基于平台推荐机制和有界信任影响的网络群体观点演化研究*

祁 凯 黎冰雪 杨 志

(1.哈尔滨师范大学管理学院 哈尔滨 150025； 2.哈尔滨工程大学经济管理学院 哈尔滨 150001)

互联网技术的发展，使得网络平台空间延伸、时间开放等特点得到了充分的放大，这为网络媒体平台的观点信息数量呈现出爆炸式增长的态势提供了技术基础。舆情信息复杂性与对抗性的特征变得更为明晰，占据网络媒体平台传播主要流量的非官方信息中存在着大量真伪难辨的谣言与非理性声音。而这些被曲解、放大了公众不理智情绪的观点信息经由互联网的传播将导致各种网络舆情危机，引发一系列社会风险，并对社会大系统稳定造成威胁。因此，对社交网络中的群体观点演化进行研究，对舆情引导工作具有重要意义。在学术界，对互联网媒体平台中的群体观点演化研究已逐步成为热点。近年来研究该问题的经典研究方法是引入从交叉学科视角建立观点演化模型，如应用较为广泛的Deffuant-Weisbuch(DW)模型[1-2]、Hegselmann-Krause(HK)[3]模型等典型有界信任模型(Bounded confidence models)。

在新技术背景下，复杂的个人推荐机制在智能算法的助推下得以衍生，并促成了“回音室”效应的产生[4]，使得网民困于“信息茧房”[5]，这无疑将加大政府进行网络舆论引导和控制的压力。而对群体观点演化规律挖掘是网络舆情引导和控制的必由之路，传统有界信任模型却不能够很好地描述现实网络媒体平台中网民的观点交互情景，如果忽视现实网络媒体平台中网民的观点交互特征变化，不对有界信任模型进行适时的修正扩展，群体观点演化的潜在风险识别能力没有得到相应的提高，就将给舆情导控工作带来巨大挑战。因此，为了更好地探寻网络群体观点演化的内在规律，需要根据现实情境的发展，对现有群体观点演化模型进行改进。本研究从网络媒体平台的现实情形出发对DW模型提出改进策略，通过计算机仿真实验对模型的合理性进行验证，并对有无智能推荐机制时的群体观点变化进行了对比分析。在社会舆情正在发生深刻变革的生态环境下，对有限信任交互机制下的群体观点演化模型进行进一步的扩展，对探析网络舆情演化规律，完善舆情导控具有重要的社会实践意义。

1 文献回顾

离散型舆情动力学模型是早期观点演化研究的经典范式，然而，因其对于个体观点的取值无法描述出处于赞同与反对两个极端之间的模糊态度，此类模型适用范围受限。因此，研究者提出了一种连续型舆情动态模型，用于解决观点连续演化问题。基于有界信任条件的DW模型、HK模型就是代表性连续观点演化模型。有界信任模型所构建的观点交互机制十分形象地揭示了社会群体中个体观点交互规律，虽然模型中的相关参数设定都围绕着微观层面上的个体观点交互进行展开，但不断迭加的个体交互行为也能够反映出宏观层面上的群体观点演化规律[6]。这也是从网络舆情传播视角下进行群体观点演化研究的适用基础。目前，国内外学者基于有限信任模型对群体观点演化过程所进行的研究主要集中在模型扩展、丰富群体决策应用情境这两个方面。

在对有限信任原始模型进行群体观点交互演化规律扩展研究时，意见领袖、收敛参数修改、关系强度、噪声环境等方面因素成为了许多研究者的关注点。在将意见领袖因素引入研究方面：Chen[7]的研究结果表明，领导者的意见对于影响正常个体获得真理具有重要作用，此外，对于某些情况下，定义个体特征的参数的微小变化会导致社会群体的大规模变化。同时，朱晓霞等[8]通过对其构建的意见领袖——跟随者观点演化模型进行仿真实验分析，也证明了意见领袖对公众观点聚合演化具有较大的影响力，且完全跟随者的存在数量对意见领袖的观点传播效果起重要作用。

许多学者对有界信任模型及其修正变体模型的收敛性质进行研究。Schawe等[9]在其研究中考虑了HK有界信任模型的异质性置信水平问题，发现了在某一区域阶段内，同质情况下预计出现意见分裂的反直觉行为机制。还有学者强调了DW模型的收敛特性在数值上虽然可以基于合理猜想而进行观察，但在技术上难以分析的特征。由此对加权因子不小于1∕2的异质DW模型的收敛问题进行求解，并得出了异质DW模型达成共识的一些充分条件[10]。此外，也在对收敛性质进行研究时考虑了其在时间函数上的变化[11-12]。

