面向重大突發(fā)社會(huì)安全事件的新聞媒體國(guó)際影響力分析

陳 晨，張紹武，楊 亮，張冬瑜，林鴻飛

（大連理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，遼寧大連116024）

0 引言

云計(jì)算、物聯(lián)網(wǎng)等科技的發(fā)展，數(shù)據(jù)的快速增長(zhǎng)和累積，標(biāo)志著大數(shù)據(jù)時(shí)代的到來［1］。而Twitter、微博等社交網(wǎng)絡(luò)承載著大數(shù)據(jù)時(shí)代信息傳輸?shù)闹厝?，越來越多的人在自己的社交賬戶中分享自己的生活，發(fā)表自己的看法。如何利用社交網(wǎng)絡(luò)中的信息做好輿情監(jiān)控和分析是大數(shù)據(jù)時(shí)代的一個(gè)重要課題。

突發(fā)社會(huì)安全事件是由人為故意造成并在社會(huì)上產(chǎn)生廣泛影響力的一類事件，主要包括恐怖襲擊事件、經(jīng)濟(jì)安全事件和涉外突發(fā)事件等［2］?？植酪u擊、群體騷亂等重大突發(fā)社會(huì)安全事件的發(fā)生往往會(huì)涉及經(jīng)濟(jì)、政治和社會(huì)等多方面的問題。重大突發(fā)社會(huì)安全事件不僅會(huì)在爆發(fā)地產(chǎn)生影響，還會(huì)在全世界引起不同程度的影響，也因?yàn)槠渫话l(fā)性和破壞性會(huì)嚴(yán)重影響人們的日常生活，所以本文選擇對(duì)此類事件進(jìn)行研究。重大突發(fā)安全事件主要通過新聞媒體傳播，而新聞媒體的傳播能力和新聞內(nèi)容在很大程度上決定了人們接收到的信息。隨著社交網(wǎng)絡(luò)的興起和發(fā)展，它逐漸成為了人們獲取信息的主要渠道之一。

Twitter 作為現(xiàn)在流行的國(guó)際社交平臺(tái)之一，因其擁有海量的用戶而承載著多元的數(shù)據(jù)信息，對(duì)網(wǎng)絡(luò)輿論的傳播起著重要作用。目前全球大部分新聞媒體都擁有自己的Twitter賬號(hào)，且獲得了Twitter認(rèn)證，這些新聞媒體一定程度上擁有更多的關(guān)注度和話語權(quán)，影響著消息的傳播和輿論的走勢(shì)。通過量化在重大突發(fā)社會(huì)安全事件中新聞媒體的國(guó)際影響力，可以為此后同類事件的研究分析提供思路，如在我國(guó)事件的國(guó)際輿情監(jiān)控中可重點(diǎn)關(guān)注影響力大的新聞媒體等。

因突發(fā)社會(huì)安全事件的緊急性和危害性，馮毅［2］從社會(huì)危害和經(jīng)濟(jì)損失兩個(gè)方面對(duì)突發(fā)社會(huì)安全事件進(jìn)行了界定，陳亮［3］對(duì)國(guó)外社會(huì)安全預(yù)警防范理論和方法進(jìn)行了梳理。隨著互聯(lián)網(wǎng)的發(fā)展，近年來對(duì)突發(fā)社會(huì)安全事件的網(wǎng)絡(luò)輿情研究也得到關(guān)注。王國(guó)華等［4］對(duì)昆明暴恐事件中人民日?qǐng)?bào)的微博進(jìn)行研究，對(duì)重大社會(huì)安全事件的微博傳播特征進(jìn)行了總結(jié)；陳璟浩等［5］發(fā)現(xiàn)了對(duì)突發(fā)社會(huì)安全事件生存周期有影響的三個(gè)因素；杜洪濤等［6］從網(wǎng)絡(luò)輿情演化的角度研究突發(fā)事件。對(duì)于暴力恐怖事件這一類的突發(fā)社會(huì)安全事件，胡成等［7］通過量化暴力恐怖事件的特征分析其危害。

