社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度測(cè)定與預(yù)判

黃 微 孫 悅

(吉林大學(xué)商學(xué)與管理學(xué)院，吉林 長(zhǎng)春 130022)

截至2021年12月，我國(guó)網(wǎng)民規(guī)模已達(dá)10.32億，互聯(lián)網(wǎng)普及率達(dá)73.0%，我國(guó)的網(wǎng)民數(shù)量和網(wǎng)民規(guī)模都在穩(wěn)步增加。作為互聯(lián)網(wǎng)技術(shù)的典型代表，社交媒體的概念最早被Unger J B定義為“網(wǎng)絡(luò)用戶(hù)用以交換信息和內(nèi)容創(chuàng)建的平臺(tái)”[1-2]。社交媒體平臺(tái)為用戶(hù)提供了信息內(nèi)容交流和創(chuàng)造的服務(wù)場(chǎng)所，在開(kāi)放話題的關(guān)注討論中，所有社交媒體平臺(tái)用戶(hù)既是話題的發(fā)起者、傳播者，又是信息的消費(fèi)者和生產(chǎn)者[3]。在國(guó)內(nèi)，現(xiàn)階段社交媒體平臺(tái)主要包括微博、微信、抖音、小紅書(shū)、知乎等。

由于微博的開(kāi)放性，當(dāng)前針對(duì)社交媒體平臺(tái)用戶(hù)行為的相關(guān)研究，大多基于微博這一主流的社交媒體平臺(tái)，如林燕霞等[4]根據(jù)社會(huì)認(rèn)同理論通過(guò)微博用戶(hù)對(duì)感興趣的主題進(jìn)行特征提取，對(duì)微博用戶(hù)進(jìn)行了群體類(lèi)別的劃分，構(gòu)建了以用戶(hù)興趣與行為態(tài)度為依據(jù)的不同主題興趣的用戶(hù)畫(huà)像；部分學(xué)者針對(duì)微信這一社交媒體平臺(tái)進(jìn)行研究，如李嘉興等[5]發(fā)現(xiàn)微信老年用戶(hù)與其他用戶(hù)群體相比使用強(qiáng)度、使用能力偏低，而且微信老年用戶(hù)群體具有顯著差異性，學(xué)歷越高的老年用戶(hù)使用能力、使用強(qiáng)度越高；抖音作為目前最火的短視頻平臺(tái)，日活躍用戶(hù)已突破6億，部分學(xué)者針對(duì)抖音這一社交媒體平臺(tái)進(jìn)行研究，如吳劍云等[6]提出了一種基于視頻興趣標(biāo)簽的個(gè)性化推薦方法，考慮了群體用戶(hù)的喜愛(ài)度，不僅能較好地描述用戶(hù)視頻興趣隨時(shí)間的變化，也能通過(guò)視頻興趣標(biāo)簽結(jié)合用戶(hù)畫(huà)像匹配用戶(hù)感興趣的視頻項(xiàng)進(jìn)行推薦，提升了用戶(hù)體驗(yàn)。

現(xiàn)階段針對(duì)社交媒體平臺(tái)用戶(hù)行為分析的研究，大多都是針對(duì)單一平臺(tái)的研究，這些研究都忽略了不同社交媒體平臺(tái)由于用戶(hù)群體(例如小紅書(shū)主要用戶(hù)群體年齡段多為25歲及以下的年輕女性，而微信主要用戶(hù)群體年齡段多為26～35歲，性別分布較均衡)或其他差異會(huì)有各自獨(dú)立的結(jié)構(gòu)，而且同一用戶(hù)可以只在某平臺(tái)有注冊(cè)信息、可以在一個(gè)平臺(tái)上有多個(gè)賬號(hào)、可以在多個(gè)平臺(tái)上都有注冊(cè)信息，同一用戶(hù)擁有多重網(wǎng)絡(luò)身份，但卻有相似的行為表現(xiàn)模式，這就組成了一個(gè)巨大的跨平臺(tái)社交媒體網(wǎng)絡(luò)。當(dāng)某個(gè)社會(huì)事件發(fā)生時(shí)，與之相關(guān)的信息傳播一般不會(huì)只在單平臺(tái)社交網(wǎng)絡(luò)中，而是在跨平臺(tái)社交網(wǎng)絡(luò)中快速擴(kuò)散[2]，如當(dāng)下新型冠狀病毒肺炎疫情相關(guān)信息廣泛傳播于微信、微博、抖音、小紅書(shū)、知乎等多個(gè)社交媒體平臺(tái)[7]。在多元社交網(wǎng)絡(luò)媒體背景下，網(wǎng)絡(luò)輿情信息的跨平臺(tái)性和非結(jié)構(gòu)性都為發(fā)現(xiàn)用戶(hù)參與行為的動(dòng)向、準(zhǔn)確預(yù)判用戶(hù)對(duì)信息參與行為強(qiáng)度的響應(yīng)以及用戶(hù)參與行為強(qiáng)度對(duì)輿情事件傳播造成的影響帶來(lái)巨大的挑戰(zhàn)。因此，以用戶(hù)為中心，對(duì)用戶(hù)實(shí)際使用的所有社交媒體平臺(tái)進(jìn)行參與行為分析，具有重要理論意義。

