嵇海香 任南

關鍵詞：B站 ? ?視頻熱度 ? ?5W模式 ? ?流行三要素 ? ?實證分析

分類號：G206.2

引用格式：嵇海香， 任南. 基于流行三要素的視頻熱度影響因素研究： 以B站為例[J/OL]. 知識管理論壇， 2022， 7（1）： 49-60[引用日期]. http：//www.kmf.ac.cn/p/274/.

1 ?引言

網(wǎng)絡社交媒體已成為滿足人們信息、娛樂、人際交往等需求的重要渠道。中國互聯(lián)網(wǎng)絡信息中心（CNNIC）發(fā)布的第48次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》中顯示，截至2021年6月，我國網(wǎng)民規(guī)模為10.11億，較2020年12月新增網(wǎng)民2 175萬，互聯(lián)網(wǎng)普及率達71.6%。根據(jù)嗶哩嗶哩（以下簡稱“B站”）2021年第二季度財報[1]顯示，B站每月平均活躍用戶達到2.371億，平均每日活躍用戶達到6 270萬，B站月均活躍UP主（uploader，上傳者）220萬，月投稿量770萬，UP主發(fā)布的PUGV（Professional User Generated Video，專業(yè)用戶創(chuàng)作視頻）占受眾觀看量的91%。受眾力求高質(zhì)量視頻以達到時間的高效利用，考慮到有限的時間和關注的多樣性，視頻的受歡迎程度以不對稱的方式分配屬于常態(tài)[2]。在平臺政策機制下，視頻創(chuàng)作者即UP主擁有同等的創(chuàng)作機會，視頻受眾皆可以異步方式從無限的選擇中請求內(nèi)容[3]。面對大量的活躍視頻受眾群體，不僅僅要從內(nèi)容上，也要從平臺結(jié)構(gòu)上識別受歡迎的作品，提高視頻熱度，這不僅是視頻創(chuàng)作者，也是視頻網(wǎng)站極度關心的問題。本文旨在解決視頻網(wǎng)絡平臺中視頻創(chuàng)作者、視頻本身的結(jié)構(gòu)屬性是如何影響視頻熱度的。

有學者指出信息傳播帶來的傳播效果即是熱度[4]，視頻流行度也是視頻熱度的反映[5]。對于視頻網(wǎng)絡社交平臺，有學者利用視頻累計播放次數(shù)來衡量視頻賬號的傳播效果[6]，抑或是采用點贊、評論、分享等量化指標來綜合衡量視頻傳播效果[7]。S. X. Ouyang等[5]表示在視頻流行度研究中，瀏覽量被廣泛使用，評論數(shù)或喜愛數(shù)等其他指標也會被采納使用，而B站的互動標識多樣，除瀏覽量可作為視頻熱度的基本衡量指標外[8]，彈幕數(shù)、點贊數(shù)、投幣數(shù)、收藏數(shù)、轉(zhuǎn)發(fā)量、評論數(shù)以及播主粉絲量均與熱度相關[9]。類似的含網(wǎng)絡社交功能的愛奇藝視頻平臺，視頻的下方有熱度值顯示，其官方通告表示該值是綜合用戶觀看行為數(shù)據(jù)、互動行為數(shù)據(jù)、分享行為數(shù)據(jù)3個維度指標的內(nèi)容熱度，搭建的是一個評價體系多元、綜合權(quán)重合理的熱度值[10]。以上可為本文的熱度衡量提供借鑒與參考，研究中對熱度也沒有統(tǒng)一的定義，根據(jù)文獻研究及本文的研究內(nèi)容，筆者定義熱度為視頻內(nèi)容發(fā)出后，視頻用戶在觀看過程中產(chǎn)生的一系列信息行為造成指標上漲的結(jié)果。

