黃 微 孫 悅

(吉林大學(xué)商學(xué)與管理學(xué)院，吉林 長春 130022)

截至2021年12月，我國網(wǎng)民規(guī)模已達(dá)10.32億，互聯(lián)網(wǎng)普及率達(dá)73.0%，我國的網(wǎng)民數(shù)量和網(wǎng)民規(guī)模都在穩(wěn)步增加。作為互聯(lián)網(wǎng)技術(shù)的典型代表，社交媒體的概念最早被Unger J B定義為“網(wǎng)絡(luò)用戶用以交換信息和內(nèi)容創(chuàng)建的平臺”[1-2]。社交媒體平臺為用戶提供了信息內(nèi)容交流和創(chuàng)造的服務(wù)場所，在開放話題的關(guān)注討論中，所有社交媒體平臺用戶既是話題的發(fā)起者、傳播者，又是信息的消費者和生產(chǎn)者[3]。在國內(nèi)，現(xiàn)階段社交媒體平臺主要包括微博、微信、抖音、小紅書、知乎等。

由于微博的開放性，當(dāng)前針對社交媒體平臺用戶行為的相關(guān)研究，大多基于微博這一主流的社交媒體平臺，如林燕霞等[4]根據(jù)社會認(rèn)同理論通過微博用戶對感興趣的主題進(jìn)行特征提取，對微博用戶進(jìn)行了群體類別的劃分，構(gòu)建了以用戶興趣與行為態(tài)度為依據(jù)的不同主題興趣的用戶畫像；部分學(xué)者針對微信這一社交媒體平臺進(jìn)行研究，如李嘉興等[5]發(fā)現(xiàn)微信老年用戶與其他用戶群體相比使用強(qiáng)度、使用能力偏低，而且微信老年用戶群體具有顯著差異性，學(xué)歷越高的老年用戶使用能力、使用強(qiáng)度越高；抖音作為目前最火的短視頻平臺，日活躍用戶已突破6億，部分學(xué)者針對抖音這一社交媒體平臺進(jìn)行研究，如吳劍云等[6]提出了一種基于視頻興趣標(biāo)簽的個性化推薦方法，考慮了群體用戶的喜愛度，不僅能較好地描述用戶視頻興趣隨時間的變化，也能通過視頻興趣標(biāo)簽結(jié)合用戶畫像匹配用戶感興趣的視頻項進(jìn)行推薦，提升了用戶體驗。

現(xiàn)階段針對社交媒體平臺用戶行為分析的研究，大多都是針對單一平臺的研究，這些研究都忽略了不同社交媒體平臺由于用戶群體(例如小紅書主要用戶群體年齡段多為25歲及以下的年輕女性，而微信主要用戶群體年齡段多為26～35歲，性別分布較均衡)或其他差異會有各自獨立的結(jié)構(gòu)，而且同一用戶可以只在某平臺有注冊信息、可以在一個平臺上有多個賬號、可以在多個平臺上都有注冊信息，同一用戶擁有多重網(wǎng)絡(luò)身份，但卻有相似的行為表現(xiàn)模式，這就組成了一個巨大的跨平臺社交媒體網(wǎng)絡(luò)。當(dāng)某個社會事件發(fā)生時，與之相關(guān)的信息傳播一般不會只在單平臺社交網(wǎng)絡(luò)中，而是在跨平臺社交網(wǎng)絡(luò)中快速擴(kuò)散[2]，如當(dāng)下新型冠狀病毒肺炎疫情相關(guān)信息廣泛傳播于微信、微博、抖音、小紅書、知乎等多個社交媒體平臺[7]。在多元社交網(wǎng)絡(luò)媒體背景下，網(wǎng)絡(luò)輿情信息的跨平臺性和非結(jié)構(gòu)性都為發(fā)現(xiàn)用戶參與行為的動向、準(zhǔn)確預(yù)判用戶對信息參與行為強(qiáng)度的響應(yīng)以及用戶參與行為強(qiáng)度對輿情事件傳播造成的影響帶來巨大的挑戰(zhàn)。因此，以用戶為中心，對用戶實際使用的所有社交媒體平臺進(jìn)行參與行為分析，具有重要理論意義。

在大數(shù)據(jù)網(wǎng)絡(luò)時代背景下，社交媒體平臺用戶的情感表達(dá)(轉(zhuǎn)發(fā)、分享、發(fā)布等行為)能夠迅速感染其他用戶的情緒，導(dǎo)致輿論的爆發(fā)。然而突發(fā)事件產(chǎn)生后，具有負(fù)面情緒的評論/轉(zhuǎn)發(fā)等內(nèi)容更容易引發(fā)其他用戶共情，因此更容易得到廣泛傳播，在應(yīng)對措施不及時的情況下，負(fù)面情緒集中爆發(fā)，產(chǎn)生網(wǎng)絡(luò)謠言和輿情危機(jī)[8]。但對于輿情事件，用戶的瀏覽、收藏等行為并不會對輿情的傳播產(chǎn)生影響，因此，對社交媒體平臺用戶的參與行為類別及參與行為強(qiáng)度進(jìn)行測定，對輿論的引導(dǎo)與管控具有重要實踐意義。

