信息瀑布和连接强度视角下从众信息转发行为感知差异比较研究

[目的/意义]旨在探索从众信息转发行为的感知影响因素,为有效引导用户从众信息转发行为、规范社会化媒体信息传播秩序提出建议。[研究设计/方法]基于信息瀑布和连接强度理论,以个体感知差异为切入点,使用问卷调查法搜集有效样本数据352份。采用偏最小二乘结构方程模型方法进行量表有效性检验,利用独立样本T检验、单因素方差分析和双因素方差分析进行数据分析。[结论/发现]社会化媒体用户因个体差异而对强连接、弱连接、无连接、从众信息转发行为等变量的感知存在显著影响。不同类型连接强度水平越高,用户对从众信息转发行为感知程度越高。用户个体差异与从众信息转发行为之间的关系因连接强度程度不同而存在不同程度影响,强连接与性别、弱连接与学科对从众信息转发行为具有显著的交互作用。[创新/价值]为从众行为和信息转发行为研究提供新的理论视角,以丰富和深化从众行为和信息转发行为领域的已有研究。

社交网络中的用户转发行为预测

以新浪微博为研究对象,基于微博主题及用户特征,提出社交网络中的用户转发行为预测算法.首先,基于互信息理论,从已发生转发行为的用户的微博内容中提取特征,通过分析给定用户的微博内容与特征之间的相关程度,预测用户是否会对给定主题的微博发生转发行为;然后通过研究用户性别、粉丝数、关注数、微博数与用户转发行为的关系,选取合适的用户特征描述,并基于贝叶斯模型预测给定用户对微博的转发概率.最后,结合以上2种算法的预测结果,得到给定用户对某主题微博的转发行为预测.该预测算法对研究网络舆情传播及微博营销具有重要意义.

基于行为预测的微博网络信息传播建模

研究微博网络中的信息传播及扩散机制在市场营销、舆情管控等方面具有重要意义。当前的传播模型大多忽视了用户间的个体差异。为解决这一问题,提取了影响转发行为的四类特征,利用机器学习中的逻辑回归模型分析预测个体转发行为,并在此基础上融入用户个体差异,建立了一种基于行为预测的信息传播模型。实验表明,该模型能较好地模拟真实网络中的信息传播过程。

基于SVM的微博转发规模预测方法

为了评价微博的传播效果,在分析影响用户转发行为因素的基础上,提出了采用用户影响力、用户活跃度、兴趣相似度、微博内容重要性和用户亲密程度五项特征进行转发行为预测的SVM算法,以及基于该算法的转发规模预测算法。最后给出了传播规模预测的评价方法。针对新浪微博用户数据的实验表明,预测精度达到了86.63%。

用户关系特征对微博转发行为影响分析研究

转发是微博提供的一个信息传播的机制,用户能够将关注者发布的有趣微博转发到自身平台,然后分享给追随者,是微博网络中信息传播最重要的功能。对于微博网络存在的不同类型连接关系,首先提取出相关特征,如同质性、微网络结构、地理距离以及用户性别等,用于识别连接关系的不同类型,然后采用Log-linear模型来拟合各个特征间系数,基于这些系数对微博用户转发行为形成的内在原因进行了分析。

社交网络中微博用户行为的分析与预测

从真实的新浪微博数据中分析用户的转发行为,提取了用户特征、微博特征、交互特征和结构特征等4个方面的影响转发行为的因素。通过实证分析各个特征对转发行为的具体影响,并利用机器学习中的不同预测算法对用户是否会对给定主题的微博产生转发行为进行预测。实验表明,用我们选取的因素,结合逻辑回归模型对于用户转发行为的预测更加准确。

基于行为分析的微博信息传播效果

微博的传播效果研究对于提高市场营销效率、加强舆情监控和准确发现热点具有重要作用。针对以前传播效果研究中未考虑用户个体差异的问题,提出一种基于行为分析的微博转发规模和传播深度预测方法。从微博用户自身、用户关系和微博内容3个方面提取9个相关特征,结合逻辑回归(LR)方法提出一种转发行为预测模型,并基于此模型结合信息沿用户传播特点,通过逐级对相邻用户迭代统计分析得到转发规模和传播深度预测方法。在新浪微博数据集上的实验结果表明,所提方法对转发规模和传播深度预测的正确率分别约为87.1%和81.6%,能较好地预测出信息传播效果。

