秦斌 倪靜

摘 要：針對目前意見領(lǐng)袖識(shí)別過程易受主觀因素影響的問題，以微博為研究對象，采用熵權(quán)TOPSIS的相關(guān)理論建立意見領(lǐng)袖的識(shí)別模型。首先，從用戶的靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)特征、用戶的個(gè)人屬性信息和用戶的交互信息三個(gè)方面建立綜合測度的用戶影響力評價(jià)指標(biāo)體系。然后，采取熵權(quán)法得到各指標(biāo)的權(quán)重，采用逼近于理想值的排序方法求得用戶的重要度，根據(jù)重要度值的大小識(shí)別出意見領(lǐng)袖。最后，爬取微博社交平臺(tái)中“校園暴力”話題的相關(guān)數(shù)據(jù)，對提出的意見領(lǐng)袖識(shí)別模型進(jìn)行實(shí)驗(yàn)分析，并通過與單一維度測度指標(biāo)的方法相比驗(yàn)證提出的意見領(lǐng)袖測度模型的有效性。

關(guān)鍵詞：熵權(quán)法;TOPSIS;意見領(lǐng)袖

中圖分類號(hào)：F224? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2021）13-0119-03

引言

微博、QQ、微信等在線社交平臺(tái)的不斷發(fā)展給人們的工作和生活帶來了巨大的影響。人們通過這些便捷的社交平臺(tái)，一方面可以輕松自由地交流和表達(dá)他們對特定產(chǎn)品、服務(wù)，甚至政治和經(jīng)濟(jì)領(lǐng)域的個(gè)人經(jīng)驗(yàn)、情感和感受，但是另一方面，通過發(fā)帖、評論、轉(zhuǎn)發(fā)等行為方式，可以使得輿論事件在很短的時(shí)間內(nèi)呈現(xiàn)出病毒般的傳播趨勢，可能引發(fā)網(wǎng)絡(luò)輿情危機(jī)，而在線社會(huì)網(wǎng)的意見領(lǐng)袖是社會(huì)輿情的重要引導(dǎo)者，很大程度決定輿情的發(fā)展走向，因此意見領(lǐng)袖的識(shí)別工作具有很好的研究前景。

一、相關(guān)研究

意見領(lǐng)袖的概念最初是由美國哥倫比亞大學(xué)的社會(huì)學(xué)家拉扎斯菲爾德提出的[1]，他將意見領(lǐng)袖定義為具有吸引力的人，在其心理、身體和社會(huì)方面都具有突出的特征，且在某一領(lǐng)域具有可信的知識(shí)的人。隨后“意見領(lǐng)袖”受到了國內(nèi)外學(xué)者的關(guān)注，他們在各個(gè)領(lǐng)域展開了研究，研究發(fā)現(xiàn)意見領(lǐng)袖在政治、營銷、教育等方面扮演著重要的角色。

目前，在線社會(huì)網(wǎng)絡(luò)意見領(lǐng)袖的識(shí)別方法主要包括基于社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別方法和基于測度指標(biāo)分析的識(shí)別方法?；谏鐣?huì)網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別方法主要包括基于網(wǎng)絡(luò)中心性的識(shí)別方法、基于PageRank算法及其改進(jìn)算法的識(shí)別方法和基于LeaderRank算法及其改進(jìn)算法的識(shí)別方法等。劉廣強(qiáng)等人基于中介中心性，計(jì)算用戶節(jié)點(diǎn)的綜合影響力[2]。琚春華等人融合緊密中心性和信任尋找電商化社交平臺(tái)意見領(lǐng)袖[3]。Cha等人以Twitter為媒體平臺(tái)對輿情信息的傳播特征進(jìn)行分析，從粉絲數(shù)、轉(zhuǎn)發(fā)數(shù)和被提及數(shù)3個(gè)用戶個(gè)性化特征指標(biāo)的點(diǎn)度中心性，利用皮爾遜相關(guān)系數(shù)對用戶影響力進(jìn)行排序[4]。Jain等人利用網(wǎng)絡(luò)中的各種結(jié)構(gòu)性指標(biāo)來衡量用戶的聲譽(yù)模型[5]。孫紅等人改進(jìn)PageRank算法識(shí)別微博網(wǎng)絡(luò)中的意見領(lǐng)袖[6]。李志宏等人基于LeaderRank算法從網(wǎng)絡(luò)結(jié)構(gòu)、交互行為和交互信息三個(gè)維度識(shí)別微博網(wǎng)絡(luò)中的意見領(lǐng)袖[7]。基于測度指標(biāo)的識(shí)別方法主要包括基于影響力度量指標(biāo)進(jìn)行識(shí)別意見領(lǐng)袖。李玉貞等人選用3個(gè)方面的用戶影響力評價(jià)指標(biāo)構(gòu)建一個(gè)評價(jià)指標(biāo)體系，并利用層次分析法設(shè)計(jì)意見領(lǐng)袖影響力模型識(shí)別意見領(lǐng)袖[8]。彭麗徽等人基于用戶的影響力、活躍度、認(rèn)同度等構(gòu)建影響力評價(jià)指標(biāo)體系，并采用灰色關(guān)聯(lián)方法建立意見領(lǐng)袖識(shí)別模型，進(jìn)而識(shí)別意見領(lǐng)袖[9]。王佳敏等人從用戶的影響力和活躍度兩方面構(gòu)建一個(gè)影響力評估指標(biāo)體系，并采用改進(jìn)的層次分析法識(shí)別社交網(wǎng)絡(luò)的意見領(lǐng)袖[10]。

