袁 潤 王 琦

（江蘇大學科技信息研究所 鎮(zhèn)江 212013）

0 引言

學術(shù)博客（Academic Blog）是一種非正式的學術(shù)交流形式，不僅可以幫助科研工作者推廣學術(shù)成果，提升自身的學術(shù)影響力，還可以拓寬學術(shù)社交關(guān)系以促進更廣泛的科研合作。呂鑫等[1]根據(jù)“學術(shù)”和“博客”的定義，認為“學術(shù)博客”是指用于發(fā)布和交流教學科研和科學信息的博客。

在學術(shù)社交網(wǎng)絡環(huán)境下，博客利用平臺功能滿足其自身需求，尤其是學術(shù)需求所表現(xiàn)出的一系列行為統(tǒng)稱為“用戶行為”[2]。用戶行為數(shù)據(jù)是可以獲取的，通過用戶行為數(shù)據(jù)分析，可以研究博客用戶的行為特征和規(guī)律[3-5]，對博客用戶進行分類、識別和評價[6-8]。

國內(nèi)外已有不少學者從不同角度對學術(shù)博客開展了較為深入的研究。例如，Lim等[9]將那些創(chuàng)作的內(nèi)容能夠?qū)ζ渌脩魩磔^大影響的用戶定義為博客內(nèi)容核心用戶（Content Power Users，CPUs）；Akritidis[10]等認為博文數(shù)量和質(zhì)量是博客用戶具有高影響力的兩個關(guān)鍵指標；王曰芬等[11]將學術(shù)博客核心用戶定義為：學術(shù)博客環(huán)境下，創(chuàng)作的內(nèi)容對其他用戶具有高影響力并因此能夠為學術(shù)博客的發(fā)展帶來巨大幫助的用戶；Kiriakopoulos[12]利用網(wǎng)頁排序策略來發(fā)掘重要的博客站點，利用主題的相似性增加隱含邊，使博客空間社會網(wǎng)絡變得更加稠密，在此基礎上利用HITS和PageRank算法來評估用戶影響力；張曉陽等[13]運用文獻計量理論，基于博文及其點擊量構(gòu)建了學術(shù)博客h指數(shù)；盧露等[14]利用博客在某一主題下發(fā)布博文的數(shù)量和質(zhì)量建立了博客影響力評估模型；周春雷[15]提出了鏈接內(nèi)容分析法，建立了衡量一個用戶被其他用戶加為好友或添加“友情鏈接”次數(shù)的“被好友”指標，以評估用戶影響力；鄭超等[16]將博文的評論次數(shù)納入博客影響力評估模型；曹沖[17]選取博客用戶的發(fā)文數(shù)量、精選博文數(shù)量、好友數(shù)量等指標評價用戶影響力；王琛[18]基于用戶行為數(shù)據(jù)，利用Delphi法和層次分析法確定指標權(quán)重，構(gòu)建了學術(shù)博客影響力評價模型。概括而言，這類研究的共同特點是構(gòu)建指標體系，運用主題相似性分析、內(nèi)容分析、用戶行為分析、網(wǎng)絡分析、計量分析和多指標綜合分析等方法對學術(shù)博客進行評估或者評價，尚未發(fā)現(xiàn)利用評價結(jié)果進一步識別用戶，尤其是識別網(wǎng)站核心用戶的研究。

本文以用戶行為數(shù)據(jù)為指標，采用熵權(quán)法計算其指標權(quán)重，并定義這些指標的加權(quán)值為博客綜合指數(shù)，按照博客綜合指數(shù)的值從大到小倒序排列，在人為給定閾值的基礎上可以識別核心用戶，并以具有代表性的中文類學術(shù)社交網(wǎng)絡平臺（科學網(wǎng)博客）進行了實證研究，結(jié)果表明該方法簡單、有效且可靠。

