張建同 褚威超

(同濟(jì)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，上海 200092)

1 文獻(xiàn)綜述

隨著虛擬社區(qū)的日益增長，越來越多的學(xué)者加入到虛擬社區(qū)的研究中。為探究用戶價(jià)值和用戶創(chuàng)利能力，學(xué)者們已經(jīng)從不同的角度對用戶進(jìn)行分類，希冀為社區(qū)制定完善的管理政策。

早期學(xué)者主要以用戶的參與程度為切入點(diǎn)來進(jìn)行用戶分類。Armstrong和 Hagel根據(jù)用戶的參與程度及價(jià)值兩個(gè)維度將用戶劃分為購買者、貢獻(xiàn)者、潛水者、瀏覽者，其中購買者往往被認(rèn)為最有價(jià)值，瀏覽者價(jià)值最低。Kozinets根據(jù)用戶行為和消費(fèi)行為將虛擬社區(qū)的成員定性分為瀏覽者、社交者、貢獻(xiàn)者、內(nèi)部者，但未考慮這兩個(gè)指標(biāo)量化的過程。同時(shí)，他也提出虛擬社區(qū)可以通過文化和社會(huì)強(qiáng)化消費(fèi)來提升用戶的忠誠度，使得游覽者和社交者“升級”為貢獻(xiàn)者和內(nèi)部者。Wang和Fesenmaier從用戶參與與用戶貢獻(xiàn)角度出發(fā)，通過構(gòu)建結(jié)構(gòu)方程提出了類似的分類，將用戶分為游客、社交者、貢獻(xiàn)者和內(nèi)部者，為旅行社區(qū)提供有關(guān)關(guān)系營銷和品牌建設(shè)的指導(dǎo)意見。

近年來，研究學(xué)者則多從用戶之間的互動(dòng)行為以及用戶發(fā)帖行為等更為細(xì)致的角度出發(fā)，且研究的主體大多為社會(huì)化問答社區(qū)。毛波和尤雯雯以發(fā)帖數(shù)、回帖數(shù)、原發(fā)文章、精華數(shù)為衡量指標(biāo)，利用層次性聚類與相似性聚類，將知識共享性虛擬社區(qū)成員分為領(lǐng)袖、呼應(yīng)者、瀏覽者、共享者與學(xué)習(xí)者五類，為分析虛擬社區(qū)成員行為模式提供了基礎(chǔ)。彭希羨等用計(jì)量學(xué)的方法，并利用決策樹、相關(guān)性分析和關(guān)聯(lián)規(guī)則對新浪微博的用戶進(jìn)行了分析，基于關(guān)注數(shù)、粉絲數(shù)、微文量將用戶分為8類。陳娟等運(yùn)用層次聚類法構(gòu)建了以粉絲為因變量的Tobit模型，將用戶細(xì)分為信息搜尋型、專家型和自我學(xué)習(xí)型。

除了聚類法、計(jì)量法等，社會(huì)網(wǎng)絡(luò)分析在用戶分類領(lǐng)域中也日趨流行，這主要得益于社會(huì)網(wǎng)絡(luò)分析可以很好地量化用戶之間的互動(dòng)性行為。宮輝和徐渝根據(jù)虛擬社區(qū)用戶關(guān)注與被關(guān)注變量，利用社會(huì)網(wǎng)絡(luò)分析將社區(qū)成員分為精英型、實(shí)力型、活躍型和孤獨(dú)型四類，并為社區(qū)信息傳播改善提出指導(dǎo)意見。何黎等以點(diǎn)度中心度為衡量指標(biāo)，篩選出微博中的核心用戶，為構(gòu)建微博社區(qū)提供指導(dǎo)性的意見。Toral等以點(diǎn)出度和中間中心度為指標(biāo)，將社區(qū)成員分為外圍用戶、正式成員和社區(qū)成員。徐小龍和黃丹則從虛擬社區(qū)成員的互動(dòng)行為出發(fā)，提出了更為詳細(xì)的衡量指標(biāo)，分別是主帖量、點(diǎn)入度、點(diǎn)出度、交往規(guī)模、互動(dòng)程度和帖子內(nèi)容。谷斌等從知識共享中心度和用戶價(jià)值出發(fā)，利用聚類和社會(huì)網(wǎng)絡(luò)分析將人大經(jīng)濟(jì)論壇分為核心用戶、咨詢者、邊緣用戶、信息獲取者。

