不是人人都有话筒和耳朵：发帖者—围观者意见动态模型

🎓 专业 IRMaD 结构解读

I. Introduction（引言）

社交媒体已成为现代公共讨论的主场，但主流意见动力学模型仍沿用弗里德金—约翰森（FJ）框架的同步通信假设：每一轮所有用户同时广播意见、同时读取邻居意见。现实中的参与极度不对称，尼尔森的“90-9-1 法则”与“1% 法则”表明，绝大多数用户是只读不写的潜水者，极少数超活跃者生产大部分内容。既有的时间变网络（TV-FJ）、Gossip 随机边交互、活动驱动网络与有界信任模型虽引入了异步性，但 TV-FJ 的收敛性缺乏保证，BCM 类工作因非线性只能依赖数值评估，且都未给出“广播—曝光”这一平台结构的闭式刻画。本文提出发帖者—围观者 FJ（PO-FJ）模型，把每个节点的通信拆成“发帖”与“围观”两个独立伯努利活动，使交互图逐轮随机增删，并给出期望意见、意见协方差及极化/分歧的闭式解；进而把平台的“放大（p）”与“曝光（q）”作为干预杠杆，提出 CLEAR 问题与可扩展的 CLEAR-PGD。对计算传播学而言，这把“谁在说、谁在听”的结构性不平等写进模型本体，而非事后当作测量偏差处理。

I. Theoretical Framework & Hypotheses（理论框架与假设）

经典 FJ 的更新为 z^(t+1) = A s + (I−A) W z^(t)，在 W 不可约且至少一个 a_i>0 时收敛到静态均衡 z* = (I−(I−A)W)^(−1) A s = V s。PO-FJ 引入观测活动向量 x^(t) 与发帖活动向量 y^(t)，动态交互矩阵为 Ŵ^(t) = X^(t)[W Y^(t) + diag(W(1−y^(t)))] + (I−X^(t))，非对角元 Ŵ_ij^(t) = x_i^(t) y_j^(t) W_ij：只有 i 在看且 j 在发时，边才存在；被删边的权重转移到对角元，语义是“注意力固定，没看到谁就把注意力收回到自己先前的表达”。意见更新为 ẑ^(t+1) = A s + (I−A) Ŵ^(t) ẑ^(t)。Assumption 1 要求 x、y 跨期独立同分布且相互独立，E[x]=q、E[y]=p，协方差为对角阵 Σx、Σy（对角元 q_i(1−q_i)、p_i(1−p_i)）；p=q=1 退化为经典 FJ。

Theorem 3：若 W 不可约、inner opinion 不全相同、所有 a_i∈(0,1) 且 p_i,q_i∈(0,1)，则 PO-FJ 永不到达静态均衡，而是收敛到唯一非退化平稳分布。证明分两步：其一，事件 x_i^(t)=0 概率为正，此时第 i 行塌缩为 e_i，迫使 z_i*=s_i 对所有 i 成立；代入期望不动点 (I−A)(I−W̄)s=0 后由 Perron–Frobenius 定理要求 s 为常数向量，与假设矛盾。其二，M_t=(I−A)Ŵ^(t) 满足 ||M_t||_∞ ≤ max_i(1−a_i)=γ<1，为严格压缩，由 Diaconis–Freedman 迭代随机函数定理得唯一不变分布。由此得到闭式轨迹：μ^(t+1)=A s+(I−A)W̄μ^(t)，M^(t+1)=F(M^(t))+Ω^(t)，其中 F(M)=(I−A)[W̄MW̄^T+H(M)](I−A)，Ω^(t) 由活动协方差经 Hadamard 积注入新方差。B_v=W diag(v)−diag(v)W、G(C,D)=W(C∘D)W^T−W(C∘(DW^T))−((WD)∘C)W^T+C∘(WDW^T)。PO-FJ 下的指标为：Z̄=n^(−1)Σμ̄_i；P̄=n^(−1)Σ(μ̄_i−Z̄)^2+n^(−1)ΣM̄_ii−n^(−2)ΣΣM̄_ij；D̄ 在经典项之外加入 (2n)^(−1)Σ_i(1+d̄_i^in)M̄_ii−(1/n)ΣΣW̄_ij M̄_ij。即极化与分歧 = 均值差项 + 方差项 − 协方差项。

