基于輿情畫像的在線社交用戶信息傳播特征統計分析

劉海鷗 劉旭 姚蘇梅 謝姝琳

摘 要：[目的/意義]在線社交用戶的信息行為對網絡輿論生態環境的構建具有重要的指導意義。[方法/過程]借鑒“用戶畫像”的思想，提出了在線社交用戶輿情畫像的概念，圍繞人類動力學研究視角構建了在線社交用戶的輿情畫像模型，最后從輿情信息傳播的時間間隔分布、活躍度分布、時間間隔重標度、交互熱度、陣發性和記憶性等方面對在線社交用戶信息傳播行為特征進行了實證分析。[結果/結論]研究結果表明，在線社交用戶“輿情畫像”可全面揭示其網絡信息行為特征，實現對用戶基本信息與輿情傳播信息的有效收集、有效識別與定量分析，從而為網絡輿情生態環境的完善提供參考。

關鍵詞：輿情畫像;在線社交用戶;信息傳播

DOI：10.3969/j.issn.1008-0821.2019.09.007

〔中圖分類號〕G252.0 〔文獻標識碼〕A 〔文章編號〕1008-0821（2019）09-0064-10

Abstract：[Purpose/Significance]The information behavior of online social users has important guiding significance for the construction of the ecological environment of network public opinion.[Method/Process]Referring to the idea of“user portrait”，this paper proposed the concept of online social user's public opinion portrait，and constructed a public opinion portrait model of online social user from the perspective of human dynamics.Finally，we discussed the public opinion information dissemination from the distribution of time interval，activity，time interval rescale and interaction heat.[Result/Conclusion]The results showed that online social users' portraits of public opinion could fully reveal their behavior characteristics and quantitatively analyze the basic information of users and the information of public opinion dissemination，thus point out the direction for the development of the network public opinion ecological environment.

Key words：public opinion portrait;online social users;information dissemination

定量分析在線社交用戶的信息行為是認識人類復雜行為特征的基礎，其不僅可以直觀地體現網絡用戶偏好的主題領域、用戶情感強度與態度傾向，同時還有助于深入研究用戶的情感傾向與群體行為，為網絡輿情生態環境的構建奠定基礎[1]。傳統用戶行為的研究多通過泊松分布進行探討，將相關事件發生速率近似假設為一個常數，即假定兩個相同行為相繼發生的時間間隔是指數分布的。在此基礎上，眾多學者致力于解釋社交用戶的復雜信息行為，如Barabási A L[2]基于優先級的排隊決策過程解釋個體等待時間的胖尾現象;Vázquez A等[3]的社交用戶記憶性模型、Shang M S等[4]的社交用戶興趣驅動模型、陽長征[5]的社交媒體用戶行為框架模型等也對人類復雜的行為特征在不同維度進行了解釋。Wang P[6]對用戶論壇的發帖與回帖行為的規律性進行了分析，發現了用戶論壇發帖間隔的時間特征，即同一用戶在天、小時和分鐘的時間尺度具有冪函數的特征。Kan A等[7]研究了用戶論壇行為規律，發現了用戶的發帖的時間特征，即時間間隔符合1.7的冪指數律。郭進利[8]通過實證發現博文評論的時間間隔分布服從冪律分布，并在此基礎上構建了人類興趣衰減的動力學模型。何靜等[9]研究了群體和個體微博用戶的信息發布的時間間隔，并論證了轉發數與粉絲數量的相關關系。Song Y D等[10]從單一個體的角度挖掘了用戶在微博及博客平臺的行為數據，得出人類在博客和微博上的時間間隔分別服從α=1.3和α=2.0冪律分布。Bao Y Y等[11]以粉絲數量最多的15位微博用戶為研究對象，發現個體水平上發布微博的行為表現出陣發性特征，時間間隔服從指數為1.4的冪律分布。Chun H等[12]分析了在線社交網絡Cyworld的用戶留言記錄，發現以36min和1天為界限，時間間隔呈現三段冪指數律：α=1.696、α=0.91和α=2.276。通過上述研究可以看出，在線社交行為已經成為人類生活中非常重要的構成部分，受網絡信息傳遞的影響，在線社交用戶信息行為的研究已成為網絡輿情領域不可回避的熱點問題之一。

