《基于社會網(wǎng)絡特征的事件輿情分析案例報告》12000字（論文）

基于社會網(wǎng)絡特征的事件輿情分析案例報告目錄TOC\o"1-2"\h\u16736基于社會網(wǎng)絡特征的事件輿情分析案例報告 [15]。圖6用戶節(jié)點傳播圖在圖6當中以舉例的形式刻畫了一個較為簡單的社會網(wǎng)絡傳播關系圖，在這個圖當中存在著節(jié)點和節(jié)點關系兩種構成要素。除了在社會網(wǎng)絡當中存在的各個主體節(jié)點之外，節(jié)點之間的關系可以是無向的也可以是向的，在微博語境當中這種關系往往呈現(xiàn)出有向的特征，這也表現(xiàn)出節(jié)點之間的交流溝通關系。如圖中節(jié)點6存在著一條指向節(jié)點7的有向箭頭，則代表節(jié)點6向節(jié)點7傳遞信息，圖中節(jié)點2與節(jié)點8之間存在雙向箭頭，則代表用戶2與用戶8之間存在雙向交流關系。通過對于整個數(shù)據(jù)當中，不同主體節(jié)點和節(jié)點之間關系的社會網(wǎng)絡關系重新建構，可以了解到在該事件的輿情傳播過程當中，每個節(jié)點在其中扮演的不同角色、起到的不同作用以及不同角色之間產(chǎn)生的情感特征的關聯(lián)。對于尋找和引導“意見領袖”，具有重要的意義。（1）微博數(shù)據(jù)傳播關系的提取和存儲通過示意圖可知對于社會網(wǎng)絡當中關系的探尋，往往依賴于這些有向的“箭頭”，在本文研究當中提供矩陣存儲來將這些節(jié)點之間的關系進行保存，即鄰接矩陣。在鄰接矩陣當中，每個用戶節(jié)點屬于不同的行和列，他們之間是否存在著傳播的關系，則由矩陣當中所在線和所在列的單元格數(shù)值表示，若為n則意為由行用戶向列用戶傳播信息n次，存儲數(shù)據(jù)的鄰接矩陣部分如圖7所示：圖7社會網(wǎng)絡鄰接矩陣圖（2）微博數(shù)據(jù)傳播社會網(wǎng)絡關系構建及k-核分析在已選擇的社區(qū)AB套餐事件話題下，經(jīng)過篩選，共選擇出包含4710個用戶主體。在已有數(shù)據(jù)的基礎上，利用上述存儲的鄰接矩陣關系，本文使用軟件pajek，在進行節(jié)點位置重新布局的同時，將整個社會網(wǎng)絡關系進行可視化。作用kamada-kawei算法，整理了存儲的4000余節(jié)點位置，重新聚合了能夠被劃分進入凝聚子群的，具有相關關系的節(jié)點。最終聚合出現(xiàn)的整體傳播網(wǎng)絡如下圖所示。圖8社會網(wǎng)絡結(jié)構圖從上圖社會網(wǎng)絡的結(jié)構圖可以看出，在該事件當中，隨著時間的變化和參與主體的不同，可以劃分為幾個比較明顯的凝聚子群，這些子群內(nèi)部存在著較為有影響力的“意見領袖”用戶，也存在著處于凝聚子群外圍的影響比較小的用戶群體。大體可以看出，總體上來說存在著三個比較大的群類，各自在群內(nèi)內(nèi)部發(fā)揮著較為明顯的聚集影響作用。接下來在已有數(shù)據(jù)的基礎上對于整體進行K-核分析。K-核分析是指通過將網(wǎng)絡當中的節(jié)點度值（包括入度中心度和出度中心度）進行計算和選取，從中抽取大于或等于K值的部分節(jié)點，使之組成新的網(wǎng)絡的分析方式。通過這種分析方式，我們可以大體上了解整體事件當中用戶的團體凝聚子群分布，以及在不同凝聚子群當中發(fā)揮重要影響力的個體用戶關系。圖93-核網(wǎng)絡示意圖依據(jù)社會網(wǎng)絡中的三元組概念（指三個節(jié)點形成的三元關系是形成三元閉包，使得其中一個節(jié)點受到另外兩個節(jié)點關系影響的基本條件），為了更好的衡量聚集度，本文選擇以3為界限，考察3-核網(wǎng)絡的凝聚子群關系。由圖9中的網(wǎng)絡示意圖可見，3-核網(wǎng)絡當中仍然較為明顯的分為三個子群，通過對于其出入度中心度的衡量可見，這三個子群分別以“央視新聞”、“臉部輪廓鼻修復醫(yī)生張召”、“深圳頭條熱門”為中心，其中“央視新聞”所在節(jié)點周邊凝聚子群最為密集，形成了最大的凝聚群落?？