基于LDA和ISM模型的疫苗接種意愿研究

摘" 要： 從信息化語境中挖掘社交媒體平臺中的輿情數(shù)據(jù)，嘗試更加系統(tǒng)地分析新冠疫苗接種意愿多重影響因素間的關(guān)系.利用網(wǎng)絡(luò)爬蟲技術(shù)抓爬社交媒體Twitter平臺中的數(shù)據(jù)，借助潛在狄利克雷分配（latent Dirichlet allocation，LDA）模型識別影響新冠疫苗接種意愿的因素，并運用解釋結(jié)構(gòu)模型方法（interpretative structural modeling method，ISM）輔助建模，構(gòu)建多級層次遞階結(jié)構(gòu)模型，梳理和分析各項影響因素之間的邏輯層次關(guān)系.結(jié)果表明：通過LDA和ISM模型可以對獲取到的因素集進行結(jié)構(gòu)化處理，并根據(jù)ISM模型的邏輯結(jié)構(gòu)，將影響新冠疫苗接種意愿的4個層級劃分為深層、中間層和表層，不同層級對疫苗接種意愿的影響程度不同.研究結(jié)果可為提升民眾對新冠疫苗的接受意愿和接種傾向提供相應(yīng)的決策支持和參考價值.

關(guān)鍵詞： 新冠疫苗；接種意愿；潛在狄利克雷分配；解釋結(jié)構(gòu)模型

中圖分類號：TP391.1；R186""" 文獻標(biāo)志碼：A""""" 文章編號：1673-4807（2024）01-104-07

DOI：10.20061/j.issn.1673-4807.2024.01.016

收稿日期： 2022-09-19""" 修回日期： 2021-04-29

基金項目： 國家社科基金重大項目（20amp;ZD117）；江蘇高校哲學(xué)社會科學(xué)研究重大重點項目（2021SJZDA128）

作者簡介： 馬麗榮（1998—），女，碩士研究生，研究方向為網(wǎng)絡(luò)輿情.E-mail： 1473823586@qq.com

*通信作者： 吳林海（1962—），男，博士，教授，研究方向為食品安全跨界治理研究.E-mail： 1291823970@qq.com

引文格式： 馬麗榮，洪小娟，鄭惠莉，等.基于LDA和ISM模型的疫苗接種意愿研究［J］.江蘇科技大學(xué)學(xué)報（自然科學(xué)版），2024，38（1）：104-110.DOI：10.20061/j.issn.1673-4807.2024.01.016.

Research on vaccination willingness based on LDA and ISM models

MA Lirong1， HONG Xiaojuan1， ZHENG Huili1， WU Linhai2*

（1.School of Management， Nanjing University of Posts and Telecommunications， Nanjing 210003， China）

（2.School of Business，Jiangnan University， Wuxi 214122， China）

Abstract：Mining public opinion data from the social media platform in the information context， we try to more systematically analyze the relationship between multiple influencing factors of COVID-19 vaccination willingness. Focusing on the research problems of influencing factors of the vaccination intention of the COVID-19 vaccination， we use the web crawler technology to crawl the data in the social media Twitter platform， mine the main factors affecting the vaccination intention of the new coronal vaccine with the help of the Latent Dirichlet Allocation theme model， and use the Interpretive Structural Modeling Method to assist modeling， build a multi-level hierarchical structure model， so as to sort out and analyze the logical hierarchical relationship between the influencing factors. The results show that the factor set can be structurally processed through LDA and ISM models， and according to the logical structure of the ISM model， the four levels that affect the willingness to vaccinate COVID-19 vaccine are divided into the deep layer， the middle layer and the surface layer. Different levels have different degrees of influence on the willingness to vaccinate. The research results can provide corresponding decision support and reference value for improving people's willingness to accept COVID-19 vaccine and vaccination tendency.

Key words：COVID-19 vaccination， willingness to vaccinate， latent Dirichlet allocation， interpretive structural model

就目前全球新冠肺炎疫情發(fā)展情況來看，疫情常態(tài)化成為必然趨勢，全人類可能將與新冠病毒長期共存［1］.面對復(fù)雜而嚴(yán)峻的疫情沖擊，推動新冠病毒疫苗（簡稱新冠疫苗）的研發(fā)與接種，是世界各國政府普遍重視地用于遏制疫情爆發(fā)的一種手段，疫苗接種成為全球公共衛(wèi)生領(lǐng)域的熱點議題［2］.世界不同國家和地區(qū)的新冠疫苗接受率存在差異，我國疫苗接種率位居世界前列，然而有國外國家和地區(qū)，低新冠疫苗接受率仍較為明顯，接種進度較慢，這將對控制新冠肺炎疫情流行的努力構(gòu)成嚴(yán)重問題［3］.因此，對影響國外民眾新冠疫苗接種意愿的要素情況有更細致的把握，對推動世界衛(wèi)生工作的可持續(xù)發(fā)展是十分重要的.