1 用戶行為數(shù)據(jù)指標體系

博客行為數(shù)據(jù)能直接反應博客與博文之間的關(guān)系。博客既可以發(fā)布、轉(zhuǎn)載、分享博文到網(wǎng)絡上，也可以閱讀、推薦和評論自己感興趣的博文，博客的諸如發(fā)布、閱讀、搜索、發(fā)帖、回帖、推薦、評論、留言、求助、訪問主頁、添加好友等行為，都被網(wǎng)絡平臺記錄下來形成用戶行為數(shù)據(jù)。平臺利用這些行為數(shù)據(jù)對用戶行為和內(nèi)容進行管理，例如審核、精選和推送，為用戶提供開放的、公正的、互動的網(wǎng)絡社交環(huán)境。為開展本文的研究工作，筆者從科學網(wǎng)博客獲取了表1所示的用戶行為數(shù)據(jù)。

表1 科學網(wǎng)博客用戶行為數(shù)據(jù)項

按照行為特征，可以將用戶行為分為主動行為和被動行為兩大類，如圖1。在此基礎上，本文從主動行為與被動行為兩個方面構(gòu)建用戶行為數(shù)據(jù)指標體系，指標體系涵蓋16個數(shù)值型指標項。a1～a11為主動行為指標，可量化用戶主動使用平臺的活躍程度；a12～a16為被動行為數(shù)據(jù)指標，可量化評價用戶的受關(guān)注度、影響力等。其中，a1屬于用戶基本屬性特征，包含用戶學歷和職稱兩項屬性數(shù)據(jù)，需轉(zhuǎn)化成數(shù)值變量；a2、a10和a11為時間變量，a2指標用于描述用戶資歷；a10用于描述用戶時隔多久依在使用博客；a11用于描述用戶時隔多久依為平臺貢獻內(nèi)容，指標a2、a10與a11同樣需要轉(zhuǎn)化成數(shù)值變量（天數(shù)）。需要說明的是，由于科學網(wǎng)博客功能設置原因，部分行為數(shù)據(jù)，例如留言、評論內(nèi)容等不易獲取，且設置了隱私保護的用戶數(shù)據(jù)無法獲取，上述指標且均為正向指標。

圖1 學術(shù)博客行為數(shù)據(jù)指標體系

2 博客綜合指數(shù)

本文提出的用戶識別模型的基本思路是按照用戶行為數(shù)據(jù)構(gòu)建若干指標，再根據(jù)這些指標的信息熵計算其權(quán)重，并定義其加權(quán)值為“博客綜合指數(shù)”（Blog Composite Index，簡稱BCSI），最后根據(jù)計算的BCSI值將用戶信息序列倒序排列，將排在前r位的用戶定義為核心用戶[19-20]。

一般地，用戶信息序列U當中有n條記錄和m項指標，則定義：

為博客綜合指數(shù)，其中αk表示第k項指標的歸一化值，ωk為其權(quán)重系數(shù)。將BCSI倒序排列之后，按照公式（2）可以計算得到核心用戶序列的閾值r。

其中 ,τ=0.618，t=1,2,3，i=1～n。由 t=1 得到的用戶集稱為一區(qū)核心用戶，t=2得到的用戶集稱為二區(qū)核心用戶，t=3時得到的用戶集稱為三區(qū)核心用戶。

考慮到每項指標值域范圍相差很大，所以需要對其作歸一化處理：

熵權(quán)法計算指標權(quán)重系數(shù)的方法如公式（4）：

其中，為第k項指標的信息熵，計算方法如公式（5）。

3 實證研究

本文應用R語言編程技術(shù)開展了實證研究。第一步獲取數(shù)據(jù)，生成“博客”和“博文”兩個數(shù)據(jù)集（BlogUsers, BlogContents）；第二步統(tǒng)計計算各項指標并做歸一化處理；第三步計算各個指標的信息熵及其權(quán)重系數(shù)并按學科分類開展對比研究；第四步計算博客綜合指數(shù)（BCSI）并排序；第五步計算核心用戶序列閾值。