傮w而言，在3-核網(wǎng)絡當中，最大聯(lián)通塊數(shù)為1343，最大密度為0.029，綜合而言盡管在某些群落當中聯(lián)通密度較大，但仍然存在著較為稀疏的網(wǎng)絡特征，這也是在正常的社交網(wǎng)絡當中的共同特點。在在分析過程中對于3和網(wǎng)絡進行k-核分解，找到在該社會網(wǎng)絡當中最大的核，即4-核網(wǎng)絡，即為在這個和當中每個節(jié)點至少和4個節(jié)點直接聯(lián)系。由圖可見，在該社會網(wǎng)絡當中，圍繞的中心點是央視新聞等官方媒體賬號，對于整個社會網(wǎng)絡起到了重要的影響力，由此可以見到官方媒體平臺對于整個輿情傳播的重要意義。圖10最大核網(wǎng)絡示意圖（3）傳播社會網(wǎng)絡關系指標分析為了對于這三個群落進行更加細致的、專注到個體的分析，接下來本文對于社會網(wǎng)絡關系當中的常見指標進行研究。本文將尋找的關鍵用戶鎖定為三類用戶群體，分別為高被轉(zhuǎn)發(fā)用戶以及在此當中充當溝通橋梁的關鍵中間用戶和屬于活躍群體的高轉(zhuǎn)發(fā)用戶，其中高被轉(zhuǎn)發(fā)用戶，指的是此類用戶的信息更多的被轉(zhuǎn)發(fā)，在整個網(wǎng)絡當中具有高影響力。高轉(zhuǎn)發(fā)用戶則是指的整個社交網(wǎng)絡中較為活躍的群體，更多的轉(zhuǎn)發(fā)信息。關鍵中間用戶則使得兩個高影響力用戶之間具有傳播橋梁，使得信息得以擴散，以上三種類型的關鍵用戶的分析方法如下。高被轉(zhuǎn)發(fā)用戶的計算方法，采用社會網(wǎng)絡分析當中的入度中心度中心性，入度中心度中心性可以用來衡量該節(jié)點被關注的程度，體現(xiàn)的是其他節(jié)點，都想與這個節(jié)點相連接的程度，往往是在有向的社會網(wǎng)絡傳播過程當中，被轉(zhuǎn)播次數(shù)較高的用戶，這其中也要考慮到用戶傳播過程當中的連線權重，也就是說，每兩個用戶之間的傳播關系有時不止一次，此時兩個用戶之間的傳播連線就具有不同的權重。以下的表中列出了前5個在事件當中數(shù)度較高的用戶入度中心度中心性。表1入度中心度中心性最高的用戶用戶名入度中心度中心性央視新聞2131頭條新聞1665小微不想上夜班464北京青年報174視新聞152可以發(fā)現(xiàn)在，在對于整個事件的輿情傳播過程的探尋中，輿情內(nèi)容相關的信息來源從最開始曝出社區(qū)套餐AB事件的主體“頭條新聞、北京青年報”，到后期官方回應的“央視新聞”，作為新聞的官方來源，排在前5的主要是各類的新聞媒體，但由于這一事件在網(wǎng)絡當中來源的駁雜，其中也存在部分的個人主體。高轉(zhuǎn)發(fā)用戶的計算方法，采取社會網(wǎng)絡分析當中的出度中心度中心性計算。在社會網(wǎng)絡當中，每一個節(jié)點上用戶的出度中心度中心性指的是轉(zhuǎn)發(fā)其他用戶傳播次數(shù)較多的用戶，作為整個社會網(wǎng)絡當中的活躍主體，他們對于信息傳播具有重要影響。表2出度中心度中心性最高的用戶用戶名出度中心度中心性兒er42oh__joy35蜜桃推土機22抱醉生夢死的枕頭20逐雄鷹的翅膀20觀察可以發(fā)現(xiàn)，此時的用戶群體，主體為個人用戶，在事件傳播過程當中，他們喜歡關注和評論其他用戶的信息，并且轉(zhuǎn)發(fā)其他用戶相關的微博，在信息的擴散當中起到了重要的作用。對于關鍵中間用戶的測量手法，采用社會網(wǎng)絡分析指標當中的中間中心度進行檢索。關鍵中間用戶，在這種意義上是指的是在社交網(wǎng)絡當中，充當信息傳播橋梁的一類用戶，在兩個小團體當中起到信息傳遞的橋梁作用。中間中心度是指一個點處于點對捷徑（指的是點對的最短途徑）上的能力，下面分別是該市事件輿論傳播過程當中，中間中心度排序前5的用戶。