-
随着社会化商务的发展,定位于产品分享、评价、交流的专业性社交网络平台开始出现并成为用户观点交流与产品扩散的重要渠道(如豆瓣网、小红书、Epinions等)。在这些网站中,用户可以建立在线社交关系分享产品信息或评价,也可以向网络成员咨询产品相关问题。由于在产品购买决策过程中,商家与用户之间是信息不对称的,在这样的情况下,其他用户的购买行为可能是一个有价值的信号。观察学习理论强调个体行为、他人行为以及共同所处环境之间的相互作用[1]。用户通过他人行为和自己所拥有的信息进行购买决策,当用户的购买决策依赖于其他用户的行为时,那么该产品的采用数量则会保持稳定变化的趋势[2-3]。即,当网络中一个成员做出购买行为后,其他成员均跟随该用户的行为,那么网络中就会产生产品购买的跟随效应[2]。在复杂网络与社会网络研究中,认为网络中存在一小部分具有影响力的人能够影响其朋友观点的形成,通常被称之为意见领袖。关于复杂网络中节点的重要性评估方法已成为复杂网络理论研究的一个重要方面,已有研究成果多集中在挖掘复杂网络的拓扑结构信息上,复杂网络中的节点重要性评估方法的研究仍具有很大的空间[4]。
作为一个生活在复杂和多变社会中的个体,人们需要以各种方式与别人交流或从不同的大众媒体获取信息,然后做出自主决定并形成独立观点[5]。在信息扩散建模领域,包括关注用户状态变化的模型(如阈值模型和仓室模型)和关注用户观点变化的模型(DW模型和HK模型)。阈值模型认为个体是否做出购买决策受到与其具有网络连接的用户数量的影响,当观察到超过一定比例(阈值)的用户做出某种行为后该个体才决定跟随这种行为。仓室模型是根据实际传播行为的特征,将个体的状态设定为多种,其中最基本的两个状态是易感染状态与已感染状态,经典仓室模型如SI模型[6]、SIS模型[7]、SIR模型[8]和SEIR模型[9]。如文献[10]构建了一般化的阈值模型来研究意见领袖对社会传染的影响,在行为传染过程中借鉴了仓室模型的思想,通过易感染和已采用两种状态刻画网络用户。仓室模型刻画了个体在不同状态的转化,但并没有赋予个体相应的观点。然而,现实中用户对产品的观点并非0或1的二值选择,而是分布在一定区间上的观点值。
观点动力学模型研究群体是如何达成观点一致和小群体如何影响公众的观点和行为[11]。基于有界信任的观点动力学模型是指当用户之间的观点差异在一定界限之内时,用户之间才能进行观点交互,否则双方会保持自己原有观点的模型[12]。根据网络成员对产品所持观点的分布区间,有界信任模型可划分为离散模型和连续模型[13]。连续观点动力学模型主要包括DW模型[14]、HK模型[15]及扩展模型[16],此类模型采用某一区间连续变量刻画用户观点。DW模型和HK模型均假定观点交互行为受到置信阈值的制约,认为当用户之间观点差值的绝对值在置信阈值之内时,用户之间才能进行观点交互,否则双方会保持自己的原有观点。此外,在无权网络中,用户基于是否有连接关系进行观点交互,在观点交互过程中并没有考虑彼此之间的信任程度或关系强度,而相关研究指出信任是影响观点交互的重要因素[17]。
现实社交网络中用户连接大都是有向的,网络用户具有异质性且存在部分对网络群体观点具有重要影响的特殊用户。针对连续观点动力学模型缺乏对用户异质性的考虑,以及现有研究对网络中有影响力用户界定存在不同,本文从置信阈值、收敛系数的固定化、观点交互的无向无权性等方面对有界信任模型改进,构建基于信任的异质性用户观点学习模型,研究有向加权复杂网络中特殊用户对群体观点演化的影响。本文研究思路如下:1)在复杂网络和观点学习模型的构建中考虑用户之间的信任程度,即节点之间的连接是具有权重的,这种权重是有向且不对称的。2)考虑到网络用户具有异质性,从置信阈值的固定化、收敛系数的固定化、信任同质性等方面对观点学习模型加以改进,用来刻画具有异质性特征的个体。3)在异质性用户观点学习模型构建的基础上,界定了3类特殊用户(粉丝用户、权威用户和大V用户),对特殊用户如何影响网络观点演化进行分析。本文主要创新与理论贡献体现为:界定了产品扩散中的3类特殊用户,构建了异质性用户观点学习模型,揭示了有向加权网络中特殊用户对群体观点影响过程中,偏执度、信任度的正向调节作用,置信度的负向调节作用,深化了产品扩散领域特殊用户对群体观点演化影响的研究。
-