此外，社會(huì)網(wǎng)絡(luò)分析在知識共享領(lǐng)域也占據(jù)主要地位。李長玲等為評估企業(yè)內(nèi)部知識的傳播效率，利用社會(huì)網(wǎng)絡(luò)分析中密度、中心勢、小世界分析三個(gè)指標(biāo)，從知識共享的網(wǎng)絡(luò)角度對企業(yè)內(nèi)部知識的傳播效率進(jìn)行了分析，通過實(shí)證分析得出，網(wǎng)絡(luò)密度越大，知識交流的密度越大，知識的傳播效率也就越高。劉佩、林如鵬采用內(nèi)容分析和社會(huì)網(wǎng)絡(luò)分析探討知乎用戶的知識共享與知識分享行為，發(fā)現(xiàn)知乎社區(qū)呈現(xiàn)典型的“小世界”網(wǎng)絡(luò)關(guān)系，并根據(jù)分析結(jié)果為社區(qū)提出改善建議，促進(jìn)知識共享效率提升。王忠義等利用社會(huì)網(wǎng)絡(luò)分析和熵權(quán)法分析了知識領(lǐng)袖在網(wǎng)絡(luò)問答社區(qū)中的知識能力和傳播影響力，并根據(jù)網(wǎng)絡(luò)的“小世界”特征，提出了一種基于Cowan模型的知識共享模型，并根據(jù)實(shí)證結(jié)果提出了改善建議，以提升用戶在社會(huì)化問答社區(qū)的學(xué)習(xí)效果。

綜合以上文獻(xiàn)，定量分析是當(dāng)下研究的主流趨勢。在用戶分類上，研究學(xué)者多從用戶之間的互動(dòng)性行為角度出發(fā)，構(gòu)建詳細(xì)的分類指標(biāo)，且分類結(jié)果也愈發(fā)細(xì)致。研究學(xué)者也會(huì)用聚類法、計(jì)量法、社會(huì)網(wǎng)絡(luò)分析進(jìn)行實(shí)證研究，并為社區(qū)提出改善意見?？紤]到知乎的固有屬性——知識共享，本文將從知識共享的角度出發(fā)，通過網(wǎng)絡(luò)圖和社會(huì)網(wǎng)絡(luò)分析評估當(dāng)今知乎社區(qū)的知識共享現(xiàn)狀，并對知乎用戶進(jìn)行分類，最后為社區(qū)提出一些相應(yīng)的改善意見。

2 成員分類模型構(gòu)建

在社會(huì)化網(wǎng)絡(luò)問答社區(qū)中，為了解決分類模型指標(biāo)過于單一的問題，需要從多個(gè)維度對用戶進(jìn)行分類。結(jié)合社會(huì)化問答社區(qū)的特征，用戶在社區(qū)中主要存在兩種關(guān)系：(a)用戶之間的關(guān)系，即用戶知識共享中心度。其建立在用戶間的特征行為上，即點(diǎn)贊、評論、關(guān)注、受關(guān)注等，反映了知識的共享以及傳播情況。(b)用戶與社區(qū)之間的關(guān)系，即用戶價(jià)值。其表現(xiàn)在用戶自身的行為上，即其登錄社區(qū)的頻率、文章數(shù)、提問數(shù)等，反映了用戶的自身價(jià)值。因此，針對社會(huì)化問答社區(qū)的特點(diǎn)，本文采用了一個(gè)二維的用戶分類模型，并對各個(gè)維度下具體的指標(biāo)做出了改進(jìn)，兩個(gè)維度分別是用戶知識共享中心度和用戶價(jià)值。

2.1 用戶知識共享中心度

用戶知識共享中心度表示用戶之間的知識共享與傳播情況，在虛擬社區(qū)中，它反映了某一用戶成為網(wǎng)絡(luò)中一個(gè)中心的程度。中心度越高的個(gè)體，越有可能是網(wǎng)絡(luò)中的一個(gè)中心，即“意見領(lǐng)袖”，其與更多用戶存在關(guān)系。在社會(huì)網(wǎng)絡(luò)分析中，中心度的指標(biāo)有多種，如點(diǎn)度中心度、中間中心度和接近中心度。基于社會(huì)化問答社區(qū)的特征，本文將選取點(diǎn)度中心度和中間中心度來構(gòu)建用戶知識共享中心度指標(biāo)。具體原因如下：

(1)點(diǎn)度中心度反映了用戶的影響力和權(quán)威性。本文將采用點(diǎn)出度，即用戶的關(guān)注作為具體指標(biāo)。由于點(diǎn)入度(粉絲)往往過于龐大，點(diǎn)出度與其差距較大，因此兩者不宜同時(shí)使用。另外，龐大的數(shù)據(jù)會(huì)使得網(wǎng)絡(luò)圖過于混亂、結(jié)果不夠明顯，因此點(diǎn)入度并不適宜。此外，點(diǎn)出度與點(diǎn)入度相比，前者是主動(dòng)性行為，更具有代表性。

(2)中間中心度則反映了在知識共享途徑上目標(biāo)用戶對其他用戶的控制能力。在虛擬社區(qū)中，一部分用戶可能未和很多用戶建立直接聯(lián)系，但其卻和一些關(guān)鍵的核心用戶有著緊密的聯(lián)系，從而影響到外圍的用戶，發(fā)揮著間接的作用。