M. Materials & Methods（材料与方法）

• 范式：分析型随机 Agent-Based Model（ABM），非 SD/DES。n 个 agent、离散轮次 t、连续意见状态 [0,1]；随机性来自逐轮独立伯努利活动向量，而非智能体规则学习的异质性。
• 真实网络：SNAP 六个图，均取最大强连通分量（LSCC），基础交互矩阵按出度均匀加权 W_ij=1/d_i^out 保持行随机：Wiki（1,300 节点 / 39,456 边）、Gnutella（2,068 / 9,313）、Epinions（32,223 / 443,506）、Slashdot（71,307 / 912,381）、YouTube（1,134,890 / 5,975,248，无向）、Pokec（1,304,537 / 29,183,655）。
• 合成网络：RQ1 用 100 节点 SBM，蓝红两社区各半（s_i=0 与 s_i=1），社区内边概率 0.15、社区间 0.02，全体 a_i=0.5；附录 K-hop 检验另用 n=2,000 的 SBM（内 0.06 / 间 0.005）。
• 活动设定：Σx、Σy 取对角，即假设个人活动互不相关；RQ1 固定蓝队 p=q=0.5，扫红队 p_red、q_red 的 [0,1]×[0,1] 网格。主实验按 PageRank 复刻 90-9-1：前 1% 为广播者（p=0.9,q=0.1），次 9% 为贡献者（0.5,0.5），其余 90% 为围观者（0.1,0.9）。
• 两种意见初始化：Scenario A 用谱二分切两社区，s~U(0,0.3) 与 U(0.7,1.0)；Scenario B 全体 s~U(0,1)。两情景均设 a_i=0.5，结果取五次随机初始化的均值±标准差。
• CLEAR-PGD：目标 min_{p,q} C̄=P̄+D̄，约束 ||p−p⁰||_1+||q−q⁰||_1≤b 且 p,q∈[0,1]^n。将 μ 与 M 的迭代式视为循环网络前向展开 T_μ=40、T_M=15 步至收敛，再反传求 ∇_p C̄、∇_q C̄；步长 η=0.5n，L1 投影用排序法 O(n log n)，容差 τ=10^−5、T_opt=25。
• 可扩展性技巧：M̄ 在强连通图上会稠密（n=10^6 需约 8 TB），故每轮只保留 K 跳以内节点的协方差项，K=1 时每轮 O(|E|)；总复杂度 O(T_opt((T_μ+T_M)|E|+n log n))。
• 离散变体：Discrete-CLEAR 允许平台整段静音或激活至多 k 个用户，作者由 Vertex Cover 多项式归约证明其 NP-hard。
• 对照基线：Random 扰动、Ideological-Heuristic（按 PageRank×意识形态极端度把极端者变围观者、温和者变广播者）、Bridge-Heuristic（让观点对立且相连的节点对互相观看）、CLEAR-PGD 仅调 p、仅调 q 两个消融。
• 算力与复现：单张 NVIDIA A100 40GB，代码发布于匿名仓库。