在線社交網(wǎng)絡(luò)平臺作為民眾討論問題和承載社情民意的重要輿論場，自新冠肺炎疫情爆發(fā)以來，平臺涌現(xiàn)出民眾對新冠疫苗接種話題的廣泛討論，積累了大量的數(shù)據(jù)［4］.因此，網(wǎng)絡(luò)社交媒體上的數(shù)據(jù)也成為觀察普通民眾如何看待新冠疫苗接種的一扇窗口，可以為理解影響疫苗接種意愿的因素提供支撐和極佳視角.

通過梳理國內(nèi)外有關(guān)疫苗接種意愿的研究，發(fā)現(xiàn)學(xué)者們普遍采用調(diào)查問卷方法獲取數(shù)據(jù)、統(tǒng)計學(xué)方法分析數(shù)據(jù)，調(diào)查樣本主要集中于某一特定人群.然而由于樣本數(shù)據(jù)等不同，在新冠疫苗接種意愿影響因素的研究上得出了不一致甚至是相悖的結(jié)論，一些個人特征因素對接種意愿的影響還不能確定，如在對年齡因素的探討中， 文獻［5］指出年齡較大的人越容易接受新冠疫苗，但也有文獻［6］指出年齡與新冠疫苗接種意愿之間并無關(guān)系.盡管可以對新冠疫苗接種意愿影響因素研究提供方向性指導(dǎo)，但對整體疫苗接種工作貢獻的實踐指導(dǎo)意義會減弱.同時，已有研究對疫苗接種意愿的多重因素及因素間關(guān)系的分析較為薄弱.而影響民眾接種新冠疫苗的因素是復(fù)雜多樣的，各因素間存在聯(lián)系，進一步探索因素間關(guān)系及其結(jié)構(gòu)是有必要的.解釋結(jié)構(gòu)模型適用于變量多、關(guān)系復(fù)雜且結(jié)構(gòu)模糊的動態(tài)系統(tǒng)的解釋分析，適用于本研究.鑒于此，基于已有研究，利用Python程序采集社交媒體平臺Twitter數(shù)據(jù)，借助潛在狄利克雷分配主題模型挖掘影響國外民眾新冠疫苗接種意愿的因素，并進一步通過解釋結(jié)構(gòu)模型厘清多重因素間的關(guān)系，研究流程如圖1.

COVID-19 vaccination willingness based on Twitter data

1" 數(shù)據(jù)獲取與處理

1.1" 數(shù)據(jù)源選取

Twitter作為實時熱點事件與信息傳播的主要集散地，在全世界非常流行和知名，具有一定代表性與影響力，群體基礎(chǔ)龐大［8］.同時，也是用戶進行網(wǎng)絡(luò)互動和發(fā)聲的重要輿論平臺，蘊含著大量信息.因此，選取Twitter作為文中數(shù)據(jù)源.

1.2" 數(shù)據(jù)預(yù)處理

借助Python爬蟲程序進行數(shù)據(jù)采集，獲取相關(guān)頁面信息主要是利用Http Client工具包模擬瀏覽器向Twitter服務(wù)器發(fā)送請求，接著利用工具解析所獲得的信息，并使用本地網(wǎng)頁數(shù)據(jù)庫存儲所得到的數(shù)據(jù)［8］.其中，以“COVID-19 vaccine、COVID-19 vaccination、Vaccination willingness、Vaccination hesitancy、Vaccine decision-making”等為檢索關(guān)鍵詞進行數(shù)據(jù)抓爬，設(shè)定的數(shù)據(jù)檢索區(qū)間為2021年1月1日至12月30日，抓取的數(shù)據(jù)屬性包含用戶名、時間、推文文本等字段信息，獲取到與新冠疫苗接種意愿相關(guān)的推文共計140 458條.研究利用EXCLE的函數(shù)功能對數(shù)據(jù)進行了隨機抽樣，并通過剔除原始Twitter文本中的符號（如：“@”）、數(shù)字、重復(fù)數(shù)據(jù)、空格等雜質(zhì)信息，使爬得的數(shù)據(jù)實現(xiàn)規(guī)范化，得到更高質(zhì)量的有效文本數(shù)據(jù)［9］.最終得到11 350條推文作為研究樣本.