此外，有研究发现关系强度的水平高低与个体愿意进行信息交流的程度之间具有明显的相关关系[13]，在群体层面上，学界也开始关注到关系强度对群体观点演化的影响。Zhang等[14]在BA网络模型条件下将整合度、网络关系强度等影响因素集成到DW模型扩展过程中，并采用多智能体蒙特卡罗方法对模型有效性进行验证，其结果表明整合参数和关系强度对群体观点极化过程的加速和减速都有双重影响。李根强等[15-16]通过构建基于社会关系强度等因素改进的DW模型，发现高水平的关系强度对网络社群观点聚合速度具有推动作用，而且相较于关系强度水平较低的环境稳定时态条件下的观点数量及其分布方差都要更小。

传统有界信任模型的个体总是处于无噪声环境进行观点交互的，模型初始设定过于理想化，因此有许多研究这一局限进行了完善。孔雅倩等[17]在区分内外部噪音的基础上[18]借鉴DW模型构建决策观点演化模型，结果表明无论是内、外部噪音都会导致群体观点一致的达成时间被延长，从而使得决策系统有序性减低。有研究考虑了环境和通信噪声在异质HK 模型中的作用，对环境噪声存在的情况下的相变和收敛时间进行了研究，该研究证明了个体的异质性对观点实现同步化的阻碍作用[19]。还有许多学者从观点顽固者[20]、个体偏好行为[21]、意见反转等多个方面[22]对有界信任观点交互模型的扩展进行了深入研究。

将有界信任模型带入实践应用的相关研究方面，较多研究者在群体决策的相关研究中通过有界信任规则建立不同的反馈机制，为决策者提供偏好调整建议，以提高群体共识水平。Zhang等[23]在面临社会网络环境下专家对方案的模糊偏好关系所产生的群体决策问题时，将专家领导力和有限信任水平考虑进新的模型构建过程中。Zha等[24-25]主张将有界信任模型融入到群体共识模型的构建中，以此为决策者提供更多可接受的建议。随着研究的不断深入，有限信任模型的应用情境被拓展到了群体推荐、危机处置、风险管理等群体决策问题上：Shao[26]将时间变量引入复杂网络环境下的有界信任连续观点模型，建立了消费者咨询网络的广义自适应模型。模型的提出对探索消费建议网络的动态特征以及消费者群体推荐有一定的实践意义。赵海峰等[27]在其研究中结合有限信任模型，在考虑地铁突发事件的特性的基础上引入局部沟通和有限理性因素，建立了相应的信息传播模型，以提升突发事件中的危机处置能力。赵奕奕等[28]也曾以“抢盐恐慌”为例构建噪音异质舆情传播模型，对抢购突发事件下群体观点演化规律在进行探寻。针对事前风险管理，有学者通过建立一个有界信任两阶段优化模型提出了新的反馈调整机制的共识达成模型，并将共识达成机制融入到事故前风险管理技术FMEA的框架中[29]。

综上所述，随着理论分析与实践问题的发展，在引用传统有界信任模型的基础上对群体观点演化的研究也日趋丰富。在研究方法方面，已有研究成果大多数是基于理论或经验对复杂现实情境中各种可能对群体观点交互产生影响的因素进行模型化抽象，做出合理假设，以此构建相应的群体观点演化模型，并借助计算机模拟仿真软件进行分析归纳，其最终演绎结论对群体意见演化过程也具有很好的现实解释力。然而，纵观对有界信任模型进行扩展、应用的相关研究的现状，可以发现尽管已有学者为更加接近真实的社会网络结构而引入小世界网络[30]或BA网络[31]作为现实情形的模拟。但在现实情境变量的引入上，将现实网络空间中个体对平台信息置信程度的异质性，交互话题的敏感程度，以及由于媒体平台信息的不同内容推送机制所导致的观点交互对象抽取范围差异等因素纳入对DW模型的扩展修正研究目前还尚有不足。鉴于此，本研究从网络媒体平台现状入手，考虑将交互对象范围、平台影响力、话题区分、信息内容推荐机制差异对比引入DW模型并对其进行改进，通过仿真实验对模型的有效性进行验证。