2.2 用戶價(jià)值

RFM模型是典型的傳統(tǒng)用戶價(jià)值模型，Bult和Wansbeek對其做出了如下解釋：(a)最近一次消費(fèi)(R)：顧客最近一次的購買行為和分析時(shí)間的間隔天數(shù)。(b)消費(fèi)頻率(F)：計(jì)算期內(nèi)顧客購買產(chǎn)品或服務(wù)的次數(shù)。(c)消費(fèi)金額(M)：計(jì)算期內(nèi)客戶購買的總金額。

此外，該模型被廣泛應(yīng)用于多個(gè)領(lǐng)域。Tsai和Chiu基于客戶采購產(chǎn)品類型和歷史記錄對用戶進(jìn)行分類，并利用RFM模型分析各類用戶的購買能力，為營銷策略提供依據(jù)。劉偉和丁志慧則將RFM模型應(yīng)用于虛擬社區(qū)中，從而構(gòu)建了LAT模型，該模型的衡量指標(biāo)為近度、頻度、值度。他以五菱車友會(huì)論壇作為實(shí)證對象，利用聚類分析將用戶分為重要成員、瀏覽者、沉沒成員三類。

對于虛擬社區(qū)而言，LAT模型的三項(xiàng)指標(biāo)可以比較好地反映用戶在虛擬社區(qū)的個(gè)人價(jià)值，但其選取的指標(biāo)本質(zhì)上只考慮了用戶的訪問時(shí)間和用戶的貢獻(xiàn)程度兩個(gè)維度。但在社會(huì)化問答社區(qū)中，就知乎而言，用戶還存在獲得感謝數(shù)、獲得贊同數(shù)等指標(biāo)，這些指標(biāo)可以很好地反映該用戶被其他用戶認(rèn)可的程度。因此，綜合考慮時(shí)間、文章、獲得贊同數(shù)等指標(biāo)，可使得后續(xù)分類更具代表性。但考慮到初始指標(biāo)數(shù)量過多，因此需要對其進(jìn)行因子分析，來選取新的衡量指標(biāo)作為用戶的分類標(biāo)準(zhǔn)。

2.3 模型構(gòu)建

綜上，用戶在社會(huì)化問答社區(qū)中僅存兩種社會(huì)關(guān)系：(1)用戶之間的關(guān)系；(2)用戶與社區(qū)的關(guān)系。本文將以用戶的關(guān)注行為作為用戶之間關(guān)系的衡量指標(biāo)，以用戶的文章數(shù)、專欄數(shù)等作為用戶與社區(qū)關(guān)系的衡量指標(biāo)?？紤]到知乎社區(qū)的固有屬性——知識共享，因此將上述兩種關(guān)系定性為用戶知識共享中心度和用戶價(jià)值。每一個(gè)維度下用戶都可以被分為3類，即低、中和高，從而形成3×3的矩陣，共9種類別。但考慮到過多的類別可能會(huì)造成彼此之間的界限過于模糊，且各類別的特征不夠鮮明，因此后續(xù)將對分類結(jié)果做進(jìn)一步完善與優(yōu)化，共得到5種類別。

3 數(shù)據(jù)獲取與處理

本文利用Python爬取知乎的用戶數(shù)據(jù)。數(shù)據(jù)爬取的基本思想是從某一用戶(初始用戶)開始，首先獲取他的個(gè)人信息以及他的粉絲和關(guān)注列表，之后二次遞歸遍歷上述列表中每一個(gè)用戶的個(gè)人信息及他們各自的粉絲和關(guān)注列表，并將數(shù)據(jù)存儲到數(shù)據(jù)庫MongoDB中。其中，初始用戶最好具有代表性，即所謂的領(lǐng)袖人物，其延伸開來的社交網(wǎng)絡(luò)在一定程度上可以作為社區(qū)的縮影。這類用戶在社區(qū)中比重很小，但是其往往有很大的粉絲數(shù)。因此，選取的初始用戶要確保其粉絲數(shù)上萬，從而保證爬取到的用戶數(shù)據(jù)量充足且可以較好地反映社區(qū)現(xiàn)狀。在爬取過程中，獲取的用戶信息主要涉及用戶的姓名、用戶類型、關(guān)注列表的姓名等，具體見表1。

表1 用戶的信息列表

第一部分?jǐn)?shù)據(jù)共收集到6624名用戶的個(gè)人信息，截止時(shí)間為2019年4月12日。在該數(shù)據(jù)的基礎(chǔ)上，隨機(jī)選取80位用戶作為獲取第二部分?jǐn)?shù)據(jù)的種子，具體見表2。據(jù)統(tǒng)計(jì)，刪除“已注銷”“已重置”“涉嫌違規(guī)”以及use_type為組織(org)的用戶。表2的用戶及其關(guān)注名單累積達(dá)10168名。

