◆張郅奕 朱 娟 李永蓮

用戶畫像是指構(gòu)建在系列數(shù)據(jù)基礎(chǔ)之上的用戶目標(biāo)模型，是虛擬化的用戶[1]；早期被用于產(chǎn)品設(shè)計領(lǐng)域，是對特定群體真實(shí)狀況的描述，是有效刻畫目標(biāo)用戶及其需求的有效工具[2]。隨著互聯(lián)網(wǎng)與大數(shù)據(jù)技術(shù)的發(fā)展，最初基于虛構(gòu)視角的用戶畫像[3]逐漸向目標(biāo)導(dǎo)向、角色視角、參與視角以及數(shù)據(jù)視角[4]轉(zhuǎn)變。

現(xiàn)有用戶畫像的研究方法主要包括基于用戶行為的方法、基于用戶興趣偏好的方法、基于用戶主題的畫像方法以及基于人格特性與用戶情緒的方法[5]。其中基于用戶興趣偏好的方法是當(dāng)前學(xué)界關(guān)注的熱點(diǎn)，也符合網(wǎng)絡(luò)負(fù)面情緒傳播的情境特征。國內(nèi)外學(xué)者就用戶畫像應(yīng)用方法進(jìn)行了大量研究，基于各類模型探討用戶興趣和需求點(diǎn)，以提供更加精準(zhǔn)的服務(wù)和問題解決方案。既有研究雖然提供了方法基礎(chǔ)，但未關(guān)注時間等因素對用戶興趣以及關(guān)注度的影響，同時也缺少對情景興趣的關(guān)注[6～9]。

網(wǎng)絡(luò)負(fù)面情緒傳播具有周期性[10]，學(xué)界早已從生命周期階段研究網(wǎng)絡(luò)傳播，如馮湘君等將網(wǎng)絡(luò)傳播分為潛伏期、爆發(fā)期、后遺癥期[11]；康偉將網(wǎng)絡(luò)危機(jī)分為形成、發(fā)展、爆發(fā)以及消亡四個階段[12]；夏雨禾將網(wǎng)絡(luò)危機(jī)分為孕育期、傳播期、高漲期與衰退期[13]。其本質(zhì)就是不同時間、不同階段對某類主體某一方面狀態(tài)的描述與分析?？梢?，生命周期理論本質(zhì)包含著時間要素與情景要素，而這可以彌補(bǔ)現(xiàn)有基于用戶興趣研究方法缺少時間、情景要素的不足。因此，本文嘗試從生命周期視角對網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像構(gòu)建進(jìn)行研究，從時間、情景要素出發(fā)分析網(wǎng)絡(luò)負(fù)面情緒傳播周期與規(guī)律，并基于此探析網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像的構(gòu)建過程與方法。

一、網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像的內(nèi)涵與特征

網(wǎng)絡(luò)負(fù)面情緒群體研究，是網(wǎng)絡(luò)虛擬社群中的一部分。網(wǎng)絡(luò)虛擬社群，是圍繞相似興趣、需求以及情感，依托于互聯(lián)網(wǎng)，通過自媒體平臺等實(shí)現(xiàn)社會化互動的、新型社會生活單位與數(shù)字化生存空間[14]。由于缺少社會約束，網(wǎng)絡(luò)虛擬社群內(nèi)的自我規(guī)范意識與其他機(jī)制雙重弱化[15]，使得虛擬社會中的群體比現(xiàn)實(shí)社會中的群體更容易形成情緒場域，感染群體的情緒[16]，更容易激發(fā)潛在負(fù)面情緒在傳播與宣泄[17]。隨著負(fù)面情緒在社群內(nèi)乘數(shù)效應(yīng)的惡化與疊加，消極的情緒狀態(tài)更易產(chǎn)生于傳播，提高了群體心理的非理性傾向[18]。因此精準(zhǔn)掌握虛擬社區(qū)中網(wǎng)絡(luò)負(fù)面情緒群體的屬性、行為、偏好以及情緒，具有重要的理論意義與現(xiàn)實(shí)意義。

