信息安全突發(fā)事件情感領袖群際效應研究

王志英，楊 淼，王念新，葛世倫,2

1 江蘇科技大學 經(jīng)濟管理學院，江蘇 鎮(zhèn)江 212003 2 鹽城工學院 管理學院，江蘇 鹽城 224051

引言

信息技術(shù)的進步是把雙刃劍，在給人們的工作和生活帶來便利的同時也導致一系列的信息安全問題，現(xiàn)實生活中信息安全網(wǎng)絡輿情事件頻發(fā)，如棱鏡門事件、勒索病毒事件、網(wǎng)盤關閉事件等。由于網(wǎng)絡數(shù)據(jù)的爆炸式增長，網(wǎng)盤的使用量增加，網(wǎng)盤關閉事件與網(wǎng)民工作和生活息息相關。網(wǎng)民借助微博等社交平臺的信息交互機制對信息安全突發(fā)事件發(fā)表看法、宣泄情感，進而形成大規(guī)模的信息安全突發(fā)事件網(wǎng)絡輿情，因此，需要考慮情感因素在信息安全突發(fā)事件輿情傳播過程中的作用[1]。雖然已有研究發(fā)現(xiàn)信息安全突發(fā)事件的輿情演變過程呈現(xiàn)出情感態(tài)度的變化[2]，但尚未結(jié)合社交平臺的網(wǎng)絡傳播結(jié)構(gòu)對信息安全突發(fā)事件中情感的產(chǎn)生和發(fā)展進行探討。

情感不僅可以對信息安全突發(fā)事件的輿情傳播造成直接影響，還會動員人們集體參與到網(wǎng)絡輿情中，最終形成情感集群。信息安全突發(fā)事件中情感的集群現(xiàn)象對網(wǎng)絡輿情治理有重要意義，一方面，信息安全突發(fā)事件網(wǎng)絡輿情中的關鍵用戶能夠影響他人態(tài)度，引發(fā)群體情感的變化態(tài)勢；另一方面，群體情感的聚集會引發(fā)非理性行為，從而導致社會心理和行為產(chǎn)生變化。如何識別以情感為主要導向的關鍵用戶，并發(fā)現(xiàn)其在信息安全突發(fā)事件網(wǎng)絡輿情中產(chǎn)生的影響，對研究信息安全突發(fā)事件中情感的產(chǎn)生、傳播和影響具有重要意義?；诖耍狙芯恳孕畔踩话l(fā)事件為研究情景，綜合社會網(wǎng)絡分析和情感計算相關方法，提出情感領袖的概念及識別過程，探索情感領袖在信息安全突發(fā)事件網(wǎng)絡輿情傳播中的群際效應產(chǎn)生過程。

1相關研究評述

社交媒體的普及使信息安全突發(fā)事件中的網(wǎng)絡集群行為越來越普遍，社會網(wǎng)絡中的關鍵用戶在集群行為中扮演著重要角色，并且其情感特征對網(wǎng)絡輿情的傳播具有一定的影響[3]。因此，研究信息安全突發(fā)事件網(wǎng)絡輿情需要關注關鍵用戶的情感表達。

1.1突發(fā)事件網(wǎng)絡集群

集群行為是以改進整個群體的利益、目的、地位和影響力等為目標而采取的任何行動措施[4]，網(wǎng)絡集群行為是網(wǎng)民群體通過使用網(wǎng)絡平臺就某個熱點問題或敏感話題進行互動而自發(fā)產(chǎn)生的、無組織、無約束的短暫狂熱性行為[5]，是集群行為在網(wǎng)絡上的復制和延伸。由于突發(fā)事件網(wǎng)絡輿情具有情景模糊性和信息不對稱性，容易使網(wǎng)民產(chǎn)生從眾心理，最終形成網(wǎng)絡集群[6]。目前關于突發(fā)事件網(wǎng)絡集群的研究大多集中于對網(wǎng)絡集群行為的研究，主要研究內(nèi)容包括網(wǎng)絡集群行為的影響因素[7]和演變規(guī)律[8]等。整理突發(fā)事件網(wǎng)絡集群的相關研究，見表1。

由表1可知，已有突發(fā)事件網(wǎng)絡集群的研究多聚焦于各種政治事件、社會公共事件和公共衛(wèi)生事件 等，關于信息安全突發(fā)事件網(wǎng)絡集群的研究相對較少，由于信息安全突發(fā)事件與網(wǎng)民賴以生活和工作的網(wǎng)絡緊密相關，因此需要增加對網(wǎng)絡集群行為在該類事件中研究的重視程度。