學術界對于熱度的研究，研究對象主要包括3類：微信公眾號、微博與網(wǎng)絡視頻平臺。針對熱度的影響因素研究多數(shù)基于微信公眾號、微博等社交網(wǎng)絡平臺，從微信公眾號結(jié)構(gòu)出發(fā)，借鑒5W模式分析信息傳播的組成要素[4]，構(gòu)建微信公眾號信息傳播網(wǎng)絡結(jié)構(gòu)[11]，利用解釋結(jié)構(gòu)模型篩選出不同層級的影響因素，分析信息傳播熱度與主題、推送時間、標題特征的相關性;從微信公眾號信息內(nèi)容本身出發(fā)[12]，量化標題關鍵詞熱度并進行關鍵詞語義分解測量，以分析其對信息傳播效果的影響;更有通過問卷數(shù)據(jù)細化研究，提煉出推送標題、推送內(nèi)容、推送時機、數(shù)據(jù)化分析、二次轉(zhuǎn)發(fā)者5個因素[13]，分析其與信息傳播效果的影響關系。微博和視頻社交平臺的相關研究則主要站在受眾用戶行為視角，將用戶瀏覽、轉(zhuǎn)發(fā)、評論微博行為作為熱度衡量指標[14]，根據(jù)使用與滿足理論，利用問卷數(shù)據(jù)回歸分析其影響顯著性，結(jié)論中強調(diào)觀眾情感收益對用戶行為的影響;由于視頻的播放量同用戶參與行為高度相關[6]，學者多數(shù)以播放量作為熱度的衡量，從不同的維度去探究用戶參與行為對視頻熱度的影響[15-16]，考慮到視頻社交平臺具有彈幕功能的特殊性，則有學者從彈幕數(shù)量、彈幕情感強度兩個維度探究其對播放量、收藏量、硬幣量的影響，以此進行視頻流行度的影響因素分析[8]，并考察視頻創(chuàng)作者的粉絲數(shù)和投稿數(shù)的調(diào)節(jié)作用。多數(shù)視頻社交平臺的研究則著力于熱度的演化及預測研究，有研究以B站為對象，進行用戶生成內(nèi)容的流行度的分析與預測[3];或以YouTube為對象，刻畫視頻流行度的演化過程[17]，以及通過感知回歸模型[18]實現(xiàn)復雜的YouTube網(wǎng)絡中視頻長期流行度的快速預測;也有以優(yōu)酷為對象，研究視頻流行度演化模式，探究流行度演化模式對早期流行度和未來流行度之間的線性相關性的影響[5]。

綜上所述，視頻社交平臺類研究集中在熱度的預測分析以及問卷分析觀眾的參與行為與情感導向?qū)σ曨l熱度的影響，但是缺乏對于熱度的全面衡量，也缺乏從創(chuàng)作者、視頻結(jié)構(gòu)視角挖掘客觀的影響熱度因素指標。因此本研究基于客觀數(shù)據(jù)，從視頻、創(chuàng)作者的視角，篩選其結(jié)構(gòu)屬性指標來分析視頻熱度的影響因素，完善視頻社交平臺熱度影響因素相關研究，并根據(jù)研究結(jié)論為視頻創(chuàng)作者更好地調(diào)整視頻結(jié)構(gòu)、完善自我展示以及為B站的運營推廣提供些許指導建議。

2 ?理論基礎

2.1 ?5W模式

拉斯韋爾在1948年提出信息傳播過程中包含傳播者（who）、信息（what）、媒介（which）、受眾（whom）、傳播效果（what effect）5個組成要素，即5W模式[4]。邢雨晴等[19]研究微博信息傳播模式時也提出信源、信宿、信道、信息是信息傳播活動中涉及的四要素，即影響信息傳播效果的因素包含傳播者、受眾、媒介和傳播環(huán)境。對于網(wǎng)絡社交媒體，不同的平臺信息傳播具有一定的共性，都是通過傳播者發(fā)布信息，受眾進行互動行為體現(xiàn)，因此5W模式適用于構(gòu)建B站的信息傳播過程。

2.2 ?流行三要素

馬爾科姆·格拉德威將流行三要素理論總結(jié)為：關鍵人物、環(huán)境威力、內(nèi)容附著力。首先，關鍵人物是指在社會網(wǎng)絡中能夠影響絕大部分群體的一小部分群體，這部分群體可形象地稱呼為“內(nèi)行（提供信息）、聯(lián)系員（傳播信息）和推銷員（使人接受信息）”。其次，信息傳播必定會受傳播環(huán)境的影響，其中包括內(nèi)部環(huán)境和外部環(huán)境。再者，內(nèi)容附著力是指被傳播信息的自身特征，受眾在接觸傳播信息時，產(chǎn)生的參與行為離不開信息特征的引導。通過文獻收集發(fā)現(xiàn)，流行三要素常用于微博信息傳播研究，文章皆從用戶、環(huán)境、內(nèi)容3個層面分析信息傳播效果的影響因素，趙蓉英等[20]將微博發(fā)布人信息，包括粉絲數(shù)、關注數(shù)、已發(fā)微博數(shù)作為關鍵人物要素，將微博發(fā)布時間，如距實驗天數(shù)作為環(huán)境威力要素，將微博基本信息，包括轉(zhuǎn)發(fā)數(shù)、評論數(shù)、贊數(shù)作為內(nèi)容附著力要素?？纶S[21]在借鑒流行三要素的基礎上總結(jié)出了影響微博信息傳播的16個因素，其中包括粉絲數(shù)、轉(zhuǎn)發(fā)率、用戶認證、微博內(nèi)容長度、發(fā)表時間段等。本文的研究對象B站滿足關鍵人物、環(huán)境威力、內(nèi)容附著力三要素法則，因此將流行三要素納入視頻社交網(wǎng)絡平臺研究是可行的，參考以上研究并結(jié)合研究平臺的實際結(jié)構(gòu)特征，可細分每個層面包含的可進行量化的具體影響因素。