在大數(shù)據(jù)網(wǎng)絡(luò)時(shí)代背景下，社交媒體平臺(tái)用戶(hù)的情感表達(dá)(轉(zhuǎn)發(fā)、分享、發(fā)布等行為)能夠迅速感染其他用戶(hù)的情緒，導(dǎo)致輿論的爆發(fā)。然而突發(fā)事件產(chǎn)生后，具有負(fù)面情緒的評(píng)論/轉(zhuǎn)發(fā)等內(nèi)容更容易引發(fā)其他用戶(hù)共情，因此更容易得到廣泛傳播，在應(yīng)對(duì)措施不及時(shí)的情況下，負(fù)面情緒集中爆發(fā)，產(chǎn)生網(wǎng)絡(luò)謠言和輿情危機(jī)[8]。但對(duì)于輿情事件，用戶(hù)的瀏覽、收藏等行為并不會(huì)對(duì)輿情的傳播產(chǎn)生影響，因此，對(duì)社交媒體平臺(tái)用戶(hù)的參與行為類(lèi)別及參與行為強(qiáng)度進(jìn)行測(cè)定，對(duì)輿論的引導(dǎo)與管控具有重要實(shí)踐意義。

本文以用戶(hù)為核心，考慮不同社交媒體平臺(tái)之間的相似性，實(shí)現(xiàn)社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度的科學(xué)分析與精準(zhǔn)預(yù)判。

1 社交媒體平臺(tái)用戶(hù)參與行為的構(gòu)成要素

社交媒體平臺(tái)用戶(hù)參與行為的構(gòu)成要素包含社交媒體平臺(tái)用戶(hù)參與行為的主體、社交媒體平臺(tái)用戶(hù)參與行為的客體、社交媒體平臺(tái)用戶(hù)參與行為的本體及社交媒體平臺(tái)用戶(hù)參與行為的媒體。

1.1 社交媒體平臺(tái)用戶(hù)參與行為主體

社交媒體平臺(tái)用戶(hù)參與行為主體是在社交媒體平臺(tái)上為表達(dá)認(rèn)知、情緒、意見(jiàn)、態(tài)度等言論而產(chǎn)生參與行為的主體，即社交媒體平臺(tái)用戶(hù)本身，在社交媒體平臺(tái)用戶(hù)參與行為分析的基礎(chǔ)上，本文認(rèn)為，社交媒體平臺(tái)用戶(hù)主體大體可以分為以下4種屬性，包括用戶(hù)自然屬性、用戶(hù)互動(dòng)傾向度、用戶(hù)情緒屬性和用戶(hù)偏好。

1)用戶(hù)自然屬性是社交媒體平臺(tái)用戶(hù)的基本信息，包含用戶(hù)的昵稱(chēng)、頭像、性別、年齡、地域、聯(lián)系方式、會(huì)員類(lèi)型、注冊(cè)日期、活躍度等，可以在一定程度上辨別用戶(hù)特征和用戶(hù)在新輿情事件中的參與程度。

2)用戶(hù)互動(dòng)傾向度指社交媒體平臺(tái)用戶(hù)在社交媒體平臺(tái)中參與討論的主觀意愿傾向度，互動(dòng)傾向度體現(xiàn)了用戶(hù)在@行為、評(píng)論、轉(zhuǎn)發(fā)、分享、發(fā)布等方面的參與行為的強(qiáng)弱程度，越喜歡參與討論的用戶(hù)，對(duì)輿情話題的發(fā)展越有促進(jìn)作用，這種作用可能是積極的也可能是消極的，受到其自然屬性、情感屬性、偏好和所處環(huán)境背景等因素的影響。而一個(gè)只瀏覽信息、從來(lái)不參與討論的用戶(hù)，對(duì)任何輿情事件的發(fā)展和傳播都不會(huì)有影響。

3)用戶(hù)情緒屬性指社交媒體平臺(tái)用戶(hù)參與行為發(fā)生時(shí)的情感狀態(tài)，情緒是對(duì)一系列主觀認(rèn)知經(jīng)驗(yàn)的通稱(chēng)，是多種感覺(jué)、思想和行為綜合產(chǎn)生的心理和生理狀態(tài)。無(wú)論正面還是負(fù)面的情緒，都可能會(huì)引發(fā)輿情事件參與行為。人類(lèi)的情緒會(huì)根據(jù)輿情事件、所處的環(huán)境背景而發(fā)生變化，同一輿情事件、不同的環(huán)境背景，產(chǎn)生的情緒會(huì)有差異。

4)用戶(hù)偏好指社交媒體平臺(tái)用戶(hù)對(duì)輿情事件的關(guān)注偏好，有些用戶(hù)偏好關(guān)注政治類(lèi)事件，有些用戶(hù)偏好娛樂(lè)圈中相關(guān)的輿情事件，有些用戶(hù)偏好關(guān)注科技數(shù)碼類(lèi)輿情事件等。不同用戶(hù)的關(guān)注點(diǎn)可能不同，同一用戶(hù)在不同的年齡階段、不同的地域、不同的社交媒體平臺(tái)的關(guān)注點(diǎn)也可能不同。在用戶(hù)偏好的研究中，可以根據(jù)用戶(hù)的參與行為，發(fā)掘用戶(hù)的偏好，在類(lèi)似輿情事件發(fā)生前，用于判斷該用戶(hù)可能產(chǎn)生的參與行為。

1.2 社交媒體平臺(tái)用戶(hù)參與行為客體

社交媒體平臺(tái)用戶(hù)參與行為客體指的是引發(fā)參與行為產(chǎn)生的刺激物，直接導(dǎo)致參與行為的產(chǎn)生，即社交媒體平臺(tái)事件，有文字、視頻、圖片、音頻等形式，不同社交媒體平臺(tái)對(duì)事件的分類(lèi)有所不同。

結(jié)合融媒體的發(fā)展特性，通過(guò)社交媒體平臺(tái)構(gòu)建特征發(fā)現(xiàn)，社交媒體平臺(tái)基于Web2.0為核心搭建，因此具有相似的功能屬性。從參與行為模式中揭示每個(gè)用戶(hù)對(duì)不同話題類(lèi)型的興趣偏好，首先要找到社交媒體平臺(tái)，尤其是主流社交媒體平臺(tái)功能的相似性。