綜上所述，國內(nèi)外目前現(xiàn)有的在線社會(huì)網(wǎng)絡(luò)的意見領(lǐng)袖識(shí)別工作各有優(yōu)劣，但如果只是從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行分析，缺乏一定的全面性，且目前基于測度指標(biāo)分析的方法，各指標(biāo)的權(quán)重基本上是由專家主觀確定為主，其客觀準(zhǔn)確度較低。針對以上存在的不足，綜合考慮微博用戶多個(gè)維度的影響力評價(jià)指標(biāo)，然后采用熵權(quán)TOPSIS方法建立全面、客觀的意見領(lǐng)袖識(shí)別模型。首先，基于用戶的靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)特征、用戶的個(gè)人屬性信息和用戶的交互信息建立一個(gè)用戶影響力評價(jià)指標(biāo)體系。然后，采用熵權(quán)法計(jì)算各個(gè)指標(biāo)的權(quán)重，采用TOPSIS方法對用戶的影響力進(jìn)行評估，進(jìn)而識(shí)別出高影響力的用戶。最后，通過抓取微博社交平臺(tái)的“校園暴力”相關(guān)話題的數(shù)據(jù)對提出的意見領(lǐng)袖識(shí)別模型進(jìn)行實(shí)驗(yàn)分析。

二、微博意見領(lǐng)袖測度指標(biāo)選取和建模

（一）用戶影響力評價(jià)指標(biāo)體系構(gòu)建

綜合考慮用戶的靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)特征、用戶的個(gè)人屬性信息和用戶的交互信息三個(gè)方面的影響指標(biāo)作為意見領(lǐng)袖判定的基礎(chǔ)。

1.靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)特征指標(biāo)選取。在社會(huì)網(wǎng)絡(luò)中，一個(gè)節(jié)點(diǎn)的結(jié)構(gòu)重要性越高，該節(jié)點(diǎn)的影響力越高，復(fù)雜網(wǎng)絡(luò)分析中常以中心性指標(biāo)衡量節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要程度。本文選用度中心性（A1）、緊密中心性（A2）和中介中心性（A3）來衡量用戶在交互網(wǎng)絡(luò)中的結(jié)構(gòu)重要性。一個(gè)節(jié)點(diǎn)的度中心性表示與該節(jié)點(diǎn)所連接的邊數(shù)，可以直觀體現(xiàn)節(jié)點(diǎn)的重要程度。一個(gè)節(jié)點(diǎn)的緊密中心性用來衡量該節(jié)點(diǎn)影響網(wǎng)絡(luò)中其他節(jié)點(diǎn)的能力，可以通過該節(jié)點(diǎn)到其他所有節(jié)點(diǎn)最短距離之和的倒數(shù)得出，其值越大，則表明該節(jié)點(diǎn)越處于社會(huì)網(wǎng)絡(luò)的中心位置。中介中心性為網(wǎng)絡(luò)中通過該節(jié)點(diǎn)的最短路徑的數(shù)目與所有節(jié)點(diǎn)對之間最短路徑數(shù)目的比值，其值越大，表示社會(huì)網(wǎng)絡(luò)信息傳播過程中流經(jīng)該用戶節(jié)點(diǎn)的信息流越大。

2.用戶個(gè)人屬性信息指標(biāo)選取。用戶的個(gè)人屬性具體包括粉絲數(shù)（A4）、關(guān)注數(shù)（A5）、用戶等級（A6）和是否認(rèn)證（A7）。其中，用戶的粉絲數(shù)是其影響力的直觀衡量，一個(gè)用戶的粉絲數(shù)越多，其發(fā)布動(dòng)態(tài)的潛在關(guān)注度和轉(zhuǎn)發(fā)率也相對更高，其對輿情產(chǎn)生的影響也相對較大。用戶的關(guān)注者是其在平臺(tái)中獲取信息的重要來源，因此，其關(guān)注數(shù)可以在一定程度上反映用戶信息來源渠道的廣泛性。而用戶等級和是否認(rèn)證可以反映用戶的資歷和威望。對于是否認(rèn)證，如果用戶是認(rèn)證狀態(tài)就記作1，否則記為0。

