關(guān)鍵詞： 超網(wǎng)絡(luò)； 跨社交媒體； 網(wǎng)絡(luò)輿情； 關(guān)鍵節(jié)點； 信息傳播

ＤＯＩ：１０.３９６９ ／ ｊ.ｉｓｓｎ.１００８－０８２１.２０２４.０９.００２

〔中圖分類號〕Ｇ２０６ 〔文獻(xiàn)標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０９－００１６－１５

互聯(lián)網(wǎng)的普及與社交媒體平臺的繁榮逐漸改變了人們交流互動、獲取信息的渠道和方式， 網(wǎng)絡(luò)輿情已經(jīng)成為影響公眾觀點、塑造社會議題、驅(qū)動政策制定的關(guān)鍵因素。由于網(wǎng)絡(luò)輿情具有自發(fā)性、多元性、跨界性、沖突性等特點［１］ ， 其治理與管控一直是學(xué)術(shù)界致力研究的重點， 也是社會各界共同關(guān)注的問題。然而， 社交媒體在其所處平臺深耕細(xì)作，種類趨向多元化。網(wǎng)絡(luò)輿情已不再局限于某一單一平臺， 而是以網(wǎng)絡(luò)矩陣的形態(tài)跨越多個平臺進(jìn)行發(fā)酵與擴(kuò)散［２］ 。雖然這種跨媒體輿情能夠促進(jìn)信息傳播的速度與范圍［３］ ， 但其帶來的情感極化、回音室效應(yīng)、信息異質(zhì)性等問題的危害亦不容小覷［４－５］ 。因此， 如何跟蹤探索復(fù)雜的跨社交媒體輿情傳播模式， 并從其中挖掘與識別輿情關(guān)鍵節(jié)點， 是當(dāng)下輿情管理亟待解決的重要課題。

當(dāng)前， 學(xué)術(shù)界對網(wǎng)絡(luò)輿情的研究給予了高度重視， 如輿情信息傳播模式與機(jī)制研究［６－８］ 、輿情監(jiān)控與預(yù)警研究［９－１２］ 、輿情特征與演化研究［１３－１６］ 。研究此問題所采用的方法論也頗為豐富， 使用最為廣泛的知識發(fā)現(xiàn)方法包括文本挖掘［１７－１８］ 、知識圖譜［１９］ 、機(jī)器學(xué)習(xí)［２０－２１］ 等； 還包括時間序列分析［２２］ 、多元統(tǒng)計分析［２３］ 、扎根理論［２４］ 、社會網(wǎng)絡(luò)分析［２５］等傳統(tǒng)研究方法［２６］ 。相關(guān)研究尚存在一些局限性：現(xiàn)有研究大多基于單一平臺的數(shù)據(jù)展開， 有部分研究選取多個平臺的輿情數(shù)據(jù)進(jìn)行對比分析， 但忽略了不同平臺間的信息交互和影響， 跨社交媒體輿情方面的相關(guān)文獻(xiàn)也寥寥無幾； 此外， 當(dāng)前研究大多針對輿情傳播過程中的關(guān)鍵用戶主體展開分析， 對輿情傳播過程全貌的認(rèn)識不足。

基于此， 本研究基于“５Ｗ” 的分析方法， 利用超網(wǎng)絡(luò)模型刻畫跨社交媒體輿情傳播模式， 并融合超網(wǎng)絡(luò)屬性指標(biāo)與經(jīng)改進(jìn)的超邊排序算法， 識別不同種類的跨社交媒體輿情關(guān)鍵節(jié)點。本研究試圖擴(kuò)展現(xiàn)有研究僅聚焦于單一平臺的視角， 為網(wǎng)絡(luò)輿情研究領(lǐng)域提供了新的理論框架與研究方法。在實踐層面， 本研究識別出的關(guān)鍵節(jié)點能夠幫助輿情監(jiān)管部門在跨社交媒體環(huán)境下實施更為精準(zhǔn)的輿情監(jiān)控， 以期為跨社交媒體網(wǎng)絡(luò)輿情的風(fēng)險防范與應(yīng)對提供科學(xué)依據(jù)。

１相關(guān)概念及理論

１.１超網(wǎng)絡(luò)理論

超網(wǎng)絡(luò)的明確理論最早由Ｎａｇｕｒｎｅｙ Ａ 等［２７］ 提出， 指高于而又超于現(xiàn)有網(wǎng)絡(luò)的復(fù)雜系統(tǒng)。近些年來一些學(xué)者開始運用超網(wǎng)絡(luò)的方法， 通過構(gòu)建包含多層子網(wǎng)的輿情超網(wǎng)絡(luò)模型來分析網(wǎng)絡(luò)輿情的傳播特征。馬寧等［２８］ 將微博輿情所處的網(wǎng)絡(luò)分為４ 層，包含社交子網(wǎng)、環(huán)境子網(wǎng)、心理子網(wǎng)、觀點子網(wǎng)。梁曉賀等［２９］ 通過構(gòu)建社交子網(wǎng)、觀點子網(wǎng)、情感子網(wǎng)、時序子網(wǎng)來識別微博輿情中的熱點主題。楊湘浩等［３０］ 通過構(gòu)建社交子網(wǎng)、環(huán)境子網(wǎng)、心理子網(wǎng)、觀點子網(wǎng)來分析微博謠言傳播過程。周歡等［３１］ 構(gòu)建了包含社交子網(wǎng)、時序子網(wǎng)、情感子網(wǎng)、話題子網(wǎng)、觀點子網(wǎng)的五維微博超網(wǎng)絡(luò)模型。