在微博這一社交媒體平臺(tái)中，平臺(tái)自帶的對(duì)事件的分類(lèi)給出了熱門(mén)、抗疫、科技、明星、數(shù)碼、國(guó)際等61種[9]。在微信收藏內(nèi)容中的自帶分類(lèi)是按照收藏內(nèi)容的形式劃分的，即最近使用、圖片與視頻、鏈接、文件、音樂(lè)、聊天記錄、語(yǔ)音、筆記、位置等[10]。此外，微信除了主要的通訊功能以及熱門(mén)的支付功能外，其信息交互功能中的微信公眾號(hào)、視頻號(hào)、看一看等同為主要的信息交換方式，公眾號(hào)默認(rèn)是按照字母排序的，沒(méi)有更明確的分類(lèi)；視頻號(hào)默認(rèn)給出了推薦、直播、娛樂(lè)等11個(gè)類(lèi)別；看一看則分為朋友在看和精選兩大類(lèi)別，其中精選又分為今日必看和推薦兩個(gè)類(lèi)別。抖音給出了娛樂(lè)、知識(shí)、二次元、游戲、美食等8種分類(lèi)。小紅書(shū)只有關(guān)注、發(fā)現(xiàn)和附近3個(gè)大類(lèi)別。知乎分為圈子、科學(xué)、娛樂(lè)、數(shù)碼等23個(gè)板塊。

結(jié)合以上5種主流社交媒體平臺(tái)對(duì)話題的分類(lèi)可以看出，社交媒體平臺(tái)對(duì)話題的分類(lèi)尚未統(tǒng)一；部分社交媒體平臺(tái)對(duì)話題幾乎未作分類(lèi)，比如小紅書(shū)；同一社交媒體平臺(tái)下不同話題內(nèi)容存在高度相關(guān)性，比如微博中“美女”這一話題類(lèi)別和“攝影”這一話題類(lèi)別下均存在大量女性自拍/擺拍；“軍事”這一話題類(lèi)別和“國(guó)際”這一話題類(lèi)別下均存在大量國(guó)際戰(zhàn)事及軍事武器等信息。因此，話題類(lèi)別過(guò)多必然會(huì)導(dǎo)致信息內(nèi)容出現(xiàn)交叉現(xiàn)象。此外，社交媒體平臺(tái)作為一個(gè)以“用戶(hù)”為構(gòu)建中心的信息交流平臺(tái)，支持用戶(hù)自建話題，在對(duì)社交媒體平臺(tái)話題分類(lèi)的分析中，不能忽略用戶(hù)的主觀能動(dòng)性、自主創(chuàng)造性和自主選擇性，因此參考Jansen B J[11]對(duì)Youtube內(nèi)容的分類(lèi)，本文將社交媒體平臺(tái)話題內(nèi)容分為8類(lèi)，如表1所示。

表1 社交媒體平臺(tái)話題內(nèi)容分類(lèi)

1.3 社交媒體平臺(tái)用戶(hù)參與行為本體

社交媒體平臺(tái)用戶(hù)參與行為本體就是參與行為本身，是社交媒體平臺(tái)用戶(hù)針對(duì)某些議題、現(xiàn)象或事件，在社交媒體平臺(tái)上表達(dá)的認(rèn)知、情緒、態(tài)度和意見(jiàn)等具體內(nèi)容的參與行為。

心理學(xué)詞典規(guī)定，“行為”一詞的意思是“有機(jī)體與其環(huán)境相互作用的活動(dòng)”。該術(shù)語(yǔ)泛指所有活動(dòng)或某一特定活動(dòng)，被定義為有機(jī)體對(duì)生活環(huán)境的總體反應(yīng)。對(duì)行為的研究，認(rèn)知心理學(xué)領(lǐng)域主要從信息加工的角度進(jìn)行。20世紀(jì)60年代后，大多數(shù)心理學(xué)家將內(nèi)部心理活動(dòng)與外顯行為區(qū)別開(kāi)來(lái)，試圖從信息加工的角度描述心理活動(dòng)的狀態(tài)和過(guò)程，以此解釋各種外顯行為發(fā)生和發(fā)展的規(guī)律[12]。本文基于不同社交媒體平臺(tái)主頁(yè)面的主要功能及其附屬功能，識(shí)別了包含瀏覽行為、收藏行為、@行為、點(diǎn)贊行為、評(píng)論行為、轉(zhuǎn)發(fā)行為、分享行為、發(fā)布行為在內(nèi)的8個(gè)類(lèi)別的參與行為。信息加工理論(Information Processing Theory)從機(jī)能上將人腦和計(jì)算機(jī)從行為水平上進(jìn)行類(lèi)比，認(rèn)為人的認(rèn)知過(guò)程就是對(duì)信息的加工過(guò)程，涉及人如何對(duì)信息進(jìn)行處理，以及如何利用信息做出決策并指導(dǎo)自己的行為等[13]，強(qiáng)調(diào)的是人在對(duì)刺激做出反應(yīng)時(shí)的人為選擇而進(jìn)行的對(duì)原有記憶的調(diào)取與新信息的加工和整合的人腦中的一系列需要提供不同強(qiáng)度認(rèn)知努力的認(rèn)知活動(dòng)。根據(jù)適應(yīng)性增益理論(AGT)，任務(wù)投入的程度(由去甲腎上腺素誘導(dǎo)的神經(jīng)元增益調(diào)節(jié)驅(qū)動(dòng)的反應(yīng)速度和敏銳度)受任務(wù)效用(收益減去成本)的調(diào)節(jié)，因此增加效用會(huì)產(chǎn)生更大的參與度，降低效用會(huì)導(dǎo)致注意力分散，更高的努力可能對(duì)應(yīng)更高的參與度，而更低的努力對(duì)應(yīng)于注意力分散、走神和注意力不集中。