同時(shí)社交網(wǎng)絡(luò)中用戶影響力的研究也得到多方研究人員的持續(xù)關(guān)注。目前對(duì)如Twitter、微博等社交媒體上用戶影響力的研究可以總結(jié)為研究決定用戶影響力的因素、計(jì)算用戶影響力的大小以及分析影響力傳播方式等。由于社交網(wǎng)絡(luò)中用戶間的關(guān)注和粉絲關(guān)系與網(wǎng)頁的鏈入和鏈出關(guān)系相似，有許多基于PageRank 算法［8］來研究用戶影響力的算法被提出。Weng等［9］提出了TwitterRank算法，該算法是PageRank算法的擴(kuò)展，根據(jù)關(guān)注網(wǎng)絡(luò)構(gòu)建好友關(guān)注圖。傳統(tǒng)的基于PageRank的算法得到的結(jié)果具有一定的權(quán)威性，然而這些算法僅考慮了社交媒體中用戶之間的鏈接關(guān)系，忽略了其他影響因素。社交媒體中用戶的影響力因子主要包括兩方面：一類是用戶關(guān)系，包括用戶的跟隨者和粉絲數(shù)；另一類是用戶行為，如發(fā)帖、點(diǎn)贊、評(píng)論、提及等，文獻(xiàn)［10］通過利用Twitter平臺(tái)中用戶的粉絲數(shù)、轉(zhuǎn)發(fā)數(shù)、被@數(shù)作為指標(biāo)計(jì)算用戶個(gè)人的影響力。Pal 等［11］也利用了Twitter 平臺(tái)中用戶的發(fā)推文的個(gè)數(shù)、回復(fù)數(shù)、轉(zhuǎn)發(fā)數(shù)、被@數(shù)和粉絲數(shù)等信息，并以此提出了用戶的各種行為影響力，如轉(zhuǎn)發(fā)影響力、擴(kuò)散影響力等。文獻(xiàn)［12］通過模擬關(guān)注網(wǎng)絡(luò)中的信息傳播，以用戶的有效讀者數(shù)來衡量一個(gè)用戶的影響力。文獻(xiàn)［13］中將社交影響力劃分為3 種影響力、5種排序準(zhǔn)則，利用等級(jí)相關(guān)系數(shù)，對(duì)5種排序準(zhǔn)則進(jìn)行了計(jì)算比較，并得出“回復(fù)數(shù)對(duì)用戶社交影響力的作用最大”的結(jié)論。毛佳昕等［14］利用微博用戶發(fā)布微博的時(shí)間和數(shù)量來分析用戶影響力。

目前，無論是針對(duì)Twitter 平臺(tái)還是針對(duì)微博中用戶影響力的評(píng)價(jià)方法均存在以下不足：1）大多沒有考慮特殊用戶群體的個(gè)性化信息。例如新聞媒體一般有很高的權(quán)威性，所以幾乎都有官方認(rèn)證以及比一般用戶擁有更多的跟隨者。2）現(xiàn)有的用戶影響力評(píng)價(jià)方法中還缺少對(duì)具體事件的研究及應(yīng)用。例如在同一事件中，每個(gè)用戶的關(guān)注度就不同，以及不同的事件之間話題性的差異會(huì)對(duì)用戶影響力產(chǎn)生影響。為了解決上述問題，本文從事件層面評(píng)價(jià)分析新聞媒體的國(guó)際影響力，綜合Twitter網(wǎng)絡(luò)中用戶間的關(guān)系網(wǎng)絡(luò)和用戶行為，考慮到各新聞媒體對(duì)于同一事件的關(guān)注度不同以及不同事件話題度的差異，提出了Media Influence Rank（MIRank）評(píng)價(jià)方法。

