在線知識社群中的意見領(lǐng)袖識別模型研究

童莉莉 李榮祿 閆強(qiáng)

摘要：在線知識社群是近年興起的虛擬學(xué)習(xí)組織，意見領(lǐng)袖對社群的活躍度、持續(xù)性都有著重要影響。該文進(jìn)一步考慮意見領(lǐng)袖的自身傳播屬性和社交媒體環(huán)境下的分享行為，構(gòu)建了用戶影響力算法，在此基礎(chǔ)上提出了在線知識社群意見領(lǐng)袖識別模型。采用用戶影響力算法中的影響力特征值作為聚類向量，基于K-means聚類算法進(jìn)行聚類，獲得各個(gè)聚類子類的影響力均值，提取理論意義上的意見領(lǐng)袖。最后通過在線知識社群實(shí)證研究，驗(yàn)證理論模型的科學(xué)性。用戶的自傳播屬性和受激屬性對于識別出意見領(lǐng)袖有著較好的先導(dǎo)作用，所得到的意見領(lǐng)袖群體有一定的代表性，進(jìn)一步根據(jù)分析結(jié)果提出研究優(yōu)化方向和相應(yīng)管理建議。

關(guān)鍵詞：意見領(lǐng)袖識別;在線知識社群;影響力;聚類算法

中圖分類號：G434 文獻(xiàn)標(biāo)識碼：A

一、引言

互聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等技術(shù)的發(fā)展，使教育信息化的形式不斷推陳出新：網(wǎng)絡(luò)課程、翻轉(zhuǎn)課堂、MOOCs、遠(yuǎn)程教學(xué)、微課、直播課程等相繼產(chǎn)生，在線知識社群已經(jīng)成為有共同內(nèi)容偏好的學(xué)習(xí)者聚集在一起建構(gòu)知識、交流情感的有效學(xué)習(xí)環(huán)境。與此同時(shí)，在線學(xué)習(xí)的效果還有待推進(jìn)，以MOOCs為例，研究表明完成全過程的學(xué)習(xí)者比例僅為3%到15%。剖析在線知識社群成員的行為軌跡不難發(fā)現(xiàn)，其獲取知識的途徑一般集中表現(xiàn)為個(gè)人認(rèn)知、相互分享、指導(dǎo)者引領(lǐng)等方式。有學(xué)者發(fā)現(xiàn)，意見領(lǐng)袖往往能通過在線交流形成的直接或間接的社會關(guān)系，對其他用戶造成波及效用。國內(nèi)對于意見領(lǐng)袖的識別研究目前集中在論壇、微博等方面，而對在線知識社群中意見領(lǐng)袖的有效識別還有較廣闊的研究空間。

本文基于作者在網(wǎng)絡(luò)環(huán)境教學(xué)中的經(jīng)驗(yàn)，從社會網(wǎng)絡(luò)信息傳播的角度，探索在線知識社群中的意見領(lǐng)袖識別方法，并就意見領(lǐng)袖對于在線知識社群的活躍度、知識傳播效率和社群生命周期的影響做實(shí)證研究。

二、意見領(lǐng)袖識別模型研究與影響力算法綜述

（一）意見領(lǐng)袖識別模型

意見領(lǐng)袖作為在線知識社群中“信息的加工和擴(kuò)散者”“學(xué)習(xí)的監(jiān)督與指導(dǎo)者”，對于在線知識的傳播具有重要的促進(jìn)作用，能夠提升傳播范圍、傳播速度和傳播深度。例如盧瀟以“學(xué)習(xí)科學(xué)與技術(shù)”教育虛擬社群為例，通過發(fā)帖類型、發(fā)帖量、瀏覽量、發(fā)帖內(nèi)容等行為或內(nèi)容數(shù)據(jù)篩選出意見領(lǐng)袖，進(jìn)一步發(fā)現(xiàn)意見領(lǐng)袖能增強(qiáng)成員的元認(rèn)知能力，激發(fā)成員的思考。

