林自展，肖井華，周金連，吳 曄*

(1.北京郵電大學(xué)理學(xué)院 北京 海淀區(qū) 100876；2.北京師范大學(xué)新聞傳播學(xué)院 北京 海淀區(qū) 100875)

在互聯(lián)網(wǎng)時代，每個人不僅是社會信息的消費(fèi)者，同時也是信息的生產(chǎn)者和觀點(diǎn)的傳播者[1]。在線點(diǎn)評作為一種個體觀點(diǎn)表達(dá)的方式，指用戶或者消費(fèi)者通過線上平臺直接對商品或服務(wù)評分并發(fā)布評論。這種直接的觀點(diǎn)表達(dá)，將作為一種反饋信息，為下一個潛在消費(fèi)者的行為決策提供參考。因此研究點(diǎn)評平臺中群體意見分布的觀點(diǎn)動力學(xué)機(jī)制，既可以進(jìn)一步了解個體線上點(diǎn)評的行為規(guī)律，也可以為商家保持良好口碑提供參考。

目前，關(guān)于個體在線點(diǎn)評觀點(diǎn)動力學(xué)的研究主要采用多主體建模的方法對點(diǎn)評意見分布進(jìn)行解釋或預(yù)測。文獻(xiàn)[2]認(rèn)為個體在觀影后發(fā)表影評時容易受到電影質(zhì)量、其他用戶評分以及自身評分習(xí)慣的影響，基于此建立了關(guān)于電影評分的理論模型，并使用豆瓣影片在線點(diǎn)評數(shù)據(jù)進(jìn)行驗(yàn)證，該模型可以較好地預(yù)測影片評分的意見分布。與預(yù)測評分意見不同的是，文獻(xiàn)[3]則通過建立連續(xù)觀點(diǎn)的動力學(xué)模型，通過判斷個體是否會選擇發(fā)表評分，從而預(yù)測在線點(diǎn)評的人數(shù)發(fā)展趨勢。文獻(xiàn)[4]則是針對電子商務(wù)環(huán)境下，基于個體時間與精力的有限性、個人對他人觀點(diǎn)的信任程度、發(fā)表評論的概率及現(xiàn)有的歷史評論等影響因素，構(gòu)建出在線點(diǎn)評意見演化動力學(xué)模型。通過仿真模擬實(shí)驗(yàn)的方式，分別討論了上述的各個因素對最終意見群體演化結(jié)果的影響。

目前主流的觀點(diǎn)動力學(xué)模型歸為離散模型和連續(xù)觀點(diǎn)模型兩個大類。在離散模型中，個體的觀點(diǎn)只有贊成和反對兩種情況。Sznajd模型[5]、Majority rule模型[6]和Voter模型[7]是離散模型的典型代表。實(shí)際上個體的觀點(diǎn)并不能簡單地歸結(jié)于0和1兩種情況，在連續(xù)模型中，個體的觀點(diǎn)值是一定范圍內(nèi)的連續(xù)數(shù)值，基于有界信任的Deffuant模型[8]和Hegselmann-Krause模型[9]是最具代表性的兩個模型。這兩個模型用[0,1]區(qū)間內(nèi)的連續(xù)數(shù)值來表示個體的觀點(diǎn)值，只有在觀點(diǎn)差值小于閾值的情況下，兩個個體之間才會發(fā)生意見交流，并互相產(chǎn)生影響。在Deffuant模型中每次選擇兩個個體進(jìn)行觀點(diǎn)交互，與Deffuant模型的不同點(diǎn)在于，HK模型中的個體會受到群體中所有滿足觀點(diǎn)差值小于閾值的其他個體的觀點(diǎn)的影響，并以此來更新自己的觀點(diǎn)值。目前，關(guān)于輿論動力學(xué)的研究主要是在傳統(tǒng)的Deffuant模型和HK模型的基礎(chǔ)上，從社會網(wǎng)絡(luò)結(jié)構(gòu)[10-15]、評論文本挖掘[16-17]、個體特征[18]等角度進(jìn)行研究。

