，，

社交媒體平臺的出現(xiàn)不僅豐富了用戶獲取信息的途徑和方式，也在一定程度上滿足了用戶的信息需求。而微博因其具有廣泛的用戶基礎(chǔ)和方便、快捷的信息交流等特點，成為當(dāng)下一種熱門的社交媒體平臺。然而該平臺信息量過大，給用戶的信息選擇帶來一定程度的困難。用戶不僅需要選擇想要獲取的信息資源和類型，還需選擇關(guān)注感興趣的微博用戶。對于微博運營商來說，如何為用戶在海量用戶之中推薦其最感興趣的相關(guān)用戶是一個亟待解決的問題。

健康作為時下熱門的詞匯和用戶關(guān)注的焦點，更多的用戶在社交媒體平臺上獲取健康信息、了解健康知識。然而微博中存在的大量健康用戶卻是非官方的賬戶，其發(fā)布的健康信息是否具有影響力和效果、為其他用戶帶來了怎樣的健康信息等問題值得剖析。本文以健康用戶為例，應(yīng)用社會網(wǎng)絡(luò)分析方法，對微博中健康用戶的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，旨在為加強(qiáng)微博中用戶之間信息交流提供建議。

1 社會網(wǎng)絡(luò)分析理論及方法

社會網(wǎng)絡(luò)分析(Social Network Analysis，SNA)是將現(xiàn)實復(fù)雜網(wǎng)絡(luò)中的個體和復(fù)雜關(guān)系抽象成節(jié)點、線以及方向，綜合利用多種算法，不僅能夠測量行動者個體及他們所處的網(wǎng)絡(luò)成員之間錯綜復(fù)雜的關(guān)系和連結(jié)，還能對他們之間的互動模式進(jìn)行可視化建模[1]。社會網(wǎng)絡(luò)分析是在社會學(xué)、心理學(xué)、人類學(xué)等學(xué)科基礎(chǔ)之上發(fā)展起來的研究方法，隨著互聯(lián)網(wǎng)的普及和社交媒體平臺的使用，社會網(wǎng)絡(luò)分析方法也開始運用在社交媒體等在線媒體的研究之中，如虛擬學(xué)習(xí)社區(qū)[2]、博客[3]和微博[4]等。社會網(wǎng)絡(luò)分析采用定量的方式測量行動者之間的關(guān)系，并通過網(wǎng)絡(luò)圖或矩陣表示這一關(guān)系，通過具體的指標(biāo)揭示社會網(wǎng)絡(luò)特征以及成員間的隱性關(guān)系[5]。

目前常用的社會網(wǎng)絡(luò)分析軟件主要有UCINET、Pajek、NetMiner、MultiNet等。本文采用的分析軟件是UCINET(University of California at Irvine Network)。UCINET是由加州大學(xué)爾灣分校的社會網(wǎng)研究學(xué)者Linton Freeman首先編寫和提出的，之后是由波士頓大學(xué)的Steve Borgatti和威斯敏斯特大學(xué)的Martin Everett進(jìn)行維護(hù)和更新[6]。

雖然UCINET軟件本身不包含網(wǎng)絡(luò)可視化的圖形程序，但它可將數(shù)據(jù)和處理結(jié)果輸出至NetDraw、Pajek、Mage和KrackPlot等軟件并制作可視化圖。UCINET可以進(jìn)行網(wǎng)絡(luò)密度分析、核心-邊緣分析、中心性分析和凝聚子群分析等。

2 實驗和結(jié)果分析

為研究微博用戶互相關(guān)注之間的網(wǎng)絡(luò)結(jié)構(gòu)，解決用戶關(guān)注推薦問題，本文以新浪微博作為研究平臺，搜索與健康相關(guān)的、粉絲量在100萬以上新浪微博用戶作為研究對象，共得到41個相關(guān)微博用戶。

通過新浪微博API測試平臺，下載所關(guān)注用戶的ID、關(guān)注數(shù)、粉絲數(shù)、微博數(shù)以及收藏數(shù)相關(guān)信息的數(shù)據(jù)；利用Ucinet軟件對數(shù)據(jù)進(jìn)行社會網(wǎng)絡(luò)分析，主要包括核心——邊緣分析，中心性分析，凝聚子群分析和網(wǎng)絡(luò)密度分析；最后使用NetDraw可視化軟件對用戶之間的交流情況進(jìn)行可視化呈現(xiàn)。

2.1 網(wǎng)絡(luò)密度分析

網(wǎng)絡(luò)密度分析可以衡量一個網(wǎng)絡(luò)中各個節(jié)點之間連接的緊密程度[7]，即所分析的對象集中各個用戶之間互相關(guān)注的程度。利用UCINET軟件對所獲取數(shù)據(jù)的網(wǎng)絡(luò)密度進(jìn)行分析的結(jié)果如圖1所示。