目前對于在線知識社群意見領(lǐng)袖識別的相關(guān)研究以復(fù)雜網(wǎng)絡(luò)的角度為主流，基于S3模型、基于社會網(wǎng)絡(luò)分析法、基于聚類算法、基于用戶影響力算法等識別方法構(gòu)成了當(dāng)前的主要成果。顏榴紅等著眼于學(xué)習(xí)共同體的意見領(lǐng)袖識別，將評分?jǐn)?shù)據(jù)納入意見領(lǐng)袖識別的關(guān)鍵環(huán)節(jié)——影響力分析，提出了一種滿足S3（社交性、擴(kuò)展性和安全性）計(jì)算需求的協(xié)議模型;朱志國等先從用戶網(wǎng)絡(luò)中心性與用戶自身活躍度兩方面入手，選擇7項(xiàng)測度指標(biāo)——“度中心度”“接近中心度”“中介中心度”“特征向量中心度”“發(fā)帖量”“發(fā)出評論量”和“經(jīng)驗(yàn)值”，提出了綜合意見領(lǐng)袖測度模型;王玨等提出了7個(gè)網(wǎng)絡(luò)意見領(lǐng)袖的特征值，并運(yùn)用聚類算法篩選出意見領(lǐng)袖群體（如圖1所示）;吳渝等根據(jù)論壇帖子數(shù)據(jù)中提取的用戶屬性特征（用戶的活躍度和用戶的被關(guān)注度）形成影響值初步模型，再運(yùn)用UI-LR算法計(jì)算用戶最終的影響值，進(jìn)而得到意見領(lǐng)袖（如圖2所示）;羅凌基于PageRank算法設(shè)計(jì)了基于學(xué)習(xí)者影響力的識別方法，可以更有效地識別出影響力較大的學(xué)習(xí)者作為意見領(lǐng)袖（如圖3所示）。

（二）影響力算法

信息科學(xué)領(lǐng)域的學(xué)者們主要從拓?fù)浣Y(jié)構(gòu)、行為特征、內(nèi)容特征這3個(gè)維度來度量影響力：一是給定社會網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)，由用戶之間的社會關(guān)系可以推測出影響力模式及其強(qiáng)弱;二是給定用戶行為數(shù)據(jù)，由用戶行為發(fā)生的時(shí)間先后次序推測出其影響力模式及其強(qiáng)弱;三是根據(jù)用戶的信息內(nèi)容特征如話題因素、用戶觀點(diǎn)等推測其影響力模式及強(qiáng)弱。

韓忠明等基于節(jié)點(diǎn)與鄰居節(jié)點(diǎn)之間的三角結(jié)構(gòu)提出了一種有效的節(jié)點(diǎn)影響力度量指標(biāo)模型，該模型不僅考慮節(jié)點(diǎn)間的三角結(jié)構(gòu)，同時(shí)考慮了周邊鄰居節(jié)點(diǎn)的規(guī)模。

吳渝等根據(jù)用戶在網(wǎng)絡(luò)論壇中的行為，提取用戶屬性特征值，進(jìn)一步提出了網(wǎng)絡(luò)論壇用戶影響值模型（如圖4所示），影響值計(jì)算公式如下：

郭宇等從情感分析和用戶影響力入手，構(gòu)建了基于情感分析的用戶影響力模型，其中情感分析是從用戶的評論信息內(nèi)容提取情感信息。

（三）小結(jié)

在影響力算法設(shè)計(jì)上，本文借鑒吳渝和羅凌兩位學(xué)者的用戶影響力模型，其中吳渝對于用戶影響力衡量指標(biāo)采用的是活躍度和被關(guān)注度，活躍度主要指發(fā)帖數(shù)和回復(fù)數(shù)，被關(guān)注度主要指被回復(fù)數(shù)和被瀏覽數(shù);羅凌對于用戶影響力指標(biāo)主要采用了用戶在論壇、在線聊天和電子郵件這三方面的行為指標(biāo)。在意見領(lǐng)袖識別模型設(shè)計(jì)上，本文借鑒羅凌、吳渝和王玨論文中的思路，綜合考慮基于用戶影響力的意見領(lǐng)袖識別方法和基于聚類的意見領(lǐng)袖識別方法。