3 ?研究設計與研究假設

本研究借鑒5W模式，即B站的視頻信息傳播過程由視頻創(chuàng)作者（who）、視頻信息和創(chuàng)作者信息（what）、B站平臺（which）、視頻受眾（whom）、熱度（what effect）5個要素組成，構(gòu)建了B站視頻傳播熱度形成的過程模型，見圖1。從該過程模型中，結(jié)合流行三要素理論，篩選出影響視頻熱度的平臺結(jié)構(gòu)上的影響因素，從創(chuàng)作者屬性和視頻屬性進行分析假設。

3.1 ?關鍵人物與視頻熱度

根據(jù)B站平臺指標分布將關鍵人物——創(chuàng)作者特征劃分為個人屬性、社會屬性以及平臺屬性。

從視頻創(chuàng)作者的個人屬性來看，每位視頻創(chuàng)作者以賬號昵稱給予受眾直觀的初級印象，再者通過個人簡介進行深入描述，受眾通常會根據(jù)自身需求對創(chuàng)作者信息進行有效查看，有選擇性地產(chǎn)生信息行為或忽略[11]。M. Moussai等[22]認為信息數(shù)量會影響社會用戶群體的關注度，UP主的自我投稿數(shù)量和關注數(shù)量增多，則會增加其視頻的曝光率。本文旨在分析基于平臺的熱度的直接影響因素，為排除其他因素干擾，UP簡介描述長度、昵稱長度、投稿數(shù)、關注數(shù)這些個人屬性將作為控制變量引入模型。

從視頻創(chuàng)作者的社會屬性來看，粉絲數(shù)是表征一個用戶受關注程度及其自身社會認知的最直接客觀的變量。叢挺等[23]證明了作品粉絲數(shù)與獲贊數(shù)之間存在顯著的正向相關關系;而微博信息的傳播效果也受粉絲數(shù)量影響，粉絲數(shù)每增加1萬，轉(zhuǎn)發(fā)量可增加8次[20]。視頻創(chuàng)作者的粉絲越多，粉絲的參與行為也會增多，其視頻熱度會隨之大大提升。基于此，提出以下假設：

H1a：視頻創(chuàng)作者的粉絲數(shù)對視頻熱度產(chǎn)生顯著的正向影響。

從視頻創(chuàng)作者的平臺屬性來看，B站平臺的獎勵機制會加強視頻創(chuàng)作者與視頻受眾之間的互動，如身份認證機制、會員機制等[24]。進行B站身份認證的優(yōu)勢包括：認證專屬標識可以彰顯權(quán)威身份;視頻可以被優(yōu)先搜索到，增加曝光機會。有研究顯示信源可信程度在傳播過程中有著顯著的影響[25-26]，是否認證是其可信度的判斷標準，會直接影響到用戶是否關注及后續(xù)信息傳播效果，可信度越高的用戶接受和傳播的可能性就越高。獲取會員特權(quán)可以收獲更多的付費視頻內(nèi)容，為UP主的自我創(chuàng)作提供更優(yōu)質(zhì)的素材與靈感，其高質(zhì)量的視頻內(nèi)容能吸收更多的熱度，也可自定義上傳個性化圖片裝扮個人空間。有研究表示帶有圖片的內(nèi)容信息更容易被轉(zhuǎn)發(fā)和評論[27]。基于此，提出以下假設：

H1b：視頻創(chuàng)作者的會員身份對視頻熱度產(chǎn)生顯著的正向影響。

H1c：視頻創(chuàng)作者進行個人認證對視頻熱度產(chǎn)生顯著的正向影響。

H1d：視頻創(chuàng)作者個人認證數(shù)量對視頻熱度產(chǎn)生顯著的正向影響。

3.2 ?環(huán)境威力與視頻熱度

在網(wǎng)絡環(huán)境中，一條信息發(fā)布后獲得的關注度具有累積效應，網(wǎng)絡文章的生命周期符合對數(shù)正態(tài)分布[28]，一般情況下，文章發(fā)布后6小時內(nèi)獲得的傳播和關注最多，24小時以后迅速衰減。當視頻的發(fā)布日期與數(shù)據(jù)被采集日期間隔大于3個月，假定視頻各項指標數(shù)據(jù)已基本保持穩(wěn)定，以保證統(tǒng)計數(shù)據(jù)的可靠性[27]。本文參考以上研究，設定B站視頻傳播過程中環(huán)境威力的影響因素包括視頻在一天內(nèi)的發(fā)布時段、發(fā)布距今天數(shù)。人類的生活大致分為3種狀態(tài)，即工作狀態(tài)、空閑狀態(tài)、睡眠狀態(tài)[20]，生產(chǎn)活動受這3種狀態(tài)限制，方婧的研究也表示晨起上班、下班后、睡前，在這些時間段里所發(fā)的內(nèi)容更容易被用戶瀏覽，有助于增加轉(zhuǎn)發(fā)傳播的概率[11]。因此視頻發(fā)布時段變得尤為重要，視頻熱度獲取需迎合視頻受眾的空閑時間?；诖耍岢鲆韵录僭O：

