王志剛 邱長(zhǎng)波

(吉林大學(xué)管理學(xué)院 長(zhǎng)春 130022)

0 引 言

隨著服務(wù)型政府建設(shè)的推進(jìn)，我國從中央到地方的各級(jí)政府都在積極推進(jìn)電子政務(wù)的發(fā)展，實(shí)現(xiàn)政府改革。政務(wù)微博是政府向公眾提供服務(wù)、建立聯(lián)系的重要平臺(tái)。政務(wù)微博的使用提升了政府的信息受眾面，擴(kuò)大了政策的社會(huì)影響力，還有利于實(shí)現(xiàn)政府透明化。對(duì)于公民來說，政務(wù)微博為公眾發(fā)聲提供了便利的條件，因此公眾的參政意識(shí)逐漸提高，對(duì)于接觸到的政治問題和社會(huì)事件，都會(huì)傾向于表達(dá)自己觀點(diǎn)和情感。普通用戶作為政務(wù)微博公眾參與的主體，對(duì)公眾參與效果起到?jīng)Q定性作用，而用戶在參與過程中的行為、表達(dá)的觀點(diǎn)等與用戶自身的特征和其他用戶有著緊密的聯(lián)系。因此對(duì)參與用戶的評(píng)論進(jìn)行分析，有助于了解用戶特征和用戶行為之間的關(guān)系。如能對(duì)用戶社群進(jìn)行分析，綜合考慮每個(gè)社群多方面的用戶特征，就能針對(duì)不同類型的用戶采取不同的管理策略，從而提高公眾參與效果。

本文對(duì)用戶評(píng)論進(jìn)行主題分析，基于用戶的主題偏好將用戶分為多個(gè)群體，并提取出每個(gè)用戶群體的典型特征，最終抽象出不同用戶群體的全貌，有助于政府了解不同用戶群體的特征和需求，對(duì)決策的制定具有重要意義。

1 文獻(xiàn)回顧

1.1政務(wù)微博用戶研究目前，對(duì)于政務(wù)微博用戶的研究，主要為用戶的整體研究，比如用戶行為、用戶情感、用戶滿意度等。有學(xué)者基于用戶行為主觀數(shù)據(jù)和客觀數(shù)據(jù)，從使用與滿足理論[1]、持續(xù)使用理論[2-3]、技術(shù)接受理論[4]、刺激-響應(yīng)理論[5]的角度構(gòu)建了模型，研究了公眾參與行為的影響因素，并實(shí)現(xiàn)了用戶參與行為的預(yù)測(cè)。舒華麗和紀(jì)雪梅選取了人民網(wǎng)輿情中心發(fā)布的影響力較大的幾個(gè)政務(wù)微博，分析了不同議題、不同態(tài)度、不同語氣對(duì)公眾情感的影響[6-7]；石國良通過對(duì)微博評(píng)論進(jìn)行內(nèi)容分析，探索網(wǎng)民對(duì)于“弱”議題輿論引導(dǎo)的情感取向并分析原因[8]；熊杰構(gòu)建了政務(wù)微博評(píng)論用戶情緒反應(yīng)模型，驗(yàn)證了公眾情緒的影響因素[9]。魏姮清對(duì)某事件中相關(guān)公安政務(wù)微博的評(píng)論進(jìn)行網(wǎng)絡(luò)爬蟲和情感時(shí)序的分析,用以發(fā)現(xiàn)公安政務(wù)微博在應(yīng)對(duì)熱點(diǎn)輿情事件時(shí)存在的問題[10]。孫曉燕建立了公眾感知角度的政府形象評(píng)價(jià)指標(biāo)體系,選擇4個(gè)政務(wù)微博作為實(shí)驗(yàn)微博,檢驗(yàn)了使用政務(wù)微博是否對(duì)公眾感知政府形象產(chǎn)生影響[11]；鄒凱借鑒經(jīng)典顧客滿意度模型,結(jié)合政務(wù)微博服務(wù)的基本特點(diǎn),構(gòu)建了政務(wù)微博服務(wù)公眾滿意度指數(shù)模型,對(duì)推進(jìn)電子政務(wù)戰(zhàn)略計(jì)劃和重構(gòu)政府話語權(quán)具有重要意義[12]。