表1突發(fā)事件網(wǎng)絡集群研究Table 1Research on Network Collective in Emergencies

1.2網(wǎng)絡集群中的群際情感效應

情感在群體中積累到一定規(guī)模會誘發(fā)群際情感，MACKIE et al.[17]整合情緒評價理論、社會認同理論和自我分類理論，提出群際情緒理論(intergroup emotion theory,IET)。群際情緒理論認為當群體中的主要成員或典型成員出現(xiàn)在社交網(wǎng)絡中，群體中的大部分成員的情感易受典型成員的情感感染，并且情感與具體的行為傾向相關聯(lián)，如憤怒的群體情感更容易導致非現(xiàn)實型集群行為的發(fā)生[7]，悲情和戲謔兩種情感對集群行為的動員更容易引發(fā)群體情感[18]。在群際情緒理論的基礎上，學者們又將研究的視角轉(zhuǎn)向理解群體情感產(chǎn)生的前因，即群體情感是如何產(chǎn)生的以及情感表達是如何在群體環(huán)境中被識別、表達和解釋的，研究結(jié)果表明情感影響個人感知、解釋和行動，從而對群體的產(chǎn)生以及群體間的相互關系產(chǎn)生影響[19-20]。雖然群際情緒理論的概念已經(jīng)成熟，但將其與社交網(wǎng)絡相結(jié)合，研究集群情感在網(wǎng)絡輿情傳播中產(chǎn)生的效應可以說是一個較為新穎的研究方向，已有研究已經(jīng)考慮了網(wǎng)絡集群行為中產(chǎn)生的情感在社交網(wǎng)絡結(jié)構(gòu)上的演化規(guī)律，即最終的情感分布由最初的情感分布和傳播決定[21]，但并未對各類情感產(chǎn)生的效應進行具體闡述，集群情感在社交網(wǎng)絡結(jié)構(gòu)上傳播引發(fā)的效應如何，目前尚未有確切的定論。

1.3突發(fā)事件意見領袖的作用

在微博等在線社交媒體中，意見領袖不僅對突發(fā)事件的發(fā)展有明顯的推動作用，而且對突發(fā)事件產(chǎn)生更具有直接性、鮮明性、深刻性和說服性的影響[22]。已有研究主要涉及意見領袖在突發(fā)事件中的作用，如在地震和雪災等非常規(guī)突發(fā)事件中意見領袖可以讓事情的解決過程更具有針對性[23]；在突發(fā)公共安全事件中意見領袖對自我傳播意愿有顯著的正向影響[24]；意見領袖是突發(fā)事件網(wǎng)絡集群形成中的重要節(jié)點，意見領袖的情感也在一定程度上促進網(wǎng)絡集群行為的產(chǎn)生[7]；意見領袖通過自身的情感轉(zhuǎn)變影響突發(fā)事件中群體情感的變化態(tài)勢[25]；由于意見領袖的權(quán)威性，正面情感可以通過這一中介快速傳播，而負面情感在意見領袖的作用下能夠得到一定程度的緩解[26]。雖然已有研究表明意見領袖在引導突發(fā)事件發(fā)展變化過程中具有重要作用，也闡述了意見領袖情感在突發(fā)事件演化過程中的影響，但是以情感作為一個獨立的影響因素，其自身在突發(fā)事件中的作用尚有待進一步考證。

1.4信息安全情感研究

近年來，情感被認為是影響信息安全行為的一個重要因素[27-28]，并且在信息系統(tǒng)安全決策中情感的作用非常重要[29]。有研究表明人的情感和態(tài)度等方面的心理因素影響用戶的信息安全行為[30]，LIANG et al.[27]認為如果用戶過度擔心信息安全問題能否被有效控制，就會陷入一種以情感為主導的應對策略中，造成憤怒情感對不正常的信息安全行為產(chǎn)生消極影響；而XU et al.[29]則認為恐懼情感會對不正常的信息安全行為產(chǎn)生積極影響。此外，也有學者研究發(fā)現(xiàn)，可以充分利用情感的感染作用對員工進行信息安全行為培訓，而不是僅僅依賴于現(xiàn)有知識[31]。在網(wǎng)絡輿情安全體系評估指標的研究中，戴媛等[1]考慮情感因素，認為應當考慮非理性情感在網(wǎng)絡輿情信息中的傳播，因為非理性情感在群體中的傳播可能影響社會穩(wěn)定；蘭月新等[2]通過挖掘突發(fā)事件的輿情演變規(guī)律，考慮情感態(tài)度傾向在內(nèi)的5個維度的信息安全突發(fā)事件的評估指標體系。

綜上所述，已有研究從多個角度研究各類突發(fā)事件網(wǎng)絡集群行為，情感因素對突發(fā)事件的影響已經(jīng)逐漸被提及，但多數(shù)研究只集中于研究集群行為本身或把情感作為集群行為的誘發(fā)因素之一；同時，已有關于信息安全突發(fā)事件的研究多關注用戶情感對線下行為的影響，較少考慮情感在微博等線上社交媒體的網(wǎng)絡輿情環(huán)境下對信息安全突發(fā)事件產(chǎn)生的作用。本研究以信息安全突發(fā)事件為研究情景，應用社會網(wǎng)絡分析法和情感計算的方法，通過分析微博文本識別信息安全突發(fā)事件網(wǎng)絡輿情傳播中的情感領袖，探究情感領袖在線上網(wǎng)絡輿情傳播中產(chǎn)生的效應。

2信息安全突發(fā)事件情感領袖識別

信息安全突發(fā)事件是指一個或多個違反了信息安全條例或由于控制失敗而造成的可能會損害組織資產(chǎn)或危害組織運行的事件[32]。與傳統(tǒng)災害或危機事件相比，信息安全突發(fā)事件的誘發(fā)因素更多元，并且由于社會對網(wǎng)絡依賴程度的加深，網(wǎng)民規(guī)模的擴大，使信息安全突發(fā)事件的影響范圍更廣、破壞性更強、造成的損失更大。