2" 基于LDA主題模型的疫苗接種意愿影響因素識別

2.1" LDA主題模型基本原理

潛在狄利克雷分配（latent dirichlet allocation，LDA）是一種廣泛用于文檔主題的生成模型，也被稱為是一個包含詞（w）、主題（z）和文檔（d）三種粒度的三層級貝葉斯概率模型［10］，其主要運行原理是每一篇文檔中的每個詞都通過“在一定的概率下選擇了某個主題，并從這個主題中以一定概率選擇某個詞語”［11-12］.

LDA主題模型中，Twitter文本被稱為“文檔（d）”，其由N個數(shù)量的詞組成，即d=（w1，w2，…，wN），語料庫D是由M篇Twitter文本構(gòu)成的數(shù)據(jù)集，即每一篇文檔構(gòu)成了該集合；K是語料庫D中的潛在主題數(shù)，α和β是狄利克雷函數(shù)的先驗參數(shù)，θ為文檔對應(yīng)主題多項分布的參數(shù)，φ為主題對應(yīng)詞語多項分布的參數(shù).模型文檔生成過程為：從Dirichlet分布α中隨機取樣生成文檔di所對應(yīng)的主題多項分布θi；從文檔di對應(yīng)主題的多項式分布θi中隨機取樣生成第j個詞的主題zi，j；從Dirichlet分布β中隨機取樣生成主題zi，j所對應(yīng)的詞多項分布φzi，j；從詞的多項式分布zi，j中取樣生成詞語wi，j，如圖2.

2.2" 疫苗接種意愿LDA主題模型構(gòu)建

2.2.1" Jieba分詞處理

在使用Python構(gòu)建LDA主題模型前，依據(jù)LDA主題模型提取影響因素，導(dǎo)入Jieba庫對Twitter文檔進行分詞、保留所需詞、去除停用詞，并將Jieba分詞結(jié)果放入新文檔中.

2.2.2" Gensim構(gòu)建LDA主題模型

導(dǎo)入Gensim庫，構(gòu)造詞典（dictionary），基于詞典，將詞轉(zhuǎn)化為稀疏向量，并將其放入列表中形成稀疏向量集（corpus）.假設(shè)主題個數(shù)（num_topics）為n，并設(shè)置訓(xùn)練輪次（passes）與每個主題下輸出特征詞的數(shù)目（num_words），構(gòu)建LDA主題模型，打印所有主題并顯示特征詞.

2.2.3" 計算困惑度確認(rèn)主題個數(shù)

困惑度指標(biāo)（Perplexity）是用來評價語言模型好壞的常用指標(biāo)，計算公式如下：

PerplexityD=exp {-∑Md=1∑Nn=1logp（Wd）∑Md=1Nd}

式中：D為數(shù)據(jù)集，Nd為文檔d的詞數(shù)量，Wd為文檔中的詞語，p（Wd）為文檔中詞語出現(xiàn)的概率.

困惑度越低說明LDA主題模型越好，重復(fù)采用困惑度指標(biāo)測試Twitter樣本數(shù)據(jù)，發(fā)現(xiàn)隨著主題數(shù)量的增加，困惑度不斷減小，當(dāng)主題數(shù)量為16時，困惑度指標(biāo)達到最小，此時模型效果最好.對主題詞挖掘?qū)嶒灥慕Y(jié)果進行整理，最終獲得了Twitter文本數(shù)據(jù)的潛在主題列表，如表1.

表1中的高頻特征詞列是用來說明不同主題關(guān)系和主題內(nèi)涵的詞，每個主題下選取了在樣本數(shù)據(jù)中出現(xiàn)頻率排序靠前的5個詞，如“風(fēng)險與益處衡量”主題包括疫苗、風(fēng)險、后果、副作用等.由此可以看出“風(fēng)險與益處衡量、恢復(fù)正常生活期盼”等16個主題是推文背后隱藏的核心主題詞，是用戶關(guān)注疫苗接種的焦點，可以作為影響新冠疫苗接種意愿的因素并進一步展開后續(xù)因素間的關(guān)系探究.