表2 選取的80名用戶及其關(guān)注列表的姓名

該部分?jǐn)?shù)據(jù)后續(xù)將用于社會(huì)網(wǎng)絡(luò)分析，用戶作為網(wǎng)絡(luò)圖的節(jié)點(diǎn)，用戶之間的“關(guān)注”作為邊。若直接將所有用戶用來構(gòu)建網(wǎng)絡(luò)圖，會(huì)造成節(jié)點(diǎn)數(shù)量過多、網(wǎng)絡(luò)圖過于混亂。因此，需要對網(wǎng)絡(luò)圖進(jìn)行簡化，并保證簡化后的網(wǎng)絡(luò)圖與原網(wǎng)絡(luò)圖有相同的結(jié)構(gòu)。因?yàn)榫W(wǎng)絡(luò)圖中低度節(jié)點(diǎn)比重較大，所以刪除這些節(jié)點(diǎn)可以較好地維持原有的網(wǎng)絡(luò)結(jié)構(gòu)。簡化的方法是不斷刪除點(diǎn)度為1的用戶，再不斷刪除點(diǎn)度小于等于2的用戶，直到某一個(gè)臨界值。公式(1)如下：

(1)

其中，Pc表示移除節(jié)點(diǎn)的臨界百分比，k是平均節(jié)點(diǎn)度。計(jì)算求得原網(wǎng)絡(luò)的Pc為92.78%，因此本文選取的節(jié)點(diǎn)最小度為3，移除了91.5%的節(jié)點(diǎn)，簡化后的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為862，即862名用戶。

第二部分?jǐn)?shù)據(jù)在第一部分?jǐn)?shù)據(jù)預(yù)處理的基礎(chǔ)上獲得。通過selenium虛擬瀏覽器遍歷862名用戶的url_token和user_type來訪問其用戶主頁，用作后續(xù)的價(jià)值評估。獲取的信息共計(jì)12個(gè)，第一個(gè)為姓名用作標(biāo)識符，截止時(shí)間為2019年9月26日10時(shí)，具體見表3其中，近度表示用戶最近1次發(fā)布動(dòng)態(tài)的時(shí)間距離檢測時(shí)間的差值，頻度表示用戶最近7次發(fā)布動(dòng)態(tài)的平均時(shí)間。

表3 從知乎上獲取的初始指標(biāo)

為便于后續(xù)的數(shù)據(jù)分析，除姓名以外，需要對另外11個(gè)指標(biāo)進(jìn)行數(shù)據(jù)預(yù)處理。首先，近度和頻度兩個(gè)指標(biāo)都乘以負(fù)1，使得所有指標(biāo)都滿足數(shù)值越大、用戶價(jià)值越高的準(zhǔn)則。其次，為解決各指標(biāo)量綱不統(tǒng)一問題，對數(shù)據(jù)進(jìn)行歸一化處理。此處采用Z-標(biāo)準(zhǔn)化方法，使得數(shù)值滿足標(biāo)準(zhǔn)正態(tài)分布。公式(2)如下：

(2)

4 數(shù)據(jù)分析

在對數(shù)據(jù)進(jìn)行相應(yīng)的預(yù)處理后，本文將對第一部分?jǐn)?shù)據(jù)(用戶知識共享中心度)進(jìn)行社會(huì)網(wǎng)絡(luò)分析，對第二部分?jǐn)?shù)據(jù)(用戶價(jià)值)進(jìn)行因子分析。

4.1 用戶知識共享中心度分析

將上述成員關(guān)系矩陣導(dǎo)入U(xiǎn)cinet中，得到用戶之間的知識共享網(wǎng)絡(luò)圖，利用Gephi根據(jù)用戶的點(diǎn)出度大小來設(shè)置節(jié)點(diǎn)的大小和顏色，其中節(jié)點(diǎn)越大，顏色越深，代表其點(diǎn)出度越大，具體見圖1。

圖1 用戶之間的知識共享網(wǎng)絡(luò)圖

由圖1可以看出越突出的節(jié)點(diǎn)，表示該用戶與其他用戶共現(xiàn)的次數(shù)越多，即與其他用戶的關(guān)系更為緊密，在知識共享過程中也就起到較為重要的作用。用戶如董峰、Jack tang、學(xué)而時(shí)習(xí)等處于網(wǎng)絡(luò)圖的中間，與其他人的聯(lián)系較多，而在網(wǎng)絡(luò)圖邊緣的用戶與其他用戶的聯(lián)系則較少。

在網(wǎng)絡(luò)圖的分析過程中，第一，從網(wǎng)絡(luò)的角度出發(fā)，對該網(wǎng)絡(luò)的集中性進(jìn)行評估。網(wǎng)絡(luò)密度是網(wǎng)絡(luò)集中性很好的衡量指標(biāo)，數(shù)值越大，說明該網(wǎng)絡(luò)越具有凝聚力，其信息傳播速度會(huì)越快。通過計(jì)算得出，該網(wǎng)絡(luò)的密度為0.01，遠(yuǎn)遠(yuǎn)小于0.5，因此用戶之間的聯(lián)系不是很緊密，難以實(shí)現(xiàn)有效且快速的知識共享。其主要原因是邊緣用戶與其他用戶之間的聯(lián)系不夠緊密，核心用戶受到的關(guān)注較少。

