新浪微博用户领域分类标签的结构和互动研究

?

年月日发(作者:如何杀甲鱼)

新浪微博用户领域分类标签的结构和互动研究

杨尊琦;赵瑾珺

【摘要】,

‘

-

,,

-

,

,

’

,‘

,,-

,

,

-

,

。%使用社会网络分析方法,以新浪微博用户互惠关系为研究

基础,通过实证分析新浪微博用户领域分类标签的密度,研究微博用户领域分类标

签结构;

打破原来用户所处微博用户领域分类标签格局,依据用户互惠关系对其进

行重新分组,探讨在微博空间中各领域标签的互动情况。密度分析结果表明新浪微

博对娱乐、传媒、健康、军事、房产分类标签影响较大,

对汽车和公益分类标签影

响相对较小;通过凝聚子群分析发现组高密度凝聚子群,每组凝聚子群包含的

分类标签互动程度高,影响程度大,从而能为舆论的监控和引导以及预测领域信息

对其他领域影响关系提供理论依据。

【期刊名称】《情报杂志》

【年(卷),

期】()

【总页数】页(-)

【关键词】互惠关系;社会网络分析;网络密度;

凝聚子群;分类标签结构;分类标签互

动

【作者】杨尊琦;赵瑾珺

【作者单位】天津财经大学天津;天津财经大学天津

【正文语种】中文

【中图分类】

在微博空间中,

每一个微博用户都可通过加关注的方式关注自己感兴趣的微博用户,

如果两个微博用户之间相互加关注,则表明两个微博用户之间不再是单纯的单方获

取信息,而是有了进一步的沟通与交流,

即用户互动。不同标签下的多个用户互动,

则反映了标签间存在互动关系。那么,

在微博空间中分类标签之间是否存在互动关

系,哪些标签之间存在互动关系?本文将以新浪微博各用户领域分类标签的用户互

惠关系为基础,使用社会网络分析方法,并借助.软件辅助分析,

通过测

度各用户领域分类标签的用户网络密度,

发现各领域在微博空间中联系的紧密程度,

衡量微博对各领域的影响程度;新浪微博用户所处的用户领域分类标签与其在现实

领域对应,通过对由全部分类标签的用户构成的整体网络进行凝聚子群分析,探究

各领域的互动情况,

为微博舆论监控和引导提供建议,为预测领域信息对其他领域

影响关系提供理论依据。

.文献综述对网络结构的研究,学者分别对不同社交网络、用户分类的关系网

络、用户关注关系以及用户行为网络等多种不同类型的网络结构进行研究,并取得

了一定的成果:等[]、等[]、等[]、

等[]、尹书华[]、姜鑫等[]分别取不同的在线社交网络为研究对象,

对用

户的网络拓扑结构进行实证研究发现,粉丝呈现非幂律分布,网络的可达距离小,

互惠指数低,

整体网络具有小世界、无尺度等网络结构特征。夏雨禾[]、杨凯等

[]、袁红等[]、高志强等[]等从不同角度将微博用户进行分类,研究各类微博

用户的交流互动结构特征以及网络结构特征。

对以用户关系为研究对象的个体网络

结构研究,平亮等[]、苑卫国等[]、宋恩梅等[]等人提取新浪微博用户之间

的“关注”和“被关注”或其双向关注网络拓扑关系,运用社会网络分析方法,

分

析用户节点的的中心性、凝聚子群等各个指标,从用户节点角度研究微博网络结构。

袁毅等[-]则是从用户交流数据出发,

运用社会网络分析方法,研究新浪微博

用户交流的网络结构、信息传播现象及规律。然而,对网络结构的研究,未涉及分

类标签用户网络结构,

本文采用社会网络分析方法,通过测度各分类标签用户之间

的互惠关系网络的密度,分析微博用户分类标签的网络结构,试图发现各分类标签

在新浪微博空间中的结构特征,衡量新浪微博对各分类标签所映射的现实社会领域

的影响程度。

对分类标签的研究,章成志等[]、黄红霞等[]从不同领域的用户标签微博博文

角度出发,

发现微博用户标签和用户所发微博内容具有一定程度的关联,说明新浪

微博用户所处的用户领域分类标签与其在现实领域基本对应。

同时,袁园等[]通

过实证研究发现微博名人用户活动范围较小,而多数微博用户并非只关注单方面的

知识,而更多偏向于综合、全面和广泛的学习交流,但并未指出微博用户间的交流

互动是否存在明显的群体特征关系。

对网络互动的研究,杜杨沁等[]、陈海超等

[]运用社会网络分析方法,分析微博网络的结构洞等指标,研究微博网络结构和

微博互动,高志强等[]、王晓光等[]分别采用不同方法将微博用户分为子群体,

从整体和子群体研究微博网络结构和互动。本文以分类标签用户的互惠关系为研究

基础,通过凝聚子群分析,

发现用户分类标签之间存在互动情况,衡量各领域之间

互动程度和相互影响关系。

.研究问题问题:新浪微博对加认证用户依据其在现实社会中所属领域,

将其置于相应的分类标签下。新浪微博在各个领域中所处的地位如何,

是否已成为

领域的一个重要的交流和信息获取以及和互动平台,即衡量新浪微博对各个领域的

影响力。

问题:新浪微博中各领域用户分类标签之间是存在互动关系,

还是孤立存在的?

