基于复杂网络的在线口碑传播模型研究

摘 要： 在线口碑已成为信息传播领域的核心力量，对其进行系统分析对于理解当代社交媒体环境中的消费者行为至关重要。论文引入了传播激活和接受激活的概念，基于病毒传播的SIR模型构建在线口碑传播模型，并运用复杂网络和系统仿真的方法模拟在线口碑传播过程，深入探讨了不同因素对在线口碑传播规模的影响，识别了在线口碑传播网络中各个节点的特征并分析了网络的结构特性。结果表明，不同因素对在线口碑传播规模的作用不同，且关键节点和免疫节点具有不同的属性特征。此外，研究还发现在线口碑传播网络具有小世界特性和无标度特性，该结论进一步丰富了在线口碑传播的理论框架，也为企业网络营销策略及产品质量追溯的优化等提供一定的应用参考。

关键词： 在线口碑；口碑传播模型；复杂网络；Netlogo

中图分类号： TP 273

文献标志码： A

Research on Online Word-of-Mouth PropagationModel Based on Complex Network

Abstract： Online word-of-mouth has become an important method to spread word-of-mouth， and the process of online word-of-mouth communication is systematically analysed in order to truly reflect the behaviour of word-of-mouth communication. Considering the influencing factors of word-of-mouth， this paper proposes an online word-of-mouth communication model based on the SIR model of virus transmission. Then， complex network and system simulation are used to simulate the online word-of-mouth communication process. This paper aims to explore the effects of the influencing factors of online word-of-mouth communication on the scale of word-of-mouth communication， identification of the characteristics of each node， and analysis of structural characteristics in the online word-of-mouth communication network. The results show that different factors have different effects on the scale of online word-of-mouth communication. The attribute characteristics of key nodes and immune nodes are different. Moreover， online word-of-mouth communication networks have small world characteristics and scale-free features.

Key words： online word-of-mouth; word-of-mouth communication model; complex network; Netlogo

综合现有文献发现，目前研究主要集中于在线口碑如何影响消费者购买决策，对其传播过程及传播网络的关注较少，在构建在线口碑传播网络时，多采用实证研究方法，侧重于分析静态的影响因素，忽视了消费者个体间的相互作用。此外，现有的在线口碑形成与传播过程研究多依赖于解析数学模型或消费者行为分析，难以真实反映口碑传播的复杂性。因此，如何全面、系统地分析在线口碑传播过程已成为学术界亟待解决的问题。

鉴于此，本文采用系统仿真的方法研究在线口碑传播的影响因素，动态地考察各因素对在线口碑传播的作用，基于病毒传播SIR模型和复杂网络理论研究在线口碑传播过程模型和在线口碑传播网络的结构特征，弥补了实证研究方法的不足，为在线口碑传播影响因素研究提供了一种新视角。与以往的在线口碑传播模型不同，本文在构建模型时加入传播影响因素，考虑影响因素对传播过程的影响，并在口碑传播过程中引入传播激活和接受激活的概念，使在线口碑传播模型更加贴近实际情况。本文的研究不仅深化了对在线口碑传播过程的理解，也为企业改善网络营销策略、优化产品质量追溯流程、提升品牌形象及指导消费者决策等具有重要的实践意义。

1 相关研究现状述评

1.1 口碑影响因素研究现状

当前在线口碑影响变量的研究主要集中在传播者、传播内容和接收者三方面。对接收者而言，口碑传播过程中主要关心在线评论的来源可靠性。来源可靠性指接收者对于信息来源的感知可靠性，包括两个重要的方面：传播者专业能力和传播者可信度。传播者的专业能力是指信息传播者被信息接收者所感知到能提供正确信息的能力。Bansal的研究证明传播者的专业能力越强，接收者对其传播的口碑信息越信任，进行再传播的意愿也更高。传播者的可信度是接收者对传播者个人特质的判断，包括其地位、声誉和经验等，传播者的可信度越高，其传播的在线口碑的影响力越大。人们在网络中传播口碑信息往往受一定动机驱使，一般包括利他动机和自我提升动机两部分。出于利他动机的传播者是为了帮助他人购买到满意的产品和服务或防止他人上当受骗，而出于提升自我动机的传播者是为了提高自己在网络社区的地位、声誉。因此，本文纳入传播者的专业能力、可信度、传播动机和传播者与接收者的关系强度这四个变量，以研究其对在线口碑传播的影响。