隨著社交網絡的興起，用戶社交平臺上的用戶活動痕跡也化為數據，成為描述用戶畫像的重要數據來源[13-14]。用戶畫像最早被定義為建立在“一系列真實數據上，可體現用戶行為、態度與習慣差異的目標用戶模型”[15]。如國外學者Ravi L[16]、Sánchez P等[17]圍繞用戶的個人信息、興趣偏好以及搜索行為對用戶畫像模型進行了刻畫;我國學者張亞明[18]、王妍妍[19]、王慶等[20]、陳晶[21]、謝姝琳[22]、孫晶晶[23]建構了各類用戶的行為畫像，以此揭示用戶的周期性行為與活動規律，從而為全面分析網絡用戶的信息行為奠定了基礎。但是，當前基于微博、論壇等多種社交平臺數據探討在線社交用戶畫像及其輿情信息行為的研究很少，只有少數相關文獻對微博/論壇/博客等社交平臺的發帖留言以及博文的評論互動特征進行了統計分析，但是僅從發帖和評論互動的單一視角難以全面、真實有效地描繪社交平臺用戶行為特征。鑒于此，本文借鑒了“用戶畫像”思想，提出了在線社交用戶“輿情畫像”的概念，通過分析我國應用最廣泛、傳播覆蓋最深入的社交平臺（騰訊QQ、新浪微博、人人網、天涯論壇）的用戶相關數據，構建基于網絡在線社交平臺的用戶輿情畫像概念模型，圍繞人力動力學研究視角對在線社交用戶輿情信息行為特征進行定量的實證分析，從而清晰地揭示在線社交用戶輿情信息傳播的規律，為完善我國網絡輿情生態環境提供參考。

1 在線社交用戶的輿情畫像

1.1 輿情畫像的提出

本文在研究過程中嘗試借鑒“用戶畫像”的思想，提出了在線社交用戶“輿情畫像”的理念，并從研究對象、畫像目標、構成要素、研究方法等方面與用戶畫像進行了類比，具體見表1所示。

類比元素用戶畫像輿情畫像研究對象用戶在線社交用戶輿情信息傳播行為畫像目標各類用戶人物原型（3～7個）我國最為典型的社交平臺如新浪微博、騰訊QQ、天涯論壇和人人網上的若干個用戶構成要素用戶的自然屬性、關系屬性、興趣屬性、能力屬性、行為屬性、信用屬性等在線社交用戶的基本屬性特征和信息行為特征（時間間隔分布、活躍度分布、時間間隔重標度、交互周期、交互熱度、陣發性和記憶性等）研究方法采用定性與單標簽建模的分析方法基于人類動力學的定量分析方法其中，“在線社交用戶輿情信息傳播行為”是輿情畫像的研究對象，將之類比于用戶畫像研究中的“目標用戶”;用戶畫像的研究目標一般為各類用戶人物原型（3～7個），而本文將輿情畫像的研究目標界定為“我國最為典型的社交平臺如新浪微博、騰訊QQ、天涯論壇和人人網上的若干個用戶”;在構成要素方面，用戶畫像一般圍繞用戶的自然屬性、關系屬性、興趣屬性、能力屬性、行為屬性、信用屬性等展開論述，本文結合在線社交用戶輿情信息傳播的特點，將輿情畫像的構成要素細分為社交用戶基本屬性特征和信息行為特征兩大方面，基本屬性特征主要涵蓋社交用戶年齡、性別、學歷、住所等自然數據，信息行為特征主要基于人類動力學視角探討在線社交用戶信息傳播的時間間隔分布、活躍度分布、時間間隔重標度、交互周期、交互熱度、陣發性和記憶性等;在研究方法方面，目前的用戶畫像多采用定性與單標簽建模的分析方法，因此難以對用戶畫像進行細粒度的刻畫，而本文的輿情畫像則通過抓取在線社交用戶的行為數據進行多個指標的人類動力學定量分析，因此勾勒的“輿情畫像”粒度更為清晰。

