基于SNA與模糊TOPSIS的網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識(shí)別分類模型研究

彭麗徽+李賀+張艷豐

〔摘 要〕 [目的/意義]在輿情監(jiān)控和管理的實(shí)踐過(guò)程中，迅速有效地識(shí)別出輿情網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)，對(duì)輿情的監(jiān)督和治理具有重要意義。[方法/過(guò)程]從內(nèi)容與結(jié)構(gòu)雙重維度，設(shè)計(jì)一種完整的網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)挖掘、識(shí)別和分類的技術(shù)方法。涉及GooSeeker、Gephi、Fuzzy AHP和TOPSIS等軟件和算法，并以新浪微博“8·12濱海爆炸”事件為例進(jìn)行具體分析。[結(jié)果/結(jié)論]突破了單純從單一維度進(jìn)行關(guān)鍵節(jié)點(diǎn)排序的局限性，使關(guān)鍵節(jié)點(diǎn)的識(shí)別與分類進(jìn)一步深入，并明確演化特征，對(duì)網(wǎng)絡(luò)輿情的科學(xué)應(yīng)對(duì)具有參考價(jià)值。

〔關(guān)鍵詞〕網(wǎng)絡(luò)輿情；關(guān)鍵節(jié)點(diǎn)；識(shí)別；分類；社會(huì)網(wǎng)絡(luò)分析；綜合評(píng)價(jià)

DOI：10.3969/j.issn.1008-0821.2017.08.003

〔中圖分類號(hào)〕G206 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2017）08-0017-09

〔Abstract〕[Purpose/significance]In the practice of public opinion monitoring and management，identifying the key nodes in the public opinion network quickly and effectively is of great significance to the supervision and management of public opinion.[Method/process]From the dual dimensions of content and structure，this paper designed a complete method for mining，identifying and classifying key nodes of network public opinion.Involving GooSeeker，Gephi，F(xiàn)uzzy AHP and TOPSIS software and algorithms，and Sina micro-blog 8·12 coastal explosion event as an example for specific analysis.[Result/conclusion]It broke through the limitation of sorting only the key nodes from a single dimension，made the identification and classification of key nodes further，and made clear the evolution characteristics，which had reference value to the scientific response of network public opinion.

〔Key words〕network public opinion；key nodes；identification；classification；social network analysis；comprehensive evaluation

隨著互聯(lián)網(wǎng)技術(shù)和Web2.0技術(shù)的廣泛應(yīng)用和發(fā)展，自媒體社交服務(wù)平臺(tái)（諸如微博、Twitter、Facebook等）成為大眾交流與信息推廣的主要方式之一，用戶以文字、圖片和視頻等形式在自媒體平臺(tái)上進(jìn)行信息交互，從而產(chǎn)生海量個(gè)人信息和交互數(shù)據(jù)，形成基于事件或其變異的網(wǎng)絡(luò)輿情[1]。從自媒體平臺(tái)用戶交互數(shù)據(jù)中挖掘出有價(jià)值的個(gè)人信息和交互信息的網(wǎng)絡(luò)輿情分析逐漸成為數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn)課題。在自媒體平臺(tái)信息傳遞與人際交互過(guò)程所形成的社會(huì)網(wǎng)絡(luò)關(guān)系中，以點(diǎn)和有向關(guān)系線條會(huì)形成一個(gè)復(fù)雜的社會(huì)網(wǎng)絡(luò)關(guān)系域，其中存在少數(shù)具有影響范圍廣、活躍度較高、重要性較強(qiáng)的節(jié)點(diǎn)，稱之為關(guān)鍵節(jié)點(diǎn)（也稱為意見(jiàn)領(lǐng)袖、網(wǎng)絡(luò)精英等）[2]。關(guān)鍵節(jié)點(diǎn)的連接度較高，其發(fā)表的言論會(huì)對(duì)社會(huì)關(guān)系域其他節(jié)點(diǎn)產(chǎn)生巨大影響[3]，甚至少量的關(guān)鍵節(jié)點(diǎn)卻能影響到網(wǎng)絡(luò)中大部分節(jié)點(diǎn) [4]。關(guān)鍵節(jié)點(diǎn)挖掘與分析在網(wǎng)絡(luò)輿情識(shí)別、監(jiān)測(cè)與預(yù)警領(lǐng)域，尤其在熱點(diǎn)事件和突發(fā)事件的傳播中起到了引爆事件或加速事件發(fā)生的重要作用，如果不能及時(shí)掌控關(guān)鍵節(jié)點(diǎn)的發(fā)展致使網(wǎng)絡(luò)謠言惡意散布更會(huì)造成難以預(yù)見(jiàn)的后果。因此，本文結(jié)合社會(huì)網(wǎng)絡(luò)分析方法（SNA）及模糊TOPSIS分析方法，對(duì)網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)進(jìn)行識(shí)別和分類，以加強(qiáng)對(duì)網(wǎng)絡(luò)輿情的監(jiān)督，促進(jìn)網(wǎng)絡(luò)環(huán)境治理。

1 研究述評(píng)

國(guó)內(nèi)外關(guān)于網(wǎng)絡(luò)輿論中關(guān)鍵節(jié)點(diǎn)的相關(guān)研究主要從社會(huì)網(wǎng)絡(luò)拓?fù)滏溄雨P(guān)系、基于內(nèi)容屬性綜合評(píng)價(jià)和基于動(dòng)力屬性的傳播影響力評(píng)價(jià)3個(gè)方面進(jìn)行具體闡述和分析。