3" 基于ISM的新冠疫苗接種意愿影響因素模型構(gòu)建

解釋結(jié)構(gòu)模型（interpretative structural modeling method， ISM）是基于有向圖、結(jié)合計算機工具將系統(tǒng)中混亂離散的要素用矩陣形式表示出來，并利用矩陣運算和分解等數(shù)學(xué)方法對要素及其相互關(guān)系進行處理，構(gòu)建一個多層遞階結(jié)構(gòu)模型［13］.ISM方法的實現(xiàn)流程主要包括：判定系統(tǒng)因素間的關(guān)系，建立鄰接矩陣；將相應(yīng)的矩陣輸入計算機迭代處理，輸出可達矩陣；在可達矩陣基礎(chǔ)上，縮減抽取層級直至將所有因素完成化級，實現(xiàn)層級劃分；繪制多級層次遞階結(jié)構(gòu)模型ISM的工作原理如圖3.

3.1" 鄰接矩陣構(gòu)建

對基于LDA模型識別出的疫苗接種意愿影響因素進行編號命名，如表2.

鄰接矩陣（C）是用來描述疫苗接種意愿各因素間二元關(guān)系的矩陣.設(shè)因素系統(tǒng)T共有m個因素，T={T1，T2，…，Tm}，兩個因素之間的關(guān)系可以表示為：

Cij=1" 當(dāng)Ti對Tj有關(guān)系時0" 當(dāng)Ti對Tj無關(guān)系時

將影響因素分別作為鄰接矩陣的行因素和列因素，邀請相關(guān)領(lǐng)域?qū)＜裔槍Ω饕蛩亻g的關(guān)系進行判斷，從而確定各項影響因素之間的直接關(guān)系.按Ti對Tj有直接影響取值為1，反之為0的規(guī)則，構(gòu)建16×16的鄰接矩陣C，結(jié)果如表3.

3.2" 可達矩陣運算

可達矩陣是在鄰接矩陣基礎(chǔ)上描述各節(jié)點經(jīng)過一定長度的通路后可以到達的狀況.對于由m個節(jié)點組成的系統(tǒng)T來說，可達矩陣P的組成元素為Tij=1，從Ti存在通路到達Tj0，從Ti不存在通路到達Tj.把鄰接矩陣C看作是節(jié)點集合關(guān)系上的矩陣，就相當(dāng)于求鄰接矩陣的傳遞閉包C+問題，因此，可達矩陣的建立可以采用求關(guān)系閉包的Warshall算法實現(xiàn).由C計算其對應(yīng)可達矩陣P的Warshall算法執(zhí)行過程為：（1） 置P=C；（2） i=1；（3）"" 對所有的j，若P（j，i）=1，則對于每一個k，k=1，2，3，…，m，P（j，k）←P（j，k）VP（i，k）；（4） i=i+1；（5） 如果i≤m，則回到第3步，否則停止［14］.利用Warshall算法計算可達矩陣可以減少運算量，并可以通過計算機程序執(zhí)行操作步驟.文中通過MATLAB編碼，輸出可達矩陣，結(jié)果如表4.

3.3" 層級劃分及結(jié)果分析

在整理出可達矩陣的可達集R（Ti） （可達矩陣中Ti可以到達的所有因素的集合）、前因集A（Ti）（可達矩陣中可以到達Ti的所有因素的集合）和共同集R（Ti）∩A（Ti）（由可達集和前因集中共同因素構(gòu)成的集合）的基礎(chǔ)上，依據(jù)R（Ti）∩A（Ti）=R（Ti）的規(guī)則對所有因素進行分層，并刪除最高層因素集合對應(yīng)的行與列，然后再從剩下的疫苗接種意愿影響因素可達矩陣中找出最高級因素集合.首先，滿足R（Ti）∩A（Ti）=R（Ti）的因素有T3，T4，T10，即{T3，T4，T10}為第一層，如表5.其次，在可達矩陣P中剔除這一層3個要素所對應(yīng)的行和列.依此類推，縮減抽取層級直至將所有因素完成化級，得到所有因素的層級劃分結(jié)果，如表6.最后，根據(jù)因素層級化分析結(jié)果、鄰接矩陣C及可達矩陣P，繪制接種意愿影響因素的層級結(jié)構(gòu)模型，如圖5.