第二，從點(diǎn)的角度出發(fā)，利用一些量化的指標(biāo)來看待網(wǎng)絡(luò)圖，這也使得后續(xù)的分類結(jié)果更為科學(xué)。根據(jù)用戶之間的共現(xiàn)矩陣，分別計(jì)算各個(gè)用戶的點(diǎn)度中心度和中間中心度，并作描述性統(tǒng)計(jì)，具體見表4。網(wǎng)絡(luò)平均點(diǎn)度中心度為8.9，即每個(gè)人平均同8.9個(gè)人發(fā)生直接交互，但其標(biāo)準(zhǔn)差為25.4，中間中心度的標(biāo)準(zhǔn)差則更為夸張，達(dá)到了4696.8。這表明在社區(qū)中，用戶的兩極化非常明顯，大多數(shù)用戶之間的聯(lián)系不是很緊密，但都高度集中于個(gè)別核心用戶上。

表4 用戶的點(diǎn)度中心度和中間中心度描述性統(tǒng)計(jì)

點(diǎn)度中心度的冪律分布曲線見圖2，求得回歸曲線公式為y=0.1474x(-1.372)，相關(guān)系數(shù)R2為0.8469，因此該曲線的相關(guān)性較好，整個(gè)網(wǎng)絡(luò)符合冪律分布，這進(jìn)一步說明網(wǎng)絡(luò)中的節(jié)點(diǎn)存在帕累托效應(yīng)，即大多數(shù)用戶的點(diǎn)度中心度低，少數(shù)用戶的點(diǎn)度中心度高。其中，點(diǎn)度中心度為3的用戶共計(jì)367人，占總?cè)藬?shù)的42.58%；在3～14，用戶的分布數(shù)量急劇下降；而在大于14的區(qū)間中，用戶分布較為平均，差別幾乎不大，且數(shù)量較少。基于此可以推斷出，知識共享的主要形式是從一些核心用戶出發(fā)，然后向周圍的一些用戶進(jìn)行擴(kuò)散。這些核心用戶在社區(qū)中往往有著較高的話語權(quán)和地位，他們發(fā)布的評論、提問等會(huì)對其他人造成較大的影響，從而控制知識共享的效率以及方式。因此，識別這些核心用戶對知識共享效率的提升起著至關(guān)重要的作用。

圖2 點(diǎn)度中心度的分布

由上文可以看出，用戶知識共享中心度指標(biāo)主要涉及點(diǎn)度中心度和中間中心度兩個(gè)方面。在數(shù)據(jù)預(yù)處理搭建共現(xiàn)矩陣的時(shí)候，篩選的基準(zhǔn)是共現(xiàn)頻次大于等于3。其次，由前文得出知乎存在帕累托效應(yīng)，即“二八原則”。

因此，用戶知識共享中心度高的用戶篩選基準(zhǔn)如下：(a)絕對點(diǎn)度中心度大于3；(b)中間中心度大于80%的分位點(diǎn)，即254.881。經(jīng)過篩選后，一共得到167位用戶，占比為19%，這類用戶無論是從點(diǎn)度中心度出發(fā)，還是從中間中心度出發(fā)，都位于前列，對促進(jìn)社區(qū)知識共享起到較為關(guān)鍵的作用。用戶知識共享中心度低的用戶篩選基準(zhǔn)如下：絕對點(diǎn)度中心度小于等于3，占比43%。這類用戶對于社區(qū)中的知識共享所起的作用微乎其微，但其龐大的數(shù)量是社區(qū)存在的堅(jiān)實(shí)基礎(chǔ)。剩余的用戶則是知識共享中心度為中，占比38%。盡管這一類用戶在知識共享過程中并不占據(jù)主導(dǎo)地位，但隨著時(shí)間的推移，一部分用戶會(huì)慢慢轉(zhuǎn)化成高知識共享中心度用戶，從而起到領(lǐng)袖作用。

4.2 社區(qū)用戶價(jià)值分析

將第二部分?jǐn)?shù)據(jù)導(dǎo)入SPSS軟件中選取主成分法進(jìn)行因子分析。對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行相關(guān)性檢驗(yàn)，結(jié)果見表5。因?yàn)镵MO值為0.597且Bartlett′s檢驗(yàn)的P值小于0.05，所以可以進(jìn)行因子分析。

表5 KMO 和 Bartlett 的檢驗(yàn)

