基于连续影响函数的群体观点演化模型与仿真

针对HK模型不能反映个体间信任和影响是由量变到质变的过程,建立了具有连续影响函数形式的舆论演化模型,并对模型进行了模拟实验。结果显示:有界信任参数越大,观点集团的数量就越少,而群体观点收敛的时间越短;完全影响的区间参数越大,观点集团的数量就越少,集团内观点趋于一致所需时间越长;整个群体观点最终趋于一致时,收敛时间随参数的增加而减少。此外,仿真结果还说明当个体自信心较强时,观点集团数量较多,而每个小集团内观点趋于稳定的时间较短;当群体观点趋于一致时,个体自信程度越高,收敛时间越长。

网络结构和有界信任对群体观点演化过程的交互影响

对HK模型进行扩展,综合考虑不同观点之间的影响权重以及交互网络的结构特征,探讨了在有界信任和影响异质性的前提下,网络结构和信任阈值对群体观点演化结果的交互影响。仿真结果表明,随着有界信任参数的增加,不同网络结构类型下的平均观点簇数量均呈现出递减的趋势,且递减速度受网络结构的影响。小世界网络随着重连概率的增加,平均观点簇数量的下降趋势更明显,并且群体观点演化速度不断加快,使得网络能够在较短的时间内形成更大的观点簇,从而更有利于群体共识的达成。规则网络中观点的收敛速度最慢,最终网络中保持着较高的观点簇数量,使得群体观点比较分化,一致性构建的难度加大。

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

[目的/意义]基于现实背景扩展了Deffuant-Weisbuch(DW)模型,并对网络媒体平台中群体观点演化规律进行了系统研究,这对开发舆情预警系统以及完善舆情导控政策都具有一定的理论价值和社会实践意义。[方法/过程]在是否存在智能推荐机制的信息推送机制的基础上,考虑平台影响力、话题类型等因素,运用仿真实验分析了不同参数对群体观点演化过程的影响。[结果/结论]平台影响力和智能推荐机制都会影响网络群体观点的收敛速率;在无智能推荐机制情景下,对于敏感程度不同的话题,其网络群体观点分裂程度依旧具有显著差异。