1.1 社會(huì)網(wǎng)絡(luò)拓?fù)滏溄雨P(guān)系分析法

該方法根據(jù)節(jié)點(diǎn)的社會(huì)網(wǎng)絡(luò)關(guān)系來(lái)考慮節(jié)點(diǎn)間的相互鏈接關(guān)系對(duì)影響力的貢獻(xiàn)程度。D.Miorandi等[5]從中心度（K-shell）出發(fā)，提出K分解分析法，如果節(jié)點(diǎn)位于網(wǎng)絡(luò)中的層次在核心的位置上，K-shell值點(diǎn)越大，節(jié)點(diǎn)影響力越大。Lǚ等[6]提出可以通過(guò)關(guān)注信息傳播的寬度和廣度選擇有影響力的節(jié)點(diǎn)?？祩7]以“7·23動(dòng)車事故”為例基于鄰接矩陣數(shù)據(jù)進(jìn)行了網(wǎng)絡(luò)密度、聚類系數(shù)和中心性測(cè)度等來(lái)進(jìn)行關(guān)鍵節(jié)點(diǎn)分層與識(shí)別；龐科等[8] 發(fā)現(xiàn)社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)洞分析法能夠準(zhǔn)確地尋找到那些在網(wǎng)絡(luò)參政中發(fā)揮重要作用的虛擬參政者以及這些參政者在參政過(guò)程中所發(fā)揮的作用。張磊等[9]引入超網(wǎng)絡(luò)理論對(duì)微博語(yǔ)義社會(huì)網(wǎng)絡(luò)進(jìn)行理論建模，使用情感本體以及LDA話題模型對(duì)數(shù)據(jù)實(shí)現(xiàn)節(jié)點(diǎn)量化，提出超邊排序算法對(duì)用戶節(jié)點(diǎn)進(jìn)行計(jì)算和排序從而獲取關(guān)鍵節(jié)點(diǎn)。

1.2 基于內(nèi)容屬性綜合指標(biāo)評(píng)價(jià)法

該方法側(cè)重于特定平臺(tái)環(huán)境，主要利用層次分析、主成分分析及綜合評(píng)價(jià)等方法，從話題傳播內(nèi)容角度分析影響要素，如粉絲數(shù)、點(diǎn)贊數(shù)、轉(zhuǎn)發(fā)評(píng)論數(shù)等指標(biāo)進(jìn)行混合加權(quán)建模，以此評(píng)判網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)的重要性程度。Cha等[10]以Twitter為例，從粉絲數(shù)、轉(zhuǎn)發(fā)數(shù)和被提及數(shù)3個(gè)指標(biāo)要素進(jìn)行對(duì)比研究，發(fā)現(xiàn)在輿情傳播過(guò)程中轉(zhuǎn)發(fā)數(shù)和被提及數(shù)對(duì)輿情傳播的影響力更大；Pal等[11]在Twitter平臺(tái)上通過(guò)個(gè)體的發(fā)帖數(shù)、回復(fù)數(shù)、被轉(zhuǎn)發(fā)數(shù)和被提及數(shù)分別計(jì)算個(gè)體的轉(zhuǎn)發(fā)影響力、被提及影響力和擴(kuò)散影響力等。周雪妍等[12]基于標(biāo)題聚類將同一話題下數(shù)據(jù)抽象成變規(guī)?；貜?fù)關(guān)系網(wǎng)絡(luò)，綜合考慮了帖子的話題屬性、情感傾向和網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系，結(jié)合節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)和情感屬性，給出節(jié)點(diǎn)ID的影響力排序以提取輿論領(lǐng)袖。

1.3 基于動(dòng)力屬性的傳播影響力評(píng)價(jià)法

該方法主要根據(jù)信息的傳播效果及觀點(diǎn)擴(kuò)散規(guī)模直接考察節(jié)點(diǎn)影響力。毛佳昕等[13]提出了一個(gè)通過(guò)預(yù)測(cè)用戶傳播信息能力大小來(lái)分析和度量用戶社會(huì)影響力的方法。蔣侃等[14]針對(duì)輿情信息擴(kuò)散網(wǎng)構(gòu)建WSD-Rank擴(kuò)散影響力度量模型，并實(shí)驗(yàn)證明該模型能更直接、細(xì)化的度量用戶實(shí)際影響力；Bakshy等[15]基于twitter數(shù)據(jù)集，根據(jù)相同頁(yè)面鏈接的統(tǒng)一資源定位器URL構(gòu)造傳播級(jí)聯(lián)樹(shù)，利用種子節(jié)點(diǎn)的擴(kuò)散規(guī)模來(lái)度量擴(kuò)散影響力。