本文以用戶為核心，考慮不同社交媒體平臺之間的相似性，實現(xiàn)社交媒體平臺用戶參與行為強(qiáng)度的科學(xué)分析與精準(zhǔn)預(yù)判。

1 社交媒體平臺用戶參與行為的構(gòu)成要素

社交媒體平臺用戶參與行為的構(gòu)成要素包含社交媒體平臺用戶參與行為的主體、社交媒體平臺用戶參與行為的客體、社交媒體平臺用戶參與行為的本體及社交媒體平臺用戶參與行為的媒體。

1.1 社交媒體平臺用戶參與行為主體

社交媒體平臺用戶參與行為主體是在社交媒體平臺上為表達(dá)認(rèn)知、情緒、意見、態(tài)度等言論而產(chǎn)生參與行為的主體，即社交媒體平臺用戶本身，在社交媒體平臺用戶參與行為分析的基礎(chǔ)上，本文認(rèn)為，社交媒體平臺用戶主體大體可以分為以下4種屬性，包括用戶自然屬性、用戶互動傾向度、用戶情緒屬性和用戶偏好。

1)用戶自然屬性是社交媒體平臺用戶的基本信息，包含用戶的昵稱、頭像、性別、年齡、地域、聯(lián)系方式、會員類型、注冊日期、活躍度等，可以在一定程度上辨別用戶特征和用戶在新輿情事件中的參與程度。

2)用戶互動傾向度指社交媒體平臺用戶在社交媒體平臺中參與討論的主觀意愿傾向度，互動傾向度體現(xiàn)了用戶在@行為、評論、轉(zhuǎn)發(fā)、分享、發(fā)布等方面的參與行為的強(qiáng)弱程度，越喜歡參與討論的用戶，對輿情話題的發(fā)展越有促進(jìn)作用，這種作用可能是積極的也可能是消極的，受到其自然屬性、情感屬性、偏好和所處環(huán)境背景等因素的影響。而一個只瀏覽信息、從來不參與討論的用戶，對任何輿情事件的發(fā)展和傳播都不會有影響。

3)用戶情緒屬性指社交媒體平臺用戶參與行為發(fā)生時的情感狀態(tài)，情緒是對一系列主觀認(rèn)知經(jīng)驗的通稱，是多種感覺、思想和行為綜合產(chǎn)生的心理和生理狀態(tài)。無論正面還是負(fù)面的情緒，都可能會引發(fā)輿情事件參與行為。人類的情緒會根據(jù)輿情事件、所處的環(huán)境背景而發(fā)生變化，同一輿情事件、不同的環(huán)境背景，產(chǎn)生的情緒會有差異。

4)用戶偏好指社交媒體平臺用戶對輿情事件的關(guān)注偏好，有些用戶偏好關(guān)注政治類事件，有些用戶偏好娛樂圈中相關(guān)的輿情事件，有些用戶偏好關(guān)注科技數(shù)碼類輿情事件等。不同用戶的關(guān)注點可能不同，同一用戶在不同的年齡階段、不同的地域、不同的社交媒體平臺的關(guān)注點也可能不同。在用戶偏好的研究中，可以根據(jù)用戶的參與行為，發(fā)掘用戶的偏好，在類似輿情事件發(fā)生前，用于判斷該用戶可能產(chǎn)生的參與行為。

1.2 社交媒體平臺用戶參與行為客體

社交媒體平臺用戶參與行為客體指的是引發(fā)參與行為產(chǎn)生的刺激物，直接導(dǎo)致參與行為的產(chǎn)生，即社交媒體平臺事件，有文字、視頻、圖片、音頻等形式，不同社交媒體平臺對事件的分類有所不同。

結(jié)合融媒體的發(fā)展特性，通過社交媒體平臺構(gòu)建特征發(fā)現(xiàn)，社交媒體平臺基于Web2.0為核心搭建，因此具有相似的功能屬性。從參與行為模式中揭示每個用戶對不同話題類型的興趣偏好，首先要找到社交媒體平臺，尤其是主流社交媒體平臺功能的相似性。