在基于有界信任的观点动力学模型中,HK模型是对所有邻居观点求平均值,对自己原有观点完全放弃[13]。在DW模型中,观点交互是有选择性的,且用户一定程度保留原有观点。因此,本研究选择DW模型作为有向观点学习模型的基础。设定网络规模为$N$,用户$i$与用户$j$在时刻$t$的观点值分别表示为$O_i^t$和$O_j^t$,且$O_i^t, O_j^t \in [0, 1]$。$\varepsilon $为观点学习的置信阈值,是值域[0, 1]之间的一个常数。用户间观点值的差异影响了用户$i$是否愿意向用户$j$进行观点学习,观点距离$d_{ij}^t$通过用户$i$与用户$j$观点值之差的绝对值计算。
有向观点学习模型为式(1)所示。在时刻$t$,当$d_{ij}^t \leqslant \varepsilon $时,那么用户$i$根据自身原有观点、用户$j$的观点和参数$\mu $更新观点。如果$d_{ij}^t > \varepsilon $,那么用户$i$保持原有观点不变。
$$O_i^{t + 1} = \left\{ \begin{gathered} O_i^t + \mu [O_j^t - O_i^t]\;\;\;\;\;{\rm{ }}d_{ij}^t \leqslant \varepsilon \\ {\rm{ }}O_i^t\;\;\;\;\;\;\;\;\;\;\;\;d_{ij}^t > \varepsilon \\ \end{gathered} \right.$$ (1) 该模型中有两个重要变量$\mu $和$\varepsilon $,对用户观点学习过程有重要影响。1) $\mu $为观点收敛参数,影响观点收敛的速度。当$\mu $越小则用户越倾向于自己原来的观点,$\mu $较大更加倾向于对方的观点。2) $\varepsilon $为置信阈值,$\varepsilon $值大小表明个体对其他用户观点的容限度高低,即网络成员是否可能进行观点交互的最大观点距离。
-
信任程度是涉及到一对用户的特征,用户自身的特征还包括置信阈值、收敛系数和网络中心度等方面。传统DW模型中用户之间的这些特征是相同的(即具有同质性),本研究对此进行异质性改进。
1) 信任程度的异质性。本研究中的复杂网络是有向加权网,网络连边的权重表示信任程度。定义信任矩阵$C$。${C_i}$表示用户$i$对其他个体信任程度的集合,${C_{ij}}$越高表示用户$i$对用户$j$越信任。信任度${C_{ij}}$是0~1之间的分布,0表示完全不信任,1表示完全信任。在引入信任矩阵的观点学习模型中,如式(2)所示,当${C_{ij}}$较高时,$i$在观点更新过程中受到$j$用户的影响更大。
$$O_i^{t + 1} = O_i^t + \mu {C_{ij}}[O_j^t - O_i^t]$$ (2) 2) 置信阈值的异质性。由于个体具有很多复杂的心理和生理因素,更加现实的假定是允许个体拥有不同的置信阈值[34]。相对于那些意见跟随者,意见领袖通常只有较小的置信阈值。
3) 收敛系数的异质性。观点收敛性是指个体在观点交互之后多大程度上接受对方的观点。区别于文献[13]对偏执个体的界定(认为置信阈值越低则用户更偏执),本研究认为置信阈值低可能体现了个体接受的范围,不意味着个体对自己的观点更加偏执。在模型中,当$i$为粉丝用户相对于非粉丝用户时,收敛系数值较低。
4) 网络中心度的异质性。在观点学习算法中,观点学习对象是随机选取的,显然,那些具有较高入度中心性的用户更可能成为其他用户观点学习的对象。在时刻$t$,用户$j$可能被其他用户学习的概率与其相对入度中心性正相关。
-
由于引入了时间维度,因此在观点学习中应考虑更新规则,通常包括同步更新和异步更新两种。同步更新认为用户会根据上一阶段的状态来更新现阶段的状态,即邻居用户在更新状态时无法观察到该用户的新状态。从一个长时间尺度上来观察事物的动态变化,不难发现所有个体都同时地更改自己的状态,这也就蕴含着事物的状态改变是同步更新的[35]。基于以上讨论,构建基于信任的异质性用户观点学习模型,如式(3)所示。
$$O_i^{t + 1} = \left\{ \begin{gathered} O_i^t + {\mu _i}{C_{ij}}[O_j^t - O_i^t]\;\;\;\;\;\left| {O_j^t - O_i^t} \right| \leqslant {\varepsilon _i} \\ {\rm{ }}O_i^t\;\;\;\;\;\;\;\;\;\;\left| {O_j^t - O_i^t} \right| > {\varepsilon _i} \\ \end{gathered} \right.$$ (3) 当用户$i$与用户$j$具有连接时,用户$i$向用户$j$进行观点学习;当用户$i$与用户$j$不具有连接时,用户$i$保持原有观点。在每一时间步,网络中不同用户的观点演化是同时进行的,用户在$t + 1$并不能观察到其他用户在$t + 1$的观点值,即本文采用的是同步更新。