綜合對比以上在線知識傳播環(huán)境下的用戶影響力評價(jià)指標(biāo)，本文將在借鑒前人成果的基礎(chǔ)之上，在以下方面做持續(xù)改進(jìn)：（1）增加考慮用戶自身傳播屬性所帶來的影響力;（2）增加考慮用戶的一些自主行為帶來的影響力，比如在線學(xué)習(xí)時(shí)長、作業(yè)完成情況等;（3）在網(wǎng)絡(luò)環(huán)境下，用戶分享所帶來的潛在影響力不容忽視，本文還將兼顧考慮現(xiàn)今朋友圈、微博等傳播的力量，融入新的分享意圖類因素。

三、在線知識社群中的意見領(lǐng)袖識別實(shí)證研究

（一）基于影響力算法的意見領(lǐng)袖識別模型設(shè)計(jì)

基于影響力算法的意見領(lǐng)袖識別模型主要借鑒了前人基于社會網(wǎng)絡(luò)分析、聚類算法的分析理念。采用在線知識社群用戶影響力模型中的特征值，基于K-means的聚類算法，提出基于影響力算法的意見領(lǐng)袖識別模型（如圖6所示）。

1.用戶影響力模型構(gòu)建

本文在對學(xué)習(xí)者的自身屬性和在線學(xué)習(xí)行為分析的基礎(chǔ)上，把用戶影響力分為用戶自身影響力和用戶行為影響力，進(jìn)一步設(shè)計(jì)了用戶影響力初步模型（如圖7所示）。

（1）用戶自身影響力：由用戶自身屬性所形成影響力

節(jié)點(diǎn)自傳播屬性：節(jié)點(diǎn)在不受激勵(lì)情況下，傳播信息時(shí)的意愿值;

節(jié)點(diǎn)受激傳播屬性：節(jié)點(diǎn)在受到激勵(lì)時(shí)，傳播信息時(shí)的意愿值;

節(jié)點(diǎn)受激接收屬性：節(jié)點(diǎn)在受到激勵(lì)時(shí)，接收信息時(shí)的意愿值。

（2）用戶行為影響力：用戶在線學(xué)習(xí)行為所產(chǎn)生的影響力

根據(jù)用戶行為是否由合作產(chǎn)生，將行為影響力分為自主行為影響力和協(xié)作行為影響力。

自主行為影響力：主要指在線學(xué)習(xí)時(shí)長、作業(yè)成績、考試成績;

在線學(xué)習(xí)時(shí)長：線上登陸學(xué)習(xí)的時(shí)間，來衡量日常的學(xué)習(xí)態(tài)度;

作業(yè)成績：平時(shí)的作業(yè)成績，來衡量日常學(xué)習(xí)表現(xiàn);

考試成績：期末作業(yè)考核成績，來衡量知識獲取、分析、整合和應(yīng)用的能力;

以上三者能很好的衡量在線自主學(xué)習(xí)行為所產(chǎn)生的影響力。

協(xié)作行為影響力：主要指在線互動次數(shù)、在線留言次數(shù)和在線分享次數(shù);

在線互動次數(shù)：在線學(xué)習(xí)課程中和老師或?qū)W生互動的次數(shù);

在線留言次數(shù)：在在線課程論壇留言的次數(shù);