在微博這一社交媒體平臺中，平臺自帶的對事件的分類給出了熱門、抗疫、科技、明星、數(shù)碼、國際等61種[9]。在微信收藏內(nèi)容中的自帶分類是按照收藏內(nèi)容的形式劃分的，即最近使用、圖片與視頻、鏈接、文件、音樂、聊天記錄、語音、筆記、位置等[10]。此外，微信除了主要的通訊功能以及熱門的支付功能外，其信息交互功能中的微信公眾號、視頻號、看一看等同為主要的信息交換方式，公眾號默認(rèn)是按照字母排序的，沒有更明確的分類；視頻號默認(rèn)給出了推薦、直播、娛樂等11個類別；看一看則分為朋友在看和精選兩大類別，其中精選又分為今日必看和推薦兩個類別。抖音給出了娛樂、知識、二次元、游戲、美食等8種分類。小紅書只有關(guān)注、發(fā)現(xiàn)和附近3個大類別。知乎分為圈子、科學(xué)、娛樂、數(shù)碼等23個板塊。

結(jié)合以上5種主流社交媒體平臺對話題的分類可以看出，社交媒體平臺對話題的分類尚未統(tǒng)一；部分社交媒體平臺對話題幾乎未作分類，比如小紅書；同一社交媒體平臺下不同話題內(nèi)容存在高度相關(guān)性，比如微博中“美女”這一話題類別和“攝影”這一話題類別下均存在大量女性自拍/擺拍；“軍事”這一話題類別和“國際”這一話題類別下均存在大量國際戰(zhàn)事及軍事武器等信息。因此，話題類別過多必然會導(dǎo)致信息內(nèi)容出現(xiàn)交叉現(xiàn)象。此外，社交媒體平臺作為一個以“用戶”為構(gòu)建中心的信息交流平臺，支持用戶自建話題，在對社交媒體平臺話題分類的分析中，不能忽略用戶的主觀能動性、自主創(chuàng)造性和自主選擇性，因此參考Jansen B J[11]對Youtube內(nèi)容的分類，本文將社交媒體平臺話題內(nèi)容分為8類，如表1所示。

表1 社交媒體平臺話題內(nèi)容分類

1.3 社交媒體平臺用戶參與行為本體

社交媒體平臺用戶參與行為本體就是參與行為本身，是社交媒體平臺用戶針對某些議題、現(xiàn)象或事件，在社交媒體平臺上表達(dá)的認(rèn)知、情緒、態(tài)度和意見等具體內(nèi)容的參與行為。

心理學(xué)詞典規(guī)定，“行為”一詞的意思是“有機(jī)體與其環(huán)境相互作用的活動”。該術(shù)語泛指所有活動或某一特定活動，被定義為有機(jī)體對生活環(huán)境的總體反應(yīng)。對行為的研究，認(rèn)知心理學(xué)領(lǐng)域主要從信息加工的角度進(jìn)行。20世紀(jì)60年代后，大多數(shù)心理學(xué)家將內(nèi)部心理活動與外顯行為區(qū)別開來，試圖從信息加工的角度描述心理活動的狀態(tài)和過程，以此解釋各種外顯行為發(fā)生和發(fā)展的規(guī)律[12]。本文基于不同社交媒體平臺主頁面的主要功能及其附屬功能，識別了包含瀏覽行為、收藏行為、@行為、點贊行為、評論行為、轉(zhuǎn)發(fā)行為、分享行為、發(fā)布行為在內(nèi)的8個類別的參與行為。信息加工理論(Information Processing Theory)從機(jī)能上將人腦和計算機(jī)從行為水平上進(jìn)行類比，認(rèn)為人的認(rèn)知過程就是對信息的加工過程，涉及人如何對信息進(jìn)行處理，以及如何利用信息做出決策并指導(dǎo)自己的行為等[13]，強(qiáng)調(diào)的是人在對刺激做出反應(yīng)時的人為選擇而進(jìn)行的對原有記憶的調(diào)取與新信息的加工和整合的人腦中的一系列需要提供不同強(qiáng)度認(rèn)知努力的認(rèn)知活動。根據(jù)適應(yīng)性增益理論(AGT)，任務(wù)投入的程度(由去甲腎上腺素誘導(dǎo)的神經(jīng)元增益調(diào)節(jié)驅(qū)動的反應(yīng)速度和敏銳度)受任務(wù)效用(收益減去成本)的調(diào)節(jié)，因此增加效用會產(chǎn)生更大的參與度，降低效用會導(dǎo)致注意力分散，更高的努力可能對應(yīng)更高的參與度，而更低的努力對應(yīng)于注意力分散、走神和注意力不集中。

因此，本文基于信息加工理論，對識別到的8個類別的參與行為都進(jìn)行細(xì)分，基于付出認(rèn)知努力的多少將每個行為類別都劃分為2～4個特定動作的子組，總共21個特定動作，構(gòu)建了社交媒體平臺用戶參與行為譜，如表2所示。