已有研究將意見領袖定義為能夠為他人提供信息或意見、影響他人決策的角色[33]。在信息安全突發(fā)事件中，網(wǎng)民個體情感通過社會網(wǎng)絡傳播形成集群情感，個體情感具有傳播速度快、影響范圍廣、影響力大等特點，本研究將具有這些情感特點的個體稱為情感領袖。信息安全突發(fā)事件中的情感領袖具有一定程度的相關專業(yè)知識，憑借其對相關知識的了解傳達信息、表達情感，從而引導網(wǎng)民的情感走向。意見領袖在社交網(wǎng)絡上扮演著引導輿情趨勢、提供信息或建議的角色，是輿情傳播網(wǎng)絡中的重要節(jié)點。與意見領袖不同的是，情感領袖主要是對網(wǎng)民情感起引導作用，情感作為網(wǎng)民的一個獨立特征，隨著社交網(wǎng)絡結(jié)構(gòu)在網(wǎng)民群體中擴散，情感表達強烈的網(wǎng)民成為情感領袖。情感領袖是集群情感產(chǎn)生的源頭，集群情感，尤其是信息安全突發(fā)事件中的集群情感更容易加重信息安全突發(fā)事件的危機傳播。因此，有效識別情感領袖是本研究的重點。

2.1情感計算模型

(1)模型概述

對信息安全突發(fā)事件在微博中的評論信息和回復信息進行情感分析，可計算出網(wǎng)民情感得分和情感類別，計算過程見圖1，計算過程分為數(shù)據(jù)源的獲取、文本預處理和用戶情感計算3步。

(2)情感詞典擴充

本研究以大連理工大學情感詞典作為基礎情感詞典，該中文情感詞匯本體庫[34]將情感詞語劃分為樂、好、怒、哀、懼、惡、驚7類，并將各類情感詞語的情感強度劃分為1、3、5、7、9共5個等級，用1表示正向情感詞語，用2表示負向情感詞語[35]。

微博新興的網(wǎng)絡詞語具有簡短和口語化的特點，且部分網(wǎng)絡詞語具有很強的情感色彩，所以本研究在基礎情感詞典中添加新的網(wǎng)絡詞匯，用于判定微博評論的情感傾向。參考情感計算相關研究，下載使用量最多的搜狗輸入法、QQ輸入法和百度輸入法的詞庫[36]，從中挑選出75個具有情感的網(wǎng)絡詞匯，對其進行情感標注，并加入基礎情感詞典。

(3)表情詞詞典構(gòu)建

圖1情感計算模型Figure 1Emotional Calculation Model

(4)修飾詞詞典構(gòu)建

微博評論的情感得分受到句子中程度副詞的影響，由于情感詞匯本體庫中程度副詞數(shù)量較少，本研究在已有研究的基礎上構(gòu)建新的程度副詞詞典，將程度副詞劃分為低、中、高、極4個等級，并分別將其取值為0.1、0.2、0.3、0.4[39]。文本中否定詞語的數(shù)量會逆轉(zhuǎn)評論中情感詞語表達的情感，在情感分析中考慮否定詞的逆轉(zhuǎn)作用可以提高情感識別的準確率，本研究構(gòu)建否定詞表，并將其權(quán)重賦值為 -1。

(5)情感值計算

應用R語言中的jiebaR包對微博評論進行分詞處理，去除停用詞后，根據(jù)已經(jīng)建立好的詞典匹配出情感詞、表情詞、程度副詞和否定詞，在此基礎上考慮否定詞數(shù)量和表情詞數(shù)量，建立情感得分模型，即

(1)

其中，E1為考慮否定詞數(shù)量的句子情感得分；k為整個句子中出現(xiàn)的否定詞數(shù)量；θ為情感詞，θ=1,…n，n為句子中情感詞的數(shù)量；Xθ為句子中第θ個情感詞的極性；Yθ為句子中第θ個情感詞的情感強度值。需要注意的是，表情符號轉(zhuǎn)化為文本后也被認為是情感詞。

程度副詞對于情感的表達起到強化或者削弱的作用，在情感計算中考慮本研究構(gòu)建的程度副詞詞典的等級和權(quán)重，其量化表達式為[39]

(2)

其中，E2為程度副詞的綜合權(quán)重，d為程度副詞的等級，wd為各等級程度副詞的權(quán)重，fd為句子中各等級程度副詞的數(shù)量。

本研究結(jié)合情感詞典、表情詞詞典、否定詞詞典和程度副詞詞典，對微博評論的情感得分進行定義，即

Sen=E1·E2

(3)

其中，Sen為經(jīng)過程度副詞綜合權(quán)重E2修飾過的微博評論的情感得分。

(6)情感語義映射

由于微博評論由小短句構(gòu)成，微博評論情感的計算可以從句子級的情感權(quán)重展開研究，即先提取評論文本中小短句的情感強度和情感類別，再將其中情感強度值最大的句子的情感作為整條評論的情感類別。由于已有研究證實直接累加評論文本情感詞的權(quán)重得到的整條評論的情感類別準確率更高[40]，因此本研究對微博評論情感類別進行定義，即

(4)

其中，Sen_typ為整條評論對應的情感類別，v為評論文本中的情感詞，u為情感的類別，Yu,v為評論文本中第v個屬于第u類情感的情感詞的情感強度值，max()的返回值表示Yu,v中強度值最大的一個，Typ()的返回值為情感強度最大的Yu,v值對應的情感類別。