伴隨著在線點(diǎn)評平臺的快速發(fā)展，越來越多的學(xué)者基于觀點(diǎn)動力學(xué)在社交網(wǎng)絡(luò)的基礎(chǔ)上研究用戶行為特征以及輿論傳播的演化過程。然而，在線點(diǎn)評行為與傳統(tǒng)的輿情演化相比存在明顯的差異，主要包括以下幾個方面：1) 在傳統(tǒng)的輿論研究中，人群中任意兩個人都有可能發(fā)生觀點(diǎn)交互并互相影響對方的觀點(diǎn)。但在線點(diǎn)評中，通常只能看到前人的評論，而前人并不會受到即將發(fā)表的評論的影響。因此，在線點(diǎn)評下個體間的影響是基于時間順序的單方面影響。2) 基于社交網(wǎng)絡(luò)的輿論演化研究，是在復(fù)雜網(wǎng)絡(luò)的基礎(chǔ)上考慮節(jié)點(diǎn)多樣性、連接多樣性、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性等。而在線點(diǎn)評模式下是多個前人對后續(xù)評論者的單向影響，即單向網(wǎng)絡(luò)結(jié)構(gòu)。3) 社交網(wǎng)絡(luò)下，個體間的交流可以發(fā)生在有人際關(guān)系連邊的好友，也可能是發(fā)生在有共同好友的兩個個體之間。而在在線點(diǎn)評平臺上，通常是按照評論發(fā)表時間的先后順序進(jìn)行展示，只有近期的少部分評論會對用戶產(chǎn)生影響。

本研究基于上述在線點(diǎn)評與傳統(tǒng)輿論傳播的差異性，對傳統(tǒng)的HK模型進(jìn)行部分針對性的修改，并探究在線點(diǎn)評中所蘊(yùn)含的觀點(diǎn)動力學(xué)機(jī)制。

1 數(shù)據(jù)來源

在線點(diǎn)評行為常見于淘寶、京東、當(dāng)當(dāng)?shù)雀鞔箅娚唐脚_，其中大眾點(diǎn)評是中國最大的在線點(diǎn)評平臺之一。用戶可以在大眾點(diǎn)評平臺上發(fā)布自己對商家的評論，同時他們也能夠?yàn)g覽其他用戶的點(diǎn)評輔助消費(fèi)決策。

本研究選取了大眾點(diǎn)評平臺上2012年12月至2015年1月用戶的歷史評論數(shù)據(jù)，共包括3.8萬個商家，共330萬條歷史評分記錄。從中篩選出評分?jǐn)?shù)量超過500條的店鋪，剩余1 610個商家，205萬條歷史評分?jǐn)?shù)據(jù)。每一條評分?jǐn)?shù)據(jù)由星級、口味、環(huán)境、服務(wù)組成，均是[10,20,30,40,50]分，以這4種評分的均值作為店鋪的整體評分。極端的評論會影響實(shí)際數(shù)據(jù)的真實(shí)性和準(zhǔn)確性，因此50分的極端評分在這里并不考慮，原因是：1)雇傭水軍模擬正常消費(fèi)者的評論，提升整體平均分，吸引更多的人到店消費(fèi)是商家常用的手段[19]；2)未發(fā)表評論系統(tǒng)默認(rèn)打分為滿分50；這兩種情況不能反映真實(shí)的用戶體驗(yàn)。

通過觀察500條以上店鋪的評分分布情況，可以將其歸類為單峰模式和雙峰模式兩大類。單峰模式即店鋪的評分呈現(xiàn)出單一意見群體，雙峰模式則存在兩個對立的意見群體。本文分別從這1 610家店鋪中挑選了兩種模式下具有代表性的3個不同店鋪，實(shí)際的評分分布如圖1所示。