表2 社交媒體平臺用戶參與行為譜

1.4 社交媒體平臺用戶參與行為媒體

社交媒體平臺用戶參與行為媒體即傳播媒介，也被稱為渠道或參與行為產(chǎn)生手段，在社交媒體環(huán)境下，參與行為媒體具有物聯(lián)網(wǎng)特征，主要包括PC、移動終端及智能電子產(chǎn)品，而這些產(chǎn)品的核心是操作系統(tǒng)(OS)。社交媒體平臺用戶常用的操作系統(tǒng)(OS)主要包含Windows、Mac OS和移動操作系統(tǒng)。操作系統(tǒng)提供3個基本功能，其中之一：它通過CLI(命令行界面)或GUI(圖形用戶界面)提供UI(用戶與計算機(jī)的交互)。不同的操作系統(tǒng)針對同一社交媒體平臺用戶參與行為主體的人機(jī)交互界面設(shè)計會有不同，本文根據(jù)UI的不同，將社交媒體平臺用戶參與行為媒體分為Windows/Mac OS網(wǎng)頁端(以下簡稱網(wǎng)頁端)、智能手機(jī)(App)端和平板電腦(App)端。

2 社交媒體平臺用戶參與行為強(qiáng)度測定

2.1 社交媒體平臺用戶參與行為強(qiáng)度的概念

強(qiáng)度一詞本指每單位(如面積、電荷、質(zhì)量或時間)的量(如力或能量)的大小，面積、電荷、質(zhì)量或時間的量越大，最終的強(qiáng)度也就越大。因此，本文將社交媒體平臺用戶參與行為強(qiáng)度定義為某特定話題類別下每單位(某特定話題類別，即特定話題的1個事件)的量(具體的參與行為數(shù)量/比例)的大小。例如，某用戶瀏覽過10條娛樂八卦類事件，將2條信息轉(zhuǎn)發(fā)給同平臺內(nèi)的某個好友，則該用戶轉(zhuǎn)發(fā)行為t1的強(qiáng)度為2/10即20%。

2.2 社交媒體平臺用戶參與行為強(qiáng)度測定方法

本文從社交媒體平臺用戶參與行為轉(zhuǎn)換的頻率和概率兩個角度對用戶參與行為強(qiáng)度進(jìn)行了分析。

2.2.1 社交媒體平臺用戶參與行為轉(zhuǎn)換頻率分析

為了分析總轉(zhuǎn)換頻率，使用了修改的Deming-Stephan迭代比例擬合來產(chǎn)生期望值，同時考慮了結(jié)構(gòu)零的存在，即，作為自轉(zhuǎn)換或物理上不可能的轉(zhuǎn)換的結(jié)果而出現(xiàn)的零。每種參與行為都使用了x2測試，以測試轉(zhuǎn)換的頻率是否明顯偏離隨機(jī)預(yù)期的頻率。由于有一些期望值小于5，通過將低頻動作和相關(guān)動作合并在一起，使用原始矩陣大小來計算自由度。

x2擬合優(yōu)度檢驗用于將觀察到的轉(zhuǎn)換和預(yù)期的轉(zhuǎn)換進(jìn)行比較，因此，檢查轉(zhuǎn)換頻率是為了檢驗關(guān)于轉(zhuǎn)換概率的特定假設(shè)。假設(shè)任何行為原則上可以遵循任何其他行為，則轉(zhuǎn)換頻率可以以表格的形式列出。在這種制表模式中，觀察到的緊跟在第i種動作之后的第j種動作的頻率出現(xiàn)在第i行和第j列的表項單元格(i,j)中。因此，第i行列出了表格中每個不同類型的動作緊跟在第i類型之后的頻率，而第j列列出了緊跟在j類型之前的表格中的每個不同類型的動作的頻率。

(1)

其中xij=單元格(i,j)中的觀測值，mij=(i,j)中的期望值=[(i行的和)×(j列的和)]/參與行為總數(shù)。

2.2.2 社交媒體平臺用戶參與行為轉(zhuǎn)換概率分析

由Haynes和Birch設(shè)計的定型指數(shù)[14]被用來分析轉(zhuǎn)換的概率。這為一階矩陣中與特定行為轉(zhuǎn)換相關(guān)聯(lián)的定型水平分配了一個客觀度量，并通過式(2)計算：

(2)

