跨社交媒體輿情關(guān)鍵節(jié)點(diǎn)識(shí)別方法及其實(shí)證研究

關(guān)鍵詞： 超網(wǎng)絡(luò)； 跨社交媒體； 網(wǎng)絡(luò)輿情； 關(guān)鍵節(jié)點(diǎn)； 信息傳播

ＤＯＩ：１０.３９６９ ／ ｊ.ｉｓｓｎ.１００８－０８２１.２０２４.０９.００２

〔中圖分類號(hào)〕Ｇ２０６ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１ （２０２４） ０９－００１６－１５

互聯(lián)網(wǎng)的普及與社交媒體平臺(tái)的繁榮逐漸改變了人們交流互動(dòng)、獲取信息的渠道和方式， 網(wǎng)絡(luò)輿情已經(jīng)成為影響公眾觀點(diǎn)、塑造社會(huì)議題、驅(qū)動(dòng)政策制定的關(guān)鍵因素。由于網(wǎng)絡(luò)輿情具有自發(fā)性、多元性、跨界性、沖突性等特點(diǎn)［１］ ， 其治理與管控一直是學(xué)術(shù)界致力研究的重點(diǎn)， 也是社會(huì)各界共同關(guān)注的問題。然而， 社交媒體在其所處平臺(tái)深耕細(xì)作，種類趨向多元化。網(wǎng)絡(luò)輿情已不再局限于某一單一平臺(tái)， 而是以網(wǎng)絡(luò)矩陣的形態(tài)跨越多個(gè)平臺(tái)進(jìn)行發(fā)酵與擴(kuò)散［２］ 。雖然這種跨媒體輿情能夠促進(jìn)信息傳播的速度與范圍［３］ ， 但其帶來的情感極化、回音室效應(yīng)、信息異質(zhì)性等問題的危害亦不容小覷［４－５］ 。因此， 如何跟蹤探索復(fù)雜的跨社交媒體輿情傳播模式， 并從其中挖掘與識(shí)別輿情關(guān)鍵節(jié)點(diǎn)， 是當(dāng)下輿情管理亟待解決的重要課題。

當(dāng)前， 學(xué)術(shù)界對網(wǎng)絡(luò)輿情的研究給予了高度重視， 如輿情信息傳播模式與機(jī)制研究［６－８］ 、輿情監(jiān)控與預(yù)警研究［９－１２］ 、輿情特征與演化研究［１３－１６］ 。研究此問題所采用的方法論也頗為豐富， 使用最為廣泛的知識(shí)發(fā)現(xiàn)方法包括文本挖掘［１７－１８］ 、知識(shí)圖譜［１９］ 、機(jī)器學(xué)習(xí)［２０－２１］ 等； 還包括時(shí)間序列分析［２２］ 、多元統(tǒng)計(jì)分析［２３］ 、扎根理論［２４］ 、社會(huì)網(wǎng)絡(luò)分析［２５］等傳統(tǒng)研究方法［２６］ 。相關(guān)研究尚存在一些局限性：現(xiàn)有研究大多基于單一平臺(tái)的數(shù)據(jù)展開， 有部分研究選取多個(gè)平臺(tái)的輿情數(shù)據(jù)進(jìn)行對比分析， 但忽略了不同平臺(tái)間的信息交互和影響， 跨社交媒體輿情方面的相關(guān)文獻(xiàn)也寥寥無幾； 此外， 當(dāng)前研究大多針對輿情傳播過程中的關(guān)鍵用戶主體展開分析， 對輿情傳播過程全貌的認(rèn)識(shí)不足。

基于此， 本研究基于“５Ｗ” 的分析方法， 利用超網(wǎng)絡(luò)模型刻畫跨社交媒體輿情傳播模式， 并融合超網(wǎng)絡(luò)屬性指標(biāo)與經(jīng)改進(jìn)的超邊排序算法， 識(shí)別不同種類的跨社交媒體輿情關(guān)鍵節(jié)點(diǎn)。本研究試圖擴(kuò)展現(xiàn)有研究僅聚焦于單一平臺(tái)的視角， 為網(wǎng)絡(luò)輿情研究領(lǐng)域提供了新的理論框架與研究方法。在實(shí)踐層面， 本研究識(shí)別出的關(guān)鍵節(jié)點(diǎn)能夠幫助輿情監(jiān)管部門在跨社交媒體環(huán)境下實(shí)施更為精準(zhǔn)的輿情監(jiān)控， 以期為跨社交媒體網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)防范與應(yīng)對提供科學(xué)依據(jù)。

１相關(guān)概念及理論

１.１超網(wǎng)絡(luò)理論

超網(wǎng)絡(luò)的明確理論最早由Ｎａｇｕｒｎｅｙ Ａ 等［２７］ 提出， 指高于而又超于現(xiàn)有網(wǎng)絡(luò)的復(fù)雜系統(tǒng)。近些年來一些學(xué)者開始運(yùn)用超網(wǎng)絡(luò)的方法， 通過構(gòu)建包含多層子網(wǎng)的輿情超網(wǎng)絡(luò)模型來分析網(wǎng)絡(luò)輿情的傳播特征。馬寧等［２８］ 將微博輿情所處的網(wǎng)絡(luò)分為４ 層，包含社交子網(wǎng)、環(huán)境子網(wǎng)、心理子網(wǎng)、觀點(diǎn)子網(wǎng)。梁曉賀等［２９］ 通過構(gòu)建社交子網(wǎng)、觀點(diǎn)子網(wǎng)、情感子網(wǎng)、時(shí)序子網(wǎng)來識(shí)別微博輿情中的熱點(diǎn)主題。楊湘浩等［３０］ 通過構(gòu)建社交子網(wǎng)、環(huán)境子網(wǎng)、心理子網(wǎng)、觀點(diǎn)子網(wǎng)來分析微博謠言傳播過程。周歡等［３１］ 構(gòu)建了包含社交子網(wǎng)、時(shí)序子網(wǎng)、情感子網(wǎng)、話題子網(wǎng)、觀點(diǎn)子網(wǎng)的五維微博超網(wǎng)絡(luò)模型。