一篇新聞媒體的報(bào)道，往往從側(cè)面反映了該地區(qū)甚至國(guó)家對(duì)于某一事件的立場(chǎng)、態(tài)度。在Twitter平臺(tái)上，我們可以搜索到很多新聞媒體關(guān)于新疆暴恐事件的推文，如BBC（英國(guó)廣播公司）的Twitter 賬號(hào)于2015 年3 月發(fā)布的推文“‘Xinjiang terrorists’shot dead by police in China state media says.”這條推文中將“Xinjiang terrorists”打上了引號(hào)，表達(dá)了他們對(duì)恐怖分子這個(gè)說法的不認(rèn)同，這一現(xiàn)象值得深思，因此研究各國(guó)新聞媒體在此事件中的影響力就十分有意義?？紤]到重大突發(fā)社會(huì)安全事件給社會(huì)帶來的負(fù)面影響，以及網(wǎng)絡(luò)新聞對(duì)于消息傳播和輿論形成的重要作用，本文以Twitter 平臺(tái)中的新聞媒體相關(guān)信息為基礎(chǔ)，研究在以新疆暴恐事件等暴恐事件為代表的重大突發(fā)社會(huì)安全事件的傳播過程中新聞媒體的國(guó)際影響力。

1 基于事件的新聞媒體影響力計(jì)算模型

1.1 基于用戶關(guān)系網(wǎng)絡(luò)的評(píng)價(jià)方法

PageRank 算法是通過計(jì)算頁面鏈接的數(shù)量和質(zhì)量來確定網(wǎng)站的重要性的評(píng)價(jià)方法。它主要包含三點(diǎn)思想：

1）一個(gè)頁面有越多的入鏈，那么這個(gè)頁面就越重要；

2）指向一個(gè)頁面的鏈接所在的頁面質(zhì)量越高，這個(gè)鏈接的權(quán)重就越大；

3）網(wǎng)頁瀏覽滿足隨機(jī)性。

PageRank計(jì)算式如下：

其中：Mpi是所有對(duì)pi網(wǎng)頁有出鏈的網(wǎng)頁集合，L(pj)是網(wǎng)頁pj的出鏈數(shù)目，N是網(wǎng)頁總數(shù)，α是阻尼因子。

因?yàn)門witter 平臺(tái)中用戶關(guān)系網(wǎng)絡(luò)類似于Web 網(wǎng)絡(luò)中各網(wǎng)頁間的關(guān)系，所以在衡量Twitter中用戶影響力時(shí)，可以借鑒PageRank 的思想。Weng 等［9］提出了TwitterRank 算法驗(yàn)證了基于PageRank 算法的影響力計(jì)算模型可以針對(duì)社交網(wǎng)絡(luò)的特有性質(zhì)計(jì)算用戶影響力。本文研究的是新聞媒體在新疆暴恐事件為代表的重大突發(fā)社會(huì)安全事件中的影響力，新聞媒體與新聞事件自身包含了許多個(gè)性化的信息，如新聞媒體對(duì)不同事件的關(guān)注度和新聞事件的話題性等，這些在一定程度上影響著新聞媒體影響力的大小，所以本文依據(jù)這一思路對(duì)PageRank 算法進(jìn)行了改進(jìn)?；谟脩絷P(guān)系網(wǎng)絡(luò)的評(píng)價(jià)方法Twitter Influence Rank（TIRank）的核心思想是：1）一個(gè)新聞媒體的重大突發(fā)社會(huì)安全事件相關(guān)推文的轉(zhuǎn)發(fā)數(shù)越多，它在這一事件下的影響力越大；2）轉(zhuǎn)發(fā)一新聞媒體推文的用戶的影響力越大，該新聞媒體的影響力越大；3）使事件話題度更高、對(duì)事件關(guān)注度更高的新聞媒體的推文更容易被轉(zhuǎn)發(fā)。

本文先構(gòu)造出在新疆暴恐事件下的轉(zhuǎn)發(fā)網(wǎng)絡(luò)。設(shè)網(wǎng)絡(luò)中用戶集合為V，推文集合為E；E 中的每條邊(i，j)代表用戶i轉(zhuǎn)發(fā)了用戶j 的推文；集合Fu代表E 中所有指向u 的用戶集合，Du代表E 中所有u 指向的用戶集合。式（2）中，α 是PageRank式子里的轉(zhuǎn)發(fā)概率。該式子表示，用戶v以α的概率轉(zhuǎn)發(fā)集合Dv中用戶的推文，接著以Av，u的概率轉(zhuǎn)發(fā)用戶u的推文；以1-α 的概率轉(zhuǎn)發(fā)普通用戶的推文，這里的普通用戶指所有用戶，接著以見式（3））的概率轉(zhuǎn)發(fā)用戶u的推文。