1.2畫像研究用戶畫像是建立在用戶一系列數(shù)據(jù)的目標(biāo)模型[13]，最初常被用于精準(zhǔn)營(yíng)銷[14]。目前學(xué)者對(duì)畫像的研究可以分為三個(gè)流派：用戶畫像行為流派、用戶畫像社交媒體流派和用戶畫像興趣流派[15]。目前，使用用戶的社交媒體數(shù)據(jù)進(jìn)行畫像研究，已經(jīng)有了較為豐富的成果。劉海鷗圍繞人類動(dòng)力學(xué)研究視角構(gòu)建了在線社交用戶的輿情畫像模型，對(duì)在線社交用戶信息傳播行為特征進(jìn)行了實(shí)證分析，為網(wǎng)絡(luò)輿情生態(tài)環(huán)境的完善提供參考[16]；徐海玲以“豆瓣”電影為例，分別構(gòu)建用戶畫像和資源畫像模型，為社交媒體的資源聚合提供新的思路[17]；安璐使用基于相關(guān)性的LDA主題模型提取微博主題，從用戶特征和文本特征兩個(gè)角度構(gòu)建指標(biāo)體系，并采用兩步聚類刻畫微博用戶特征，分析發(fā)布微博用戶和評(píng)論用戶的異同[18]；任中杰提出一種基于微博情感分析和用戶畫像的突發(fā)事件情感預(yù)測(cè)模型，通過用戶畫像實(shí)現(xiàn)了公眾情感傾向性的預(yù)測(cè)[19]；張亞楠抓取了國內(nèi)科研社交平臺(tái)科研之友上的科研人員相關(guān)科研行為數(shù)據(jù)，借助深度學(xué)習(xí)自動(dòng)從數(shù)據(jù)中提取高度抽象特征的特點(diǎn)，結(jié)合全局信息構(gòu)建科研人員的立體精準(zhǔn)畫像[20]?？梢姡脩舢嬒窨梢詮挠脩舻囊幌盗袛?shù)據(jù)中提取出群體的典型特征，進(jìn)而描繪出不同群體的全貌。

以上的研究也能看出，政務(wù)微博參與用戶的研究多為整體研究，但忽略了用戶之間的特征差異，缺乏對(duì)用戶社群的特征研究，其成果并不能精準(zhǔn)的了解不同群體用戶的需求，而用戶畫像的研究方法可以將用戶進(jìn)行分類，提取出每個(gè)細(xì)分群體的典型特征，進(jìn)而刻畫出不同群體的全貌，可以幫助政府了解到不同群體用戶的需求，從而更加精準(zhǔn)的進(jìn)行決策。

2 用戶畫像構(gòu)建流程設(shè)計(jì)

用戶畫像的構(gòu)建涉及到兩個(gè)關(guān)鍵的過程：首先是實(shí)現(xiàn)用戶的分類；其次是采用合理的方法提取出每類用戶的特征，構(gòu)建用戶畫像。

目前關(guān)于用戶畫像的研究，多采用定性分析實(shí)現(xiàn)用戶的分類，通過用戶特征的相似性對(duì)個(gè)體進(jìn)行劃分。而在微博平臺(tái)上，用戶的興趣對(duì)其在社交平臺(tái)上的行為具有更大的影響，而評(píng)論內(nèi)容往往能體現(xiàn)出用戶感興趣的內(nèi)容。社會(huì)認(rèn)同理論認(rèn)為，個(gè)體會(huì)根據(jù)自身認(rèn)知實(shí)現(xiàn)自我分類，認(rèn)為自己擁有該群體成員的普遍特征，同樣，微博用戶在使用過程中也會(huì)認(rèn)知所處的虛擬網(wǎng)絡(luò)并實(shí)現(xiàn)自我歸類，這種歸類主要依賴于自身的興趣愛好[21]。本文基于社會(huì)認(rèn)同理論，按照用戶的興趣，即主題偏好，實(shí)現(xiàn)用戶的群體分類。相較于其他方法，基于主題的畫像方法可以增強(qiáng)畫像特征的多樣性。