基于用户行为特征的微博转发预测研究

微博转发预测对微博话题检测和微博影响力评估具有重要意义,引起了学界和产业界的广泛关注.现有方法主要集中在微博属性及微博传播网络特征的研究,没有充分考虑转发行为的动态性和用户历史行为的规律性.文中从微博能见度和用户行为特征角度研究微博转发预测问题,(1)提出了基于用户活跃期和时间窗的转发行为、忽略行为、未接收行为识别方法,为模型训练和效果分析提供了更为准确的数据基础;(2)提出了基于时间衰减的用户兴趣计算模型,有效度量用户兴趣及其变化特性对用户转发行为的影响程度;(3)提出了用户转发率、交互频率等用户行为特征,有效度量了用户历史行为模式和用户影响力传递效应的差异性对用户转发行为的影响,最后融合上游用户特征、微博特征、转发用户兴趣和历史行为特征,提出了基于分类模型的转发行为预测方法.在真实数据上的实验结果表明,该方法能够有效提升预测准确性,并且能够在较小规模的训练集上取得好的预测效果.

社交网络中基于情感模型的用户转发行为预测

基于Twitter的用户社会影响力的分析一直是社交网络分析的热点。然而很少有研究针对用户对微博的主题、情感、内容等语意信息的主观看法来预测用户的转贴行为。实现基于周围邻居对目标用户转发行为影响的用户适应性模型。并且实现基于语义分析的用户主观模型结合用户适应性模型的混合模型。设计实验证实用户对微博内容的主观看法极大影响预测结果。

EMTM:微博中与主题相关的专家挖掘方法

目前,微博已成为人们获取信息、分享信息的最流行平台之一.经过长期的发展积累,微博中聚集了很多具有权威专业知识背景的专家,挖掘微博中与主题相关的专家有利于进一步地用户推荐、微博舆情分析等工作.在微博中,与某个主题相关的专家是指因具有可靠的与此主题相关的专业知识或技能而在此主题下具有高影响力的用户.挖掘高影响力的用户可以通过分析微博的转发数据来进行,然而由于微博中用户的转发行为分为"主题相关转发"和"跟随转发"2种,因此,因被转发概率高而具有高影响力的用户不一定是专家.EMTM(experts mining topic model)是一种基于主题模型的概率生成模型,通过区分微博用户的不同转发行为来挖掘微博中与主题相关的专家.模型采用Gibbs采样进行推理求解.在真实的新浪微博数据集上的对比实验表明EMTM能够有效地挖掘微博中与主题相关的专家.

食品安全网络舆情中网民微博转发行为影响因素研究——以上海福喜事件为例

食品安全网络舆情是公众参与食品安全监管的重要平台,若不加以科学的监管与引导,极易引发食品安全恐慌心理,甚至危害社会稳定。微博是食品安全网络舆情中重要的自媒体平台,主要通过微博转发行为扩散舆情事件的影响,推动舆情事件的发展。为了深入分析食品安全网络舆情中网民微博转发行为,本文以上海福喜事件为例,在事件发展与关注度分析的基础上,通过采集上海福喜事件的新浪微博数据,并运用多项Logistic回归模型展开分析,探讨网民在食品安全网络舆情中转发行为的特征与主要影响因素。研究结果表明,对于仅有主帖内容的微博(类型Ⅰ微博),发帖者微博的粉丝数、微博数、认证情况以及发帖者微博内容的情感倾向、是否有链接、是否有视频对其微博的被转发次数有显著影响;对于转发了他人内容的微博(类型Ⅱ微博),发帖者微博的粉丝数、微博数、认证情况、被转发者微博的粉丝数、被转发次数、被转发者微博内容是否有链接对发帖者微博的被转发次数有显著影响;基于上述结论,提出如下政策建议:具有较高粉丝数与微博数的微博用户所发布的微博影响力更大,应进一步加强对该类微博用户的关注,尤其是一些微博"大V";同时,应进一步发挥官方认证微博在舆论引导方面的积极作用;在舆论引导的过程中,可以通过诸如同时发布相关链接、视频等方式,提高微博内容形式的多元化程度,以增强微博的影响力;此外,在发布微博的过程中,客观、公正地表明态度立场,也是提高微博舆论引导作用的重要方面。