在传播内容方面，研究者普遍认为口碑效价是有说服力的，正面在线口碑强调产品或服务的优势并鼓励人们购买，相反，负面口碑则强调产品/服务的弱势并不鼓励人们购买。Baumeister等还发现负面效价比正面效价更有影响力。除了口碑效价，口碑的数量和质量也会影响在线口碑传播的效率和质量。在线口碑的数量往往体现出某种产品的流行程度。Jumin等研究发现消费者的购买意向会随着口碑数量的增加而提高。Filieri等的研究表明信息的质量（包括信息的准确性、相关性和及时性）会影响消费者对口碑信息的认同，从而影响口碑的传播。因此，本文将口碑效价、口碑质量、口碑数量纳入在线口碑影响因素模型。

在接收者方面，总结过往研究发现，涉入度、感知风险和专业能力三个因素会影响口碑传播意愿。涉入度指产品或服务与顾客相关度或者对顾客的重要程度，消费者涉入度越高，对产品口碑信息的关注度越高，其参与传播积极性也越大。接收者的专业能力决定了接收者对在线口碑内容的理解程度，Bloch等研究发现该能力正向影响口碑传播的规模。感知风险大小指信息接收者感受到产品/服务的重要性与价值不确定性的乘积。接收者认为产品/服务很重要，且价值不确定性越高，其感知风险则越大，进而再传播该口碑信息的意愿就越小。综上，本文将接收者的涉入度、接收者的专业能力、感知风险大小作为影响在线口碑传播的因素。

1.2 复杂网络的研究现状

复杂网络简而言之即呈现出高度复杂性的网络。近年来，复杂网络理论逐渐被运用到口碑传播过程研究中，如李园伟等构建了一种新口碑信息传播模型De-SHIR模型，探究口碑信息传播的宏观规律以及微观个体特质对其传播的影响。目前，也有部分学者开始借鉴病毒传播中经典的SIR模型和采用元胞自动机或多Agent建模仿真的方法来动态地考察分析在线口碑传播过程。焦玥用元胞自动机模型分析了不同类型口碑、不同消费者初始状态对口碑传播的影响，但该模型对口碑传播主体的属性和传播过程的设置过于简单，不能充分反映口碑传播的复杂性。蒋帅建立了在线口碑传播的多Agent模型，但在建立模型时对现实情况作了较多的假设和简化，对传播衰退系数等参数的估计存在较大的主观性，从而难以准确反映在线口碑传播的真实过程和效果。赵敏基于复杂网络，利用微博数据进行仿真，研究了不同口碑类型和客户认知度对于在线口碑传播的影响，但是对在线口碑传播网络的结构特性未展开充分研究。在目前为数不多的相关研究中，研究者几乎都重点关注口碑传播网络结构特征，忽略了对传播过程的深入分析和口碑传播的影响因素对口碑传播过程的作用。因此，本文以复杂网络为视角，在分析在线口碑传播过程的基础上，将在线口碑影响因素融入模型中，并利用系统仿真的方法，在研究口碑传播网络结构特征的同时验证各影响因素对在线口碑传播的作用。