基于以上研究發(fā)現(xiàn)， 超網(wǎng)絡(luò)模型具有多層、多級(jí)、多維、多屬性等特性， 因此能夠較好地刻畫跨社交媒體信息傳播的網(wǎng)絡(luò)特征。據(jù)此， 本研究基于５Ｗ 分析法， 全面考慮多個(gè)社交媒體輿情傳播的要素及其相互作用關(guān)系， 構(gòu)建包含多層子網(wǎng)的跨社交媒體輿情超網(wǎng)絡(luò)模型， 以更全面地探索跨社交媒體輿情傳播的模式與特征， 從而識(shí)別跨社交媒體輿情超網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)。

１.２關(guān)鍵節(jié)點(diǎn)

超網(wǎng)絡(luò)結(jié)構(gòu)中的關(guān)鍵節(jié)點(diǎn)主要指對網(wǎng)絡(luò)功能和穩(wěn)定性起到重要作用的節(jié)點(diǎn)。通過識(shí)別這些關(guān)鍵節(jié)點(diǎn)能夠幫助理解網(wǎng)絡(luò)的結(jié)構(gòu)與動(dòng)態(tài)，以準(zhǔn)確預(yù)測與控制網(wǎng)絡(luò)。網(wǎng)絡(luò)輿情的跨社交媒體傳播是一個(gè)更為復(fù)雜且具有多維屬性特征的過程， 應(yīng)該采用超網(wǎng)絡(luò)結(jié)構(gòu)來進(jìn)行表征。因此， 在這種大規(guī)模社交網(wǎng)絡(luò)中快速識(shí)別關(guān)鍵節(jié)點(diǎn)對于跨社交媒體網(wǎng)絡(luò)輿情的控制及引導(dǎo)有重要意義。

隨著研究工作的開展， 關(guān)于網(wǎng)絡(luò)輿情信息主體的討論也逐漸豐富，包括意見領(lǐng)袖、高影響力用戶、關(guān)鍵用戶等概念。其中，社交網(wǎng)絡(luò)意見領(lǐng)袖主要指的是在社交平臺(tái)中發(fā)布觀點(diǎn)，且被多數(shù)信息受眾認(rèn)同的用戶。高影響力用戶主要指具有獨(dú)特的魅力與特質(zhì)的用戶， 并且能夠在社交平臺(tái)中增強(qiáng)用戶間交互行為。關(guān)鍵用戶的概念主要是來源于社會(huì)網(wǎng)絡(luò)分析，在網(wǎng)絡(luò)中的地位及影響程度較高的用戶稱為關(guān)鍵用戶。方法層面， 早期國內(nèi)外學(xué)者主要采用社會(huì)網(wǎng)絡(luò)分析的方法， 通過網(wǎng)絡(luò)屬性指標(biāo)識(shí)別關(guān)鍵用戶［３２－３４］ 。近年來， 許多學(xué)者在原有算法的基礎(chǔ)之上， 提出了許多新的挖掘方法。如基于改進(jìn)的Ｐａｇ?ｅＲａｎｋ 算法構(gòu)建社交網(wǎng)絡(luò)中的意見領(lǐng)袖識(shí)別模型［３５］ 。Ｊａｉｎ Ｌ 等［２５］ 通過融合博弈論與社會(huì)網(wǎng)絡(luò)分析的方法進(jìn)行社交媒體意見領(lǐng)袖的識(shí)別。金燕等［３６］ 基于用戶特征屬性、話題相關(guān)性以及網(wǎng)絡(luò)位置， 構(gòu)建意見領(lǐng)袖三層次篩選甄別流程。還有學(xué)者基于用戶的屬性特征構(gòu)建意見領(lǐng)袖識(shí)別指標(biāo)［３７］ ， 并且通過各種指標(biāo)體系進(jìn)行意見領(lǐng)袖用戶畫像的構(gòu)建［３８］ 。此外，還有研究對意見領(lǐng)袖的影響方式［３９］ 與作用［４０］ 展開探索， 證實(shí)了意見領(lǐng)袖在多樣化的互聯(lián)網(wǎng)信息傳播過程中的影響力［４１］ 。

總體而言， 網(wǎng)絡(luò)輿情中關(guān)于各類主體用戶內(nèi)涵與特征的研究較為豐富， 且對不同種類用戶進(jìn)行識(shí)別的研究方法也有較多成果。但已有方法多是基于單一平臺(tái)的社交環(huán)境， 對同一用戶參與不同平臺(tái)產(chǎn)生的網(wǎng)絡(luò)輿情關(guān)注較少； 現(xiàn)有研究大多關(guān)注挖掘網(wǎng)絡(luò)傳播過程中的意見領(lǐng)袖， 然而在輿情的傳播過程中還有許多較為活躍的、具有鮮明觀點(diǎn)的關(guān)鍵用戶； 最重要的是在輿情傳播的過程中， 除了扮演重要角色的關(guān)鍵用戶節(jié)點(diǎn)， 還應(yīng)當(dāng)給予其他類型（如情感、主題、時(shí)序）節(jié)點(diǎn)等一定的關(guān)注， 以更全面地監(jiān)控輿情過程， 把握輿情發(fā)展情況?；诖?， 本研究以超網(wǎng)絡(luò)理論為基礎(chǔ)， 對跨社交媒體網(wǎng)絡(luò)輿情的發(fā)展過程進(jìn)行建模， 同時(shí)結(jié)合ＬＤＡ、情感分析、神經(jīng)網(wǎng)絡(luò)等方法， 對選取的跨社交媒體輿情事件中的關(guān)鍵節(jié)點(diǎn)展開挖掘。