此外，用戶分類可以采用多維標(biāo)度法(MDS)，相比于聚類分析、關(guān)聯(lián)規(guī)則、決策樹、協(xié)同過濾等常用方法[22-23]，多維標(biāo)度法可以通過各種途徑把高維的研究對(duì)象轉(zhuǎn)化成低維情形進(jìn)行定位、分析和歸類，還能繼續(xù)保留對(duì)象間的原始關(guān)系。同時(shí)也是一種可視化方法，實(shí)踐中通常利用2D或3D的MDS結(jié)果觀察點(diǎn)的分布和聚集來研究數(shù)據(jù)的性質(zhì)[24-25]。具體地說,多維標(biāo)度法是以研究對(duì)象之間某種親近關(guān)系為依據(jù)(如距離、相似系數(shù)，親疏程度的分類情況等)，合理地將研究對(duì)象在低維空間中給出標(biāo)度或位置，以便全面而又直觀地再現(xiàn)原始各研究對(duì)象之間的關(guān)系，同時(shí)在此基礎(chǔ)上也可按對(duì)象點(diǎn)之間距離的遠(yuǎn)近實(shí)現(xiàn)對(duì)樣品的分類。多維標(biāo)度法能彌補(bǔ)聚類分析、關(guān)聯(lián)規(guī)則等方法的不足之處，因?yàn)榫垲惙治觥㈥P(guān)聯(lián)規(guī)則將相似的樣品歸類，最后得到一個(gè)反映樣品親疏關(guān)系的譜系圖，雖然比較簡(jiǎn)便易行，但是，其缺點(diǎn)是將一些高維的樣品強(qiáng)行納入一個(gè)一維的譜系分類中，常常使原始樣品之間的關(guān)系簡(jiǎn)單化，甚至有時(shí)失真。而多維標(biāo)度法是將幾個(gè)高維研究對(duì)象，在近似的意義下，從高維約簡(jiǎn)到一個(gè)較低維的空間內(nèi)，并且尋求一個(gè)最佳的空間維數(shù)和空間位置而仍保持各研究對(duì)象數(shù)據(jù)的原始關(guān)系。對(duì)于群體用戶的特征提取，可以使用Logistic回歸模型得到自變量和主題偏好之間的關(guān)系，通過變量的特殊取值，得到屬于某個(gè)群體最大概率的群體特征組合，作為用戶群體的典型特征。

根據(jù)以上的分析，本研究用戶畫像的流程圖如圖1所示，包括數(shù)據(jù)爬取、數(shù)據(jù)預(yù)處理、主題分析、群體分類以及特征提取5個(gè)部分。

圖1 政務(wù)微博評(píng)論用戶畫像分析流程

a.數(shù)據(jù)獲取。本研究在用戶畫像的構(gòu)建過程中，共需要獲取兩類數(shù)據(jù)，一類是政務(wù)微博的評(píng)論內(nèi)容，一類是評(píng)論用戶的屬性數(shù)據(jù)，包含性別、用戶等級(jí)、會(huì)員等級(jí)、關(guān)注數(shù)、粉絲數(shù)、是否認(rèn)證、總微博數(shù)等屬性。

b.數(shù)據(jù)預(yù)處理。爬取的用戶評(píng)論文本數(shù)據(jù)會(huì)存在一些對(duì)分析沒有用處的字符，所以需要對(duì)其進(jìn)行清洗。首先，去除文本中的 html 字符，這些字符是網(wǎng)頁數(shù)據(jù)所具有的，沒有實(shí)際意義；其次，對(duì)缺失數(shù)據(jù)、異常數(shù)據(jù)和重復(fù)數(shù)據(jù)進(jìn)行刪除和去重處理，清理后的文本可以作為用戶的偏好標(biāo)簽集合。

c.主題偏好標(biāo)簽。主題提取是自然語言處理中的一種，是采用計(jì)算機(jī)語言將非結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)的方法和工具，涉及到分詞、詞性標(biāo)注、文本分類[26]，其中LDA模型最為常用，是一種對(duì)于文本內(nèi)容進(jìn)行分析的方法[27]。LDA主題是基于“文檔-主題-詞”的三層貝葉斯模型，其中主題是一個(gè)概念，表現(xiàn)為一系列單詞的條件概率。當(dāng)使用LDA主題模型挖掘用戶主題偏好時(shí)，文檔表示用戶的標(biāo)簽集合，詞表示用戶的主題偏好標(biāo)簽，進(jìn)而得出用戶的主題-偏好標(biāo)簽的概率分布向量。