在以上研究中，網(wǎng)絡(luò)輿情指標(biāo)要素提取、關(guān)鍵節(jié)點(diǎn)識(shí)別及類別劃分存在以下問(wèn)題：輿情社會(huì)網(wǎng)絡(luò)指標(biāo)要素較少，考慮傳播屬性間權(quán)重分配問(wèn)題；從傳統(tǒng)單維度、單因素分析對(duì)關(guān)鍵節(jié)點(diǎn)識(shí)別作用具有很大的局限性，并且很少將情感傾向作用及情感認(rèn)同度運(yùn)用到關(guān)鍵節(jié)點(diǎn)識(shí)別，這是有悖于信息傳播規(guī)律的；研究通常運(yùn)用某種方法按節(jié)點(diǎn)影響力大小進(jìn)行關(guān)鍵節(jié)點(diǎn)排序，得出的是單一類型排序結(jié)果，然而，不同指標(biāo)集合的綜合評(píng)判以及增刪節(jié)點(diǎn)會(huì)形成多種形式的關(guān)鍵節(jié)點(diǎn)類型，深層次挖掘其活躍節(jié)點(diǎn)及潛在隱性節(jié)點(diǎn)是輿情識(shí)別與預(yù)警的關(guān)鍵。

綜上所述，網(wǎng)絡(luò)輿情節(jié)點(diǎn)的關(guān)鍵性一方面受到網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特性的影響，另一方面也受到輿情傳播內(nèi)容特征及信息傳播動(dòng)力機(jī)制的影響。傳統(tǒng)網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識(shí)別研究大多僅從單維度特征來(lái)進(jìn)行研判，并且在內(nèi)容研究領(lǐng)域，對(duì)節(jié)點(diǎn)包含的情感、語(yǔ)義等其他屬性也涉獵較少。因此，本研究在已有文獻(xiàn)的基礎(chǔ)上，利用GooSeeker、Gephi等數(shù)據(jù)挖掘方法，結(jié)合SNA和模糊TOPSIS算法，提出包括原始數(shù)據(jù)挖掘、節(jié)點(diǎn)識(shí)別及影響力計(jì)算、關(guān)鍵節(jié)點(diǎn)分類等一套網(wǎng)絡(luò)輿情節(jié)點(diǎn)識(shí)別分類的技術(shù)方法，并以“8·12濱海爆炸事故”為案例進(jìn)行具體分析，從內(nèi)容屬性和社會(huì)網(wǎng)絡(luò)屬性兩個(gè)維度對(duì)關(guān)鍵節(jié)點(diǎn)進(jìn)行綜合評(píng)判，使網(wǎng)絡(luò)輿情事件關(guān)鍵節(jié)點(diǎn)的發(fā)現(xiàn)和網(wǎng)絡(luò)輿情危機(jī)的引導(dǎo)更具客觀性、預(yù)見(jiàn)性和科學(xué)性。

2 模型構(gòu)建與算法設(shè)計(jì)

2.1 研究框架

本文研究框架主要包括3個(gè)任務(wù)步驟：①對(duì)初始網(wǎng)絡(luò)輿情進(jìn)行數(shù)據(jù)提取、過(guò)濾，結(jié)合網(wǎng)絡(luò)輿情傳播特點(diǎn)，基于內(nèi)容與結(jié)構(gòu)維度分別從內(nèi)容要素指標(biāo)和社會(huì)網(wǎng)絡(luò)指標(biāo)兩方面提取指標(biāo)要素原始數(shù)據(jù)；②根據(jù)指標(biāo)量化規(guī)則，量化各屬性值并構(gòu)建網(wǎng)絡(luò)輿情特征矩陣，通過(guò)構(gòu)建指標(biāo)過(guò)濾模型來(lái)進(jìn)行指標(biāo)屬性特征值計(jì)算、指標(biāo)屬性權(quán)重計(jì)算和關(guān)鍵節(jié)點(diǎn)排序計(jì)算；③通過(guò)對(duì)不同維度指標(biāo)計(jì)量及刪失關(guān)鍵節(jié)點(diǎn)后重新進(jìn)行社會(huì)網(wǎng)絡(luò)分析，可進(jìn)一步對(duì)網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)進(jìn)行有效分類。本研究網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識(shí)別分類過(guò)濾模型框架和推理流程如圖1所示。

2.2 指標(biāo)模型

本研究通過(guò)文獻(xiàn)調(diào)研和專家咨詢，改進(jìn)、完善文獻(xiàn)[16]的網(wǎng)絡(luò)輿情屬性指標(biāo)要素，從網(wǎng)絡(luò)輿情社會(huì)網(wǎng)絡(luò)指標(biāo)和內(nèi)容要素指標(biāo)兩個(gè)維度構(gòu)建網(wǎng)絡(luò)輿情話題參與者的8個(gè)指標(biāo)，構(gòu)成本文的“8度”指標(biāo)要素，本研究構(gòu)建網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)概念指標(biāo)模型如圖2所示。

其中，社會(huì)網(wǎng)絡(luò)指標(biāo)是網(wǎng)絡(luò)輿情傳播所形成的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的中心要素指標(biāo)，從網(wǎng)絡(luò)節(jié)點(diǎn)中心度、關(guān)聯(lián)度、聚集度和路徑長(zhǎng)度4個(gè)指標(biāo)要素計(jì)量，社會(huì)網(wǎng)絡(luò)指標(biāo)要素有其固有的計(jì)量算法和公式，通常使用社會(huì)網(wǎng)絡(luò)分析軟件Ucinet和Gephi進(jìn)行數(shù)據(jù)分析和可視化呈現(xiàn)；內(nèi)容要素指標(biāo)是網(wǎng)絡(luò)輿情傳播過(guò)程中傳播數(shù)據(jù)對(duì)關(guān)鍵節(jié)點(diǎn)的影響指標(biāo)要素，包括活躍度、影響度、認(rèn)同度和擴(kuò)散度4個(gè)指標(biāo)要素，內(nèi)容要素指標(biāo)主要反映信息傳播內(nèi)容及語(yǔ)義情感對(duì)節(jié)點(diǎn)關(guān)鍵性的影響，一般通過(guò)特定的評(píng)價(jià)算法予以指標(biāo)數(shù)據(jù)量化。本文擬定這兩個(gè)維度屬性對(duì)網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)的作用是相同的，故忽略其權(quán)重對(duì)網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)計(jì)算數(shù)據(jù)的影響。網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)二維量化屬性指標(biāo)矩陣如表1所示：