哪些标签之间存在强的互动关系?

本文以社会网络分析方法为研究的理论依据,以新浪微博用户“关注”和“被关注”

关系为基础,提取其中的相互关注关系,

互惠关系就是指两用户之间存在的这种相

互的双向关系。根据新浪微博分类标签各领域名人之间的互惠关系数据,

通过密度

分析研究微博空间中各个用户领域分类标签的用户子网结构紧密程度,打破微博用

户原来按领域对用户分类的分组格局,通过凝聚子群分析将用户从新分组来分析各

领域分类标签的互动情况。数据的处理和分析,

均使用.进行。

对网络结构紧密程度的测量,当图中点的个数为时,实际存在的线条数为,

密度可以表示为/[(-)/]。

对网络关系图进行密度分析,可发掘网络中节点

的联系紧密情况,密度越大,

网络中的节点联系越紧密,密度越小,联系越松散。

关于微博互动,网络连通是微博空间中节点、群体或者消息互动的必备条件,

离散

的孤立点将不具备互动的基础条件。

据此,社会网络分析方法中的成分分析,可发

现网络的成分构成,

提取网络中的主成分,为互动分析提供数据。

分类标签的互动情况,

可从凝聚子群分析中获知。根据凝聚子群相关理论,

凝聚子

群分析可发掘整体网络中由网络节点组成的高密度子群,各子群内部节点间的联系

较外部节点间的联系更为紧密,其互动程度会更高。而凝聚子群分析过程中得到的

群体间的密度关系,可发现群体内部以及群体间联系紧密程度,

群体密度高,则群

体内部节点互动程度高,群体中不同用户领域分类标签的多个节点的高度互动,各

分类标签间相互影响大。

.数据收集微博各个榜单对微博加用户的标签分类都是以微博用户在现实社

会中从事的职业所处领域进行分类,

各领域的高人气加用户被视为该领域的权

威专家,在其所处领域具有较大的影响力。新浪微博风云人气榜标签下高人气用户

是该领域具有较高权威与声誉的用户,往往具有舆论导向、专业权威和领域代表等

特性。

本文将提取年月日新浪微博风云人气榜中名人人气榜体育、娱

乐、财经、传媒、文学、时尚、科技、房产、艺术、教育、动漫、汽车、健康、科

普、公益、育儿、军事、商业共个标签下排名前的微博用户(共个)作

为用户样本,为标识样本个体,使用数字依次编号。表为数据样本各领域人气

排名第的用户的粉丝数、关注数、发微博数的基本情况,表中“体育”中

的“体育”表示该用户属于体育标签,

“”表示用户的编号。

根据数据样本之间的关注关系分别构建整体网络和领域分类标签用户关注矩阵。在

数据提取过程中,

如果用户关注用户,则在矩阵中用户所在行与用户所在

列的交点标注,反之标。

根据用户关注矩阵关系,如果矩阵中=,则在点

和点之间形成一条从点指向点的带方向的直线,得到用户的关注网络图。

整

体网络用户关注网络图如图。

.用户关注网络关系处理在用户的关注关系网络中,如果两个节点之间存在双

向关系,

则表明是互惠关系。延伸至微博空间中,

如果任意两个微博用户彼此互为

粉丝,即双方互粉,则这两个用户不仅是简单的信息传播,而为两个用户沟通和信

息交流提供关系基础。

据此,提取整体网络和各分类标签子网互惠关系,得到整体

网络和各分类标签网络的用户互惠关系网络图。整体网络互惠关系网络图如图。

.成分分析在微博空间中,连通的用户关系网络是信息传播与用户互动的必备

条件。社会网络分析方法中的成分分析,可发现网络关系中关联子图,

即成分,成

分内部各点之间必有一条途径相连,

藤野先生读后感

而成分之外的点与成分内部的点没有联系。对

用户互惠关系网络进行成分分析,可发现网络中成分分布情况,成分分析结果如表

。

分析结果表明,

研究的数据样本网络包含了个成分,

即个互不联通的子网,

其中一个网络子网包含的个节点,

可作为研究的样本网络,个网络子网中

包含个节点,

其余个子网仅包含一个节点,即互惠关系网络中的孤立点。抽

取整体网络中的主成分,即成分分析结果中的成分,

作为分析的数据,主成分的

互惠关系网络图如图。