2 模型构建

2.1 DW模型DW模型是舆情动力学中用来反映群体观点演化过程的一种典型传播模型。对于舆情传播而言，传统DW模型的基本设定是，在时刻t从拥有N个行为主体的社会群体中，随机抽取i和j两个独立个体，将二者的观点标记为xi(t)与xj(t)，其中xi(t),xj(t)∈[0,1]，且xi(t)，xj(t)在[0,1]中连续，即个体观点xi，xj在时刻t上越接近0反对态度越强烈，反之则具有强烈的支持态度。给定信任阈值参数ε∈[0,1]，当|xi(t)-xj(t)|>ε时被随机配对进行观点交互的个体i和个体j将保持自身观点，即：

(1)

而当|xi(t)-xj(t)|≤ε时二者将更新其所持观点：

(2)

具体而言，就是在参与观点交互的个体的观点差值满足小于信任阈值的条件时，双方将产生观点交互并更新观点；否则参与交互的个体将忽略对方超出信任阈值的观点，即坚持原有观点。而α∈[0,0.5]是会对群体观点演化产生影响的收敛参数[32]。

2.2改进后的DW模型DW模型在对观点定量过程中不再局限于观点二元形式，而是将观点假设为给定值域中的任意实数，并引入信任阈值，合理映射了实际生活中的个体交互行为，在一定程度上揭示了群体观点的演化规律。然而，具有跨越时间和空间的技术特性的互联网信息技术在快速发展的过程中给传统沟通媒介带来了颠覆性影响。传统DW模型中的交互对象选取单一、收敛参数固定化、不受任何外部因素影响的理想化交互情境等初始设定并不能很好地反映处于网络媒体环境中的群体中的个体观点交互规则。根据现实中的网络群体中的个体观点交互特性，本研究将从以下三个方面进行改进：a.增加交互对象数量，使其适用于一对多的交互环境即考虑多平台的交互环境差异。b.重新设定收敛参数α，在引入网络平台影响力的同时，本研究提出了行为主体观点接纳程度函数用于量化群体对不同话题的接纳程度。c.将智能推荐机制纳入模型，并就改进b中所提及的两种话题，对有无智能推荐机制情形下的观点交互演化过程进行仿真和对比。改进对照如图1所示。

图1 模型存在问题与改进策略对照

2.2.2 重新设定收敛参数 传统DW模型通过固定的收敛系数α反映行为主体在观点交互过程中对他人观点的接受程度。显然，固定的收敛系数使得观点交互过程中的影响因素的差异性没有得到较为准确地反映。为此，本研究引入两个主要变量对收敛系数进行重新设定以体现出个体对他人观点的接纳程度。接纳程度越高，在观点更新过程中观点变化程度越大。

首先考虑平台影响强度。互联网信息技术的普及与发展使得拥有文字、音频以及视频等多样化的信息交互方式的各类社交、媒体传播应用层出不穷。各类应用在市场营销的基础理论下，对市场进行细分，寻找受众，抢占瓜分流量市场，导致不同媒体平台在用户结构上具有较为明显的差异，媒体平台上的观点分化存在显著的跨平台差异[34]。另外，作为信息消费者的网民也会因个人经历与背景的不同而对不同媒体平台表现出异质性的偏好，从而影响其对平台上的某一主流观点的接受程度。换而言之，就同一个体而言，网络媒体平台对其观点的影响强度水平并不是均一化的，而是存在着平台差异。故在模型中引入λ参数以表示平台对个体i的影响强度。

其次将f(1-|xi(t)|)引入作为行为主体观点接纳程度参数来考虑个体意见交互时进行观点更新的程度。在实际交互情形中，由于受到话题内容以及参与交互的个体对自身观点的自信程度和坚定程度的影响，导致不同的个体在不同敏感程度的话题内容下的观点更新程度不同。细而言之，本研究总结了两种话题类型：

a.话题一，在具有明显价值偏好特性内容的话题中，观点越极端的个体所持观点的坚定程度越高，对与之不同的观点接纳程度越低。

b.话题二，在涉及一般性的取舍判断、客观性倾向明显的讨论中，持较中庸、综合观点的个体对所持观点的坚定程度较高。

当然，对某一事件的话题讨论类型不会是一成不变的，它有可能会随着时间的变化，讨论深度的演变而发生转化。此外，交互个体自身初始所具有的观点接纳能力也具有异质性，即部分个体对其他观点接纳程度高(思想开放者)，部分个体对其他观点接纳程度低(封闭思想的行为者)。但由于个体的接纳程度具有较大的随机性，在大样本情况下会被均化，故建模过程中不纳入考虑。基于此，本研究设置了两种接纳程度分布函数来对应表示上述两种话题内容描述的情况。