2 在线口碑传播仿真模型

2.1 基于SIR模型的在线口碑传播模型

网络信息传播研究始于传染病流行问题，后逐渐延伸至谣言传播和口碑传播领域。在病毒传播过程研究中，SIR模型是最经典的模型之一。该模型将人e3kgFIk05/8FNzoZrCf9MtX3EPnZDnYIimiQ4AwJyQ8=体状态归结为三类——易感染状态S（susceptible）、感染状态I（infected）和免疫状态R（remove/recover），其中S状态的个体可能感染病毒从而变为I类个体，I状态的个体可以将病毒传染给S类个体，R状态的个体是指被隔离或有免疫力的人。由于在线口碑信息传播过程与病毒传播过程具有相似性，即在在线口碑传播过程中，潜在传播者有一定概率进行口碑传播，口碑接收者可能接受口碑信息成为潜在传播者，同时也可能不接受口碑信息而成为免疫者。因此，本文提出的在线口碑传播模型是建立在SIR模型基础之上的。

结合病毒传播SIR模型的概念，本文认为在线口碑传播网络中与之相对应的三类个体即为接收者（S）、潜在传播者（I）和免疫者（R）。其中，接收者（S）是指互联网上的网民个体，他们会接触到传播者在网络中传播的口碑信息，并且会根据自身的知识和经验对信息进行判断，有一定的概率成为潜在传播者，也有一定的概率成为免疫者；潜在传播者（I）是指接触到口碑信息并且认同口碑信息内容的个体，其有一定的概率将口碑信息传播给接收者；免疫者（R）是指接收到口碑信息但不认同口碑信息内容的个体，其对本次口碑传播免疫，也不会再传播口碑信息。

在分析在线口碑的影响因素及传播过程的基础上，本文将影响因素融入在线口碑传播模型中，认为三大类影响因素对消费者传播意愿的作用将通过影响消费者的传播激活概率和接受激活概率体现。根据前人实证研究的成果，本文在模型中假设传播者传播动机通过影响传播者的传播激活概率从而影响在线口碑的传播；假设接收者专业能力、传播者可信度、接收者涉入度、传播者专业能力、接收者感知风险、口碑质量和口碑数量会通过影响接收者的接受激活概率从而影响在线口碑的传播；假设传播者与接收者的关系强度、口碑效价对传播激活概率和接受激活概率均有影响。为了避免模型过于复杂，暂时不考虑各影响因素之间可能存在的因果关系，由此构建的在线口碑传播模型如图1所示。

本文构建的在线口碑传播模型中引入了传播激活和接受激活两个概念，使在线口碑传播模型更容易用计算机语言来表达。潜在传播者受到自身传播动机、传播能力等的影响会选择是否传播口碑信息，这就是传播激活。口碑接收者在某次口碑传播过程中可以选择不接受口碑信息即变成免疫状态，或者认可口碑信息内容，从而进一步选择是否成为潜在传播者继续传播口碑信息，这就是接受激活。同样，潜在传播者也需要传播激活才会进行实际的口碑信息再传播行为。

2.2 在线口碑传播仿真模型

在2.1节构建的在线口碑传播模型的基础上，本文利用多Agent技术构建在线口碑传播仿真模型，通过仿真实验模拟在线口碑的传播过程，研究影响因素对在线口碑传播规模的作用并分析在线口碑传播网络的结构特性。本研究认同以往学者将在线口碑划分为初始传播和再传播两个阶段的理念，并认为再传播是在线口碑信息大范围快速传播的关键，因此主要研究再传播阶段的在线口碑传播，在仿真实验时不考虑在线口碑的初始传播，只考虑在线口碑的再传播。此外，由于口碑效价在传播过程中不可控，因此在仿真模拟时不考虑口碑效价因素对在线口碑传播的影响。在线口碑传播仿真模型如图2所示。

3 模型仿真模拟

3.1 仿真研究假设

本仿真模型用Netlogo软件。考虑到现实生活中在线口碑传播的复杂性，为了达到本次仿真模拟的目标，有必要对现实情况进行一定的简化。为此，本仿真研究有如下4项假定：