其中Pij=從行為步驟i到所有后續(xù)行為j的轉(zhuǎn)換概率；ri=行為步驟i之前的可能的轉(zhuǎn)換的次數(shù)。

2.3 社交媒體平臺用戶參與行為數(shù)據(jù)采集

根據(jù)前文分析的社交媒體平臺用戶參與行為的構(gòu)成要素確定社交媒體平臺用戶參與行為數(shù)據(jù)。

2.3.1 社交媒體平臺用戶及傳播媒介確定

在我國，微信的月活躍用戶數(shù)已經(jīng)超過12億，已然成為我國互聯(lián)網(wǎng)史上用戶數(shù)量最多的應(yīng)用，基本上人人都是微信這一社交媒體平臺的用戶。微博月活躍用戶數(shù)近6億，基本上半數(shù)的國人都是微博這一社交媒體平臺的用戶。小紅書月活躍用戶超過2億。抖音月活躍用戶超過5.5億，且增勢迅猛。

綜合以上圖1～圖3的數(shù)據(jù)，結(jié)合Mob研究院的調(diào)研數(shù)據(jù)(85、95、00后人群洞察白皮書)，可以看出社交媒體平臺用戶基本特征為：

圖1 社交媒體平臺用戶性別分布(部分)

圖2 社交媒體平臺用戶年齡分布(部分)

圖3 社交媒體平臺用戶城市分布(部分)

①男女相對較均衡。

②城市無明顯差異。

③年齡主要集中在35歲以下。

④總體人數(shù)約6億。

⑤日均上網(wǎng)時長超過5個小時。

預(yù)先邀請了5名實驗用戶，采取滾雪球的方式隨機(jī)獲得與5名受試者具有社會相關(guān)性的人員25名，再隨機(jī)獲得與25名受試者具有社會相關(guān)性的人員125名，基于前文對社交媒體平臺用戶進(jìn)行確定分析得出的社交媒體平臺用戶性別分布、年齡分布及日均上網(wǎng)時長等信息，最終選取實驗人員20名，實驗用戶的性別及數(shù)量分布如表3所示，基本信息如表4所示。

表3 實驗用戶信息及數(shù)量分布

表4 實驗用戶基本信息(部分)

2.3.2 社交媒體平臺話題內(nèi)容及參與行為記錄

通過對實驗人員社交媒體平臺使用情況進(jìn)行調(diào)查，具體如表5所示。

表5 實驗人員社交媒體平臺使用情況

創(chuàng)建網(wǎng)頁端，每天整理微博熱搜榜、微博文娛榜、微博要聞榜、微信熱點、抖音熱點榜、抖音娛樂榜、抖音社會榜、小紅書社區(qū)精選、知乎熱榜等中的熱點事件信息，每個平臺選取熱點事件120件(每個話題類別15件)，將事件鏈接放到創(chuàng)建的網(wǎng)頁上(順序隨機(jī))。

實驗用戶登錄網(wǎng)頁后，首先選取自己使用的社交媒體平臺情況(例如用戶1需選取微博、微信、抖音、知乎，用戶2需選取微博、微信、抖音)，選取后，平臺會根據(jù)用戶選取情況分配事件(每個話題從所有選擇平臺中隨機(jī)選取15件)，將分配的事件鏈接到平臺上，用戶點擊事件鏈接查看信息后，會跳轉(zhuǎn)到用戶相應(yīng)的社交媒體平臺軟件中(網(wǎng)頁端用戶可在網(wǎng)頁端完成)，所有參與行為均在用戶自己的社交媒體平臺中完成，用戶所有的參與行為采取錄屏方式獲取，每天的參與實驗時間由用戶自行確定，持續(xù)60天(前20天的數(shù)據(jù)用于參與行為強(qiáng)度測定，作為預(yù)判用戶參與行為強(qiáng)度的基礎(chǔ)，間隔30天，最后10天的數(shù)據(jù)用于對預(yù)判結(jié)果進(jìn)行評估)。

2.4 社交媒體平臺用戶參與行為強(qiáng)度測定

本次實驗記錄了83 465個參與行為(前20天數(shù)據(jù)記錄，如圖4所示)。

圖4 社交媒體平臺用戶(實驗用戶)參與行為數(shù)量分布

分析圖4可見：

1)不同用戶的活躍度有所差異

用戶2在本次實驗中最活躍，具體表現(xiàn)為產(chǎn)生的參與行為最多(7 373)，其中娛樂八卦類話題下參與行為在所有話題中頻度最高(1 002)，占全部參與行為的13.59%，科技數(shù)碼類話題下參與行為在所有話題中頻度最低(872)，一定程度上可以看出用戶2對所有話題均感興趣，且興趣相當(dāng)；用戶12在本次實驗中最不活躍，具體表現(xiàn)為產(chǎn)生的參與行為最少(2 909)，該用戶只在教育育兒類話題下活躍度較高(784)。