R. Results（结果）

• RQ1 行为网格：经典 FJ（p=q=1）下该 SBM 的 Z_FJ=0.5159、P_FJ=0.1612、D_FJ=0.0376。红队当潜水者（只看不发）时整体舆论被蓝队同化至 Z̄≈0.48；红队当广播者（只发不看）时舆论被拉向红队至 Z̄≈0.53。红队既不看也不说（p=q=0）时 P̄≈0.25 达最大、D̄≈0 最小；红队全活跃（p=q=1）时 P̄≈0.2 最小、D̄≈0.02 最大。极化与分歧系统性反向。
• RQ2 主结果：所有网络、两种情景、全部预算下 CLEAR-PGD 均优于基线。以 b/n=1.0 为例：Wiki 情景 A 冲突由 0.1227 降至 0.0922（−24.9%）、情景 B 由 0.0695 降至 0.0401（−42.3%）；Pokec 由 0.0983 降至 0.0734（−25.3%）与由 0.0637 降至 0.0432（−32.2%）。
• 放大 vs 曝光：仅调 q 几乎无效（Wiki 情景 A b/n=1.0：0.1177，仅降 4.1%），仅调 p 已很有效（0.0996），联合最好（0.0922）；情景 B 依次为 0.0651 / 0.0449 / 0.0401。说明“控制谁被放大”是主杠杆，曝光是补充。
• 启发式对比：Bridge-Heuristic 稳定降冲突但很早就平台化；Random 因打散 90-9-1 层级而小幅有效，但缺乏协调会抬高分歧；Ideological-Heuristic 在情景 B（存在中间派）持续有效，在情景 A（两极分化、无中间派）把最不极端的 0.3/0.7 节点推成广播者，虽降低分歧却锁死两阵营、抬高极化与总冲突。
• RQ3 干预画像：意识形态极端度 e_i=|s_i−0.5| 与观测增量 Δq_i 正相关（情景 A r∈[+0.35,+0.51]，情景 B r∈[+0.60,+0.72]），与发帖增量 Δp_i 负相关（A 为 [−0.24,−0.59]，B 为 [−0.22,−0.35]）。节点投入 τ_i 与 PageRank 正相关（r∈[+0.08,+0.52]）。预算 60.8%–72.0% 分给 p、28.0%–39.2% 分给 q。四条策略可归纳为：让极端者多听、压低极端者的放大、给温和者与普通围观者提权、优先动中心节点。
• RQ4 规模：小图（Gnutella、Wiki）运行时间 1–2 秒、受常数开销主导；Epinions 至 Pokec 区间执行时间随边数呈 |E|^γ 增长，γ≈0.8<1，即亚线性。

表为 CLEAR-PGD 的平稳冲突 C̄（P̄+D̄），b/n=0 列即未干预基准；Epinions 的对照见正文 Figure 3。

a / D. Discussion & Conclusion（讨论与结论）

• 理论贡献：首次把“广播—曝光”的不对称作为一阶机制引入 FJ 族，证明同步假设一旦松开，静态均衡即不可能存在（Theorem 3），长期状态必须由分布而非向量刻画；极化与分歧因此多了方差项与协方差项，经典 FJ 中“均值相同即无分歧”的判断在 PO-FJ 下不再成立。
• 对计算传播学的意义：平台可见的数据是发帖，即 p 侧；真正吸收信息的 q 侧几乎不留痕。用帖子估计民意等于对活跃者加权、对潜水者零加权，而模型显示潜水者会被动吸收并向对方漂移。测量上应把“谁在看”的曝光日志与“谁在说”的内容日志结合，并把意见的时间方差作为民意的组成部分而非噪声。
• 治理启示：干预对象从“改关系、改信念”转向“改推荐”。结果给出可操作方向：提高温和者与普通用户的发帖概率、提高极端者的曝光、优先动中心节点；预算分配上放大约占三分之二、曝光约占三分之一。情景 A 的失败案例提示，“把极端者变潜水者”这类直觉做法在两极格局下会锁死阵营、适得其反。
• 局限：Assumption 1 假定个人活动跨期独立同分布且彼此独立，无法刻画协同刷屏、机器人水军、事件驱动的集体上线；Σ 在实验中被设为对角，只把活动相关性当作理论扩展；冲突定义 C̄=P̄+D̄ 取无权形式；SBM 与真实网络均视为静态图，未处理关注关系的长期演化；实验只覆盖 PageRank 型 90-9-1 初始化，作者也承认结果依赖初始 p⁰、q⁰、s、a。
• 未来方向：用 Σx、Σy 建模协同群体行为，放松独立性假设使活动与邻居意见耦合，把目标改为网络公平等替代函数，并检验其他平台结构下的干预稳健性。