本文使用python的機(jī)器學(xué)習(xí)庫gensim對(duì)用戶的標(biāo)簽集合進(jìn)行分析，其中主題個(gè)數(shù)K由模型困惑度確定(perplexity)，困惑值越低，模型的性能越好，確定K值后，可以得到每個(gè)用戶的“偏好標(biāo)簽-主題”，即用戶ui的標(biāo)簽在各個(gè)主題下的概率pj，此時(shí)TPi={pi1,pi2,…,pik}，其中pik表示第i個(gè)用戶對(duì)第k個(gè)主題的偏好程度。

d.用戶群體分類。采用多維標(biāo)度法可以將用戶主題偏好的多維向量數(shù)據(jù)轉(zhuǎn)化為二維數(shù)據(jù)，在二維狀態(tài)下展現(xiàn)出所有用戶之間的相對(duì)位置，進(jìn)而將用戶目標(biāo)進(jìn)行分群，并進(jìn)行下一步的復(fù)雜行為分析。

e.用戶畫像特征提取。微博評(píng)論用戶的信息可以分為基本屬性(如性別、身份等)、活躍度屬性(用戶等級(jí)、微博數(shù)等)以及其他屬性(關(guān)注數(shù)、粉絲數(shù)、是否認(rèn)證等)。采用Logistic模型可以計(jì)算出各屬性變量對(duì)因變量的影響程度，通過設(shè)定特殊取值來提取出不同對(duì)象群體的典型特征。

3 基于主題的政務(wù)微博評(píng)論用戶群體分類

3.1數(shù)據(jù)爬取與預(yù)處理本文采用編程的方法，以政務(wù)微博“中國警方在線”為例，爬取了前100頁微博，隨后使用鏈接擴(kuò)散的方式獲取每條微博下面的評(píng)論和評(píng)論人信息，根據(jù)研究的需要，獲取的屬性包括微博文本(longTextContent)、評(píng)論文本(text)、性別(gender)、用戶等級(jí)(urank)、關(guān)注數(shù)(follow_count)、粉絲數(shù)(followers_count)、是否認(rèn)證(verified)和微博數(shù)(statuses_count)。經(jīng)過無用字符的去除和異常數(shù)據(jù)的處理后，最終獲取的數(shù)據(jù)包含991條政務(wù)微博，以及35 549條評(píng)論和評(píng)論用戶信息。

3.2用戶主題偏好標(biāo)簽挖掘用戶對(duì)政務(wù)微博的評(píng)論內(nèi)容可以直觀的反映出用戶的偏好主題，通過主題挖掘能夠分析出用戶對(duì)于主題感興趣的程度。本文采用LDA模型對(duì)評(píng)論文本進(jìn)行主題挖掘，過程如下。

a.整理經(jīng)過預(yù)處理之后的評(píng)論文本，并且進(jìn)行分詞和去除停用詞。使用LDA模型挖掘本文主題時(shí)，首先應(yīng)該設(shè)定模型參數(shù)，最大主題數(shù)設(shè)為100，迭代次數(shù)設(shè)為5 000次。

b.LDA模型的最優(yōu)主題個(gè)數(shù)可以用困惑度來確定[28]，主題數(shù)越多，困惑度越低，但過多的主題數(shù)會(huì)導(dǎo)致過擬合，通過困惑度的計(jì)算可以得到合適的主題數(shù)。由圖2可以發(fā)現(xiàn)，主題數(shù)為9時(shí)，分布較為理想。設(shè)定主題數(shù)為9，得出每個(gè)主題的詞語分布，以及每條評(píng)論屬于每個(gè)主題的概率。各主題的主要內(nèi)容如表1所示。