因此，本文基于信息加工理論，對(duì)識(shí)別到的8個(gè)類(lèi)別的參與行為都進(jìn)行細(xì)分，基于付出認(rèn)知努力的多少將每個(gè)行為類(lèi)別都劃分為2～4個(gè)特定動(dòng)作的子組，總共21個(gè)特定動(dòng)作，構(gòu)建了社交媒體平臺(tái)用戶(hù)參與行為譜，如表2所示。

表2 社交媒體平臺(tái)用戶(hù)參與行為譜

1.4 社交媒體平臺(tái)用戶(hù)參與行為媒體

社交媒體平臺(tái)用戶(hù)參與行為媒體即傳播媒介，也被稱(chēng)為渠道或參與行為產(chǎn)生手段，在社交媒體環(huán)境下，參與行為媒體具有物聯(lián)網(wǎng)特征，主要包括PC、移動(dòng)終端及智能電子產(chǎn)品，而這些產(chǎn)品的核心是操作系統(tǒng)(OS)。社交媒體平臺(tái)用戶(hù)常用的操作系統(tǒng)(OS)主要包含Windows、Mac OS和移動(dòng)操作系統(tǒng)。操作系統(tǒng)提供3個(gè)基本功能，其中之一：它通過(guò)CLI(命令行界面)或GUI(圖形用戶(hù)界面)提供UI(用戶(hù)與計(jì)算機(jī)的交互)。不同的操作系統(tǒng)針對(duì)同一社交媒體平臺(tái)用戶(hù)參與行為主體的人機(jī)交互界面設(shè)計(jì)會(huì)有不同，本文根據(jù)UI的不同，將社交媒體平臺(tái)用戶(hù)參與行為媒體分為Windows/Mac OS網(wǎng)頁(yè)端(以下簡(jiǎn)稱(chēng)網(wǎng)頁(yè)端)、智能手機(jī)(App)端和平板電腦(App)端。

2 社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度測(cè)定

2.1 社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度的概念

強(qiáng)度一詞本指每單位(如面積、電荷、質(zhì)量或時(shí)間)的量(如力或能量)的大小，面積、電荷、質(zhì)量或時(shí)間的量越大，最終的強(qiáng)度也就越大。因此，本文將社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度定義為某特定話題類(lèi)別下每單位(某特定話題類(lèi)別，即特定話題的1個(gè)事件)的量(具體的參與行為數(shù)量/比例)的大小。例如，某用戶(hù)瀏覽過(guò)10條娛樂(lè)八卦類(lèi)事件，將2條信息轉(zhuǎn)發(fā)給同平臺(tái)內(nèi)的某個(gè)好友，則該用戶(hù)轉(zhuǎn)發(fā)行為t1的強(qiáng)度為2/10即20%。

2.2 社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度測(cè)定方法

本文從社交媒體平臺(tái)用戶(hù)參與行為轉(zhuǎn)換的頻率和概率兩個(gè)角度對(duì)用戶(hù)參與行為強(qiáng)度進(jìn)行了分析。

2.2.1 社交媒體平臺(tái)用戶(hù)參與行為轉(zhuǎn)換頻率分析

為了分析總轉(zhuǎn)換頻率，使用了修改的Deming-Stephan迭代比例擬合來(lái)產(chǎn)生期望值，同時(shí)考慮了結(jié)構(gòu)零的存在，即，作為自轉(zhuǎn)換或物理上不可能的轉(zhuǎn)換的結(jié)果而出現(xiàn)的零。每種參與行為都使用了x2測(cè)試，以測(cè)試轉(zhuǎn)換的頻率是否明顯偏離隨機(jī)預(yù)期的頻率。由于有一些期望值小于5，通過(guò)將低頻動(dòng)作和相關(guān)動(dòng)作合并在一起，使用原始矩陣大小來(lái)計(jì)算自由度。

x2擬合優(yōu)度檢驗(yàn)用于將觀察到的轉(zhuǎn)換和預(yù)期的轉(zhuǎn)換進(jìn)行比較，因此，檢查轉(zhuǎn)換頻率是為了檢驗(yàn)關(guān)于轉(zhuǎn)換概率的特定假設(shè)。假設(shè)任何行為原則上可以遵循任何其他行為，則轉(zhuǎn)換頻率可以以表格的形式列出。在這種制表模式中，觀察到的緊跟在第i種動(dòng)作之后的第j種動(dòng)作的頻率出現(xiàn)在第i行和第j列的表項(xiàng)單元格(i,j)中。因此，第i行列出了表格中每個(gè)不同類(lèi)型的動(dòng)作緊跟在第i類(lèi)型之后的頻率，而第j列列出了緊跟在j類(lèi)型之前的表格中的每個(gè)不同類(lèi)型的動(dòng)作的頻率。

(1)

其中xij=單元格(i,j)中的觀測(cè)值，mij=(i,j)中的期望值=[(i行的和)×(j列的和)]/參與行為總數(shù)。

2.2.2 社交媒體平臺(tái)用戶(hù)參與行為轉(zhuǎn)換概率分析

由Haynes和Birch設(shè)計(jì)的定型指數(shù)[14]被用來(lái)分析轉(zhuǎn)換的概率。這為一階矩陣中與特定行為轉(zhuǎn)換相關(guān)聯(lián)的定型水平分配了一個(gè)客觀度量，并通過(guò)式(2)計(jì)算：

(2)