2.2信息安全突發(fā)事件情感領袖識別模型

信息安全突發(fā)事件網(wǎng)絡輿情的傳播主要依賴于以微博等為載體的“小世界網(wǎng)絡”傳播[41]，歸根結(jié)底依賴于社交媒體的網(wǎng)絡傳播模式。在信息安全突發(fā)事件輿情傳播網(wǎng)絡中，情感領袖發(fā)揮著引導情感傳播、控制群體情感走向的作用，因此快速識別情感領袖，了解情感領袖如何影響群體情感的生成，對信息安全突發(fā)事件輿情監(jiān)管有重要意義。本研究應用社會網(wǎng)絡分析中的相關指標[42-44]，考慮用戶情感強度得分識別情感領袖，相關指標的計算方法如下。

(1)情感網(wǎng)絡結(jié)構(gòu)約束系數(shù)算法。情感網(wǎng)絡結(jié)構(gòu)約束系數(shù)是測量情感網(wǎng)絡閉合性和結(jié)構(gòu)洞的一個指標，結(jié)構(gòu)洞是指如果用戶之間間接不存在冗余關系，用戶間的空隙就被稱為結(jié)構(gòu)洞。情感網(wǎng)絡結(jié)構(gòu)約束系數(shù)是指網(wǎng)絡中某個微博用戶與其他用戶的直接或間接聯(lián)系的緊密程度，系數(shù)越高，情感網(wǎng)絡閉合性越高，結(jié)構(gòu)洞越少。具體計算步驟為

(5)

其中，i為微博用戶(以下簡稱用戶)，j為與i用戶有回復關系的所有用戶，pi,j為i用戶與j用戶聯(lián)系的比例強度，ai,j為i用戶到j用戶的最短路徑長度，aj,i為j用戶到i用戶的最短路徑長度，l為與i用戶相連接的所有用戶，ai,l為i用戶到l用戶的最短路徑長度，al,i為l用戶到i用戶的最短路徑長度。

(6)

(7)

(2)情感網(wǎng)絡有效規(guī)模算法。根據(jù)上述對結(jié)構(gòu)洞的定義，有效規(guī)模算法即為個人網(wǎng)絡規(guī)模減去冗余連接數(shù)目，即

(8)

其中，Si為以i用戶為中心的信息安全突發(fā)事件情感網(wǎng)絡有效規(guī)模，mj,q為j用戶與q用戶相連接的邊緣強度，pi,qmj,q為i用戶與j用戶之間的冗余連接用戶數(shù)。

(3)情感領袖識別算法。本研究融合社會網(wǎng)絡分析和情感分析算法，計算出各節(jié)點的點度中心度、網(wǎng)絡結(jié)構(gòu)約束系數(shù)倒數(shù)、網(wǎng)絡有效規(guī)模和情感得分的總和，即

(9)

其中，Tot為單個用戶總得分，Di為i用戶的點度中心度，Seni為i用戶取得的情感得分。由于微博用戶與微博評論一一對應，那么可用max(Seni)表示i用戶取得的最大情感得分。按照總得分結(jié)果排序，找出話題中總得分最高的用戶即為情感領袖。

3信息安全突發(fā)事件情感領袖群際效應模型

社交平臺的用戶非正式、自發(fā)地聚集在一起生產(chǎn)和分享信息的過程被稱為連接行為[15]，連接行為也可以稱為集群行為。情感的傳播與信息的傳播密不可分，信息安全突發(fā)事件輿情傳播中多個情感領袖聚集在一起形成集群情感，本研究將集群情感定義為多方用戶自發(fā)地、非正式地聚集在一起，通過使用社交平臺自發(fā)產(chǎn)生的情感，這種集群情感還會隨著社交平臺的信息傳播結(jié)構(gòu)擴散。為了解釋信息安全突發(fā)事件集群情感的這一傳播過程，本研究建立情感領袖群際效應模型。

3.1信息安全突發(fā)事件情感領袖的群際劃分

情感領袖集群是信息安全突發(fā)事件輿情情感產(chǎn)生的重要來源。在突發(fā)事件產(chǎn)生的初期，用戶在微博等平臺發(fā)表意見，表達情感，形成信息安全突發(fā)事件網(wǎng)絡輿情，隨著輿情網(wǎng)絡規(guī)模的擴大，一些處于網(wǎng)絡中心節(jié)點的用戶顯現(xiàn)出能夠影響臨近節(jié)點情感表達和傳播趨勢的能力，這些處于網(wǎng)絡中心的節(jié)點被稱為情感領袖。在表達對突發(fā)事件情感傾向的過程中，情感領袖聚集成為情感領袖集群，最終形成集群情感。由于情感領袖集群情感通過微博等平臺的信息傳播結(jié)構(gòu)進行傳播，本研究借鑒BOCCALETTI et al.[45]對Twitter多層網(wǎng)絡結(jié)構(gòu)的研究，將微博定義為話題-評論層和評論-追評層雙層社交網(wǎng)絡平臺，該平臺集群傳播結(jié)構(gòu)見圖2。圖2中，網(wǎng)格部分為微博的話題-評論層，用G1表示；陰影部分為微博的評論-追評層，用G2表示。節(jié)點1為所有話題節(jié)點，節(jié)點2、節(jié)點3、節(jié)點4和節(jié)點5為所有評論節(jié)點，節(jié)點7、節(jié)點9、節(jié)點10、節(jié)點11和節(jié)點12為所有追評節(jié)點。紅色表示該節(jié)點的情感表達強烈，是集群情感產(chǎn)生的源頭；黃色表示該節(jié)點仍具有較強的情感，但是其情感弱于紅色節(jié)點表達的情感；白色表示該節(jié)點的情感為中性，其情感表達的強度為0。藍色箭頭表示評論關系建立，黑色箭頭表示追評關系建立。α為G1層黃色節(jié)點被情感感染的概率，β為G2層黃色節(jié)點和白色節(jié)點被情感感染的概率。