２研究設(shè)計(jì)與方法

２.１研究設(shè)計(jì)

本研究的目標(biāo)為挖掘跨社交媒體輿情傳播過程的關(guān)鍵節(jié)點(diǎn)， 因此， 研究工作選取特定的網(wǎng)絡(luò)輿情事件， 在多個(gè)平臺(tái)按照話題內(nèi)容進(jìn)行檢索獲得本研究所需要的多平臺(tái)輿情數(shù)據(jù)庫。在此基礎(chǔ)上， 采用跨社交媒體同一用戶識(shí)別算法采集符合本研究目標(biāo)的數(shù)據(jù)。整體研究流程如圖１ 所示。

研究過程中， 子網(wǎng)絡(luò)構(gòu)建環(huán)節(jié)完成對跨社交媒體輿情信息傳播超網(wǎng)絡(luò)的模型構(gòu)建， 然后分別介于超邊排序算法與超網(wǎng)絡(luò)屬性指標(biāo)挖掘關(guān)鍵節(jié)點(diǎn)； 從信息傳播影響力、時(shí)序相似度、情感相似度、主題相似度４ 個(gè)指標(biāo)構(gòu)建超邊排序算法， 識(shí)別依據(jù)為節(jié)點(diǎn)在超網(wǎng)絡(luò)傳播中發(fā)揮的多方面影響力； 基于超網(wǎng)絡(luò)屬性指標(biāo)挖掘的節(jié)點(diǎn)則依據(jù)其在網(wǎng)絡(luò)中的重要性來識(shí)別； 最后基于得到的不同種類關(guān)鍵節(jié)點(diǎn)進(jìn)行對比分析， 為跨社交媒體輿情傳播提供可供參考的建議。

２.２跨社交媒體同一用戶識(shí)別

通過給定的某平臺(tái)某用戶的屬性信息， 如用戶名＠ 人民日報(bào)， 如果他在其他平臺(tái)也進(jìn)行了信息交互， 那么可以找到該用戶在其他平臺(tái)的相關(guān)信息。

這種針對多個(gè)社交媒體的用戶間關(guān)聯(lián)關(guān)系展開的研究， 稱為跨社交媒體同一用戶識(shí)別［４２］ 。由于本研究關(guān)注的研究對象是參與發(fā)布跨社交媒體網(wǎng)絡(luò)輿情的信息用戶， 因此研究工作借鑒該同一用戶識(shí)別算法， 結(jié)合自身研究需求作出適當(dāng)調(diào)整， 提取同時(shí)參與跨社交媒體網(wǎng)絡(luò)輿情的信息用戶?？缟缃幻襟w同一用戶識(shí)別方法模型如圖２所示。

從圖２ 可見， 本研究首先采用屬性相似度算法計(jì)算平臺(tái)間用戶對之間屬性的相似度值（Ｓｉｍａｔｔｒ ）， 從跨社交媒體輿情數(shù)據(jù)庫中發(fā)現(xiàn)用戶匹配對數(shù)據(jù)集和潛在的用戶匹配對數(shù)據(jù)集； 然后對用戶在不同社交媒體發(fā)布信息內(nèi)容的相似度（Ｓｉｍｃｏｎｔ ）進(jìn)行測算， 以尋求更多用戶匹配對； 最后通過對算法識(shí)別出的結(jié)果進(jìn)行人工校對與檢查， 得到本研究需要使用的參與跨社交媒體輿情傳播的同一用戶信息集。

２.３ 超網(wǎng)絡(luò)子網(wǎng)構(gòu)建

網(wǎng)絡(luò)輿情事件是指發(fā)生在網(wǎng)絡(luò)空間中， 以社交媒體平臺(tái)為載體， 公眾針對自己關(guān)心或與自身利益密切相關(guān)的社會(huì)現(xiàn)實(shí)問題所發(fā)表的各種觀點(diǎn)、態(tài)度與意見的總和［１］ 。隨著信息科技的飛速發(fā)展與媒介的迭代更新與繁榮， 網(wǎng)絡(luò)輿情事件并不局限于在單平臺(tái)進(jìn)行孤立傳播， 而是以矩陣化的形式在多個(gè)社交媒體平臺(tái)發(fā)酵。當(dāng)由多個(gè)社交媒體同時(shí)傳播相同的輿情事件， 其中還存在相同用戶在多個(gè)平臺(tái)發(fā)生實(shí)質(zhì)性的交互時(shí)， 便形成了跨社交媒體網(wǎng)絡(luò)輿情事件， 即相同用戶在不同平臺(tái)中參與輿情交互的言論、觀點(diǎn)與情感的集合。