H2a：視頻發(fā)布時間處于人們生活空閑狀態(tài)，則視頻熱度整體較高。

H2b：視頻發(fā)布時間處于人們生活睡眠狀態(tài)，則視頻熱度整體較低。

3.3 ?內(nèi)容附著力與視頻熱度

B站視頻傳播的內(nèi)容附著力影響因素主要是視頻屬性。從視頻屬性來看，一條視頻的發(fā)布附有標題、標簽、描述以及時長。標題是一條視頻直觀的信息輸出，是視頻內(nèi)容的重點提煉，長度越長，越會使受眾產(chǎn)生排斥。標簽是對視頻稿件更加準確具體、更多維度的關鍵內(nèi)容標記，能夠自由、精準地補全視頻稿件的信息。準確的標簽，讓視頻自動歸類，使視頻受眾快速搜索到視頻內(nèi)容;合適的標簽，使得視頻能夠更有效地曝光，為視頻增加被訪問的機會[29]。視頻描述可以明確展示視頻中涉及的相關元素，如背景音樂、視頻來源、UP主的衣著穿搭等，是對視頻附屬品的補充，描述文本越長，說明該創(chuàng)作者的知識質(zhì)量水平越高[30]?；ヂ?lián)網(wǎng)及新媒體帶來的信息爆炸致使受眾注意力成為稀缺資源，視頻內(nèi)容供給過剩與受眾注意力資源稀缺間的張力要求視頻類信息必須在短時間內(nèi)抓住用戶[31]，而視頻播放時長過長，使視頻受眾的碎片化時間無法得以高效利用?；诖?，提出以下假設：

H3a：視頻的標題長度對視頻熱度產(chǎn)生顯著的負向影響。

H3b：視頻的標簽個數(shù)對視頻熱度產(chǎn)生顯著的正向影響。

H3c：視頻的描述長度對視頻熱度產(chǎn)生顯著的正向影響。

H3d：視頻的播放時長對視頻熱度產(chǎn)生顯著的負向影響。

綜上，筆者將視頻創(chuàng)作者的平臺屬性、社會屬性與視頻屬性作為自變量，視頻環(huán)境的3個狀態(tài)作為分組變量，以及將視頻創(chuàng)作者的個人屬性作為控制變量，整體探討視頻熱度的影響因素，構(gòu)建B站視頻熱度影響因素模型，見圖2，并對不同生活狀態(tài)下的視頻熱度影響因素進行比較分析。

4.1 ?研究方法與變量定義

本文綜合應用SPSS 25與Stata 15.1軟件，首先對視頻受眾的行為屬性指標進行主成分分析以進行視頻熱度的衡量，其次對視頻熱度進行影響因素的整體回歸，最后以視頻發(fā)布時段為分組變量，進行分組回歸，并對相關數(shù)據(jù)進行描述性統(tǒng)計、相關性分析等。具體的變量測量見表1，將視頻發(fā)布時段詳細劃分為3個階段：工作狀態(tài)為8：00-12：00、14：00-18：00，賦值為1;空閑狀態(tài)為12：00-14：00、18：00-24：00，賦值為2;睡眠狀態(tài)為24：00-8：00，賦值為3。

4.2 ?樣本選擇與數(shù)據(jù)來源

B站用戶體量大、交互性強，在活躍用戶長期留存率方面也高于其他在線視頻平臺，作為在線視頻網(wǎng)站的強勢影響力可見一斑，極具研究價值。視頻傳播過程中，視頻內(nèi)容本身對視頻熱度產(chǎn)生一定的影響[32]，因此為了拓展研究的普適性，在18個視頻分區(qū)中，分別進行頁面信息翻頁爬取，鑒于W. Guan[33]、陽德青等[34]證實了信息發(fā)布時間會影響群體關注度，且關注度隨著時間呈現(xiàn)冪律下降趨勢，利用八爪魚軟件采集數(shù)據(jù)后，篩選出視頻發(fā)布日期距采集日期（2020年12月11日至22日）3個月以上的數(shù)據(jù)集，同時剔除官方賬號發(fā)布的視頻，以排除節(jié)假日、突發(fā)事件等導致短期內(nèi)視頻發(fā)布量的大量上升，彈幕量、點贊量等飆升而造成的分析偏差[27]。經(jīng)過篩選，去除無效值、缺失值等，最終獲取5 200條數(shù)據(jù)。