圖2集群情感傳播結(jié)構(gòu)Figure 2Diffusion Structure of Collective Emotion

(1)話題-評論層

該層是用戶情感產(chǎn)生的源頭，話題一般是網(wǎng)民對于某個熱點事件的討論，該熱點事件的關鍵詞被放在兩個“#”之間，由于話題中的討論是用戶自發(fā)地在事件發(fā)生初期參與的，所以通常認為話題下博文內(nèi)容表達的情感不受其他網(wǎng)民情感的影響；評論是其他網(wǎng)民對于話題內(nèi)容的討論，評論內(nèi)容的情感受到話題內(nèi)容情感傾向的影響。話題中的情感領袖與產(chǎn)生評論的集群的連接可以建立起情感傳播的一個層次。

(2)評論-追評層

評論內(nèi)容是在話題內(nèi)容的影響下產(chǎn)生的，而追評內(nèi)容則是在話題內(nèi)容和評論內(nèi)容的雙重作用下產(chǎn)生的，既有可能是對評論內(nèi)容的直接回復，也有可能是對話題內(nèi)容的間接響應，但只是作為對某條評論的追評內(nèi)容出現(xiàn)，追評的結(jié)構(gòu)中一定會出現(xiàn)“@昵稱”，昵稱為被評論人的ID。評論節(jié)點形成的集群與追評節(jié)點形成的集群的連接構(gòu)成情感傳播的第2個層次。

(3)信息安全突發(fā)事件網(wǎng)絡輿情中的群際劃分

話題、評論、追評分別為微博信息傳播結(jié)構(gòu)中的3種交互方式，同時也是本研究中集群情感的3個載體，根據(jù)情感傳播結(jié)構(gòu)的階梯形特征，形成信息安全突發(fā)事件情感傳播的3個群。相應的，本研究將情感傳播過程中形成的群分別定義為情感領袖集群、傳播者集群和接受者集群。在話題中，影響范圍廣、影響力大、情感表達強烈的節(jié)點聚集成為情感領袖集群；按照微博中信息傳播的方式，評論文本傳遞或接受了話題中情感領袖的情感，評論節(jié)點中形成傳播者集群；本研究設定追評是情感傳遞的最后一級，接受者集群由情感傳遞到追評中的節(jié)點形成。

3.2情感領袖群際效應模型

情感領袖情感隨著微博信息的傳播結(jié)構(gòu)進行擴散，為了描述這種情感在網(wǎng)絡中的傳播機理以及新的集群情感是如何產(chǎn)生的，本研究建立集群情感的群際傳播模型。

該模型基于圖2的集群情感傳播結(jié)構(gòu)建立，情感在i用戶與j用戶之間的情感傳播權(quán)重可以被描述為

(10)

(11)

其中，Ej為j用戶的情感狀態(tài)；R為兩層節(jié)點間情感傳播的概率，在G1層取值為α，在G2層取值為β；Ei為與j用戶發(fā)生情感交互的i用戶的情感值；ΔEi,j為i用戶到j用戶情感的變化?？紤]到j用戶的情感可能受到多個用戶情感傾向的影響，最終，j用戶的情感狀態(tài)為

(12)

其中，Bj為影響j用戶情感變化的所有用戶的集合。

(12)式即為信息安全突發(fā)事件中情感領袖在雙層網(wǎng)絡中的情感群際傳播模型。

4實驗結(jié)果分析

4.1數(shù)據(jù)抓取和清洗

信息安全突發(fā)事件的發(fā)生對計算機系統(tǒng)或網(wǎng)絡系統(tǒng)的機密性、完整性和可用性造成危害，對社會造成負面影響[32]。隨著科技的進步，數(shù)據(jù)呈指數(shù)爆炸式增長，人們對云盤的依賴性增強，云安全事件作為典型的信息安全突發(fā)事件，所涉及的數(shù)據(jù)的完整性、機密性和可用性[46]也引起人們的廣泛關注，可用性是指用戶能夠隨時隨地通過網(wǎng)絡訪問存儲在云服務提供商處的數(shù)據(jù)。2016年10月20日，360云盤官方微博發(fā)布公告稱將停止個人云盤存儲服務，這一行為違反了云安全事件的數(shù)據(jù)可用性原則。因此，本研究選取360云盤關閉事件作為研究案例，使用網(wǎng)絡爬蟲軟件，以“360網(wǎng)盤關閉”和“360云盤關閉”為關鍵詞，抓取2016年10月20日至2017年11月30日這一時間段的至少含有以上關鍵詞之一的所有微博，從中篩選出評論數(shù)多于2條且評論的追評數(shù)多于2條的微博，得到1 968條微博話題、評論和追評文本，微博話題數(shù)量為91條，評論數(shù)量為623條，追評數(shù)量為1 254條。本研究分別應用中科院NLPIR語義分析平臺和Bosonnlp中文語義開放平臺對采集到的文本進行粗粒度情感分析，圖3給出360云盤關閉事件在各階段的輿情情感分布，可以明顯看出，此次360云盤關閉事件網(wǎng)民輿情情感偏向負面。