其中Pij=從行為步驟i到所有后續(xù)行為j的轉(zhuǎn)換概率；ri=行為步驟i之前的可能的轉(zhuǎn)換的次數(shù)。

2.3 社交媒體平臺(tái)用戶(hù)參與行為數(shù)據(jù)采集

根據(jù)前文分析的社交媒體平臺(tái)用戶(hù)參與行為的構(gòu)成要素確定社交媒體平臺(tái)用戶(hù)參與行為數(shù)據(jù)。

2.3.1 社交媒體平臺(tái)用戶(hù)及傳播媒介確定

在我國(guó)，微信的月活躍用戶(hù)數(shù)已經(jīng)超過(guò)12億，已然成為我國(guó)互聯(lián)網(wǎng)史上用戶(hù)數(shù)量最多的應(yīng)用，基本上人人都是微信這一社交媒體平臺(tái)的用戶(hù)。微博月活躍用戶(hù)數(shù)近6億，基本上半數(shù)的國(guó)人都是微博這一社交媒體平臺(tái)的用戶(hù)。小紅書(shū)月活躍用戶(hù)超過(guò)2億。抖音月活躍用戶(hù)超過(guò)5.5億，且增勢(shì)迅猛。

綜合以上圖1～圖3的數(shù)據(jù)，結(jié)合Mob研究院的調(diào)研數(shù)據(jù)(85、95、00后人群洞察白皮書(shū))，可以看出社交媒體平臺(tái)用戶(hù)基本特征為：

圖1 社交媒體平臺(tái)用戶(hù)性別分布(部分)

圖2 社交媒體平臺(tái)用戶(hù)年齡分布(部分)

圖3 社交媒體平臺(tái)用戶(hù)城市分布(部分)

①男女相對(duì)較均衡。

②城市無(wú)明顯差異。

③年齡主要集中在35歲以下。

④總體人數(shù)約6億。

⑤日均上網(wǎng)時(shí)長(zhǎng)超過(guò)5個(gè)小時(shí)。

預(yù)先邀請(qǐng)了5名實(shí)驗(yàn)用戶(hù)，采取滾雪球的方式隨機(jī)獲得與5名受試者具有社會(huì)相關(guān)性的人員25名，再隨機(jī)獲得與25名受試者具有社會(huì)相關(guān)性的人員125名，基于前文對(duì)社交媒體平臺(tái)用戶(hù)進(jìn)行確定分析得出的社交媒體平臺(tái)用戶(hù)性別分布、年齡分布及日均上網(wǎng)時(shí)長(zhǎng)等信息，最終選取實(shí)驗(yàn)人員20名，實(shí)驗(yàn)用戶(hù)的性別及數(shù)量分布如表3所示，基本信息如表4所示。

表3 實(shí)驗(yàn)用戶(hù)信息及數(shù)量分布

表4 實(shí)驗(yàn)用戶(hù)基本信息(部分)

2.3.2 社交媒體平臺(tái)話題內(nèi)容及參與行為記錄

通過(guò)對(duì)實(shí)驗(yàn)人員社交媒體平臺(tái)使用情況進(jìn)行調(diào)查，具體如表5所示。

表5 實(shí)驗(yàn)人員社交媒體平臺(tái)使用情況

創(chuàng)建網(wǎng)頁(yè)端，每天整理微博熱搜榜、微博文娛榜、微博要聞榜、微信熱點(diǎn)、抖音熱點(diǎn)榜、抖音娛樂(lè)榜、抖音社會(huì)榜、小紅書(shū)社區(qū)精選、知乎熱榜等中的熱點(diǎn)事件信息，每個(gè)平臺(tái)選取熱點(diǎn)事件120件(每個(gè)話題類(lèi)別15件)，將事件鏈接放到創(chuàng)建的網(wǎng)頁(yè)上(順序隨機(jī))。

實(shí)驗(yàn)用戶(hù)登錄網(wǎng)頁(yè)后，首先選取自己使用的社交媒體平臺(tái)情況(例如用戶(hù)1需選取微博、微信、抖音、知乎，用戶(hù)2需選取微博、微信、抖音)，選取后，平臺(tái)會(huì)根據(jù)用戶(hù)選取情況分配事件(每個(gè)話題從所有選擇平臺(tái)中隨機(jī)選取15件)，將分配的事件鏈接到平臺(tái)上，用戶(hù)點(diǎn)擊事件鏈接查看信息后，會(huì)跳轉(zhuǎn)到用戶(hù)相應(yīng)的社交媒體平臺(tái)軟件中(網(wǎng)頁(yè)端用戶(hù)可在網(wǎng)頁(yè)端完成)，所有參與行為均在用戶(hù)自己的社交媒體平臺(tái)中完成，用戶(hù)所有的參與行為采取錄屏方式獲取，每天的參與實(shí)驗(yàn)時(shí)間由用戶(hù)自行確定，持續(xù)60天(前20天的數(shù)據(jù)用于參與行為強(qiáng)度測(cè)定，作為預(yù)判用戶(hù)參與行為強(qiáng)度的基礎(chǔ)，間隔30天，最后10天的數(shù)據(jù)用于對(duì)預(yù)判結(jié)果進(jìn)行評(píng)估)。

2.4 社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度測(cè)定

本次實(shí)驗(yàn)記錄了83 465個(gè)參與行為(前20天數(shù)據(jù)記錄，如圖4所示)。

圖4 社交媒體平臺(tái)用戶(hù)(實(shí)驗(yàn)用戶(hù))參與行為數(shù)量分布

分析圖4可見(jiàn)：

1)不同用戶(hù)的活躍度有所差異

用戶(hù)2在本次實(shí)驗(yàn)中最活躍，具體表現(xiàn)為產(chǎn)生的參與行為最多(7 373)，其中娛樂(lè)八卦類(lèi)話題下參與行為在所有話題中頻度最高(1 002)，占全部參與行為的13.59%，科技數(shù)碼類(lèi)話題下參與行為在所有話題中頻度最低(872)，一定程度上可以看出用戶(hù)2對(duì)所有話題均感興趣，且興趣相當(dāng)；用戶(hù)12在本次實(shí)驗(yàn)中最不活躍，具體表現(xiàn)為產(chǎn)生的參與行為最少(2 909)，該用戶(hù)只在教育育兒類(lèi)話題下活躍度較高(784)。