基于以上研究發(fā)現(xiàn)， 超網(wǎng)絡(luò)模型具有多層、多級、多維、多屬性等特性， 因此能夠較好地刻畫跨社交媒體信息傳播的網(wǎng)絡(luò)特征。據(jù)此， 本研究基于５Ｗ 分析法， 全面考慮多個社交媒體輿情傳播的要素及其相互作用關(guān)系， 構(gòu)建包含多層子網(wǎng)的跨社交媒體輿情超網(wǎng)絡(luò)模型， 以更全面地探索跨社交媒體輿情傳播的模式與特征， 從而識別跨社交媒體輿情超網(wǎng)絡(luò)中的關(guān)鍵節(jié)點。

１.２關(guān)鍵節(jié)點

超網(wǎng)絡(luò)結(jié)構(gòu)中的關(guān)鍵節(jié)點主要指對網(wǎng)絡(luò)功能和穩(wěn)定性起到重要作用的節(jié)點。通過識別這些關(guān)鍵節(jié)點能夠幫助理解網(wǎng)絡(luò)的結(jié)構(gòu)與動態(tài)，以準(zhǔn)確預(yù)測與控制網(wǎng)絡(luò)。網(wǎng)絡(luò)輿情的跨社交媒體傳播是一個更為復(fù)雜且具有多維屬性特征的過程， 應(yīng)該采用超網(wǎng)絡(luò)結(jié)構(gòu)來進(jìn)行表征。因此， 在這種大規(guī)模社交網(wǎng)絡(luò)中快速識別關(guān)鍵節(jié)點對于跨社交媒體網(wǎng)絡(luò)輿情的控制及引導(dǎo)有重要意義。

隨著研究工作的開展， 關(guān)于網(wǎng)絡(luò)輿情信息主體的討論也逐漸豐富，包括意見領(lǐng)袖、高影響力用戶、關(guān)鍵用戶等概念。其中，社交網(wǎng)絡(luò)意見領(lǐng)袖主要指的是在社交平臺中發(fā)布觀點，且被多數(shù)信息受眾認(rèn)同的用戶。高影響力用戶主要指具有獨特的魅力與特質(zhì)的用戶， 并且能夠在社交平臺中增強(qiáng)用戶間交互行為。關(guān)鍵用戶的概念主要是來源于社會網(wǎng)絡(luò)分析，在網(wǎng)絡(luò)中的地位及影響程度較高的用戶稱為關(guān)鍵用戶。方法層面， 早期國內(nèi)外學(xué)者主要采用社會網(wǎng)絡(luò)分析的方法， 通過網(wǎng)絡(luò)屬性指標(biāo)識別關(guān)鍵用戶［３２－３４］ 。近年來， 許多學(xué)者在原有算法的基礎(chǔ)之上， 提出了許多新的挖掘方法。如基于改進(jìn)的Ｐａｇ?ｅＲａｎｋ 算法構(gòu)建社交網(wǎng)絡(luò)中的意見領(lǐng)袖識別模型［３５］ 。Ｊａｉｎ Ｌ 等［２５］ 通過融合博弈論與社會網(wǎng)絡(luò)分析的方法進(jìn)行社交媒體意見領(lǐng)袖的識別。金燕等［３６］ 基于用戶特征屬性、話題相關(guān)性以及網(wǎng)絡(luò)位置， 構(gòu)建意見領(lǐng)袖三層次篩選甄別流程。還有學(xué)者基于用戶的屬性特征構(gòu)建意見領(lǐng)袖識別指標(biāo)［３７］ ， 并且通過各種指標(biāo)體系進(jìn)行意見領(lǐng)袖用戶畫像的構(gòu)建［３８］ 。此外，還有研究對意見領(lǐng)袖的影響方式［３９］ 與作用［４０］ 展開探索， 證實了意見領(lǐng)袖在多樣化的互聯(lián)網(wǎng)信息傳播過程中的影響力［４１］ 。

