王曉耘，范晶晶，陳 思

（杭州電子科技大學 管理學院，浙江 杭州 310018）

自微博興起以來，對微博轉(zhuǎn)發(fā)機制的研究就成為了當前學術界和營銷界的熱點問題。從企業(yè)的角度出發(fā)，高轉(zhuǎn)發(fā)量的微博提升了自身的影響力，對于產(chǎn)品推廣也顯得更加快捷迅速，與客戶之間的溝通也更為方便。目前，較為有名的制造高轉(zhuǎn)發(fā)微博的例子有，如杜蕾斯、野獸派花店、小米手機官方微博等。盡管國內(nèi)多數(shù)企業(yè)對微博平臺營銷的熱情較為高漲，但成功畢竟是少數(shù)，大部分企業(yè)對于如何發(fā)布高轉(zhuǎn)發(fā)量的微博、以及對影響微博轉(zhuǎn)發(fā)率的因素的探究等仍處于摸索時期。從根本上講，企業(yè)亟待解決的問題在于如何快速有效識別對企業(yè)微博轉(zhuǎn)發(fā)情況造成影響的因素，如何通過確保微博內(nèi)容本身的吸引力進而提高企業(yè)微博的影響力。

然而對企業(yè)微博轉(zhuǎn)發(fā)情況造成影響的要素復雜繁多，目前相關研究正處于起步階段且大多為定性的研究，現(xiàn)有的研究中多考慮外部因素，往往忽視了微博內(nèi)容本身對其的影響。基于此，本文主要圍繞微博文本進行特征分析，結合定量的方法，提取特征。在此基礎上，根據(jù)選擇的最優(yōu)特征建立基于支持向量機轉(zhuǎn)發(fā)趨勢預測模型，通過對轉(zhuǎn)發(fā)情況的具體分析，以揭示微博文本特征與微博轉(zhuǎn)發(fā)情況之間的關系。

一、基于微博文本的特征分析及模型構建

（一）微博文本特征分析

本文主要從微博內(nèi)容特征的角度出發(fā)，構建企業(yè)微博轉(zhuǎn)發(fā)效果影響因素理論模型。其中，自變量包括微博內(nèi)容特征、微博表現(xiàn)特征、微博時間特征三大類因素。

1.內(nèi)容特征

（1）微博是否為原創(chuàng)。在微博平臺上，針對用戶瀏覽到的微博內(nèi)容，按發(fā)布類型可分為原創(chuàng)和轉(zhuǎn)發(fā)他人微博兩種方式。本文抓取小米官方微博10 890條，通過統(tǒng)計發(fā)現(xiàn)，有近 50.7%的內(nèi)容（5 516條微博）屬于原創(chuàng)微博，49.3%（5 373條）的微博轉(zhuǎn)發(fā)自他人，其中原創(chuàng)微博與轉(zhuǎn)發(fā)微博的轉(zhuǎn)發(fā)量大小不一。因此，本文將微博是原創(chuàng)或是轉(zhuǎn)發(fā)納入研究范圍。

（2）微博主題類型。根據(jù)微博信息涉及到的內(nèi)容，可將微博內(nèi)容劃分為不同的主題。2011年，Eun和Yong jun研究了Twitter上微博信息內(nèi)容類型，它們分別是：企業(yè)品牌相關信息、企業(yè)本身相關信息、企業(yè)產(chǎn)品或服務相關信息、含有鏈接的信息和生活資訊類信息。2012年中國學者孫泳穎[1]針對三家企業(yè)的官方微博進行分析，將微博發(fā)送的內(nèi)容分成五大類：新聞類信息、調(diào)研問卷類信息、有獎轉(zhuǎn)發(fā)活動類信息、投票類信息和微活動類信息。

結合已有的研究，本文對微博主題類型的描述如表1所示。

表1 微博主題類型描述

在對微博主題確定的過程中涉及到文本分類的問題。通常較為經(jīng)典的文本分類方法包括：決策樹分類算法、樸素貝葉斯分類方法、Rocchio方法[2]、K近鄰算法等[3]。其中，樸素貝葉斯方法是最直接的概率分類方法，它的使用最為廣泛且貝葉斯分類方法具有易使用、只需一次掃描訓練集、善于處理缺失值以數(shù)據(jù)具有連續(xù)性等優(yōu)點[4]。因此本文選擇樸素貝葉斯方法來對微博主題類型進行分類確定。