圖2 主題提取困惑度折線圖

表1 評(píng)論文本主題劃分表

3.3評(píng)論用戶的群體分類

3.3.1 用戶相似度 根據(jù)主題提取的結(jié)果，可以獲取每條評(píng)論對(duì)于9種主題的概率分布，即每條評(píng)論用戶偏好主題的9維概率向量。通過計(jì)算用戶偏好向量之間的距離，可以得到用戶相似度。計(jì)算向量相似度的常用方法有余弦相似度、歐氏距離、曼哈頓距離和皮爾遜相關(guān)系數(shù)等，本文采用歐氏距離的方法計(jì)算用戶相似度，歐式距離指多維空間中兩點(diǎn)之間的真實(shí)距離。計(jì)算方法為：

(1)

其中，xi、yi分別表示兩個(gè)用戶參與第i個(gè)主題的概率，d表示點(diǎn)(x1,x2,…,xn)到點(diǎn)(y1,y2,…,yn)之間的距離。d值越小，用戶的主題偏好越相似，d值越大，用戶的主題偏好差異越大。

3.3.2 基于多維標(biāo)度法的用戶群體分類 根據(jù)用戶主題偏好之間的距離，使用多維標(biāo)度法可以將用戶之間的相對(duì)位置可視化，具體的分布見圖3，距離越近，表示用戶的興趣主題越相近。

圖3 用戶興趣偏好的相似度分布

由MDS運(yùn)行結(jié)果分析可知，經(jīng)過5次迭代后，Stress的值的改進(jìn)量小于指定值0.001，迭代停止，此時(shí)Stress=0.19763；觀察距離的變異中可以由模型解釋的百分比：RSQ=0.85623。表明二維模型對(duì)觀察數(shù)據(jù)的擬合非常好，通過多維標(biāo)度法達(dá)到了很好的自動(dòng)分類效果。由圖3可知，用戶在二維空間上的分布較為集中，大概呈六角形狀，極少的用戶部分相對(duì)零散。根據(jù)用戶的相對(duì)位置，按照集中程度可以將用戶分為6類，分別為以下區(qū)域：

R1∈{(pos[,1],pos[,2])|-20≤pos[,1]<-4,2≤pos[,1]<18}

R2∈{(pos[,1],pos[,2])|-4≤pos[,1]<7,2≤pos[,1]<28}

R3∈{(pos[,1],pos[,2])|7≤pos[,1]<28,-2≤pos[,1]<9}

R4∈{(pos[,1],pos[,2])|-28≤pos[,1]<0,-8≤pos[,1]<2}

R5∈{(pos[,1],pos[,2])|-10≤pos[,1]<2,-28≤pos[,1]<2}

R6∈{(pos[,1],pos[,2])|2≤pos[,1]<22,-18≤pos[,1]<-5}

根據(jù)劃分的6類用戶群體，利用重心法找出每類用戶群體的中心點(diǎn)，該點(diǎn)是這類群體中距離所有用戶最近的點(diǎn)，因此最具有代表性，可以通過此用戶來了解群體用戶的主題偏好概率分布(見表2)及用戶所關(guān)心的主題內(nèi)容。

由表2可知，群體1積極參與到明星犯罪事件的討論中，此類娛樂事件更能引起他們的興趣，同時(shí)這類用戶對(duì)網(wǎng)絡(luò)上的謠言也比較關(guān)注；群體2比較關(guān)注河南省暴雨事件，也對(duì)國家英雄進(jìn)行了討論，比如暴雨事件中的馳援者、以及國家的功勛人物；群體3使用微博的目的是發(fā)表對(duì)路面交通狀況、交通安全以及社會(huì)法制問題的看法，該群體通常具有較高的自主意識(shí)；群體4注重財(cái)經(jīng)問題，這類人通常具有較強(qiáng)的專業(yè)性；群體5關(guān)注政府的工作問題，會(huì)提出自己的建議和看法，起到了很好的監(jiān)督作用；群體6參與了教育類問題，同時(shí)也對(duì)明星犯罪事件比較關(guān)注，主要是明星犯罪對(duì)社會(huì)有很大的負(fù)面影響。