圖1 網(wǎng)絡(luò)密度分析結(jié)果

從圖1可看出，平均矩陣密度僅為0.0409，說明41位微博健康用戶之間的交流程度較低；標(biāo)準(zhǔn)差為0.1980，說明用戶中存在小群體現(xiàn)象，即部分用戶之間交流比較緊密，而與其他用戶之間交流比較有限。

2.2 核心-邊緣分析

核心—邊緣分析是通過用戶之間的緊密程度將整個社區(qū)劃分為核心區(qū)和邊緣區(qū)(見圖2、圖3)。

圖2沿著主對角線核心節(jié)點的分布區(qū)域，對核心區(qū)和邊緣區(qū)進(jìn)行了明確的劃分。

圖3顯示，初始的二值矩陣與理想矩陣的相關(guān)系數(shù)(Starting fitness)為0.070，而經(jīng)過重排后的矩陣與理想矩陣的相關(guān)系數(shù)也是0.070，說明兩者之間的相關(guān)性極低。通過核心-邊緣分析將41位健康信息用戶分為核心區(qū)1和邊緣區(qū)2，得出位于核心區(qū)的用戶較多(32位)。

圖2核心——邊緣分析結(jié)果

圖3 核心——邊緣分析結(jié)果

2.3 中心性分析

中心性分析是用來判斷研究對象中，某一用戶的重要性與否和影響力大小的指標(biāo)，主要包括點度中心度分析和中間中心度分析。

2.3.1 點度中心度

點度中心度主要是對一個點與其他點相連的緊密程度進(jìn)行分析，即判斷網(wǎng)絡(luò)中的核心用戶。結(jié)點的點度中心性越高，在網(wǎng)絡(luò)中與該結(jié)點直接相連的點就越多，結(jié)點在網(wǎng)絡(luò)中的“權(quán)力”就越大[8]。衡量指標(biāo)包括點入度、點出度、相對點入度和相對點出度的分析。結(jié)果如圖4、圖5所示。

點出度表示某用戶關(guān)注其他用戶的程度，點入度則表示某用戶被其他用戶 關(guān)注的程度。從圖4中可以看到，32和37號的點出度較高，24號的點入度較高，說明32、37關(guān)注其他用戶的程度較高，而24號的被關(guān)注度更高。他們在該網(wǎng)絡(luò)中都屬于比較核心的、影響力比較大的用戶。

圖4 點度中心度分析結(jié)果

圖5 點度中心勢指數(shù)分析結(jié)果

從圖5可以看到，點入度和點出度的最大值雖然分別為8和7，但其平均值都只有1.634，可見該網(wǎng)絡(luò)的外中心度較大，一定程度影響了中心度的判斷。點入讀的集中化中心勢是16.313%，點出度的集中化中心勢是13.75%。中心勢越接近1，說明網(wǎng)絡(luò)越具有集中趨勢。因此該網(wǎng)絡(luò)中用戶之間的集中化程度較低，相互之間的關(guān)系較為分散。

2.3.2 中間中心度

中間中心度可測量出用戶控制其他用戶之間交往的程度，即用戶作為傳播中間人的能力。按照中間中心度數(shù)值(非零)大小從高到低排序得到中間中心度分析結(jié)果(圖6)和中間中心勢結(jié)果(圖7)。

圖6 中間中心度分析結(jié)果

圖7 中間中心勢分析結(jié)果

中間中心度越高說明一個用戶對于其他用戶的控制力越高，如果一個點的中間中心度為0，那么它對其他用戶就沒有影響。圖6中，24號用戶中間中心度最高，說明其在網(wǎng)絡(luò)中處于一個核心的地位。圖7中，整個網(wǎng)絡(luò)的中間中心勢為3.24%，數(shù)值較小，說明用戶之間交流的過程中相互影響的程度很小，權(quán)力也不集中。

2.4 凝聚子群分析

凝聚子群分析是為了揭示用戶之間實際存在或潛在存在的關(guān)系，明確用戶中具有相對較強(qiáng)的、直接的、緊密的關(guān)系的用戶，以形成整個網(wǎng)絡(luò)中的子群體。結(jié)果見圖8。從圖8可看出，該網(wǎng)絡(luò)中用戶被劃分為7個三級的子群體。在每一個子群體中的用戶在整個網(wǎng)絡(luò)中的行為、影響力等特征都比其他群體中的用戶更相近。如果進(jìn)一步減少子群數(shù)量，又可以分為4個二級子群體，從上到下依次標(biāo)記為第I、II、III、IV子群。結(jié)合前文分析結(jié)果，可以看到，第IV子群的用戶是與其他用戶之間無聯(lián)系的用戶，第III子群的用戶僅與其他1-2個用戶之間具有交流，第II子群用戶則是該網(wǎng)絡(luò)中與其他用戶之間關(guān)聯(lián)最多的群體。