文獻(xiàn)［18］中提出了加入用戶個(gè)性化信息的思想，但只是對(duì)用戶行為的簡(jiǎn)單累加，針對(duì)新聞媒體的特征，以及不同事件的個(gè)性，且本文對(duì)新聞媒體影響力分析是基于事件層面的，因?yàn)椴煌侣劽襟w的報(bào)道角度不同，這點(diǎn)可以體現(xiàn)在新聞媒體對(duì)事件的關(guān)注度上，同時(shí)這也使得同一事件在不同新聞媒體的報(bào)道下話題度不同，所以本文引入了兩個(gè)個(gè)性化特征：新聞媒體對(duì)事件的關(guān)注度n1和事件的話題性n2。式（3）中nu，i表示用戶u 對(duì)應(yīng)的兩個(gè)個(gè)性化特征，nv，i表示用戶v 對(duì)應(yīng)的兩個(gè)個(gè)性化特征。每個(gè)新聞媒體用戶的屬性，在文中包括兩部分：第一部分是全局屬性，即新聞媒體用戶的粉絲數(shù)Num_fans 和總的推文數(shù)Num_tweet；第二部分是個(gè)性屬性，分別為在新疆暴恐主題下，新聞媒體用戶對(duì)此事件的關(guān)注度n1和事件話題性n2。n1即新聞媒體發(fā)布關(guān)于新疆暴恐事件的推文數(shù)占總推文數(shù)的比值；n2即為某一新聞媒體新疆暴恐事件相關(guān)推文的轉(zhuǎn)發(fā)數(shù)、點(diǎn)贊數(shù)和評(píng)論數(shù)之和與該新聞媒體的粉絲數(shù)之比。它們的計(jì)算公式如式（4）、（5）：

其中新疆暴恐事件中各新聞媒體的用戶推文發(fā)布數(shù)、轉(zhuǎn)發(fā)數(shù)、點(diǎn)贊數(shù)和評(píng)論數(shù)分別為x1、x2、x3、x4。文獻(xiàn)［18］中利用Av，u代表用戶v 到用戶u 邊的權(quán)重，可以很好地體現(xiàn)用戶v 和用戶u之間的轉(zhuǎn)發(fā)關(guān)系，用以下式子表示：

其中，rv，u代表用戶v轉(zhuǎn)發(fā)過用戶u推文的數(shù)目。

1.2 基于用戶行為的評(píng)價(jià)方法

上述評(píng)價(jià)方法從Twitter網(wǎng)絡(luò)中新聞媒體與其他用戶間關(guān)系網(wǎng)絡(luò)入手，弱化了用戶之間的行為特性。新聞媒體用戶v在社交網(wǎng)絡(luò)中的行為影響力可以分為個(gè)人行為影響力和他人行為影響力。本文將個(gè)人行為影響力量化為新聞媒體推文影響力，主要衡量其推文的價(jià)值，對(duì)于新聞媒體而言，其推文影響力是一個(gè)積累的過程，所以本文用一個(gè)新聞媒體用戶所有推文影響力的平均值作為其推文影響力。

其中，tweet(ui)表示新聞媒體用戶u 的第i 條關(guān)于新疆暴恐事件的推文的影響力，在這里本文將每條推文的影響力定量成其點(diǎn)贊數(shù)、評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)之和。在社交網(wǎng)絡(luò)中，他人行為影響力體現(xiàn)在兩個(gè)方面：直接影響力和級(jí)聯(lián)影響力

直接影響力可以理解為其推文對(duì)其粉絲的影響，新疆暴恐相關(guān)推文數(shù)越多，其粉絲可以關(guān)注到新疆暴恐事件信息就越多，其對(duì)于粉絲的影響也就越大；同樣，粉絲數(shù)越多，同一條推文就有更大的可能被推廣，影響更多的人，因此，直接影響力與粉絲數(shù)和推文數(shù)成正比。

而級(jí)聯(lián)影響力可以理解為一個(gè)新聞媒體用戶的一條推文通過他的粉絲進(jìn)行了下一級(jí)的傳播，被更多的人關(guān)注到，使得該用戶的影響力得到了擴(kuò)散。