表中，設(shè)，表示網(wǎng)絡(luò)輿論參與某個(gè)事件討論的Agent集合；，表示Agent屬性的個(gè)屬性指標(biāo)值。其中，是第個(gè)Agent的第個(gè)屬性值，本文構(gòu)建的8個(gè)指標(biāo)要素組成是網(wǎng)絡(luò)輿情社會(huì)網(wǎng)絡(luò)傳播要素重點(diǎn)參考的內(nèi)容，也能夠比較全面反映網(wǎng)絡(luò)輿情傳播內(nèi)容對(duì)關(guān)鍵節(jié)點(diǎn)影響的作用功能。

2.3 指標(biāo)分析與量化

2.3.1 社會(huì)網(wǎng)絡(luò)指標(biāo)

2.5.2 關(guān)鍵節(jié)點(diǎn)分類

由于輿情傳播的復(fù)雜性，單一的綜合“8度”指標(biāo)排序來(lái)判斷關(guān)鍵節(jié)點(diǎn)的方法僅能形成一種輿情傳播節(jié)點(diǎn)類型，而社會(huì)網(wǎng)絡(luò)指標(biāo)要素代表話題參與者在話題網(wǎng)絡(luò)傳播的關(guān)聯(lián)度，代表重要地位人物節(jié)點(diǎn)，內(nèi)容指標(biāo)要素主要表示話題參與者在網(wǎng)絡(luò)輿情傳播中的參與度，代表在輿情話題中該節(jié)點(diǎn)的活躍程度。因此，可根據(jù)不同屬性維度指標(biāo)分別計(jì)算和排序，可呈現(xiàn)具有不同作用特點(diǎn)的不同類別關(guān)鍵節(jié)點(diǎn)。因此本研究從社會(huì)網(wǎng)絡(luò)指標(biāo)角度和內(nèi)容要素指標(biāo)角度兩個(gè)維度綜合判斷節(jié)點(diǎn)類型。具體來(lái)講：

1）對(duì)話題參與者的“8度”指標(biāo)模糊TOPSIS綜合評(píng)價(jià)并排序，排序位前者即為綜合關(guān)鍵節(jié)點(diǎn)，也稱為意見(jiàn)領(lǐng)袖節(jié)點(diǎn)。

2）將“8度”指標(biāo)排序識(shí)別出的關(guān)鍵節(jié)點(diǎn)刪除，構(gòu)建其余話題參與者的新二維結(jié)構(gòu)量表，并結(jié)合屬性指標(biāo)值重新進(jìn)行TOPSIS推理計(jì)算排序，可以進(jìn)一步識(shí)別出潛在意見(jiàn)領(lǐng)袖。

3）從社會(huì)網(wǎng)絡(luò)指標(biāo)的中心度可評(píng)判社會(huì)網(wǎng)絡(luò)節(jié)點(diǎn)入度與出度的關(guān)系，可以衡量話題參與人在該社會(huì)網(wǎng)絡(luò)關(guān)系中關(guān)系的緊密程度，反映節(jié)點(diǎn)在社會(huì)網(wǎng)絡(luò)地位的重要程度，可用以識(shí)別重要節(jié)點(diǎn)和重要地位人物。

4）刪除社會(huì)網(wǎng)絡(luò)已識(shí)別的重要地位人物節(jié)點(diǎn)重新進(jìn)行指標(biāo)的運(yùn)算和可視化分析，可得到潛在重要地位人物節(jié)點(diǎn)。

5）從內(nèi)容要素指標(biāo)的活躍度、影響度、認(rèn)同度、擴(kuò)散度能夠很好地判斷話題參與人的發(fā)帖能力和參與話題的活躍程度，可視為關(guān)鍵活躍節(jié)點(diǎn)，用以識(shí)別關(guān)鍵活躍人物。

具體分類與運(yùn)算流程如圖3所示。

3 案例研究

3.1 數(shù)據(jù)搜集

本文選取新浪微博中的“8·12濱海爆炸”事件輿情作為分析的案例，主要基于以下兩點(diǎn)：①新浪微博是一個(gè)具有代表性的自媒體傳播平臺(tái)，是一個(gè)相對(duì)比較成熟的網(wǎng)絡(luò)輿情傳播渠道，吸引了眾多網(wǎng)民參與相關(guān)話題的討論。②“8·12濱海爆炸”事件被認(rèn)定為特別重大生產(chǎn)安全責(zé)任事故，事件發(fā)生之后迅速得到了網(wǎng)絡(luò)媒體和社交平臺(tái)等傳播媒介的關(guān)注，相關(guān)衍生事件和話題不斷增加，衍生成為2015年度一個(gè)輿論熱點(diǎn)話題。