在線分享次數(shù)：在朋友圈或微博等網(wǎng)絡(luò)媒介上推薦在線課程的意愿值。

（3）用戶影響值的計(jì)算

根據(jù)用戶影響力模型，可得用戶影響力值Influence計(jì)算公式如下：

2.基于K-means的聚類算法

聚類算法分為劃分法、層次法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法（如SOM、EM、COBWEB）、模糊聚類方法等。本文采用劃分法中的K-means算法，其基本思路和步驟如下：（1）隨機(jī)或按某種策略從n個(gè)對象中選擇k個(gè)對象作為初始的類中心（Centriod，Mean Point）;（2）計(jì)算每個(gè)對象與這k個(gè)類中心的距離;（3）將每個(gè)對象劃分/分配到與其距離最近的類中心所在的類中;（4）回到第2步，直到和前一次劃分，分配結(jié)果無差異，停止。

3.在線知識社群意見領(lǐng)袖的選擇

意見領(lǐng)袖應(yīng)該是活躍于在線知識社群中具有較大影響力的中心人物，一般來說他們是一個(gè)很小的群體，那么這個(gè)群體的用戶影響值的均值都比較大。為了篩選出意見領(lǐng)袖，得到各個(gè)聚類子類后，將成員數(shù)量較少的子類作為潛在的意見領(lǐng)袖群體，進(jìn)一步計(jì)算出各個(gè)子類的影響值均值，影響值均值大的群體為意見領(lǐng)袖群體。

（二）實(shí)證研究

1.數(shù)據(jù)采集

本文從作者所教授的《電子商務(wù)》課程中隨機(jī)抽取200人進(jìn)行問卷調(diào)查，該課程為高校在線課程中參與人數(shù)較多的網(wǎng)課之一，具有較好的數(shù)據(jù)抽樣基礎(chǔ)。

2.數(shù)據(jù)分析

本文先對在線知識社群成員的自身屬性和在線行為作描述性統(tǒng)計(jì)，得出初步的分析結(jié)論;接下來采用聚類分析的方法對在線知識社群的學(xué)員進(jìn)行分類，試圖從聚類的結(jié)果中找出意見領(lǐng)袖群體。

（1）描述性統(tǒng)計(jì)

為了解在線知識社群成員的自身屬性和行為屬性的特點(diǎn)以及在線知識社群活躍度對社群成員的影響，我們研究了學(xué)習(xí)者的自傳播屬性、自身受激屬性（受激傳播屬性和受激接受屬性）、自主行為屬性（在線學(xué)習(xí)時(shí)間、作業(yè)成績、期末考試成績）、協(xié)作行為屬性（互動次數(shù)、留言次數(shù)、主動推薦課程意愿）、社群成員活躍度對社群的影響等，具體結(jié)果如表1所示。

通過初步的描述統(tǒng)計(jì)分析，可以看到這一在線知識社群成員的典型特征：

從自身屬性來看，自身傳播信息能力較弱（一個(gè)月左右更新社交平臺朋友圈的占48.72%），自身受激傳播信息的能力較強(qiáng)，且多從身邊人角度考慮（獎(jiǎng)勵(lì)是朋友需要的會轉(zhuǎn)發(fā)信息的占64.10%）。

從行為角度看，分自主行為和協(xié)作行為兩個(gè)維度進(jìn)行觀察。從自主行為來看，在線學(xué)習(xí)時(shí)間較長（一周一般學(xué)習(xí)5-7小時(shí)占43.59%），平時(shí)成績非常好（90分以上的占38.46%，80-90分占28.21%），期末成績良好（80-90分占56.41%）;從協(xié)作行為看，比較愿意互動（在線課程中互動1-3次及以上的占比61.51%），不太喜歡課后的留言（一般不喜歡留言的比例占48.72%），會主動向身邊人推薦好的在線課程（占比61.54%），如果在線知識社群活躍，社群成員感到對學(xué)習(xí)很有幫助，愿意參與（占比58.97%）。

（2）聚類分析

利用Rapidniner軟件進(jìn)行聚類分析，將影響力模型中的9個(gè)典型特征值作為聚類的變量。

a.選擇最佳的聚類中心數(shù)

