馬丹琳，程秀峰（. 北京郵電大學(xué)經(jīng)濟(jì)管理學(xué)院，北京 00876；. 華中師范大學(xué)信息管理學(xué)院，武漢 430079）

高校圖書館微博知識推薦影響力研究

馬丹琳1，程秀峰2
（1. 北京郵電大學(xué)經(jīng)濟(jì)管理學(xué)院，北京 100876；2. 華中師范大學(xué)信息管理學(xué)院，武漢 430079）

在運用非概率抽樣的滾雪球式抽樣方法的基礎(chǔ)上，采用python編寫網(wǎng)絡(luò)爬蟲程序獲取百所高校圖書館兩個月內(nèi)的微博相關(guān)數(shù)據(jù)，通過回歸分析探究微博發(fā)布過程中各因素對知識推薦影響力的線性關(guān)系，同時依據(jù)分析結(jié)果，歸納出微博知識推薦過程中影響推薦質(zhì)量與傳播質(zhì)量的因素，并提出提升高校圖書館微博賬戶知識推薦影響力的對策與建議。

高校圖書館；知識推薦；影響力；線性回歸；微博

伴隨著社交媒體的發(fā)展，我國高校圖書館業(yè)務(wù)重心逐漸由“優(yōu)化館藏建設(shè)”向“優(yōu)化用戶服務(wù)”轉(zhuǎn)移，深化用戶服務(wù)內(nèi)容與方式的一個重要手段就是圖書館官方微博的開通。重慶大學(xué)于2009年即開通了官方微博［1］，到2015年，絕大部分高校都已經(jīng)開通了自己的圖書館微博，但從質(zhì)量上看，圖書館微博的知識傳播水平始終與圖書館本身的館藏水平與文獻(xiàn)利用水平有很大差距，例如，北京大學(xué)圖書館2015年11月和12月的博文的平均轉(zhuǎn)發(fā)量只有3.93次。因此，如何用好微博，使其作為知識傳播與知識推薦手段的效用發(fā)揮到最大，是高校圖書館工作者必須面對的問題。筆者于2014年發(fā)表的《基于關(guān)聯(lián)規(guī)則的高校圖書館微博關(guān)注趨勢分析》一文中，介紹了微博數(shù)據(jù)的獲取方法與流程，通過對高校圖書館關(guān)注數(shù)據(jù)進(jìn)行分析，得出如何在高校圖書館官方服務(wù)賬戶中發(fā)現(xiàn)高質(zhì)量的社區(qū)和核心用戶。在此基礎(chǔ)上，本文將微博賬戶的粉絲數(shù)、轉(zhuǎn)發(fā)量、關(guān)注數(shù)作為衡量知識推薦影響力大小的重要指標(biāo)。通過持續(xù)抓取高校圖書館微博賬戶的數(shù)據(jù)，采用線性回歸的方法，探究三種顯性影響因素（粉絲數(shù)、博文數(shù)、關(guān)注數(shù)），與三種隱性影響因素（原創(chuàng)率、類型、載體形式與轉(zhuǎn)發(fā)量）之間的多維度線性關(guān)系，從不同維度分析各因素對微博知識推薦的影響過程與效用，以期針對分析結(jié)果提出有利于高校圖書館微博知識推薦發(fā)展的一些建議。

1　數(shù)據(jù)的獲取方式及預(yù)處理

1.1 數(shù)據(jù)獲取的抽樣方式及其優(yōu)點

本文依據(jù)《基于關(guān)聯(lián)規(guī)則的高校圖書館微博關(guān)注趨勢分析》一文中論述的依據(jù)關(guān)聯(lián)規(guī)則發(fā)現(xiàn)關(guān)注關(guān)聯(lián)性的方法，即“如果一個圖書館微博關(guān)注了某個高校圖書館微博，那么它有很大可能關(guān)注其他高校圖書館的微博”［2］，采用統(tǒng)計學(xué)中非概率抽樣的滾雪球式抽樣方法［3］，選取了2013年9月—10月間高校圖書館官方微博賬號與相關(guān)微博數(shù)據(jù)。滾雪球抽樣式方法對用于稀少群體調(diào)查時具有明顯優(yōu)點，容易找到屬于特定群體的被調(diào)查者，調(diào)查方式簡單易行［4］。由于用爬蟲進(jìn)行數(shù)據(jù)挖掘之前需要找到大量圖書館官方賬戶，采用此類數(shù)據(jù)抽樣的方法十分適合本次研究。