H1：只考虑在线口碑传播仿真模型中的影响因素，且这些影响因素可量化。

在仿真实验部分只考虑在线口碑传播仿真模型中的9个影响因素，至于这些因素对在线口碑传播规模的影响作用有多大，本文只做定性研究。

H2：只考虑一个初始在线口碑源的情形。

在现实中，在线口碑传播可能存在多个初始传播源。由于多个初始传播源的口碑传播过程和单个初始口碑传播源的传播过程是一样的，考虑到计算机运算能力有限，因此适当简化仿真模拟过程，只考虑一个初始在线口碑源的情形。

H3：影响因素取值总体符合正态分布。

钱斌在对餐饮行业口碑传播的实证研究中发现，在线口碑传播影响因素的取值服从正态分布。因此，本研究假设在线口碑传播中每个影响因素取值的概率分布总体符合正态分布。

H4：仿真时每轮在线口碑传播对应一个时间单元。

本研究假定在Netlogo软件进行仿真模拟实验时选择连续更新方式，每个时间单元内进行一轮在线口碑传播，不存在同一时间单元内进行两轮在线口碑传播的情形。

3.2 仿真主体属性描述

本研究的目标主要是针对传播行为的主体，包括潜在传播者、接收者和免疫者，根据在线口碑传播过程的描述，这三类主体的属性可以分为以下四类：第一类是在线口碑传播影响因素；第二类是主体传播激活和接受激活的概率值，包括主体人际再传播概率、群体再传播概率和主体接受激活概率；第三类是程序运行过程中所需的一些中间变量；第四类是全局变量，用来计算传播网络结构特征，包括节点的平均路径长度和度分布。全局变量直接调用Netlogo软件内置的属性变量，前三类属性的具体设置如表1所示。

上面对于主体属性的描述中，主体在线口碑传播影响因素属性的赋值采用数字1～100，数字越大表示其影响作用越大。第二类属性中，主体传播激活概率值和接受激活概率值取决于其影响因素属性值的高低。其中，传播激活概率值等于传播者传播动机和传播者与接收者的关系强度两个因素取值的平均值。接受激活概率值等于传播者与接收者的关系强度、接收者专业能力、传播者可信度、接收者涉入度、传播者专业能力、接收者感知风险、口碑质量和口碑数量八个因素取值的平均值。

3.3 仿真主体交互规则描述

主体Agent之间的交互规则描述了主体的人际再传播行为、群体再传播行为以及接受口碑信息行为需要遵从的行为准则，因此本研究主体间的交互规则即为潜在传播者个体的传播激活规则和接收者个体的接受激活规则。

主体Agent的人际再传播激活规则：如果潜在传播者的人际再传播激活概率值大于一个0～100的随机数，则进行人际再传播，将口碑信息通过一对一在线沟通形式传播给下一个接收者。

主体Agent的群体再传播激活规则：如果潜在传播者的群体再传播激活概率值大于一个0～100的随机数，则进行群体再传播，将口碑信息转载/转发到网络平台，其影响范围是群体性的。

主体Agent的接受激活规则：每次接受仿真时，如果个体的接受激活概率值大于一个0～100的随机数，则表示其认可口碑信息，成为下一个潜在传播者；如果接受激活概率值小于这一随机数，则表示其不认可该次传播的口碑信息，成为本次口碑信息传播中的免疫者。

3.4 仿真算法

在Netlogo软件中，在线口碑传播过程的仿真是通过不断地重复执行每一步的仿真算法实现的。仿真算法说明了每一个仿真步长的所有操作，包括每一个Agent属性的变化、Agent之间的信息交互和新Agent的产生。本研究的仿真算法如图3所示，算法阐明了每一个主体在每次口碑传播过程中属性状态的变化。

对于上述仿真执行算法中的8个关键步骤做进一步的说明：

（1）给网络中每个IsGroup=1且IsAccept=1的群体传播节点连接一个新节点，并设置属性值； 给网络中每个IsGroup=0且IsAccept=1的人际传播节点连接一个新节点，并设置属性值。该步骤表示网络中进行群体传播的节点在本次仿真步长中将口碑信息传播给一个新的接收者，并且在下一次仿真步长再次添加一个新的接收者，以此类推直至仿真结束，而网络中进行个体传播的节点在本次仿真步长中将口碑信息只传播给一个新的接收者。