樸素貝葉斯[5]方法的分類思想可以粗略理解為，針對未知分類項，通過求解在此項出現(xiàn)的條件下每一個類別出現(xiàn)的概率來判斷的，哪個類別概率最大，就將該待分類項歸于哪個類別。算法流程如下：

第一，計算先驗概率及條件概率：

j=1，2，…，n；l=1，2，…，Sj；k=1，2，…，K

第二，對于給定的待分類項 x=（x（1），x（2），…，x（n））T，計算：

第三，確定待分類項的類：

（3）被轉(zhuǎn)發(fā)微博的轉(zhuǎn)發(fā)量。微博的轉(zhuǎn)發(fā)數(shù)是評價企業(yè)微博影響力的一個重要指標，也是微博與其他網(wǎng)絡信息發(fā)布平臺的最重要的不同之處。Kim等[6]研究表明被轉(zhuǎn)發(fā)微博的轉(zhuǎn)發(fā)量是一個十分顯著的特征，用戶很容易受到從眾信息的影響進而轉(zhuǎn)發(fā)微博信息，從而造成微博信息的瀑布式轉(zhuǎn)發(fā)。但并沒有與對應的高轉(zhuǎn)發(fā)的微博內(nèi)容聯(lián)系起來，本文則是根據(jù)通過對以往被轉(zhuǎn)發(fā)微博的轉(zhuǎn)發(fā)情況進行研究，進一步了解受眾感興趣的內(nèi)容是什么。

2.表現(xiàn)特征

在以往的研究中，Suh等[7]人以twitter數(shù)據(jù)作為研究對象，研究得出微博是否包含鏈接和話題標記對微博的轉(zhuǎn)發(fā)率有著直接的影響，且微博作者發(fā)布的總微博數(shù)對其發(fā)布微博的轉(zhuǎn)發(fā)率基本沒有影響。

本文選用微博長度、微博是否含有圖片、是否含標簽、是否含鏈接、是否含視頻等作為微博的表現(xiàn)特征。

3.時間特征

一條微博的生命周期是有限的。文獻[8]將微博的發(fā)布時間、發(fā)布日期、發(fā)布距今時間歸納為微博轉(zhuǎn)發(fā)情況的環(huán)境影響因素。

本文將微博的時間特征細分微博發(fā)布時段、微博發(fā)布時長、微博發(fā)布日期。

（二）企業(yè)微博轉(zhuǎn)發(fā)效果影響因素的理論模型構建

本文將微博信息轉(zhuǎn)發(fā)情況作為衡量企業(yè)微博轉(zhuǎn)發(fā)效果的指標，分析轉(zhuǎn)發(fā)情況及其影響因素。

根據(jù)上述分析的結果，本文構建出企業(yè)微博轉(zhuǎn)發(fā)效果影響因素的理論模型如圖1所示。

圖1 企業(yè)微博轉(zhuǎn)發(fā)效果影響因素理論模型圖

二、基于支持向量機的轉(zhuǎn)發(fā)趨勢預測模型

本文針對企業(yè)發(fā)布的微博集合M進行研究，將微博信息的轉(zhuǎn)發(fā)情況作為企業(yè)微博營銷效果的衡量指標?；谄髽I(yè)的歷史微博轉(zhuǎn)發(fā)情況進行訓練，主要從微博信息內(nèi)容的角度出發(fā)，對于一條新的企業(yè)微博，預測其轉(zhuǎn)發(fā)量的高低。

在企業(yè)發(fā)布的所有微博中，并非所有的微博都具有高轉(zhuǎn)發(fā)量。而在影響微博轉(zhuǎn)發(fā)量的主要因素中，微博文本內(nèi)容尤為顯著。因此，本文立足微博文本內(nèi)容，首先對采集到的微博實驗數(shù)據(jù)中的每一條微博主題運用貝葉斯分類方法進行分類，其次，采用信息增益算法縮小特征集合的范圍，進而篩選出對轉(zhuǎn)發(fā)情況影響較大的因素，同時也可以通過減少轉(zhuǎn)發(fā)預測模型的輸入變量來提升模型的訓練效率。最后，基于篩選出的特征建立轉(zhuǎn)發(fā)預測模型，具體分析微博的轉(zhuǎn)發(fā)情況。