话题一：观点越极端的个体对其他观点的接纳程度越低，即当|xi(t)|越趋近于1时，f(1-|xi(t)|)越接近于0，此时个体对其他观点接纳程度越低。在大量预实验的基础上将这种情况下的f1(x)设置为线性激活函数，具体表达式为：

(3)

式(3)中ξ是个较小的数，持有观点绝对值在1到1-ξ范围内的个体完全不接纳其他观点，持有观点态度在0到1-ξ范围内的个体的接纳程度随观点强度绝对值增加而线性下降。

话题二：持较综合观点的个体对其他观点的接纳程度较低，即当|xi(t)|越趋近于[0,1]内某个值时，f(1-|xi(t)|)越接近于0，个体对其他观点的接纳程度越低。在大量预实验的基础上将这种情况下的f2(x)设置为均值0.5，方差为1的正态分布的变形，具体表达式为：

(4)

式(4)中，持有观点绝对值为0.5的个体对其他观点完全不接纳，持有观点绝对值与0.5相差越大的个体对其他观点的接纳程度越高。

此外，本文用[-1,1]代替[0,1]来表示个体观点的分布。这种等量代换可以获得更简洁的数学表达式与更对称的演化轨迹。基于上述分析，对DW模型观点演化公式进行改写。首先，将初始DW迭代公式改写成微分形式得到：

(5)

结合以上对现实中的网络平台的舆情观点演化特征的分析，并对DW模型进行改进，得到新的微分模型为：

(6)

2.2.3 差异化信息推送机制的引入 现实中，在舆情演化网络中不同网络媒体推送信息的机制是有差异的，主要分类标准为是否使用智能推荐机制。实际上，在市场趋近饱和与计算机网络技术发展的双重条件加持下，为了保持用户留存率，许多网络内容智能分发平台通过挖取并分析用户的浏览习惯与行为特征获取用户兴趣偏好，有针对性地进行相关内容的持续性智能推送。除此以外，市场上同样还存在着具有新闻采访权，由编辑人工进行文稿撰写与信息资源组织的移动新闻客户端，这种类型的网络内容智能分发平台则通过统一的无差别推送机制向用户发布信息内容[35]。

而当平台滥用智能推荐算法时，容易产生“过滤气泡”，形成“信息茧房”。在这样的现实情形下，作为信息接收者与消费者的互联网个体用户之间会因浏览习惯、观点喜好、自身兴趣等因素之间的巨大差异而使得其客户端中被推送的话题、观点具有明显的标签和分类。因此，对于某一行为主体因智能推荐机制被动的信息过滤而长时间持续接收重复信息受困于“信息茧房”时，不考虑推荐机制对人群的分割效应随机选取个体进行DW动力学模型构建将不再适用，在群体舆情演化机理的阐述中必须考虑到智能推荐机制对个体观点交互产生的影响。为了能更好地刻画网络群体中个体之间的观点交互状况，通过平台是否使用智能推荐机制，对网络媒体用户的观点交互情景进行分类界定。因此本研究将对应内容智能分发平台与移动新闻客户端两种典型网络媒体平台分别设置有无智能推荐机制两种舆情传播情形，并使用仿真模拟实现。

3 舆情传播模型与仿真实现

设置网络节点个数为N=100且拥有一定无标度特性。为了更好地研究两种话题下行为主体在使用不同推荐机制的网络内容智能分发平台中信息交互观点演化的过程，下面将通过一系列计算机仿真实验对两种话题下有无智能推荐机制共四种不同的情况进行逐一研究。此外，仿真实验还从群体水平上观察了观点均值和方差的变化，以确定群体观点的平均倾向和分歧程度。使用Matlab2020a依照已设定的交互规则，对改进后的DW模型进行仿真实验，迭代次数T=80000，在大量预实验基础上，设置λ=10-2、λ=10-1.5、λ=10-1、λ=10-0.5四种平台影响强度。个体观点按照式(4)规则更新，绘制相关曲线时沿时间轴均匀采样200个点。