由此，在線社交用戶信息傳播行為的“輿情畫像”具體步驟為：1）基于人類動力學視角構建在線社交用戶的“輿情畫像模型”，細分畫像的構成維度;2）以我國最為典型的社交平臺如新浪微博、騰訊QQ、天涯論壇和人人網為例，獲取上述各個平臺每個用戶的ID、用戶登錄時間、用戶信息發布時間、用戶發帖數和回帖數、用戶粉絲數與關注數等個人基本特征數據和用戶信息行為數據，對抓取的個人基本特征數據進行了顯著性檢驗;3）通過人類動力學計算方法進行實證分析，勾勒出在線社交用戶輿情信息傳播的概況，并進一步分析用戶的態度觀點傾向與群體行為特征。

1.2 在線社交用戶的輿情畫像模型

在構建在線社交用戶輿情畫像時，通常會使用高度精煉的特征標識即標簽來描繪用戶的基本屬性特征和在線行為特征，并基于此形成輿情畫像的輪廓，作為在線社交用戶的虛擬化代表，并從多個維度刻畫用戶輿情畫像模型。通常來說，獲取的用戶社交行為活動數據越多，構建的畫像特征越精準。但由于網絡隱私保護和數據獲取成本，很難構建完全匹配用戶特征的精確畫像模型。因此，數據獲取的過程需要考慮具體的使用情景。基于此，本文在獲取上述社交平臺的用戶信息及行為特征時，主要抓取以下兩個維度的信息：一是用戶的基本特征數據如年齡、地址、性別、學歷、職業;二是反應用戶社交平臺的操作和使用行為，例如訪問次數、點擊率、互動評論、瀏覽時長等。其中，用戶的基本特征數據包括賬號ID、網名、性別、學歷、職業、所在地、終端設備等，通過注冊社交平臺時提交的個人檔案頁（Profile Pages）獲取，這種方式成本較低且數據來源準確。這些數據包含了社交用戶細粒度和高精確度的基本信息。而用戶的行為信息數據主要是平臺操作情況，包括用戶發布信息的內容、發布時間、發布信息編號、以及獲得的轉發、評論、點贊數等數據。根據用戶的在線社交特性，本文基于上述兩大維度（基本信息及行為信息）構建出在線社交用戶的輿情畫像概念模型，具體如圖1所示。

