高校圖書(shū)館微博知識(shí)推薦影響力研究

馬丹琳，程秀峰（. 北京郵電大學(xué)經(jīng)濟(jì)管理學(xué)院，北京 00876；. 華中師范大學(xué)信息管理學(xué)院，武漢 430079）

高校圖書(shū)館微博知識(shí)推薦影響力研究

馬丹琳1，程秀峰2
（1. 北京郵電大學(xué)經(jīng)濟(jì)管理學(xué)院，北京 100876；2. 華中師范大學(xué)信息管理學(xué)院，武漢 430079）

在運(yùn)用非概率抽樣的滾雪球式抽樣方法的基礎(chǔ)上，采用python編寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)程序獲取百所高校圖書(shū)館兩個(gè)月內(nèi)的微博相關(guān)數(shù)據(jù)，通過(guò)回歸分析探究微博發(fā)布過(guò)程中各因素對(duì)知識(shí)推薦影響力的線性關(guān)系，同時(shí)依據(jù)分析結(jié)果，歸納出微博知識(shí)推薦過(guò)程中影響推薦質(zhì)量與傳播質(zhì)量的因素，并提出提升高校圖書(shū)館微博賬戶知識(shí)推薦影響力的對(duì)策與建議。

高校圖書(shū)館；知識(shí)推薦；影響力；線性回歸；微博

伴隨著社交媒體的發(fā)展，我國(guó)高校圖書(shū)館業(yè)務(wù)重心逐漸由“優(yōu)化館藏建設(shè)”向“優(yōu)化用戶服務(wù)”轉(zhuǎn)移，深化用戶服務(wù)內(nèi)容與方式的一個(gè)重要手段就是圖書(shū)館官方微博的開(kāi)通。重慶大學(xué)于2009年即開(kāi)通了官方微博［1］，到2015年，絕大部分高校都已經(jīng)開(kāi)通了自己的圖書(shū)館微博，但從質(zhì)量上看，圖書(shū)館微博的知識(shí)傳播水平始終與圖書(shū)館本身的館藏水平與文獻(xiàn)利用水平有很大差距，例如，北京大學(xué)圖書(shū)館2015年11月和12月的博文的平均轉(zhuǎn)發(fā)量只有3.93次。因此，如何用好微博，使其作為知識(shí)傳播與知識(shí)推薦手段的效用發(fā)揮到最大，是高校圖書(shū)館工作者必須面對(duì)的問(wèn)題。筆者于2014年發(fā)表的《基于關(guān)聯(lián)規(guī)則的高校圖書(shū)館微博關(guān)注趨勢(shì)分析》一文中，介紹了微博數(shù)據(jù)的獲取方法與流程，通過(guò)對(duì)高校圖書(shū)館關(guān)注數(shù)據(jù)進(jìn)行分析，得出如何在高校圖書(shū)館官方服務(wù)賬戶中發(fā)現(xiàn)高質(zhì)量的社區(qū)和核心用戶。在此基礎(chǔ)上，本文將微博賬戶的粉絲數(shù)、轉(zhuǎn)發(fā)量、關(guān)注數(shù)作為衡量知識(shí)推薦影響力大小的重要指標(biāo)。通過(guò)持續(xù)抓取高校圖書(shū)館微博賬戶的數(shù)據(jù)，采用線性回歸的方法，探究三種顯性影響因素（粉絲數(shù)、博文數(shù)、關(guān)注數(shù)），與三種隱性影響因素（原創(chuàng)率、類(lèi)型、載體形式與轉(zhuǎn)發(fā)量）之間的多維度線性關(guān)系，從不同維度分析各因素對(duì)微博知識(shí)推薦的影響過(guò)程與效用，以期針對(duì)分析結(jié)果提出有利于高校圖書(shū)館微博知識(shí)推薦發(fā)展的一些建議。

1　數(shù)據(jù)的獲取方式及預(yù)處理

1.1 數(shù)據(jù)獲取的抽樣方式及其優(yōu)點(diǎn)