-
多智能体建模是一种仿真建模方法,适合对具有一定智能性的微观个体组成的复杂系统进行研究。使用基于多智能体的计算实验方法研究异质性用户相关参数变化对观点演化的影响。具体实验步骤如下:
1) 生成初始网络。根据BA网络算法,构建规模N=1 000和N=200初始复杂网络。为了便于不同网络的比较,参照文献[36-37],控制网络规模(分别为200和1 000)和平均度(接近10),网络相关指标见表 1。仅在权威用户对观点演化实验中(实验二)网络考虑了用户信任关系,即初始BA网络的基础上设置信任矩阵表示个体之间的信任关系。由于在线平台中用户彼此的观点相似或不一致会影响其建立或取消连接关系,参照文献[36]对用户观点与网络连接相互影响的自适应网络的研究,本研究在初始BA网络的基础上引入自适应规则,即网络连接与用户观点共同随时间演化,网络由初始的无向网络演化为有向网络。
表 1 相关网络拓扑特征
节点数 平均度 边数 平均路径长度 最大度数 度相关系数 200 9.46 946 2.482 4 51 -0.078 9 1 000 9.86 4 934 2.955 7 148 -0.051 9 2) 选择并设定特殊用户属性,设置网络中特殊用户数量占总数的10%。特殊用户比例设定为10%也符合文献[38]对意见领袖的定义,即创新扩散必须有一定采纳量基础,通常是人口的10%左右。设定初始时刻的普通用户观点服从[0,1]均匀分布,对特殊用户的观点分布进行调节。
3) 设置基于信任的异质性用户观点学习模型相关参数,进行3组实验。为考察相关变量变化对观点演化的影响,做出了具体设定:
实验一研究粉丝用户对观点演化的影响。随机选择10%的节点为粉丝用户,研究粉丝用户随着其对自身观点偏执程度(即对产品观点的坚持程度,收敛系数越大则偏执程度越低)的变化,观点演化及稳态时的平均观点。设置粉丝用户收敛系数从0.1~0.5的变化,其他情况下为0.5。
实验二研究权威用户对观点演化的影响。随机选择10%的节点为权威用户,通过调整普通用户对权威用户的信任程度,研究权威用户持不同初始观点条件下,观点演化及稳态时的平均观点。设置普通用户对权威用户的信任程度从0.5增加至0.9,其他情况下为0.5。权威用户的置信阈值设置为0.3,表示其观点开放度较普通个体低。
实验三研究大V用户对观点演化的影响。选择网络度数中心性最高的10%用户为大V用户,研究当置信阈值增加时,大V用户持不同初始观点条件下,观点演化及稳态时的平均观点。在有界信任观点动力学中,相对于那些意见跟随者,意见领袖通常只有较小的置信区间[5]。因此,设置大V用户的置信阈值从0.1增加至0.5,其他用户的置信阈值为0.6。
在上述实验参数设置下,根据设定的演化规则,使用Matlab 2017对基于信任的异质性用户观点学习模型进行了实验分析。每次实验虽然基于同一个初始网络,但网络中特殊用户的选取,相关参数的设置均按照实验规则重新生成,故每次实验基于的网络具有差异性。每次实验演化100个时间步,每组实验分别执行200次并对结果进行平均。
-
在3组实验中,用G表示网络中普通用户平均观点变化情况,用F、L和V分别表示网络中粉丝用户、权威用户和大V用户观点的变化情况。
观察存在粉丝用户条件下,网络用户观点随时间的聚合过程,如图 2所示,发现在既定的粉丝用户初始观点条件下,偏执度越高($\mu $=0.1),则越能拉高普通用户的观点值。而偏执度较低时($\mu $=0.3),粉丝用户对普通用户的观点影响作用较小,反而会被普通用户的观点影响。此外,粉丝用户初始观点高(图 2b,O(F)=0.9)或低(图 2c,O(F)=0.7)对最终群体观点演化的结果影响显著,当粉丝用户初始观点较低(对产品评价较低时),即使偏执度较高($\mu $=0.1),群体演化的最终观点也较低。因此,当粉丝用户初始观点越高,且对自身观点越偏执,则对普通用户观点的影响作用越大,表现为群体稳态时的平均观点值较高。当网络规模不同时(N=1 000和N=200),网络用户观点演化趋势较为相似。