3.用戶的交互信息指標(biāo)選取。用戶的交互信息可以實(shí)時(shí)地反映用戶參與輿情事件討論的參與度和所發(fā)博文的傳播能力，因此話題相關(guān)的用戶所發(fā)博文的被轉(zhuǎn)發(fā)數(shù)（A8）、被評論數(shù)（A9）和被贊數(shù)（A10）可以反映用戶的影響力。一個(gè)用戶發(fā)布的話題相關(guān)博文的被轉(zhuǎn)發(fā)數(shù)和被贊數(shù)越高，表明該用戶發(fā)布的信息及其表達(dá)的觀點(diǎn)被越多人所認(rèn)可，其傳播的信息給輿情發(fā)展方向帶來的影響也相對越大。一個(gè)用戶話題相關(guān)博文的被評論數(shù)越多，表明該用戶關(guān)于此輿情事件表達(dá)的觀點(diǎn)對其他用戶形成了一定影響，從而引發(fā)了更多的討論，一定程度上也在引導(dǎo)著輿論事件的走向。

（二）意見領(lǐng)袖識(shí)別模型構(gòu)建

目前此類研究中的指標(biāo)權(quán)重基本上是由專家主觀確定為主，其客觀準(zhǔn)確度較低，因此本文采用熵權(quán)法確定用戶影響力評價(jià)指標(biāo)的權(quán)重系數(shù)值，取代以專家主觀確定權(quán)重的方法。然后將參與話題討論的用戶看作決策方案，將能夠反映用戶重要性的指標(biāo)看作方案的屬性，通過計(jì)算與每個(gè)屬性的最佳方案的貼合程度來量化每個(gè)用戶的重要程度。設(shè)U={u1，u2，u3，…，un}為話題相關(guān)的用戶集合，D={d1，d2，d3，…，dm}為用戶的屬性集合，記用戶ui上第j個(gè)指標(biāo)的屬性值為ui，j（i=1，2，3…，n;j=1，2，3，…m），那么用戶重要評估矩陣可以表示為：E=（ui，j）n×m。

其中，ci為用戶ui與理想點(diǎn)的貼進(jìn)度，ci的值越大，則用戶ui的決策屬性與正理想點(diǎn)越接近，其重要程度也越高。

三、實(shí)驗(yàn)數(shù)據(jù)獲取與結(jié)果分析

（一）實(shí)驗(yàn)數(shù)據(jù)的獲取和預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)來自微博社交平臺(tái)2019年5月29日至6月2日“校園暴力”話題相關(guān)的數(shù)據(jù)。通過Gooseeker爬蟲網(wǎng)站獲取話題相關(guān)的25 582 條用戶信息，經(jīng)過清洗各項(xiàng)數(shù)據(jù)均為0和重復(fù)的數(shù)據(jù)，最終得到738個(gè)有效用戶數(shù)據(jù)，結(jié)合python網(wǎng)絡(luò)爬蟲技術(shù)和Gooseeker爬蟲網(wǎng)站確定用戶的交互關(guān)系并建立交互網(wǎng)絡(luò)。

（二）實(shí)驗(yàn)結(jié)果及分析

首先，利用Gephi軟件計(jì)算用戶的網(wǎng)絡(luò)中心性指標(biāo)的值，同時(shí)將采集到的用戶的個(gè)人屬性指標(biāo)和交互屬性指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。其次，利用熵權(quán)法對用戶影響力評價(jià)指標(biāo)體系各指標(biāo)的權(quán)重進(jìn)行賦值，得到的結(jié)果如表1所示。最后，通過TOPSIS確定話題相關(guān)的意見領(lǐng)袖，本實(shí)驗(yàn)得到的結(jié)果與通過基于上文提到的單一維度得到的意見領(lǐng)袖對比如表2所示。

