2020前沿综述：观点传播动力学新进展

Original 郭瑞东集智俱乐部 2021-02-09

收录于话题

#复杂科学前沿2020

55个

导语

对观点传播的建模研究，有助于理解社交网络、群体决策和市场营销等问题，一直是网络科学的热门课题。在 2020 年 4 月的一篇预印本论文中，来自华盛顿州立大学的研究者梳理了观点传播近年来的研究进展，特别是2020年以来的新工作，并将其汇总成若干个主要的方向。本文是对这篇论文解读，对论文要点做了概括整理。

对于热点事件，每个人都有着自己的观点（opinion）。人与人之间的交流，会改变我们初始的观点。对人群中观点的演变建模，以期理解其动力学特征，对诸如群体决策、假新闻识别、极端思想账号识别、精准营销以及构建能够达成共识的人际网络，都会有所助力。近年来该领域的研究热度颇高，4月发在arXiv.org的一篇预印本综述，概述了该问题的最新进展，包括2020年第一季度新增的50多篇相关文献。

论文题目：
Recent advances in opinion propagation dynamics: A 2020 Survey
论文地址：
https://arxiv.org/abs/2004.05286

一、如何对观点传播建模

根据需要建模的具体场景，观点传播动力学（opinion propagation dynamics）模型分为连续和离散两种。你有多么喜欢吃红肉，或者你愿意为了某个慈善组织捐款多少钱，这是连续的观点；离散的观点，对应的例子比如你是否支持某个决定，或是在几个候选人中倾向于那一个。

模型假设每个主体针对一组话题，有各自的初始观点，在传播终点到达之前，模型中的每个主体（agent）按照指定的规则及自己当前观点，更新观点，直到所有主体的观点不再改变。

不论是离散还是连续，模型预测得出的观点传播都会达到三种可能结局中的一种：

达成共识
两级分化（模型将人群分为观点极端的两群人）
人群分为多个观点不同的子群体

连续的观点传播模型有多种，1974年提出的 DeGroot 模型是观点传播领域最早也是最基础的模型[1]。该模型假设个体下一次迭代的观点，来自其自身观点，与网络中与其相邻个体的观点的加权平均。其中的权重是该主体对自己或他人的观点赋予的，代表其对自身观点的自信程度或与他人友谊的深浅。

在 DeGroot 模型下，不论初始人群的观点如何，最后总是会达成共识的。下图展示了尽管初始观点分散，但经过若干轮的迭代之后，人群总会就某件事达成共识，且最终达成共识的观点是“中庸”而不是极端的。即在0-1的观点光谱上，最终的共识处在0.5这个中间值上。

图1：DeGroot模型下人群观点（单一议题）随时间变化的曲线

而离散的观点模型同样有多种，其中常见两种，一种是基于统计物理中的Ising模型，决定主体的观点如何改变，另一种模型中主体改变观点的方式，是通过投票选取邻居节点支持最多的观点。

二、在模型中加入现实的复杂性：
6 类改进的观点传播模型

现实之中，哪怕是最亲近的朋友，也会因为一些争议话题——比如近期在网络热议的方方日记，而吵得不可开交。为了更真实地模拟现实中的观点传播过程，搞清楚为啥友谊的小船说翻就翻，近年学界对相关模型做了大量改进。比较典型的改进有 6 类，这是本文的重点，后文将分别介绍这 6 类改进的代表性工作：

改进一：引入难以说服的个体

难以说服的个体：基础版的观点模型中，每个主体的是会受到周围节点的影响而改变观点的，而现实中很多人是难以被说服的。2020年新发表在 Infromation Sciences 的一篇论文[2]，依托 DeGroot 模型，将观点更新的过程变为了先经过自己判断、再决定是否更新。不同的主体会有不同的固执系数，在 0 和 1 之间，固执系数越高就越难改变自身观点，当固执系数为1，该个体将完全不会改变自身观点。在经典的 Degroot 中，主体的固执系数是 0，而在改进型中，会出现一些固执系数很高、难以被说服的个体，只能接受部分他人的观点。