1.2 數(shù)據(jù)的預(yù)處理

我們首先以普通高等本科院校為實例，分別以“大學(xué)圖書館”、“大圖書館”、“學(xué)院圖書館”為檢索詞進(jìn)行圖書館微博用戶的篩選，一共得到943條結(jié)果，其中經(jīng)過新浪機(jī)構(gòu)認(rèn)證的用戶占21％，未經(jīng)過認(rèn)證（無“V”認(rèn)證）的占79％（如圖1）。對比認(rèn)證用戶和未認(rèn)證用戶的注冊信息發(fā)現(xiàn)，認(rèn)證用戶大多為國內(nèi)“985”及“211”工程等綜合實力較強(qiáng)的大學(xué)及學(xué)院圖書館所開設(shè)的微博客，其在微博內(nèi)容更新和內(nèi)容管理上更加具有條理性、系統(tǒng)性，更具有影響力研究分析價值［5］。

接著，我們在得到的198所“加V認(rèn)證”用戶中，綜合考慮某段時間內(nèi)用戶活躍度和高校綜合影響力這兩個因素，對數(shù)據(jù)進(jìn)行人工排查、去重，最終遴選出100所高校作為本次研究的主要數(shù)據(jù)來源［2］。

隨后，經(jīng)簡單統(tǒng)計發(fā)現(xiàn)，100所高校圖書館官方微博認(rèn)證賬戶中，985、211高校的圖書館微博占30％，非985、211高校的圖書館微博占70％。

圖1　高校圖書館微博賬戶認(rèn)證狀況的數(shù)量分布

2　顯性影響因素線性關(guān)系（粉絲數(shù)、關(guān)注數(shù)、微博數(shù)）

高校圖書館微博賬戶的粉絲數(shù)是體現(xiàn)其知識推薦影響力的重要指標(biāo)；微博賬戶的關(guān)注數(shù)反映了微博賬戶在網(wǎng)絡(luò)中傳播知識的能力。同時，通過關(guān)注與被關(guān)注這一鏈接形態(tài)，微博實際上形成了其特有的知識傳播模式；微博賬戶一段時間發(fā)布的微博數(shù)體現(xiàn)了其在該段時間內(nèi)進(jìn)行知識推薦的強(qiáng)度［6］。從認(rèn)知層面上看，微博賬戶的粉絲數(shù)應(yīng)與其一段時間內(nèi)發(fā)布的微博數(shù)量、該微博賬戶的關(guān)注量存在某種函數(shù)關(guān)系，然而，這種函數(shù)關(guān)系是隨時間微博內(nèi)容等第三類因素變化而變化的，這就為它們之間的相關(guān)性提供了不確定性，我們只能通過時間片采樣等方式盡量減少，而不能避免這種不確定性，這也就是為何在獲得與影響因素之間的線性關(guān)系后，需要對分析結(jié)果進(jìn)行主觀判斷的原因。

2.1 相關(guān)性的描述與測度的關(guān)系形態(tài)，即是否是線性相關(guān)。筆者通過將獲取的100所高校圖書館官方微博的粉絲數(shù)量、關(guān)注數(shù)、微博數(shù)量導(dǎo)入SPSS統(tǒng)計分析軟件，將關(guān)注數(shù)、微博數(shù)量作為自變量，粉絲數(shù)量作為因變量，輸出結(jié)果如下：

經(jīng)判定系數(shù)R2檢驗：在高校官方微博賬戶粉絲數(shù)量的變差中，能被粉絲數(shù)與關(guān)注數(shù)、微博數(shù)的多元回歸方差所解釋的比例為88.4％，具有良好的回歸方程的擬合優(yōu)度。因此，可以用多元線性回歸模型對粉絲數(shù)與關(guān)注數(shù)、微博數(shù)進(jìn)行分析。從隨后所建立的多元回歸方程來看，以關(guān)注數(shù)、微博數(shù)量作為自變量來預(yù)測粉絲數(shù)時，平均預(yù)測誤差為298.1個粉絲。

2.2 線性關(guān)系及顯著性檢驗

設(shè)自變量x1為關(guān)注數(shù)、自變量x2為微博數(shù)量、y為因變量粉絲數(shù)，采用最小二乘法估計多元回歸方程，經(jīng)計算得出：

線性關(guān)系檢驗F=104.815＞F0.05，證明粉絲數(shù)與關(guān)注量、微博數(shù)量的線性關(guān)系顯著；｜t1｜=2.114＞ta/2且｜t2｜=13.447＞ta/2，證明線性關(guān)系能通過回歸系數(shù)檢驗。觀測量累積概率P-P圖見圖2，得出殘差分布服從正態(tài)性，證明線性回歸正確。

圖2　觀測量累積概率P-P圖

?