表3絕對中間度值最高的用戶用戶名中間中心度是白的0.1023條新聞0.0941慶云淡73882460620.0738曾是個少年i0.0622洋木一0.0612中間中心度高的用戶，往往處于不同節(jié)點的相互溝通（即信息擴散的不同流動渠道）中的關鍵位置，相比而言盡管并不存在實際上更高的傳播影響力和活躍程度，在整個網(wǎng)絡當中起到聯(lián)通其他用戶的關鍵作用，觀察上圖可以得知以上用戶主要是粉絲量較大的個人用戶和媒體用戶，一旦這些用戶消失，那么網(wǎng)絡當中能夠流通信息的用戶則會大大減少。通過上述三種社會網(wǎng)絡分析的常用指標，尋找到的關鍵用戶，由于自身存在的社交網(wǎng)絡中的特征不同，在整個輿情當中，也起到了具有相當大差異的重要作用。（二）傳播網(wǎng)絡與用戶情感相關性分析在前一節(jié)對于整個輿論傳播網(wǎng)絡進行構建和分析的基礎上，本文希望能夠到分析用戶情感是否會影響該用戶在整個社會信息網(wǎng)絡傳播當中起到作用和社會網(wǎng)絡特征，以此從個人情感和整個社會網(wǎng)絡傳播的角度綜合進行分析。在上述情感分析過程當中，通過對于每條評論與情感詞典相匹配的計算，本文將不同評論分別賦予了不同的情緒定性表征，以大連理工大學情感詞典為基礎，分別將不同評論表征為“樂好怒哀懼惡驚”七大類定向情緒特征，建立情緒向量。繼而將該情緒向量與上述社會網(wǎng)絡特征當中的“出度中心度中心性”、“入度中心度中心性”、“中間中心性”三個變量進行相關分析。在進行獨立性檢驗和變量相關性檢驗后，結(jié)果如下表：表4情感變量與下述三種社會網(wǎng)絡特征變量相關性統(tǒng)計表情緒類別個案數(shù)皮爾遜相關性顯著性入度中心度4710.571*0.020出度中心度4710.587*0.019中間中心度4710.623*0.013*.在0.05級別（雙尾），相關性顯著有表4可得，情緒向量和社會網(wǎng)絡特征當中的變量仍然在0.05級別顯著相關。為了分析上述三種，也就是高被轉(zhuǎn)發(fā)用戶、高轉(zhuǎn)發(fā)用戶以及關鍵用戶，三類在輿論傳播中起到重要作用的核心群體用戶，其表現(xiàn)出來的社交網(wǎng)絡特征是否與其所表現(xiàn)的外部情緒有相關關系，本文試圖通過不同類別用戶的情緒類型標注和統(tǒng)計進行簡單概括和初步猜測。表5社區(qū)AB套餐事件傳播網(wǎng)絡當中用戶情緒和傳播角色之間的關系情緒類別用戶數(shù)入度中心度出度中心度總度數(shù)度數(shù)標準差中間度樂31427.62.2429.8431.820.68好1041260.02.08260.08509.460.45怒23071463141477132.921.53哀5714456.3505.34100.3懼13457.21.2158.41372.850.26惡2024134417.51361.5175.69050驚7143575.31362.31246.171.42表5中第2列為用戶數(shù)指的是在網(wǎng)絡中表現(xiàn)出特定情緒的用戶數(shù)且傳播或被傳播的用戶，而不考慮單獨的用戶。入度中心度指的是該情緒下的所有用戶入度中心度的平均值，與之相對應的是出度中心度平均值和總和。第六列標準差，反映在該情緒下用戶的離散情況，標準差越大則差異越大。最后一列中間度指該種情緒的用戶在網(wǎng)絡當中所起的中間性的程度。觀察上表可以得出，從出度中心度而言，表達惡和怒的兩種情緒出度中心度較高，標準差也較低，說明表達這兩種情緒的用戶在該輿論事件當中更容易被轉(zhuǎn)發(fā)。從入度中心度角度來說，上述兩種情緒也會更多的體現(xiàn)在轉(zhuǎn)發(fā)用戶當中。從中間度的角度而言，可以發(fā)現(xiàn)表現(xiàn)出怒和驚兩種情緒的人更容易得到高影響用戶的關注，這些情緒會吸引其他用戶對他們的評論或轉(zhuǎn)發(fā)，從而實現(xiàn)信息的傳播。綜上分析可以發(fā)現(xiàn)，在該事件當中，不同情緒對于不同用戶角色的影響差異比較大，這主要受到事件性質(zhì)的影響，例如“怒”、“惡”這樣的較為負面的情緒，在該事件的輿情傳播中具有更高的入度中心度和出度中心度，在事件當中起到了重要影響，而“驚”則由于更容易吸引其他群體關注，而構建起信息傳播的橋梁。