在现实中,权威用户的“权威程度”取决于被其他人信任的程度。因此,当权威用户持有对产品很高的评价时,普通用户出于对其的信任也会调整自己的观点。反之,当权威用户发表了对产品很差的评价时,普通用户也会出于对其的信任更新自己的观点,导致最终网络演化进入稳态时的平均观点较低。观察观点随时间的聚合过程如图 3所示,发现在既定的权威用户初始观点下,信任参数越高(c=1.0),则越能拉高普通用户的观点值。而信任度较低时(c=0.6,实验中设置普通用户间的信任参数为0.5),权威用户对普通用户的观点影响作用较小。此外,权威用户初始观点高(O(L)=0.9,图 3b)低(O(L)=0.1,图 3c)对最终群体观点演化的结果影响显著,当权威用户初始观点较低,信任参数较大(c=1.0)会使得群体演化的最终观点更低。因此,对于商家而言,提升产品的正面评价或管控对于产品的负面评价,可以从权威用户及其信任度出发。当权威用户观点较低时,应降低普通用户对权威用户的信任度,即降低权威用户的权威性;当权威用户观点较高时,应进一步增加普通用户对权威用户的信任度,如在网络中广泛宣传该权威用户从而增加该用户在网络中的权威性。设定权威用户比例为0.1,当网络规模不同时,相对于小规模网络(N=200,图 3b),大规模网络(N=1 000,图 3a)中权威用户对群体观点演化的影响程度稍高,总体演化趋势较为相似。
观察大V用户与普通用户观点随时间聚合过程如图 4所示,发现在既定的大V用户初始观点下,置信阈值越低($\varepsilon $=0.2),则越能影响普通用户观点提高。而置信阈值较高时($\varepsilon $=0.4,实验中设置其他群体的置信阈值为0.6),大V用户对普通用户观点影响的作用较小。置信阈值越低,观点聚合的时间就越长,即拉高观点的代价是需要更长的时间。此外,大V用户初始观点高低对观点演化的结果影响显著,当大V用户初始观点较低(对产品评价较低时, 图 4d),置信阈值较高会使得群体演化的最终观点更低。因此,商家可以鼓励大V用户适当增加其置信阈值,即使其对多元化观点持开放态度,但当置信阈值超过一定临界值时,则反而普通用户会影响大V用户的观点值。大规模网络(N=1 000)中大V用户对群体观点演化的影响程度受到特殊用户数量的影响。初始特殊用户比例相同但数量不同时(图 4a和图 4c),大规模网络(图 4a)中大V用户对群体观点演化的影响程度稍高。初始特殊用户数量相同但比例不同时(图 4b和图 4c),大规模网络(图 4b)中大V用户对群体观点演化的影响程度较低。这样的发现表明,在不同规模网络群体观点演化比较中,因为特殊用户数量不同而难以比较。当网络规模相同(图 4a和图 4b),但特殊用户比例不同时,特殊用户比例越高,对群体观点演化的影响程度越大。
-
在图形分析中能够发现特殊用户所持观点及其特征、网络规模对网络群体观点演化具有影响,但这种影响是通过何种机制发挥作用尚不明确。为了进一步分析特殊用户如何影响群体观点演化,基于计算实验收集的数据(为了便于比较,选定特殊用户比例设定为0.1时的实验数据),对包括不同变量组合情况下的数据进行统计分析。
表 2报告了3类特殊用户初始观点、用户特征(收敛系数、信任度或置信度)与群体最终平均观点的回归结果。其中,在初始观点、用户特征对群体观点演化的直接影响中按照网络规模进行分组(小规模指N=200,大规模指N=1 000),在用户特征调节效应分析中采用全部数据(M3, M6, M9)。
表 2 回归与调节效应分析
粉丝用户 权威用户 大V用户 M1(小) M2(大) M3(总) M4(小) M5(大) M6(总) M7(小) M8(大) M9(总) 初始观点 .919*** .808*** 1.047*** .991*** .994*** .865*** .977*** .975*** 1.070*** 收敛系数 -.018 .029 信任度 -.004 .001 置信度 .022 .005 初始观点×收敛系数 -.299*** 初始观点×信任度 .133** 初始观点×置信度 -.131*** F 60.187*** 20.721*** 64.560*** 589.304*** 868.241*** 1 305.712*** 230.269*** 210.427*** 552.977*** R2 .845 .653 .733 .982 .987 .982 .954 ..950 .959 Adjusted R2 .831 .622 .722 .980 .986 .982 .950 .946 .958 注:*表示P<0.1水平上显著;**表示p<0.05水平上显著;***表示p<0.01水平上显著 从初始观点对群体最终平均观点的影响来看,按照网络规模进行分组,结果显示3类特殊用户初始观点能够显著影响网络整体观点,而特殊用户的特征并不能显著影响网络整体观点。在网络规模的分组中,特殊用户比例均设定为0.1,3类用户初始观点对群体最终观点的影响程度均比较接近,即网络规模在观点演化中的作用无法得出统计意义上的规律性。因为无法确定适合的特殊用户比例或数量,特殊用户在不同规模网络中对群体观点演化影响的作用程度就难以比较(如图 4中特殊用户比例相同和数量相同两种条件下的结果不一致)。