1.3 輿情畫像的數據來源與分析

本文實證數據主要來自新浪微博、騰訊QQ、天涯論壇、人人網等我國較為知名的社交平臺。對于每個用戶，本文收集了用戶ID、用戶登錄時間、用戶信息發布時間、用戶發帖數和回帖數、用戶粉絲數與關注數等;對每條信息，收集了信息ID、信息被轉發和評論的時間、信息的轉發數和評論數等;由此可通過唯一的信息ID對每條信息的傳播動力學特征進行分析，即通過追蹤用戶ID可探討在線社交用戶的信息傳播行為。其中，新浪微博是我國著名的微博社交平臺，目前月活躍用戶3.92億，日活躍用戶1.72億。新浪微博每位用戶及其發布的信息均有唯一的ID標識碼，本文以滾雪球抽樣的方法獲取了新浪微博的189 031條信息。QQ是由騰訊開發的一款基于Internet的集體即時通信網絡信息交流工具，聊天成員因為某種共同興趣與話題聚集起來，是我國廣大網民網絡信息交流的重要工具。本文批量抓取QQ群中包括群名稱、群號、群人數、群主、地域、分類、標簽、群簡介等相關內容，由此返XLS（X）/CSV/JSON結果文件，共獲得騰訊QQ群的94 692條記錄。天涯社區是一個在我國乃至全球都具有一定影響力的網絡社區，每月覆蓋品質用戶超過2億，共抓取到天涯社區用戶的41 158條記錄。作為中國領先的實名制社交網絡平臺，人人網在用戶數量、頁面瀏覽量、訪問次數和用戶花費時長等方面具有一定的優勢。本文通過分析頁面http：//s.xnimg.cn/a44177/allunivlist.js獲得了人人網高校數據的js文件，該文件中包含了人人網用戶所在國家、城市、學校、熱點話題等信息，由此共獲取了人人網用戶的247 416條記錄。獲取的每個數據集包含用戶的基本特征數據以及信息行為數據，其中，用戶的基本特征數據主要包括ID、用戶名稱、性別、年齡、職業、所在地、終端設備等;行為信息數據主要包含用戶發布信息的特征值，如信息內容概要、發布的時間、信息生成編號、獲得的評論與轉發和點贊數量等。并對獲取的數據進行了顯著性檢驗，得到皮爾遜相關系數（簡稱）以及統計量，具體如表2所示。

表2中的計算結果體現了不同社交用戶個人基本特征關于PCC、χ2統計量上與信息行為相關性的對比情況。如表1中星號（*）所示，χ2統計量的計算結果顯示，表1中的大多數個人基本特征通過了置信水平為95%時的顯著性檢驗。但個人基本特征“用戶名”并沒有體現在表1中，這是因為“用戶名”僅是一個體現社交用戶個性的符號，其對用戶信息行為的影響基本可以忽略不計。其他的個人基本特征中，PCC的大小表明了用戶的基本信息特征和行為信息之間的線性相關關系的強弱程度。例如用戶的“地域”基本特征的統計值最高，由此說明了活躍用戶的地理分布主要位于一線城市及發達地區，這些地區的用戶數量要明顯高于其他地區，并且附帶著較強的信息行為。這一現象的出現與我國的經濟發展不均衡有關，東部沿海、內陸及西部地區的發展存在較大差異，導致發達地區的用戶量及活躍強度高于其他地區，呈現出地理區位的不均衡特性。

2 在線社交用戶信息傳播特征統計分析

本部分主要借鑒了人類動力學相關指標如時間間隔分布、活躍程度分布、時間間隔重標度、交互熱度分布、陣發性與記憶性等對在線社交用戶的信息行為特征進行實證分析。

2.1 時間間隔分布

時間間隔是人類動力學研究的核心統計量。是指某事件或者行為（如網絡購物、社交互動、網絡信息傳遞等）兩次發生期間的時間間隔。該統計量可用于度量用戶信息行為的發生頻率和周期，為理解其輿情信息行為的生成機制并分析其規律特征提供理論依據。圖2顯示了本文新浪微博、騰訊QQ、天涯論壇、人人網4個數據集中用戶信息交互的時間間隔分布，其中，QQ群的時間間隔是相鄰兩條對話的時間差，其他數據集的時間間隔為所討論話題下發布相鄰內容的時間差。每個數據集的時間間隔均服從冪律分布，冪指數集中在1.57～1.99的范圍內，QQ群的圖像出現一個彎曲的頭部，但在超過一個數量級的部分服從指數為1.58的冪律分布。天涯論壇的冪指數為1.57，與QQ群非常接近，這是由于天涯論壇和QQ群“重內容，輕關系”，1個話題或1條消息拋出后，具有相似經歷的用戶會形成共鳴并產生互動討論的熱情，用戶對于話題和信息的興趣由其本身引起，好友等熟人社交關系會帶來一定影響，但并不會產生爆發性的討論行為。可以看出，在線社交用戶信息交互過程中具有顯著的重尾分布特征，即信息出現爆發性的效應，短時期內相同話題下聚集大量活躍用戶和海量相關信息行為，但只有極少數信息會在短時間內形成爆發性特征。例如鹿晗表白關曉彤的微博“給大家介紹一下，這是我的女朋友@關曉彤”引起爆炸性的信息行為，一度導致新浪的服務器故障。