初始數(shù)據(jù)采集方法是使用集搜客GooSeeker[20]網(wǎng)絡(luò)爬蟲軟件爬取網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)指標(biāo)信息，從指定事件出發(fā)，選取“天津爆炸”、“812”、“濱海爆炸”作為挖掘的關(guān)鍵字對(duì)微博中網(wǎng)民的中心度、關(guān)聯(lián)度等“8度”指標(biāo)數(shù)據(jù)進(jìn)行挖掘采集。所獲取的數(shù)據(jù)集包括2015年8月12日至2015年9月12日，共計(jì)1個(gè)月時(shí)間內(nèi)126273個(gè)節(jié)點(diǎn)，對(duì)發(fā)帖者的回復(fù)數(shù)量與轉(zhuǎn)發(fā)數(shù)量進(jìn)行爬取和計(jì)量，并刪除入讀為0和轉(zhuǎn)發(fā)次數(shù)少于10次的節(jié)點(diǎn)，然后將節(jié)點(diǎn)進(jìn)行編號(hào)，經(jīng)過(guò)上述數(shù)據(jù)處理得到10214個(gè)有效節(jié)點(diǎn)數(shù)，根據(jù)3.3節(jié)指標(biāo)量化方法，即公式（1）-公式（10），計(jì)算各節(jié)點(diǎn)指標(biāo)數(shù)據(jù)作為最終用于推理的網(wǎng)絡(luò)節(jié)點(diǎn)計(jì)算參數(shù)。

3.2 關(guān)鍵節(jié)點(diǎn)識(shí)別

該階段通過(guò)運(yùn)用模糊加權(quán)TOPSIS算法，對(duì)已經(jīng)結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行操作，計(jì)算出該事件中每個(gè)節(jié)點(diǎn)的影響力。首先，筆者邀請(qǐng)28名網(wǎng)絡(luò)輿情研究的專家根據(jù)3.4節(jié)公式（11）-公式（16）構(gòu)建的模糊層次分析法進(jìn)行優(yōu)先矩陣比較兩兩比較專家評(píng)分，包括6名具有副高以上職稱的從事高校情報(bào)、輿情分析的研究者，4名從事傳播領(lǐng)域研究方面的專家，18名來(lái)自國(guó)內(nèi)985高校情報(bào)學(xué)網(wǎng)絡(luò)輿情方向在讀博士研究生，經(jīng)計(jì)算“8度”指標(biāo)權(quán)重分別為。確定指標(biāo)權(quán)重后，再通過(guò)公式（17）-公式（23）的計(jì)算過(guò)程，對(duì)這些節(jié)點(diǎn)的影響力分值分布進(jìn)行統(tǒng)計(jì)如表2所示：

由數(shù)據(jù)可以看出，全部節(jié)點(diǎn)有14520個(gè)，而影響力在（0-0.1）之間的節(jié)點(diǎn)有11986個(gè)，占了全部節(jié)點(diǎn)的83%左右，構(gòu)成整個(gè)社會(huì)網(wǎng)絡(luò)構(gòu)成的大眾群體，而節(jié)點(diǎn)影響力在0.1以上的節(jié)點(diǎn)有2534個(gè)，約占17%，其中包含了影響力分值在0.5以上的頂端關(guān)鍵節(jié)點(diǎn)14個(gè)?？梢钥偨Y(jié)出該節(jié)點(diǎn)網(wǎng)絡(luò)83%的節(jié)點(diǎn)的影響力較小，對(duì)信息傳播方向和對(duì)網(wǎng)絡(luò)輿情的走勢(shì)影響極小，故在研究中不作為影響因素考慮。根據(jù)信息資源傳播的二八定律，在節(jié)點(diǎn)分值為[0.1，0.5]的5個(gè)分值區(qū)間，分值頂端的1/5的節(jié)點(diǎn)區(qū)間才是我們需要關(guān)注的關(guān)鍵ID范圍，即本文節(jié)點(diǎn)分值大于0.5的14個(gè)節(jié)點(diǎn)。因此，本研究選取表2中分值大于0.5的14個(gè)頂端節(jié)點(diǎn)進(jìn)行關(guān)鍵節(jié)點(diǎn)分析，根據(jù)ID編號(hào)抽取他們的基本信息如表3所示：

14個(gè)關(guān)鍵節(jié)點(diǎn)的“8度”指標(biāo)數(shù)據(jù)構(gòu)成下一步分析的基礎(chǔ)數(shù)據(jù)，編號(hào)對(duì)應(yīng)用戶名和節(jié)點(diǎn)影響力的14個(gè)頂端關(guān)鍵節(jié)點(diǎn)分值信息如表4所示：

3.3 關(guān)鍵節(jié)點(diǎn)分類

根據(jù)2.5.2關(guān)鍵節(jié)點(diǎn)分類原理，經(jīng)過(guò)計(jì)算各個(gè)發(fā)帖人的“8度”屬性指標(biāo)模糊TOPSIS計(jì)算可得網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)綜合排序，得到意見(jiàn)領(lǐng)袖節(jié)點(diǎn)；將“8度”指標(biāo)模糊TOPSIS排序識(shí)別出的關(guān)鍵節(jié)點(diǎn)刪除，結(jié)合屬性指標(biāo)值重新進(jìn)行TOPSIS推理計(jì)算排序，可以識(shí)別出潛在意見(jiàn)領(lǐng)袖；從社會(huì)網(wǎng)絡(luò)指標(biāo)的入度和出度指標(biāo)進(jìn)行社會(huì)網(wǎng)絡(luò)可視化分析可以識(shí)別重要地位節(jié)點(diǎn)；刪除社會(huì)網(wǎng)絡(luò)已識(shí)別的重要地位人物節(jié)點(diǎn)重新進(jìn)行指標(biāo)的運(yùn)算和可視化分析，可得到潛在重要地位人物節(jié)點(diǎn)；從內(nèi)容要素指標(biāo)的活躍度、影響度、認(rèn)同度、擴(kuò)散度能夠判斷識(shí)別關(guān)鍵活躍節(jié)點(diǎn)。