通过带有乘积项的回归模型来检验调节作用。在M3中,初始观点与收敛系数乘积项的系数小于0且显著,收敛系数越低表示用户越偏执自己原有的观点,因此负向调节验证了偏执度增大会增强粉丝用户初始观点对群体最终平均观点的影响,反之偏执度降低会降低初始观点对群体最终平均观点的影响。在M6中,初始观点与信任度乘积项的系数为大于0且显著,这种正向调节作用验证了权威用户信任度增大会增加初始观点对群体最终平均观点的影响,这也解释了图 3的结果。在M9中,初始观点与置信度乘积项的系数小于0且显著,表明置信度增大会减弱大V用户初始观点对群体最终平均观点的影响,这也解释了图 4的结果。
The Influence Mechanism of Special Members on Opinion Evolution of Group Members in Complex Network
-
摘要: 针对连续观点动力学模型缺乏对用户异质性的考虑,结合现实网络用户观点交互过程,从置信阈值、收敛系数的固定化、观点交互的无向无权性等方面对有界信任模型加以改进,构建基于信任的异质性用户观点学习模型。从偏执度、影响程度、影响范围界定了影响群体观点演化的3类特殊用户,通过基于多智能体的计算实验方法,研究粉丝用户、权威用户、大V用户此3类特殊用户观点对网络群体观点演化的影响。发现特殊用户特征并非直接作用于群体观点形成,而是作为调节变量在特殊用户初始观点与群体平均观点的关系中起到正向或负向调节作用。Abstract: Since the lack of consideration of user heterogeneity in the of continuous opinion dynamic model, considering the opinion interactive process in reality, this paper improves the bounded confidence model from the immobilization of confidence threshold and convergence coefficient, as well as the undirected and unweighted opinion interaction, and constructs a opinion learning model for the heterogeneous members based on trust level. From the bigotry degree, the influence degree and the influence scope, three kinds of special members are defined in the opinion evolution process. Through the computational experiments based on multi-agent, the influences of three kind of special member opinion on the evolution of network group opinion are studied from the perspective of fans, authoritative members and high in-degree members. It is found that special members' characteristics do not directly affect the formation of group opinion, special members' characteristics paly a positive or negative adjustment role in the relationship between initial opinion of special members and the final average opinion of the group members.