從圖2還可以看出，4個數據集的冪指數排列為人人網、新浪微博、QQ群、天涯論壇，本文從圖的有向性和使用意圖兩個維度給出解釋。基于圖的有向性視角，人人網的好友關系是雙向的，形成雙向圖，天涯論壇提供了“加好友”和“加關注”兩種選擇，好友關系可能是單向或雙向的，微博提供單向的好友關系，構成單向圖，QQ群成員由于某種相同的特性聚集在一起。例如：在同一個班級、企業，或同時學習一種知識等，群成員可能相互認識，也可能互不相識，群中的好友關系很弱。好友關系可以形成信息的雙向傳播，進而增強好友互動，好友之間發送信息頻率和活躍性增強，促進信息的傳播，而關注關系只能形成單向傳播，好友互動性較弱，發布信息的頻率也較少，因而形成了如上的冪指數特征。基于使用意圖視角，用戶加入QQ群是為了獲取信息，這些信息與群組中的大部分人相關，人們在微博和人人網上發布的信息大多與自身相關，這類信息發布比較隨意，發生的頻率較大，而與群體相關的信息相對個人信息數量較少，而且發布的頻率也較小，因此QQ群的冪指數低于人人網和新浪微博的數據集。

2.2 活躍程度分布

不同的人發布信息的數量、頻率等均不相同，形成了每個人的網絡信息活動強度，通過對活動強度進行標量，可以對比不同活躍程度的個體并分析其對社交用戶信息行為的影響。本文利用在線社交活動強度的研究方法來對比不同活躍程度的成員之間的差異。個體發布行為的活躍程度計算公式為Ai=ni/Ti。其中，ni表示個體發布信息的總量，TI表示發布第一條信息與最后一條信息相隔的時間，Ai表示個體的活躍程度。圖3表示4個數據集活躍程度的互補累積函數分布，計算公式為F（t）=P（t>A），表示活躍程度大于A的值出現概率的和。由圖3可以看出，活躍度高的個體所占總數的概率較少，活躍度低的個體占到整體的大部分比例。此外，活躍程度的分布非常廣泛，不同用戶的活躍程度相差較大，最高活躍程度的用戶與最低活躍程度的用戶之間相差3～7個數量級，如人人網高低活躍度之間相差3個數量級，QQ群相差7個多的數量級。以人人網為例，人人網的最高活躍程度集中在10-3～10-2之間，10-3～10-2部分的圖像呈現坡度非常陡峭的下降趨勢，而且最大值明顯小于其他數據集的最高活躍程度。這是由于人人網用戶粘性減弱，在網站停留時間明顯減少，客戶不斷流失，人人網的活躍程度明顯低于用戶在微博上的活躍程度，人人網的一份聲明也表明，其獨立用戶數相比之前減少了4 500萬，本文對新浪微博、天涯論壇和人人網近3個月的用戶訪問情況對比也發現，人人網的訪問量明顯低于微博和天涯論壇，因此，提升吸引力、增加用戶粘性和活躍程度是人人網亟待解決的一項重要問題。