2 模型構(gòu)建

2.1 Hegselmann-Krause模型

傳統(tǒng)HK模型是在Deffuant模型的基礎(chǔ)上演化出的一種基于有界信任的連續(xù)動力學(xué)模型，目的是研究群體中個體觀點(diǎn)的演化過程。假設(shè)在一個群體中，存在N個個體，用表示個體i在t時刻自身的觀點(diǎn)值，同時在t時刻，個體i會在群體中與其他個體進(jìn)行交流，發(fā)生觀點(diǎn)間的交互，如果個體j與個體i的觀點(diǎn)差值小于觀點(diǎn)閾值d，即那么個體j的觀點(diǎn)會對個體i的觀點(diǎn)產(chǎn)生影響，反之則不會有影響。個體i在與其他個體發(fā)生觀點(diǎn)交互后，其觀點(diǎn)值的更新如下：

式中，收斂參數(shù)μi表示個體對其他個體觀點(diǎn)值的信任程度；觀點(diǎn)閾值d表示只有在觀點(diǎn)閾值內(nèi)的個體觀點(diǎn)才會對個體i產(chǎn)生影響；權(quán)重表示個體j對個體i的影響程度，且

2.2 模型修正

在線點(diǎn)評觀點(diǎn)傳播的特點(diǎn)與HK模型并不完全相同，其傳播過程如圖2所示?；谠诰€點(diǎn)評模式觀點(diǎn)傳播的特點(diǎn)，本文在HK原始模型的理論基礎(chǔ)上針對以下三個部分進(jìn)行了調(diào)整，使得新模型能夠適用于在線點(diǎn)評模式下的觀點(diǎn)演化模式。

1) 在HK模型中，基于社會人際關(guān)系復(fù)雜網(wǎng)絡(luò)，個體之間的觀點(diǎn)交互只在有關(guān)系的個體間發(fā)生，即只有兩個節(jié)點(diǎn)之間存在關(guān)系連邊，且觀點(diǎn)差值小于閾值才會發(fā)生兩者間的觀點(diǎn)交互。然而在在線點(diǎn)評中，用戶之間的社會網(wǎng)絡(luò)關(guān)系并不明顯，個體間的觀點(diǎn)交互是基于評論時間先后順序的，只有后發(fā)表評論的人才能看到已有的評論。因此，本文將社會人際關(guān)系網(wǎng)絡(luò)結(jié)構(gòu)轉(zhuǎn)變?yōu)榛跁r間先后順序的單向網(wǎng)絡(luò)結(jié)構(gòu)。

2) 在線點(diǎn)評店鋪中存在大量的歷史評論，且網(wǎng)頁上每次僅只會顯示幾十條評論，由于決策的時間有限，不能看完所有的歷史評論，只有近期的評論數(shù)據(jù)會對用戶觀點(diǎn)產(chǎn)生直接的影響。假設(shè)最近的K條評論會對用戶的觀點(diǎn)有影響。

3) 不同個體之間的信任程度不一致。傳統(tǒng)的HK模型通過產(chǎn)生一個隨機(jī)數(shù)作為兩個個體間的信任值。大眾點(diǎn)評中，用戶更傾向于相信近期的評論。在觀點(diǎn)差小于閾值d的前提上，發(fā)表時間越近的評論對當(dāng)前用戶的評分所造成的影響程度越大。這里用表示第j條評論對第i條評論的影響程度。

綜上所述，個體觀點(diǎn)值的更新如式2所示，其中i表示當(dāng)前新增的評論為評論序列的第i條，表示第i條評論的初始觀點(diǎn)，服從[0,1]之間的均勻分布，μ表示收斂參數(shù)。

2.3 模型仿真

根據(jù)大眾點(diǎn)評的實(shí)際情況，本文基于傳統(tǒng)HK模型進(jìn)行修正，提出了適用于在線點(diǎn)評模式中的新模型，并對比分析了每一個參數(shù)對最終仿真結(jié)果所造成的影響。