-
Key words:
- complex network /
- opinion dynamics /
- opinion evolution /
- special members
-
表 1 相关网络拓扑特征
节点数 平均度 边数 平均路径长度 最大度数 度相关系数 200 9.46 946 2.482 4 51 -0.078 9 1 000 9.86 4 934 2.955 7 148 -0.051 9 表 2 回归与调节效应分析
粉丝用户 权威用户 大V用户 M1(小) M2(大) M3(总) M4(小) M5(大) M6(总) M7(小) M8(大) M9(总) 初始观点 .919*** .808*** 1.047*** .991*** .994*** .865*** .977*** .975*** 1.070*** 收敛系数 -.018 .029 信任度 -.004 .001 置信度 .022 .005 初始观点×收敛系数 -.299*** 初始观点×信任度 .133** 初始观点×置信度 -.131*** F 60.187*** 20.721*** 64.560*** 589.304*** 868.241*** 1 305.712*** 230.269*** 210.427*** 552.977*** R2 .845 .653 .733 .982 .987 .982 .954 ..950 .959 Adjusted R2 .831 .622 .722 .980 .986 .982 .950 .946 .958 注:*表示P<0.1水平上显著;**表示p<0.05水平上显著;***表示p<0.01水平上显著 -
[1] CHEN Y, WANG Q, XIE J. Online social interactions:A natural experiment on Word of Mouth versus observational learning[J]. Journal of Marketing Research, 2011, 48(2):238-254. doi: 10.1509/jmkr.48.2.238 [2] BANERJEE A V. A simple model of herd behavior[J]. The Quarterly Journal of Economics, 1992, 107(3):797-817. doi: 10.2307/2118364 [3] BIKHCHANDANI S, HIRSHLEIFER D, WELCH I. A theory of fads, fashion, custom, and cultural change as informational cascades[J]. Journal of Political Economy, 1992, 100(5):992-1026. doi: 10.1086/261849 [4] 孔江涛, 黄健, 龚建兴, 等.基于复杂网络动力学模型的无向加权网络节点重要性评估[J].物理学报, 2018, 67(9):255-271. http://d.old.wanfangdata.com.cn/Periodical/wlxb201809029 KONG Jiang-tao, HUANG Jian, GONG Jian-xing, et al. Evaluation methods of node importance in undirected weighted networks based on complex network dynamics models[J]. Acta Physica Sinica, 2018, 67(9):255-271. http://d.old.wanfangdata.com.cn/Periodical/wlxb201809029 [5] ZHAO Y, ZHANG L, TANG M, et al. Bounded confidence opinion dynamics with opinion leaders and environmental noises[J]. Computers & Operations Research, 2016, 74:205-213. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=858b97b6abed56a1acd2c4cc2045f8e6 [6] BARTHÉLEMY M, BARRAT A, PASTOR-SATORRAS R, et al. Velocity and hierarchical spread of epidemic outbreaks in scale-free networks[J]. Physical Review Letters, 2004, 92(17):178701. doi: 10.1103/PhysRevLett.92.178701 [7] PARSHANI R, CARMI S, HAVLIN S. Epidemic threshold for the susceptible-infectious-susceptible model on random networks[J]. Physical Review Letters, 2010, 104(25):258701. doi: 10.1103/PhysRevLett.104.258701 [8] MORENO Y, GÓMEZ J B, PACHECO A F. Epidemic incidence in correlated complex networks[J]. Physical Review E, 2003, 68(3):35103. doi: 10.1103/PhysRevE.68.035103 [9] KAMO M, SASAKI A. The effect of cross-immunity and seasonal forcing in a multi-strain epidemic model[J]. Physica D:Nonlinear Phenomena, 2002, 165(3-4):228-241. doi: 10.1016/S0167-2789(02)00389-5 [10] LIU Q H, LÜ F M, ZHANG Q, et al. Impacts of opinion leaders on social contagions[J]. Chaos, 2018, 28(5):53103. doi: 10.1063/1.5017515 [11] 朱侯, 胡斌.基于依从心理的组织规范稳定性及其演化的模拟研究[J].