4.3 ?視頻熱度衡量

一鍵三連是B站推出的激勵UP主的一種特色方式，分別為點贊、投幣、收藏，一鍵三連可以幫助UP主獲得視頻推薦以及上熱門的機會，對于瀏覽量也起著至關重要的作用，由此來獲得更多的關注度，擴大傳播規(guī)模和影響力，因此視頻熱度離不開點贊、投幣、收藏的數(shù)據(jù)支持，基于B站的強互動性，受眾行為指標還包括瀏覽量、轉(zhuǎn)發(fā)量、評論量、彈幕量，基于以往研究的衡量標準并考慮到熱度衡量的全面性，本文采用主成分分析法將視頻熱度（Popularity）采用視頻受眾的行為指標即瀏覽量（Views）、彈幕量（Danmu）、點贊量（Likes）、投幣量（Coins）、收藏量（Collections）、轉(zhuǎn)發(fā)量（Forwards）、評論量（Comments）來綜合衡量。

將7個指標原始數(shù)據(jù)標準化后，經(jīng)過KMO和巴特利特檢驗，KMO值為0.820，大于0.8，且對應P值為0，小于0.05，數(shù)據(jù)通過Bartlett 球形度檢驗，說明研究數(shù)據(jù)適合進行主成分分析。主成分分析一共提取出1個主成分，特征值為4.995（大于1），方差解釋率為71.358%，累計方差解釋率為71.358%，由此可知衡量熱度的7個變量具有很強的相關性。因與預期有所差距，筆者將主成分設置為3個，其特征值分別是4.995、0.686、0.592，方差解釋率分別是71.358%、9.796%、8.462%，累計方差解釋率分別是71.358%、81.154%、89.616%，其對應加權(quán)后方差解釋率即權(quán)重依次為79.63%、10.93%、9.44%。

5 ?實證結(jié)果分析與假設檢驗

5.1 ?描述性統(tǒng)計與相關性分析

對各變量進行描述性統(tǒng)計，了解其數(shù)據(jù)特征，具體見表4。以視頻發(fā)布時段（Uploadperiod）為分組變量進行視頻熱度的簡單描述性統(tǒng)計，了解視頻熱度在不同的發(fā)布時段的特征，具體見表5。由表可知，工作狀態(tài)（Uploadperiod=1）的數(shù)據(jù)波動最大;空閑狀態(tài)（Uploadperiod=2）的視頻發(fā)布數(shù)量最多，熱度整體最高;睡眠狀態(tài)（Uploadperiod=3）視頻發(fā)布數(shù)量最少，熱度整體最低。由此，假設H2a、H2b均成立。

對控制變量、自變量和因變量進行相關性分析，探索每個變量之間影響關系的密切程度，相關性分析結(jié)果見表6。此外，方差膨脹因子（VIFS均小于10）檢驗表明變量不存在多重共線性問題。

根據(jù)模型一二三中的回歸結(jié)果，從以下3個方面進行解釋分析：

（1）視頻創(chuàng)作者社會屬性方面：粉絲數(shù)（Fans）的回歸系數(shù)皆為正（分別為0.158、0.164、0.164），顯著性皆為0.000（<0.01），意味著粉絲數(shù)對視頻熱度產(chǎn)生顯著的正向影響，假設H1a成立。

（2）視頻創(chuàng)作者平臺屬性方面：①是否是會員（Im）的回歸系數(shù)皆為負（分別為-0.020、-0.031、-0.010），顯著性皆大于0.05（分別為0.116、0.126、0.585），意味著是否是會員并不會對視頻熱度產(chǎn)生影響關系，可能是因為目前B站的會員門檻不高，除了視頻創(chuàng)作者，大部分的視頻受眾也可輕易成為會員，因此對視頻發(fā)布者是否是會員并不過多關注，從而不能夠影響視頻熱度，假設H1b不成立。②是否個人認證（Ipi）的回歸系數(shù)皆為正（分別為0.089、0.055、0.125），在模型一三中顯著性皆小于0.01（分別為0.002、0.001），在模型二中顯著性大于0.05（為0.222），意味著在空閑狀態(tài)個人認證對視頻熱度產(chǎn)生顯著的正向影響，假設H1c成立;在工作狀態(tài)個人認證對視頻熱度不產(chǎn)生影響關系，假設H1c不成立，可能是因為視頻受眾處于工作狀態(tài)，休息時間急促，不會在意視頻創(chuàng)作者的個人認證狀況，但在總體模型一中，顯著性小于0.01，即個人認證對視頻熱度產(chǎn)生顯著的正向影響，假設H1c部分成立。③個人認證數(shù)量（Pcm）的回歸系數(shù)皆為正（分別為0.221、0.221、0.209），顯著性皆為0.000（<0.01），意味著個人認證數(shù)量對視頻熱度產(chǎn)生顯著的正向影響，假設H1d成立。