對于最佳聚類中心數(shù)的選取，可以參考DBI值（Davies Bouldin值）。一般來說，DBI值越小，所對應(yīng)的聚類效果越好，選擇此時(shí)的聚類中心數(shù)，如表2所示，可知K=8是最合適的聚類中心數(shù)。

b.聚類結(jié)果

將Clustering算子中K的參數(shù)調(diào)至8，運(yùn)行整個(gè)流程，得到聚類結(jié)果（如表3所示）。

由表3知，成員數(shù)量較少的聚類子類是cluster_0，cluster_1，cluster_3，cluster_6，cluster_7，可進(jìn)一步計(jì)算各子類的平均影響力值來確定意見領(lǐng)袖。

（3）基于影響值確定意見領(lǐng)袖

由在線知識社群用戶影響力模型得到的各特征值的權(quán)重指標(biāo)如下：（節(jié)點(diǎn)自傳播屬性，節(jié)點(diǎn)受激傳播屬性，節(jié)點(diǎn)受激接收屬性，在線學(xué)習(xí)時(shí)長，作業(yè)成績，考試成績，在線互動次數(shù)，在線留言次數(shù)，在線分享次數(shù)）=（0.125，0.0625，0.0625，0.15，0.075，0.15，0.15，0.15，0.075）。根據(jù)用戶影響力值Influence計(jì)算公式得到各聚類中心的平均影響力值（如表4所示）。

由計(jì)算結(jié)果可知，Cluster_0的影響力均值最大，是最適合的意見領(lǐng)袖群體人選，該群體的特點(diǎn)是：基本每天都會發(fā)朋友圈或微博;有獎(jiǎng)勵(lì)措施且相關(guān)信息是朋友需要的會轉(zhuǎn)發(fā);所在虛擬社群活躍的話，接收信息的能力強(qiáng);一般能夠接受的在線學(xué)習(xí)時(shí)長是7小時(shí)以上;在線互動次數(shù)1-3次;有同學(xué)在論壇里提問的話會留言自己的看法;平時(shí)作業(yè)在80-90分左右，期末成績也在80-90左右——這一類人群的成績不是特別拔尖;遇到好的在線課程一般傾向于向身邊人推薦。

四、基于意見領(lǐng)袖識別的在線知識社群管理建議

（一）意見領(lǐng)袖的發(fā)現(xiàn)和培育機(jī)制

當(dāng)在線知識學(xué)習(xí)社群內(nèi)的意見領(lǐng)袖存在時(shí)，可以通過多種方法識別出來，本文的研究結(jié)論發(fā)現(xiàn)：用戶的自傳播屬性和受激屬性對于識別出意見領(lǐng)袖有著較好的先導(dǎo)作用。當(dāng)在線知識學(xué)習(xí)社群內(nèi)的沒有顯著意見領(lǐng)袖時(shí)，培育和激發(fā)潛在的意見領(lǐng)袖群體可以從以下著手：

1.創(chuàng)建良好的交互學(xué)習(xí)環(huán)境，培育潛在的意見領(lǐng)袖群體

作者調(diào)研發(fā)現(xiàn)，當(dāng)所在學(xué)習(xí)社群成員之間積極互動時(shí)，會對學(xué)習(xí)者積極性產(chǎn)生促進(jìn)作用（占比58.97%）。意見領(lǐng)袖一般是在討論、交互中產(chǎn)生的，為此要提供一個(gè)良好的交互學(xué)習(xí)環(huán)境：一方面建設(shè)好在線知識學(xué)習(xí)社群所能利用的交互工具如網(wǎng)絡(luò)論壇、在線聊天室及朋友圈、微博、短視頻等傳播媒體，為交互提供良好的物理環(huán)境;另一方面，規(guī)劃好在線知識學(xué)習(xí)社群的學(xué)習(xí)活動和任務(wù)，創(chuàng)造積極的氛圍，為意見領(lǐng)袖特質(zhì)的形成提供良好的人文環(huán)境。

2.形成有效的激勵(lì)和評價(jià)機(jī)制，激發(fā)意見領(lǐng)袖群體的動機(jī)