用戶畫像理論為實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)面情緒群體的精準(zhǔn)刻畫提供了支持。本文認(rèn)為網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像，是為了深入了解網(wǎng)絡(luò)負(fù)面情緒用戶特征、預(yù)測用戶的行為等，依托于海量、真實(shí)數(shù)據(jù)描述用戶特征與偏好，構(gòu)建目標(biāo)群體用戶模型，主要目標(biāo)是實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)面情緒傳播的精準(zhǔn)預(yù)警與對相關(guān)群體的行為引導(dǎo)。網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像構(gòu)建，主要是通過將“數(shù)據(jù)”映射到“用戶標(biāo)簽”實(shí)現(xiàn)的，這一過程也是典型的以數(shù)據(jù)驅(qū)動的用戶畫像構(gòu)建。網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像構(gòu)建的本質(zhì)如圖1所示。

圖1 網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像

首先，收集相關(guān)數(shù)據(jù)進(jìn)行融合。主要是指運(yùn)用物聯(lián)網(wǎng)、5G 等新興技術(shù)手段，對涉及到的海量數(shù)據(jù)進(jìn)行收集。通過數(shù)據(jù)層融合、語義層融合以及服務(wù)層融合實(shí)現(xiàn)數(shù)據(jù)的融合，將清洗過的數(shù)據(jù)數(shù)字化，將實(shí)體從“物理空間”映射到“數(shù)字空間”。其次，用戶畫像的“標(biāo)簽體系”是一個多維度的、復(fù)雜的體系。用戶畫像的本質(zhì)是“標(biāo)簽化”，具體過程也是構(gòu)建“標(biāo)簽體系”的過程。一般基于用戶的屬性數(shù)據(jù)、行為數(shù)據(jù)、偏好數(shù)據(jù)等，構(gòu)建用戶不同的標(biāo)簽體系，實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)面情緒群體相關(guān)數(shù)據(jù)的標(biāo)簽化。再次，通過構(gòu)建知識圖譜，實(shí)現(xiàn)用戶各類“標(biāo)簽”之間的關(guān)聯(lián)。單獨(dú)的“標(biāo)簽”通過知識圖譜相互關(guān)聯(lián)，從而對用戶情況進(jìn)行多維分析。最后，運(yùn)用系列可視化工具，對用戶畫像進(jìn)行可視化。可視化是將用戶畫像進(jìn)行實(shí)際運(yùn)用的最后步驟，也是實(shí)現(xiàn)用戶畫像運(yùn)用的重要手段。

在數(shù)據(jù)驅(qū)動背景下，網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像主要具有可迭代性、實(shí)時性與聚類性三大特征?？傻灾傅氖蔷W(wǎng)絡(luò)用戶的發(fā)文、轉(zhuǎn)發(fā)、評論行為中，產(chǎn)生的動態(tài)性和交互性特征。實(shí)時性指的是網(wǎng)絡(luò)用戶在不同時間點(diǎn)可能會發(fā)生偏好轉(zhuǎn)變的情況，即便是針對同一主題，用戶的偏好程度也有所不同。聚類性指的是用戶與用戶之間雖然存在基本屬性和行為偏好等不同，但仍然存在一定的共性，能夠?qū)崿F(xiàn)群體化聚類的特點(diǎn)。

二、基于生命周期模型的網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像構(gòu)建過程

（一）總體框架

信息生命周期是指信息從出現(xiàn)到使用最后到老化消亡的動態(tài)、循環(huán)過程，該過程一般伴隨價值形成與不斷增值[19]。網(wǎng)絡(luò)負(fù)面情緒也存在一定的生命周期，以此為基礎(chǔ)構(gòu)建網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像既有理論深意更有實(shí)踐需求?；谏芷诘木W(wǎng)絡(luò)負(fù)面情緒群體用戶畫像構(gòu)建，主要包括如下過程：基于生命周期的網(wǎng)絡(luò)負(fù)面情緒測算，以此為基礎(chǔ)進(jìn)行用戶活躍度排序，實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像模型構(gòu)建；根據(jù)構(gòu)建的用戶畫像模型，結(jié)合平臺數(shù)據(jù)鎖定目標(biāo)用戶群；結(jié)合標(biāo)簽體系對用戶畫像進(jìn)行分析。具體過程如圖2 所示。