2)不同用戶(hù)所關(guān)注的話題類(lèi)型有明顯不同

有些用戶(hù)對(duì)所有話題活躍度均很高，如用戶(hù)2和用戶(hù)11；有些用戶(hù)只對(duì)單一話題活躍度高，如用戶(hù)5只對(duì)科技數(shù)碼類(lèi)話題活躍度高(849)，用戶(hù)13只對(duì)人類(lèi)趣味類(lèi)話題活躍度高(963)，用戶(hù)16只對(duì)政治生活類(lèi)話題活躍度高(940)等。

以用戶(hù)1(B1)為例對(duì)其參與行為進(jìn)行分析。

分析表6、圖5及圖6，可以看出：

表6 娛樂(lè)八卦類(lèi)話題的參與行為序列一階矩陣(B1)

注：數(shù)字和相應(yīng)的箭頭是兩種參與行為之間發(fā)生特定轉(zhuǎn)換的概率。

圖6 娛樂(lè)八卦類(lèi)話題的參與行為轉(zhuǎn)換定型指數(shù)(B1)

1)用戶(hù)1最常見(jiàn)的參與行為序列有10種(轉(zhuǎn)換概率≥50%)：

e2→d1、e2→d3、l2→d4→t1、a1→d4、d2→t1、d2→s1、t1→d4、t2→s1→c2、t3→c1→t1、t4→s1→c2，具體為粗略瀏覽信息后對(duì)該信息進(jìn)行評(píng)論或評(píng)論該信息下評(píng)論的內(nèi)容、點(diǎn)贊后評(píng)論該信息下評(píng)論的內(nèi)容并將該信息發(fā)送給某個(gè)好友、@某個(gè)好友后將此信息發(fā)送給平臺(tái)外的某些人、對(duì)內(nèi)容進(jìn)行評(píng)論后將此消息轉(zhuǎn)發(fā)給同平臺(tái)某個(gè)好友或是發(fā)布至個(gè)人主頁(yè)面、轉(zhuǎn)發(fā)給同平臺(tái)某個(gè)好友后評(píng)論該信息下評(píng)論的內(nèi)容、轉(zhuǎn)發(fā)給同平臺(tái)某些個(gè)好友后將此信息發(fā)布至個(gè)人主頁(yè)面然后依據(jù)個(gè)人見(jiàn)解發(fā)布信息、將此信息轉(zhuǎn)發(fā)給平臺(tái)外某個(gè)人后發(fā)布至個(gè)人主頁(yè)面然后轉(zhuǎn)發(fā)給同平臺(tái)某個(gè)好友、將此信息轉(zhuǎn)發(fā)給平臺(tái)外某些人后發(fā)布至個(gè)人主頁(yè)面然后依據(jù)個(gè)人見(jiàn)解發(fā)布信息。

2)某些定型指數(shù)SI無(wú)數(shù)值，表示該用戶(hù)無(wú)此參與行為，可能是數(shù)據(jù)樣本較少導(dǎo)致此現(xiàn)象的出現(xiàn)或是偶發(fā)現(xiàn)象。

3)在社交媒體平臺(tái)用戶(hù)參與行為中，全部瀏覽完畢(e3)的參與行為強(qiáng)度為96.67%，評(píng)論行為的參與行為強(qiáng)度為87.67%，其中98.48%為瀏覽完信息內(nèi)容后查看評(píng)論，評(píng)論該評(píng)論的內(nèi)容(d4)；轉(zhuǎn)發(fā)行為的參與行為強(qiáng)度為79.67%，其中97.49%為將此信息轉(zhuǎn)發(fā)給同平臺(tái)內(nèi)某個(gè)好友(t1)；發(fā)布行為的參與行為強(qiáng)度為50.67%，其中94.08%為將其他現(xiàn)有的內(nèi)容發(fā)布到平臺(tái)自身的賬號(hào)頁(yè)面內(nèi)所產(chǎn)生的發(fā)布行為(c1)，5.92%為依據(jù)自身已有的知識(shí)、見(jiàn)解和認(rèn)知發(fā)布原創(chuàng)內(nèi)容到平臺(tái)自身的個(gè)人主頁(yè)面內(nèi)并不為私密發(fā)布(僅自己可見(jiàn)，c2)。

3 社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度預(yù)判

3.1 社交媒體平臺(tái)用戶(hù)參與行為強(qiáng)度預(yù)判算法

Apriori算法是挖掘數(shù)據(jù)間關(guān)聯(lián)規(guī)則的算法，挖掘關(guān)聯(lián)規(guī)則的主要任務(wù)是找出數(shù)據(jù)庫(kù)中所有的數(shù)據(jù)集合(頻繁項(xiàng)集)[15]。判斷頻繁關(guān)聯(lián)規(guī)則的標(biāo)準(zhǔn)是指支持度和置信度都不低于用戶(hù)給定的最小支持度min_support和最小置信度min_confidence。支持度用來(lái)表示項(xiàng)集在數(shù)據(jù)中出現(xiàn)的頻繁程度，置信度則用于表示Y在包含X的項(xiàng)集中出現(xiàn)的頻繁程度。

對(duì)于給定的數(shù)據(jù)集，在挖掘頻繁關(guān)聯(lián)規(guī)則時(shí)，首先設(shè)定最小支持度和最小置信度，然后挖掘出滿(mǎn)足條件的頻繁項(xiàng)集，最后生成頻繁關(guān)聯(lián)規(guī)則[15]。