3.1无智能推荐机制情形下的观点演化在群体样本极大的情况下，在不使用智能推荐机制的移动新闻客户端中持有支持态度或者反对态度的个体数量维持均衡，因此在群体水平上的观点并不会表现出明显的倾向性，但在个体水平上的观点存在较大差异。当媒体客户端无推荐机制时，每个个体所收到的信息是随机的，对应的模型中的交互对象为群体中随机个体。

3.1.1 无智能推荐机制时话题一的观点演化 对于在无智能推荐机制的网络内容智能分发平台进行信息交互的情境下，群体观点的演化过程与结果受到个体i与有近邻关系的N个个体jn观点交互行为的影响，并且受讨论话题一的接纳程度函数f1(x)影响。得到四种平台影响程度下的个体观点演化情景，如图2所示。

(a) (b)

3.1.2 无智能推荐机制时话题二的观点演化 对于在话题二无智能推荐机制的网络内容智能分发平台进行信息交互的情境下，群体观点的演化过程受讨论话题二的接纳程度函数f2(x)影响。依旧设置λ=10-2，λ=10-1.5，λ=10-1，λ=10-0.5四种平台影响强度，个体观点按照式(4)规则更新。得到四种平台影响程度下的个体观点演化情景，如图4所示。

图4 话题二：无智能推荐机制时不同λ条件下个体观点演化

根据图 4所展现的不同λ条件下的个体观点交互过程可以发现，在话题二无智能推荐机制时的情况下，在相同的时间尺度下个体观点演化过程更加平缓且温和。在平台影响强度较低的情况下(λ=10-2，λ=10-1.5)群体观点变化较小，在平台影响强度较高的情况下(λ=10-1，λ=10-0.5)群体观点出现部分聚合，总体呈现了观点的多元化，这与接纳函数f2(x)的设定背景一致。同时图像上观点的聚合位置位于0附近，这是因为这个区域的接纳函数f2(x)的值相对较低，容易与他人的观点进行交互后改变观点。另一接纳函数f2(x)的值相对较低为两端，与情况一的稳定不同，本例中两端的极端个体会向非极端的方向逐渐演化。在本例中，话题二无智能推荐机制的观点均值基本保持在0上下浮动，见图5(a)。而方差随平台影响强度增加而减小，见图5(b)，表明平台影响力越大，平台用户分歧相对越小。

(a) (b)

3.2存在智能推荐机制情形下的观点演化在群体样本极大的情况下，个体水平上的观点存在较大差异，但每个观点都有许多支持者且相近观点之间的差异会缩小。智能推荐机制通过分析浏览偏好给用户打上标签，便于针对性推送相近观点。当内容分发平台使用推荐机制时，每个个体所收到的信息是被系统挑选的，对应模型中的交互对象为个体对应观点值xi(t)一定范围内的个体，m用来智能推送范围。即与观点值在[xi(t)+m,xi(t)-m]的随机个体进行观点交互。m越小智能推送机制的强度越高，在本文所述智能推荐机制中，设定m=0.3。

3.2.1 存在智能推荐机制时话题一的观点演化 在有智能推荐机制的网络内容智能分发平台进行信息交互的情境下，群体观点的演化过程与结果不仅受讨论话题一的接纳程度函数f1(x)影响，还受到系统智能推荐机制的影响。保持各项参数不变，仅添加推荐机制，得到四种平台影响程度下的个体观点演化情景，如图6所示。

图6 话题一：有智能推荐机制时不同λ条件下个体观点演化

根据图6所展现的不同λ条件下的个体观点交互过程可以发现，在话题一有智能推荐机制的情况下，群体观点的演化结果与无智能推荐机制时比较接近，均主要表现为极端个体的观点稳定和非极端个体的观点聚合。但在话题一有推荐机制的情况下，观点聚合的速度大幅提升，且在平台影响强度差异较大的情况下均能在有限时间内实现演化稳定。本例的均值随λ变化的变化不显著，方差随λ增大略微增大，见图7(a)和7(b)。这表明在较高的智能推送强度下，群体的观点分歧会有所加重。这表明智能推荐机制可以增加群体观点演化尤其是观点聚合的速度，此外还表明了在智能推荐机制的作用下，一些影响力较低的平台也可以通过智能推送来影响群体的观点走向、影响个体的观点偏好。

