网络结构和有界信任对群体观点演化过程的交互影响.docVIP

网络结构和有界信任对群体观点演化过程的交互影响 　　摘要：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。 　　关键词：HK模型；有界信任；网络结构；群体观点演化 　　现实中，个体观点常常会在同周围个体的交互中受其影响而发生动态变化。随着交互的不断进行，个体观点将逐渐由无序向有序转变，使得群体观点的一致性程度不断提高，甚至进一步达成共识。这种观点演化问题的研究可以反映和解释很多复杂的社会现象，如群决策[1]，少数观点的幸存[2]，谣言扩散[3，4]等，因而引起了学者们的广泛关注和重视。 　　群体观点演化模型有很多，根据对观点的描述方式，主要可以分为离散模型和连续模型两类。离散模型采用离散数值变量表示个体的观点值，如Ising模型[5]、Sznajd模型[6]、多数决定模型[7]和基于社会影响理论的模型[8]等。连续观点模型采用区间上的连续变量建模观点，应用最为广泛的是Deffuant-Weisbuch（DW）模型[9]和Hegselmann-Krause（HK）模型[10]，它们都是基于有界信任假设而提出的，认为个体间的观点差异只有在信任阈值内才能够发生影响作用。群体观点演化模型得到了大量的研究[11，12]，并且取得了许多有意义的结果。 　　近年来，随着复杂网络理论的兴起，很多学者开始将复杂网络引入群体观点演化问题的研究，取得了很大进展。其中，Elgazzar[13]研究了Sznajd模型在小世界网络中的演化机制，潘新等[14]研究了随机网络上的舆情传播和演化，李青和朱恒民[15]则主要基于无标度网络分析了互联网中舆情观点的演化过程。司夏萌[16]讨论了带有社团结构的网络上的观点动力学。这些研究表明，网络拓扑特征对群体观点演化结果具有重要的影响。然而，现有研究仍然缺少对不同复杂网络机制下群体观点演化结果的差异比较和机理分析，对于哪种网络结构能最有效地促进群体一致性构建仍值得深入研究。因此，针对现有研究的不足，本文基于HK模型重点探讨了网络结构和信任阈值对群体观点演化结果的交互影响。同时，对HK模型中不同个体间的相同影响假设进行扩展，提出了基于联系数量和人际相似性度量个体间影响差异性的方法，扩展后的模型更加符合现实中的群体观点变化过程，有助于深入研究群体观点演化规律及其形成机理。由于群体观点演化模型是非线性的并且无解析解，因此本文主要采用基于Agent的建模与仿真方法进行研究。 　　1扩展后的群体观点演化模型描述 　　本文在HK模型的基础上，对其进一步扩展，建立了一个基于影响异质性的群体观点演化模型。基本思想是每个个体在每一轮都根据一定的规则对其信任阈值内所有邻居个体的观点取加权平均值来更新自己的观点，随着观点不断演化，最终将形成一系列的观点簇甚至达成共识。 　　1.1网络初始化 　　社会网络为人们进行信息交流和沟通提供了平台，它直接影响到信息传播的范围和深度。为了探讨不同网络拓扑结构对群体观点形成的动态过程的影响，我们主要考虑四种网络结构，分别为规则网络、随机网络、小世界网络和无标度网络。不同网络的密度保持相同，具体设置如下： 　　规则网络：在该网络中，每个节点分别与其左右临近的两个节点建立联系，则对于一个存在 个个体的网络来说，一共有2 条连接。 　　随机网络：在随机网络中，任意一对节点以一定的概率 建立连接[17]。为了保持网络密度与规则网格相一致， 可近似表示为 。 　　小世界网络：小世界网络通过将规则网络中的边以一定概率进行随机重连得到[18]，重连概率表示为 ，且 。 　　无标度网络：根据BA无标度网络的构造算法[19]，新加入的节点以一定的概率与已有节点“偏好连接”。节点度越大，其“吸引力”越强，被选中概率就越大。 　　1.2影响权重的计算 　　个体集合 形成一个复杂网络， 表示网络中的个体数量。 对于所有的 ， 用来表示个体间的连接关系。具体的， 　　我们假设每个个体都与自身相连，即 。 意味着个体 和 在 时刻可以获得对方的观点。 　　群体中 个个体在 时刻的观点值可以用一个 的观点向量 表示， 是个体 在 时刻的观点，且 ， ， 。 　　我们定义 为个体 和个体 在 时