圖2 數(shù)據(jù)畫像構(gòu)建總體框架

（二）用戶數(shù)據(jù)畫像建模

基于生命周期理論，構(gòu)建網(wǎng)絡(luò)負(fù)面情緒傳播過程中的用戶模型，如圖3 所示。根據(jù)箭頭了解整個用戶的數(shù)據(jù)走向，把平臺用戶的全部數(shù)據(jù)導(dǎo)入模型中進(jìn)行分析。這里使用到了COX 生存分析的算法，可以幫助我們分析用戶的生存時間，進(jìn)而得到平臺全部用戶的生命周期分布。

圖3 基于生命周期模型的網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像模型構(gòu)建

1.網(wǎng)絡(luò)負(fù)面情緒群體生命周期測算

（1）多源異構(gòu)數(shù)據(jù)收集與融合

網(wǎng)絡(luò)大數(shù)據(jù)是包括微博、網(wǎng)絡(luò)論壇、微信、微視頻等平臺中體現(xiàn)民眾觀點(diǎn)與態(tài)度的系列數(shù)據(jù)，不僅包括文本、圖片、音視頻等生產(chǎn)內(nèi)容數(shù)據(jù)，還包括關(guān)注、轉(zhuǎn)發(fā)、點(diǎn)贊、分享等行為數(shù)據(jù)[20]。除了具有海量、多源異構(gòu)、低密度等大數(shù)據(jù)一般特征外，還呈現(xiàn)出多維、多層復(fù)雜關(guān)聯(lián)性、實(shí)時交互性和強(qiáng)大描述性等特征?；诖耍槍δ骋恢黝}，運(yùn)用Python 進(jìn)行編程，對微博、網(wǎng)絡(luò)論壇、微信、微視頻等平臺中相關(guān)主題信息進(jìn)行搜集，實(shí)現(xiàn)多源異構(gòu)網(wǎng)絡(luò)大數(shù)據(jù)的收集與整理。收集后的數(shù)據(jù)在結(jié)構(gòu)、標(biāo)準(zhǔn)等方面存在較大差異，因此需要對多源異構(gòu)大數(shù)據(jù)進(jìn)行融合與集成，以進(jìn)一步進(jìn)行數(shù)據(jù)處理?？梢越梃bDasarathy 信息融合模型[21]，從數(shù)據(jù)層融合、語義層融合以及服務(wù)層融合實(shí)現(xiàn)大數(shù)據(jù)的融合，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的標(biāo)準(zhǔn)性與統(tǒng)一性[22]。

（2）基于COX 模型的生命周期測算

COX 模型，又稱作比例危險度模型（Proportionla Hazard Model）,是英國統(tǒng)計學(xué)家D R Cox 在1972 年提出的關(guān)于生存分析的重要模型，能夠分析不同自變量對生存時間的影響，根據(jù)危險因素的影響可預(yù)測生存率。應(yīng)用于本文，COX 模型可以用來預(yù)測網(wǎng)絡(luò)負(fù)面情緒傳播的周期和爆發(fā)情況。

2.用戶活躍程度排序。結(jié)合網(wǎng)絡(luò)負(fù)面情緒生命周期預(yù)測情況，對處于爆發(fā)階段的情緒狀態(tài)進(jìn)行計算、排序與預(yù)測，從而對處于爆發(fā)階段的群體進(jìn)行精準(zhǔn)預(yù)警，并分析網(wǎng)絡(luò)負(fù)面情緒爆發(fā)階段不同用戶的活躍程度。具體操作如下：

（1）負(fù)面情緒計算與排序。首先進(jìn)行負(fù)面情緒分析，通過將網(wǎng)絡(luò)中民眾情緒分為正面情感、負(fù)面情感和中立情感，借鑒Shen 等提出中文網(wǎng)絡(luò)情感框架模型，通過構(gòu)建態(tài)度詞典、權(quán)重詞典、否定詞典、程度詞典和鏈接詞詞典來計算網(wǎng)絡(luò)情感強(qiáng)度[23]。其次，進(jìn)行負(fù)面情緒計算。根據(jù)Aging Theory 主題生命周期模型[24]，一般將事件發(fā)展映射為能量值表示當(dāng)前狀態(tài)以及預(yù)測可能處于的生命狀態(tài)。能力值的延續(xù)，需要依托營養(yǎng)素的補(bǔ)充[25]。負(fù)面情緒營養(yǎng)素計算式，需要考慮用戶影響力情況，而網(wǎng)絡(luò)中這種影響力可以通過轉(zhuǎn)發(fā)和評論行為來體現(xiàn)[26]。最終，通過情感、用戶影響力以及訓(xùn)練好的模型實(shí)現(xiàn)負(fù)面情緒計算，并對其進(jìn)行排序。