引入了难以说服的个体后，DeGroot 模型经过演化就不一定肯定会达成共识了。为此，这篇论文还讨论了三种观点控制策略在该模型下的效果，从而通过模拟找到如何帮助人群达成共识。

改进二：引入有偏见的个体

在基本的观点模型中，对于个体来说，不论他人的观点和自己现有观点差距多大，对自身的影响程度都是相同的。但现实中并不是这样。根据和自身观点的相近程度，在模型中设定不同的影响程度，可以在模型中对观点传播中的同质化现象建模。

在另一项对 DeGroot 模型的改进工作[3]中，研究者给每个主体加入了偏见系数，探讨网络结构及网络中的节点所具有的偏见程度将如何影响人群最终达成的均衡，以及这种均衡是否稳定。在一个紧密连接的网络中，如果其中的主体具有相对较弱的偏见，那么最终得到的观点均衡是不稳定的。

改进三：引入对观点的“反感”

对于敏感话题，在观点传播和演化过程中，过激的言论反而会导致反作用——本来想让他人支持某一观点，结果反而导致人们对这一观点产生反感。例如向相信转基因食品有害的人科普转基因无害，因为观点差距太大，反而让对方更加深了转基因有害的认识。

如果在模型中，通过将最初都是正向的影响，扩展为包含正数、零或负值的影响，就在模型中引入了现实中的复杂性：人对某一观点的态度包含同意、反驳或漠视。

2019年的一篇预印本论文[4]中提出了引入反感行为的模型，通过在人际网络中，将连边的权重变为动态的，从而在模型中同时引入个体的偏见与相反观点的反作用。权重是根据节点对应观点的区别，以及不同节点对相反观点的接受程度来决定。

式中的β代表不同个体的偏见程度，之后两项代表观点传播的观点与接收者的观点，如果一个是正，一个为负，那么就会出现反作用。

改进四：引入噪音

噪音有很多种，例如在观点传播过程中，将部分节点重置为一个随机的观点，或将受影响后的观点由一个固定的数值改变为一个范围。在原始的观点演化模型 DeGroot 中，主体的数目是不会改变的。噪音，可以是在模型中引入主体数量的波动，也可以是在主体接触到他人观点与改变自身观点之中，加入时间间隔。通过引入噪音，能够让原本经过观点演化无法达成共识的人群，避免陷入极化或分裂的最终状态。

例如[5]中的研究，讨论异质性的社会网络群体中，一部分友好型主体（concord agents），观念可以互动、传播，另一部分人是对抗型（partial antagonism agents），是对抗观念传播的。不同类型的agent的比例变化，从而引起模型中agent数量的变化，而这是模型噪音的来源之一。

改进五：引入对相关话题的观点

现实中的不同话题之间会有相互影响，例如你对于锻炼的态度会影响你对健康饮食的态度。在原始的 DeGroot 模型中，主体不会有内在的心理活动，对事物 A 的观点改变，不会导致对事物 B 上的观点也发生改变，即使事物 A 和 B 很相关。在2017年的一篇论文中，研究者在模型中加入观点之间的相互影响矩阵，从而引入真实世界的复杂性。

改进六：表达的观点≠内心的观点

一个人表达的观点不代表其内心认可的全部观点，之前的模型中没有考虑到这一点。2018 年发表的一篇论文[7]研究了这两种观点的共演化过程：在传播网络上，每个节点都有两种观点，其中表达的观点是周围邻居观点的中和，反映人的从众心理，而其私人观点的演化，则由个人初始观点和他人表达观点平均得出。

三、当前模型应用及待解决的问题

通过观点传播和演化模型，可以考察如何以最小的代价，来最大程度地影响观点演化结果。例如通过在人机网络中加入最少的边[8]，来促成人群达成特定的共识（精准营销）；或者通过改变部分个体的行为，使得人群无法达成共识；以及对人群的操纵，让两组观点相反的人在各自给定的预算下，通过博弈决定最终人群的观点光谱。这些都是值得研究的问题。