由解釋結(jié)構(gòu)模型層級劃分結(jié)果可知，其是一個4級有向?qū)蛹壗Y(jié)構(gòu)模型，反映了接種意愿影響因素間的邏輯關(guān)系.國外民眾的新冠疫苗接種意愿影響因素由L1到L4，隨著層級數(shù)增加，由表層因素逐漸向深層因素過渡，即影響因素所在層級數(shù)越低，表示該層級的影響因素涵蓋的范圍越小，越具體；影響因素所在層級數(shù)越高，表示該層級的影響因素涵蓋的范圍越大，越宏觀.第一層因素主要由疫苗獲取、風(fēng)險與益處衡量、恢復(fù)正常生活期盼構(gòu)成.第二層由疫苗推出計劃、疫苗特定問題看法和了解與認(rèn)知構(gòu)成.第三層由親社會價值觀、個人特征、信任、信息質(zhì)量、支撐數(shù)據(jù)和社會群體影響構(gòu)成.第四層因素由政治背景、種族、宗教和歷史因素構(gòu)成.

3.4" 影響機理分析

根據(jù)模型的邏輯結(jié)構(gòu)，影響新冠疫苗接種意愿的4個層級可以劃分為深層、中間層和表層，對各層關(guān)系分析如下：

（1） 深層因素是影響新冠疫苗接種意愿的根本影響因素，該層因素不受其他層級因素的影響.政治背景、種族、宗教和歷史4個因素直接影響著民眾信任，并通過影響其他層級因素傳遞其影響作用，對民眾的疫苗接種意愿具有深層次的影響力，更需要長期研究和重點突破.如對于有虔誠宗教信仰的信徒來說可以發(fā)揮宗教領(lǐng)袖在疫苗接種中的帶頭作用，向信徒宣揚新冠疫苗接種的知識和理念，喚起其對疫苗的信任和預(yù)防接種意識［16］.

（2） 第二、第三層因素是影響新冠疫苗接種意愿的中間層因素，處于模型關(guān)系的焦點，起著“承上啟下”的作用，傳遞著從深層到表層的影響，并最終影響疫苗接種意愿.一方面，第三層的親社會價值觀和信任因素直接受深層因素的影響，尤其是信任因素，最深層的因素都對信任因素有著直接影響，其在因素層級結(jié)構(gòu)模型中處于一個尤為關(guān)鍵的點，因此，政策制定者和公共衛(wèi)生當(dāng)局要及時了解導(dǎo)致民眾對其缺乏信任的原因，嘗試恢復(fù)民眾信任，并最終實現(xiàn)有效的健康溝通；另一方面，第三層因素對第二層因素具有直接影響作用，其中，第二層的疫苗特定問題看法、了解與認(rèn)知因素較多受到第三層因素的影響，并通過影響第一層因素從而達到最終影響疫苗接種意愿的目的.因此，可以以疫苗特定問題看法和了解與認(rèn)知因素為關(guān)鍵突破口，發(fā)揮社會各方在民眾對疫苗和接種知識形成科學(xué)準(zhǔn)確認(rèn)知上的積極作用，最大限度地排解民眾對接種安全性等的疑慮與風(fēng)險危機認(rèn)知，消除部分可以接種但遲遲未接種人群的顧慮.

（3） 表層因素是影響新冠疫苗接種意愿的直接影響因素.從圖4可以看出，該層是離疫苗接種意愿最近的層級，其所包含的因素是最直接影響新冠疫苗接種意愿的.因此，要提升民眾的主動接種意愿，發(fā)揮該層級的因素效果將是最直接的切入點.如風(fēng)險與益處衡量應(yīng)該是建立在民眾對疫苗及相關(guān)知識正確認(rèn)知下做出的判斷，在疫苗推廣過程中，要把疫苗的效果和作用信息真實地傳遞給民眾，使民眾在對疫苗進行風(fēng)險與益處衡量時感知到接種收益大于風(fēng)險，進而做出主動的疫苗接種選擇.另外，雖然該層因素直接影響疫苗接種的意愿度，但它屬于第一層級因素，直接或間接地被更深層次的因素所影響.因此，要想發(fā)揮這三方面對疫苗接種意愿的正向加強作用，需要意識到深層的原因并協(xié)調(diào)好各項因素間的關(guān)系，明確優(yōu)化改善的著力點.

4" 結(jié)論

（1） 從社交媒體平臺切入，了解Twitter上潛在的有關(guān)新冠疫苗接種的民眾觀點，借助Python爬取數(shù)據(jù)，通過Jieba分詞處理、Gensim構(gòu)建LDA主題模型，識別疫苗接種意愿的核心主題，構(gòu)建新冠疫苗接種意愿的因素集，其眾多而復(fù)雜的因素組成，受不同領(lǐng)域的多方因素的影響.因此，新冠疫苗主動接種意愿的提升與加強是一個多層次、多角度的系統(tǒng)工程，涉及多領(lǐng)域、多主體.