從意見領(lǐng)袖識(shí)別的評價(jià)指標(biāo)體系構(gòu)成和實(shí)驗(yàn)結(jié)果進(jìn)行綜合分析。用戶交互網(wǎng)絡(luò)的結(jié)構(gòu)特征一定程度上可以體現(xiàn)用戶在輿論事件中的地位，但是也不能決定一個(gè)用戶的影響力，比如“王志坤”和“陳小兜律師”在此次事件中的影響力應(yīng)小于“微課堂”和“教育知事”。用戶個(gè)人屬性信息在很大程度上可以衡量一個(gè)重要程度，但是從幾個(gè)方法識(shí)別的意見領(lǐng)袖排名第一的用戶可以看出，這些用戶均不是參與話題中粉絲最多的，同樣的，“頭條新聞”“中國新聞網(wǎng)”等新聞?lì)愑脩粼诖舜问录械挠绊懥π∮谙嚓P(guān)的“太原校園”“頭條校園”等用戶。用戶的交互信息反映了用戶參與話題的積極性，意見領(lǐng)袖的觀點(diǎn)可以引起了大多數(shù)人的轉(zhuǎn)發(fā)、點(diǎn)贊，說明其在輿情意見領(lǐng)袖的識(shí)別過程中影響較大，但是可以從交互信息識(shí)別出的意見領(lǐng)袖都包括較多的非官方用戶，這些非官方用戶的其他屬性不滿足一個(gè)意見領(lǐng)袖的定義。而本文識(shí)別出的意見領(lǐng)袖均在以上各個(gè)維度都有意見領(lǐng)袖的典型特征，且是話題最相關(guān)的用戶。通過以上分析，與考慮單一測度指標(biāo)的意見領(lǐng)袖識(shí)別方法相比，本文方法較全面、準(zhǔn)確和客觀識(shí)別出了此次話題的話題導(dǎo)向者，識(shí)別出了話題中的意見領(lǐng)袖。

四、結(jié)論和展望

針對傳統(tǒng)意見領(lǐng)袖識(shí)別方法的不全面性和主觀性，從用戶的靜態(tài)結(jié)構(gòu)特征、用戶個(gè)人屬性和用戶交互信息三個(gè)方面建立了一個(gè)較全面的微博意見領(lǐng)袖指標(biāo)體系，并基于熵權(quán)TOPSIS提出了微博意見領(lǐng)袖識(shí)別模型。通過與單一維度的意見領(lǐng)袖識(shí)別方法的對比可以得出，本文提出的模型方法識(shí)別出了與輿情相關(guān)度最高且符合意見領(lǐng)袖定義和特征的高影響力用戶。在未來的研究中，一方面將會(huì)考慮增加文本感情、文本內(nèi)容等屬性，進(jìn)一步提高意見領(lǐng)袖識(shí)別的客觀性;另一方面，本文僅僅考慮了微博這一社交平臺(tái)，具有一定的局限性，將會(huì)在其他平臺(tái)驗(yàn)證本文提出的意見領(lǐng)袖識(shí)別模型的全面性和客觀性。

參考文獻(xiàn)：

[1]? 祝陽，張汝立.“網(wǎng)絡(luò)意見領(lǐng)袖人”與“網(wǎng)絡(luò)意見領(lǐng)袖帖”的概念及內(nèi)涵分析[J].情報(bào)雜志，2016，（6）：70-74+143.

[2]? 劉廣強(qiáng).基于中介中心性的網(wǎng)絡(luò)傳播節(jié)點(diǎn)影響力發(fā)現(xiàn)[D].哈爾濱：哈爾濱工程大學(xué)，2017.

[3]? 琚春華，趙凱迪，鮑福光.融入緊密度中心性與信用的社交網(wǎng)絡(luò)用戶影響力強(qiáng)度計(jì)算模型[J].情報(bào)學(xué)報(bào)，2019，（2）：170-177.

[4]? Cha M.，Haddadi H.，Benevenuto F.，et al.Measuring user influence in Twitter：the million follower fallacy[C]//Proceedings of the 4th International AAAI Conference on Weblogs and Social Media.Washington D C，USA，2010：10-17.

[5]? Jain K.，Katarya R.，Sachdeva S.Opinion leader detection using whale optimization algorithm in online social network[J].Expert Systems With Applications，2020，（142）.

[6]? 孫紅，左騰.基于PageRank的微博用戶影響力算法研究[J].計(jì)算機(jī)應(yīng)用研究，2018，（4）.

[7]? 李志宏，莊云蓓.基于水軍信任懲罰的多維用戶影響力度量模型[J].系統(tǒng)工程理論與實(shí)踐，2017，（7）.

[8]? 李玉貞，胡勇，熊熙.微博意見領(lǐng)袖的評估模型[J].信息安全與通信保密，2013，（2）：79-81.

[9]? 彭麗徽，李賀，張艷豐.基于灰色關(guān)聯(lián)分析的網(wǎng)絡(luò)輿情意見領(lǐng)袖識(shí)別及影響力排序研究：以新浪微博“8·12”濱海爆炸“為例[J].情報(bào)理論與實(shí)踐，2017，（9）：90-94.

[10]? 王佳敏，吳鵬，陳芬，等.突發(fā)事件中意見領(lǐng)袖的識(shí)別和影響力實(shí)證研究[J].情報(bào)學(xué)報(bào)，2016，（2）：169-176.

[責(zé)任編輯 馬 學(xué)]