从个体角度，观点传播模型可以用来研究个人如何动态调整策略，最大化自己的影响力。进而还可以根据个体影响力的演化规律，推导出这将带来怎样的社会管理结构。其中一个有趣的结论是，固执的、不愿意改变自己观点的节点，会成为人际网络中的领导者或者媒体[10]。

现实中，个人会和很多人同时交流，也可以多个人同时跟一个人交流，比如你可以在多个话题上表达不同观点，而你看到的文章也可能有多个作者。个体被众人观点的合力所影响，不等于与个体依次被这些观点所影响，这是当前模型不足的一点。

前文从多个角度引入了现实的复杂性，都会导致模型变得更为复杂。如果为了同时引入多种改进，会导致模型丧失简洁性。如何用最少的参数来更多地反映前文提到的六点，是观点传播建模需要解决的另一个问题。

四、总结与展望

不同于信息的传播，观点传播的关键不在于是否知道某个观点，而在于是否相信，愿意为了一个信念投入多少。这是观点演化和模因（meme）演化的不同，研究模因的传播可以使用类似SIR这样疾病传播模型，而研究观点传播，则不能依靠对SIR模型的简单修改。

然而，任何一种事实或信息，都可以用来支持某种观点，即使信息传播者仅仅作了客观描述，接收信息的人也会联想到相应的观点。因此研究模因在社交网络中的传播，也需要考虑到对观点传播的建模。

相关阅读：科学玩“梗”：模因（meme）如何在社交网络中传播？

社交网络在个人的生活中占据着越来越中心的位置，对于政治事件的影响也越发明显。随着自然语言处理技术的成熟，基于社交网络中消息的观点自动标注，会产生大量真实世界中观点传播的数据集，而这又会促进对观点传播的建模研究，从而验证心理学、行为科学、政治科学的相关理论，形成新的跨学科研究点。

参考文献：

[1] DeGroot M H. Reaching a consensus[J]. Journal of the American Statistical Association, 1974, 69(345): 118-121.[2] Zhou Q, Wu Z, Altalhi A H, et al. A two-step communication opinion dynamics model with self-persistence and influence index for social networks based on the DeGroot model[J]. Information Sciences, 2020, 519: 363-381.[3] Chen X, Tsaparas P, Lijffijt J, et al. Opinion Dynamics with Backfire Effect and Biased Assimilation[J]. arXiv preprint arXiv:1903.11535, 2019.[4] Kurmyshev E, Juárez H A, González-Silva R A. Dynamics of bounded confidence opinion in heterogeneous social networks: Concord against partial antagonism[J]. Physica A: Statistical Mechanics and its Applications, 2011, 390(16): 2945-2955.[5] Xiong F, Liu Y, Wang L, et al. Analysis and application of opinion model with multiple topic interactions[J]. Chaos: An Interdisciplinary Journal of Nonlinear Science, 2017, 27(8): 083113.[6] Ye M, Qin Y, Govaert A, et al. An influence network model to study discrepancies in expressed and private opinions[J]. Automatica, 2019, 107: 371-381.[7] Dong Y, Ding Z, Martínez L, et al. Managing consensus based on leadership in opinion dynamics[J]. Information Sciences, 2017, 397: 187-205.[8] Jager W, Amblard F. Uniformity, bipolarization and pluriformity captured as generic stylized behavior with an agent-based simulation model of attitude change[J]. Computational & Mathematical Organization Theory, 2005, 10(4): 295-303.[9] Jager W, Amblard F. Uniformity, bipolarization and pluriformity captured as generic stylized behavior with an agent-based simulation model of attitude change[J]. Computational & Mathematical Organization Theory, 2005, 10(4): 295-303.

（参考文献可上下滑动）