總體而言， 網(wǎng)絡(luò)輿情中關(guān)于各類主體用戶內(nèi)涵與特征的研究較為豐富， 且對不同種類用戶進(jìn)行識別的研究方法也有較多成果。但已有方法多是基于單一平臺的社交環(huán)境， 對同一用戶參與不同平臺產(chǎn)生的網(wǎng)絡(luò)輿情關(guān)注較少； 現(xiàn)有研究大多關(guān)注挖掘網(wǎng)絡(luò)傳播過程中的意見領(lǐng)袖， 然而在輿情的傳播過程中還有許多較為活躍的、具有鮮明觀點的關(guān)鍵用戶； 最重要的是在輿情傳播的過程中， 除了扮演重要角色的關(guān)鍵用戶節(jié)點， 還應(yīng)當(dāng)給予其他類型（如情感、主題、時序）節(jié)點等一定的關(guān)注， 以更全面地監(jiān)控輿情過程， 把握輿情發(fā)展情況?；诖?， 本研究以超網(wǎng)絡(luò)理論為基礎(chǔ)， 對跨社交媒體網(wǎng)絡(luò)輿情的發(fā)展過程進(jìn)行建模， 同時結(jié)合ＬＤＡ、情感分析、神經(jīng)網(wǎng)絡(luò)等方法， 對選取的跨社交媒體輿情事件中的關(guān)鍵節(jié)點展開挖掘。

２研究設(shè)計與方法

２.１研究設(shè)計

本研究的目標(biāo)為挖掘跨社交媒體輿情傳播過程的關(guān)鍵節(jié)點， 因此， 研究工作選取特定的網(wǎng)絡(luò)輿情事件， 在多個平臺按照話題內(nèi)容進(jìn)行檢索獲得本研究所需要的多平臺輿情數(shù)據(jù)庫。在此基礎(chǔ)上， 采用跨社交媒體同一用戶識別算法采集符合本研究目標(biāo)的數(shù)據(jù)。整體研究流程如圖１ 所示。

研究過程中， 子網(wǎng)絡(luò)構(gòu)建環(huán)節(jié)完成對跨社交媒體輿情信息傳播超網(wǎng)絡(luò)的模型構(gòu)建， 然后分別介于超邊排序算法與超網(wǎng)絡(luò)屬性指標(biāo)挖掘關(guān)鍵節(jié)點； 從信息傳播影響力、時序相似度、情感相似度、主題相似度４ 個指標(biāo)構(gòu)建超邊排序算法， 識別依據(jù)為節(jié)點在超網(wǎng)絡(luò)傳播中發(fā)揮的多方面影響力； 基于超網(wǎng)絡(luò)屬性指標(biāo)挖掘的節(jié)點則依據(jù)其在網(wǎng)絡(luò)中的重要性來識別； 最后基于得到的不同種類關(guān)鍵節(jié)點進(jìn)行對比分析， 為跨社交媒體輿情傳播提供可供參考的建議。

２.２跨社交媒體同一用戶識別

通過給定的某平臺某用戶的屬性信息， 如用戶名＠ 人民日報， 如果他在其他平臺也進(jìn)行了信息交互， 那么可以找到該用戶在其他平臺的相關(guān)信息。

這種針對多個社交媒體的用戶間關(guān)聯(lián)關(guān)系展開的研究， 稱為跨社交媒體同一用戶識別［４２］ 。由于本研究關(guān)注的研究對象是參與發(fā)布跨社交媒體網(wǎng)絡(luò)輿情的信息用戶， 因此研究工作借鑒該同一用戶識別算法， 結(jié)合自身研究需求作出適當(dāng)調(diào)整， 提取同時參與跨社交媒體網(wǎng)絡(luò)輿情的信息用戶?？缟缃幻襟w同一用戶識別方法模型如圖２所示。

從圖２ 可見， 本研究首先采用屬性相似度算法計算平臺間用戶對之間屬性的相似度值（Ｓｉｍａｔｔｒ ）， 從跨社交媒體輿情數(shù)據(jù)庫中發(fā)現(xiàn)用戶匹配對數(shù)據(jù)集和潛在的用戶匹配對數(shù)據(jù)集； 然后對用戶在不同社交媒體發(fā)布信息內(nèi)容的相似度（Ｓｉｍｃｏｎｔ ）進(jìn)行測算， 以尋求更多用戶匹配對； 最后通過對算法識別出的結(jié)果進(jìn)行人工校對與檢查， 得到本研究需要使用的參與跨社交媒體輿情傳播的同一用戶信息集。

２.３ 超網(wǎng)絡(luò)子網(wǎng)構(gòu)建

網(wǎng)絡(luò)輿情事件是指發(fā)生在網(wǎng)絡(luò)空間中， 以社交媒體平臺為載體， 公眾針對自己關(guān)心或與自身利益密切相關(guān)的社會現(xiàn)實問題所發(fā)表的各種觀點、態(tài)度與意見的總和［１］ 。隨著信息科技的飛速發(fā)展與媒介的迭代更新與繁榮， 網(wǎng)絡(luò)輿情事件并不局限于在單平臺進(jìn)行孤立傳播， 而是以矩陣化的形式在多個社交媒體平臺發(fā)酵。當(dāng)由多個社交媒體同時傳播相同的輿情事件， 其中還存在相同用戶在多個平臺發(fā)生實質(zhì)性的交互時， 便形成了跨社交媒體網(wǎng)絡(luò)輿情事件， 即相同用戶在不同平臺中參與輿情交互的言論、觀點與情感的集合。