其中uj表示新聞媒體用戶u 的第j個(gè)粉絲，同時(shí)本文假設(shè)所有粉絲均轉(zhuǎn)發(fā)了該條推特。由個(gè)人行為影響力和他人行為影響力得到基于用戶行為的評(píng)價(jià)方法Users Influence（UI）。

本文通過使用層次分析法［15］來計(jì)算UI 模型中的權(quán)重項(xiàng)λ=1/3。

1.3 新聞媒體影響力評(píng)價(jià)方法

TIRank 評(píng)價(jià)方法從Twitter 平臺(tái)用戶之間的網(wǎng)絡(luò)鏈接關(guān)系來計(jì)算新聞媒體用戶的影響力，忽略了很多推文屬性及行為屬性。而UI 評(píng)價(jià)方法從新聞媒體的推文屬性及行為屬性來計(jì)算影響力，忽略了Twitter 平臺(tái)中用戶關(guān)系網(wǎng)絡(luò)。本文將兩種評(píng)價(jià)方法的評(píng)價(jià)結(jié)果進(jìn)行融合，得到既考慮了新聞媒體用戶之關(guān)系網(wǎng)絡(luò)又考慮了新聞媒體行為屬性的新聞媒體影響力評(píng)價(jià)方法Media Influence Rank（MIRank）。

首先對(duì)計(jì)算結(jié)果進(jìn)行歸一化，再對(duì)TIRank和UI的計(jì)算結(jié)果求調(diào)和平均數(shù)，可以保證只有當(dāng)TIRank 和UI 值都高時(shí)，MIRank的值才會(huì)高。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 語料來源

本文選擇新疆暴恐事件這一重大突發(fā)社會(huì)安全事件作為研究對(duì)象，數(shù)據(jù)集的獲取首先利用twitter api，以文獻(xiàn)［16］中利用基于非負(fù)矩陣分解（Nonnegative Matrix Factorization，NMF）的動(dòng)態(tài)主題模型（Dynamic Topic Model，DTM）計(jì)算出的TOP20 新疆暴恐相關(guān)詞語作為查詢?cè)~，爬取了種子tweets 共3 200 條［18］，得到初始的用戶集合V，然后迭代地進(jìn)行以下操作：對(duì)V 集合中沒被標(biāo)記的用戶u 進(jìn)行標(biāo)記，爬取u 關(guān)于新疆暴恐的推文，并從這些推文中抽出被轉(zhuǎn)發(fā)的用戶添加到V里，直到用戶數(shù)目達(dá)到指定上限10 000 或V 里沒有新用戶為止。由于本文中關(guān)于新疆暴恐的推文中評(píng)論數(shù)只占了1%，它對(duì)計(jì)算結(jié)果的影響可忽略不計(jì)，所以以下實(shí)驗(yàn)中只考慮了粉絲數(shù)、轉(zhuǎn)發(fā)數(shù)、推文數(shù)以及點(diǎn)贊數(shù)在影響力計(jì)算中的作用。以新華社（@XHNews）這個(gè)新聞媒體用戶為例，本文數(shù)據(jù)集主要包含的信息如表1和表2所示。

表1 與新疆暴恐事件有關(guān)的Twitter信息Tab.1 Twitter messages related to the violent and terrorist event in Xinjiang

表2 新聞媒體用戶的基本信息Tab.2 Basic information of news media user

本文對(duì)數(shù)據(jù)集中數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)。集合V 里總共有8 785個(gè)用戶，其中306個(gè)是新聞媒體用戶，圖1展示了所有用戶在各個(gè)國(guó)家中所占的比例。圖1 中：顏色越深，表明數(shù)據(jù)集中該國(guó)家擁有的新聞媒體用戶的比例越大；反之顏色越淺，數(shù)據(jù)集中該國(guó)家擁有新聞媒體用戶的比例越小。從圖1 中可以看出，美國(guó)、中國(guó)、英國(guó)、印度、巴基斯坦、澳大利亞、加拿大等國(guó)家參與新疆暴恐相關(guān)新聞傳播的用戶比較多。這點(diǎn)與各國(guó)新聞媒體的發(fā)展以及各國(guó)外交策略密切相關(guān)。圖1 中美國(guó)和英國(guó)的比例最大，尤其是美國(guó)，首先因?yàn)門witter是一家美國(guó)公司，在美國(guó)的用戶更多，而且全球著名媒體大部分都來源于上述國(guó)家，尤其是美國(guó)和英國(guó)，如CNN、BBC 等新聞媒體巨頭。因?yàn)楸疚牡难芯酷槍?duì)Twitter平臺(tái)，該社交平臺(tái)中國(guó)用戶較少，擁有Twitter 賬號(hào)的中國(guó)新聞媒體就更少了，所以圖1 顯示的各國(guó)擁有的新聞媒體比例，中國(guó)新聞媒體占比明顯小于美國(guó)的也是情理之中。