跨社交媒體輿情的發(fā)生過程， 類同于普通的信息傳播過程， 需要厘清５Ｗ（Ｗｈｅｎ、Ｗｈｅｒｅ、Ｗｈｏ、Ｗｈａｔ、Ｗｈｙ）五要素的關(guān)系。一條輿情信息包括一個(gè)用戶在特定的時(shí)間與平臺(tái)內(nèi)發(fā)布的包含其情感與觀點(diǎn)的表達(dá)， 而一個(gè)輿情事件由多條輿情信息傳播構(gòu)成。因此， 跨社交媒體輿情形成關(guān)聯(lián)的實(shí)體包括用戶（Ｗｈｏ）、時(shí)序環(huán)境（Ｗｈｅｎ）、平臺(tái)環(huán)境（Ｗｈｅｒｅ）、信息及話題內(nèi)容（Ｗｈａｔ）、情感內(nèi)驅(qū)力（Ｗｈｙ）。本研究基于“５Ｗ” 分析法， 構(gòu)建跨社交媒體輿情超網(wǎng)絡(luò)模型， 包含的６ 層子網(wǎng)， 分別為“社交子網(wǎng)”“信息子網(wǎng)” “時(shí)序子網(wǎng)” “平臺(tái)子網(wǎng)” “話題子網(wǎng)”“情感子網(wǎng)”。①社交子網(wǎng)Ｕ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ）： 用來描述參與跨社交媒體輿情討論的用戶主體間的關(guān)系； ②信息子網(wǎng)Ｃ（Ｉｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在跨社交媒體發(fā)布信息的傳播過程， 一條信息內(nèi)容對應(yīng)于子網(wǎng)中的節(jié)點(diǎn)。信息子網(wǎng)的量化是通過將用戶與其評論的內(nèi)容進(jìn)行關(guān)聯(lián)， 形成新的節(jié)點(diǎn)， 然后對其編號(hào)； ③時(shí)序子網(wǎng)Ｔ（Ｔｅｍｐｏｒａｌ Ｎｅｔ?ｗｏｒｋ）： 用來描述輿情事件在跨社交媒體發(fā)展的不同階段和程度。根據(jù)輿情信息數(shù)量以及生命周期理論， 跨社交媒體輿情演化可劃分為孕育期、爆發(fā)期、持續(xù)期和反復(fù)期４ 個(gè)階段。該４ 個(gè)階段作為子網(wǎng)內(nèi)的節(jié)點(diǎn)， 以相鄰時(shí)區(qū)間的轉(zhuǎn)化關(guān)聯(lián)關(guān)系構(gòu)造無向邊；④平臺(tái)子網(wǎng)Ｍ（Ｐｌａｔｆｏｒｍ Ｎｅｔｗｏｒｋ）： 用來描述輿情事件在跨社交媒體傳播的途徑。本文考慮用戶會(huì)選擇在不同的社交媒體環(huán)境參與跨平臺(tái)網(wǎng)絡(luò)輿情的討論，以選取的各類社交媒體平臺(tái)作為子網(wǎng)內(nèi)節(jié)點(diǎn)， 以平臺(tái)內(nèi)用戶主體在不同媒體的共現(xiàn)次數(shù)構(gòu)造無向邊；⑤話題子網(wǎng)Ｏ（Ｔｏｐｉｃ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在跨社交媒體發(fā)布言論時(shí)的觀點(diǎn)與思想， 以話題是否在同一條信息內(nèi)容中出現(xiàn)構(gòu)建無向邊； ⑥情感子網(wǎng)Ｅ（Ｓｅｎｔｉｍｅｎｔ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在參與跨社交媒體討論時(shí)所具有的情感類型， 以從信息內(nèi)容中提取的情感極性與情感強(qiáng)度作為節(jié)點(diǎn)， 以不同的情感類型之間的轉(zhuǎn)化關(guān)聯(lián)關(guān)系作為無向邊。

２.４超網(wǎng)絡(luò)模型超邊屬性計(jì)算

ＰａｇｅＲａｎｋ 算法一直被廣泛應(yīng)用于識(shí)別輿情信息傳播過程中的關(guān)鍵節(jié)點(diǎn)［３５］ ， 因此， 現(xiàn)有學(xué)者通過將ＰａｇｅＲａｎｋ 算法的核心思想引入輿情超網(wǎng)絡(luò)中超邊排序計(jì)算， 如馬寧等［２８］ 提出的ＳｕｐｅｒＥｄｇｅＲａｎｋ算法、張連峰等［４１］ 提出的ＨｙｐｅｒＥｄｇｅＲａｎｋ 算法分別基于微博輿情超網(wǎng)絡(luò)中的超邊進(jìn)行排序； 周歡等［３１］ 將微博的轉(zhuǎn)發(fā)、評論、點(diǎn)贊量作為影響因子對ＳｕｐｅｒＥｄｇｅＲａｎｋ 算法進(jìn)行了改進(jìn)。鑒于此， 本研究分別從信息傳播影響度、時(shí)序相似度、情感相似度、主題相似度４ 個(gè)維度出發(fā)， 對構(gòu)建的跨社交媒體網(wǎng)絡(luò)輿情超網(wǎng)絡(luò)中的各個(gè)子網(wǎng)進(jìn)行量化， 提出ＣＮ－ＳｕｐｅｒＥｄｇｅＲａｎｋ 算法， 同時(shí)結(jié)合超網(wǎng)絡(luò)中的各項(xiàng)屬性指標(biāo)對超網(wǎng)絡(luò)中的超邊進(jìn)行計(jì)算， 以更好地挖掘關(guān)鍵節(jié)點(diǎn)?？缟缃幻襟w輿情傳播超網(wǎng)絡(luò)模型構(gòu)建與節(jié)點(diǎn)識(shí)別過程如圖３所示。

６） 超網(wǎng)絡(luò)屬性指標(biāo)