在本案例當中，表達上述三種情緒的用戶情緒極限強度高，比較容易引起多次的轉(zhuǎn)發(fā)和回復，一旦對相應情緒的用戶進行關注，針對性的進行安撫，則會極大的降低事件和輿論被擴散的程度。5.網(wǎng)絡輿情引導建議（1）基于輿情演化和情感傾向的引導建議在輿情演化的過程當中，應當重視在輿情發(fā)生初期的輿情監(jiān)測活動，在評論量日益增長，關注逐漸增高的時候，應當及時跟進，杜絕負面輿論的進一步傳播。在輿情爆發(fā)的重要階段，網(wǎng)民情感處于頂峰，人們持續(xù)關注著最新的新聞動態(tài)，輿情監(jiān)管部門更應當與社交媒體建立同步的合作網(wǎng)絡，實現(xiàn)實時的權威信息發(fā)布，降低爆發(fā)期的高峰，將網(wǎng)絡輿情向著積極向好的方向引導。在輿情消退時期，更應當進行及時的反思，重視該事件和輿論的后續(xù)影響。在一定范圍內(nèi)對于整個社會社交媒體平臺進行制度監(jiān)管和健全，對于整體的網(wǎng)絡輿情管理進行提升。（2）基于社會網(wǎng)絡特征的引導建議關注傳播過程當中的關鍵用戶，根據(jù)分析可見，在整個輿論的傳播過程當中，“關鍵用戶”起到了重要作用，本研究識別了三種類型的關鍵用戶，也就是高影響用戶，關鍵中間用戶和高活躍度用戶，他們分別在整個輿論傳播當中扮演了不同的角色，有關部門在對輿論進行合理引導時，應當對他們給予更多的關注。一方面可以借助具有高影響力的官方媒體等用戶發(fā)布更加權威的信息，防止謠言的擴散。另一方面針對關鍵中間用戶，尤其是表現(xiàn)出容易被關注的情緒的用戶，進行有針對性的安撫和引導，避免其將謠言和輿論快速的傳播給其他用戶。

主要參考文獻馬費成,夏永紅.網(wǎng)絡信息的生命周期實證研究[J].情報理論與實踐,2009,32(06):1-7.易承志.群體性突發(fā)事件網(wǎng)絡輿情的演變機制分析[J].情報雜志,2011,30(12):6-12.劉社瑞,唐雙.自媒體時代微博輿情演化與應對策略[J].求索,2011(10):86-87+171.李明德,蒙勝軍,張宏邦.微博輿情傳播模式研究——基于過程的分析[J].情報雜志,2014,33(02):120-127.李鈺.微博情感詞典的構建及其在微博情感分析中的應用研究[D].鄭州大學,2014.王勇,呂學強,姬連春,肖詩斌.基于極性詞典的中文微博客情感分類[J].計算機應用與軟件,2014,31(01):34-37+126.楊江,侯敏,王寧.基于淺層篇章結(jié)構的評論文傾向性分析[J].中文信息學報,2011,25(02):83-88.於偉.中文微博情感詞典的構建研究與應用[D].上海師范大學,2017.方澄,李貝,韓萍.基于全局特征圖的半監(jiān)督微博文本情感分類[J/OL].信號處理:1-8[2021-04-27]./kcms/detail/11.2406.TN.20210423.1133.019.html.王婷,楊文忠.文本情感分析方法研究綜述[J/OL].計算機工程與應用:1-21[2021-04-27]./kcms/detail/11.2127.TP.20210416.1009.004.html.杜慧,徐學可,伍大勇,劉悅,余智華,程學旗.基于情感詞向量的微博情感分類[J].中文信息學報,2017,31(03):170-176.鄭麗娟,王洪偉.基于情感本體的在線評論情感極性及強度分析:以手機為例[J].管理工程學報,2017,31(02):47-54.李陽輝,謝明,易陽.基于深度學習的社交網(wǎng)絡平臺細粒度情感分析[J].計算機應用研究,2017,34(03):743-747.涂海麗,唐曉波.基于在線評論的游客情感分析模型構建[J].現(xiàn)代情報,2016,36(04):70-77.紀雪梅.特定事件情境下中文微博用戶情感挖掘與傳播研究[D].南開大學,2014.陽婧.突發(fā)事件中網(wǎng)民情感傾向分析與演化研究[D].湘潭大學,2020.ErikBoiy,Marie-FrancineMoens.Amac