3.1 數(shù)據(jù)的采集與處理

在注重用戶隱私保護的前提下，本文通過Python語言編寫程序采集學術(shù)博客用戶行為數(shù)據(jù)。采集對象選擇那些擁有精選博文的用戶，采集時間為2018年12月12日，共采集到3 799條不重復用戶url。在采集博文數(shù)據(jù)之前，對原始url數(shù)據(jù)進行簡單的人工處理，剔除146條因設置隱私權(quán)限等因素造成數(shù)據(jù)缺失的url，博文數(shù)據(jù)項獲取時間為2018年12月19日。

爬取數(shù)據(jù)過程中構(gòu)建了BlogUsers和BlogContents兩個原始數(shù)據(jù)集。采集完成后對采集到的數(shù)據(jù)進行必要的處理：BlogUsers中與博文有關(guān)的數(shù)據(jù)以BlogContents實際獲取數(shù)據(jù)為準，集中統(tǒng)計閱讀總數(shù)、被推薦總數(shù)和被評論總數(shù)等數(shù)據(jù)項；博文數(shù)據(jù)中極端異?；虼罅繑?shù)據(jù)缺失的用戶予以剔除，最終得到2 339位有效用戶數(shù)據(jù)和401 472條博文數(shù)據(jù)。采集到的40萬條博文記錄當中，有效評論次數(shù)累計達到127萬次，有效推薦次數(shù)累計達到107萬次，總閱讀次數(shù)超過14.29億次，可見科學網(wǎng)博客具有較大的影響力，對學術(shù)交流和傳播具有一定意義。

用戶基本屬性和時間變量需作數(shù)值化處理。①用戶基本屬性（頭銜數(shù)據(jù)）需轉(zhuǎn)化成數(shù)值型數(shù)據(jù)，未標注學歷或者職稱為最低等級，“院士”“教授” “研究員” “編審”為最高等級，其他用戶依據(jù)實際標注情況作等級量化處理；②時間變量轉(zhuǎn)化成數(shù)值型變量，指標a2按注冊時長轉(zhuǎn)換成對應天數(shù)，指標a10和a11以最近登錄/發(fā)表時間與注冊時間的間隔將該指標轉(zhuǎn)換成對應天數(shù)。

3.2 計算權(quán)重系數(shù)

根據(jù)公式（3）（4）（5）計算得到的各項指標的信息熵和權(quán)重系數(shù)如表2所示。

表2 各指標的信息熵及其權(quán)重系數(shù)

主動行為指標中，a5、a4、a6和a3是反映用戶生成內(nèi)容活躍程度的指標，權(quán)重系數(shù)排序靠前。科學網(wǎng)博客屬于內(nèi)容生成型平臺，作為管理方的科學網(wǎng)一直鼓勵用戶生成各類內(nèi)容，上述指標權(quán)重系數(shù)最大意味著此類指標可以更好地將持續(xù)生成內(nèi)容的活躍用戶識別出來。有關(guān)時間維度（a2、a10和a11）權(quán)重最小，且權(quán)重系數(shù)整體小于0.01，對評價結(jié)果貢獻最低。被動行為指標中，a12、a16、a15和a14作為量化用戶博文影響力的重要指標，權(quán)重系數(shù)較大，排序靠前，對評價結(jié)果的貢獻較大。博文是學術(shù)博客的核心內(nèi)容，對學術(shù)博客的評估本質(zhì)上是對博客內(nèi)容的評估，上述指標增加了評估指標體系的合理性。

為了開展分組比較研究，本文按研究領域分別計算了各項指標的權(quán)重系數(shù)，結(jié)果如表3所示?？茖W網(wǎng)博客匯集了多個學科領域的大量科研人員，不同學科屬性用戶的行為偏好是否存在差異，為討論這些差異的影響，本文在計算全部用戶指標權(quán)重系數(shù)的基礎上，按照科學網(wǎng)博客平臺給定的化學科學、工程材料、地球科學、生命科學、管理綜合、數(shù)理科學、醫(yī)學科學和信息科學等8個研究領域分別計算了各個領域的各項指標的權(quán)重系數(shù)，91個無分類用戶暫不考慮，結(jié)果如表3所示。

表3 不同研究領域的權(quán)重系數(shù)