（3）視頻屬性方面：①標題長度（Titlel）的回歸系數(shù)皆為負（分別為-0.280、-0.245、-0.301），顯著性皆為0.000（<0.01），意味著標題長度對視頻熱度產(chǎn)生顯著的負向影響，假設H3a成立。②標簽個數(shù)（Vln）的回歸系數(shù)皆為負（分別為-0.052、-0.056、-0.050），顯著性皆小于0.01（分別為0.000、0.003、0.003），意味著標簽個數(shù)對視頻熱度產(chǎn)生顯著的負向影響，假設H3b不成立，可能是因為視頻創(chuàng)作者對于視頻標簽的濫用，一個簡短的視頻添加太多的標簽，反而適得其反。③視頻描述長度（Vil）的回歸系數(shù)皆為正（分別為0.039、0.049、0.036），顯著性皆小于0.05（分別為0.001、0.010、0.032），意味著視頻描述長度對視頻熱度產(chǎn)生顯著的正向影響，假設H3c成立。④視頻播放時長（Duration）在不同模型中的回歸系數(shù)有正有負（分別為0.007、-0.005、0.026），顯著性皆大于0.05（分別為0.558、0.779、0.118），意味著視頻播放時長對視頻熱度不產(chǎn)生影響關系，這可能是因為視頻受眾可以對視頻進行倍速觀看，或者手動快進等來選擇想要觀看的某一段視頻內(nèi)容，因此播放時長對視頻熱度沒有什么影響，假設H3d不成立。

在模型四中，用戶處于睡眠狀態(tài)，除了視頻標題長度會對視頻熱度產(chǎn)生顯著的負向影響之外（回歸系數(shù)為-0.333，顯著性0.000<0.01），其他變量對視頻熱度不產(chǎn)生影響關系，此結(jié)果也與實際相符，在睡眠時間里，不僅視頻創(chuàng)作者的視頻上傳量會大大減少，視頻受眾也很少會進行視頻觀看而產(chǎn)生信息行為影響視頻熱度，由此進一步驗證了假設H2b。

5.3 ?研究結(jié)論與意義

本研究基于流行三要素理論，從關鍵人物、環(huán)境威力以及內(nèi)容附著力來考慮B站視頻熱度的影響因素，分別從視頻創(chuàng)作者的平臺屬性、社會屬性以及視頻的結(jié)構(gòu)屬性出發(fā)對視頻熱度進行回歸分析，其模型四符合客觀實際，模型二、模型三的比較分析發(fā)現(xiàn)不同狀態(tài)下的視頻受眾只對個人認證指標的關注不一致，也符合生活實際，此回歸方法使得模型更穩(wěn)健。分析結(jié)果表明：①用戶生活作息主導視頻熱度高低。這與方婧、王迪等學者的研究結(jié)論相似，但本文針對視頻社交平臺用戶活躍度有更明確的時間狀態(tài)劃分，信息傳播是根據(jù)用戶的作息時間來選擇的，視頻發(fā)布時間的差異對視頻熱度產(chǎn)生的影響是相對較大的。②視頻熱度受創(chuàng)作者的社會影響（粉絲數(shù)）顯著。這與劉行軍、趙蓉英等學者的研究結(jié)果一致，雖處于不同的研究平臺，但創(chuàng)作者擁有更多的粉絲，發(fā)布的內(nèi)容就能夠得到更多的信息參與。③視頻創(chuàng)作者的身份權(quán)威性更易獲得受眾關注，帶來視頻熱度。這與S. W. Sussman、孫婷婷等學者的研究結(jié)論類似，本文更全面地收集了創(chuàng)作者的身份特征，根據(jù)用戶的身份特征，受眾可以推斷信源可信度，對創(chuàng)作者形成印象，感知創(chuàng)作者和內(nèi)容的可信程度，進而可以影響視頻熱度。④視頻各項結(jié)構(gòu)屬性的合理規(guī)劃更易獲得受眾青睞，獲得視頻熱度。創(chuàng)作者在視頻發(fā)布時設置合適的標題長度、明確的標簽以及視頻內(nèi)容的解釋說明，方便對受眾進行信息指引。本研究拓展了用戶參與、視頻熱度、視頻結(jié)構(gòu)等相關領域的研究，使得創(chuàng)作者對視頻發(fā)布時視頻布局設置、自我展示的屬性設置有了更深的了解，對創(chuàng)作者的發(fā)展以及平臺的發(fā)展有著重要的實踐意義，其理論意義在于將5W模式和流行三要素納入視頻社交網(wǎng)絡平臺的熱度研究上，并不同于以往的受眾研究視角，從創(chuàng)作者、視頻結(jié)構(gòu)屬性視角挖掘視頻熱度的影響因素，豐富了信息傳播領域的研究內(nèi)容，也為今后相關領域的信息傳播研究提供理論參考。