Apriori算法基本思想是使用一種逐層掃描的方法挖掘頻繁項(xiàng)集：

第1次掃描，找出候選集1，在第一次候選集基礎(chǔ)上，求出第一次頻繁項(xiàng)集1(>min_support)。

第2次掃描，找出候選集2，求出頻繁項(xiàng)集2。

第n次掃描，找出候選集n，當(dāng)最后生成的候選集n中，只有0個(gè)或1個(gè)的話，循環(huán)結(jié)束。

Aprori算法可以很好地找出關(guān)聯(lián)關(guān)系，但是每一次求候選集都需要掃描一次所有數(shù)據(jù)記錄，在面臨數(shù)據(jù)較多時(shí)就會(huì)耗費(fèi)大量的時(shí)間。本文通過(guò)改進(jìn)的Aprori算法(Fp-Growth算法，F(xiàn)requent Pattern Tree，頻繁模式樹(shù))來(lái)提高運(yùn)行效率，通過(guò)構(gòu)造一個(gè)樹(shù)結(jié)構(gòu)(FP樹(shù))來(lái)壓縮數(shù)據(jù)記錄，使得挖掘頻繁項(xiàng)集只需要掃描兩次數(shù)據(jù)記錄，且該算法不需要生成候選集合[16]。

FP樹(shù)構(gòu)建方法，以用戶(hù)1娛樂(lè)八卦類(lèi)話題為例，數(shù)據(jù)如表7所示。

表7 娛樂(lè)八卦類(lèi)話題原始數(shù)據(jù)(B1)

第一步，令min_support=50(例)，第1次掃描，找出候選集1，如表8所示，在第一次候選集基礎(chǔ)上，求出第一次頻繁項(xiàng)集為e3：290、d4：259、t1：233、c1：143、s1：51(逆序排序)。

表8 娛樂(lè)八卦類(lèi)話題候選集1數(shù)據(jù)(B1)

第二步，構(gòu)建FP樹(shù)，數(shù)的根節(jié)點(diǎn)用null表示，如圖7所示。

圖7 娛樂(lè)八卦類(lèi)話題FP樹(shù)(B1)

1)預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)的參與行為強(qiáng)度

預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)參與行為強(qiáng)度≥50%的參與行為，結(jié)果為e3(290)、d4(259)、t1(233)。

預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)參與行為強(qiáng)度≥80%的參與行為，結(jié)果為e3(290)、d4(259)。

2)預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)的參與行為序列(頻度)

預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)≥50%的概率會(huì)出現(xiàn)的參與行為序列(頻度)：

設(shè)置min_support=50%(150)，計(jì)算出頻繁項(xiàng)集，結(jié)果為：{e3，t1}；{d4，t1}；{e3，d4，t1}，即用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)，超過(guò)50%的概率會(huì)瀏覽完全部信息，查看評(píng)論內(nèi)容，對(duì)評(píng)論內(nèi)容進(jìn)行評(píng)論，并將此信息轉(zhuǎn)發(fā)給同平臺(tái)內(nèi)的某個(gè)好友。

預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)≥80%的概率會(huì)出現(xiàn)的參與行為序列(頻度)：

設(shè)置min_support=80%(240)，此時(shí)頻繁項(xiàng)集的結(jié)果為{e3，d4}，即用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)，超過(guò)80%的概率會(huì)瀏覽完全部信息，查看評(píng)論內(nèi)容，對(duì)評(píng)論內(nèi)容進(jìn)行評(píng)論。

3)預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)的各參與行為強(qiáng)度之間的相關(guān)性

預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)出現(xiàn)某參與行為的同時(shí)會(huì)有≥90%的概率會(huì)出現(xiàn)另一參與行為：

設(shè)置min_confidence為90%，計(jì)算出頻繁項(xiàng)集的結(jié)果為{t1，d4}、{l2，d4}、{l2，c1}、{a1，d4}，即用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)，若將此信息轉(zhuǎn)發(fā)給同平臺(tái)的某個(gè)好友后，有≥90%的概率會(huì)對(duì)該信息下的評(píng)論內(nèi)容進(jìn)行評(píng)論，若對(duì)此信息下的某條評(píng)論產(chǎn)生興趣并點(diǎn)贊該信息/評(píng)論則會(huì)有≥90%的概率會(huì)對(duì)該信息下的評(píng)論內(nèi)容進(jìn)行評(píng)論，若對(duì)此信息下的某條評(píng)論產(chǎn)生興趣并點(diǎn)贊該信息/評(píng)論則會(huì)有≥90%的概率會(huì)將其他現(xiàn)有內(nèi)容發(fā)布到平臺(tái)自身賬號(hào)頁(yè)面內(nèi)，若將此信息@給某好友則會(huì)有≥90%的概率會(huì)對(duì)該信息下的評(píng)論內(nèi)容進(jìn)行評(píng)論。

預(yù)判用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)出現(xiàn)某參與行為的同時(shí)會(huì)有≥80%的概率會(huì)出現(xiàn)另一參與行為強(qiáng)度：

設(shè)置min_confidence為80%，計(jì)算出頻繁項(xiàng)集的結(jié)果為{t1，d4}、{l2，d4}、{l2，c1}、{a1，d4}、{e3，d4}、{d4，t1}，即用戶(hù)1瀏覽到某娛樂(lè)八卦類(lèi)話題內(nèi)容時(shí)，若將此信息瀏覽完畢則會(huì)有≥80%的概率會(huì)對(duì)該信息下的評(píng)論內(nèi)容進(jìn)行評(píng)論，若對(duì)該信息下的評(píng)論內(nèi)容進(jìn)行評(píng)論則會(huì)有≥80%的概率會(huì)將此信息轉(zhuǎn)發(fā)給同平臺(tái)的某個(gè)好友(前4項(xiàng)頻繁項(xiàng)集的解釋見(jiàn)上述min_confidence=90%的內(nèi)容)。