本文依據(jù)《基于關(guān)聯(lián)規(guī)則的高校圖書(shū)館微博關(guān)注趨勢(shì)分析》一文中論述的依據(jù)關(guān)聯(lián)規(guī)則發(fā)現(xiàn)關(guān)注關(guān)聯(lián)性的方法，即“如果一個(gè)圖書(shū)館微博關(guān)注了某個(gè)高校圖書(shū)館微博，那么它有很大可能關(guān)注其他高校圖書(shū)館的微博”［2］，采用統(tǒng)計(jì)學(xué)中非概率抽樣的滾雪球式抽樣方法［3］，選取了2013年9月—10月間高校圖書(shū)館官方微博賬號(hào)與相關(guān)微博數(shù)據(jù)。滾雪球抽樣式方法對(duì)用于稀少群體調(diào)查時(shí)具有明顯優(yōu)點(diǎn)，容易找到屬于特定群體的被調(diào)查者，調(diào)查方式簡(jiǎn)單易行［4］。由于用爬蟲(chóng)進(jìn)行數(shù)據(jù)挖掘之前需要找到大量圖書(shū)館官方賬戶，采用此類(lèi)數(shù)據(jù)抽樣的方法十分適合本次研究。

1.2 數(shù)據(jù)的預(yù)處理

我們首先以普通高等本科院校為實(shí)例，分別以“大學(xué)圖書(shū)館”、“大圖書(shū)館”、“學(xué)院圖書(shū)館”為檢索詞進(jìn)行圖書(shū)館微博用戶的篩選，一共得到943條結(jié)果，其中經(jīng)過(guò)新浪機(jī)構(gòu)認(rèn)證的用戶占21％，未經(jīng)過(guò)認(rèn)證（無(wú)“V”認(rèn)證）的占79％（如圖1）。對(duì)比認(rèn)證用戶和未認(rèn)證用戶的注冊(cè)信息發(fā)現(xiàn)，認(rèn)證用戶大多為國(guó)內(nèi)“985”及“211”工程等綜合實(shí)力較強(qiáng)的大學(xué)及學(xué)院圖書(shū)館所開(kāi)設(shè)的微博客，其在微博內(nèi)容更新和內(nèi)容管理上更加具有條理性、系統(tǒng)性，更具有影響力研究分析價(jià)值［5］。

接著，我們?cè)诘玫降?98所“加V認(rèn)證”用戶中，綜合考慮某段時(shí)間內(nèi)用戶活躍度和高校綜合影響力這兩個(gè)因素，對(duì)數(shù)據(jù)進(jìn)行人工排查、去重，最終遴選出100所高校作為本次研究的主要數(shù)據(jù)來(lái)源［2］。

隨后，經(jīng)簡(jiǎn)單統(tǒng)計(jì)發(fā)現(xiàn)，100所高校圖書(shū)館官方微博認(rèn)證賬戶中，985、211高校的圖書(shū)館微博占30％，非985、211高校的圖書(shū)館微博占70％。

圖1　高校圖書(shū)館微博賬戶認(rèn)證狀況的數(shù)量分布

2　顯性影響因素線性關(guān)系（粉絲數(shù)、關(guān)注數(shù)、微博數(shù)）

高校圖書(shū)館微博賬戶的粉絲數(shù)是體現(xiàn)其知識(shí)推薦影響力的重要指標(biāo)；微博賬戶的關(guān)注數(shù)反映了微博賬戶在網(wǎng)絡(luò)中傳播知識(shí)的能力。同時(shí)，通過(guò)關(guān)注與被關(guān)注這一鏈接形態(tài)，微博實(shí)際上形成了其特有的知識(shí)傳播模式；微博賬戶一段時(shí)間發(fā)布的微博數(shù)體現(xiàn)了其在該段時(shí)間內(nèi)進(jìn)行知識(shí)推薦的強(qiáng)度［6］。從認(rèn)知層面上看，微博賬戶的粉絲數(shù)應(yīng)與其一段時(shí)間內(nèi)發(fā)布的微博數(shù)量、該微博賬戶的關(guān)注量存在某種函數(shù)關(guān)系，然而，這種函數(shù)關(guān)系是隨時(shí)間微博內(nèi)容等第三類(lèi)因素變化而變化的，這就為它們之間的相關(guān)性提供了不確定性，我們只能通過(guò)時(shí)間片采樣等方式盡量減少，而不能避免這種不確定性，這也就是為何在獲得與影響因素之間的線性關(guān)系后，需要對(duì)分析結(jié)果進(jìn)行主觀判斷的原因。

2.1 相關(guān)性的描述與測(cè)度的關(guān)系形態(tài)，即是否是線性相關(guān)。筆者通過(guò)將獲取的100所高校圖書(shū)館官方微博的粉絲數(shù)量、關(guān)注數(shù)、微博數(shù)量導(dǎo)入SPSS統(tǒng)計(jì)分析軟件，將關(guān)注數(shù)、微博數(shù)量作為自變量，粉絲數(shù)量作為因變量，輸出結(jié)果如下：