（2）判断新节点是否接受口碑信息，如果接受则成为潜在传播者，将其IsAccept设为1，并在下一步判断是否进行人际再传播或群体再传播，执行（3）和（4）。如果不接受则成为本次口碑传播的免疫者，将其IsAccept设为0且不再参与口碑信息的传播，不再执行（3）和（4）。

（3）判断IsAccept=1新节点是否人际再传播口碑信息，如果主体进行人际口碑再传播，则将其Is-to-Person值设为1;如果不进行人际再传播，则将其Is-to-Person值设为0。

（4）判断IsAccept=1的新节点是否群体再传播口碑信息，如果主体进行群体口碑再传播，则将其Is-to-Group值设为1;如果不进行群体再传播， 将其Is-to-Group值设为0。

（5）将所有Is-to-Person=1且IsAccept=1的节点连接一个新节点并设置属性值，设新节点的IsPersonNew=1；将所有Is-to-Group =1且IsAccept=1的节点连接一个新节点并设置属性值，设新节点的IsGroupNew= 1。对于经判断后决定进行人际再传播的节点，产生一个新节点与之相连，表示其将口碑信息传递给了一个新的接收者。对于经判断后决定进行群体再传播的节点，产生一个新节点与之相连，表示其将口碑信息传递给了一个新的接收者。

（6）判断新节点是否接受口碑信息，如果接受则成为潜在传播者，将其IsAccept设为1，并在下一步判断是否进行人际再传播或群体再传播，执行（3）和（4）。如果不接受则成为本次口碑传播的免疫者，将其IsAccept设为0且不再参与口碑信息的传播，不再执行（3）和（4）。

4 仿真结果分析

在本研究的仿真实验中将仿真步长定位为40步，即模拟在线口碑信息在网络平台中进行40次传播的情形。仿真模型的界面如图4所示。图4中黄色圆点代表初始在线口碑传播源。与黄色节点直接相连接的节点是初始口碑传播源传播产生的，其他节点则是通过口碑再传播行为产生的。其中：红色节点表示群体再传播节点；灰色节点表示口碑传播的免疫者；黑色节点表示该节点是通过红色节点群体再传播接触到在线口碑信息的；蓝色节点表示该节点是通过其他节点人际传播行为才接触到在线口碑信息的。图4中节点之间的连线表示在线口碑信息在传播者和接收者之间的传播。所有的节点和连线组成了在线口碑传播网络。

对于在线口碑传播影响因素的作用，本文共研究了9个影响因素，包括传播者的专业能力、传播者的可信度、传播者的传播动机、传播者与接收者的关系强度、接收者的涉入度、接收者的专业能力、接收者的感知风险、口碑数量、口碑信息质量。

在研究这9项因素对在线口碑传播规模影响作用实验中，在控制其他8个因素不变的前提下，分别对每项影响因素的取值分布总体的平均值进行控制。平均值Mean设置4个不同的值，分别取15、40、65、90，方差取1保持不变。对每个不同的值重复实验10次，记录每次在线口碑传播网络的规模。通过对40次实验数据的分析，得到影响因素对在线口碑传播规模的作用。

在控制其他8个变量不变的前提条件下，设置不同的某一属性值。仿真模拟得到的结果如图5-13所示。

结果表明：总体而言，传播者的专业能力正向影响在线口碑传播规模，即传播者专业能力越强，传播规模越大；传播者的可信度正向影响在线口碑传播规模，即传播者可信度越高，传播规模越大；传播者的传播动机正向影响在线口碑传播规模，即传播者传播动机越强，传播规模越大；传播者与接收者的关系强度正向影响在线口碑传播规模，即传播者与接收者的关系强度越高，传播规模越大；接收者涉入度正向影响在线口碑传播规模，即接收者涉入度越高，传播规模越大；接收者专业能力正向影响在线口碑传播规模，即接收者专业能力越强，传播规模越大；接收者感知风险负向影响在线口碑传播规模，即接收者感知的风险越大，传播规模越小；口碑数量正向影响在线口碑传播规模，即口碑数量越多，传播规模越大；口碑信息质量水平正向影响传播规模，即口碑质量水平越高，传播规模越大。