在進(jìn)行多元線性回歸分析之前需要判定變量之間

2.3 結(jié)果分析

統(tǒng)計結(jié)果說明，高校圖書館微博賬戶的關(guān)注數(shù)、微博數(shù)與粉絲數(shù)三者之間存在顯著的二元線性關(guān)系。

第一，關(guān)注數(shù)（微博賬戶所關(guān)注的微博數(shù)量）與粉絲數(shù)量存在負(fù)相關(guān)，即隨著該賬戶關(guān)注數(shù)量的增加粉絲數(shù)逐漸減少。

第二，高校圖書館一定時期的微博數(shù)量與粉絲數(shù)量存在正相關(guān)，即隨著微博數(shù)量的增加，粉絲數(shù)也會增加。

我們對結(jié)果進(jìn)行分析解釋：當(dāng)高校圖書館微博賬戶的關(guān)注量達(dá)到一定的數(shù)量，且關(guān)注量與粉絲數(shù)比例高于一定程度時，該高校圖書館在網(wǎng)絡(luò)中會失去其核心用戶的地位，讀者或已關(guān)注粉絲會通過關(guān)注其他核心用戶獲取核心知識推薦源，而有一定知名度的微博賬戶普遍存在關(guān)注微博數(shù)量較少的現(xiàn)象，而越是粉絲多的微博，其獨特性越高，關(guān)注的其他微博的意愿就會越低；高校圖書館微博需要實時發(fā)布知識推薦信息，及時滿足用戶對知識的需求，并且高校圖書館微博數(shù)量在一定程度上體現(xiàn)了圖書館知識推送的及時性。因此，高校圖書館關(guān)注數(shù)與粉絲數(shù)量存在負(fù)相關(guān)。而一定時期的微博數(shù)量與粉絲數(shù)量存在正相關(guān)。

3　原創(chuàng)性與粉絲數(shù)之間的線性關(guān)系

3.1 內(nèi)容原創(chuàng)比與粉絲數(shù)的回歸分析

除了2中所述三種顯性影響因素外，微博內(nèi)容的原創(chuàng)性也體現(xiàn)了圖書館在信息生態(tài)鏈層次中所處的位置與狀態(tài)［7］：處于高層次“節(jié)點”的賬戶可以吸引更多的粉絲，且粉絲黏合度較高；處于低層次的賬戶會逐漸失去粉絲的忠誠度。為驗證高校圖書館微博賬戶原創(chuàng)性與粉絲數(shù)量的關(guān)系，筆者通過高校圖書館微博內(nèi)容的原創(chuàng)比率來體現(xiàn)微博內(nèi)容的原創(chuàng)性，采用一元線性回歸分析進(jìn)行驗證。

經(jīng)檢驗R2=0.831，Se=87.6。證明在高校官方微博賬戶粉絲數(shù)量的變差中，能被粉絲數(shù)與微博內(nèi)容原創(chuàng)比的多元回歸方差所解釋的比例為83.1％，具有良好的回歸方程的擬合優(yōu)度；并得出一元線性回歸方程為：

經(jīng)線性關(guān)系檢驗F=13.46＞F0.05，證明粉絲數(shù)與微博內(nèi)容原創(chuàng)比線性關(guān)系存在顯著的線性關(guān)系；且｜t｜= 10.208＞ta/2通過回歸系數(shù)檢驗。