分析結(jié)果若以特征值大于1為篩選標(biāo)準(zhǔn)，則共提取出4個(gè)公共因子，但第四個(gè)公共因子的特征值為1.093，貢獻(xiàn)率只達(dá)到9.934%，接近于原先一個(gè)初始因子的貢獻(xiàn)率，予以剔除。因此，分析結(jié)果中共提取出3個(gè)公共因子，累積貢獻(xiàn)率為63.934%。其中，第一個(gè)公共因子的貢獻(xiàn)率為32.067%；第二個(gè)公共因子的貢獻(xiàn)率為17.372%；第三個(gè)公共因子的貢獻(xiàn)率為14.495%。因子載荷矩陣及其貢獻(xiàn)率見表6。

表6 因子載荷矩陣及貢獻(xiàn)率

為較為直觀地觀察各個(gè)因子中哪些因素的比重較大，對因子載荷矩陣按照最大方差法進(jìn)行旋轉(zhuǎn)，結(jié)果見表7。其中，第一個(gè)公共因子主要綜合了獲得感謝數(shù)、獲得收藏?cái)?shù)、獲得贊同數(shù)、粉絲數(shù)四個(gè)變量，故將其概括為用戶的認(rèn)可度；第二個(gè)公共因子主要綜合了想法數(shù)、問題數(shù)、回答數(shù)、專欄數(shù)、文章數(shù)五個(gè)變量，故將其概括為用戶的貢獻(xiàn)度；第三個(gè)公共因子主要綜合了近度和頻度，故將其概括為用戶的黏度，表示用戶對社區(qū)的依賴程度。因此，在用戶價(jià)值維度中，認(rèn)可度、貢獻(xiàn)度、黏度將作為新的衡量指標(biāo)。

表7 旋轉(zhuǎn)因子載荷矩陣

每個(gè)用戶在各個(gè)公共因子下的得分是其評價(jià)的依據(jù)，可根據(jù)原始指標(biāo)的標(biāo)準(zhǔn)化數(shù)據(jù)和對應(yīng)的因子載荷得出，公式(3)如下

(3)

其中：Fnj代表第n個(gè)用戶在第j項(xiàng)公共因子的得分；Xni代表第n個(gè)用戶在第i項(xiàng)原始指標(biāo)的標(biāo)準(zhǔn)化數(shù)據(jù)；Aij代表第i項(xiàng)原始指標(biāo)在因子載荷矩陣中第j項(xiàng)公共因子的數(shù)值；λj代表第j項(xiàng)公共因子的特征值。

求得所有用戶在三個(gè)衡量指標(biāo)下的得分后，將每一個(gè)指標(biāo)的得分與該指標(biāo)的均值進(jìn)行比較，其結(jié)果可能大于(等于)或小于均值，則三項(xiàng)指標(biāo)分類的情況共有23=8類。其用戶分類準(zhǔn)則如下：若三項(xiàng)指標(biāo)中三項(xiàng)都大于均值，成員的用戶價(jià)值為高，共計(jì)89人。盡管這類用戶數(shù)量較少，但其往往具備深厚的知識底蘊(yùn)，為社區(qū)注入了源源不斷的文化知識，并在用戶之間廣為傳閱。若三項(xiàng)指標(biāo)中，有且僅有兩項(xiàng)大于均值，成員的用戶價(jià)值為中，共計(jì)213人，這一類用戶是用戶價(jià)值協(xié)同進(jìn)化中的中堅(jiān)力量，其中有一項(xiàng)低于均值，可能是受注冊時(shí)間的限制。若三項(xiàng)指標(biāo)中，有兩項(xiàng)及以上小于均值，成員的用戶價(jià)值則為低，共計(jì)560人。

4.3 用戶分類

根據(jù)用戶知識共享中心度和用戶價(jià)值這兩個(gè)維度，可以初步將用戶分為九類，如表8所示。

表8 用戶分類初步結(jié)果

可以看出，不同類別之間的用戶數(shù)量差距較為懸殊，且彼此之間的界限較為模糊，不能很好地突出各類別用戶的個(gè)性特征。此外，對于虛擬社區(qū)來說，用戶進(jìn)入社區(qū)的時(shí)間先后在很大程度上決定了用戶當(dāng)今所處的位置，所以過多的分類會(huì)使得結(jié)果存在失真的問題。