跨社交媒體輿情的發(fā)生過程， 類同于普通的信息傳播過程， 需要厘清５Ｗ（Ｗｈｅｎ、Ｗｈｅｒｅ、Ｗｈｏ、Ｗｈａｔ、Ｗｈｙ）五要素的關(guān)系。一條輿情信息包括一個用戶在特定的時間與平臺內(nèi)發(fā)布的包含其情感與觀點的表達(dá)， 而一個輿情事件由多條輿情信息傳播構(gòu)成。因此， 跨社交媒體輿情形成關(guān)聯(lián)的實體包括用戶（Ｗｈｏ）、時序環(huán)境（Ｗｈｅｎ）、平臺環(huán)境（Ｗｈｅｒｅ）、信息及話題內(nèi)容（Ｗｈａｔ）、情感內(nèi)驅(qū)力（Ｗｈｙ）。本研究基于“５Ｗ” 分析法， 構(gòu)建跨社交媒體輿情超網(wǎng)絡(luò)模型， 包含的６ 層子網(wǎng)， 分別為“社交子網(wǎng)”“信息子網(wǎng)” “時序子網(wǎng)” “平臺子網(wǎng)” “話題子網(wǎng)”“情感子網(wǎng)”。①社交子網(wǎng)Ｕ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ）： 用來描述參與跨社交媒體輿情討論的用戶主體間的關(guān)系； ②信息子網(wǎng)Ｃ（Ｉｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在跨社交媒體發(fā)布信息的傳播過程， 一條信息內(nèi)容對應(yīng)于子網(wǎng)中的節(jié)點。信息子網(wǎng)的量化是通過將用戶與其評論的內(nèi)容進(jìn)行關(guān)聯(lián)， 形成新的節(jié)點， 然后對其編號； ③時序子網(wǎng)Ｔ（Ｔｅｍｐｏｒａｌ Ｎｅｔ?ｗｏｒｋ）： 用來描述輿情事件在跨社交媒體發(fā)展的不同階段和程度。根據(jù)輿情信息數(shù)量以及生命周期理論， 跨社交媒體輿情演化可劃分為孕育期、爆發(fā)期、持續(xù)期和反復(fù)期４ 個階段。該４ 個階段作為子網(wǎng)內(nèi)的節(jié)點， 以相鄰時區(qū)間的轉(zhuǎn)化關(guān)聯(lián)關(guān)系構(gòu)造無向邊；④平臺子網(wǎng)Ｍ（Ｐｌａｔｆｏｒｍ Ｎｅｔｗｏｒｋ）： 用來描述輿情事件在跨社交媒體傳播的途徑。本文考慮用戶會選擇在不同的社交媒體環(huán)境參與跨平臺網(wǎng)絡(luò)輿情的討論，以選取的各類社交媒體平臺作為子網(wǎng)內(nèi)節(jié)點， 以平臺內(nèi)用戶主體在不同媒體的共現(xiàn)次數(shù)構(gòu)造無向邊；⑤話題子網(wǎng)Ｏ（Ｔｏｐｉｃ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在跨社交媒體發(fā)布言論時的觀點與思想， 以話題是否在同一條信息內(nèi)容中出現(xiàn)構(gòu)建無向邊； ⑥情感子網(wǎng)Ｅ（Ｓｅｎｔｉｍｅｎｔ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在參與跨社交媒體討論時所具有的情感類型， 以從信息內(nèi)容中提取的情感極性與情感強(qiáng)度作為節(jié)點， 以不同的情感類型之間的轉(zhuǎn)化關(guān)聯(lián)關(guān)系作為無向邊。

２.４超網(wǎng)絡(luò)模型超邊屬性計算

ＰａｇｅＲａｎｋ 算法一直被廣泛應(yīng)用于識別輿情信息傳播過程中的關(guān)鍵節(jié)點［３５］ ， 因此， 現(xiàn)有學(xué)者通過將ＰａｇｅＲａｎｋ 算法的核心思想引入輿情超網(wǎng)絡(luò)中超邊排序計算， 如馬寧等［２８］ 提出的ＳｕｐｅｒＥｄｇｅＲａｎｋ算法、張連峰等［４１］ 提出的ＨｙｐｅｒＥｄｇｅＲａｎｋ 算法分別基于微博輿情超網(wǎng)絡(luò)中的超邊進(jìn)行排序； 周歡等［３１］ 將微博的轉(zhuǎn)發(fā)、評論、點贊量作為影響因子對ＳｕｐｅｒＥｄｇｅＲａｎｋ 算法進(jìn)行了改進(jìn)。鑒于此， 本研究分別從信息傳播影響度、時序相似度、情感相似度、主題相似度４ 個維度出發(fā)， 對構(gòu)建的跨社交媒體網(wǎng)絡(luò)輿情超網(wǎng)絡(luò)中的各個子網(wǎng)進(jìn)行量化， 提出ＣＮ－ＳｕｐｅｒＥｄｇｅＲａｎｋ 算法， 同時結(jié)合超網(wǎng)絡(luò)中的各項屬性指標(biāo)對超網(wǎng)絡(luò)中的超邊進(jìn)行計算， 以更好地挖掘關(guān)鍵節(jié)點。跨社交媒體輿情傳播超網(wǎng)絡(luò)模型構(gòu)建與節(jié)點識別過程如圖３所示。