圖1 各國(guó)新聞媒體用戶的比例示意圖Fig.1 Proportion of news media users in different countries

2.2 實(shí)驗(yàn)結(jié)果分析

1）參數(shù)設(shè)置。

在實(shí)驗(yàn)中，本文通過層次分析法得到UI 模型中各影響因子的權(quán)重。表3展示了UI模型中各影響因子的判定矩陣及最終的權(quán)重值。經(jīng)計(jì)算得權(quán)重值λ=1/3。

表3 UI模型中影響因子權(quán)重Tab.3 Influence factor weights in UI model

2）實(shí)驗(yàn)方法有效性。

采用肯德爾秩相關(guān)系數(shù)τ 作為實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)，它是一個(gè)用來測(cè)量?jī)蓚€(gè)隨機(jī)變量相關(guān)性的統(tǒng)計(jì)值。在這里的隨機(jī)變量指各個(gè)算法產(chǎn)生的影響力排名序列。τ的取值范圍在-1到1 之間：τ=1，兩個(gè)隨機(jī)變量的等級(jí)相關(guān)性是一致；τ=-1，則表示兩個(gè)隨機(jī)變量等級(jí)相關(guān)性是相反的；τ為0表示兩個(gè)隨機(jī)變量是相互獨(dú)立的。

表4 列舉了各個(gè)算法與本文提出的MIRank 算法進(jìn)行計(jì)算得到的肯德爾相關(guān)性系數(shù)τ 值。從表中可以看出，MIRank計(jì)算得到的影響力排名與經(jīng)典算法PageRank、TunkRank、Follow_count 和Retweet_count 具有一致的等級(jí)相關(guān)性。由表4 還可以看出影響力與粉絲數(shù)的關(guān)聯(lián)性小于轉(zhuǎn)發(fā)數(shù)，這個(gè)結(jié)論與文獻(xiàn)［17］的結(jié)論不謀而合，這也充分說明了MIRank方法的合理性和有效性。

表4 各個(gè)算法的τ值對(duì)比Tab.4 τ values comparison of different algorithms

3）不同地區(qū)同類事件間的對(duì)比。

為了體現(xiàn)MIRank評(píng)價(jià)方法的泛化能力，本文選擇了將其應(yīng)用于新疆暴恐事件和2015 年法國(guó)巴黎暴恐事件這兩大重大突發(fā)社會(huì)安全事件中，并對(duì)結(jié)果進(jìn)行對(duì)比分析。表5 列舉了MIRank 方法對(duì)新疆暴恐事件和法國(guó)巴黎暴恐事件計(jì)算出的影響力TOP10 的新聞媒體。從表中可以看出路透社（@Reuters）和紐約時(shí)報(bào)（@nytimes）對(duì)此類暴恐事件的影響力較大，也從側(cè)面反映了它們對(duì)此類事件的關(guān)注度更高。在新疆暴恐事件中，中國(guó)的新聞媒體新華社（@XHNews）和人民日?qǐng)?bào)（@PDChina）的影響力值大，而在法國(guó)巴黎暴恐事件中法新社（@AFP）和法國(guó)24 電視臺(tái)（@FRANCE24）的影響力值大，由此可以看出事件發(fā)生國(guó)的新聞媒體在該事件中的影響力更大。

表5 不同地區(qū)暴恐事件中影響力TOP10的新聞媒體Tab.5 TOP10 influential news media in violent and terrorist events of different regions