為了更全面地識(shí)別跨社交媒體輿情關(guān)鍵節(jié)點(diǎn)，參考相應(yīng)文獻(xiàn)［１５，２８］ ， 本文還引入節(jié)點(diǎn)超度、超邊重疊度、超邊連接度、接近中心度等評價(jià)指標(biāo)。節(jié)點(diǎn)超度： 指該節(jié)點(diǎn)參與組成的超邊數(shù)， 用來識(shí)別超網(wǎng)絡(luò)中活躍節(jié)點(diǎn)； 超邊連接度： 若兩條超邊包含相同的節(jié)點(diǎn)， 則代表這兩條超邊通過該共同節(jié)點(diǎn)相連，用來識(shí)別焦點(diǎn)節(jié)點(diǎn)； 超邊重疊度： 指一個(gè)超邊與其他超邊共享節(jié)點(diǎn)的次數(shù)， 該值能夠描述一條超邊與其他超邊的重疊情況， 用來識(shí)別傳播人物； 接近中心度： 指一個(gè)點(diǎn)到其他點(diǎn)的近鄰情況， 用來識(shí)別潛在活躍人物。

３研究過程

３.１數(shù)據(jù)采集與預(yù)處理

根據(jù)社交媒體平臺(tái)的內(nèi)容生產(chǎn)類別與提供服務(wù)的功能， 可以將其劃分為即時(shí)通訊平臺(tái)、公共社交平臺(tái)、短視頻社交平臺(tái)與虛擬社區(qū)平臺(tái)等［２］ 。由于本研究聚焦于識(shí)別網(wǎng)絡(luò)輿情在跨社交媒體發(fā)酵演進(jìn)的關(guān)鍵節(jié)點(diǎn)， 需要針對同一用戶在不同類型的社交媒體平臺(tái)參與輿情過程的數(shù)據(jù)展開研究。因此，本研究以“日本核污染水排海事件” （以下簡稱“事件”）為例， 利用自主開發(fā)的Ｐｙｔｈｏｎ 爬蟲工具，分別在微博、今日頭條、抖音、嗶哩嗶哩與知乎５個(gè)平臺(tái)進(jìn)行檢索， 共獲得相關(guān)數(shù)據(jù)５ 萬余條， 用戶１ 萬余名。采用跨社交媒體同一用戶識(shí)別算法， 共識(shí)別出參與跨社交媒體網(wǎng)絡(luò)輿情傳播的１６１ 名用戶， 獲得有效輿情數(shù)據(jù)５ ４５２條。鑒于微信平臺(tái)性質(zhì)特殊， 難以采用爬蟲的方式獲取數(shù)據(jù)。本研究采用人工檢索與收集的方式識(shí)別上述１６０名用戶在微信平臺(tái)內(nèi)發(fā)布的有關(guān)事件信息數(shù)據(jù)。最終， 共獲?。?３３２條有效輿情數(shù)據(jù)， 時(shí)間跨度為２０２３ 年８ 月２１日—９ 月１２ 日。其中分別包含用戶、輿情內(nèi)容、發(fā)布時(shí)間、點(diǎn)贊量、評論量等關(guān)鍵信息。輿情數(shù)量統(tǒng)計(jì)如圖４ 所示。

圖４ 中的數(shù)字代表每個(gè)自然日內(nèi)事件跨社交媒體傳播的輿情信息數(shù)量。根據(jù)“事件” 的時(shí)間序列特點(diǎn)［１］ ， 將該事件輿情發(fā)展劃分為孕育期、爆發(fā)期、持續(xù)期和反復(fù)期４ 個(gè)階段。

３.２情感子網(wǎng)量化結(jié)果

將信息子網(wǎng)中的內(nèi)容節(jié)點(diǎn)， 即各平臺(tái)的輿情數(shù)據(jù)， 經(jīng)過去除無效符號(hào)、停用詞等預(yù)處理后獲得待分析語料庫。Ｐａｄｄｌｅ Ｐａｄｄｌｅ 會(huì)基于正面情感和負(fù)面情感打出兩個(gè)情感分值， 根據(jù)情感極性選取兩個(gè)分值中大于０ ５ 的分?jǐn)?shù)進(jìn)行賦值， 并依據(jù)情感強(qiáng)度值劃分１１ 個(gè)情感節(jié)點(diǎn)， 如表１ 所示。

研究工作通過Ｐａｄｄｌｅ Ｐａｄｄｌｅ 分別計(jì)算上述語料文本的情感極性與強(qiáng)度， 部分打分結(jié)果如表２ 所示。

３.３ 話題子網(wǎng)量化結(jié)果

首先， 采用ＬＤＡ 分別計(jì)算待分析語料庫２～２０個(gè)主題數(shù)時(shí)的一致性得分以及主題詞間距， 以判定本模型的最優(yōu)主題數(shù)， 結(jié)果如圖５所示。

根據(jù)一致性得分以及主題詞分布， 本研究確定該事件的主題個(gè)數(shù)為８。通過對數(shù)據(jù)進(jìn)行處理， 得到了話題子網(wǎng)的關(guān)鍵詞提取結(jié)果， 如表３ 所示。

根據(jù)文檔—主題分布概率， 將信息子網(wǎng)與話題子網(wǎng)進(jìn)行關(guān)聯(lián)匹配， 得到對應(yīng)的內(nèi)容節(jié)點(diǎn)與主題節(jié)點(diǎn)信息如表４ 所示。