（2） 新冠疫苗接種意愿的影響因素眾多，且因素間彼此關(guān)系復(fù)雜，利用ISM方法構(gòu)建了民眾新冠疫苗接種意愿影響因素的4級遞階結(jié)構(gòu)模型，其揭示了影響新冠疫苗接種意愿的各層要素，表征了因素間的相互影響關(guān)系；深入分析了復(fù)雜系統(tǒng)中各影響因素的分層邏輯和層級關(guān)系，梳理出疫苗接種意愿的關(guān)鍵影響因素.在新冠疫苗接種意愿的提升工作中應(yīng)把握深層影響因素，重視中間層影響因素，提升表層影響因素.

希望未來可以運用其他更多方法對影響新冠疫苗接種意愿的因素進行分析，從而能夠修正和完善疫苗接種意愿影響因素模型，為民眾疫苗接種意愿的提升工作起到更好的決策支持和參考作用.

參考文獻（References）

［1］" 王璐瑤，劉曉君，徐曉瑜.新冠肺炎疫情常態(tài)化防控中居民防疫制度遵從意愿的影響機制——基于恐懼訴求與威懾理論視角［J］.中國軟科學(xué)，2022，7（7）：58-69.

［2］" 孟欣童.融入異質(zhì)性的風(fēng)險感知對新冠疫苗接種意愿的影響［D］.北京：北京交通大學(xué)，2021.

［3］" SALLAM M. COVID-19 vaccine hesitancy worldwide： a concise systematic review of vaccine acceptance rates［J］. Vaccines，2021，9（2）：160.

［4］" 馮博.全人類共同價值的國際認(rèn)同——基于海外社交媒體臉書和推特的數(shù)據(jù)分析［J］.社會主義核心價值觀研究，2022，8（2）：34-46.

［5］" DETOC M， BRUEL S， FRAPPE P， et al. Intention to participate in a COVID-19 vaccine clinical trial and to get vaccinated against COVID-19 in France during the pandemic［J］. Vaccine，2020，38（45）：7002-7006.

［6］" ALLEY S J， STANTON R， BROWNE M， et al. As thepandemic progresses， how does willingness to vaccinate against COVID-19 evolve？ ［J］. International Journal of Environmental Research and Public Health，2021，18（2）：797.

［7］" CHINNASAMY P， SURESH V， RAMPRATHAP K， et al. COVID-19 vaccine sentiment analysis using public opinions on twitter［J］. Materials Today： Proceedings，2022，64（1）：448-451.

［8］" 祝宇，夏詔杰，聶峰光，等.支持向量機在化學(xué)主題爬蟲中的應(yīng)用［J］.計算機與應(yīng)用化學(xué)，2006，23（4）：329-332.

［9］" 尹雋，彭艷紅，劉鵬，等.基于信息接受模型的在線評論有用性影響因素研究［J］.江蘇科技大學(xué)學(xué)報（自然科學(xué)版），2020，34（3）：69-78.

［10］" 田園，宮婷婷.基于LDA模型的在線教學(xué)需求數(shù)據(jù)主題挖掘研究［J］.情報科學(xué)，2021，39（9）：110-116.

［11］" 張?zhí)┤?，陳?基于LDA模型因素提取的健康信息用戶轉(zhuǎn)移行為研究［J］.圖書情報工作，2019，63（21）：66-77.

［12］" 蔣麗華，沈金羽，任怡.基于LDA主題分析模型的電商平臺用戶評論數(shù)據(jù)情感分析——以生鮮農(nóng)產(chǎn)品蘋果為例［J］.技術(shù)與市場，2021，28（10）：74-76.

［13］" 萬震，鄒凱，張艷豐，等.基于ISM-MICMAC的移動社交媒體倦怠影響因素與關(guān)聯(lián)路徑研究［J］.信息資源管理學(xué)報，2022，12（1）：46-55.

［14］" 葉紅.可達矩陣的Warshall算法實現(xiàn)［J］.安徽大學(xué)學(xué)報（自然科學(xué)版），2011，35（4）：31-35.

［15］" JACOBI C J， VAIDYANATHAN B. Racial differences in anticipated COVID-19 vaccine acceptance amongreligious populations in the US［J］. Vaccine，2021，39（43）：6351-6355.

（責(zé)任編輯：顧琳）