經(jīng)判定系數(shù)R2檢驗(yàn)：在高校官方微博賬戶粉絲數(shù)量的變差中，能被粉絲數(shù)與關(guān)注數(shù)、微博數(shù)的多元回歸方差所解釋的比例為88.4％，具有良好的回歸方程的擬合優(yōu)度。因此，可以用多元線性回歸模型對(duì)粉絲數(shù)與關(guān)注數(shù)、微博數(shù)進(jìn)行分析。從隨后所建立的多元回歸方程來(lái)看，以關(guān)注數(shù)、微博數(shù)量作為自變量來(lái)預(yù)測(cè)粉絲數(shù)時(shí)，平均預(yù)測(cè)誤差為298.1個(gè)粉絲。

2.2 線性關(guān)系及顯著性檢驗(yàn)

設(shè)自變量x1為關(guān)注數(shù)、自變量x2為微博數(shù)量、y為因變量粉絲數(shù)，采用最小二乘法估計(jì)多元回歸方程，經(jīng)計(jì)算得出：

線性關(guān)系檢驗(yàn)F=104.815＞F0.05，證明粉絲數(shù)與關(guān)注量、微博數(shù)量的線性關(guān)系顯著；｜t1｜=2.114＞ta/2且｜t2｜=13.447＞ta/2，證明線性關(guān)系能通過(guò)回歸系數(shù)檢驗(yàn)。觀測(cè)量累積概率P-P圖見(jiàn)圖2，得出殘差分布服從正態(tài)性，證明線性回歸正確。

圖2　觀測(cè)量累積概率P-P圖

?

在進(jìn)行多元線性回歸分析之前需要判定變量之間

2.3 結(jié)果分析

統(tǒng)計(jì)結(jié)果說(shuō)明，高校圖書(shū)館微博賬戶的關(guān)注數(shù)、微博數(shù)與粉絲數(shù)三者之間存在顯著的二元線性關(guān)系。

第一，關(guān)注數(shù)（微博賬戶所關(guān)注的微博數(shù)量）與粉絲數(shù)量存在負(fù)相關(guān)，即隨著該賬戶關(guān)注數(shù)量的增加粉絲數(shù)逐漸減少。

第二，高校圖書(shū)館一定時(shí)期的微博數(shù)量與粉絲數(shù)量存在正相關(guān)，即隨著微博數(shù)量的增加，粉絲數(shù)也會(huì)增加。

我們對(duì)結(jié)果進(jìn)行分析解釋?zhuān)寒?dāng)高校圖書(shū)館微博賬戶的關(guān)注量達(dá)到一定的數(shù)量，且關(guān)注量與粉絲數(shù)比例高于一定程度時(shí)，該高校圖書(shū)館在網(wǎng)絡(luò)中會(huì)失去其核心用戶的地位，讀者或已關(guān)注粉絲會(huì)通過(guò)關(guān)注其他核心用戶獲取核心知識(shí)推薦源，而有一定知名度的微博賬戶普遍存在關(guān)注微博數(shù)量較少的現(xiàn)象，而越是粉絲多的微博，其獨(dú)特性越高，關(guān)注的其他微博的意愿就會(huì)越低；高校圖書(shū)館微博需要實(shí)時(shí)發(fā)布知識(shí)推薦信息，及時(shí)滿足用戶對(duì)知識(shí)的需求，并且高校圖書(shū)館微博數(shù)量在一定程度上體現(xiàn)了圖書(shū)館知識(shí)推送的及時(shí)性。因此，高校圖書(shū)館關(guān)注數(shù)與粉絲數(shù)量存在負(fù)相關(guān)。而一定時(shí)期的微博數(shù)量與粉絲數(shù)量存在正相關(guān)。

3　原創(chuàng)性與粉絲數(shù)之間的線性關(guān)系

3.1 內(nèi)容原創(chuàng)比與粉絲數(shù)的回歸分析

除了2中所述三種顯性影響因素外，微博內(nèi)容的原創(chuàng)性也體現(xiàn)了圖書(shū)館在信息生態(tài)鏈層次中所處的位置與狀態(tài)［7］：處于高層次“節(jié)點(diǎn)”的賬戶可以吸引更多的粉絲，且粉絲黏合度較高；處于低層次的賬戶會(huì)逐漸失去粉絲的忠誠(chéng)度。為驗(yàn)證高校圖書(shū)館微博賬戶原創(chuàng)性與粉絲數(shù)量的關(guān)系，筆者通過(guò)高校圖書(shū)館微博內(nèi)容的原創(chuàng)比率來(lái)體現(xiàn)微博內(nèi)容的原創(chuàng)性，采用一元線性回歸分析進(jìn)行驗(yàn)證。