3.2 結(jié)果分析

統(tǒng)計結(jié)果說明，高校圖書館微博賬戶的原創(chuàng)性與粉絲數(shù)量之間存在顯著的正相關(guān)。

我們對結(jié)果進(jìn)行分析解釋：微博平臺中的信息傳播并不像傳統(tǒng)信息生態(tài)鏈那樣自上而下、點對面的傳播［8］。每一個高校圖書館微博賬戶在社會網(wǎng)絡(luò)的信息生態(tài)鏈中均是一個“節(jié)點”，但不同“節(jié)點”之間存在明顯的強(qiáng)弱關(guān)系。信息生態(tài)鏈中的這一理論可以很好地解釋高校圖書館內(nèi)容原創(chuàng)比與粉絲數(shù)的線性關(guān)系。在高校圖書館中，往往微博內(nèi)容含有較高比例原創(chuàng)性的圖書館微博可以形成“強(qiáng)關(guān)系”，而經(jīng)常轉(zhuǎn)發(fā)微博的圖書館微博會占據(jù)“弱關(guān)系”或逐漸走向“弱關(guān)系”。高校圖書館微博處在的“節(jié)點”關(guān)系越強(qiáng)，進(jìn)行知識推薦時的影響力就越大；微博內(nèi)容的原創(chuàng)性在一定程度上加強(qiáng)了“節(jié)點”關(guān)系的強(qiáng)度，這也恰恰符合一元線性回歸方式中微博內(nèi)容原創(chuàng)比與微博賬戶粉絲數(shù)具有正相關(guān)性的統(tǒng)計結(jié)果。

4　 微博內(nèi)容與轉(zhuǎn)發(fā)量之間的回歸分析

4.1 微博內(nèi)容分類的方法

微博內(nèi)容是微博的直接體現(xiàn)，內(nèi)容的質(zhì)量無法定量判斷，然而可以通過對其進(jìn)行分類，觀察各類微博對轉(zhuǎn)發(fā)量之間的線性關(guān)系，從而判斷微博影響力。經(jīng)排查、去重后篩選出的100個大學(xué)圖書館微博大致可以按其微博內(nèi)容劃分為通知公告、特色活動、資源動態(tài)、書籍推薦和其他五種類型［9］。筆者認(rèn)為，圖書館開館時間安排、館內(nèi)日常情況通報等可以歸為通知公告類；由本校圖書館舉行的展覽、培訓(xùn)講座、真人圖書館、新增信息服務(wù)項目以及各種非日常活動歸為特色活動類；數(shù)字資源購買、更新，紙質(zhì)資源購買以及特色資源庫的構(gòu)建等歸為資源動態(tài)類；新到圖書的內(nèi)容簡介以及具有閱讀價值的書籍推薦歸為新書推薦類；非以上內(nèi)容歸為其他類［10］。經(jīng)歸類統(tǒng)計得出高校圖書館一段時間內(nèi)容的分類統(tǒng)計及轉(zhuǎn)發(fā)量。表1為統(tǒng)計之后的部分?jǐn)?shù)據(jù)。

表1　部分高校圖書館微博內(nèi)容分類統(tǒng)計及轉(zhuǎn)發(fā)量統(tǒng)計

4.2 分析結(jié)果及結(jié)論

多元回歸分析計算結(jié)果表明：通知公告、特色活動、資源動態(tài)、書籍推薦和其他這五類高校圖書館日常微博動態(tài)與轉(zhuǎn)發(fā)量之間存在明顯的線性關(guān)系，且均通過線性關(guān)系檢驗和回歸系數(shù)檢驗。其多元線性回歸方程為：

通過分析不同自變量的回歸系數(shù)可以得知：除通知公告與轉(zhuǎn)發(fā)量之間存在負(fù)相關(guān)的函數(shù)關(guān)系外，其余自變量均與轉(zhuǎn)發(fā)量之間呈現(xiàn)正相關(guān)；書籍推薦與特色活動對轉(zhuǎn)發(fā)量的正相關(guān)系數(shù)最大；資源動態(tài)與其他類型的微博發(fā)布對轉(zhuǎn)發(fā)量的提升顯著效果較低。

該結(jié)果表明：用戶對高校圖書館官方微博發(fā)布的通知公告并不感興趣，過多地發(fā)布通知公告會降低用戶的興趣度；與書籍推薦、特色活動相比，發(fā)布資源動態(tài)和其他類的微博用戶興趣度較低。因此，高校圖書館官方微博應(yīng)當(dāng)通過合理安排發(fā)布微博的內(nèi)容結(jié)構(gòu)提升自身在知識推薦過程中的影響力。