３.４ 跨社交媒體輿情超網(wǎng)絡(luò)量化結(jié)果

事件由２０２３ 年８ 月２１ 日“日本宣布核污染水排?！?開始， 發(fā)展演化至８ 月２４ 日與２５ 日達(dá)到高峰， 至９ 月１２ 日“日本核污染水第一次排海結(jié)束”逐漸平息， 通過圖４ 可以發(fā)現(xiàn)， 事件發(fā)生后在國內(nèi)各個(gè)社交平臺(tái)中引起廣泛關(guān)注。本研究截取事件整個(gè)發(fā)展過程中參與跨社交媒體輿情討論的用戶為研究對象， 分別構(gòu)建輿情參與者及其對應(yīng)的平臺(tái)、內(nèi)容、時(shí)序、情感、主題共同組成的該事件輿情跨社交媒體超網(wǎng)絡(luò)模型， 結(jié)果如表５ 所示。其中， 每一行代表一條超邊中的某個(gè)輿情用戶主體一個(gè)媒體環(huán)境發(fā)布的一條信息內(nèi)容， 該信息內(nèi)容屬于輿情周期，并且包含著情感和主題。

超網(wǎng)絡(luò)模型的社交子網(wǎng)包括１６１ 個(gè)節(jié)點(diǎn)， 平臺(tái)子網(wǎng)包括６ 個(gè)節(jié)點(diǎn)， 信息子網(wǎng)包括６ ３３２個(gè)節(jié)點(diǎn)，時(shí)序子網(wǎng)包括４ 個(gè)節(jié)點(diǎn)， 情感子網(wǎng)包括１１ 個(gè)節(jié)點(diǎn)，話題子網(wǎng)包括８ 個(gè)節(jié)點(diǎn)， 共形成６ ３３２條超邊。

４研究結(jié)果

４.１超邊排序計(jì)算結(jié)果

根據(jù)３.４ 節(jié)超邊排序算法的步驟， 研究工作首先分別對信息傳播影響度、時(shí)序相似度、情感相似度及主題相似度展開計(jì)算。具體計(jì)算結(jié)果如表６～表９ 所示。

基于上述結(jié)果， 研究工作以建立的網(wǎng)絡(luò)輿情事件跨社交媒體傳播的超網(wǎng)絡(luò)模型， 借助Ｐｙｔｈｏｎ 編程軟件， 對提出的超邊排序算法對模型中的６ ３３２條超邊進(jìn)行計(jì)算。根據(jù)超邊排序算法得到排序分值，結(jié)果如表１０ 所示。

根據(jù)超邊排序結(jié)果， 可以得到排名前十的超邊及其包含的用戶節(jié)點(diǎn)。其中， ｕ１６０、ｕ１５７、ｕ１５１ 等節(jié)點(diǎn)出現(xiàn)了兩次， 說明其在不同平臺(tái)發(fā)布的信息內(nèi)容在該事件輿情主題討論的多個(gè)時(shí)間周期內(nèi)引起了情感共鳴。

４.２超網(wǎng)絡(luò)屬性指標(biāo)計(jì)算結(jié)果

根據(jù)３. ４ 節(jié)中超網(wǎng)絡(luò)屬性指標(biāo)的定義展開跨社交媒體輿情關(guān)鍵節(jié)點(diǎn)識(shí)別的計(jì)算， 結(jié)果如表１１ 所示。

４.３關(guān)鍵節(jié)點(diǎn)挖掘結(jié)果

根據(jù)超網(wǎng)絡(luò)屬性指標(biāo)以及節(jié)點(diǎn)得分公式， 分別在建立的跨社交媒體輿情傳播超網(wǎng)絡(luò)模型中計(jì)算各子網(wǎng)內(nèi)節(jié)點(diǎn)得分， 得到各子網(wǎng)關(guān)鍵節(jié)點(diǎn)挖掘結(jié)果，如圖６ 所示。