核心-邊緣分析是從網(wǎng)絡(luò)整體上區(qū)分出核心區(qū)和邊緣區(qū)，而凝聚子群則是將用戶根據(jù)其之間的關(guān)系進(jìn)行分組，進(jìn)一步細(xì)化核心區(qū)和邊緣區(qū)。

圖8 凝聚子群分析結(jié)果

3 可視化結(jié)構(gòu)圖

3.1 可視化網(wǎng)絡(luò)結(jié)構(gòu)圖

利用NetDraw軟件可以清晰地展示各個用戶之間的交流和聯(lián)系，也可以看出凝聚子群結(jié)果是根據(jù)節(jié)點之間聯(lián)系的緊密程度的不同進(jìn)行劃分的。如圖9中，位于圖片左側(cè)、既不關(guān)注其他用戶也不被其他用戶關(guān)注的節(jié)點都是第IV個子群的節(jié)點。

可視化分析結(jié)果與核心-邊緣分析結(jié)果相同。從圖9可看到，該網(wǎng)絡(luò)中節(jié)點的連接情況大致可以分為左右兩個區(qū)域，左邊區(qū)域的節(jié)點之間無相互關(guān)聯(lián)，右邊區(qū)域節(jié)點之間連接相對緊密。這兩個區(qū)域的節(jié)點分別于邊緣區(qū)和核心區(qū)的節(jié)點號相對應(yīng)。

對網(wǎng)絡(luò)密度的結(jié)果分析中，我們猜測該網(wǎng)絡(luò)可能存在抱團(tuán)現(xiàn)象。通過可視化的呈現(xiàn)，可以清楚地看到41位用戶之間的交流程度比較分散，而以17、24、25、30、36等節(jié)點為中心有抱團(tuán)現(xiàn)象，用戶之間的交流并不均衡。而且17、24、25、30、36等節(jié)點也是點入度、點出度還有中間中心度較高的節(jié)點，驗證了中心中心度和中間中心度階段的結(jié)果，即這些節(jié)點是該網(wǎng)絡(luò)中的核心用戶。

圖9 可視化分析結(jié)果

3.2 中心性的可視化結(jié)構(gòu)圖

對網(wǎng)絡(luò)中節(jié)點的中間中心性進(jìn)行可視化的結(jié)果見圖10。圖中各節(jié)點方塊面積的大小代表了節(jié)點的中間中心度的大小，可見32、24、16是該網(wǎng)絡(luò)中中間中心度較大的節(jié)點。因此這些用戶對其他用戶有著較強(qiáng)的控制能力，在該網(wǎng)絡(luò)中的影響力更大。

圖10 中心性的可視化網(wǎng)絡(luò)結(jié)構(gòu)

4 討論

通過分析發(fā)現(xiàn)，微博中健康信息用戶之間的相互交流程度較低，并且存在抱團(tuán)現(xiàn)象，不利于良好的信息交流。雖然本文選取的每個健康信息用戶都有很大的粉絲量，且有較大的影響力和聲望，但各用戶之間的交流仍十分有限，有的用戶之間甚至是零交流。用戶之間尤其是有一定影響力的用戶之間交流缺失并不利于構(gòu)建一個良好的健康信息傳播平臺。

核心-邊緣分析結(jié)果顯示，所獲取的用戶之中大部分屬于核心區(qū)，但是在可視化結(jié)構(gòu)圖中可以看到，用戶之間交流分散，存在小群體現(xiàn)象，有一些核心節(jié)點與其他節(jié)點完全是零交流，造成了用戶之間的信息不能達(dá)到有效的共享，信息不能得到廣泛的傳播。總體來說，這41位用戶在自己的小團(tuán)體中交流程度比較密切，但是脫離了團(tuán)體之后與其他團(tuán)體成員交流程度就很小。粉絲量較少的用戶會關(guān)注粉絲量較多的用戶，但是同為大粉絲量之間的用戶交流較少。

實現(xiàn)微博作為信息傳播的社交媒體平臺的價值，加強(qiáng)健康信息用戶之間交流，促進(jìn)健康信息的傳播仍然需要新浪微博平臺和用戶之間的共同努力。首先要加強(qiáng)微博健康社區(qū)中核心成員之間的交流，提高核心用戶的活躍度，鼓勵健康信息的發(fā)布，加強(qiáng)信息的傳播；其次，微博平臺應(yīng)為用戶創(chuàng)造良好的交流氛圍，加強(qiáng)網(wǎng)絡(luò)社區(qū)用戶間的交流。

5 結(jié)語

本文分析了新浪微博中粉絲數(shù)量較大、影響力更大的健康信息用戶之間的信息交流情況，但在所傳播的健康信息內(nèi)容、真實性、可靠性等方面信息并未進(jìn)行分析和評價，健康信息用戶之間信息交流和傳播的機(jī)制和主要障礙等也需要進(jìn)一步研究。