系统管理学报, 2017, 26(6):1112-1121. http://d.old.wanfangdata.com.cn/Periodical/xtgcllffyy201706014 ZHU Hou, HU Bin. Simulation on stability and evolution of population's norm based on compliance psychology[J]. Journal of System & Management, 2017, 26(6):1112-1121. http://d.old.wanfangdata.com.cn/Periodical/xtgcllffyy201706014 [12] DEFFUANT G, NEAU D, AMBLARD F, et al. Mixing beliefs among interacting agents[J]. Advances in Complex Systems, 2000, 3(1-4):87-98. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0227875507/ [13] 苏炯铭, 刘宝宏, 李琦, 等.社会群体中观点的信任、演化与共识[J].物理学报, 2014, 63(5):36-43. http://d.old.wanfangdata.com.cn/Periodical/wlxb201405004 SU Jiong-ming, LIU Bao-hong, LI Qi, et al. Trust, evolution, and consensus of opinions in a social group[J]. Acta Physica Sinica, 2014, 63(5):36-43. http://d.old.wanfangdata.com.cn/Periodical/wlxb201405004 [14] FORTUNATO S. Universality of the threshold for complete consensus for the opinion dynamics of deffuant et al[J]. International Journal of Modern Physics C, 2004, 15(9):1301-1307. doi: 10.1142/S0129183104006728 [15] HEGSELMANN R, KRAUSE U. Opinion dynamics and bounded confidence models, analysis and simulation[J]. Journal of Artificial Societies and Social Simulation, 2002, 5(3):2. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0231443089/ [16] PAN Z. Trust, influence, and convergence of behavior in social networks[J]. Mathematical Social Sciences, 2010, 60(1):69-78. doi: 10.1016/j.mathsocsci.2010.03.007 [17] MORGAN R M, HUNT S D. The commitment-trust theory of relationship marketing[J]. Journal of Marketing, 1994, 58(3):20-38. doi: 10.1177/002224299405800302 [18] KATONA Z, ZUBCSEK P P, SARVARY M. Network effects and personal influences:The diffusion of an online social network[J]. Journal of Marketing Research, 2011, 48(3):425-443. doi: 10.1509/jmkr.48.3.425 [19] 吴江, 胡斌, 鲁耀斌.实证驱动的信息系统扩散与组织互动模拟研究[J].管理科学学报. 2010, 13(10):21-31. http://d.old.wanfangdata.com.cn/Periodical/glkxxb201010003 WU Jiang, HU Bin, LU Yao-bin. Empirical relationship driven simulation on interaction between organization behavior and diffustion of an e-commerce information system[J]. Journal of Management Sciences in China, 2010, 13(10):21-31. http://d.old.wanfangdata.com.cn/Periodical/glkxxb201010003 [20] GILLY M C, GRAHAM J L, WOLFINBARGER M F, et al. A dyadic study of interpersonal information search[J]. Journal of the Academy of Marketing Science, 1998, 26(2):83-100. doi: 10.1177/0092070398262001 [21] GOLDENBERG J, HAN S, LEHMANN D R, et al. The role of hubs in the adoption process[J]. Journal of Marketing, 2009, 73(2):1-13. http://d.old.wanfangdata.com.cn/OAPaper/oai_doaj-articles_80555721a3ac1aaef3cf8019eab0b8a4 [22] WASKO M L, FARAJ S. Why should I share? Examining social capital and knowledge contribution in electronic networks of practice[J]. MIS Quarterly, 2005, 29(1):35-57. doi: 10.2307/25148667 [23] BARABási A L. Network science:Luck or reason[J]. Nature, 2012, 489(7417):507-508. doi: 10.1038/nature11486 [24] BARABÁSI A L, ALBERT R. Emergence of scaling in random networks[J]. Science, 1999, 286(5439):509-512. doi: 10.1126/science.286.5439.509 [25] WATTS D J, DODDS P S. Influentials, networks, and public opinion formation[J]. Journal of Consumer Research, 