經(jīng)檢驗(yàn)R2=0.831，Se=87.6。證明在高校官方微博賬戶粉絲數(shù)量的變差中，能被粉絲數(shù)與微博內(nèi)容原創(chuàng)比的多元回歸方差所解釋的比例為83.1％，具有良好的回歸方程的擬合優(yōu)度；并得出一元線性回歸方程為：

經(jīng)線性關(guān)系檢驗(yàn)F=13.46＞F0.05，證明粉絲數(shù)與微博內(nèi)容原創(chuàng)比線性關(guān)系存在顯著的線性關(guān)系；且｜t｜= 10.208＞ta/2通過(guò)回歸系數(shù)檢驗(yàn)。

3.2 結(jié)果分析

統(tǒng)計(jì)結(jié)果說(shuō)明，高校圖書(shū)館微博賬戶的原創(chuàng)性與粉絲數(shù)量之間存在顯著的正相關(guān)。

我們對(duì)結(jié)果進(jìn)行分析解釋?zhuān)何⒉┢脚_(tái)中的信息傳播并不像傳統(tǒng)信息生態(tài)鏈那樣自上而下、點(diǎn)對(duì)面的傳播［8］。每一個(gè)高校圖書(shū)館微博賬戶在社會(huì)網(wǎng)絡(luò)的信息生態(tài)鏈中均是一個(gè)“節(jié)點(diǎn)”，但不同“節(jié)點(diǎn)”之間存在明顯的強(qiáng)弱關(guān)系。信息生態(tài)鏈中的這一理論可以很好地解釋高校圖書(shū)館內(nèi)容原創(chuàng)比與粉絲數(shù)的線性關(guān)系。在高校圖書(shū)館中，往往微博內(nèi)容含有較高比例原創(chuàng)性的圖書(shū)館微博可以形成“強(qiáng)關(guān)系”，而經(jīng)常轉(zhuǎn)發(fā)微博的圖書(shū)館微博會(huì)占據(jù)“弱關(guān)系”或逐漸走向“弱關(guān)系”。高校圖書(shū)館微博處在的“節(jié)點(diǎn)”關(guān)系越強(qiáng)，進(jìn)行知識(shí)推薦時(shí)的影響力就越大；微博內(nèi)容的原創(chuàng)性在一定程度上加強(qiáng)了“節(jié)點(diǎn)”關(guān)系的強(qiáng)度，這也恰恰符合一元線性回歸方式中微博內(nèi)容原創(chuàng)比與微博賬戶粉絲數(shù)具有正相關(guān)性的統(tǒng)計(jì)結(jié)果。

4　 微博內(nèi)容與轉(zhuǎn)發(fā)量之間的回歸分析

4.1 微博內(nèi)容分類(lèi)的方法

微博內(nèi)容是微博的直接體現(xiàn)，內(nèi)容的質(zhì)量無(wú)法定量判斷，然而可以通過(guò)對(duì)其進(jìn)行分類(lèi)，觀察各類(lèi)微博對(duì)轉(zhuǎn)發(fā)量之間的線性關(guān)系，從而判斷微博影響力。經(jīng)排查、去重后篩選出的100個(gè)大學(xué)圖書(shū)館微博大致可以按其微博內(nèi)容劃分為通知公告、特色活動(dòng)、資源動(dòng)態(tài)、書(shū)籍推薦和其他五種類(lèi)型［9］。筆者認(rèn)為，圖書(shū)館開(kāi)館時(shí)間安排、館內(nèi)日常情況通報(bào)等可以歸為通知公告類(lèi)；由本校圖書(shū)館舉行的展覽、培訓(xùn)講座、真人圖書(shū)館、新增信息服務(wù)項(xiàng)目以及各種非日?；顒?dòng)歸為特色活動(dòng)類(lèi)；數(shù)字資源購(gòu)買(mǎi)、更新，紙質(zhì)資源購(gòu)買(mǎi)以及特色資源庫(kù)的構(gòu)建等歸為資源動(dòng)態(tài)類(lèi)；新到圖書(shū)的內(nèi)容簡(jiǎn)介以及具有閱讀價(jià)值的書(shū)籍推薦歸為新書(shū)推薦類(lèi)；非以上內(nèi)容歸為其他類(lèi)［10］。經(jīng)歸類(lèi)統(tǒng)計(jì)得出高校圖書(shū)館一段時(shí)間內(nèi)容的分類(lèi)統(tǒng)計(jì)及轉(zhuǎn)發(fā)量。表1為統(tǒng)計(jì)之后的部分?jǐn)?shù)據(jù)。