2.3 時間間隔重標度

為了進一步研究在線社交用戶信息傳播時間間隔分布的潛在規律，本文對在線社交用戶信息傳播的時間間隔進行重新標度。本文通過公式t/〈t〉標度在線社交用戶連續的兩個發布行為時間間隔，其中t為時間間隔，〈t〉為時間間隔的均值，本文將p（t）〈t〉視為t/〈t〉的函數，以此來分析重新標度后的效果，其中重標度效果較好的幾組數據時間間隔分布如圖4所示。由圖4可以看出，重標度后的圖像基本可以擬合為一條曲線F（t），且曲線F（t）與在線社交用戶信息傳播行為的時間間隔均值是相互獨立的，這表明時間間隔服從函數p（t）=（1/〈t〉）F（t/〈t〉），從而揭示了在線社交用戶的信息傳播行為具有某種相似的潛在機制。例如在社交用戶的信息傳播過程中，活躍程度越大的用戶，信息傳播的時間間隔越窄。QQ群和天涯論壇的圖像類似，在上方均存在一些散亂的點，這是由于數據集對內容和關系的側重程度不同造成的，新浪微博和人人網更重視關系，QQ群和天涯論壇更側重于內容，這些散亂的點是經常處于沉默狀態的個體，遇到困難或其他需要幫助的情況下，在一段時間內出現爆發性發言形成的。

2.4 交互熱度分布

信息交互熱度對在線社交用戶的信息行為具有重要影響[24]。在線社交用戶信息交互熱度的計算方法為：Pi=Ni/Ti。其中，Ni表示對在線社交用戶對某一話題討論的信息總量，Ti表示某一話題交互周期的長短，兩者的比值就表示在線社交用戶信息交互的熱度。鑒于QQ群中用戶的討論內容較為隨意，話題的聚焦性不是很強，因此難以對其討論信息進行界定，故不對QQ群的話題交互熱度進行討論。本文在線社交用戶交互熱度分布具體如圖5所示。從圖中可以看出，不同話題中最高與最低的交互熱度相差5個左右的數量級。可以看出，天涯論壇用戶信息交互熱度的分布與其他幾個社交平臺存在較大的差異，其交互熱度強的話題所占平臺發布的總話題數量的概率相對較高，這說明論壇是引起話題熱度討論的主要聚集地之一。例如天涯論壇中某位名人2018年5月發表了一篇關于某熱播劇話題內容的帖子，截至6月份共獲得了3000+的回復和評論，但是在6月份則僅有很少的回復和評論數量。由此可以看出，網絡用戶一開始對這個熱播劇的話題具有較高的熱度，但隨著時間的推移，用戶的興趣慢慢變小，討論的數量也急劇下降，直至最后完全喪失了關注的興趣，此時論壇用戶的交互熱點降至最低。

2.5 陣發性和記憶性

陣發性和記憶性是衡量人類網絡信息行為的兩個重要指標。其中，陣發性是指人類行為在時間間隔服從冪律分布時所出現的短時間內的信息密集爆發和長時間的網絡靜默現象，其計算方法為：B=（σt-mt）/（σt+mt）。式中B表示在線社交用戶信息行為的陣發性，其取值范圍為（-1，1），B的值越趨近于-1，表示在線社交用戶信息行為的周期性越強;數值越接近于1，在線社交用戶信息行為的陣發性則越明顯。記憶性是指一個長時間間隔后出現較長的時間間隔現象，或者一個短時間間隔后跟著的另一個短時間間隔的現象，即該行為發生的時間序列具有一定的可記憶性。記憶性的計算方法為：M=（1/Nt-1）·∑Nt-1（（ti-m1）（ti+1-m2）/σ1σ2）。其中，M表示人類行為的記憶性，Nt表示人類行為時間間隔的總數;按照發生時間排序，信息行為的時間間隔可分為序列1和序列2，序列1由前N-1個元素構成，序列2由后N-1個元素構成;σ1和σ2分別表示序列1和序列2的標準差，而m1、m2則分別表示序列1和序列2的均值。記憶性M的取值范圍也為（-1，1），M的值越趨近于1，表示在線社交用戶信息行為的記憶性越強;M的值越趨近于-1，則表示用戶信息行為的反記憶性越強。計算每個個體的陣發性和記憶性的值，圖6表示陣發性與記憶性的二維投影，4個數據集的B值集中在正值，表現出強陣發性，M值較為分散，表現出弱記憶性，發布行為具有不可測性，與電子郵件發送、圖書借閱和手機通訊記錄相類似，在線社交用戶的信息傳播行為呈現“強陣發弱記憶”的特征。如以人人網為例，人人網最初名為“校內網”，主要的用戶群體聚焦于高校大學生。雖然校內網后來更名為人人網，在用戶群體上也跨出了校園內部這個范圍，但是絕大多數的在線人群依然為高校大學生群體。而對高校大學生來說，其網絡活動具有明顯的階段性特征：在臨近考試周的時候，其網上活躍度會明顯下降;在臨近放假階段，其網上活躍度將持續攀升;而在真正的放假期間，由于家庭、社會等因素的干擾，校內網絡活動的活躍度逐漸下降至冰點，甚至可能為0;在假期結束面臨開學時，學生又會重新回到到專屬于他們的校內平臺，關注于與校園生活相關的興趣話題中，因此，人人網用戶的網絡信息活動具有明顯的強陣發性和弱記憶性。