圖６展示了跨社交媒體輿情傳播超網(wǎng)絡(luò)模型中各子網(wǎng)的關(guān)鍵節(jié)點(diǎn)及其測算指數(shù)。基于５Ｗ 分析法， 研究工作共挖掘出１５類關(guān)鍵節(jié)點(diǎn)。在社交子網(wǎng)中， 根據(jù)節(jié)點(diǎn)得分計(jì)算公式， 所識(shí)別出的關(guān)鍵節(jié)點(diǎn)與先前基于超網(wǎng)絡(luò)屬性指標(biāo)所識(shí)別的節(jié)點(diǎn)存在明顯差異。依據(jù)節(jié)點(diǎn)得分指數(shù)， 本研究識(shí)別出的意見領(lǐng)袖為用戶“＠ 玉淵譚天”。這說明其發(fā)布的輿情內(nèi)容傳播范圍較廣， 并涉及多個(gè)平臺(tái)和多個(gè)輿情周期內(nèi)的話題交流。同時(shí)， 該用戶與眾多用戶持有相似觀點(diǎn)， 并且能夠引起多數(shù)用戶的情感共鳴。在話題子網(wǎng)中， 挖掘出兩類關(guān)鍵節(jié)點(diǎn)， 分別為驅(qū)動(dòng)主題與焦點(diǎn)主題。其中， 驅(qū)動(dòng)主題的節(jié)點(diǎn)得分為０.１６，說明在多重指標(biāo)維度的考量下， 主題節(jié)點(diǎn)ｏ_２ 構(gòu)成公眾討論的話題樞紐， 具備引導(dǎo)輿論走向以及深化討論的能力。主題節(jié)點(diǎn)ｏ_５ 的節(jié)點(diǎn)得分為０.１３， 略低于驅(qū)動(dòng)主題， 但其節(jié)點(diǎn)超度和情感指數(shù)等指標(biāo)均超過了驅(qū)動(dòng)主題。因此， 本研究將主題節(jié)點(diǎn)ｏ_５ 定位為焦點(diǎn)主題。該節(jié)點(diǎn)在整個(gè)輿情事件中頻繁出現(xiàn)，并且具有強(qiáng)烈的負(fù)面情感投射， 成為整個(gè)事件的討論熱點(diǎn)與情感聚焦中心。研究工作共識(shí)別出３種不同的情感節(jié)點(diǎn)， 情感節(jié)點(diǎn)ｅ７ 得分最高， 該節(jié)點(diǎn)在整個(gè)輿情事件中與大眾情感共鳴之間緊密契合， 加強(qiáng)了信息傳播的廣度與接受度， 增強(qiáng)了社群的凝聚力與參與動(dòng)力， 因此將節(jié)點(diǎn)ｅ_７ 定義為事件的核心情感。雖然情感節(jié)點(diǎn)ｅ１１ 的得分為０.１５，但是該節(jié)點(diǎn)的節(jié)點(diǎn)超度高達(dá)３３５１。說明ｅ_１１ 奠定了整個(gè)輿情事件的情感基調(diào)， 該節(jié)點(diǎn)是公眾討論最多的傾向，扮演著主導(dǎo)情感的角色。ｅ_１０ 的節(jié)點(diǎn)得分為０.１３，所以是事件的次核心情感。在對平臺(tái)子網(wǎng)中的節(jié)點(diǎn)進(jìn)行計(jì)算后， 研究工作識(shí)別出３ 種不同層次的關(guān)鍵節(jié)點(diǎn)。得分最高的為ｍ_２ 抖音平臺(tái)， 該節(jié)點(diǎn)在輿情傳播的過程中起到了中心樞紐的作用， 核心平臺(tái)的定義不僅體現(xiàn)在超網(wǎng)絡(luò)中的地位優(yōu)勢， 該平臺(tái)在多重維度上展現(xiàn)出獨(dú)特的融合特性。被定義為主流平臺(tái)的ｍ_６ 微博平臺(tái)， 憑借廣泛的用戶基礎(chǔ)和信息傳播能力， 匯集了大量的信息流。作為次核心平臺(tái)的ｍ_３ 微信平臺(tái)在整個(gè)過程中也起到了重要作用， 盡管其影響力略低于前兩者， 但在特定群體或場景中仍具有一定的信息擴(kuò)散效應(yīng)。本研究還識(shí)別出兩個(gè)時(shí)間節(jié)點(diǎn)， 分別為高峰時(shí)期與次高峰時(shí)期。

通過上述分析可以發(fā)現(xiàn)， 將利用改進(jìn)的超邊排序算法構(gòu)建的節(jié)點(diǎn)得分公式與超網(wǎng)絡(luò)屬性指標(biāo)結(jié)合分析， 能夠從多維度、多視角對關(guān)鍵節(jié)點(diǎn)進(jìn)行解讀，有助于增強(qiáng)整個(gè)輿情事件在跨社交媒體傳播過程的完整性與深度的理解。就該事件而言， 各類關(guān)鍵用戶節(jié)點(diǎn)均呈現(xiàn)出不同的作用與影響。利用節(jié)點(diǎn)得分識(shí)別出的意見領(lǐng)袖為＠ 玉淵譚天， 在整個(gè)事件中具有高度的影響力， 其發(fā)布的信息與洞見促進(jìn)用戶間的深度交流與觀點(diǎn)碰撞， 為平穩(wěn)輿論與紓解負(fù)面情緒起到了至關(guān)重要的作用。采用超網(wǎng)絡(luò)屬性指標(biāo)挖掘出的各類節(jié)點(diǎn)， 如＠ 觀察者網(wǎng)、＠ 海峽新干線等在輿情事件中較為活躍的用戶可以起到積極的作用，也可能帶來風(fēng)險(xiǎn)， 應(yīng)當(dāng)通過采取建立溝通橋梁、建立反饋機(jī)制等方式更好地管理和引導(dǎo)這些用戶， 使其成為平臺(tái)的有益成員； 如＠ 每日經(jīng)濟(jì)新聞、＠ 中國網(wǎng)等焦點(diǎn)用戶， 由于其對公眾產(chǎn)生較大的影響，因此與他們建立良好的溝通至關(guān)重要， 在輿情爆發(fā)過后， 通過監(jiān)管焦點(diǎn)用戶發(fā)布的內(nèi)容可以實(shí)時(shí)監(jiān)測到用戶關(guān)注的重點(diǎn)； 如＠ 觀察者網(wǎng)、＠ 中國網(wǎng)直播等傳播用戶， 在規(guī)范設(shè)定相應(yīng)的用戶行為準(zhǔn)則后，應(yīng)當(dāng)給予更多的信息資源供其進(jìn)行決策和發(fā)表意見。通過根據(jù)不同種類關(guān)鍵用戶發(fā)揮的作用， 從而設(shè)定不同的管理和監(jiān)控輿情的策略與方法。輿情事件在跨社交媒體傳播的過程中， 對于關(guān)鍵媒體節(jié)點(diǎn)的監(jiān)控是至關(guān)重要的。核心平臺(tái)在跨社交媒體輿情傳播中扮演著情感感知器、資源整合與輿論引導(dǎo)者等多重角色。主流平臺(tái)的作用主要體現(xiàn)在輿情信息廣泛覆蓋與擴(kuò)散方面。核心情感與主導(dǎo)情感等節(jié)點(diǎn)的提取有助于決策者準(zhǔn)確捕捉公眾情感變化， 進(jìn)而對輿情的走勢產(chǎn)生積極影響。焦點(diǎn)主題與驅(qū)動(dòng)主題的提取能夠?yàn)闆Q策者提供有價(jià)值的信息， 幫助理解公眾的需求， 提高與信息受眾間的互動(dòng)效果。此外， 在輿情演化的過程中， 關(guān)鍵時(shí)間節(jié)點(diǎn)標(biāo)志著輿情發(fā)展的重要階段， 通過監(jiān)控輿情發(fā)展過程中的高峰時(shí)刻與次高峰時(shí)刻， 能夠幫助識(shí)別輿情發(fā)酵與驟增的時(shí)間點(diǎn)， 為了解輿情的發(fā)展與變遷、實(shí)時(shí)監(jiān)控輿情提供建議。