表2 用戶群體中心點(diǎn)主題偏好概率分布

4 用戶畫像構(gòu)建與分析

4.1基于Logistic的用戶畫像特征提取采用Logistic模型可以計(jì)算出各屬性變量對(duì)因變量的影響程度，通過設(shè)定特殊取值來提取出不同對(duì)象群體的典型特征，得到群體用戶畫像。

本文使用python爬取到評(píng)論用戶的信息屬性中用戶性別、是否認(rèn)證為二分類變量，用戶等級(jí)、會(huì)員等級(jí)、關(guān)注數(shù)、粉絲數(shù)和微博數(shù)為連續(xù)變量，認(rèn)證身份為多分類變量。

首先對(duì)用戶個(gè)人屬性進(jìn)行離散化處理，并對(duì)全屬性進(jìn)行建模分析，系數(shù)顯著性的檢驗(yàn)結(jié)果見表3。

表3 用戶各屬性系數(shù)的顯著性檢驗(yàn)結(jié)果

檢驗(yàn)結(jié)果顯示，認(rèn)證身份這個(gè)變量的系數(shù)的顯著性沒有通過檢驗(yàn)，因此需要剔除。

對(duì)剔除后的變量進(jìn)行逐步回歸方法構(gòu)建最終的logistics模型。具體模型見公式2，模型結(jié)果見表4。

表4 多項(xiàng)logistic模型回歸系數(shù)

(2)

其中，i,j的取值為1、2、3、4、5、6，分別代表6類不同的用戶群體，并且i≠j。

根據(jù)回歸模型，可以計(jì)算出每類群體對(duì)應(yīng)的估計(jì)概率，即屬于某主題的最大概率的用戶特征組合，根據(jù)社會(huì)認(rèn)同理論，該特征組合也是群體中的用戶最能感受到的關(guān)鍵特征。計(jì)算方法見公式3，結(jié)果見表5。

(3)

表5 不同屬性組合得到的群體分類最大概率

4.2用戶畫像分析根據(jù)用戶變量的特殊取值，可以得到用戶群體的典型特征。不同群體用戶的最優(yōu)特征組合見表6。

表6 不同群體分類最大概率的特征組合

群體1中，典型用戶往往為女性，關(guān)注數(shù)和粉絲數(shù)都不太多，反而微博數(shù)和微博等級(jí)較高，可見他們雖然屬于活躍用戶，但并不熱衷于社交。在日常生活中，他們把微博平臺(tái)當(dāng)作一個(gè)記錄生活以及發(fā)泄情感的工具，而不是去交流。這類用戶對(duì)娛樂、謠言等八卦事件很感興趣，會(huì)積極參與到討論當(dāng)中，提供線索或給出自己的看法。對(duì)于這類群體，可以向他們推送關(guān)于娛樂犯罪事件的處理進(jìn)程，滿足他們的興趣偏好，同時(shí)他們的積極參與可能會(huì)給政府提供更多的建議和線索。

群體2中，典型用戶往往會(huì)關(guān)注大量的其他賬號(hào)，但粉絲量和微博數(shù)都偏少，這類用戶往往很容易受到別人觀點(diǎn)的影響，喜歡瀏覽別人的微博，并參與到當(dāng)前的熱點(diǎn)話題(比如河南暴雨事件、國家歷史英雄)中。這類用戶是很好的傳播者，政府發(fā)布的微博信息可能通過這類人群的傳播，讓更多人瀏覽到內(nèi)容信息，加強(qiáng)政務(wù)微博的傳播效果。

群體3中，典型用戶為男性，往往通過了認(rèn)證，具有一定的身份，并且用戶等級(jí)和微博數(shù)都較高，但關(guān)注數(shù)和粉絲數(shù)較低。這類用戶通常比較關(guān)注交通狀況及法治意識(shí)等社會(huì)性問題，具有專業(yè)的見解，但影響力較低。這類人群對(duì)于政府汲取民意具有重要的作用，向這類用戶推送有關(guān)交通路況的內(nèi)容，有助于政策的制定和改善。