5　信息載體與轉(zhuǎn)發(fā)量的回歸分析

5.1 微博信息載體的類型

微博實際上是文字、圖片、視頻三種載體的綜合，而三種載體則各有特色。文字描述是一種比較傳統(tǒng)的信息描述方式，通過簡單的文字排列可以構(gòu)成豐富的信息內(nèi)容，但篇幅較長的文字容易讓讀者產(chǎn)生視覺疲勞，不利于信息傳遞；圖片則是較為直觀的信息表現(xiàn)方式，圖片信息可以通過圖形、色彩的排列來傳達(dá)，同時規(guī)避了單一的黑白色調(diào)給讀者造成的視覺疲勞；視頻信息則是將文字、圖片以及聲音結(jié)合在一起，從三方面對讀者進(jìn)行神經(jīng)刺激，更容易讓人產(chǎn)生共鳴，使人記憶深刻。

高校圖書館微博內(nèi)容所依托的載體在很大程度上決定了所發(fā)微博的轉(zhuǎn)發(fā)量，進(jìn)而影響其知識推薦涉及的范圍。不同載體形式是否對轉(zhuǎn)發(fā)量有顯著影響，而哪種載體對轉(zhuǎn)發(fā)量的影響較大是高校圖書館通過微博進(jìn)行知識推薦時應(yīng)當(dāng)廣泛關(guān)注的重點。

5.2 分析結(jié)果及結(jié)論

多元回歸分析計算結(jié)果表明：文本、圖片、視頻作為轉(zhuǎn)發(fā)數(shù)量的影響是明顯的，其具有明顯的線性相關(guān)性；且均通過線性關(guān)系檢驗和回歸系數(shù)檢驗。其多元線性回歸方程為：

由方程可知，在不考慮其他因素的情況下，綜合發(fā)布文本、圖片、視頻這三種形式的微博對知識推薦影響力的增大均存在正向相關(guān)關(guān)系；這比只發(fā)布純文本、純圖片或純視頻的微博有較大優(yōu)勢。增加影響力（轉(zhuǎn)發(fā)量）的關(guān)鍵點在于三種載體形式的綜合與平衡使用。

同時，我們可以看出，視頻對知識推薦影響力的促進(jìn)作用最大；在一般情況下高校圖書館微博賬戶發(fā)布視頻進(jìn)行知識推薦的影響力最高，而僅以純文本形式進(jìn)行知識推送對用戶的影響力最有限。

另外，高校圖書館發(fā)布微博向讀者進(jìn)行知識推薦，讀者則根據(jù)自己的興趣選擇是否接收該信息，那么這個過程可以看作一個溝通過程。根據(jù)Hovland、Janis和Kelly提出的溝通說服理論，影響溝通效果的因素劃分為三大類，即信息來源者的因素、信息本身因素以及信息接受者的因素。信息本身的因素又包括信息的內(nèi)容、信息的形式、信息的數(shù)量等因素。而信息的形式不僅有口頭的、文字的，還有圖片、動畫、視頻等視覺信息，即視覺信息線索。薛建儒等學(xué)者認(rèn)為視覺線索（Visual Cues）是對視感知的一種激勵［11］，同時對于網(wǎng)絡(luò)知識推薦領(lǐng)域來說，趣味性是網(wǎng)絡(luò)信息的重要特征［12］，而豐富的視覺線索激起讀者對知識的興趣，給讀者帶來更加深刻的印象，并且影響信息的傳播效果。

6 提升微博知識推薦影響力的具體建議

高校圖書館微博將微博平臺作為知識傳播媒介，通過微博的發(fā)布與轉(zhuǎn)發(fā)實現(xiàn)知識的自創(chuàng)與自播，達(dá)到知識的充分共享與充分傳遞［13］。本文將微博的影響力因素分為顯性因素與隱性因素兩類：顯性因素（微博數(shù)量、關(guān)注數(shù)量與粉絲數(shù)量）更加類似于評估指標(biāo)，通過它們的線性相關(guān)性分析，可以得出在某一時間段中三者之間存在著某種動態(tài)平衡規(guī)律。其中微博數(shù)量與關(guān)注數(shù)量是可調(diào)控的，而粉絲數(shù)量不可主觀調(diào)控，但是可以利用前二者與第三者間的相關(guān)性規(guī)律，解釋這三種核心因素與轉(zhuǎn)發(fā)量這一主要評價指標(biāo)的關(guān)系，即：①微博數(shù)量可以作為轉(zhuǎn)發(fā)量的重要影響因素，其與影響力成正相關(guān)；②關(guān)注其他微博的數(shù)量與轉(zhuǎn)發(fā)量呈負(fù)相關(guān)，但這種負(fù)相關(guān)不是絕對的，它受到其他隱性影響因素的影響，在某一時間段這兩者可以保持動態(tài)平衡，但這種平衡比較脆弱；③粉絲數(shù)與轉(zhuǎn)發(fā)量之間存在正相關(guān)，但不是顯性影響因素。若我們將知識本身作為鏈接源，將微博傳播知識的過程看作用戶對知識進(jìn)行充分吸收后的自傳播，進(jìn)而達(dá)到知識的再分配過程，則更加便于我們科學(xué)利用微博作為手段進(jìn)行知識推薦。