因此，本文對上述分類結(jié)果進(jìn)行部分合并，最終分類結(jié)果見表9。第一類用戶為核心用戶，即分類1，共計(jì)17人。他們往往是形成知識板塊的領(lǐng)袖人物，不僅有著扎實(shí)的專業(yè)基礎(chǔ)，同時(shí)又有著良好的群眾基礎(chǔ)，且熱衷于在平臺上分享自己的人生經(jīng)驗(yàn)和知識，是推動(dòng)社區(qū)知識共享的強(qiáng)大動(dòng)力。第二類用戶為詢問者，即分類2和3。這兩類用戶的知識共享中心度為高，但在用戶價(jià)值角度看尚有不足，需要進(jìn)一步提高，共計(jì)149人。他們在社區(qū)中很少發(fā)表自己的看法與意見，卻關(guān)注了很多用戶，形成了密集的社交網(wǎng)絡(luò)，以此來了解一些實(shí)時(shí)動(dòng)態(tài)，豐富自己的知識。第三類用戶為回答者，即分類4和7，其分類依據(jù)與詢問者類似，共計(jì)72人。這類用戶往往具備一些專業(yè)知識且愿意在知乎上分享自己的問題與見解，也有著比較好的群眾基礎(chǔ)，但與其他用戶的互動(dòng)較少，更愿意做一個(gè)知識的發(fā)源地。第四類用戶為潛水者，即分類9，共計(jì)240人。這類用戶往往缺乏專業(yè)知識，且沒有足夠的群眾基礎(chǔ)，也不愿意關(guān)注一些核心用戶，探索自己感興趣的內(nèi)容，因此這類用戶往往對社區(qū)的黏度最低，是最容易流失的用戶。第五類用戶為活躍者，即分類5、6和8，該類用戶至少有一項(xiàng)指標(biāo)為中，表明這些用戶有一定的社交基礎(chǔ)或者知識架構(gòu)，他們可以看作從潛水用戶向詢問者和回答者過渡的用戶，共計(jì)384人。這類用戶典型的代表現(xiàn)象就是用戶為滿足自身的知識需求，通過關(guān)注一些核心用戶，從而實(shí)時(shí)獲取相關(guān)領(lǐng)域的內(nèi)容。但相較于詢問者和回答者，目前這些用戶尚且并不具備專業(yè)的知識和廣闊的人脈，對于社區(qū)的一些規(guī)則和內(nèi)容還處于摸索階段。但不可否認(rèn)的是，他們是社區(qū)中至關(guān)重要的角色，是知乎社區(qū)進(jìn)化過程中的中堅(jiān)力量，象征著社區(qū)的潛在底蘊(yùn)，在一定程度上決定了社區(qū)未來的發(fā)展方向。

表9 用戶分類最終結(jié)果

根據(jù)最后的分類結(jié)果可以看出，在選取的樣本中，活躍者最多，潛水者次之，核心用戶最少。這也進(jìn)一步證實(shí)了知乎社區(qū)中存在典型的二八原則，只有少數(shù)用戶在知乎處于主導(dǎo)地位，對知識的傳播起著關(guān)鍵性作用。但由于潛水者幾乎起不到促進(jìn)知識共享的作用，結(jié)合其龐大的用戶數(shù)量，使得社區(qū)中的知識共享效率大打折扣。不過，大量活躍者的存在在一定程度上證明了知乎社區(qū)的巨大潛力，因此社區(qū)需要制定相應(yīng)的策略對其進(jìn)行激勵(lì)，來改善目前社區(qū)中知識共享效率低下的現(xiàn)象。

5 改善方案

知乎是一個(gè)社會(huì)化問答社區(qū)，它既是一個(gè)社交平臺，也是一個(gè)分享知識的平臺，這是其能夠在眾多虛擬社區(qū)中脫穎而出的關(guān)鍵。隨著知乎的日益成長，越來越多的用戶加入這一個(gè)社區(qū)中，并在社區(qū)中發(fā)布自己的問題與回答。但在新用戶加入的同時(shí)，問題也隨之產(chǎn)生。本節(jié)將結(jié)合前文中用戶分類的結(jié)果，分別從用戶角度和社區(qū)角度對社區(qū)提出一些改善方案，以促進(jìn)知識共享。

5.1 用戶角度

根據(jù)上文將用戶從用戶知識共享中心度和用戶價(jià)值兩個(gè)維度分成核心用戶、詢問者、回答者、潛水者、活躍者五類的分類結(jié)果，社區(qū)應(yīng)當(dāng)采取不同的應(yīng)對措施來服務(wù)用戶，從而提升知識的傳播效率。對于核心用戶，社區(qū)應(yīng)當(dāng)對其重點(diǎn)維護(hù)，為其提供合理的個(gè)性化服務(wù)，例如授予核心用戶一些勛章及特權(quán)，如“知識大V”等稱號；定期組織一些線下交流會(huì)，讓他們面對面地分享自己的知識與人生經(jīng)驗(yàn)，增強(qiáng)用戶之間的聯(lián)系，從而可以在一定程度上避免用戶的流失。對于詢問者，社區(qū)可以設(shè)立一定的激勵(lì)措施如積分等促使他們發(fā)表自己的問答與文章等。對于回答者，社區(qū)可以適當(dāng)總結(jié)這些用戶的興趣愛好，結(jié)合推薦系統(tǒng)，向這些用戶定期推送一些他們感興趣的優(yōu)秀文章及用戶，增強(qiáng)其互動(dòng)性行為。對于潛水者，社區(qū)可以統(tǒng)計(jì)其相關(guān)的注冊信息，并對一些長期離線的用戶發(fā)送清理通知，減少社區(qū)對其維護(hù)的資源和時(shí)間。同時(shí)，社區(qū)也可以發(fā)布一些有價(jià)值的信息，促使這類用戶向活躍者轉(zhuǎn)變。對于活躍者，社區(qū)應(yīng)當(dāng)給予大量的優(yōu)惠政策及獎(jiǎng)勵(lì)，如等級制度、板塊冠名等，培養(yǎng)其進(jìn)一步探索社區(qū)的興趣。此外，可以安排一些核心用戶與活躍用戶的見面會(huì)，彼此之間可以大膽地交流經(jīng)驗(yàn)與心得，從而營造濃厚的知識交流氛圍，并增強(qiáng)了活躍用戶的幸福感。