3 結 語

在線社交用戶的信息傳播行為的研究對完善網絡輿情生態環境具有重要意義，輿情畫像可以充分挖掘在線社交網絡數據并抽象出用戶群體的典型特征，進而提煉出不同類型用戶群體的行為標簽，洞悉其情感強度與態度傾向，最終用于網絡輿情的治理。本文提出了在線社交用戶輿情畫像的理念，通過對微博、QQ群、天涯論壇、人人網等社交平臺的深入挖掘，構建了在線社交用戶的輿情畫像模型，然后對其信息傳播行為的時間統計特征進行了實證分析。本文貢獻主要包括如下兩個方面：1）借鑒“用戶畫像”的思想，提出了在線社交用戶輿情畫像的概念，并從研究對象、畫像目標、構成要素、研究方法多個維度與用戶畫像進行了類比，由此構建了在線社交用戶的輿情畫像模型。“輿情畫像”在微觀層面對用戶的基本信息與傳播行為信息進行了有效的收集、識別與標簽化管理，有利于深入揭示其信息傳播行為特征，從而為完善網絡輿情生態環境奠定了基礎。2）基于輿情畫像模型，從時間間隔分布、活躍度分布、時間間隔重標度、交互周期、交互熱度、陣發性和記憶性等方面對在線社交用戶信息傳播行為的時間統計特征進行了實證分析。研究結果表明，在線社交用戶信息傳

播的時間間隔服從重尾分布，其活躍程度的分布非常廣泛，不同用戶的活躍程度相差較大;而時間間隔的重新標度方法則在一定程度上消除了不同活躍程度個體所造成的影響，揭示了用戶在線社交行為具有某種相似的潛在機制;此外，本文在線社交用戶的信息交互周期與熱度分布的實驗結果還表明，論壇社區中交互周期長、熱度強的話題所占平臺發布的總話題數量的概率相對較高;而人人網用戶則呈現出較明顯的“強陣發弱記憶”特征。上述研究成果的取得在宏觀層面有助于構建在線社交網絡輿情信息資源庫，強化對輿情話題的及時追蹤與有效治理，從而建立多元化的網絡輿情應對機制。

需要指出的是，本研究主要從人類動力學的視角對其輿情信息傳播特征進行分析，由此構建的在線社交用戶輿情畫像還不夠細致、全面，且海量數據環境下不同社會化媒體平臺對網絡輿情熱度的影響存在一定的差異[25-26]。擬在今后的研究中進一步考慮與社交用戶信息傳播行為需求相關的多維度因素，構制完整的描述性標簽體系，以此勾勒全面的在線社交用戶的輿情畫像，深入探討不同在線社交平臺用戶的信息傳播行為差異。

參考文獻

[1]張鵬，崔彥琛，蘭月新，等.基于扎根理論與詞典構建的微博突發事件情感分析與輿情引導策略[J].現代情報，2019，39（3）：122-130.