按照2.1中的方法創(chuàng)建情感詞典，在完善情感詞典的基礎上，使用R語言對采集到的微博文本進行細粒度情感分析，由于粗粒度情感分析中信息安全突發(fā)事件情感表達偏向負面，因此本研究篩選出1 356條負面情感微博文本進行細粒度情感分析，但由于含有“懼”和“驚”情感的微博在話題節(jié)點中的分布較少，所以剔除話題節(jié)點中情感表達為“懼”和“驚”的微博，得到1 202條微博文本，包含1 054條回復關系。

4.2情感領袖識別結(jié)果

根據(jù)2.2節(jié)建立的信息安全突發(fā)事件情感領袖識別模型，計算360云盤關閉事件情感網(wǎng)絡中的用戶情感得分。對91條話題文本進行情感分析，結(jié)合情感網(wǎng)絡中情感領袖測量指標和話題節(jié)點的情感得分，識別出話題節(jié)點中的情感領袖。根據(jù)回復關系，應用Gephi軟件建立社交網(wǎng)絡情感圖譜，軟件分析結(jié)果見圖4，該情感圖譜由1 202個節(jié)點和1 054條連邊構(gòu)成，節(jié)點圓圈的大小表示用戶情感得分的大小，節(jié)點情感與顏色的對應關系見表2。由于話題節(jié)點中“好”“樂”“哀”“怒”“惡”這幾類情感經(jīng)過情感傳播后演化為“懼”和“驚”，所以圖譜中仍包含這兩類情感。

表2情感與節(jié)點顏色對應表Table 2Color Chart of Emotion and Node

(a)NLPIR(b)Bosonnlp

圖4負面情感領袖群際效應情感圖譜Figure 4Emotion Atlas of Negative Emotion Leaders′ Intergroup Effect

基于圖4的情感網(wǎng)絡，應用上文建立的信息安全突發(fā)事件情感領袖識別模型，識別360云盤關閉事件傳播過程中話題層的情感領袖，計算結(jié)果見表3。

根據(jù)表3數(shù)據(jù)，用戶總得分越高越有可能是情感領袖，綜合考慮結(jié)構(gòu)洞理論和用戶情感得分，可以發(fā)現(xiàn)節(jié)點10、節(jié)點8、節(jié)點7、節(jié)點6、節(jié)點5、節(jié)點4、節(jié)點1、節(jié)點11、節(jié)點58、節(jié)點2和節(jié)點9都存在較多的結(jié)構(gòu)洞，在考慮用戶情感得分后發(fā)現(xiàn)節(jié)點9、節(jié)點4和節(jié)點11表達的情感強度較低，不符合情感領袖的特征，可以認為他們只是因為本身擁有的影響力使他們的信息得到廣泛的擴散。在整個網(wǎng)絡結(jié)構(gòu)中還存在很多掌握了較多結(jié)構(gòu)洞但是中心度低或者情感表達不夠強烈的節(jié)點，這類節(jié)點也不符合網(wǎng)絡情感領袖的特征。綜合上述討論，可以確定該網(wǎng)絡中的情感領袖有節(jié)點1、節(jié)點2、節(jié)點5、節(jié)點6、節(jié)點7、節(jié)點8、節(jié)點10、節(jié)點16、節(jié)點17、節(jié)點19等節(jié)點。

表3用戶情感測量指標舉例Table 3Example of User Emotion Measurement Indicators

本研究運用社會網(wǎng)絡分析法中核心-邊緣模型的CORR算法檢測輿情情感傳播網(wǎng)絡中網(wǎng)民的活躍程度，判斷網(wǎng)民在該網(wǎng)絡中所處位置以及活躍分子之間聯(lián)系的緊密程度，配以用戶情感值可以從活躍分子中篩選出輿情情感傳播網(wǎng)絡中的情感領袖。計算結(jié)果見表4，在本研究中把核心度大于等于0.125的作為核心群體，其余的作為邊緣群體。

由表4可知，節(jié)點10、節(jié)點8、節(jié)點7、節(jié)點6、節(jié)點5、節(jié)點1、節(jié)點2、節(jié)點4、節(jié)點11、節(jié)點58等均分布在情感傳播網(wǎng)絡的核心位置上，結(jié)合上述用戶發(fā)表話題的情感強度，再次證實上述用戶的情感領袖地位，同時也表明其在情感傳播中起重要作用。

在此情感網(wǎng)絡中，集群中的情感領袖具有以下特征：①情感領袖是集群情感的中心，從情感傳播網(wǎng)絡看，情感領袖是集群情感傳播的基礎，情感領袖聚集在一起形成初始集群情感，情感領袖集群情感的存在引發(fā)了群際間的情感傳播，在另外的集群中形成新的集群情感；②情感領袖具有權(quán)威性，在網(wǎng)絡中具體表現(xiàn)為情感領袖集群可以影響其他節(jié)點向著與他同類型的情感轉(zhuǎn)移，并且情感領袖集群情感強度較大。

表4話題節(jié)點用戶的核心度及位置分布Table 4Core Degree and Location Distribution of the Topic Node Users