隱性影響因素在微博的創(chuàng)造、組織、利用與傳播中的作用超過顯性影響因素，從微博的內(nèi)容分布、載體形式、主題熱度到原創(chuàng)性，無一不是提升微博影響力的重要手段，科學(xué)合理觀察與利用這些隱性影響因素，能使微博知識推薦工作更加成熟：

第一，高效穩(wěn)定的更新頻率。如果不能及時、有效地更新信息內(nèi)容，保障推薦知識的時效性，就很難吸引跟隨者的持續(xù)關(guān)注。不固定的更新頻率也會讓高校圖書館發(fā)布的微博被讀者端的巨大信息量所湮沒，進(jìn)而導(dǎo)致圖書館微博發(fā)布的信息以及推薦的知識不能及時有效地傳播給用戶［14］。

第二，盡量充分的原創(chuàng)內(nèi)容。由上文分析可知，提高微博內(nèi)容的原創(chuàng)性是保持微博熱度的有效方法。原創(chuàng)程度越高，越能吸引更多用戶，越能保持已有粉絲的用戶黏性，從而占據(jù)信息生態(tài)鏈的頂端。另外，微博的原創(chuàng)性代表著館藏資源的特殊性與核心競爭力，這種特殊性不僅體現(xiàn)在知識本身，更體現(xiàn)在文字結(jié)構(gòu)、語氣以及組織形式上。

第三，動態(tài)平衡的知識類型。在推送知識時，應(yīng)當(dāng)注重合理分配微博內(nèi)容形式：既要避免僅僅發(fā)布單一類型的知識，也要避免種類過于龐雜。在同一時間段內(nèi)，宜將圖書館近期需要發(fā)布的內(nèi)容進(jìn)行預(yù)分類，將熱點知識與一般知識進(jìn)行合理搭配、循序漸進(jìn)地發(fā)布相關(guān)內(nèi)容。

第四，靈活友好的用戶體驗。微博需要結(jié)合用戶評論與反饋，將知識有針對性地推薦給相關(guān)讀者。同時，采取措施避免知識推薦的單調(diào)、枯燥；在挖掘需求的基礎(chǔ)上，以靈活友好的形式發(fā)布知識。

第五，科學(xué)合理的知識載體。圖片、文字、音視頻為微博自創(chuàng)與自播提供的載體。由本文第5部分的分析結(jié)論可知，微博的知識載體的選擇在很大程度上影響著讀者的閱讀感受及興趣。在進(jìn)行知識推薦時，直觀的圖片配以文字可以在一定程度上增加讀者的閱讀興趣；而采用視頻作為知識推薦的載體更能使用戶接受。但是不能長時間運用同一載體。

第六，冷熱適度的熱點議題。圖書館需要結(jié)合時事熱點進(jìn)行知識發(fā)布，這樣能突出微博的實時性，增加用戶興趣，但不能一味強(qiáng)調(diào)時事新聞的重要性，而忽視了圖書館傳播知識的本職，需要將知識與時事相互融合，使之相得益彰。

第七，把握總體平衡。提升高校圖書館微博知識推薦的影響力，更需要在總體把握顯性影響因素與隱性影響因素之間的平衡，例如，不能因為粉絲過少而在短時間內(nèi)盲目提高內(nèi)容的趣味性；不能因轉(zhuǎn)發(fā)量過少而花太多精力在視頻的采集與制作上；不能因影響力較高而減少對其他圖書館微博的關(guān)注。