表1　部分高校圖書(shū)館微博內(nèi)容分類(lèi)統(tǒng)計(jì)及轉(zhuǎn)發(fā)量統(tǒng)計(jì)

4.2 分析結(jié)果及結(jié)論

多元回歸分析計(jì)算結(jié)果表明：通知公告、特色活動(dòng)、資源動(dòng)態(tài)、書(shū)籍推薦和其他這五類(lèi)高校圖書(shū)館日常微博動(dòng)態(tài)與轉(zhuǎn)發(fā)量之間存在明顯的線性關(guān)系，且均通過(guò)線性關(guān)系檢驗(yàn)和回歸系數(shù)檢驗(yàn)。其多元線性回歸方程為：

通過(guò)分析不同自變量的回歸系數(shù)可以得知：除通知公告與轉(zhuǎn)發(fā)量之間存在負(fù)相關(guān)的函數(shù)關(guān)系外，其余自變量均與轉(zhuǎn)發(fā)量之間呈現(xiàn)正相關(guān)；書(shū)籍推薦與特色活動(dòng)對(duì)轉(zhuǎn)發(fā)量的正相關(guān)系數(shù)最大；資源動(dòng)態(tài)與其他類(lèi)型的微博發(fā)布對(duì)轉(zhuǎn)發(fā)量的提升顯著效果較低。

該結(jié)果表明：用戶對(duì)高校圖書(shū)館官方微博發(fā)布的通知公告并不感興趣，過(guò)多地發(fā)布通知公告會(huì)降低用戶的興趣度；與書(shū)籍推薦、特色活動(dòng)相比，發(fā)布資源動(dòng)態(tài)和其他類(lèi)的微博用戶興趣度較低。因此，高校圖書(shū)館官方微博應(yīng)當(dāng)通過(guò)合理安排發(fā)布微博的內(nèi)容結(jié)構(gòu)提升自身在知識(shí)推薦過(guò)程中的影響力。

5　信息載體與轉(zhuǎn)發(fā)量的回歸分析

5.1 微博信息載體的類(lèi)型

微博實(shí)際上是文字、圖片、視頻三種載體的綜合，而三種載體則各有特色。文字描述是一種比較傳統(tǒng)的信息描述方式，通過(guò)簡(jiǎn)單的文字排列可以構(gòu)成豐富的信息內(nèi)容，但篇幅較長(zhǎng)的文字容易讓讀者產(chǎn)生視覺(jué)疲勞，不利于信息傳遞；圖片則是較為直觀的信息表現(xiàn)方式，圖片信息可以通過(guò)圖形、色彩的排列來(lái)傳達(dá)，同時(shí)規(guī)避了單一的黑白色調(diào)給讀者造成的視覺(jué)疲勞；視頻信息則是將文字、圖片以及聲音結(jié)合在一起，從三方面對(duì)讀者進(jìn)行神經(jīng)刺激，更容易讓人產(chǎn)生共鳴，使人記憶深刻。

高校圖書(shū)館微博內(nèi)容所依托的載體在很大程度上決定了所發(fā)微博的轉(zhuǎn)發(fā)量，進(jìn)而影響其知識(shí)推薦涉及的范圍。不同載體形式是否對(duì)轉(zhuǎn)發(fā)量有顯著影響，而哪種載體對(duì)轉(zhuǎn)發(fā)量的影響較大是高校圖書(shū)館通過(guò)微博進(jìn)行知識(shí)推薦時(shí)應(yīng)當(dāng)廣泛關(guān)注的重點(diǎn)。

5.2 分析結(jié)果及結(jié)論

多元回歸分析計(jì)算結(jié)果表明：文本、圖片、視頻作為轉(zhuǎn)發(fā)數(shù)量的影響是明顯的，其具有明顯的線性相關(guān)性；且均通過(guò)線性關(guān)系檢驗(yàn)和回歸系數(shù)檢驗(yàn)。其多元線性回歸方程為：

