基于社交网络演化的政府形象认知传播机制——以上海“12·31”外滩拥挤踩踏事件为个案

不同于传统视角下的政府形象传播研究,本文采用社会网络分析法以结构-关系视角对上海“12·31”外滩拥挤踩踏事件进行了实证研究,初步探索了基于社交网络演化的政府形象认知传播机制。本文首先结合网络拓扑结构模型可视化呈现了微博中上海“12·31”外滩拥挤踩踏事件的舆情概况,然后从定性描述层面分析了政府形象认知与舆论传播网络微观结构因素之间的演化关系。研究发现,社交网络演化中的政府形象认知传播呈现如下规律：随着舆论传播网络规模的增大,政府形象负面认知呈上升趋势;随着舆论传播网络信息传递效率的提高,政府形象负面认知反而呈扩大化趋势;虽然意见领袖以官方权威为主,但由于舆论传播网络较低的中心化趋势,其对政府形象负面认知的消解作用未能显现出来,且关键少数在引导民众政府形象认知方面发挥的作用较为有限。本文对政府形象危机管理、负面舆论应对有一定的现实意义和理论价值。

用户行为驱动的时序影响力最大化问题研究

影响力最大化IM问题旨在查找社交网络中的一组用户,通过这些用户,使信息在网络中传播的范围最大化。现有研究主要关注静态网络中的IM问题,然而在现实生活中,社交网络是不断演化的,基于静态网络的传播模型(如独立级联模型、线性阈值模型)无法适用于演化网络中的信息传播过程。同时,现有研究忽略了用户行为对信息传播的影响。因此,针对该问题,提出了一种用户行为驱动的独立级联BDIC传播模型,该模型主要根据用户行为对信息的传播过程进行建模,可有效刻画演化社交网络中的信息传播过程。在该模型的基础上,提出了用户行为驱动的影响力最大化算法,主要包括3个步骤:首先,建模消息传播过程,计算演化社交网络中的信息传播概率;然后,提出一种用户行为驱动的反向影响力采样方法,有效查询单个时间点下的种子用户;最后,设计一种不同时间节点(时间序列)下的种子节点查询方法,有效反映演化社交网络中种子节点动态变化的特性。为了评估所提算法的有效性,设计了种子节点与受影响节点的相似度对比方法。通过大量真实数据集上的实验,验证了信息传播概率算法的高效性和扩展性,证明了相比普通的独立级联模型,BDIC模型能更好地建模演化社交网络中的信息传播过程。