社交媒体用户群体互动行为特征研究——以微信用户群分享为例

[目的/意义]以微信用户群分享数据为样本,对用户群体互动行为进行直接观察,对于社交媒体中信息定向投放和舆情导控有着重要的意义。[方法/过程]通过构建APP平台实现了微信用户信息采集,并借助于人类动力学对微信用户群内分享对象选择、互动内容选择和分享行为时间特征进行了分析。[结果/结论]研究表明微信中分享行为存在显著的阵发性,群内用户趋向于异配连接,但多数用户是以旁观者身份出现,高频率互动仅停留在少数参与者层面,而带有情绪诱导和相关利益引导标题的文章能够唤起更多用户的互动意愿。[局限]数据来源不够广泛,有可能导致研究偏差。

一种基于改进K核分解的合作网络关键节点集识别方法

【目的】针对关键节点集识别算法中广泛存在的退化性问题,提出一种以半局域中心性为基础的改进型K-shell分解算法。【方法】算法根据节点一阶邻居信息构建半局域中心性指标,在考虑剩余节点的半局域信息和已移除节点的半局域信息基础上,通过递归移除方式确定最终的关键节点集。【结果】6组实际合作网络数据实验表明,改进的K-shell分解算法能够有效消除原有算法中的退化性问题,具有较高的计算准确性和较低的计算复杂度,适用于大规模合作网络中关键节点集的识别。【局限】受网络结构属性的影响,在部分样本网络中计算准确性低于介数中心性方法。【结论】通过对改进的K-shell分解算法计算所得的核心节点集的有效保护,能够提升合作网络的稳定性,有利于合作网络目标的实现。

社交媒体环境下用户信任度评估与传播影响力研究

【目的】通过研究社交媒体用户信任度评估和传播影响力,发现推动或制约信息传播的关键因素,为促进社交媒体健康有序发展提供服务。【方法】根据网络信任特点,提出一种基于直接信任和间接信任的综合评估指标,该指标综合考虑个体的局部影响力和全局调控能力。【结果】SIR模型评估实验结果表明,综合评估指标值最大的个体发起的传播能在较短的传播时间内达到最大的范围。【局限】数据来源不够广泛,可能导致研究偏差。【结论】所构建的综合评估指标能够更为准确地度量网络中每个个体的信任水平。

社交媒体用户综合影响力检测方法研究

【目的/意义】通过构建影响力评价的检测方法,实现对社交媒体关键用户的识别。【方法/过程】根据关系型网络特点,提出了一种基于最大连通子集、网络连通分支和全局效率的综合检测方法,该方法综合考虑了用户个体在保持网络完整性和连通性方面的作用。【结果/结论】抗毁性实验结果表明:中心性指标适用性与网络结构属性紧密相关。对于稠密网络,个体的介数值越大在网络中所具有的影响力越高;对于稀疏网络而言,个体对外连接度越大其所具有的网络影响力越高。数据来源不够广泛,有可能导致研究偏差。本文所构建的综合检测方法能够有效地判断网络个体影响力的真实水平。

数据驱动的微信用户信息行为时间特征研究

[目的/意义]相对于传统的信息行为分析,数据驱动的信息行为研究更注重数据的外在性与客观性,所得的结果能够更为全面地认识用户信息行为本质特征。[方法/过程]通过自行构建的APP实现对微信用户分享和阅读行为记录的采集,并对微信用户信息行为的时间特性进行系统的分析。[结果/结论]结果表明:微信用户日常信息行为存在显著的假日效应,但是在信息行为时间间隔分布上存在明显厚尾现象和很强的阵发性,预示着微信用户信息行为具有较高的复杂性和不确定性,无法对其产生过程实现有效的预测;此外,微信用户所分享的内容具有很强的时效性,多数内容在微信中能够得到及时的传播,但传播链长度显著受分享内容主题的影响。