由方程可知，在不考慮其他因素的情況下，綜合發(fā)布文本、圖片、視頻這三種形式的微博對(duì)知識(shí)推薦影響力的增大均存在正向相關(guān)關(guān)系；這比只發(fā)布純文本、純圖片或純視頻的微博有較大優(yōu)勢(shì)。增加影響力（轉(zhuǎn)發(fā)量）的關(guān)鍵點(diǎn)在于三種載體形式的綜合與平衡使用。

同時(shí)，我們可以看出，視頻對(duì)知識(shí)推薦影響力的促進(jìn)作用最大；在一般情況下高校圖書(shū)館微博賬戶發(fā)布視頻進(jìn)行知識(shí)推薦的影響力最高，而僅以純文本形式進(jìn)行知識(shí)推送對(duì)用戶的影響力最有限。

另外，高校圖書(shū)館發(fā)布微博向讀者進(jìn)行知識(shí)推薦，讀者則根據(jù)自己的興趣選擇是否接收該信息，那么這個(gè)過(guò)程可以看作一個(gè)溝通過(guò)程。根據(jù)Hovland、Janis和Kelly提出的溝通說(shuō)服理論，影響溝通效果的因素劃分為三大類(lèi)，即信息來(lái)源者的因素、信息本身因素以及信息接受者的因素。信息本身的因素又包括信息的內(nèi)容、信息的形式、信息的數(shù)量等因素。而信息的形式不僅有口頭的、文字的，還有圖片、動(dòng)畫(huà)、視頻等視覺(jué)信息，即視覺(jué)信息線索。薛建儒等學(xué)者認(rèn)為視覺(jué)線索（Visual Cues）是對(duì)視感知的一種激勵(lì)［11］，同時(shí)對(duì)于網(wǎng)絡(luò)知識(shí)推薦領(lǐng)域來(lái)說(shuō)，趣味性是網(wǎng)絡(luò)信息的重要特征［12］，而豐富的視覺(jué)線索激起讀者對(duì)知識(shí)的興趣，給讀者帶來(lái)更加深刻的印象，并且影響信息的傳播效果。

6 提升微博知識(shí)推薦影響力的具體建議

高校圖書(shū)館微博將微博平臺(tái)作為知識(shí)傳播媒介，通過(guò)微博的發(fā)布與轉(zhuǎn)發(fā)實(shí)現(xiàn)知識(shí)的自創(chuàng)與自播，達(dá)到知識(shí)的充分共享與充分傳遞［13］。本文將微博的影響力因素分為顯性因素與隱性因素兩類(lèi)：顯性因素（微博數(shù)量、關(guān)注數(shù)量與粉絲數(shù)量）更加類(lèi)似于評(píng)估指標(biāo)，通過(guò)它們的線性相關(guān)性分析，可以得出在某一時(shí)間段中三者之間存在著某種動(dòng)態(tài)平衡規(guī)律。其中微博數(shù)量與關(guān)注數(shù)量是可調(diào)控的，而粉絲數(shù)量不可主觀調(diào)控，但是可以利用前二者與第三者間的相關(guān)性規(guī)律，解釋這三種核心因素與轉(zhuǎn)發(fā)量這一主要評(píng)價(jià)指標(biāo)的關(guān)系，即：①微博數(shù)量可以作為轉(zhuǎn)發(fā)量的重要影響因素，其與影響力成正相關(guān)；②關(guān)注其他微博的數(shù)量與轉(zhuǎn)發(fā)量呈負(fù)相關(guān)，但這種負(fù)相關(guān)不是絕對(duì)的，它受到其他隱性影響因素的影響，在某一時(shí)間段這兩者可以保持動(dòng)態(tài)平衡，但這種平衡比較脆弱；③粉絲數(shù)與轉(zhuǎn)發(fā)量之間存在正相關(guān)，但不是顯性影響因素。若我們將知識(shí)本身作為鏈接源，將微博傳播知識(shí)的過(guò)程看作用戶對(duì)知識(shí)進(jìn)行充分吸收后的自傳播，進(jìn)而達(dá)到知識(shí)的再分配過(guò)程，則更加便于我們科學(xué)利用微博作為手段進(jìn)行知識(shí)推薦。

隱性影響因素在微博的創(chuàng)造、組織、利用與傳播中的作用超過(guò)顯性影響因素，從微博的內(nèi)容分布、載體形式、主題熱度到原創(chuàng)性，無(wú)一不是提升微博影響力的重要手段，科學(xué)合理觀察與利用這些隱性影響因素，能使微博知識(shí)推薦工作更加成熟：

