適得其反,同時,即使提供了有力的證據,也需要多次宣傳,才能達到預設的引導目標.本文的工作有助于深入剖析微博網絡中的輿論演化規律,為進一步研究網絡群體性事件在微博網絡中的輿情演化和預警提供理論基礎.本文研究的考慮媒體效應的微博網絡觀點演化機制,具有一般性,可以推廣應用到其他研究領域,例如,能夠對研究新技術的傳播過程,新產品的廣告投放策略等提供有益的補充.本文模型主要適用于個體觀點易于改變的網絡熱點事件,未來的工作是研究更多類型事件中輿論的特點,同時研究媒體觀點變化時輿論的演化規律,為微博網絡中的輿論控制提供具體的建議.