(a)

(b)

3.2.2 存在智能推荐机制时话题二的观点演化 在有智能推荐机制的网络内容智能分发平台进行信息交互的情境下，群体观点的演化过程与结果不仅受讨论话题的接纳程度函数f2(x)影响，还受到系统智能推荐机制的影响。保持各项参数不变，仅引入推荐机制，得到四种平台影响程度下的个体观点演化情景，如图8所示。

根据图8所展现的不同λ条件下的个体观点交互过程可以发现，在话题二有智能推荐机制时的情况下，群体观点的交互速度大幅度上升，且在早期就出现了分簇的情况。与无推荐机制时不同，有推荐机制时观点主要收敛于±0.5附近，即接纳函数f2(x)的极小值附近。本例的均值和方差随λ变化的变化不显著，但仍可以看出λ越大均值和方差的波动越大，不稳定程度越高，见图9(a)和图9(b)。将本例与情况二无智能推荐机制进行对比，可以看出智能推荐机制不仅加快了群体观点演化的速度、促进观点聚合，还影响了群体观点聚合的稳定位置。无推荐机制时，群体聚合的稳定位置与接纳函数f2(x)的整体分布关系更大，因为f2(x)关于0对称，所以聚合在0处附近。而有推荐机制时，群体聚合的稳定位置与接纳函数f2(x)的极值关系更大，因为f2(x)极小值在±0.5附近，所以观点的聚合点也在附近。这与模型的理论推导也是相符的，智能推荐机制下会形成多个观点簇，这些观点簇的分布不再如同传统DW模型一样表现出近似均匀分布的特征，而是集中分布在接纳函数极小值附近。现实中则体现为观点开放度更高的个体会更多受固执个体影响，这种情况在文化讨论中非常普遍。情况二的仿真结果也较好地体现了模型反映部分现实情况的能力。

3.4信任阈值对观点簇数量和收敛速度的影响在传统的舆情动态模型中，信任阈值ε的大小对群体观点交互演化形成的最终观点数量簇有着决定性的影响。因此，需要进一步考察不同取值水平的信任阈值ε对改进后的DW群体观点演化模型的收敛速度和最终数量簇的影响。根据前文所划分的两种话题在有/无智能推荐机制下的四种情形下的演化规则进行仿真实验，在仿真实验中分别设置三个不同水平的信任阈值：ε=0.1，ε=0.3，ε=0.5[37]，得到线性时间内观点数量簇和收敛速度的演化状况，如图10所示。

(a)话题一：无智能推荐机制时 (b)话题一：有智能推荐机制时

(c)话题二：无智能推荐机制时 (d)话题二：有智能推荐机制时

实验结果显示，在四种规定情形下，随着信任阈值ε的增大，观点演化的收敛速率均有所提升，部分情形下最终收敛的观点数量簇减少。此外，信任阈值ε对设定的两种话题类型所产生的影响呈现出不同的特征：在话题一所对应的两种情形下，ε对群体观点演化收敛速率的影响较为显著，反映了人们对于具有明显个体偏好性的话题类型更容易因为相似的观点而产生交互的现象。而ε对在智能推荐机制情形下群体对于话题二的观点演化收敛速率、最终观点数量簇都有重要影响：当信任阈值较低时(如ε=0.1)，无智能推荐机制情形和有智能推荐情形具有差异，存在智能推荐机制的情形中最终观点数量簇较少，即有智能推荐机制平台中所产生的“信息茧房”使得观点相似的个体更容易聚集起来，形成一致的群体观点；当信任阈值较高时(如ε=0.5)，有智能推荐机制情形下群体观点演化收敛速度更快，且有着明显的观点聚合趋势。可以认识到，信任阈值ε始终对群体观点演化具有十分重要的影响作用。

4 模型验证

为了验证本研究基于平台推荐机制环境提出的DW改进模型的科学性和可靠性，选取“做题家朝丁真撒气”这一事件作为案例，并对本文提出的DW改进模型进行仿真，将真实事件的观点值演化数据与模拟数据进行对比。