群體4中，典型用戶為男性，往往通過了認(rèn)證，具有一定的身份，與用群體3不同的是，該類群體擁有較多的粉絲，但其關(guān)注數(shù)、微博數(shù)和用戶等級(jí)較低，該類用戶對(duì)于自己的言行比較謹(jǐn)慎，并不會(huì)在微博上隨意發(fā)言，其在微博上的活躍度并不高，所以其關(guān)注度、微博數(shù)和用戶等級(jí)并不高，但該類用戶在自己的領(lǐng)域通常具有一定的影響力，其觀點(diǎn)具有專業(yè)性，因此會(huì)有較多的粉絲想要去獲取信息。這類用戶關(guān)注財(cái)經(jīng)類的相關(guān)話題，他們當(dāng)中具有較多意見領(lǐng)袖。對(duì)于這類群體，政府應(yīng)該積極的回應(yīng)，維持輿論場(chǎng)的穩(wěn)定。

群體5中，典型用戶為女性，往往通過了認(rèn)證，具有一定的身份，并且有大量的關(guān)注數(shù)和粉絲數(shù)，說明該類用戶不僅是信息的接收者，同時(shí)也是信息的傳遞者。這部分人群比較關(guān)注政府的工作內(nèi)容及進(jìn)度，并且具有很高的傳播性，是政府工作的良好監(jiān)督者，多向該用戶群體推送此類內(nèi)容，有助于政府公信力的改善。

群體6中，典型用戶比較普通，低關(guān)注、低粉絲、低微博、低等級(jí)、無認(rèn)證，這類用戶雖然不活躍，也不具有影響力，但代表了大多數(shù)人群。這類用戶比較關(guān)注教育問題以及明星犯罪問題，尤其對(duì)近期明星對(duì)于青少年的負(fù)面引導(dǎo)表示擔(dān)憂。這類用戶的關(guān)注點(diǎn)通常是當(dāng)前突發(fā)的社會(huì)問題，政府應(yīng)該啟動(dòng)緊急應(yīng)對(duì)方案，并及時(shí)公布進(jìn)展。

5 總結(jié)與討論

本文基于評(píng)論用戶的主題偏好進(jìn)行群體分類。通過LDA主題模型，分析每個(gè)用戶對(duì)主題的偏好情況，然后采用多維標(biāo)度法將用戶分為了6個(gè)群體并得到每個(gè)群體偏好的主題內(nèi)容，最后采用Logistic模型來提取出不同對(duì)象群體的典型特征。

參與政務(wù)微博評(píng)論的每類群體用戶的主題偏好以及群體特征存在差異，根據(jù)用戶群體特點(diǎn)，政府可以采取針對(duì)性的管理和應(yīng)對(duì)策略，有助于提高公眾參與的效果，同時(shí)對(duì)改善政務(wù)微博用戶體驗(yàn)具有重要的意義。首先，政府可以根據(jù)用戶群體的典型特征，向用戶精準(zhǔn)推送相關(guān)的主題內(nèi)容，增強(qiáng)政民溝通的效率；其次，對(duì)于政府來說，不同特點(diǎn)的用戶群體的評(píng)論會(huì)發(fā)揮出不同的作用，政府應(yīng)該采取不同的處理方式，具體如下：a.影響力不高的活躍用戶，可以作為政府的“眼睛”，發(fā)揮群體力量，為政府工作提供線索，加快政府工作進(jìn)度；同時(shí)，他們也是信息傳播的主力人群，政務(wù)微博內(nèi)容可以通過該群體獲得更大的輻射范圍。b.高影響力的意見領(lǐng)袖群體，通常具有一定的專業(yè)性，對(duì)于自身的言論比較謹(jǐn)慎。因此，此類用戶的評(píng)論非常具有參考意義，政府可以根據(jù)他們的意見，來調(diào)整或改進(jìn)相關(guān)政策。c.低影響力、不活躍類型的用戶，雖然個(gè)人作用很小，但代表了大多數(shù)普通人。對(duì)于這類用戶，政府應(yīng)該注意收集并統(tǒng)計(jì)評(píng)論內(nèi)容，了解群眾需求，及時(shí)啟動(dòng)應(yīng)對(duì)方案。

本文所爬取到的用戶信息仍不完善，缺乏用戶的瀏覽信息、歷史微博信息等，在未來的研究中，可以用更多的用戶信息，構(gòu)建更為全面、精準(zhǔn)的用戶畫像。