其中重要節(jié)點(diǎn)計(jì)算使用Gephi軟件，選取表2的14個(gè)頂端關(guān)鍵節(jié)點(diǎn)的入度與出度進(jìn)行擬合，根據(jù)節(jié)點(diǎn)大小進(jìn)行排序，得到該14個(gè)節(jié)點(diǎn)與其他相連節(jié)點(diǎn)的社群圖，如圖4所示：

在本研究中，進(jìn)出度排序前4，排序?yàn)椤懊襟w人張曉磊”、“晉江我想吃肉”、“飛揚(yáng)小LH”和“簡(jiǎn)單其實(shí)很辛苦”，其特點(diǎn)是事件爆發(fā)后第一時(shí)間發(fā)帖進(jìn)行事態(tài)播報(bào)，具體發(fā)帖信息如表5所示。

在本案例中，表中4個(gè)節(jié)點(diǎn)為基于進(jìn)出度的重要地位節(jié)點(diǎn)，關(guān)鍵節(jié)點(diǎn)輿情信息傳播的危機(jī)程度與其情感態(tài)度有較大關(guān)聯(lián)，因此本文考慮其節(jié)點(diǎn)的情感屬性，首先可以將負(fù)面關(guān)鍵節(jié)點(diǎn)“晉江我想吃肉”和“飛揚(yáng)小LH”隔離，另外“媒體人張曉磊”與“簡(jiǎn)單其實(shí)很辛苦”雖然發(fā)帖的態(tài)度為中立，但對(duì)應(yīng)的回帖態(tài)度大多是負(fù)面回復(fù)，所以考慮將該節(jié)點(diǎn)一并隔離，這樣將有效減少90%以上的話題參與人與節(jié)點(diǎn)回復(fù)關(guān)系，并且社會(huì)網(wǎng)絡(luò)圖中潛在重要地位關(guān)鍵節(jié)點(diǎn)也將顯示出來(lái)，潛在重要地位節(jié)點(diǎn)社會(huì)網(wǎng)絡(luò)關(guān)系如圖5：

綜合以上分析，“8·12濱海爆炸”事件網(wǎng)絡(luò)輿情各類型關(guān)鍵節(jié)點(diǎn)如表6所示：

3.4 關(guān)鍵節(jié)點(diǎn)類型特征分析

由分類結(jié)果可知，在“8·12濱海爆炸”事件中，基于內(nèi)容與結(jié)構(gòu)的網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)可分為5種類型，相比較于傳統(tǒng)單一類型劃分，本研究能夠?qū)崿F(xiàn)多維類別關(guān)鍵節(jié)點(diǎn)類型不同演化特征規(guī)律的結(jié)果展現(xiàn)，也能夠進(jìn)一步通過(guò)各類型關(guān)鍵節(jié)點(diǎn)分類特征的歸納和總結(jié)，針對(duì)不同節(jié)點(diǎn)類型特征制定不同的引導(dǎo)措施。

1）意見(jiàn)領(lǐng)袖節(jié)點(diǎn)代表為“晉江我想吃肉”、“媒體人張曉磊”、“刺客嘉文”和“飛揚(yáng)小LH”，所發(fā)帖子內(nèi)容正是網(wǎng)民對(duì)本事件的最主要爭(zhēng)議點(diǎn)，且“媒體人張曉磊”和“飛揚(yáng)小LH”的發(fā)帖時(shí)間正好為帖子數(shù)量趨勢(shì)圖兩峰值的前一天，對(duì)事件輿情走勢(shì)起到了極大的推動(dòng)作用。

2）潛在意見(jiàn)領(lǐng)袖節(jié)點(diǎn)代表是“簡(jiǎn)單其實(shí)很辛苦”、“財(cái)神萬(wàn)”、“徐鳳文”與“Miss_aa豆”，可以發(fā)現(xiàn)此類型節(jié)點(diǎn)一般與意見(jiàn)領(lǐng)袖節(jié)點(diǎn)直接相連，并且已擁有一部分回帖支持者，且回帖內(nèi)容支持率較高。潛在意見(jiàn)領(lǐng)袖具有隱性節(jié)點(diǎn)特征，雖然當(dāng)前影響力不高，但極具引爆輿論走勢(shì)的潛力，潛在意見(jiàn)領(lǐng)袖觀點(diǎn)有利于輿情觀點(diǎn)引導(dǎo)以及網(wǎng)絡(luò)謠言的澄清和分辨。

3）重要地位節(jié)點(diǎn)排名第一的為“媒體人張曉磊”，雖然該類型節(jié)點(diǎn)粉絲數(shù)與活躍度并非最高，但擁有大量回復(fù)和轉(zhuǎn)載，社會(huì)網(wǎng)絡(luò)關(guān)系連接的進(jìn)出入度較高，對(duì)輿情事件傳播起到直接的促進(jìn)作用。