2007, 34(4):441-458. doi: 10.1086/518527 [26] GENTINA E, BONSU S K. Peer network position and shopping behavior among adolescents[J]. Journal of Retailing and Consumer Services, 2013, 20(1):87-93. doi: 10.1016/j.jretconser.2012.10.009 [27] LABRECQUE L I, ESCHE J V D, MATHWICK C, et al. Consumer power:Evolution in the digital age[J]. Journal of Interactive Marketing, 2013, 27(4):257-269. doi: 10.1016/j.intmar.2013.09.002 [28] LIGON E, SCHECHTER L. Motives for sharing in social networks[J]. Journal of Development Economics, 2012, 99(1):13-26. doi: 10.1016/j.jdeveco.2011.12.002 [29] SMITH S, FISHER D, COLE S J. The lived meanings of fanaticism:Understanding the complex role of labels and categories in defining the self in consumer culture[J]. Consumption Markets & Culture, 2007, 10(2):77-94. http://cn.bing.com/academic/profile?id=66b4c68bd6db6b8343327ecd76b1170c&encoded=0&v=paper_preview&mkt=zh-cn [30] THORNE S, BRUNER G C. An exploratory investigation of the characteristics of consumer fanaticism[J]. Qualitative Market Research, 2006, 9(1):51-72. doi: 10.1108/13522750610640558 [31] KOZINETS R V. E-tribalized marketing:The strategic implications of virtual communities of consumption[J]. European Management Journal, 1999, 17(3):252-264. doi: 10.1016/S0263-2373(99)00004-3 [32] LIPSMAN A, MUDD G, RICH M, et al. The power of "like":How brands reach (and influence) fans through social-media marketing[J]. Journal of Advertising Research, 2012, 52(1):40-52. doi: 10.2501/JAR-52-1-040-052 [33] LEE D, KIM H S, KIM J K. The impact of online brand community type on consumer's community engagement behaviors:Consumer-created vs. marketer-created online brand community in online social-networking web sites[J]. Cyberpsychology Behavior & Social Networking, 2011, 14(1-2):59-63. http://cn.bing.com/academic/profile?id=eb391e6ac057a4afd9f1b018bba1935b&encoded=0&v=paper_preview&mkt=zh-cn [34] PINEDA M, BUENDía G M. Mass media and heterogeneous bounds of confidence in continuous opinion dynamics[J]. Physica A:Statistical Mechanics and its Applications, 2015, 420:73-84. doi: 10.1016/j.physa.2014.10.089 [35] 王伟, 舒盼盼, 唐明, 等.网络传播动力学模拟方法评述[J].电子科技大学学报, 2016, 45(2):288-294. doi: 10.3969/j.issn.1001-0548.2016.03.022 WANG Wei, SHU Pan-pan, TANG Ming, et al. Simulation methods for spreading dynamics on networks:A recitation[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(2):288-294. doi: 10.3969/j.issn.1001-0548.2016.03.022 [36] SU J, LIU B, LI Q, et al. Coevolution of opinions and directed adaptive networks in a social group[J]. Journal of Artificial Societies and Social Simulation, 2014, 17(2):4. doi: 10.18564/jasss.2424 [37] 王金龙, 刘方爱, 朱振方.一种基于用户相对权重的在线社交网络信息传播模型[J].物理学报, 2015, 64(5):63-73. http://d.old.wanfangdata.com.cn/Periodical/wlxb201505003 WANG Jin-long, LIU Fang-ai, ZHU Zhen-fang. An information spreading model based on relative weight in social network[J]. Acta Phys Sin, 2015, 64(5):63-73. http://d.old.wanfangdata.com.cn/Periodical/wlxb201505003 [38] ROGERS E M. The diffusion of innovations[M].[S.l.]:Free Press, 2003.