2)不同用戶所關(guān)注的話題類型有明顯不同

有些用戶對所有話題活躍度均很高，如用戶2和用戶11；有些用戶只對單一話題活躍度高，如用戶5只對科技數(shù)碼類話題活躍度高(849)，用戶13只對人類趣味類話題活躍度高(963)，用戶16只對政治生活類話題活躍度高(940)等。

以用戶1(B1)為例對其參與行為進(jìn)行分析。

分析表6、圖5及圖6，可以看出：

表6 娛樂八卦類話題的參與行為序列一階矩陣(B1)

注：數(shù)字和相應(yīng)的箭頭是兩種參與行為之間發(fā)生特定轉(zhuǎn)換的概率。

圖6 娛樂八卦類話題的參與行為轉(zhuǎn)換定型指數(shù)(B1)

1)用戶1最常見的參與行為序列有10種(轉(zhuǎn)換概率≥50%)：

e2→d1、e2→d3、l2→d4→t1、a1→d4、d2→t1、d2→s1、t1→d4、t2→s1→c2、t3→c1→t1、t4→s1→c2，具體為粗略瀏覽信息后對該信息進(jìn)行評論或評論該信息下評論的內(nèi)容、點贊后評論該信息下評論的內(nèi)容并將該信息發(fā)送給某個好友、@某個好友后將此信息發(fā)送給平臺外的某些人、對內(nèi)容進(jìn)行評論后將此消息轉(zhuǎn)發(fā)給同平臺某個好友或是發(fā)布至個人主頁面、轉(zhuǎn)發(fā)給同平臺某個好友后評論該信息下評論的內(nèi)容、轉(zhuǎn)發(fā)給同平臺某些個好友后將此信息發(fā)布至個人主頁面然后依據(jù)個人見解發(fā)布信息、將此信息轉(zhuǎn)發(fā)給平臺外某個人后發(fā)布至個人主頁面然后轉(zhuǎn)發(fā)給同平臺某個好友、將此信息轉(zhuǎn)發(fā)給平臺外某些人后發(fā)布至個人主頁面然后依據(jù)個人見解發(fā)布信息。

2)某些定型指數(shù)SI無數(shù)值，表示該用戶無此參與行為，可能是數(shù)據(jù)樣本較少導(dǎo)致此現(xiàn)象的出現(xiàn)或是偶發(fā)現(xiàn)象。

3)在社交媒體平臺用戶參與行為中，全部瀏覽完畢(e3)的參與行為強(qiáng)度為96.67%，評論行為的參與行為強(qiáng)度為87.67%，其中98.48%為瀏覽完信息內(nèi)容后查看評論，評論該評論的內(nèi)容(d4)；轉(zhuǎn)發(fā)行為的參與行為強(qiáng)度為79.67%，其中97.49%為將此信息轉(zhuǎn)發(fā)給同平臺內(nèi)某個好友(t1)；發(fā)布行為的參與行為強(qiáng)度為50.67%，其中94.08%為將其他現(xiàn)有的內(nèi)容發(fā)布到平臺自身的賬號頁面內(nèi)所產(chǎn)生的發(fā)布行為(c1)，5.92%為依據(jù)自身已有的知識、見解和認(rèn)知發(fā)布原創(chuàng)內(nèi)容到平臺自身的個人主頁面內(nèi)并不為私密發(fā)布(僅自己可見，c2)。

3 社交媒體平臺用戶參與行為強(qiáng)度預(yù)判

3.1 社交媒體平臺用戶參與行為強(qiáng)度預(yù)判算法

Apriori算法是挖掘數(shù)據(jù)間關(guān)聯(lián)規(guī)則的算法，挖掘關(guān)聯(lián)規(guī)則的主要任務(wù)是找出數(shù)據(jù)庫中所有的數(shù)據(jù)集合(頻繁項集)[15]。判斷頻繁關(guān)聯(lián)規(guī)則的標(biāo)準(zhǔn)是指支持度和置信度都不低于用戶給定的最小支持度min_support和最小置信度min_confidence。支持度用來表示項集在數(shù)據(jù)中出現(xiàn)的頻繁程度，置信度則用于表示Y在包含X的項集中出現(xiàn)的頻繁程度。

對于給定的數(shù)據(jù)集，在挖掘頻繁關(guān)聯(lián)規(guī)則時，首先設(shè)定最小支持度和最小置信度，然后挖掘出滿足條件的頻繁項集，最后生成頻繁關(guān)聯(lián)規(guī)則[15]。