（2）負(fù)面情緒預(yù)警。情緒狀態(tài)應(yīng)包括構(gòu)建預(yù)警模式庫以及負(fù)面情緒可視化兩部分。預(yù)警模式庫通過預(yù)先定義負(fù)面情緒預(yù)警模式，對當(dāng)前負(fù)面情緒進(jìn)行全方面分析，進(jìn)而啟動相應(yīng)預(yù)警模式。通過與預(yù)警符號與各種顏色，強(qiáng)化當(dāng)前負(fù)面情緒預(yù)警的不同狀態(tài)。參考國際慣例與網(wǎng)絡(luò)負(fù)面情緒的實(shí)際情況，可以將負(fù)面情緒預(yù)警分為初級預(yù)警（四級）、中級預(yù)警（三級）、高級預(yù)警（高級）與特級預(yù)警（一級），分別使用藍(lán)色、黃色、橙色與紅色對應(yīng)表示，如圖4 所示。

圖4 負(fù)面情緒預(yù)警等級示意圖

（3）負(fù)面情緒預(yù)警用戶活躍度排序

聚類是常見的數(shù)據(jù)挖掘方法，兩步聚類可自動確定最佳類別數(shù)量。通過兩步聚類分別對直接在網(wǎng)絡(luò)發(fā)布相關(guān)信息用戶，以及通過評論參與討論用戶進(jìn)行聚類分析，得到直接發(fā)布網(wǎng)絡(luò)信息用戶和通過評論參與討論該主題用戶的特征[27]。根據(jù)聚類后的結(jié)果，對原始網(wǎng)絡(luò)信息用戶的平均等級、關(guān)注數(shù)以及平均信息數(shù)計算該用戶在以往實(shí)踐中的平均活躍度，計算方法見公式（1），并以此為基礎(chǔ)對不用用戶活躍度進(jìn)行排列。

其中，Xti表示第i 類原始網(wǎng)絡(luò)用戶平均活躍度。Ati表示第i 類原始網(wǎng)絡(luò)用戶的平均等級，Atmax表示原始網(wǎng)絡(luò)用戶的最高平均等級。Bti表示第i 類原始網(wǎng)絡(luò)用戶的平均關(guān)注數(shù)，表示第i 類原始網(wǎng)絡(luò)用戶最高平均關(guān)注數(shù)。表示第i 類原始網(wǎng)絡(luò)用戶的平均信息總數(shù)，Ctmax表示原始網(wǎng)絡(luò)用戶的最高平均信息總數(shù)。

3.用戶活躍度數(shù)據(jù)畫像模型。基于上述計算，可以構(gòu)建多層面用戶畫像。一般來說，我們關(guān)注總體情況與極端情況，因此本部分主要解決總體用戶畫像、高活躍度用戶畫像與低活躍度用戶畫像。

（1）總體用戶標(biāo)簽體系。用戶畫像的本質(zhì)是用戶信息標(biāo)簽化，主要通過用戶社會屬性、行為習(xí)慣、偏好特征等對用戶特征進(jìn)行刻畫，從而進(jìn)行分析統(tǒng)計。按照用戶畫像數(shù)據(jù)標(biāo)簽體系，借鑒趙宏田關(guān)于數(shù)據(jù)畫像標(biāo)簽的研究成果[28]，本文主要從用戶屬性維度、用戶行為維度與社交屬性維度構(gòu)建排名后的微博用戶標(biāo)簽體系。其中，用戶屬性維度是數(shù)據(jù)畫像的基礎(chǔ)，主要包括用戶的年齡、性別、注冊時間、注冊狀態(tài)、城市、活躍登錄地點(diǎn)等。用戶行為維度，主要通過用戶行為挖掘主要偏好與特征，主要包括發(fā)文、轉(zhuǎn)發(fā)、點(diǎn)贊、評論、高頻活躍時間段等行為。社交屬性維度，是用于了解用戶社交關(guān)系、偏好等方面內(nèi)容，主要包括活躍時間、活躍地點(diǎn)、關(guān)注人數(shù)、粉絲人數(shù)、文章被轉(zhuǎn)載次數(shù)等。