微博群体结构及其互动分析包括两个方面,一方面是对微博各用户领域分类标签的

网络进行网络密度分析,

得出新浪微博对现实社会中对应领域的影响程度;另一方

面是对主成分互惠关系网络进行凝聚子群分析,得到主成分互惠关系网络包含的子

群,以及各个子群之间的密度关系,从而发现微博群体间的互动关系。

.密度分析根据“.用户关注网络关系处理”得到整体网络和各分类标签网络

的用户互惠关系数据,分别分析整体网络和各领域网络密度,结果如表。

网络密度分析结果显示,

整体网络以及各分类标签子网网络密度均较低,各节点间

联系较为松散,互惠性低,表明其网络中包含派系,

相比互动平台,微博更是一个

信息发布的平台。同时,

在各分类标签子网的密度分析中,娱乐、传媒、健康、军

事、房产的网络密度相对较高,表明这几个现实领域受新浪微博影响较大,

新浪微

博也是这几个现实领域用户交流与获取信息的途径之一。汽车、公益领域的网络密

度为.,表明新浪微博对这些领域的影响日记大全较小,

新浪微博只是这两个领域发

布消息和获取消息的平台,

而非现实领域内部交流的重要平台。

相对于网络密度高的领域,造成公益、汽车领域网络密度低的原因,可能是由于这

些行业领域以组织的形式进行活动,个体行为较少。

如我国公益事业以组织行为为

主导,由政府等行政部门引导、组织和执行公益教育、公益服务信息的宣传、倡导

和发布。

.凝聚子群分析凝聚子群分析用于分析网络中所包含的子群体,由于派系的定

义严格等因素,

对网络进行派系分析,往往得到派系多且各个派系之间成员重叠程

度高。为得到网络中包含的高密度、低重叠群体,凝聚子群分析将分两部分进行:

对网络进行派系分析,发现网络中包含的群体数量,

再据此对网络进行分组,得到

网络中包含的凝聚子群以及各子群体间的密度关系。根据“.成分分析”提取的

主成分互惠关系网络,经派系分析得到派系成员聚类图。

部分派系成员聚类图如图

。

通过分析派系成员聚类图,

发现该网络可以分为个子群体。将网络分为个

群体,得到各群体的节点组成如表,以及各群体间的密度关系矩阵如表。

从表中可发现组成各个群体的节点所属分类标签,群体:体育、科技、科普、

军事;群体:文学、时尚、科技、动漫、汽车;群体:健康、科普;群体:

文学、时尚、科技、艺术、商业;

群体:体育、娱乐、文学、动漫;群体:财

经、文学、科技、教育;群体:财经、文学、教育、动漫;群体:财经、文学、

房产、教育;

群体:军事;群体:财经、传媒、房产、教育;群体:体育、

传媒、文学、时尚、公益、商业;群体:娱乐、传媒、时尚;

群体:体育、

传媒、艺术、健康、商业;

群体:体育、传媒、艺术、教育。

从中可发现,在

新浪微博空间中,用户关系是无疆域的,消息传播亦无疆域,各领域间的用户都会

存在相互影响和互动关系,

任何一个领域信息都能够在其他领域中传播,且产生影

响。

从表中发现,在个群体中,群体、群体、群体、群体、群体的

密度均超过.,

密度高,

结合表得出:群体:健康、科普,群体:体育、

娱乐、文学、动漫,群体:财经、文学、科技、教育,

群体:财经、传媒、

房产、教育,群体:娱乐、传媒、时尚,

表明这几组群体内的用户领域分类标

签之间互动和相互影响程度大、联系紧密、用户领域分类标签间信息交互程度高。

在高密度群体中,涉及到体育、娱乐、财经、传媒、文学、时尚、科技、房产、教

育、动漫、健康、科普共个分类标签,

其中娱乐财经与传媒分类标签较为活跃,

参与多个群体,与多个分类标签互动,而艺术、汽车、公益、育儿、军事、商业

个分类标签与其他分类标签的互动程度低。

新浪微博的各分类标签间互动关系与现

实领域之间的影响关系高度契合,其中部分分类标签可能是因其专业性较强等特性,

与其他分类标签的交叉和影响较小而未形成互动关系,如艺术、军事等。

本文以新浪微博风云人气榜中名人人气标签下的用户互惠关系为基础,

使用

.软件,进行网络密度分析和凝聚子群分析,

得出以下结论和建议:

。无论是由名人人气榜单下的个标签用户组成的整体网络,还是单个标签下的

用户组成的子网,

网络密度均偏低,用户关系较松散,互惠性低,

网络中包含派系。

从整体分析结果来看,娱乐、传媒、健康、军事、房产的网络密度相对较高,

表明

这几个现实领域受新浪微博影响较大,该现实领域成员对新浪微博的使用相对成熟,

新浪微博是其用户交流与获取信息的途径之一,

而汽车、公益领域的网络密度为

.,表明新浪微博只是这两个现实领域发布消息和获取消息的途径,而非现

实领域内部的交流的途径。

。从凝聚子群分析结果可以发现,无论是领域内部还是跨领域,

新浪微博为各个现

实领域的用户沟通交流及获取信息提供优良平台。

同时,各个领域的用户之间都会

存在相互影响和互动关系,

任何一个领域相关的信息都能够在其他领域中传播,且

存在产生影响的可能性。从群体间的密度关系矩阵中,

发现{健康,科普}、{体育,

娱乐,文学,

动漫}、{财经娱乐,文学,科技,教育}、{财经,传媒,

房产,教育}、

{娱乐,

传媒、时尚},这几组群体中的各个领域之间相互影响较大、联系较紧密、

领域间信息交互程度较高。因此,在微博空间中,

对微博舆论的监控和引导,

不仅

需要在领域内实施,还应该考虑到其互动领域,

从而取得更佳效果。在研究结果中

还发现,

军事领域较为特殊,该领域网络密度较高,单独组成一个凝聚子群,

且与

其他凝聚子群密度低。表明该领域独立性、安全和保密性较强,

受到其他领域的影

响较小。因此,对与军事领域相关微博舆论的监控和引导,

应从领域内部实施,更

有效。

。具有公共服务性质的公益领域,不仅对提升社会公德和进一步改善社会风气具有

重要的影响作用,而且能帮助社会发展,

极其需要信息传播支撑。

但该领域在新浪

微博的个体用户层面上还未形成团体,在领域内外的相互关注关系较少、与其他领

域的互动程度低,

且该分类标签用户粉丝和活跃程度较低,应鼓励和加强领域内部

用户间的联系,以及与娱乐、财经和传媒等高活跃度领域的用户建立相互关注关系,

提高其在新浪微博上的活跃度和影响力。

随着现实社会结构的变化及其领域的发展和延伸,

必然会使新浪微博结构及领域结

构发生变化,微博网络还面临着很多的挑战和更多的知识的发现,本文的研究也还

存在不足有待进一步研究和改进。

【相关文献】

[],

,,,[]。

,

:-。

[],

,,

[]。

,’:,:-。

[],

,,

-[]。

::,:-。

[],,

:-[]。

(),

()。:

,:-。

[]尹书华。基于复杂网络的微博用户关系网络特性研究[]。西南师范大学:自然科学版,

():

-。

[]姜鑫,田志伟。微博社区内信息传播的“小世界”现象及实证研究--以腾讯微博为例[]。情报科

学,

,():-。

[]夏雨禾。微博互动结构与机制--基于对新浪微博的实证研究[]。新闻与传播研究,

():-。

[]杨凯,张宁。微博用户关系网络的结构研究与聚类分析[]。复杂系统与复杂性科学,,():

-。

[]袁红,赵磊。微博社区信息交流网络结构与交流模式研究[]。现代情报,

,():-。

[]高志强,邵峰晶,孙仁诚。基于多子网复合复杂网络的微博网络特性研究[]。科技信息,():

-。

[]平亮,

宗利永。基于社会网络中心性分析的微博信息传播研究[]。情报、信息与共享,():-

。

[]苑卫国,刘云,程军军,

等。微博双向“关注”网络节点中心性及传播影响力的分析[]。物理学

报,,():。

[]宋恩梅,左慧慧。新浪微博中的“权威”与“人气”:以社会网络分析为方法[]。图书馆情报与知

识,():-。

[]袁毅,

杨成明。微博客用户交流的机制、结构及特征研究[]。图书馆论坛,,

():-。

[]袁毅,杨成明。微博客用户信息交流过程中形成的不同社会网络及其关系实证研究[]。图书情报

工作,

,

():-。

[]章成志,何陆琳,丁培红。不同领域的用户标签主题表达能力差异研究--以中文微博为例[]。情报理

论与实践,

,():-。

[]黄红霞,章成志。中文微博用户标签的调查分析--以新浪微博为例[]。现代图书情报技

术,():-。

[]袁园,孙霄凌,

朱庆华。微博用户关注兴趣的社会网络分析[]。现代图书情报技术,():-。

[]杜杨沁,霍有光,锁志海。政务微博微观社会网络结构实证分析--基于结构洞理论视角[]。情报杂

志,

,():-。

[]陈海超,

杨彩霞,梁斌。微博的社会网络结构研究[]。中国教育信息化,

():-。

[]王晓光,袁毅,滕思琦。微博社区交流网络结构的实证分析[]。情报杂志,

,