3.2 實(shí)證預(yù)判

3.2.1 數(shù)據(jù)采集及處理

由前文分析的20位用戶(hù)的參與行為數(shù)據(jù)，得出每位用戶(hù)、每個(gè)話題下的每個(gè)參與行為的強(qiáng)度，結(jié)果如圖8所示(以?shī)蕵?lè)八卦類(lèi)話題為例)。

圖8 參與行為強(qiáng)度預(yù)判三維曲面圖

對(duì)最后10天數(shù)據(jù)進(jìn)行分析，共得到41 127條數(shù)據(jù)記錄，得出每位用戶(hù)、每個(gè)話題下的每個(gè)參與行為的強(qiáng)度，結(jié)果如圖9所示(以?shī)蕵?lè)八卦話題為例)。

圖9 參與行為強(qiáng)度概率分布三維曲面圖

3.2.2 預(yù)判結(jié)果

本文以總體偏差率作為評(píng)價(jià)指標(biāo)對(duì)20位用戶(hù)的參與行為強(qiáng)度預(yù)判結(jié)果進(jìn)行分析，總體偏差率描述的是用戶(hù)歷史行為(前20天數(shù)據(jù))中參與行為的強(qiáng)度與評(píng)估樣本(后10天數(shù)據(jù))中對(duì)應(yīng)參與行為的強(qiáng)度差值的絕對(duì)值。若用戶(hù)1瀏覽某條娛樂(lè)八卦類(lèi)消息的歷史行為顯示該用戶(hù)將此消息轉(zhuǎn)發(fā)給同平臺(tái)某好友的強(qiáng)度為80%，評(píng)估樣本中該用戶(hù)將此消息轉(zhuǎn)發(fā)給同平臺(tái)某好友的強(qiáng)度為70%，則偏差率為|80%-70%|=10%。

對(duì)所有用戶(hù)所有話題類(lèi)別下所有參與行為強(qiáng)度進(jìn)行預(yù)判，如圖10所示，最大的偏差率出現(xiàn)在用戶(hù)12的教育育兒類(lèi)話題中的e2、e3，偏差率為20%。

圖10 社交媒體平臺(tái)用戶(hù)(實(shí)驗(yàn)用戶(hù))參與行為強(qiáng)度偏差率

3.3 社交媒體平臺(tái)用戶(hù)的參與行為強(qiáng)度預(yù)判效果評(píng)估

對(duì)所有實(shí)驗(yàn)用戶(hù)所有話題下所有參與行為強(qiáng)度進(jìn)行整理，提取出偏差率大于10%的數(shù)據(jù)，結(jié)果如表9所示。

表9 偏差率大于10%的話題及參與行為強(qiáng)度分布 %

由表9可以看出，幾乎所有話題下均存在偏差率大于10%的數(shù)據(jù)，近半數(shù)用戶(hù)存在偏差率大于10%的數(shù)據(jù)，可見(jiàn)偏差率和用戶(hù)或話題無(wú)明顯直接關(guān)系。其中，偏差率大于10%的數(shù)據(jù)量共有24個(gè)，其中瀏覽行為(e1+e2+e3)的數(shù)量最多，占總數(shù)的62.5%，出現(xiàn)該問(wèn)題的原因可能是數(shù)據(jù)記錄過(guò)程造成的：從記錄的數(shù)據(jù)中無(wú)法真正判斷用戶(hù)的認(rèn)知努力量，較難分辨實(shí)驗(yàn)用戶(hù)的瀏覽行為是e2或e3(實(shí)驗(yàn)過(guò)程中一般按閱讀時(shí)間為5秒進(jìn)行區(qū)分，對(duì)于信息量較長(zhǎng)或較短的適當(dāng)增減閱讀時(shí)間)，有些用戶(hù)瀏覽的速度很快，有些則較慢。

從總體偏差率可以發(fā)現(xiàn)，本文提出的基于全社交媒體平臺(tái)對(duì)用戶(hù)參與行為強(qiáng)度進(jìn)行預(yù)判的方法其總體偏差率在20%以下(含)，對(duì)用戶(hù)的參與行為強(qiáng)度具有較好的預(yù)判效果。

4 結(jié) 論

本文對(duì)社交媒體平臺(tái)用戶(hù)參與行為的構(gòu)成要素進(jìn)行分析，認(rèn)為社交媒體平臺(tái)用戶(hù)的參與行為包含社交媒體平臺(tái)用戶(hù)參與行為的主體、客體、本體及媒體，并據(jù)此設(shè)計(jì)觀察實(shí)驗(yàn)，通過(guò)問(wèn)卷調(diào)查和公開(kāi)的歷史數(shù)據(jù)，采取滾雪球的抽樣方式，獲取了20名用戶(hù)數(shù)據(jù)，從用戶(hù)使用的所有社交媒體平臺(tái)中抽取熱點(diǎn)事件，記錄實(shí)驗(yàn)用戶(hù)的參與行為，基于社交媒體平臺(tái)用戶(hù)的參與行為譜構(gòu)建了社交媒體平臺(tái)用戶(hù)的參與行為強(qiáng)度序列一階矩陣，對(duì)用戶(hù)的參與行為強(qiáng)度進(jìn)行分析及測(cè)定，基于Fp-Growth算法對(duì)社交媒體平臺(tái)用戶(hù)的參與行為強(qiáng)度進(jìn)行預(yù)判，其總體偏差率可以達(dá)到20%以下(含)，對(duì)用戶(hù)的參與行為強(qiáng)度具有較好的預(yù)判效果，可以提高社交媒體平臺(tái)推薦服務(wù)的質(zhì)量，并能實(shí)現(xiàn)和提高輿情危機(jī)事件發(fā)生時(shí)的精準(zhǔn)引導(dǎo)與靶向?qū)Э亍?/p>