（2）高（低）活躍度用戶畫像。不同活躍度用戶的畫像選取標(biāo)簽的維度都是相同的，只是不同標(biāo)簽的數(shù)值有所差異，因此本文統(tǒng)一對兩種極端活躍度用戶畫像的標(biāo)簽維度進(jìn)行描述。主要使用年齡、性別、學(xué)歷、行為等對其進(jìn)行描述。年齡、性別、學(xué)歷等基本信息描述用戶的基本屬性特征，并以此為基礎(chǔ)確定目標(biāo)用戶群體。行為維度主要描述網(wǎng)絡(luò)平臺用戶發(fā)帖數(shù)量、轉(zhuǎn)發(fā)數(shù)量、評論、被轉(zhuǎn)發(fā)數(shù)量等行為，并以此判斷不同活躍度用戶的行為特征，并以此預(yù)測該用戶對網(wǎng)絡(luò)負(fù)面情緒的影響情況。

（三）目標(biāo)用戶群鎖定

基于用戶活躍度畫像建模，運(yùn)用Python 爬取各類網(wǎng)絡(luò)平臺用戶數(shù)據(jù)，并將這些數(shù)據(jù)與數(shù)據(jù)畫像模型相關(guān)聯(lián)，運(yùn)用大數(shù)據(jù)分析方法鎖定目標(biāo)用戶群。本文將場景設(shè)置為微博平臺用戶負(fù)面情緒的傳播，研究的目標(biāo)是提前預(yù)測負(fù)面情緒爆發(fā)。因此，處于負(fù)面情緒爆發(fā)邊界的用戶才是目標(biāo)群體。

（四）用戶畫像分析

鎖定目標(biāo)微博用戶后，需要通過分析用戶數(shù)據(jù)畫像、了解用戶行為特征，從而制定具有針對性的負(fù)面情緒治理措施。首先，分析各標(biāo)簽的分布情況，主要對不同活躍度用戶的年齡、性別、學(xué)歷以及行為（發(fā)文、轉(zhuǎn)發(fā)、評論等）進(jìn)行分析，通過模型輸出，可以獲取目標(biāo)微博用戶群的畫像特征。其次，基于上述分析的目標(biāo)微博用戶數(shù)據(jù)畫像特征，給出網(wǎng)絡(luò)負(fù)面情緒管理的相關(guān)信息，如用戶的性別、年齡決定了管理策略與溝通的方式；轉(zhuǎn)發(fā)時間、評論次數(shù)、發(fā)文數(shù)量決定了介入時機(jī)。

三、網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像的應(yīng)用

基于生命周期模型的用戶畫像構(gòu)建，能夠發(fā)現(xiàn)并預(yù)測負(fù)面情緒用戶的動態(tài)，及時干預(yù)和處理，在網(wǎng)絡(luò)安全治理和輿情管控上具有突出的現(xiàn)實(shí)意義。