６） 超網(wǎng)絡(luò)屬性指標(biāo)

為了更全面地識別跨社交媒體輿情關(guān)鍵節(jié)點，參考相應(yīng)文獻(xiàn)［１５，２８］ ， 本文還引入節(jié)點超度、超邊重疊度、超邊連接度、接近中心度等評價指標(biāo)。節(jié)點超度： 指該節(jié)點參與組成的超邊數(shù)， 用來識別超網(wǎng)絡(luò)中活躍節(jié)點； 超邊連接度： 若兩條超邊包含相同的節(jié)點， 則代表這兩條超邊通過該共同節(jié)點相連，用來識別焦點節(jié)點； 超邊重疊度： 指一個超邊與其他超邊共享節(jié)點的次數(shù)， 該值能夠描述一條超邊與其他超邊的重疊情況， 用來識別傳播人物； 接近中心度： 指一個點到其他點的近鄰情況， 用來識別潛在活躍人物。

３研究過程

３.１數(shù)據(jù)采集與預(yù)處理

根據(jù)社交媒體平臺的內(nèi)容生產(chǎn)類別與提供服務(wù)的功能， 可以將其劃分為即時通訊平臺、公共社交平臺、短視頻社交平臺與虛擬社區(qū)平臺等［２］ 。由于本研究聚焦于識別網(wǎng)絡(luò)輿情在跨社交媒體發(fā)酵演進(jìn)的關(guān)鍵節(jié)點， 需要針對同一用戶在不同類型的社交媒體平臺參與輿情過程的數(shù)據(jù)展開研究。因此，本研究以“日本核污染水排海事件” （以下簡稱“事件”）為例， 利用自主開發(fā)的Ｐｙｔｈｏｎ 爬蟲工具，分別在微博、今日頭條、抖音、嗶哩嗶哩與知乎５個平臺進(jìn)行檢索， 共獲得相關(guān)數(shù)據(jù)５ 萬余條， 用戶１ 萬余名。采用跨社交媒體同一用戶識別算法， 共識別出參與跨社交媒體網(wǎng)絡(luò)輿情傳播的１６１ 名用戶， 獲得有效輿情數(shù)據(jù)５ ４５２條。鑒于微信平臺性質(zhì)特殊， 難以采用爬蟲的方式獲取數(shù)據(jù)。本研究采用人工檢索與收集的方式識別上述１６０名用戶在微信平臺內(nèi)發(fā)布的有關(guān)事件信息數(shù)據(jù)。最終， 共獲?。?３３２條有效輿情數(shù)據(jù)， 時間跨度為２０２３ 年８ 月２１日—９ 月１２ 日。其中分別包含用戶、輿情內(nèi)容、發(fā)布時間、點贊量、評論量等關(guān)鍵信息。輿情數(shù)量統(tǒng)計如圖４ 所示。

圖４ 中的數(shù)字代表每個自然日內(nèi)事件跨社交媒體傳播的輿情信息數(shù)量。根據(jù)“事件” 的時間序列特點［１］ ， 將該事件輿情發(fā)展劃分為孕育期、爆發(fā)期、持續(xù)期和反復(fù)期４ 個階段。

３.２情感子網(wǎng)量化結(jié)果

將信息子網(wǎng)中的內(nèi)容節(jié)點， 即各平臺的輿情數(shù)據(jù)， 經(jīng)過去除無效符號、停用詞等預(yù)處理后獲得待分析語料庫。Ｐａｄｄｌｅ Ｐａｄｄｌｅ 會基于正面情感和負(fù)面情感打出兩個情感分值， 根據(jù)情感極性選取兩個分值中大于０ ５ 的分?jǐn)?shù)進(jìn)行賦值， 并依據(jù)情感強(qiáng)度值劃分１１ 個情感節(jié)點， 如表１ 所示。

研究工作通過Ｐａｄｄｌｅ Ｐａｄｄｌｅ 分別計算上述語料文本的情感極性與強(qiáng)度， 部分打分結(jié)果如表２ 所示。

３.３ 話題子網(wǎng)量化結(jié)果

首先， 采用ＬＤＡ 分別計算待分析語料庫２～２０個主題數(shù)時的一致性得分以及主題詞間距， 以判定本模型的最優(yōu)主題數(shù)， 結(jié)果如圖５所示。

根據(jù)一致性得分以及主題詞分布， 本研究確定該事件的主題個數(shù)為８。通過對數(shù)據(jù)進(jìn)行處理， 得到了話題子網(wǎng)的關(guān)鍵詞提取結(jié)果， 如表３ 所示。