4）潛在重要地位節(jié)點(diǎn)的代表是“刺客嘉文”與“徐鳳文”等，此類節(jié)點(diǎn)多是重要地位節(jié)點(diǎn)之間連接的過(guò)渡節(jié)點(diǎn)，處于次網(wǎng)絡(luò)中心地位，是網(wǎng)絡(luò)輿情中后期傳播擴(kuò)散度及輿論走勢(shì)持續(xù)性的關(guān)鍵。

5）關(guān)鍵活躍人物排名第一的為“晉江我想吃肉”，雖然該發(fā)帖人社會(huì)網(wǎng)絡(luò)連接度不是最高，但發(fā)帖頻率、帖子獲取點(diǎn)擊數(shù)和粉絲數(shù)很高，對(duì)輿情事件的發(fā)展與傳播具有隱性的影響作用。

綜合以上分析，針對(duì)不同類型負(fù)面輿論關(guān)鍵節(jié)點(diǎn)制定不同的干預(yù)措施如表7所示：

綜合本文關(guān)鍵節(jié)點(diǎn)識(shí)別分類結(jié)果與現(xiàn)實(shí)“8·12濱海爆炸”事件對(duì)比分析，事件爆發(fā)后以“晉江我想吃肉”、“媒體人張曉磊”等形成的意見(jiàn)領(lǐng)袖節(jié)點(diǎn)和重要地位節(jié)點(diǎn)迅速發(fā)聲并跟蹤事態(tài)發(fā)展，引發(fā)眾多回復(fù)和轉(zhuǎn)載，從而形成一股強(qiáng)大的網(wǎng)絡(luò)輿情傳播力量；以“簡(jiǎn)單其實(shí)很辛苦”、“財(cái)神萬(wàn)”為代表的潛在意見(jiàn)領(lǐng)袖節(jié)點(diǎn)和“刺客嘉文”與“徐鳳文”等潛在重要地位節(jié)點(diǎn)以更加客觀的角度對(duì)輿情事件進(jìn)行闡述，引導(dǎo)了輿情事件中后期輿論傳播走勢(shì)，是輿情事件初期輿論擴(kuò)散傳播的潛在重要力量；而以“晉江我想吃肉”為代表的關(guān)鍵活躍節(jié)點(diǎn)由于發(fā)帖量大和粉絲數(shù)高，很多微博大V轉(zhuǎn)發(fā)其微博從而形成新的輿論焦點(diǎn)，對(duì)輿情事件的傳播發(fā)揮了隱性的影響作用。對(duì)比發(fā)現(xiàn)，本研究識(shí)別、歸納的各類型關(guān)鍵節(jié)點(diǎn)在整個(gè)輿情事件的發(fā)展過(guò)程中發(fā)揮了重要的作用，產(chǎn)生了極大的社會(huì)網(wǎng)絡(luò)輿論傳播效果，與真實(shí)事件輿情轉(zhuǎn)播過(guò)程聯(lián)系緊密并且高度相關(guān)，從而也證明本研究基于內(nèi)容與結(jié)構(gòu)的網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)算法和分析具有一定的前瞻性與科學(xué)性。

4 結(jié)語(yǔ)

本文利用GooSeeker挖掘網(wǎng)絡(luò)輿情數(shù)據(jù)，使用Gephi進(jìn)行輿情傳播的社會(huì)網(wǎng)絡(luò)分析，結(jié)合Fuzzy AHP法和TOPSIS算法對(duì)“8·12濱海爆炸”在微博中的關(guān)鍵節(jié)點(diǎn)進(jìn)行挖掘、識(shí)別、分析與分類，綜合考慮內(nèi)容與結(jié)構(gòu)兩個(gè)維度得到輿情事件關(guān)鍵節(jié)點(diǎn)影響力排名，并且在對(duì)關(guān)鍵節(jié)點(diǎn)進(jìn)行挖掘的基礎(chǔ)上進(jìn)行類別劃分，轉(zhuǎn)變傳統(tǒng)使用單一用戶節(jié)點(diǎn)計(jì)算的局限性，突破了單純從單一維度進(jìn)行關(guān)鍵節(jié)點(diǎn)排序的局限性，使關(guān)鍵節(jié)點(diǎn)的識(shí)別與分類進(jìn)一步深入和明確演化特征。在理論層面，提出一種較為科學(xué)、嚴(yán)謹(jǐn)?shù)木W(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識(shí)別分類過(guò)濾模型方法；在應(yīng)用層面，有利于輿情監(jiān)測(cè)部門掌握網(wǎng)絡(luò)輿情事件中關(guān)鍵節(jié)點(diǎn)特征與作用機(jī)制并有效地加以利用，從而提高網(wǎng)絡(luò)輿情識(shí)別、監(jiān)測(cè)與管理的水平，對(duì)不同類型節(jié)點(diǎn)實(shí)施相應(yīng)的管理機(jī)制，提前做出預(yù)警和應(yīng)急策略。