Apriori算法基本思想是使用一種逐層掃描的方法挖掘頻繁項集：

第1次掃描，找出候選集1，在第一次候選集基礎(chǔ)上，求出第一次頻繁項集1(>min_support)。

第2次掃描，找出候選集2，求出頻繁項集2。

第n次掃描，找出候選集n，當(dāng)最后生成的候選集n中，只有0個或1個的話，循環(huán)結(jié)束。

Aprori算法可以很好地找出關(guān)聯(lián)關(guān)系，但是每一次求候選集都需要掃描一次所有數(shù)據(jù)記錄，在面臨數(shù)據(jù)較多時就會耗費大量的時間。本文通過改進(jìn)的Aprori算法(Fp-Growth算法，F(xiàn)requent Pattern Tree，頻繁模式樹)來提高運行效率，通過構(gòu)造一個樹結(jié)構(gòu)(FP樹)來壓縮數(shù)據(jù)記錄，使得挖掘頻繁項集只需要掃描兩次數(shù)據(jù)記錄，且該算法不需要生成候選集合[16]。

FP樹構(gòu)建方法，以用戶1娛樂八卦類話題為例，數(shù)據(jù)如表7所示。

表7 娛樂八卦類話題原始數(shù)據(jù)(B1)

第一步，令min_support=50(例)，第1次掃描，找出候選集1，如表8所示，在第一次候選集基礎(chǔ)上，求出第一次頻繁項集為e3：290、d4：259、t1：233、c1：143、s1：51(逆序排序)。

表8 娛樂八卦類話題候選集1數(shù)據(jù)(B1)

第二步，構(gòu)建FP樹，數(shù)的根節(jié)點用null表示，如圖7所示。

圖7 娛樂八卦類話題FP樹(B1)

1)預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時的參與行為強(qiáng)度

預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時參與行為強(qiáng)度≥50%的參與行為，結(jié)果為e3(290)、d4(259)、t1(233)。

預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時參與行為強(qiáng)度≥80%的參與行為，結(jié)果為e3(290)、d4(259)。

2)預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時的參與行為序列(頻度)

預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時≥50%的概率會出現(xiàn)的參與行為序列(頻度)：

設(shè)置min_support=50%(150)，計算出頻繁項集，結(jié)果為：{e3，t1}；{d4，t1}；{e3，d4，t1}，即用戶1瀏覽到某娛樂八卦類話題內(nèi)容時，超過50%的概率會瀏覽完全部信息，查看評論內(nèi)容，對評論內(nèi)容進(jìn)行評論，并將此信息轉(zhuǎn)發(fā)給同平臺內(nèi)的某個好友。

預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時≥80%的概率會出現(xiàn)的參與行為序列(頻度)：

設(shè)置min_support=80%(240)，此時頻繁項集的結(jié)果為{e3，d4}，即用戶1瀏覽到某娛樂八卦類話題內(nèi)容時，超過80%的概率會瀏覽完全部信息，查看評論內(nèi)容，對評論內(nèi)容進(jìn)行評論。

3)預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時的各參與行為強(qiáng)度之間的相關(guān)性

預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時出現(xiàn)某參與行為的同時會有≥90%的概率會出現(xiàn)另一參與行為：

設(shè)置min_confidence為90%，計算出頻繁項集的結(jié)果為{t1，d4}、{l2，d4}、{l2，c1}、{a1，d4}，即用戶1瀏覽到某娛樂八卦類話題內(nèi)容時，若將此信息轉(zhuǎn)發(fā)給同平臺的某個好友后，有≥90%的概率會對該信息下的評論內(nèi)容進(jìn)行評論，若對此信息下的某條評論產(chǎn)生興趣并點贊該信息/評論則會有≥90%的概率會對該信息下的評論內(nèi)容進(jìn)行評論，若對此信息下的某條評論產(chǎn)生興趣并點贊該信息/評論則會有≥90%的概率會將其他現(xiàn)有內(nèi)容發(fā)布到平臺自身賬號頁面內(nèi)，若將此信息@給某好友則會有≥90%的概率會對該信息下的評論內(nèi)容進(jìn)行評論。

預(yù)判用戶1瀏覽到某娛樂八卦類話題內(nèi)容時出現(xiàn)某參與行為的同時會有≥80%的概率會出現(xiàn)另一參與行為強(qiáng)度：

設(shè)置min_confidence為80%，計算出頻繁項集的結(jié)果為{t1，d4}、{l2，d4}、{l2，c1}、{a1，d4}、{e3，d4}、{d4，t1}，即用戶1瀏覽到某娛樂八卦類話題內(nèi)容時，若將此信息瀏覽完畢則會有≥80%的概率會對該信息下的評論內(nèi)容進(jìn)行評論，若對該信息下的評論內(nèi)容進(jìn)行評論則會有≥80%的概率會將此信息轉(zhuǎn)發(fā)給同平臺的某個好友(前4項頻繁項集的解釋見上述min_confidence=90%的內(nèi)容)。

