高校图书馆微博用户行为规律实证研究

以厦门大学图书馆的新浪认证微博"厦大图书馆"2014年10月发布的所有微博及用户的评论、转发和点赞为样本,分析高校图书馆微博用户的特征、微博用户的行为规律以及基于微博生命周期的用户行为,发现:图书馆发布微博的时间决定了用户的回应时间,大多数微博的生命周期较短,高活跃度和高影响力用户是图书馆微博传播的重要推手等。在此基础上,提出改进建议:图书馆应充分了解和掌握用户的活跃时间和规律;对重要微博通过重发或转发等方式提高其可见度;及时对用户意见进行回复;重点关注高活跃度和高影响力的用户。

武汉市地铁可达性与餐饮网点的空间耦合性研究

基于地铁网络构建OD矩阵,定量化计算地铁可达性,并在此基础上分别展开地铁可达性以及餐饮网点空间分布的核密度分析,最后运用Geo Da空间计量工具对二者核密度分布做空间上的关联性分析,以此揭示地铁可达性与微博餐饮签到网点各自的空间分布规律及二者的耦合性特征。研究得出:地铁可达性各指标的核密度分布规律存在相似性,均呈现出"核心-边缘"的空间结构特征;餐饮网点核密度分布趋向于"一个核心、多个中心"的多中心、多层次空间格局;地铁可达性各指标与微博签到网点整体上存在着不同程度的空间正相关,并在局部范围内呈现出高-高集聚、低-低集聚、高-低集聚、低-高集聚4种不同类型的空间关联模式。

基于传播加速度的微博流行度预测方法

微博流行度预测是根据微博早期的传播特征来预测其未来的传播范围.目前的主要方法是根据信息早期传播的流行度进行预测,忽略了传播速度变化的趋势,这导致此类方法在预测微博消息未来流行度时准确性较差.为了更准确和方便地预测微博未来流行度,提出了一个多元线性回归模型:用户活跃度及传播加速度(user activity propagation acceleration,UAPA)模型.首先,研究了未来流行度与早期传播趋势变化的联系,发现两者存在正相关关系,根据这个发现,提出了传播加速度的概念,并基于传播加速度和早期流行度建立了预测模型.然后,分析了微博用户周期性的活动现象并发现用户转发数量在一天的不同时刻差异很大,传播加速度和流行度也不同.基于这种情况,根据用户活跃性优化了预测模型.最后在2个真实数据集(分别有100万和41万条微博)上对比了UAPA模型与业内代表性流行度预测方法的预测准确度,分析了模型中参数取值对于预测效果的影响.实验表明:提出的UAPA模型在多个性能指标上都优于现有方法.

新浪微博用户及其微博特征分析

基于新浪微博用户之间的关注关系网络,分析了衡量微博用户影响力的三个指标——粉丝数、User PR值以及用户活跃度,发现粉丝数分布和User PR值分布均服从幂律分布,活跃度分布不同于前两种分布。分别对三种排名靠前的用户及其发布的微博进行分析,发现排名靠前的用户中,User PR值的认证用户多于粉丝数;活跃度排名靠前的用户在广告营销活动中受到广泛的青睐;新浪微博用户乐于转发和评论他人的微博,微博中嵌入了大量的图片、视频和链接。

基于城市微博签到数据的人群活动时空特征分析

城市是社会经济发展的核心区域,城市的人类活动与土地利用、空间结构有重要内在关系。掌握人类的活动信息并进一步挖掘其活动规律有利于城市的科学规划和精细化管理。基于城市微博签到数据采用核密度分析、热点分析等不同统计分析方法分别从时间和空间角度对人群活动特征进行分析。研究发现:在传统作息规律决定签到活动的基础上,夜间活动的时间逐渐增加;人群活动空间分布不均匀,主要集中在景区附近,符合典型旅游城市人群分布特征;工作日与休息日人群空间分布高密度区近乎相同,但工作日人群空间分布相对分散在四面八方,而休息日相对集中于景区附近;将签到数量较为突出的时间点与具体空间分布情况结合,可以监测热点事件的发生。

草根组织的虚拟动员结构:“中国艾滋病病毒携带者联盟”新浪微博个案研究

通过运用社会网络分析方法和虚拟民族志,本文在动员结构理论的框架下,以中国艾滋病病毒携带者联盟的官方微博为个案,探讨了微博对草根社会运动组织社会动员的影响。研究发现CAP的新浪微博网络为全国范围内的行动者提供了信息分享的渠道;在抗争话语的塑造上发挥重要影响。草根社会运动组织和组织间合作对全国性抗争网络的构建和持续性社会行动的维持有着不可替代的作用。

融合图像和时空信息的社交媒体用户活动分类方法

社交媒体签到数据中蕴含着大量的用户活动信息。理解社交媒体用户的活动和行为类型,对探索人类的移动性和行为模式等有着重要意义。提出了一种针对新浪微博(简称为微博)的用户活动分类方法,结合图像表达和时空数据分类技术,识别微博签到数据所代表的用户活动类型。首先,根据兴趣点属性信息将微博签到数据所代表的用户活动分为餐饮、生活服务、校园、户外、娱乐、出行6大类;然后,基于卷积神经网络和K近邻分类方法,融合签到数据中的图像场景信息与时空信息,对微博用户的活动行为进行分类。实验结果表明,所提方法能够显著提高微博用户活动类型识别的准确性,为精确探索人类行为活动提供更加有效的数据支持。