[2]Barabási A L.The Origin of Bursts and Heavy Tails in Human Dynamics[J].Nature，2005，435：207-211.

[3]Vázquez A.Modeling Bursts and Heavy Tails in Human Dynamics[J].Physical Review E，2006，73（3）：036127.

[4]Shang M S.Interest-Driven Model for Human Dynamics[J].Chinese Physics Letters，2010，27（4）：048701.

[5]陽長征.社交網絡中危機信息時間距離對用戶行為框架的差異影響研究[J].情報理論與實踐，2019，42（5）：67-72.

[6]Wang P.Heterogenous Scaling in the Inter-event Time of On-line Bookmarking[J].Physica A，2011，390（12）：2395-2400.

[7]Kan A，Chan J.A Time Decoupling Approach for Studying Forum Dynamics[J].World Wide Web，2013，16（5-6）：595-620.

[8]郭進利.博客評論的人類行為動力學實證研究和建模[J].計算機應用研究，2011，28（4）：1422-1424.

[9]何靜，郭進利，徐雪娟.微博用戶行為統計特性及其動力學分析[J].現代圖書情報技術，2013，（7/8）：94-99.

[10]Song Y D，Zhang C，Wu M.The Study of Human Behavior Dynamics Based on Blogosphere[C]//Proceedings of the Web Information Systems and Mining（WISM），2010：87-91.

[11]Bao Y Y，Xin Z H.Human Activity Pattern on Microblogging Interaction[C]//Proceedings of the Information Management，Innovation Management and Industrial Engineering，2011：303-306.

[12]Chun H，Kwak H，Eom Y H，et al.Comparison of Online Social Relations in Volume vs Interaction：A Case Study of Cyworld[C]//Proceedings of the 8th ACM SIGCOMM Conference on Internet Measurement，2008：57-70.

[13]蘇妍嫄.國內外用戶畫像研究綜述[J].情報理論與實踐，2018，41（11）：155-160.

[14]張亞明.基于用戶畫像的圖書館大數據知識服務情境化推薦[J].圖書館學研究，2018，（12）：16-20.

[15]孫晶晶.基于用戶畫像的旅游情境化推薦服務研究[J].情報理論與實踐，2018，41（10）：87-92.

[16]Ravi L.A Collaborative Location Based Travel Recommendation System Through Enhanced Rating Prediction for the Group of Users[J].Computational Intelligence and Neuroscience，2016，（2）：1291358.

[17]Sánchez P，Bellogín A.Building User Profiles Based on Sequences for Content and Collaborative Filtering[J].Information Processing and Management，2019，（56）：192-211.

[18]張亞明.在線社交活動中的用戶畫像及其信息傳播行為研究[J].情報科學，2018，36（12）：17-21.

[19]王妍妍.基于大數據深度畫像的個性化學習精準服務模式[J].圖書館學研究，2019，（15）：16-20.

[20]王慶，趙發珍.基于用戶畫像的圖書館資源推薦模式設計與分析[J].現代情報，2018，38（3）：105-109.

[21]陳晶.移動數字圖書館用戶畫像模型及情境化推薦方法[J].圖書館，2019，（3）：103-108.

[22]謝姝琳.面向情境化推薦服務的圖書館用戶畫像研究[J].圖書館學研究，2018，（10）：29-35.

[23]孫晶晶.用戶畫像模型及其在圖書館領域中的應用[J].圖書館理論與實踐，2018，41（7）：98-101.

[24]林萍，解一涵，魏靜.信息傳播平臺對網絡輿情熱度的影響分析[J].現代情報，2018，38（5）：94-99.

[25]劉海鷗.面向云計算的大數據知識服務情景化推薦[J].圖書館建設，2014，（7）：31-35.

[26]唐雪梅，朱利麗.社會化媒體情緒化信息傳播研究的理論述評析[J].現代情報，2019，39（3）：115-121.

（責任編輯：陳 媛）