第一，高效穩(wěn)定的更新頻率。如果不能及時(shí)、有效地更新信息內(nèi)容，保障推薦知識(shí)的時(shí)效性，就很難吸引跟隨者的持續(xù)關(guān)注。不固定的更新頻率也會(huì)讓高校圖書(shū)館發(fā)布的微博被讀者端的巨大信息量所湮沒(méi)，進(jìn)而導(dǎo)致圖書(shū)館微博發(fā)布的信息以及推薦的知識(shí)不能及時(shí)有效地傳播給用戶［14］。

第二，盡量充分的原創(chuàng)內(nèi)容。由上文分析可知，提高微博內(nèi)容的原創(chuàng)性是保持微博熱度的有效方法。原創(chuàng)程度越高，越能吸引更多用戶，越能保持已有粉絲的用戶黏性，從而占據(jù)信息生態(tài)鏈的頂端。另外，微博的原創(chuàng)性代表著館藏資源的特殊性與核心競(jìng)爭(zhēng)力，這種特殊性不僅體現(xiàn)在知識(shí)本身，更體現(xiàn)在文字結(jié)構(gòu)、語(yǔ)氣以及組織形式上。

第三，動(dòng)態(tài)平衡的知識(shí)類(lèi)型。在推送知識(shí)時(shí)，應(yīng)當(dāng)注重合理分配微博內(nèi)容形式：既要避免僅僅發(fā)布單一類(lèi)型的知識(shí)，也要避免種類(lèi)過(guò)于龐雜。在同一時(shí)間段內(nèi)，宜將圖書(shū)館近期需要發(fā)布的內(nèi)容進(jìn)行預(yù)分類(lèi)，將熱點(diǎn)知識(shí)與一般知識(shí)進(jìn)行合理搭配、循序漸進(jìn)地發(fā)布相關(guān)內(nèi)容。

第四，靈活友好的用戶體驗(yàn)。微博需要結(jié)合用戶評(píng)論與反饋，將知識(shí)有針對(duì)性地推薦給相關(guān)讀者。同時(shí)，采取措施避免知識(shí)推薦的單調(diào)、枯燥；在挖掘需求的基礎(chǔ)上，以靈活友好的形式發(fā)布知識(shí)。

第五，科學(xué)合理的知識(shí)載體。圖片、文字、音視頻為微博自創(chuàng)與自播提供的載體。由本文第5部分的分析結(jié)論可知，微博的知識(shí)載體的選擇在很大程度上影響著讀者的閱讀感受及興趣。在進(jìn)行知識(shí)推薦時(shí)，直觀的圖片配以文字可以在一定程度上增加讀者的閱讀興趣；而采用視頻作為知識(shí)推薦的載體更能使用戶接受。但是不能長(zhǎng)時(shí)間運(yùn)用同一載體。

第六，冷熱適度的熱點(diǎn)議題。圖書(shū)館需要結(jié)合時(shí)事熱點(diǎn)進(jìn)行知識(shí)發(fā)布，這樣能突出微博的實(shí)時(shí)性，增加用戶興趣，但不能一味強(qiáng)調(diào)時(shí)事新聞的重要性，而忽視了圖書(shū)館傳播知識(shí)的本職，需要將知識(shí)與時(shí)事相互融合，使之相得益彰。

第七，把握總體平衡。提升高校圖書(shū)館微博知識(shí)推薦的影響力，更需要在總體把握顯性影響因素與隱性影響因素之間的平衡，例如，不能因?yàn)榉劢z過(guò)少而在短時(shí)間內(nèi)盲目提高內(nèi)容的趣味性；不能因轉(zhuǎn)發(fā)量過(guò)少而花太多精力在視頻的采集與制作上；不能因影響力較高而減少對(duì)其他圖書(shū)館微博的關(guān)注。

7 結(jié)語(yǔ)

利用單一手段提升圖書(shū)館微博影響力已難以吸引用戶，作為高校中傳播知識(shí)的重要窗口，圖書(shū)館微博需要綜合利用各種方法，科學(xué)合理地改進(jìn)原有的圖書(shū)館館藏資源推薦模式，深入細(xì)致地挖掘本館特色資源，將更多精力投入到知識(shí)推薦的深層挖掘與有效組織上來(lái)，使微博成為具備一定影響力知識(shí)推薦工具，成為移動(dòng)用戶了解圖書(shū)館、獲取館藏資源的重要渠道。微博以它獨(dú)特的信息傳播方式縮短了用戶與知識(shí)的鴻溝，在知識(shí)推薦領(lǐng)域存在極大的潛力和價(jià)值?，F(xiàn)代圖書(shū)館的建設(shè)，應(yīng)在提高館藏資源利用率的同時(shí)，充分發(fā)揮社交網(wǎng)絡(luò)在知識(shí)服務(wù)中的價(jià)值。對(duì)于有一定影響力的微博，本文數(shù)據(jù)可以作為保持其影響力的參考資料；對(duì)于影響力落后的微博，需要合理調(diào)整自己的知識(shí)組織模式，學(xué)習(xí)其他微博的先進(jìn)經(jīng)驗(yàn)。