7 結(jié)語

利用單一手段提升圖書館微博影響力已難以吸引用戶，作為高校中傳播知識的重要窗口，圖書館微博需要綜合利用各種方法，科學(xué)合理地改進(jìn)原有的圖書館館藏資源推薦模式，深入細(xì)致地挖掘本館特色資源，將更多精力投入到知識推薦的深層挖掘與有效組織上來，使微博成為具備一定影響力知識推薦工具，成為移動用戶了解圖書館、獲取館藏資源的重要渠道。微博以它獨特的信息傳播方式縮短了用戶與知識的鴻溝，在知識推薦領(lǐng)域存在極大的潛力和價值?，F(xiàn)代圖書館的建設(shè)，應(yīng)在提高館藏資源利用率的同時，充分發(fā)揮社交網(wǎng)絡(luò)在知識服務(wù)中的價值。對于有一定影響力的微博，本文數(shù)據(jù)可以作為保持其影響力的參考資料；對于影響力落后的微博，需要合理調(diào)整自己的知識組織模式，學(xué)習(xí)其他微博的先進(jìn)經(jīng)驗。

［1］ 陳琳.國內(nèi)圖書館微博應(yīng)用現(xiàn)狀研究［J］.圖書館學(xué)研究,2011（12）:30-33,5.

［2］ 程秀峰,李重陽,陳莉玥.基于關(guān)聯(lián)規(guī)則的高校圖書館微博關(guān)注趨勢分析［J］.圖書情報工作,2014,58（8）:73-78.

［3］ Goodman L A. The Annals of Mathematical Statistics ［J］. Institute of Mathematical Statistics, 1961, 32（1）: 148-170.

［4］ Newman M E J. The Structure and Function of Complex Networks ［J］. SIAM review, 2003, 45（2）: 167-256.

［5］ 劉靜.我國高校圖書館認(rèn)證用戶微博調(diào)查分析:以新浪微博為平臺［J］.圖書館學(xué)研究,2012（1）:90-95.

［6］ 祝方林.大學(xué)圖書館微博信息行為分析［J］.高校圖書情報論壇,2012,11（2）:7-11,24.

［7］ 馬捷,孫夢瑤,尹爽,等.微博信息生態(tài)鏈構(gòu)成要素與形成機(jī)理［J］.圖書情報工作,2012（18）:73-75.

［8］ 楊小溪.網(wǎng)絡(luò)信息生態(tài)鏈價值管理研究［D］.武漢:華中師范大學(xué),2012.

［9］ 楊玫.公共圖書館微博推廣實證研究:以杭州圖書館為例［J］.情報資料工作,2012（4）:102-105.

［10］ 劉鐘美,張文彥.高校圖書館的微博新時代［J］.圖書館理論與實踐,2012（4）:77-81.

［11］ 薛建儒,鄭南寧,鐘小品,等.視感知激勵:多視覺線索集成的貝葉斯方法與應(yīng)用［J］.科學(xué)通報,2008,53（2）:172-182.

［12］ Chen Q, Rodgers S. Development of Instrument to Measure Web Site Personality ［J］. Journal of Interactive Advertising, 2006, 7（1）: 47-64.

［13］ Hricko M. Using Microblogging Tools for Library Services ［J］. Journal of Library Administration, 2010（50）: 684-692.

［14］ 吳桂英,杜友桃.基于微博客的圖書館信息交流服務(wù)模式［J］.圖書館學(xué)刊,2012（3）:79-80,139.

程秀峰，男，1981年生，華中師范大學(xué)信息管理學(xué)院講師，研究方向：大數(shù)據(jù)、數(shù)字圖書館。

Analysis on Influence of Weibo Knowledge Recommended by College Libraries

MA DanLin1, CHENG XiuFeng2
（1. School of Economics & Management, Beijing University of Posts and Telecommunications, Beijing 100876, China；2. School of Information & Management, Central China Normal University, Wuhan 430079, China）

On the basis of using snowball sampling - one of the non-probability sampling techniques, we grab the relevant data of microblogs of college libraries within two months by programming web crawler via python, and then explore the liner relationship between the factors in the process of microblog release for the influence of recommending knowledge. According to the result of analysis, we summarize the factors that influence the quality of recommendation and transmission, and propose countermeasures and advice to promote the knowledge recommendation influence of college libraries microblog account.

College Libraries； Knowledge Recommendation； Influence； Linear Regression； Microblog

TP391

10.3772/j.issn.1673-2286.2016.1.004

馬丹琳，女，1993年生，北京郵電大學(xué)碩士研究生，研究方向：大數(shù)據(jù)、移動互聯(lián)網(wǎng)，E-mail：danlinm164@bupt.edu.cn。

2015-12-28）