同時(shí)本研究也存在一些局限，一是由于指標(biāo)量化是從內(nèi)容與結(jié)構(gòu)兩個(gè)維度由專家經(jīng)驗(yàn)得出的模糊數(shù)據(jù)，量化結(jié)果存在一定的主觀偏差，指標(biāo)維度與“8度”指標(biāo)要素都存在一定的可拓展性；二是大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情傳播方式和表現(xiàn)形式呈現(xiàn)多種形式和多樣性的特征，關(guān)鍵節(jié)點(diǎn)的影響力不僅反映在新浪微博中，還可以由新聞、論壇、博客等構(gòu)成，諸多平臺(tái)數(shù)據(jù)和隱性指標(biāo)數(shù)據(jù)未能予以完全考慮。在后續(xù)研究中，將進(jìn)一步拓展維度與指標(biāo)要素，優(yōu)化指標(biāo)量化分析與關(guān)鍵節(jié)點(diǎn)排序算法，并從不同平臺(tái)選取更多的數(shù)據(jù)源和更廣泛的輿情話題對(duì)網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識(shí)別與分類進(jìn)行更深入研究。

參 考 文 獻(xiàn)

[ 1 ]朱衛(wèi)未，王海琴.基于社會(huì)網(wǎng)絡(luò)和偏好排序的意見(jiàn)領(lǐng)袖識(shí)別方法研究[J].情報(bào)雜志，2015，（6）：104-108，125.

[ 2 ]劉志明，劉魯.微博網(wǎng)絡(luò)輿情中的意見(jiàn)領(lǐng)袖識(shí)別及分析[J].系統(tǒng)工程，2011，29（6）：8-16.

[ 3 ]肖宇，許煒，夏霖.網(wǎng)絡(luò)社區(qū)中的意見(jiàn)領(lǐng)袖特征分析[J].計(jì)算機(jī)工程與科學(xué)，2011，33（1）：150-156.

[ 4 ] Weng J，Lim E P，Jiang J，et al. Twitter Rank：Finding Topic-Sensitive Influential Twitterers[C].In：Proceedings of the 3rd ACM International Conference on Web Search andData Mining.New York：ACM Press，2010：261-270.

[ 5 ] Miorandi D，Pellegrini F.D.K-shell Decomposition for Dynamic Complex Networks[C]//Proceedings of the 8th International Symposium on Modeling and Optimization in Mobile，Ad Hoc and Wireless Networks （WiOpt）.Piscataway：IEEE，2010：488-496.

[ 6 ] Lü，L.Y，Zhang，Y.C.，Yeung，C.H.，et.al. Leaders in Social Networks，the Delicious Case[J].PloS one，2011，6（6）：e21202，1-9.

[ 7 ] 康偉.基于SNA的突發(fā)事件網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識(shí)別——以“7·23動(dòng)車事故”為例[J].公共管理學(xué)報(bào)，2012，9（3）：101-111.

[ 8 ]龐科，陳京民.社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)洞在網(wǎng)絡(luò)參政領(lǐng)袖分析中的應(yīng)用[J].武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2011，（1）：86-89.

[ 9 ]張磊，馬靜，李丹丹，等.語(yǔ)義社會(huì)網(wǎng)絡(luò)的超網(wǎng)絡(luò)模型構(gòu)建及關(guān)鍵節(jié)點(diǎn)自動(dòng)化識(shí)別方法研究[J].現(xiàn)代圖書情報(bào)技術(shù)，2016，（3）：8-17.

[ 10 ] Cha，M.，Haddadi，H.，Benevenuto，F(xiàn).，et.al.Measuring User Influence in Twitter：The Million Follower Fallacy[J].ICWSM，2010，（10）：10-17.

[ 11 ] Pal，A，Counts，S.（2011）.Identifying topical Authorities in Microblogs[C]//Proceedings of the Fourth ACM International Conference on Web Search and Data Mining.New York：ACM，2011：45-54.

[ 12 ]周雪妍，楊靜，林澤鴻，等.基于標(biāo)題聚類的論壇輿論領(lǐng)袖發(fā)現(xiàn)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，（12）：4316-4319，4334.

[ 13 ]毛佳昕，劉奕群，張敏，等.基于用戶行為的微博用戶社會(huì)影響力分析[J].計(jì)算機(jī)學(xué)報(bào)，2014，37（04）：1-10.

[ 14 ]蔣侃，唐竹發(fā)，隋浩.基于微博信息擴(kuò)散質(zhì)量的網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識(shí)別[J].情報(bào)科學(xué)，2016，（7）：64-69

[ 15 ] Bakshy，E.，Hofman，J.M，Mason，W.A.，et.al.（2011）.Everyones an Influencer：Quantifying Influence on Twitter.[C]//Proceedings of the Fourth ACM International Conference on Websearch and Data Mining. New York：ACM，2011：65-74.

[ 16 ]劉怡君，李倩倩，馬寧，等.社會(huì)輿情的網(wǎng)絡(luò)分析方法與建模仿真[M].科學(xué)出版社，2016.

[ 17 ]張吉軍.模糊一致判斷矩陣3種排序方法的比較研究[J].系統(tǒng)工程與電子技術(shù)，2003，25（11）：1370-132.

[ 18 ]張吉軍.模糊層次分析法（FAHP）[J].模糊系統(tǒng)與數(shù)學(xué)，2000，14（2）：80-88.

[ 19 ]司守奎，孫璽菁.數(shù)學(xué)建模算法與應(yīng)用[M].北京：國(guó)防工業(yè)出版社，2011.

[ 20 ] GooSeeker.MetaSeeker[EB/OL].[2017-03-18].http：//www.gooseeker.com/product.

（本文責(zé)任編輯：郭沫含）