6 ?改善建議與研究展望

針對分析結(jié)果，為視頻創(chuàng)作者以及B站平臺提供以下改善建議：

（1）把握視頻發(fā)布時間?？紤]到視頻的上傳后臺審核時間，視頻創(chuàng)作者應多選擇在用戶的生活空閑狀態(tài)進行視頻的成功發(fā)布，以迎合大眾的生活作息時間，為視頻爭取更多的熱度。

（2）注重個人自我展示。視頻創(chuàng)作者應積極展示自己的權(quán)威身份，進行有效個人認證，以獲得視頻受眾的信任感與認可度。

（3）合理規(guī)劃視頻結(jié)構(gòu)配置。視頻創(chuàng)作者應規(guī)范使用視頻標簽，以達到引流的目的;精準簡潔地設置視頻標題，以滿足視頻受眾的碎片化時間;在視頻描述里概括解釋視頻內(nèi)容，以吸引視頻受眾眼球。

本研究也存在一定的局限性，研究從客觀數(shù)據(jù)出發(fā)，忽略了視頻用戶的主觀情感對視頻熱度的影響，缺乏對評論與彈幕中的文字內(nèi)容、語言風格等因素進行定性分析;也忽略了諸如文化氛圍、信息技術等信息傳播外部環(huán)境對傳播過程的影響。在數(shù)據(jù)整理方面，未采集用戶人口統(tǒng)計學數(shù)據(jù)進行視頻熱度的影響因素研究;也未剔除周末數(shù)據(jù)造成的周末效應，有研究表明周末注入的視頻數(shù)量比在一周內(nèi)注入的視頻數(shù)量多[3]，由此可能會造成研究偏差。因此后續(xù)研究可針對上述不足進一步探索和完善。

參考文獻：

嗶哩嗶哩. Bilibili Inc. announces second quarter 2021 financial results [EB/OL]. [2021-10-12]. https： // ir.bilibili.com/.

SZABO G， HUBERMAN B A. Predicting the popularity of online content [J]. Communications of the ACM， 2010， 53（8）： 80-88.

JIA A L， SHEN S Q， LI D S， et al. Predicting the implicit and the explicit video popularity in a user generated content site with enhanced social features [J]. Computer networks， 2018， 140： 112-125.

相甍甍， 王晰巍， 郭順利. 高校圖書館微信公眾號信息傳播效果的影響因素分析 [J]. 現(xiàn)代情報， 2018， 38（3）： 37-44.

OUYANG S X， LI C Y， LI X M. Analyzing the dynamics of online video popularity [J]. The journal of China universities of posts and elecommunications， 2017，24（3）： 58-69.

巫霞， 馬亮. 政務短視頻的傳播力及其影響因素： 基于政務抖音號的實證研究 [J]. 電子政務， 2019（7）： 22-30.

張燕， 韋欣宜， 尹琰. 《新聞聯(lián)播》快手短視頻內(nèi)容與傳播熱度影響因素探究 [J]. 電視研究， 2020（8）： 73-76.

王霞， 梁棟. 彈幕數(shù)量和彈幕情感強度對視頻流行度的影響 [J]. 營銷科學學報， 2019， 15（2）： 132-156.

馬藝丹， 劉佳煒. 吃播視頻熱度相關因素研究——基于嗶哩嗶哩彈幕視頻平臺的內(nèi)容分析 [C]//醫(yī)療、人文、媒介——“健康中國”與健康傳播2020國際學術研討會論文集. 北京：北京大學新聞與傳播學院，2020： 16.

愛奇藝在線視頻網(wǎng)站 [EB/OL]. [2021-10-18]. https： //www.iqiyi.com/.

方婧， 陸偉. 微信公眾號信息傳播熱度的影響因素實證研究 [J]. 情報雜志， 2016， 35（2）： 157-162.

吳中堂， 劉建徽， 唐振華. 微信公眾號信息傳播的影響因素研究 [J]. 情報雜志， 2015， 34（4）： 122-126.

紀慧生， 蔡東妮. 微信公眾號信息傳播影響因素分析 [J]. 集美大學學報（哲社版）， 2016， 19（4）： 107-115.

劉行軍， 甘春梅， 王偉軍. 基于U&G理論的微博信息傳播影響因素實證分析 [J]. 情報科學， 2016， 34（3）： 139-144.

SCHEIBE K， FIETKIEWICZ K J， STOCK W G. Information behavior on social live streaming services [J]. Journal of information science theory and practice， 2016， 4（2）： 6-20.