依據(jù)信息熵理論，數(shù)據(jù)離散性越大則權(quán)重越大，某一學科領域內(nèi)，指標權(quán)重系數(shù)越大，用戶行為數(shù)據(jù)差異越大，該現(xiàn)象可歸結(jié)為某學科用戶整體行為偏好特征。在不同研究領域中，同一指標不同研究領域權(quán)重系數(shù)不同，則不同研究領域用戶的該項行為偏好特征存在差異。從表2和表3發(fā)現(xiàn)，全部用戶指標權(quán)重系數(shù)與各個學科權(quán)重系數(shù)總體趨勢一致，但各個學科指標實際權(quán)重值存在明顯差異。對比各研究領域指標權(quán)重系數(shù)TOP3，除了化學科學（a5〉a16〉a15），其他學科指標區(qū)分度TOP3均為a4、a5和a6（主動指標）。各研究領域指標權(quán)重系數(shù)TOP3的綜合占比均超過30%，最高達到40.9%。主動行為指標是量化用戶主動使用平臺的積極性指標，a4、a5和a6項權(quán)重系數(shù)最大，說明大部分學科用戶這三項指標對應的行為表現(xiàn)存在較大差異。統(tǒng)計主動行為所有指標的權(quán)重系數(shù)和，發(fā)現(xiàn)除化學科學（0.57）以外，其他學科主動行為指標項的權(quán)重系數(shù)和均超過了0.6，醫(yī)學學科主動行為權(quán)重系數(shù)之和最大與化學學科相差0.099。該結(jié)果表明，醫(yī)學學科用戶主動行為的偏好特征與其他學科（尤其是化學學科）用戶主動行為的偏好特征存在顯著的差異，其他學科相比，醫(yī)學學科用戶的主動行為數(shù)據(jù)更具離散性。

3.3 計算博客綜合指數(shù)

運用R語言data.table（）包可以方便地實現(xiàn)各項計算。為了驗證用戶識別模型，本文將TOPSIS方法計算結(jié)果整合在同一表中，按BCSI值從大到小排序，結(jié)果如表4所示，其中BP為博客相對接近度（Blog Proximity，簡稱BP）。

表4 博客綜合指數(shù)TOP30及其排序

為了進一步觀察BCSI值總體分布特征，本文繪制如圖2的小提琴圖，該圖將箱線圖與核密度圖整合在一起，展示分位數(shù)位置的同時也可以展示任意位置的密度，可以較為直觀地呈現(xiàn)BCSI取值分布情況。結(jié)合表4和圖2可以看出，BCSI值存在明顯的區(qū)分度，可以有效區(qū)分用戶。BCSI的值域為[0,1]，但最大值小于0.5，只有6位用戶BCSI取值在[0.3,0.5]之間，89.14%用戶的BCSI值分布在[0, 0.0500 1]之間，BCSI存在整體取值水平較低的情況。

圖2 BCSI取值分布

經(jīng)過分析，上述現(xiàn)象的出現(xiàn)可主要歸結(jié)為以下三個原因：①依據(jù)熵權(quán)法的特征，如果權(quán)重系數(shù)較大的指標（如主題、分享和回帖等指標），用戶行為數(shù)據(jù)整體表現(xiàn)不佳可能會造成取值水平偏低。②作為非正式學術(shù)社交平臺，學術(shù)博客用戶行為具有較強的隨意性和不確定性。受到用戶偏好和平臺功能設置的影響，少部分用戶單項指標缺失或表現(xiàn)突出，會造成BCSI整體取值水平偏低的情況。③平臺上只有少部分用戶主動行為和被動行為指標均表現(xiàn)較好，該類用戶是我們希望識別出來的核心用戶群體，這也意味著大部分用戶主動或被動行為表現(xiàn)一般。上述結(jié)果表明，雖然BCSI總體取值水平偏低，但仍有少部分用戶取值相對較大，因此BCSI可以用來識別博客用戶。