微博个性化转发行为预测新算法

目前,对微博转发行为预测主要是对所有微博用户的历史数据进行学习,从而得到转发模型.但是这类模型需要对所有用户的转发行为进行全局预测,存在同质性且无法对具体用户进行个性化预测的缺陷.针对这些问题,提出了基于多任务学习的个性化微博转发行为预测算法.对新浪微博进行了数据抓取、分析和特征选择,根据社会学中影响力的理论,针对微博用户之间进行社交信息交流而导致相互影响的特点,引入了多任务学习方法,以逻辑回归预测模型作为基准算法,将预测模型分为全局模型与个性模型进行学习.预测模型把对每个用户转发行为的预测对应为多个任务,根据微博用户间的社交交互对这些任务进行关联.实验结果表明,所提出的模型能够有效地对单个用户的微博转发行为进行预测,并且提高了转发行为预测的准确率.

微博中转发行为的预测技术综述

在线社交网络中,微博平台的便捷性和开放性,给信息的传播和爆发提供了很大的便利。转发是微博平台上用户的重要行为,也是信息传播的关键机制。基于转发行为,分析一条推文是否被用户转发或者一段时间后的转发量,可以使我们更好地了解信息的传播特性,探索用户的行为与兴趣,以此推进信息推荐、预防突发事件和舆情监控等应用发展。该文较为系统地梳理了预测微博是否被转发及某段时间后的转发量这两方面的相关研究工作,着重阐述了基于用户、社交和内容特征的预测模型建立的过程并评价其预测性能,分析了微博转发行为的相关预测技术面临的挑战,展望了未来的可能研究方向。

社会化媒体用户信息转发的研究述评

[研究目的]社会化媒体一键转发机制为用户分享接收信息提供了便利,信息广泛传播、谣言扩散、舆情爆发无不与受众信息转发密切相关。对信息转发相关文献进行述评以反映当前研究状况,以期深化信息转发理论研究。[研究方法]梳理2008—2020年间国内外324篇相关研究文献,从信息传播者、受众、传播内容、传播环境几个层面梳理相关文献。[研究结论]构建用户信息转发研究的框架模型,指出信息转发不仅是个体对信息的刺激反应过程,同时也是用户的社会交往过程,并从转发机制、转发预测、转发行为等方面探讨了信息转发的未来研究方向。

基于循环神经网络的微博转发行为预测

随着网络的飞速发展,微博逐渐成为社交网络中信息传播及信息收集的重要平台,微博转发是微博信息传播的重要途径,研究微博转发问题对微博信息传播、微博营销、舆情监控有着极其重要的意义.影响微博转发的主要因素有:粉丝兴趣与微博文本的相似度,微博营销策略及用户粉丝数量的变化.以往的预测模型没有综合考虑这两方面因素,基于此,提出了一种基于循环神经网络的方法来对微博转发量级进行预测,首先利用SIM-LSTM模型构建微博转发趋势度,然后再利用TF-IDF构建粉丝兴趣和微博文本的相似度,最后通过神经网络模型来预测粉丝是否会转发该微博.实验结果表明本文提出的算法相对于其他预测算法F1评估值提高了近5%.

基于VAR模型的微博用户转发行为研究

【目的/意义】随着移动互联网的发展,微博的普及进一步加速了社会突发事件的传播。转发作为最重要的用户信息行为,在很大程度上预示了网络舆情的发展趋势。但是,鲜有研究关注微博内容中的心理语言使用与转发行为的关系。本研究拓展了心理语言学在社会突发事件情境下的应用领域,为政府或企业应急管理部门有效引导网络舆情提供了实践启示。【方法/过程】本文以九寨沟地震事件为例,基于LIWC文本分析工具研究了微博用户心理过程对于转发行为的影响,通过构建VAR向量自回归模型并进行格兰杰因果检验,确定了微博转发行为的心理语言影响因素,并进一步运用脉冲响应函数对转发行为进行了动态分析。【结果/结论】根据实证研究的结果,社会过程词和情感历程词对微博用户的转发行为具有一定的预测作用。