2020年12月20日中国青年报发表名为《做题家们的怨气为何要往丁真身上撒》的文章，此文一出更是激化了“爆红”全网的四川理塘藏族男孩丁真的支持者与不满其“爆红”现象的反对者之间的矛盾，引发了“做题家朝丁真撒气”的微博话题讨论。该案例正对应了本文所述的具有明显价值偏好的话题一类型，基于此，选取具有智能推荐机制的新浪微博平台作为数据源，爬取了“做题家朝丁真撒气”微博话题下的5908条微博数据。经过初步人工数据筛选、过滤无关微博(如明显的转发广告)后共得到3673条微博，并删除文本中无用内容(如“转发微博”“回复”“@XXX”等)以减少后期对观点取值分析结果的干扰。

图11 群体观点演化对比图

如图11所示，案例方差数据和本模型的模拟演化方差数据较为接近，与传统DW模型演化方差数据和趋势差别较大，为证明模型的可靠性提供了支撑。与案例数据最接近的两条模拟曲线为有智能推荐机制情形下的话题一和话题二，且案例曲线前期演化状况接近话题一在有推荐机制情形下的演化，而后期演化状况接近话题二在有推荐机制情形下的演化。这与群体在对现实中“做题家朝丁真撒气”事件讨论的话题侧重点演化过程相类似：最初对于该话题的讨论集中在“讨厌”或者“喜欢”丁真，即此时的话题具有明显价值偏好特性。随着对事件讨论的深入，群体开始意识到丁真偶然走红之后持续不减的热度让更多的人认识到了理塘扶贫政策落地中基层工作人员的奉献以及该地区丰富的旅游资源，这也将为理塘脱贫成功添上浓墨重彩的一笔。此时，群体的视角开始转向丁真“爆红”现象是理塘扶贫工作的缩影的客观讨论中。案例事件中的实际观点演化与话题一、二两种话题观点演化的对比特征说明了现实中对某一事件的讨论不能用单一话题去概括，其往往是两种乃至更多种复杂话题的结合体，需要进一步的探索和尝试以得出更接近的拟合方式。

5 结 语

本文对DW模型中个体交互过程进行了重构，分析了平台影响力、话题类型影响和智能推荐机制对观点交互过程的影响并对DW模型进行了相应的改进，通过模拟群体观点自由演化的仿真实验的结果来分析不同参数设置下群体观点演化的趋势并引申到实际情形中，使DW模型的应用背景得到了扩展。本文实验结果表明：第一，平台对用户的影响程度会影响群体观点收敛速率，若无推荐机制一般不影响用户观点交互的结果。第二，不论是否存在智能推荐机制，不同话题下的观点交互过程都有较大差异，具有明显价值偏好的话题容易使群体分歧，而敏感程度低的客观话题容易使群体聚合。第三，智能推荐机制可以影响观点交互的收敛速率和结果。通常情况下，具有智能推荐机制的平台上的观点演化至稳定的时间减少，形成的稳定观点簇更集中于接纳函数均值。

本研究的结论对于具有多话题、多平台、有智能推荐机制等特点的复杂观点交互过程的进一步研究有一定的帮助。同时研究结论对实践中的观点导向有所启示：一方面，对不同的话题要采用不同的导向方法，要顺应话题自然交互模型的规律。另一方面，合理利用推荐机制可以影响群体的观点交互过程和演化结果，如政府部门可以合理利用智能推荐机制来进行舆情导向和政治宣传，同时也要防止推荐机制被滥用或恶意利用。另外，通过前文对信任阈值ε的分析可知其在多种平台情形下都对群体观点演化具有重要影响，因而需要注意到信任阈值水平这一参数背后所蕴含的群体交互特性：处于封闭社交网络环境中的用户凭借着强关系纽带形成的低信任阈值将使得用户在某些方面产生群体规范意识，容易产生带有偏向性的极化观点。虽然与具有较强凝聚力的“小圈子”社会形成的半开放圈群中的私密表达相比，公开社交平台上推荐机制带来的“信息茧房”带来的舆情效果总是声势浩大的。但隐蔽性舆情场域所产生的也能够对整个网络舆情发展演化产生重要影响，因此需要加强收集和整理对半开放圈群的舆情信息，以此提高对可能出现的舆情风险的预测能力。

本研究对DW交互模型的改进很好地模拟了现实舆情传播情况，有助于对现实中观点交互进行分类和仿真，也有助于进一步探究群体观点交互的深层次机理。然而现实世界更为复杂，进一步的研究可以结合实际案例对本研究所做出的改进加以调整和优化。