3.4 計算核心用戶序列閾值

核心用戶序列閾值r利用R語言編寫代碼計算，結(jié)果是：t=1,r=329; t=2,r=63; t=3,r=15。表示一區(qū)核心用戶329位，二區(qū)核心用戶63位，三區(qū)核心用戶15位。一區(qū)核心用戶中：化學科學23位、工程材料34位、地球科學40位、信息科學32位、生命科學57位、管理綜合67位、醫(yī)學科學20位、數(shù)理科學50位、無學科分類6位，其中地球?qū)W科入選核心用戶占本學科總?cè)藬?shù)比例最高為22.35%，無學科分類用戶比例最低為2.97%，入選核心用戶的比例與該學科人數(shù)無關(guān)，但未設置學科分類的用戶很少能貢獻較高的BCSI值。閾值的確定可以依據(jù)網(wǎng)站實際需求調(diào)整，BCSI曲線如圖3所示。

圖3 核心用戶分布圖

3.5 用戶分組識別

為了進一步分析不同學科領域用戶主動行為偏好的特征差異對BCSI值和用戶識別結(jié)果的影響，本文依據(jù)各學科的指標權(quán)重系數(shù)分別計算了各學科的BCSI值，并識別各自領域的核心用戶。各研究領域計算結(jié)果如表5所示，按BCSI值從大到小排序。為了進一步觀察BCSI值總體分布特征，繪制各研究領域BCSI值的小提琴圖，如圖4所示。

圖4 各學科BCSI分布圖

從BCSI值的分布情況看，各學科BCSI值域分布顯著變化，整體取值水平較分類前有所提升，核心用戶與非核心用戶間的區(qū)分度更加明顯。平臺上只有少部分用戶主動行為和被動行為指標均表現(xiàn)較好，積累出高BCSI值，但大部分用戶的取值范圍仍在[0,0.05001]之間。這一現(xiàn)象表明分學科評估與識別用戶能夠取得更好的效果，但整體取值水平仍然偏低。識別出的一區(qū)核心用戶248位，二區(qū)核心用戶54位，三區(qū)核心用戶為19位，識別結(jié)果較分組前有明顯變化。分組識別后入選本領域核心用戶的人數(shù)明顯減少，各個學科識別出的一區(qū)核心用戶情況：化學科學16位、工程材料27位、地球科學36位、信息科學27位、生命科學54位、管理綜合40位、醫(yī)學科學18位、數(shù)理科學30位。地球科學入選核心用戶的比例最高，達20.11%，化學科學入選比例最低為9.09%。由此可見，各研究領域用戶主動行為偏好的特征差異對BCSI的取值范圍和用戶識別的結(jié)果均產(chǎn)生了顯著的影響。

表5 不同研究領域TOP5博客綜合指數(shù)及其排序

4 討論

對評估和識別結(jié)果的合理性和可靠性驗證一直是相關(guān)研究的難題之一。本文應用TOPSIS方法對博客核心用戶識別模型作了驗證，結(jié)果參見表4。兩種方法的排序結(jié)果顯示，Rank（BP）與Rank（BCSI）呈高度正相關(guān)關(guān)系（r=0.891 7），其中一區(qū)重合度為76.9%，二區(qū)核心用戶重合度為84.13%，三區(qū)核心用戶重合度達到86.7%，具有較為一致的重合度。表明博客綜合指數(shù)能夠反映博客用戶行為特征，可以據(jù)此識別核心用戶。此處重合度只考慮用戶所屬區(qū)間，不考慮排名順序，即不同評價結(jié)果中，同一用戶同屬于一個核心區(qū)域則重合，重合度越高，表明兩種方法識別核心用戶效果越接近。