根據(jù)文檔—主題分布概率， 將信息子網(wǎng)與話題子網(wǎng)進(jìn)行關(guān)聯(lián)匹配， 得到對應(yīng)的內(nèi)容節(jié)點與主題節(jié)點信息如表４ 所示。

３.４ 跨社交媒體輿情超網(wǎng)絡(luò)量化結(jié)果

事件由２０２３ 年８ 月２１ 日“日本宣布核污染水排?！?開始， 發(fā)展演化至８ 月２４ 日與２５ 日達(dá)到高峰， 至９ 月１２ 日“日本核污染水第一次排海結(jié)束”逐漸平息， 通過圖４ 可以發(fā)現(xiàn)， 事件發(fā)生后在國內(nèi)各個社交平臺中引起廣泛關(guān)注。本研究截取事件整個發(fā)展過程中參與跨社交媒體輿情討論的用戶為研究對象， 分別構(gòu)建輿情參與者及其對應(yīng)的平臺、內(nèi)容、時序、情感、主題共同組成的該事件輿情跨社交媒體超網(wǎng)絡(luò)模型， 結(jié)果如表５ 所示。其中， 每一行代表一條超邊中的某個輿情用戶主體一個媒體環(huán)境發(fā)布的一條信息內(nèi)容， 該信息內(nèi)容屬于輿情周期，并且包含著情感和主題。

超網(wǎng)絡(luò)模型的社交子網(wǎng)包括１６１ 個節(jié)點， 平臺子網(wǎng)包括６ 個節(jié)點， 信息子網(wǎng)包括６ ３３２個節(jié)點，時序子網(wǎng)包括４ 個節(jié)點， 情感子網(wǎng)包括１１ 個節(jié)點，話題子網(wǎng)包括８ 個節(jié)點， 共形成６ ３３２條超邊。

４研究結(jié)果

４.１超邊排序計算結(jié)果

根據(jù)３.４ 節(jié)超邊排序算法的步驟， 研究工作首先分別對信息傳播影響度、時序相似度、情感相似度及主題相似度展開計算。具體計算結(jié)果如表６～表９ 所示。

基于上述結(jié)果， 研究工作以建立的網(wǎng)絡(luò)輿情事件跨社交媒體傳播的超網(wǎng)絡(luò)模型， 借助Ｐｙｔｈｏｎ 編程軟件， 對提出的超邊排序算法對模型中的６ ３３２條超邊進(jìn)行計算。根據(jù)超邊排序算法得到排序分值，結(jié)果如表１０ 所示。

根據(jù)超邊排序結(jié)果， 可以得到排名前十的超邊及其包含的用戶節(jié)點。其中， ｕ１６０、ｕ１５７、ｕ１５１ 等節(jié)點出現(xiàn)了兩次， 說明其在不同平臺發(fā)布的信息內(nèi)容在該事件輿情主題討論的多個時間周期內(nèi)引起了情感共鳴。

４.２超網(wǎng)絡(luò)屬性指標(biāo)計算結(jié)果

根據(jù)３. ４ 節(jié)中超網(wǎng)絡(luò)屬性指標(biāo)的定義展開跨社交媒體輿情關(guān)鍵節(jié)點識別的計算， 結(jié)果如表１１ 所示。

４.３關(guān)鍵節(jié)點挖掘結(jié)果

根據(jù)超網(wǎng)絡(luò)屬性指標(biāo)以及節(jié)點得分公式， 分別在建立的跨社交媒體輿情傳播超網(wǎng)絡(luò)模型中計算各子網(wǎng)內(nèi)節(jié)點得分， 得到各子網(wǎng)關(guān)鍵節(jié)點挖掘結(jié)果，如圖６ 所示。