（一）問題的定義

考慮到本文的預測問題為微博轉(zhuǎn)發(fā)量的高低，因而可將其看作一個二分類問題。本文將所用到的數(shù)據(jù)集樣本定義為 d=（a，c，t），其中 a表示微博內(nèi)容特征，c表示微博表現(xiàn)特征，t表示微博時間特征。同時將某條微博的轉(zhuǎn)發(fā)量定義為y。由于微博轉(zhuǎn)發(fā)量y只有兩個可能的取值，即分類的結果只有兩種，分別是C1（高轉(zhuǎn)發(fā)量）或 C2（低轉(zhuǎn)發(fā)量）。所以本文中的預測模型，總結為一個根據(jù)給定的自變量進行二分類的模型。結合支持向量機的特點，因變量y可能的取值及意義由下式給出：

（二）信息增益算法

特征選擇[9]，是指從全部的特征中選取一個特征子集，使得給定的系統(tǒng)指標最優(yōu)化。特征子集選擇的途徑有三種：Filter方法、Wrapper方法、Embedded方法。其中Filter方法是針對每一維的特征賦予權重，這樣的權重代表著特征的重要性，然后依據(jù)權重排序。

結合本文的目的，即對特征進行重要性排序，因此本文選擇Filter方法中的信息增益算法來進行特征選擇。具體算法描述如下：

設訓練數(shù)據(jù)集合D，|D|則為整個數(shù)據(jù)樣本的容量，即樣本的個數(shù)，設有K個類Ck來表示，|Ck|為 Ci的樣本個數(shù)，|Ck|之和為 |D|，k=1，2，…，根據(jù)特征 A 將 D 劃分為 n 個子集 D1，D2，…，Dn，|Di|為Di的樣本個數(shù)，|Di|之和為 |D|，i=1，2，…，記 Di中歸屬于Ck的數(shù)據(jù)樣本集合為交集Dik，|Dik|為Dik的樣本個數(shù)，具體算法如下：

輸入：D，A

輸出：信息增益 g（D，A）

D的經(jīng)驗熵H（D）為：

上式可作如下理解：由于訓練樣本總個數(shù)為|D|，某項分類的個數(shù)為|Ck|，在某項分類的概率為：|Ck|/|D|

則選定A的經(jīng)驗條件熵H（D|A）

信息增益為：

g（D，A）=H（D）-H（D|A）

（三）基于支持向量機的預測模型構建

1.核函數(shù)。一般在解決分類問題時，并不是所有的數(shù)據(jù)集都是線性可分的。當數(shù)據(jù)集在低維空間中并不是線性可分時，選用經(jīng)典的線性可分支持向量機模型，必然得到不理想的分類效果。若此時將低維空間的特征向量映射至高維空間，經(jīng)過映射處理后的特征即有可能線性可分。因此可以構造映射函數(shù)來對數(shù)據(jù)集進行處理。

核函數(shù)的基本定義如下：

設χ是輸入空間（歐式空間Rn的子集或離散集合），同時，設η為特征空間（希爾伯特空間），假設存在一個從χ到η的映射φ（x）：χ→η使得對所有 x，z∈χ，函數(shù) K（x，z）滿足條件 K（x，z）=φ（x）·φ（z），則認為 K（x，z）為核函數(shù)，φ（x）為映射函數(shù)。式中 φ（x）·φ（z）為 φ（x）和 φ（z）的內(nèi)積。

選擇一個適合的核函數(shù)對于模型的分類效果影響巨大。常用的核函數(shù)有以下幾種：

（1）線性核函數(shù)：線性核函數(shù)即線性可分支持向量機，表達式為：K（x，z）＝x·z

此時可以將線性可分支持向量機與線性不可分支持向量機歸為一類，區(qū)別僅僅在于線性可分支持向量機用的是線性核函數(shù)。

（2）多項式核函數(shù)：多項式核函數(shù)是線性不可分SVM常用的核函數(shù)之一，表達式為：

K（x，z）＝（γx·z+r）d，其中，γ，r，d 都需要自行調(diào)參定義。

（3）高斯核函數(shù)。高斯核函數(shù)在SVM中也稱為徑向基核函數(shù)，它是應用于非線性分類支持向量機算法中最主流的核函數(shù)。libsvm默認的核函數(shù)就是它。表達式為：