（一）網(wǎng)絡(luò)負(fù)面情緒精準(zhǔn)監(jiān)控

本文將用戶畫像應(yīng)用于網(wǎng)絡(luò)負(fù)面情緒用戶精準(zhǔn)鎖定中，構(gòu)成對網(wǎng)絡(luò)負(fù)面情緒用戶動態(tài)興趣的識別，以及對其需求的預(yù)測。結(jié)合用戶畫像，通過碎片化挖掘、語義化概述、關(guān)聯(lián)化銜接對網(wǎng)絡(luò)資源進(jìn)行處理，深入掌握網(wǎng)絡(luò)負(fù)面情緒群體特征，從而實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)面情緒群體用戶畫像與網(wǎng)絡(luò)資源語義標(biāo)簽相關(guān)聯(lián)、相映射。①建立實(shí)時監(jiān)測機(jī)制：通過對用戶畫像進(jìn)行分析與挖掘，實(shí)時跟蹤和分析社交媒體上的用戶行為和情緒。政府和相關(guān)機(jī)構(gòu)可以建立強(qiáng)大的實(shí)時社交媒體監(jiān)測系統(tǒng)。②預(yù)測用戶情緒發(fā)展。分析用戶的群體行為，將用戶行為標(biāo)簽化，通過與其他數(shù)據(jù)的結(jié)合分析來提供客觀評價與預(yù)測群體情緒發(fā)展趨勢。③及時進(jìn)行內(nèi)容投放。對于預(yù)測需要治理的負(fù)面情緒群體，針對核心用戶采取個性化的精準(zhǔn)服務(wù)，有效實(shí)現(xiàn)精準(zhǔn)治理。

（二）負(fù)面情緒用戶的精準(zhǔn)鎖定

網(wǎng)絡(luò)負(fù)面情緒群體的用戶畫像構(gòu)建，有利于實(shí)現(xiàn)對用戶的個性化與精準(zhǔn)化的管理與情緒引導(dǎo)的目的。網(wǎng)絡(luò)平臺與政府能夠?qū)崿F(xiàn)精準(zhǔn)鎖定，識別潛在風(fēng)險。①個性化干預(yù)：基于用戶畫像的情緒識別，政府可以制定個性化的情緒引導(dǎo)策略。根據(jù)不同群體的情感特點(diǎn)，為其提供適當(dāng)?shù)那榫w引導(dǎo)和干預(yù)措施。政府可以通過社交媒體、官方網(wǎng)站等渠道向公眾提供情感疏導(dǎo)信息，包括積極情緒的培養(yǎng)、減輕壓力的方法等。②提供心理健康支持：負(fù)面情緒對個體的心理健康有一定影響。政府可以建立心理健康支持計劃，通過線上或線下方式為受到負(fù)面情緒影響的群體提供專業(yè)心理輔導(dǎo)。用戶畫像分析可以幫助政府更準(zhǔn)確地識別出受情緒困擾的群體，有針對性地提供幫助。③建立情感表達(dá)平臺：政府可以鼓勵公眾利用情感表達(dá)平臺，以多種方式來宣泄情緒，為公眾提供一個安全、積極的情感表達(dá)空間，減輕壓力和情緒不良。

（三）輔助網(wǎng)絡(luò)輿情管理決策

通過對用戶畫像的綜合分析，政府可以更準(zhǔn)確地捕捉到負(fù)面情緒的迅速蔓延，為有效的輿論管理提供便利。①強(qiáng)化信息辟謠：在負(fù)面情緒傳播的背景下，政府應(yīng)采取積極措施來應(yīng)對虛假信息和不實(shí)傳聞。通過用戶畫像分析，政府可以更好地了解公眾關(guān)心的問題，迅速提供真實(shí)、準(zhǔn)確的信息來消除不實(shí)傳聞，減少恐慌情緒。②設(shè)立專門反饋渠道：政府可以建立專門的反饋渠道，接受公眾關(guān)于負(fù)面情緒的反饋。借助用戶畫像分析，政府可以深入了解公眾對特定事件或問題的情緒反應(yīng)和需求。這些反饋可以幫助政府更好地理解公眾的擔(dān)憂，并針對性地制定合適的信息傳播和干預(yù)策略。③快速消除負(fù)面影響：對業(yè)已形成的大范圍負(fù)面輿論，既可以通過用戶畫像建構(gòu)，精準(zhǔn)識別負(fù)面情緒的癥結(jié)并消除影響，又可以借助網(wǎng)絡(luò)平臺和社交媒體交互性傳遞真實(shí)有效信息。

總之，具體的負(fù)面情緒群體用戶畫像，與以人為本的治理理念、以用戶為中心的服務(wù)理念結(jié)合，使得實(shí)踐決策有據(jù)可依，為下一階段的工作提供指導(dǎo)，為社會的信息服務(wù)發(fā)展提供科學(xué)決策。