3.2 實證預(yù)判

3.2.1 數(shù)據(jù)采集及處理

由前文分析的20位用戶的參與行為數(shù)據(jù)，得出每位用戶、每個話題下的每個參與行為的強(qiáng)度，結(jié)果如圖8所示(以娛樂八卦類話題為例)。

圖8 參與行為強(qiáng)度預(yù)判三維曲面圖

對最后10天數(shù)據(jù)進(jìn)行分析，共得到41 127條數(shù)據(jù)記錄，得出每位用戶、每個話題下的每個參與行為的強(qiáng)度，結(jié)果如圖9所示(以娛樂八卦話題為例)。

圖9 參與行為強(qiáng)度概率分布三維曲面圖

3.2.2 預(yù)判結(jié)果

本文以總體偏差率作為評價指標(biāo)對20位用戶的參與行為強(qiáng)度預(yù)判結(jié)果進(jìn)行分析，總體偏差率描述的是用戶歷史行為(前20天數(shù)據(jù))中參與行為的強(qiáng)度與評估樣本(后10天數(shù)據(jù))中對應(yīng)參與行為的強(qiáng)度差值的絕對值。若用戶1瀏覽某條娛樂八卦類消息的歷史行為顯示該用戶將此消息轉(zhuǎn)發(fā)給同平臺某好友的強(qiáng)度為80%，評估樣本中該用戶將此消息轉(zhuǎn)發(fā)給同平臺某好友的強(qiáng)度為70%，則偏差率為|80%-70%|=10%。

對所有用戶所有話題類別下所有參與行為強(qiáng)度進(jìn)行預(yù)判，如圖10所示，最大的偏差率出現(xiàn)在用戶12的教育育兒類話題中的e2、e3，偏差率為20%。

圖10 社交媒體平臺用戶(實驗用戶)參與行為強(qiáng)度偏差率

3.3 社交媒體平臺用戶的參與行為強(qiáng)度預(yù)判效果評估

對所有實驗用戶所有話題下所有參與行為強(qiáng)度進(jìn)行整理，提取出偏差率大于10%的數(shù)據(jù)，結(jié)果如表9所示。

表9 偏差率大于10%的話題及參與行為強(qiáng)度分布 %

由表9可以看出，幾乎所有話題下均存在偏差率大于10%的數(shù)據(jù)，近半數(shù)用戶存在偏差率大于10%的數(shù)據(jù)，可見偏差率和用戶或話題無明顯直接關(guān)系。其中，偏差率大于10%的數(shù)據(jù)量共有24個，其中瀏覽行為(e1+e2+e3)的數(shù)量最多，占總數(shù)的62.5%，出現(xiàn)該問題的原因可能是數(shù)據(jù)記錄過程造成的：從記錄的數(shù)據(jù)中無法真正判斷用戶的認(rèn)知努力量，較難分辨實驗用戶的瀏覽行為是e2或e3(實驗過程中一般按閱讀時間為5秒進(jìn)行區(qū)分，對于信息量較長或較短的適當(dāng)增減閱讀時間)，有些用戶瀏覽的速度很快，有些則較慢。

從總體偏差率可以發(fā)現(xiàn)，本文提出的基于全社交媒體平臺對用戶參與行為強(qiáng)度進(jìn)行預(yù)判的方法其總體偏差率在20%以下(含)，對用戶的參與行為強(qiáng)度具有較好的預(yù)判效果。

4 結(jié) 論

本文對社交媒體平臺用戶參與行為的構(gòu)成要素進(jìn)行分析，認(rèn)為社交媒體平臺用戶的參與行為包含社交媒體平臺用戶參與行為的主體、客體、本體及媒體，并據(jù)此設(shè)計觀察實驗，通過問卷調(diào)查和公開的歷史數(shù)據(jù)，采取滾雪球的抽樣方式，獲取了20名用戶數(shù)據(jù)，從用戶使用的所有社交媒體平臺中抽取熱點事件，記錄實驗用戶的參與行為，基于社交媒體平臺用戶的參與行為譜構(gòu)建了社交媒體平臺用戶的參與行為強(qiáng)度序列一階矩陣，對用戶的參與行為強(qiáng)度進(jìn)行分析及測定，基于Fp-Growth算法對社交媒體平臺用戶的參與行為強(qiáng)度進(jìn)行預(yù)判，其總體偏差率可以達(dá)到20%以下(含)，對用戶的參與行為強(qiáng)度具有較好的預(yù)判效果，可以提高社交媒體平臺推薦服務(wù)的質(zhì)量，并能實現(xiàn)和提高輿情危機(jī)事件發(fā)生時的精準(zhǔn)引導(dǎo)與靶向?qū)Э亍?/p>