K（x，z）＝exp（-γ||x-z||2），其中，γ 大于 0，需要自行調(diào)參定義。

（4）Sigmoid核函數(shù)。Sigmoid核函數(shù)是線性不可分SVM常用的核函數(shù)之一，表達式為：

K（x，z）＝tanh（γx·z+r），其中，γ，r 都需要自行調(diào)參定義。

2.預測模型構建。通常情況下，線性可分的數(shù)據(jù)較為少見。面對線性不可分的低維數(shù)據(jù)，人們一般采用的方法是將其映射至高維，引入核函數(shù)來解決問題。通過引入核函數(shù)，構建的預測模型如下：

假設輸入是 m 個樣本 （x1，y1），（x2，y2），…，（xm，ym），其中x為n維特征向量。y為二元輸出，值為1，或者-1。輸出是分離超平面的參數(shù)ω*和b*和分類決策函數(shù)。

算法過程如下：

（1）選擇適當?shù)暮?K（x，z）和一個懲罰系數(shù)C＞0，構造約束優(yōu)化問題：

（2）運用SMO算法進行求解，得出上式最小時對應的α*向量。

最終的分類超平面為：

最終的分類決策函數(shù)為：

3.評價指標。本文采用分類算法常用評價指標：精確率、查全率、F1值以及準確度，來對預測效果及分類模型進行具體評價。精確率在本文中即為所有被預測為高轉(zhuǎn)發(fā)的微博中真實高轉(zhuǎn)發(fā)的微博比率。一般情況下，精確率越高，模型的效果越好。查全率為所有高轉(zhuǎn)發(fā)微博中被模型正確預測為高轉(zhuǎn)發(fā)的比例，準確度即為全部微博被模型正確分類的比例，F(xiàn)1值為查全率與精確率的調(diào)和平均值。

分類器在數(shù)據(jù)集上的預測情況的混淆矩陣如表2所示。

表2 混淆矩陣

下面給出精確率（precision），以下簡寫為p；查全率recall，以下簡寫為r；F1度量值的計算公式：

p=TP/Tp+FP

r=TP/Tp+FN

F1=2pr/p+r

準確率的計算公式如下：

Accuracy=TP+TN/TP+FP+FN+TN

三、實驗及結果分析

（一）實驗數(shù)據(jù)

小米公司通過在微博營銷領域的不斷探索，為自身企業(yè)的發(fā)展提供了良好的營銷支持，本文將小米手機作為具體的研究對象。為了獲取實驗所需數(shù)據(jù)，本文使用java語言編寫數(shù)據(jù)抓取程序，通過單線程訪問新浪微博提供的API接口，采取了小米手機近年來的微博數(shù)據(jù)作為研究樣本，最終得到14 251條微博信息，記錄每條微博的基本信息，包含微博id，發(fā)表時間，微博內(nèi)容，圖片，視頻，轉(zhuǎn)發(fā)微博的原微博內(nèi)容，評論數(shù)，點贊數(shù)，轉(zhuǎn)發(fā)數(shù)等字段。

（二）實驗數(shù)據(jù)預處理

1.數(shù)據(jù)篩選。通過篩選去掉了轉(zhuǎn)發(fā)量低于100條以下的微博，最后選定進行研究的微博一共有10 890條。

2.主題的確定。微博主題需要通過對微博文本進行分類處理后才能確定，因此需要對抓取到的微博數(shù)據(jù)進行文本分類預處理，運用的貝葉斯分類方法對所抓取微博數(shù)據(jù)中關于詞頻統(tǒng)計的部分結果如表3所示。

表3 詞頻統(tǒng)計部分結果表

通過上述方法得到測試集微博對應的話題類型取值。各主題對應的微博數(shù)如圖2所示。

圖2 各主題對應微博圖

（三）實驗特征選擇

為了明確各個特征對轉(zhuǎn)發(fā)行為的影響力和減少支持向量機預測模型的輸入變量，根據(jù)信息增益算法對本文所選取的各個特征信息增益值進行計算，得到特征信息增益值如表4所示。

表4 特征排序表

由此可以看出，在本文選取的11個特征中，微博發(fā)布時長、被轉(zhuǎn)發(fā)微博的轉(zhuǎn)發(fā)量、是否含有視頻、是否為原創(chuàng)等4個特征對微博轉(zhuǎn)發(fā)的影響較大。本文選取前8個特征作為支持向量機預測模型的輸入向量。