4.3情感計算模型評估測試

為了驗證本研究細粒度情感分析方法的有效性，隨機選取總數(shù)據(jù)集的30%作為測試數(shù)據(jù)，對測試數(shù)據(jù)進行人工標注語料集，對上述語料集分別應用大連理工大學情感詞匯本體庫和本研究構(gòu)建的情感詞典，采用情感詞語義加權(quán)的方法進行對比試驗。采用通用的評價標準，即用正確率、召回率和綜合評價指標F值[47]作為本研究集群情感計算模型的評價指標，各個指標的定義為[48]

(13)

(14)

(15)

應用以上指標對本研究提出的情感計算方法的正確性和有效性進行測試，并且與傳統(tǒng)方法進行對比，結(jié)果見表5。

表5本研究方法與傳統(tǒng)方法結(jié)果對比Table 5Results Comparison of the Method Used in This Paper and the Traditional one

由表5可知，本研究提出的方法在情感分類方面的分類效果優(yōu)于原始的基于詞典的方法，其中“怒”的召回率和F值最高，相對于“哀”和“惡”，“怒”的召回率和F值的提升也是最高的。

4.4情感領袖群際效應分析

應用上文中模型識別情感領袖，根據(jù)微博評論的傳播結(jié)構(gòu)建立集群情感傳播網(wǎng)絡，再根據(jù)3.2情感領袖群際效應模型觀察情感領袖情感傳播的群際效應。為了直觀地觀察負面情感領袖在集群間產(chǎn)生的效應，本研究選取圖4方框中用玫紅表示的“惡”的情感領袖節(jié)點的群際情感傳播網(wǎng)絡進行分析，所選取的群際情感傳播網(wǎng)絡見圖5。

圖5情感領袖群際情感傳播網(wǎng)絡舉例Figure 5Example of Emotion Leaders′ Intergroup Emotion Diffusion Network

以圖5方框中用玫紅表達的“惡”的情感領袖節(jié)點的情感傳播為例，一方面，處于中心位置的代表情感領袖集群的圓圈比周圍表示傳播者集群的圓圈的直徑大，而在傳播者集群的情感被再一次傳播后，代表接受者集群的圓圈的直徑再一次縮小，這一現(xiàn)象表明負面情感領袖的情感強度在集群傳播過程中會逐漸減弱；另一方面，負面情感領袖的情感使臨近集群感染相同極性的情感，同時在傳播者集群和接受者集群內(nèi)部也有部分用戶的情感不受感染，或者是感染相反極性的情感?？傮w表現(xiàn)為集群情感強度減弱，情感的復雜性增加，規(guī)模擴大。

根據(jù)情感領袖群際效應模型，本研究建立負面情感領袖的群際情感傳播網(wǎng)絡，描繪不同類別的集群情感的群際傳播特征，從而直觀地觀察到各類負面情感領袖集群產(chǎn)生的群際效應。以綠色表示的情感表達最為強烈的“哀”為例，描繪出其在不同層上的情感傳播特點，結(jié)果見圖6。

(a)話題-評論層

(b)評論-回復層

由圖6可知，①在圖6(a)中，以“哀”為主要情感的情感領袖使臨近集群即傳播者集群中產(chǎn)生較多同種情感，表現(xiàn)為與情感領袖節(jié)點具有相同的顏色，且情感強度減弱，表現(xiàn)為節(jié)點圓圈的直徑縮小。此外傳播者集群中不僅有部分用戶的情感在情感領袖的影響下呈現(xiàn)出相同極性或相反極性，也有較多用戶不受情感領袖影響，發(fā)表的觀點不帶有任何感情色彩，這類用戶表達的情感為中性，強度為0。所以情感領袖具有增加集群情感復雜性的作用。②在圖6(b)中，受到情感領袖影響后的傳播者集群仍然具有情感傳播的能力，且情感領袖的情感經(jīng)過傳播者集群傳播后在接受者集群中與初始情感領袖的情感表達相異的節(jié)點增多，在接受者集群中表現(xiàn)為多數(shù)集群用戶節(jié)點的顏色與以綠色為主要情感的情感領袖節(jié)點的顏色不同。

基于“哀”的情感領袖產(chǎn)生的群際效應，本研究對比各類負面情感領袖在集群中產(chǎn)生的群際效應，結(jié)果見表6，表6中規(guī)模表示各集群中具有情感的用戶節(jié)點的數(shù)量，復雜性表示各集群中具有的情感類型，括號中的數(shù)值表示情感表達為中性的用戶數(shù)量，當前集群中各類情感的百分比與復雜性中的各類情感一一對應。

綜上所述，情感領袖在信息安全突發(fā)事件網(wǎng)絡輿情情感傳播中產(chǎn)生兩個方面的效應。

(1)情感領袖群際情感效應

由表6數(shù)據(jù)可知，不同類型的負面情感領袖產(chǎn)生的群際效應基本相同。首先，表現(xiàn)為所有負面情感領袖的集群情感導致在傳播者和接受者中形成新的集群情感，且隨著集群情感的傳播，集群情感的規(guī)模在不斷擴大，表現(xiàn)為集群中帶有情感的節(jié)點增多；其次，所有負面情感領袖的集群情感復雜度先增加，然后再降低，表現(xiàn)為集群情感類型的先增多后減少。