5.2 社區(qū)角度

伴隨著用戶數(shù)量的增多，社區(qū)首當(dāng)其沖的問題就是如何確保社區(qū)氛圍依然是高質(zhì)量的知識共享。由于用戶的多樣性和隱蔽性，社區(qū)應(yīng)當(dāng)制定一定的規(guī)則來規(guī)范用戶的行為，最好是讓用戶參與制定的過程，并對規(guī)則進(jìn)行進(jìn)一步修正。此外，在用戶中挑選一些執(zhí)法者，結(jié)合當(dāng)今社會(huì)中關(guān)于網(wǎng)絡(luò)言論的法律，對于一些散布不實(shí)言論的用戶進(jìn)行嚴(yán)懲。社區(qū)還應(yīng)當(dāng)對用戶發(fā)布的一些問題以及用戶的一些評論進(jìn)行篩選，確保發(fā)布的內(nèi)容有較高的質(zhì)量且合理合法，避免出現(xiàn)社區(qū)氛圍變差、社區(qū)內(nèi)容質(zhì)量下降等現(xiàn)象。除了過濾掉這些劣質(zhì)用戶的言論，社區(qū)對于一些優(yōu)質(zhì)的文章應(yīng)當(dāng)設(shè)立更高的標(biāo)準(zhǔn)并對其進(jìn)行推送與置頂，這不僅僅增強(qiáng)了用戶的存在感與滿足感，也保證了社區(qū)的學(xué)術(shù)氛圍。

此外，社區(qū)應(yīng)當(dāng)結(jié)合當(dāng)今的大數(shù)據(jù)技術(shù)、文本分析等，對用戶之間共享的知識進(jìn)行整合并建立知識庫，并為用戶提供方便快捷的知識獲取途徑，確保其功能做到簡單易學(xué)，減少用戶的學(xué)習(xí)成本，從而及時(shí)解決用戶學(xué)習(xí)中存在的一些問題。為增強(qiáng)用戶對社區(qū)的歸屬感，社區(qū)還可以提供一些人性化的服務(wù)，如節(jié)日祝福、用戶晉級祝賀等。

6 結(jié)論與展望

本文結(jié)合社會(huì)化問答社區(qū)的特征，以知乎社區(qū)為實(shí)證對象，從用戶知識共享中心度和用戶價(jià)值兩個(gè)維度出發(fā)，結(jié)合社會(huì)網(wǎng)絡(luò)分析和因子分析，將用戶分為核心用戶、詢問者、回答者、潛水者、活躍者五類。

研究結(jié)果表明，網(wǎng)絡(luò)圖的密度為0.01，反映了知乎社區(qū)存在知識共享效率低下的問題。此外，社區(qū)中核心用戶的比例只有1.97%，而潛水者的比例為27.84%。懸殊的數(shù)量表明大部分的用戶并沒有參與到社區(qū)的知識共享建設(shè)中，只有部分核心用戶對其起到促進(jìn)作用，這可能是社區(qū)知識共享效率較低的主要原因。另一方面，活躍者的比例占了44.55%。因此，可以推斷知乎社區(qū)中仍有著巨大的潛在用戶可以挖掘，有助于社區(qū)未來的發(fā)展。本文結(jié)合五類用戶的特征，為社區(qū)提出了一些相應(yīng)的改善方案。例如，給予用戶一些優(yōu)惠來增強(qiáng)用戶對社區(qū)的黏性，并吸引一些新用戶；優(yōu)質(zhì)文章的置頂，使得社區(qū)保持濃厚的知識氛圍，從而實(shí)現(xiàn)知識共享效率的提升。

本研究在用戶知識共享中心度的指標(biāo)下，僅僅考慮了用戶的關(guān)注情況，并沒有考慮用戶之間實(shí)際的發(fā)帖與回帖情況。此外，對于如何促進(jìn)知識共享效率，本文僅提出了一些改善建議。因此，后續(xù)對這一類問題的研究，可以多考慮用戶的互動(dòng)性行為，并對知識共享效率情況進(jìn)行仿真，探究改善的實(shí)際效果。