对仿真结果进一步分析发现，这些因素在实验中对于在线口碑传播规模的影响并不是确定的。一方面，每次在线口碑传播网络的规模都是不确定的，例如当口碑的质量固定时，每次传播规模也都在发生变化；另一方面，影响因素的作用只是整体的趋势，并不是绝对的，而且相同值的波动很大，如图13中的第二次实验所示，口碑的质量Mean=90时，模拟结果的节点总数甚至小于Mean=40和Mean=65时的实验结果。

本文将进行在线口碑群体再传播的节点称为关键节点（标识为红色），将不接受在线口碑传播信息内容的节点称为免疫节点（标识为灰色）。研究关键传播节点和免疫节点的属性是本研究的目标之一。为了分析关键节点和免疫节点各项影响因素的特点，在仿真实验中对所有主体的9项影响因素取值分布总体的平均值和方差进行控制，平均值均设置为60，方差均设置为1。仿真实验40次，每次实验结束后导出每个节点的属性值，利用Excel软件计算40次实验后各节点属性的平均值，结果如图14所示。

对于网络中的关键节点，传播者可信度、口碑数量水平高于其他类型节点，而口碑质量水平低于其他类型节点；对于网络中的免疫节点，并没有哪一项影响因素特别高于其他类型节点，而传播者的专业能力、口碑数量则普遍低于其他类型节点；对于网络中的因群体再传播而产生的节点，传播者的专业能力、接收者的感知风险水平高于其他类型节点，接收者涉入度、接收者的专业能力明显低于其他类型节点；对于网络中的因人际再传播而产生的节点，传播者传播动机明显高于其他类型节点，接收者感知的风险的水平低于其他类型节点。

对40次模拟仿真实验数据进行统计分析可知，网络平均路径长度为6.27，说明在线口碑传播网络具备复杂网络的小世界网络特性。

从图15中可知，网络中节点的度分布呈现快速下降的趋势，大部分节点的度都是小于2的，节点的度分布呈现出幂律分布的特点，节点数量随着时间的推移呈现指数增长趋势。以上特征说明在线口碑传播网络具备复杂网络的无标度特性。

5 结语

本文在总结前人成果的基础上，基于复杂网络理论，采用多Agent技术建立在线口碑传播仿真模型，并利用Netlogo仿真软件模拟了在线口碑传播过程。本文不仅理清了影响在线口碑传播的关键因素，识别出传播网络中关键节点的特征，还验证了在线口碑传播网络具有复杂网络的特征，为未来该领域研究打下了基础。在线口碑传播的影响因素中，口碑数量和口碑信息质量是商家相对容易控制的因素，商家在进行在线口碑营销时需要关注口碑信息的质量，同时通过拓展在线口碑传播的渠道来提升在线口碑传播的数量。在线口碑传播网络中的关键节点相当于现实社会中相关领域的专家或者意见领袖，他们接收着大量的口碑信息，并掌握着多种口碑宣传渠道。因此，企业需要重视意见领袖的作用，在进行在线口碑营销时可以与社会中的意见领袖进行合作，积极鼓励、引导其参与在线口碑传播。此外，仿真结果表明在线口碑传播网络呈现出小世界特性和无标度特性，这说明大部分人接触到在线口碑信息的渠道都是来自自己熟悉的小群体和平时关注的网络平台。因此，企业的口碑营销活动不能局限于现有的客户市场，而是需要积极发掘更广泛的、多样化的宣传渠道，尤其要充分利用网络平台渠道，才能拓展到新的客户。