５研究結(jié)論

本文將超網(wǎng)絡(luò)理論應(yīng)用于跨社交媒體輿情傳播的過程中， 提出改進(jìn)后的超邊排序算法， 并根據(jù)超網(wǎng)絡(luò)屬性指標(biāo)與節(jié)點(diǎn)得分計(jì)算公式識(shí)別關(guān)鍵節(jié)點(diǎn)。首先基于“５Ｗ” 分析方法構(gòu)建跨社交媒體輿情傳播的超網(wǎng)絡(luò)模型， 主要包括社交子網(wǎng)、平臺(tái)子網(wǎng)、信息子網(wǎng)、時(shí)序子網(wǎng)、情感子網(wǎng)和話題子網(wǎng)； 然后通過量化信息傳播影響度、時(shí)序相似度、情感相似度、主題相似度， 對超網(wǎng)絡(luò)模型的超邊間關(guān)聯(lián)關(guān)系進(jìn)行計(jì)算， 基于上述指標(biāo)， 構(gòu)建改進(jìn)后的ＣＮ－Ｓｕ?ｐｅｒＥｄｇｅＲａｎｋ 超邊排序算法； 最后通過獲取與“日本核污染水排海事件” 相關(guān)的數(shù)據(jù)， 利用跨社交媒體同一用戶識(shí)別算法得到研究數(shù)據(jù)并展開實(shí)證研究。研究發(fā)現(xiàn)， 本研究提出的跨社交媒體輿情關(guān)鍵節(jié)點(diǎn)識(shí)別方法， 能夠有效識(shí)別網(wǎng)絡(luò)輿情在跨社交媒體傳播過程中的各類關(guān)鍵節(jié)點(diǎn)。

在理論方面， 本研究基于５Ｗ 分析法， 將超網(wǎng)絡(luò)模型應(yīng)用于刻畫跨社交媒體輿情傳播的過程， 能夠從時(shí)間、空間、情感和主題等多維角度全面地捕獲輿情信息傳播的復(fù)雜性， 揭示各層子網(wǎng)中節(jié)點(diǎn)間的關(guān)聯(lián)關(guān)系， 為理解跨社交媒體中輿情信息流動(dòng)與用戶行為提供更為深入的認(rèn)知， 彌補(bǔ)了傳統(tǒng)社會(huì)網(wǎng)絡(luò)分析與其他方法僅關(guān)注單一關(guān)系或?qū)傩缘牟蛔恪?/p>

本研究打破了對于網(wǎng)絡(luò)輿情在單一平臺(tái)傳播研究的邊界， 聚焦于平臺(tái)間存在實(shí)質(zhì)性交互關(guān)系的跨社交媒體網(wǎng)絡(luò)輿情。本文的研究結(jié)果能夠?yàn)榭缟缃幻襟w網(wǎng)絡(luò)輿情分析提供理論支撐， 為情報(bào)學(xué)領(lǐng)域進(jìn)一步探索輿情跨平臺(tái)傳播方面的研究提供新的思路和方法論的創(chuàng)新。

在實(shí)踐層面， 研究工作基于構(gòu)建的超網(wǎng)絡(luò)模型， 分別從核心的５層子網(wǎng)中提取了不同類型的關(guān)鍵節(jié)點(diǎn)， 可以幫助決策者更精確地定位輿情信息的重要發(fā)布者， 以及其在不同平臺(tái)內(nèi)和周期內(nèi)的演化過程， 從而制定更為精準(zhǔn)的輿情管理與應(yīng)對策略。知曉不同節(jié)點(diǎn)在輿情中起到的作用， 能夠使利益相關(guān)者針對關(guān)鍵節(jié)點(diǎn)進(jìn)行重點(diǎn)監(jiān)控與干預(yù)， 以達(dá)到更合理地分配輿情監(jiān)控資源的目的?？缟缃幻襟w輿情話題的走向與情感互動(dòng)反饋是檢測輿情情感脈沖的關(guān)鍵， 主題節(jié)點(diǎn)與情感節(jié)點(diǎn)的識(shí)別能夠幫助管理者更全面深入地理解民眾的需求， 更好地應(yīng)對和管理輿情， 實(shí)現(xiàn)科學(xué)有效的輿情信息傳播與公眾互動(dòng)。

研究中也存在一定的不足之處。研究工作僅采用了平臺(tái)內(nèi)用戶在該話題下直接發(fā)布的輿情文本數(shù)據(jù)進(jìn)行分析， 未來可以針對更豐富的輿情類型（圖片輿情、短視頻輿情等） 以及更復(fù)雜的交互關(guān)系（二級(jí)用戶跨平臺(tái)的評論文本）展開更深入地分析與探索。