本文通過數(shù)據(jù)集中各新聞媒體屬地的信息對(duì)各國(guó)新聞媒體的影響力進(jìn)行了累加計(jì)算，圖2 顯示了在新疆暴恐事件和法國(guó)巴黎暴恐事件中，各國(guó)新聞媒體的影響力值。顏色越深代表影響力值越大，顏色越趨近淺灰色代表其影響力越小。從圖中可以看出，在事件發(fā)生國(guó)周邊的國(guó)家的影響力值也較大，體現(xiàn)了各國(guó)都更關(guān)心周邊國(guó)家的局勢(shì)。美國(guó)在兩起事件中的影響力值都很高，這也體現(xiàn)了美國(guó)對(duì)于全球事件的關(guān)注度很高。

經(jīng)統(tǒng)計(jì)，新疆暴恐事件在Twitter 平臺(tái)中共有22 個(gè)國(guó)家的306 個(gè)新聞媒體對(duì)其進(jìn)行了報(bào)道，法國(guó)巴黎暴恐事件共有13個(gè)國(guó)家193 個(gè)新聞媒體對(duì)其進(jìn)行了報(bào)道。從這個(gè)統(tǒng)計(jì)量可以看出，我國(guó)暴恐事件在世界范圍內(nèi)受到的關(guān)注更高。

圖3 可以從數(shù)值上看出，美國(guó)的新聞媒體在這兩起暴恐事件中的影響力值遠(yuǎn)大于其他國(guó)家，這點(diǎn)也說明了美國(guó)的新聞媒體更具有全球眼光，在新疆暴恐事件中，我國(guó)新聞媒體的影響力值雖然位于第二，但從數(shù)值上看明顯低于美國(guó)新聞媒體的影響力，在非我國(guó)的事件中，我國(guó)新聞媒體雖然有一定的影響力，但十分微弱，因此提升我國(guó)新聞媒體的影響力對(duì)我國(guó)事件國(guó)際輿情的監(jiān)控、擴(kuò)大我國(guó)的話語權(quán)有重要意義。

圖2 各國(guó)新聞媒體影響力熱度圖Fig.2 Heat map of the influence of news medias in different countries

圖3 各國(guó)新聞媒體影響力值Fig.3 Influence values of news media in different countries

3 結(jié)語

本文主要研究以新疆暴恐事件等暴恐事件為代表的重大突發(fā)社會(huì)安全事件中新聞媒體的國(guó)際影響力，對(duì)Twitter 上的各國(guó)新聞媒體用戶進(jìn)行了影響力分析。通過改進(jìn)傳統(tǒng)的PageRank 算法，結(jié)合事件的話題性以及新聞媒體對(duì)事件的關(guān)注度，然后在轉(zhuǎn)發(fā)網(wǎng)絡(luò)中迭代計(jì)算，得到基于用戶關(guān)系網(wǎng)絡(luò)的TIRank 評(píng)價(jià)方法。又考慮到用戶關(guān)系網(wǎng)絡(luò)不能直觀反映新聞媒體用戶與普通用戶之間的行為關(guān)系以及新聞媒體推文的特性，所以提出了基于這兩個(gè)因素對(duì)于影響力計(jì)算的影響的UI 評(píng)價(jià)方法。綜合考慮兩種評(píng)價(jià)方法的優(yōu)缺點(diǎn)，本文對(duì)TIRank 和UI 評(píng)價(jià)結(jié)果進(jìn)行融合得到了最終的MIRank 評(píng)價(jià)方法。

本文比較分析了不同地區(qū)同類事件的異同，使用MIRank評(píng)價(jià)方法對(duì)新疆暴恐事件和法國(guó)巴黎暴恐事件中新聞媒體的國(guó)際影響力進(jìn)行了對(duì)比和分析，從中發(fā)現(xiàn)一些現(xiàn)象：如事件發(fā)生國(guó)的新聞媒體在該事件中的影響力更大，事件發(fā)生地周邊國(guó)家對(duì)事件關(guān)注度更高，以及我國(guó)新聞媒體在此類事件中雖然有一定影響力但仍與美國(guó)有差距等。在未來工作中，會(huì)嘗試通過對(duì)新聞文本的立場(chǎng)分析來豐富對(duì)新聞媒體國(guó)際影響力的解讀。