圖６展示了跨社交媒體輿情傳播超網(wǎng)絡(luò)模型中各子網(wǎng)的關(guān)鍵節(jié)點及其測算指數(shù)。基于５Ｗ 分析法， 研究工作共挖掘出１５類關(guān)鍵節(jié)點。在社交子網(wǎng)中， 根據(jù)節(jié)點得分計算公式， 所識別出的關(guān)鍵節(jié)點與先前基于超網(wǎng)絡(luò)屬性指標(biāo)所識別的節(jié)點存在明顯差異。依據(jù)節(jié)點得分指數(shù)， 本研究識別出的意見領(lǐng)袖為用戶“＠ 玉淵譚天”。這說明其發(fā)布的輿情內(nèi)容傳播范圍較廣， 并涉及多個平臺和多個輿情周期內(nèi)的話題交流。同時， 該用戶與眾多用戶持有相似觀點， 并且能夠引起多數(shù)用戶的情感共鳴。在話題子網(wǎng)中， 挖掘出兩類關(guān)鍵節(jié)點， 分別為驅(qū)動主題與焦點主題。其中， 驅(qū)動主題的節(jié)點得分為０.１６，說明在多重指標(biāo)維度的考量下， 主題節(jié)點ｏ_２ 構(gòu)成公眾討論的話題樞紐， 具備引導(dǎo)輿論走向以及深化討論的能力。主題節(jié)點ｏ_５ 的節(jié)點得分為０.１３， 略低于驅(qū)動主題， 但其節(jié)點超度和情感指數(shù)等指標(biāo)均超過了驅(qū)動主題。因此， 本研究將主題節(jié)點ｏ_５ 定位為焦點主題。該節(jié)點在整個輿情事件中頻繁出現(xiàn)，并且具有強(qiáng)烈的負(fù)面情感投射， 成為整個事件的討論熱點與情感聚焦中心。研究工作共識別出３種不同的情感節(jié)點， 情感節(jié)點ｅ７ 得分最高， 該節(jié)點在整個輿情事件中與大眾情感共鳴之間緊密契合， 加強(qiáng)了信息傳播的廣度與接受度， 增強(qiáng)了社群的凝聚力與參與動力， 因此將節(jié)點ｅ_７ 定義為事件的核心情感。雖然情感節(jié)點ｅ１１ 的得分為０.１５，但是該節(jié)點的節(jié)點超度高達(dá)３３５１。說明ｅ_１１ 奠定了整個輿情事件的情感基調(diào)， 該節(jié)點是公眾討論最多的傾向，扮演著主導(dǎo)情感的角色。ｅ_１０ 的節(jié)點得分為０.１３，所以是事件的次核心情感。在對平臺子網(wǎng)中的節(jié)點進(jìn)行計算后， 研究工作識別出３ 種不同層次的關(guān)鍵節(jié)點。得分最高的為ｍ_２ 抖音平臺， 該節(jié)點在輿情傳播的過程中起到了中心樞紐的作用， 核心平臺的定義不僅體現(xiàn)在超網(wǎng)絡(luò)中的地位優(yōu)勢， 該平臺在多重維度上展現(xiàn)出獨特的融合特性。被定義為主流平臺的ｍ_６ 微博平臺， 憑借廣泛的用戶基礎(chǔ)和信息傳播能力， 匯集了大量的信息流。作為次核心平臺的ｍ_３ 微信平臺在整個過程中也起到了重要作用， 盡管其影響力略低于前兩者， 但在特定群體或場景中仍具有一定的信息擴(kuò)散效應(yīng)。本研究還識別出兩個時間節(jié)點， 分別為高峰時期與次高峰時期。

通過上述分析可以發(fā)現(xiàn)， 將利用改進(jìn)的超邊排序算法構(gòu)建的節(jié)點得分公式與超網(wǎng)絡(luò)屬性指標(biāo)結(jié)合分析， 能夠從多維度、多視角對關(guān)鍵節(jié)點進(jìn)行解讀，有助于增強(qiáng)整個輿情事件在跨社交媒體傳播過程的完整性與深度的理解。就該事件而言， 各類關(guān)鍵用戶節(jié)點均呈現(xiàn)出不同的作用與影響。利用節(jié)點得分識別出的意見領(lǐng)袖為＠ 玉淵譚天， 在整個事件中具有高度的影響力， 其發(fā)布的信息與洞見促進(jìn)用戶間的深度交流與觀點碰撞， 為平穩(wěn)輿論與紓解負(fù)面情緒起到了至關(guān)重要的作用。采用超網(wǎng)絡(luò)屬性指標(biāo)挖掘出的各類節(jié)點， 如＠ 觀察者網(wǎng)、＠ 海峽新干線等在輿情事件中較為活躍的用戶可以起到積極的作用，也可能帶來風(fēng)險， 應(yīng)當(dāng)通過采取建立溝通橋梁、建立反饋機(jī)制等方式更好地管理和引導(dǎo)這些用戶， 使其成為平臺的有益成員； 如＠ 每日經(jīng)濟(jì)新聞、＠ 中國網(wǎng)等焦點用戶， 由于其對公眾產(chǎn)生較大的影響，因此與他們建立良好的溝通至關(guān)重要， 在輿情爆發(fā)過后， 通過監(jiān)管焦點用戶發(fā)布的內(nèi)容可以實時監(jiān)測到用戶關(guān)注的重點； 如＠ 觀察者網(wǎng)、＠ 中國網(wǎng)直播等傳播用戶， 在規(guī)范設(shè)定相應(yīng)的用戶行為準(zhǔn)則后，應(yīng)當(dāng)給予更多的信息資源供其進(jìn)行決策和發(fā)表意見。通過根據(jù)不同種類關(guān)鍵用戶發(fā)揮的作用， 從而設(shè)定不同的管理和監(jiān)控輿情的策略與方法。輿情事件在跨社交媒體傳播的過程中， 對于關(guān)鍵媒體節(jié)點的監(jiān)控是至關(guān)重要的。核心平臺在跨社交媒體輿情傳播中扮演著情感感知器、資源整合與輿論引導(dǎo)者等多重角色。主流平臺的作用主要體現(xiàn)在輿情信息廣泛覆蓋與擴(kuò)散方面。核心情感與主導(dǎo)情感等節(jié)點的提取有助于決策者準(zhǔn)確捕捉公眾情感變化， 進(jìn)而對輿情的走勢產(chǎn)生積極影響。焦點主題與驅(qū)動主題的提取能夠為決策者提供有價值的信息， 幫助理解公眾的需求， 提高與信息受眾間的互動效果。此外， 在輿情演化的過程中， 關(guān)鍵時間節(jié)點標(biāo)志著輿情發(fā)展的重要階段， 通過監(jiān)控輿情發(fā)展過程中的高峰時刻與次高峰時刻， 能夠幫助識別輿情發(fā)酵與驟增的時間點， 為了解輿情的發(fā)展與變遷、實時監(jiān)控輿情提供建議。