本文基于复杂网络理论和系统仿真的方法，构建在线口碑传播模型时引入了传播激活和接受激活的概念，模拟仿真同时关注了在线口碑传播影响因素对传播过程的影响和在线口碑传播网络的结构特征。但是，本文的研究仍存在一定的局限性。现实生活中，影响在线口碑传播的因素很多，而且各因素对传播规模的影响程度各不相同，未来可考虑文中未涉及的因素以及其间的因果关系，并通过问卷调查法、数据挖掘等方法预先了解不同影响因素对传播激活和接受激活概率值的影响程度，用加权平均数代替均值。此外，本文仅考虑了一个初始口碑源的情况，未来可考虑探析多个不同口碑源的在线口碑传播情形及口碑线上传播与线下传播交叉传播的情形。

参考文献：

［1］ SUSSMAN S W， SIEGAL W S. Informational influence in organizations： an integrated approach to knowledge adoption［J］. Information Systems Research， 2003，14（1）：47-65.

［2］ BRISTOR J M. Enhanced explanations of word of mouth communications： the power of relationships［J］. Research in Consumer Behavior， 1990，4（1）：51-83.

［3］ BANSAL H S， VOYER P A. Word-of-mouth processes within a services purchase decision context［J］. Journal of Service Research， 2000，3（2）：166-177.

［4］ TSENG S， FOGG B J. Credibility and computing technology［J］. Communications of the ACM， 1999，42（5）：39-44.

［5］ DELLAROCAS C， ZHANG X M， AWAD N F. Exploring the value of online product reviews in forecasting sales： the case of motion pictures［J］. Journal of Interactive Marketing， 2007， 21（4）：23-45.

［6］ BAUMEISTER R F， BRATSLAVSKY E， FINKENAUER C， et al. Bad is stronger than good［J］. Review of General Psychology， 2001，5（4）：323.

［7］ PARK D H， LEE J， HAN I. The effect of on-line consumer reviews on consumer purchasing intention： The Moderating Role of Involvement［J］. International Journal of Electronic Commerce， 2007，11（4）：125-148.

［8］ LEE J， PARK D H， HAN I， et al. The different effects of online consumer reviews on consumers’ purchase intentions depending on Trust in online shopping malls， an advertising Perspective［J］. Internet Research， 2011，21（2）：187-206.

［9］ FILIERI R， MCLEAY F. E-WOM and accommodation： an analysis of the factors that influence travelers’ adoption of information from online reviews［J］. Journal of Travel Research， 2014，53（1）：44-57.

［10］ 杜学美，丁璟妤，谢志鸿，等.在线评论对消费者购买意愿的影响研究［J］. 管理评论，2016，28（3）：173-183.

［11］ BLOCH P H， SHERRELL D L， RIDGWAY N M. Consumer search： an extended framework［J］. Journal of Consumer Research， 1986，13（1）：119-126.

［12］ ARNDT J. Role of product-related conversations in the diffusion of a new product［J］. Journal of Marketing Research， 1967，4（3）：291-295.

［13］ 李园伟，赵军.基于多Agent的在线口碑信息传播建模与仿真［J］.计算机仿真，2023，40（4）：427-433，438.

［14］ 焦玥. 消费者口碑传播行为及交互影响的模拟仿真研究［J］. 计算机应用研究， 2014， 31（11）： 3234-3239.

［15］ 蒋帅. 基于多Agent仿真的在线口碑传播网络形成机制研究［D］.杭州：浙江大学，2010.

［16］ 赵敏. UGC口碑传播机制及其影响研究［D］. 兰州：兰州交通大学， 2016.

［17］ NEWMAN M E J. Spread of epidemic disease on networks［J］. Physical Review E， 2002，66（1）：016128.

［18］ 钱斌. 餐饮类论坛中口碑再传播现象的实证研究与仿真模拟［D］. 杭州： 浙江大学， 2008.