Zimmer F， SCHEIBE K， STOCK W G. A model for information behavior research on social live streaming services （SLSSs） [C]. Cham： Springer International Publishing， 2018： 429-448.

DENG T， ZHANG Z， MING Q. Social media video popularity evolution analyzing based on information spreading model [C]//Proceedings of 2015 6th IEEE international conference on software engineering and service science （ICSESS）. Beijing： ICSESS， 2015： 1143-1147.

MA C S， YAN Z S， CHEN C W . LARM： a lifetime aware regression model for predicting YouTube video popularity [C]// Proceedings of the 2017 ACM on conference on information and knowledge management. New York： ACM， 2017： 467-476.

邢雨晴， 劉紅翠， 周瑞， 等. 微博信息傳播模式及其應用的實證研究的文獻綜述 [J]. 中國外資， 2012（18）： 275，277.

趙蓉英， 曾憲琴. 微博信息傳播的影響因素研究分析 [J]. 情報理論與實踐， 2014， 37（3）： 58-63.

柯赟. 新浪微博信息傳播的影響因素分析與效果預測 [J]. 現(xiàn)代情報， 2016， 36（3）： 22-26.

MOUSSAID M， HELBING D， THERAULAZ G. An individual-based model of collective attention [J/OL]. [2021-12-10]. https： //arxiv.org/ftp/arxiv/papers/0909/0909.2757.pdf.

叢挺， 楊圣琪. 移動場景下出版機構(gòu)短視頻傳播實證分析 [J]. 中國出版， 2020（6）： 3-7.

FIETKIEWICZ K J， STOCK W G. Introduction to the minitrack on live streaming services [C]// Proceedings of the 52nd Hawaii international conference on system sciences. Honolulu： HICSS （ScholarSpace）， 2019： 2536-2537.

SUSSMAN S W， SIEGAL W S. Informational influence in organizations： an integrated approach to knowledge adoption [J]. Information systems research， 2003， 14（1）： 47-65.

孫婷婷. 移動短視頻傳播效果影響因素研究 [D].哈爾濱： 哈爾濱工業(yè)大學，2019.

商麗麗， 王濤. 基于用戶信息行為的微信健康信息關注度研究 [J]. 情報科學， 2019， 37（8）： 132-138.

MACKAY D. An example inference task： clustering[M]. Cambridge： Cambridge University Press， 2003.

楊玉宇， 張鵬翼. 視頻社會化標引與標引娛樂化研究——以嗶哩嗶哩彈幕網(wǎng)為例 [J]. 圖書情報工作， 2020， 64（8）： 125-133.

馮悅. 支持混音的OIC中用戶貢獻水平影響因素與用戶分類研究 [D]. 鎮(zhèn)江： 江蘇科技大學，2019.

陳強， 張楊一， 馬曉悅， 等. 政務B站號信息傳播效果影響因素與實證研究 [J]. 圖書情報工作， 2020， 64（22）： 126-134.

趙楊， 宋倩， 高婷. 高校圖書館微博信息傳播影響因素研究——基于新浪微博平臺 [J]. 圖書館論壇， 2015， 35（1）： 93-99.

GUAN W Q， GAO H Y， YANG M M， et al. Analyzing user behavior of the micro-blogging website Sina Weibo during hot social events [J]. Physica A： atatistical mechanics and its applications， 2014， 395： 340-351.

陽德青， 肖仰華， 汪衛(wèi). 基于統(tǒng)計模型的社會網(wǎng)絡群體關注度的分析與預測 [J].計算機研究與發(fā)展，2010（47）： 378-384.

作者貢獻說明：

嵇海香：負責論文選題與構(gòu)思，進行文獻整理、數(shù)據(jù)收集與分析，撰寫初稿;

任 ?南：提出論文修改意見，指導梳理文章邏輯，參與論文修訂。

Absrtact： [Purpose/significance] This study explores the non content influencing factors of the video popularity of the typical bullet screen video website BiliBili website （hereinafter referred to as station B）， and analyzes the possible impact on the video popularity from the perspectives of video attributes， the creator’s platforms and social attributes， so as to provide some guidances for the future development of users and platforms of station B and other relevant new media video websites. [Method/process] The formation process model of video popularity was constructed based on 5W mode， and the influencing factor model of video popularity was constructed based on the popular three element theory. Through crawling objective data， the heat index was measured by principal component analysis， and the influencing factors were empirically studied by multiple regression. [Result/conclusion] The personal authentication， the number of fans and authentications of video creators and the length of the video description have a significant positive impact on the video popularity; The length of the video title has a significant negative impact on the video popularity. Videos released in the idle state of life are generally hot; And videos released in sleep， the overall heat is low.

Keywords： BiliBili website ? ?video popularity ? ?5W mode ? ?three elements of popularity ? ?empirical analysis

3885500589269