５研究結(jié)論

本文將超網(wǎng)絡(luò)理論應(yīng)用于跨社交媒體輿情傳播的過程中， 提出改進(jìn)后的超邊排序算法， 并根據(jù)超網(wǎng)絡(luò)屬性指標(biāo)與節(jié)點得分計算公式識別關(guān)鍵節(jié)點。首先基于“５Ｗ” 分析方法構(gòu)建跨社交媒體輿情傳播的超網(wǎng)絡(luò)模型， 主要包括社交子網(wǎng)、平臺子網(wǎng)、信息子網(wǎng)、時序子網(wǎng)、情感子網(wǎng)和話題子網(wǎng)； 然后通過量化信息傳播影響度、時序相似度、情感相似度、主題相似度， 對超網(wǎng)絡(luò)模型的超邊間關(guān)聯(lián)關(guān)系進(jìn)行計算， 基于上述指標(biāo)， 構(gòu)建改進(jìn)后的ＣＮ－Ｓｕ?ｐｅｒＥｄｇｅＲａｎｋ 超邊排序算法； 最后通過獲取與“日本核污染水排海事件” 相關(guān)的數(shù)據(jù)， 利用跨社交媒體同一用戶識別算法得到研究數(shù)據(jù)并展開實證研究。研究發(fā)現(xiàn)， 本研究提出的跨社交媒體輿情關(guān)鍵節(jié)點識別方法， 能夠有效識別網(wǎng)絡(luò)輿情在跨社交媒體傳播過程中的各類關(guān)鍵節(jié)點。

在理論方面， 本研究基于５Ｗ 分析法， 將超網(wǎng)絡(luò)模型應(yīng)用于刻畫跨社交媒體輿情傳播的過程， 能夠從時間、空間、情感和主題等多維角度全面地捕獲輿情信息傳播的復(fù)雜性， 揭示各層子網(wǎng)中節(jié)點間的關(guān)聯(lián)關(guān)系， 為理解跨社交媒體中輿情信息流動與用戶行為提供更為深入的認(rèn)知， 彌補(bǔ)了傳統(tǒng)社會網(wǎng)絡(luò)分析與其他方法僅關(guān)注單一關(guān)系或?qū)傩缘牟蛔恪?/p>

本研究打破了對于網(wǎng)絡(luò)輿情在單一平臺傳播研究的邊界， 聚焦于平臺間存在實質(zhì)性交互關(guān)系的跨社交媒體網(wǎng)絡(luò)輿情。本文的研究結(jié)果能夠為跨社交媒體網(wǎng)絡(luò)輿情分析提供理論支撐， 為情報學(xué)領(lǐng)域進(jìn)一步探索輿情跨平臺傳播方面的研究提供新的思路和方法論的創(chuàng)新。

在實踐層面， 研究工作基于構(gòu)建的超網(wǎng)絡(luò)模型， 分別從核心的５層子網(wǎng)中提取了不同類型的關(guān)鍵節(jié)點， 可以幫助決策者更精確地定位輿情信息的重要發(fā)布者， 以及其在不同平臺內(nèi)和周期內(nèi)的演化過程， 從而制定更為精準(zhǔn)的輿情管理與應(yīng)對策略。知曉不同節(jié)點在輿情中起到的作用， 能夠使利益相關(guān)者針對關(guān)鍵節(jié)點進(jìn)行重點監(jiān)控與干預(yù)， 以達(dá)到更合理地分配輿情監(jiān)控資源的目的。跨社交媒體輿情話題的走向與情感互動反饋是檢測輿情情感脈沖的關(guān)鍵， 主題節(jié)點與情感節(jié)點的識別能夠幫助管理者更全面深入地理解民眾的需求， 更好地應(yīng)對和管理輿情， 實現(xiàn)科學(xué)有效的輿情信息傳播與公眾互動。

研究中也存在一定的不足之處。研究工作僅采用了平臺內(nèi)用戶在該話題下直接發(fā)布的輿情文本數(shù)據(jù)進(jìn)行分析， 未來可以針對更豐富的輿情類型（圖片輿情、短視頻輿情等） 以及更復(fù)雜的交互關(guān)系（二級用戶跨平臺的評論文本）展開更深入地分析與探索。