本文實(shí)證研究發(fā)現(xiàn)的意見領(lǐng)袖群體受激傳播屬性強(qiáng)，當(dāng)“有獎(jiǎng)勵(lì)措施且相關(guān)信息是朋友需要的會轉(zhuǎn)發(fā)”，我們可以利用好這一特點(diǎn)，通過激勵(lì)手段和評價(jià)方法激發(fā)潛在意見領(lǐng)袖的動機(jī)。作為虛擬社群，在線知識社群更多考慮精神上的激勵(lì)，激勵(lì)機(jī)制的設(shè)定可以參考三種機(jī)制——點(diǎn)數(shù)、徽章和排行榜。比如點(diǎn)數(shù)，當(dāng)學(xué)員在論壇留言、在線上課程中互動等，給予一定的積分，當(dāng)達(dá)到一定的分?jǐn)?shù)時(shí)，給予獎(jiǎng)勵(lì)，比如平時(shí)作業(yè)的成績。

（二）意見領(lǐng)袖的管理和引導(dǎo)措施

當(dāng)識別出在線知識社群的意見領(lǐng)袖后，要注意引導(dǎo)，發(fā)揮其重要作用，提高社群的活躍度和學(xué)習(xí)效果。意見領(lǐng)袖的管理和引導(dǎo)，重點(diǎn)在于社群組織者對意見領(lǐng)袖在社群中的定位。推薦的措施包括：利用意見領(lǐng)袖的二次傳播能力，傳播教師認(rèn)為重要的知識和信息;把意見領(lǐng)袖納入在線教學(xué)的重要組織者，發(fā)揮其輿論引導(dǎo)能力，引導(dǎo)社群內(nèi)的討論方向，營造良好的氛圍;利用意見領(lǐng)袖的特質(zhì)如知識能力幫助社區(qū)內(nèi)成員解決問題。

五、結(jié)語

本研究根據(jù)用戶影響力算法提出了在線知識社群意見領(lǐng)袖識別模型，具體過程如下：將用戶影響力算法中的影響力特征值作為聚類向量，獲得各個(gè)聚類子類的影響力均值，據(jù)此提取出意見領(lǐng)袖。在變量設(shè)計(jì)時(shí)，充分考慮到用戶自身屬性所產(chǎn)生的影響力，以及當(dāng)下微博、朋友圈、短視頻等熱門社交媒介的影響。文章基于《電子商務(wù)》網(wǎng)絡(luò)課程進(jìn)行實(shí)證研究，所得到的意見領(lǐng)袖群體有一定的代表性。

本文目前的研究進(jìn)展中尚有一定的局限性：如在變量設(shè)計(jì)時(shí)，沒有考慮用戶的信息內(nèi)容特征，再比如實(shí)證研究時(shí)的樣本量規(guī)模還可以進(jìn)一步擴(kuò)大。在下一步工作中，將進(jìn)一步完善影響力算法和變量選取，并在更大的社群中進(jìn)行實(shí)證研究。同時(shí)，筆者也希望深入研究在線知識學(xué)習(xí)社群中意見領(lǐng)袖對知識傳播效率的影響機(jī)制，更好地發(fā)揮意見領(lǐng)袖在知識傳播過程中的作用。

作者簡介：

童莉莉：副教授，碩士生導(dǎo)師，研究方向?yàn)閺?fù)雜網(wǎng)絡(luò)與信息傳播規(guī)律、現(xiàn)實(shí)與虛擬場景下的行為數(shù)據(jù)分析（13810008892@139.com）.

李榮祿：在讀碩士，研究方向?yàn)楝F(xiàn)實(shí)與虛擬場景下行為數(shù)據(jù)分析、信息傳播效率（291616793@qq.com）。

閆強(qiáng)：教授，博士生導(dǎo)師，研究方向?yàn)樾畔⒕W(wǎng)絡(luò)與信息安全、數(shù)據(jù)智能分析系統(tǒng)。