意見群體的形成與K值的大小緊密相關(guān)，如圖3所示。當(dāng)K值較小時，也就是用戶閱讀的評論數(shù)較少，即只有少部分評論會影響到用戶的評分，K值越小說明用戶受到其他用戶的影響越小，那么用戶之間就很難形成意見群體。隨著K值的增大，越來越多的評論會影響到用戶，那么用戶就容易與周圍其他用戶的意見達(dá)成一致，最終形成了意見群體。從圖中可以看到，當(dāng)K值大于10時，最終的結(jié)果并不會隨著影響用戶的評論數(shù)量的增加而產(chǎn)生明顯的差異。

觀點(diǎn)差閾值d表示的是只有兩個個體間的觀點(diǎn)差值小于d，才會彼此互相影響。如圖4所示，如果任意兩個用戶之間都無法對對方產(chǎn)生影響，即當(dāng)d=0時，隨著時間的推移，最終是評分區(qū)間內(nèi)均勻分布的結(jié)果。當(dāng)閾值d逐漸增大時，部分觀點(diǎn)差較小的用戶之間開始相互影響，且閾值d越大，兩個用戶之間越有可能會相互影響，向?qū)Ψ降囊庖娍拷呌谝粋€中間值。此時會形成兩個不同的意見群體，形成兩種截然不同的對立意見。當(dāng)d值足夠大即d＞0.5時，觀點(diǎn)差異較大的用戶之間也會相互影響，大量用戶互相交流影響，最終形成一個統(tǒng)一的意見。

收斂參數(shù)μ表示個體受到他人觀點(diǎn)的影響程度。如圖5所示，μ值較小時用戶堅(jiān)信自己的觀點(diǎn)是正確的，無論他人的觀點(diǎn)與自身差異的大小，都不會輕易采納他人的觀點(diǎn)。隨著μ值的增大，用戶逐漸開始接受他人的觀點(diǎn)。在受到周圍其他用戶的影響后，觀點(diǎn)差異較小的用戶之間達(dá)成統(tǒng)一意見，最終形成兩種對立的意見群體。

以上3個仿真結(jié)果表明，個體參考評論數(shù)K、觀點(diǎn)閾值d和收斂參數(shù)μ均會對在線點(diǎn)評的演化結(jié)果產(chǎn)生重要的影響。其中，最終形成意見群體個數(shù)是由觀點(diǎn)閾值d的大小所決定的。本文在大眾點(diǎn)評實(shí)際評分?jǐn)?shù)據(jù)分布中觀察到的單峰、雙峰兩種模式與最終的仿真結(jié)果一致。

3 結(jié) 束 語

以大眾點(diǎn)評、淘寶、京東、豆瓣等為代表在線點(diǎn)評平臺的興起，為消費(fèi)者提供了發(fā)表個人消費(fèi)體驗(yàn)的平臺，同時也使得其他后續(xù)的消費(fèi)者能夠參考他人的評論便于自身更好地做出消費(fèi)決策。傳統(tǒng)的輿論動力學(xué)模型在社會人際關(guān)系網(wǎng)絡(luò)的基礎(chǔ)上探究觀點(diǎn)演化的內(nèi)在機(jī)制。然而，在線點(diǎn)評平臺上用戶之間的社交關(guān)系十分單薄，用戶之間通常不存在任何社交關(guān)系，無法構(gòu)建出有效的社會人際關(guān)系網(wǎng)絡(luò)，因此傳統(tǒng)輿論動力學(xué)模型對于在線點(diǎn)評上的觀點(diǎn)演化存在明顯的缺陷。本文從以下兩個方便針對HK模型進(jìn)行修正：1) 將社交關(guān)系網(wǎng)絡(luò)替換為以時間先后為順序的多對一的中心網(wǎng)絡(luò)結(jié)構(gòu)；2) 將個體間的信任程度與發(fā)表評論的時間間隔因素結(jié)合。仿真結(jié)果表明，參考評論數(shù)量K、觀點(diǎn)差閾值d以及收斂參數(shù)μ三者是影響最終意見群體演化結(jié)果的主要因素。后續(xù)的研究可以針對不同點(diǎn)評店鋪的實(shí)際情況，更深入分析各個參數(shù)，進(jìn)一步豐富模型。