（四）預測轉(zhuǎn)發(fā)實驗

1.基于訓練集的模型訓練。由于本文采用的分類屬性為{高轉(zhuǎn)發(fā)量、低轉(zhuǎn)發(fā)量}，因而對于高轉(zhuǎn)發(fā)量與低轉(zhuǎn)發(fā)量之間的界定對于整個實驗的有效性而言，十分關鍵。且對于本文運用的基于支持向量機的預測模型而言，選擇一個合適的核函數(shù)是至關重要的。

因而在訓練模型的過程中，確定分類屬性邊界值的同時，本文使用不同的核函數(shù)進行訓練，以求能夠得到最優(yōu)的邊界值與最適合本數(shù)據(jù)集的核函數(shù)。本文將10 890條數(shù)據(jù)樣本分為訓練集3267條（30%）和測試集7623條（70%），分別采取四種不同的核函數(shù)基于最優(yōu)特征集合進行支持向量機預測實驗。

通過觀察實驗數(shù)據(jù)集的轉(zhuǎn)發(fā)量，如圖3所示。

圖3 微博轉(zhuǎn)發(fā)量統(tǒng)計

根據(jù)上述統(tǒng)計結果，本文將最開始的邊界值設置為1 000，即高于1 000條以上為高轉(zhuǎn)發(fā)，低于1 000條則認為是低轉(zhuǎn)發(fā)。本文利用libsvm軟件包，通過劃分好的訓練集進行訓練，結合四種不同的核函數(shù)，不斷調(diào)整邊界值，最終得到如下不同邊界值時的分類預測結果如表5、表6、表7、表 8 、表 9 所示。

表5 邊界值定為1 000時

表6 邊界值定為2 000時

表7 邊界值定為3 000時的預測結果

表8 邊界值定為4 000時的預測結果

表9 邊界值定為5 000時的預測結果

根據(jù)上述表中數(shù)據(jù)對比可知，當轉(zhuǎn)發(fā)量的邊界值定為4 000時，引入高斯核函數(shù)構建的分類預測模型得到的準確度可達到0.974，明顯高于其他條件，且精確率為0.783，查全率為0.882。對比其他條件下的評價指標，說明當分類邊界值為4 000時，使用高斯核函數(shù)來構造基于支持向量機的預測模型，得到的結果較為理想。

2.基于測試集的預測轉(zhuǎn)發(fā)實驗。本文在選定邊界值為4 000和高斯核函數(shù)的情況下，本文采用libsvm軟件包，采用構建好的支持向量機預測模型進行計算，得到基于最優(yōu)特征和全特征的混淆矩陣如表10、表11所示。據(jù)此計算得到對應的準確率、查全率、F1值、準確度如表12所示。

表10 基于全特征的預測結果混淆矩陣

表11 基于最優(yōu)特征的預測結果混淆矩陣

表12 基于支持向量機的預測模型對比結果

從表10可以看出，基于全特征集合和最優(yōu)特征集合的分類模型的各項評價指標相近，最優(yōu)集合的準確度為0.964僅略低于全特征集合的準確度0.967，這充分說明最優(yōu)特征對微博轉(zhuǎn)發(fā)量的影響近乎接近于全特征，從而驗證了最優(yōu)特征的有效性。

基于對本文轉(zhuǎn)發(fā)預測實驗結果的分析，以及對可能會影響到微博轉(zhuǎn)發(fā)的規(guī)律進行總結，本文為幫助企業(yè)提高微博轉(zhuǎn)發(fā)量，進而在一定程度上對企業(yè)微博營銷效果造成良好影響，提出以下幾點建議：

（1）微博主題類型通常對微博的轉(zhuǎn)發(fā)量會造成一定影響，企業(yè)在發(fā)布微博時，應盡量發(fā)布與產(chǎn)品有關或與活動相關性比較大的內(nèi)容，盡量避免談及生活信息。根據(jù)本文實驗結果得出的特征集合可總結出，由于產(chǎn)品信息型多包含有價值的專業(yè)信息，這類微博更容易得到用戶的認同感進而得到轉(zhuǎn)發(fā)，而活動信息類型的微博則是由于會涉及到更多抽獎、促銷等與用戶利益相關的信息，也很容易吸引到用戶，企業(yè)可以考慮將產(chǎn)品型與活動型的主題結合到一起發(fā)布。