(2)情感領袖群際認同效應

根據(jù)群際情緒理論中群體情緒取決于群體認同水平這一概念，一方面由于情感領袖集群的群體認同度高使該群體的集群情感表現(xiàn)的更為強烈，另一方面由于負面情感增加負面事件中的群體認同程度，所以，在信息安全突發(fā)事件中，負面情感領袖的情感具有增加該類事件中群體認同程度的效應。這一效應表現(xiàn)為在集群情感傳播過程中各類集群情感規(guī)模逐漸擴大，在數(shù)量上呈現(xiàn)為本研究列舉的3類負面情感在隨著集群間的情感傳播，其情感數(shù)量在當前集群中的比例逐漸擴大。

5結(jié)論

為了研究信息安全突發(fā)事件網(wǎng)絡輿情傳播中網(wǎng)民群體情感的形成機理，本研究應用社會網(wǎng)絡分析和文本情感分析的方法，探討不同類型負面情感領袖在群體情感形成過程中產(chǎn)生的群際效應。

5.1研究結(jié)果

(1)信息安全突發(fā)事件網(wǎng)絡輿情情感傳播中存在情感領袖。情感領袖具有情感表達強烈的特性，主要作用是影響網(wǎng)民情感的變化，情感領袖的存在促進了網(wǎng)民個體情感轉(zhuǎn)化為群體情感，引發(fā)了集群情感現(xiàn)象的產(chǎn)生。

(2)負面情感領袖聚集在一起形成負面情感領袖集群，該集群情感隨著社交平臺信息傳播的網(wǎng)絡特征分別逐層擴散到鄰近節(jié)點和次臨近節(jié)點，進而形成傳播者中的集群情感和接受者中的集群情感。

(3)信息安全突發(fā)事件輿情傳播中的負面情感領袖可以產(chǎn)生群際情感效應和群際認同效應。情感領袖群際情感效應表現(xiàn)為隨著情感領袖情感在集群間的傳播，各集群情感強度減弱、集群情感復雜度先增強后減弱；情感領袖群際認同效應表現(xiàn)為各類型負面集群情感的規(guī)模擴大，在數(shù)量上呈現(xiàn)出各類情感在當前集群中的比例逐漸擴大的現(xiàn)象。

5.2理論意義

(1)本研究探討信息安全突發(fā)事件輿情中情感傳播的特點，在已有意見領袖概念的基礎上，提出情感領袖的概念。已有研究多是考慮用戶意見或行為在輿情傳播中的作用，用戶情感作為獨立因素在輿情傳播中的作用尚有待考證，因此本研究提出的情感領袖的概念，在一定程度上豐富了意見領袖的相關研究。

(2)本研究重點討論信息安全突發(fā)事件中與情感相關的問題，發(fā)現(xiàn)集群現(xiàn)象不僅存在于行為中，而且在情感傳播中也存在類似的集群現(xiàn)象，本研究將這一現(xiàn)象定義為集群情感，這一發(fā)現(xiàn)豐富了網(wǎng)絡集群在信息安全領域的研究。

(3)本研究主要探討負面情感領袖在信息安全突發(fā)事件中的群際效應，一方面是因為文中案例呈現(xiàn)出較強的負面情感，另一方面是因為已有研究中缺少網(wǎng)民負面情感與網(wǎng)絡突發(fā)事件輿情應急響應相關聯(lián)的研究[49]。本研究關于負面情感的研究具有重要意義，為網(wǎng)絡突發(fā)事件負面輿情情感的研究提供了理論上的支持。

5.3實踐意義

根據(jù)本研究結(jié)論，輿情監(jiān)管部門應當加大對大眾輿論平臺上信息安全突發(fā)事件的輿情監(jiān)管力度，尤其是對于此類突發(fā)事件中負面情感的把控，本研究結(jié)論有利于網(wǎng)絡輿情監(jiān)管部門了解此類突發(fā)事件中負面情感領袖的群際效應，及時控制負面情感產(chǎn)生源頭，掌握負面集群情感在集群間的傳播規(guī)律，對于各個集群采取有針對性的措施，減弱集群情感強度，控制集群情感規(guī)模，減少集群中情感類別，從而為相關部門在信息安全突發(fā)事件網(wǎng)絡集群情感的治理方面提供指導。

此外，由于情感領袖產(chǎn)生于社交平臺“話題”模塊，因此社交平臺管理者要加強對“話題”模塊的管控，控制話題中過于偏激的言論，必要時對“話題”模塊的情感進行干擾，及時扼制負面情感領袖集群的產(chǎn)生。對于“話題”模塊下情感影響力較強的節(jié)點，相關部門可以將其記錄在冊并與之建立合作關系，從而使他們可以引導突發(fā)事件網(wǎng)絡輿情中的網(wǎng)民情感。

5.4研究局限和展望

(1)由于微博中負面情感的危害性更大，傳播更迅速[50]，本研究僅討論負面情感領袖在網(wǎng)絡傳播中產(chǎn)生的群際效應，未來研究可以考慮正面情感領袖在輿情傳播網(wǎng)絡中產(chǎn)生的效應。

(2)已有研究一般從時間[51]和空間[21]兩個維度研究情感傳播，本研究僅考慮負面情感領袖在空間維度產(chǎn)生的群際效應，后續(xù)研究可以探討情感領袖在時間維度的群際效應。

(3)本研究僅討論信息安全突發(fā)事件中的集群情感的變化，未來研究可探討集群情感強度、規(guī)模、復雜度等特征對信息安全突發(fā)事件集群行為的影響。