為了進一步驗證評價結(jié)果的合理性，還需證明被識別出的核心用戶（或創(chuàng)作內(nèi)容）曾經(jīng)得到博客平臺其他用戶的廣泛認可?？茖W網(wǎng)博客熱門博文是由讀者推薦產(chǎn)生，受到了其他用戶的廣泛認可，熱門博文可以在科學網(wǎng)博客首頁獲得。全部熱門博文共4 502條，涉及585位用戶。本文以識別出的核心用戶是否有博文是熱門博文為標準進一步驗證結(jié)果的合理性。對比發(fā)現(xiàn)，上述識別的一區(qū)核心用戶中有63.83%的核心用戶擁有1篇以上的熱門博文；二區(qū)核心用戶中87.3%以上的核心用戶擁熱門博文，其中35人至少擁有10篇以上的熱門博文；三區(qū)核心用戶中93.3%的用戶擁有共計894篇的熱門博文，有8位用戶擁有84篇以上的熱門博文。對比結(jié)果表明，依靠BCSI識別出的核心用戶，大部分曾經(jīng)得到博客平臺其他用戶的廣泛認可。

進一步分析三區(qū)核心用戶發(fā)現(xiàn)，他們中的大部分人接受過碩士及以上的高等教育，目前在大學任教。以圖情領域為例，武夷山、趙美娣等用戶更是所在領域的知名學者。他們在科學網(wǎng)博客長期活躍，貢獻了許多高質(zhì)量的博文，借助平臺與其他用戶建立好友關(guān)系，有的還進一步建立了科研合作關(guān)系，發(fā)表了多篇高質(zhì)量的學術(shù)論文。部分用戶發(fā)表的博文更是被其他學者引用到正式的文獻交流中，獲得了廣泛認可。筆者利用知網(wǎng)的引文檢索功能，檢索被引文獻來源為“sciencenet”的文獻，發(fā)現(xiàn)武夷山、黃安年和陳儒軍等人有多篇博文被引。值得注明的是，部分學界知名學者（如施一公，排名267位，為一區(qū)核心用戶）并未進入三區(qū)核心，出現(xiàn)這樣的結(jié)果并不影響評估和識別的合理性與可靠性。學術(shù)博客核心用戶是平臺的活躍用戶，是在一定時期內(nèi)通過創(chuàng)作內(nèi)容對其他用戶具有高影響力且獲得了廣泛的認可的用戶。通過觀察施一公博客主頁，該博客自2016年12月10日便停止更新內(nèi)容，這一點已經(jīng)“有?！焙诵挠脩舳x，但是其在使用博客期間貢獻了29篇高影響力博文，至今仍吸引著大量用戶的閱讀、推薦和分享。所以即使停止更新博客兩年，其博客仍然具有較高的影響力。綜上所述，基于BCSI的核心用戶識別的合理性、可靠性得到有效驗證。

5 結(jié)論

研究表明，基于學術(shù)博客行為數(shù)據(jù)構(gòu)建的指標體系能夠準確地表征博客的主要特征，其加權(quán)值定義的博客綜合指數(shù)具有較好的區(qū)分度，據(jù)此可以識別出學術(shù)博客平臺上的核心用戶。博客綜合指數(shù)概念的理論基礎是多指標序列的排序理論。本文運用熵權(quán)法計算得到的BCSI序列與理想評價法得到的結(jié)果對比，發(fā)現(xiàn)兩者具有很好的重合度。實證研究表明，科學網(wǎng)博客BCSI值總體上偏小，反映了學術(shù)博客行為差異性較大，規(guī)范性不好。分組研究表明，不同學科用戶行為具有不同的偏好特征。由于本文選取的學術(shù)博客行為數(shù)據(jù)構(gòu)建的指標體系都是正向性指標，所以依據(jù)BCSI值的大小也可以間接地作為學術(shù)博客影響力的評價指標。

本文尚存在以下局限。第一，本文只考慮了學術(shù)博客中具有精選博文這一特征的少數(shù)用戶的使用行為，還有大量用戶沒有精選博文，他們的使用行為未被考慮在內(nèi)。第二，對權(quán)重的賦值只選取了客觀賦值法，缺乏與主觀賦值法的比較分析。第三，具有不同特征的用戶行為可能存在較大的差異，本文僅探討了不同研究領域的用戶行為具有不同的偏好特征，還需從更多視角對用戶進行分組研究來證實。以科學網(wǎng)博客為例，除了可以按學科領域?qū)τ脩舴纸M，還可以按照性別、工作類型、職稱、學歷、博文系統(tǒng)分類等條件對用戶進行分類研究。