（2）微博是否含標簽、圖片等表現(xiàn)特征以及微博發(fā)布日期這些特征對微博的轉(zhuǎn)發(fā)量有一定的影響，但是效果并不顯著。因此，可以認為微博的表現(xiàn)特征雖然使得企業(yè)發(fā)布的微博更加的豐富多彩，但對企業(yè)提高微博轉(zhuǎn)發(fā)量并沒有實質(zhì)性的影響。其中，根據(jù)本文的研究成果，是否含圖片與是否含鏈接這兩個特征與微博轉(zhuǎn)發(fā)量之間的關聯(lián)性較弱，企業(yè)在發(fā)布微博時，不用刻意考慮。

（3）除卻考慮微博主題內(nèi)容的影響外，企業(yè)在轉(zhuǎn)發(fā)微博時，還應該考慮微博源的轉(zhuǎn)發(fā)量。若企業(yè)對轉(zhuǎn)發(fā)量大的微博進行轉(zhuǎn)發(fā)，也會得到較大的轉(zhuǎn)發(fā)效果。因此，企業(yè)在進行微博轉(zhuǎn)發(fā)時，應從微博內(nèi)容質(zhì)量和微博源的轉(zhuǎn)發(fā)量兩方面來考慮。

四、討論

本文將企業(yè)微博的轉(zhuǎn)發(fā)量作為企業(yè)微博轉(zhuǎn)發(fā)效果的衡量指標。同時主要從微博內(nèi)容的角度對微博特征進行分析，在此基礎上，建立了企業(yè)微博轉(zhuǎn)發(fā)影響因素理論模型。隨后運用信息增益方法對分析得出的特征全集合進行影響力大小排序，由此得出最優(yōu)的特征集合。最后分別基于微博文本全特征集合和最優(yōu)特征集合建立基于支持向量機的轉(zhuǎn)發(fā)預測模型，通過對比實驗結果，得到對微博轉(zhuǎn)發(fā)量影響較大的特征集合，同時，也驗證了本文所采取方法的有效性。本文針對的微博文本信息對企業(yè)微博轉(zhuǎn)發(fā)效果影響因素進行了研究，著重突出了微博內(nèi)容的重要性，對企業(yè)制定微博營銷策略有一定的借鑒意義，但仍然存在一些局限性和改進之處：

（1）對微博內(nèi)容在不同類型企業(yè)中的影響因素進行研究，本文并未針對不同類型的企業(yè)進行研究，微博內(nèi)容對于不同企業(yè)微博轉(zhuǎn)發(fā)的影響可能存在一定的局限性。

（2）本文主要從微博內(nèi)容出發(fā)，考慮對企業(yè)微博轉(zhuǎn)發(fā)情況的影響，沒有將用戶對于內(nèi)容的喜愛程度等加入到特征集合中，在后面的研究過程中，可以增加用戶等方面的特征因素，使得研究的準確度更高。

（3）在分類方法的選擇上，可采用多種分類算法，以期發(fā)掘出更為精準的分類器。

[1]孫泳穎.組織傳播學視角下的企業(yè)新浪官方微博研究[D].復旦大學，2012.

[2]劉紅光，馬雙剛，劉桂鋒，2016.基于機器學習的專利文本分類算法研究綜述[J].圖書情報研究（3）：79-86.

[3]Farid D M，Zhang L，Rahman C M，et al.Hybrid decision tree and na?ve Bayes classifiers for multi-class classification tasks[J].Expert Systems with Applications An International Journal，2014，41（4）：1937-1946.

[4]Farid D M，Rahman M M，Almamuny M A.Efficient and scalable multi-class classification using na?ve Bayes tree[C].2014.

[5]Jiang L，Li C，Wang S，et al.Deep feature weighting for naive Bayes and its application to text classification[J].Engineering Applications of Artificial Intelligence，2016，52（C）：26-39.

[6]Kim E，Sung Y，Kang H.Brand followers'retweeting behavior on Twitter：How brand relationships influence brand electronic word-ofmouth[J].Computers in Human Behavior，2014，37（C）：18-25.

[7]Suh B，Hong L，Pirolli P，et al.Want to be Retweeted?Large Scale Analytics on Factors Impacting Retweet in Twitter Network[C].2010.

[8]趙蓉英，曾憲琴，2014.微博信息傳播的影響因素研究分析[J].情報理論與實踐（3）：58-63.

[9]Bolón-Canedo V，Sánchez-Maro?o N，Alonso-Betanzos A.Feature selection for high-dimensional data[J].Progress in Artificial Intelligence，2016，5（2）：65-75.