［1］ 陳琳.國(guó)內(nèi)圖書(shū)館微博應(yīng)用現(xiàn)狀研究［J］.圖書(shū)館學(xué)研究,2011（12）:30-33,5.

［2］ 程秀峰,李重陽(yáng),陳莉玥.基于關(guān)聯(lián)規(guī)則的高校圖書(shū)館微博關(guān)注趨勢(shì)分析［J］.圖書(shū)情報(bào)工作,2014,58（8）:73-78.

［3］ Goodman L A. The Annals of Mathematical Statistics ［J］. Institute of Mathematical Statistics, 1961, 32（1）: 148-170.

［4］ Newman M E J. The Structure and Function of Complex Networks ［J］. SIAM review, 2003, 45（2）: 167-256.

［5］ 劉靜.我國(guó)高校圖書(shū)館認(rèn)證用戶微博調(diào)查分析:以新浪微博為平臺(tái)［J］.圖書(shū)館學(xué)研究,2012（1）:90-95.

［6］ 祝方林.大學(xué)圖書(shū)館微博信息行為分析［J］.高校圖書(shū)情報(bào)論壇,2012,11（2）:7-11,24.

［7］ 馬捷,孫夢(mèng)瑤,尹爽,等.微博信息生態(tài)鏈構(gòu)成要素與形成機(jī)理［J］.圖書(shū)情報(bào)工作,2012（18）:73-75.

［8］ 楊小溪.網(wǎng)絡(luò)信息生態(tài)鏈價(jià)值管理研究［D］.武漢:華中師范大學(xué),2012.

［9］ 楊玫.公共圖書(shū)館微博推廣實(shí)證研究:以杭州圖書(shū)館為例［J］.情報(bào)資料工作,2012（4）:102-105.

［10］ 劉鐘美,張文彥.高校圖書(shū)館的微博新時(shí)代［J］.圖書(shū)館理論與實(shí)踐,2012（4）:77-81.

［11］ 薛建儒,鄭南寧,鐘小品,等.視感知激勵(lì):多視覺(jué)線索集成的貝葉斯方法與應(yīng)用［J］.科學(xué)通報(bào),2008,53（2）:172-182.

［12］ Chen Q, Rodgers S. Development of Instrument to Measure Web Site Personality ［J］. Journal of Interactive Advertising, 2006, 7（1）: 47-64.

［13］ Hricko M. Using Microblogging Tools for Library Services ［J］. Journal of Library Administration, 2010（50）: 684-692.

［14］ 吳桂英,杜友桃.基于微博客的圖書(shū)館信息交流服務(wù)模式［J］.圖書(shū)館學(xué)刊,2012（3）:79-80,139.

程秀峰，男，1981年生，華中師范大學(xué)信息管理學(xué)院講師，研究方向：大數(shù)據(jù)、數(shù)字圖書(shū)館。

Analysis on Influence of Weibo Knowledge Recommended by College Libraries

MA DanLin1, CHENG XiuFeng2
（1. School of Economics & Management, Beijing University of Posts and Telecommunications, Beijing 100876, China；2. School of Information & Management, Central China Normal University, Wuhan 430079, China）

On the basis of using snowball sampling - one of the non-probability sampling techniques, we grab the relevant data of microblogs of college libraries within two months by programming web crawler via python, and then explore the liner relationship between the factors in the process of microblog release for the influence of recommending knowledge. According to the result of analysis, we summarize the factors that influence the quality of recommendation and transmission, and propose countermeasures and advice to promote the knowledge recommendation influence of college libraries microblog account.

College Libraries； Knowledge Recommendation； Influence； Linear Regression； Microblog

TP391

10.3772/j.issn.1673-2286.2016.1.004

馬丹琳，女，1993年生，北京郵電大學(xué)碩士研究生，研究方向：大數(shù)據(jù)、移動(dòng)互聯(lián)網(wǎng)，E-mail：danlinm164@bupt.edu.cn。

2015-12-28）