彭麗徽+李賀+張艷豐

〔摘 要〕 [目的/意義]在輿情監(jiān)控和管理的實踐過程中，迅速有效地識別出輿情網(wǎng)絡中的關(guān)鍵節(jié)點，對輿情的監(jiān)督和治理具有重要意義。[方法/過程]從內(nèi)容與結(jié)構(gòu)雙重維度，設計一種完整的網(wǎng)絡輿情關(guān)鍵節(jié)點挖掘、識別和分類的技術(shù)方法。涉及GooSeeker、Gephi、Fuzzy AHP和TOPSIS等軟件和算法，并以新浪微博“8·12濱海爆炸”事件為例進行具體分析。[結(jié)果/結(jié)論]突破了單純從單一維度進行關(guān)鍵節(jié)點排序的局限性，使關(guān)鍵節(jié)點的識別與分類進一步深入，并明確演化特征，對網(wǎng)絡輿情的科學應對具有參考價值。

〔關(guān)鍵詞〕網(wǎng)絡輿情；關(guān)鍵節(jié)點；識別；分類；社會網(wǎng)絡分析；綜合評價

DOI：10.3969/j.issn.1008-0821.2017.08.003

〔中圖分類號〕G206 〔文獻標識碼〕A 〔文章編號〕1008-0821（2017）08-0017-09

〔Abstract〕[Purpose/significance]In the practice of public opinion monitoring and management，identifying the key nodes in the public opinion network quickly and effectively is of great significance to the supervision and management of public opinion.[Method/process]From the dual dimensions of content and structure，this paper designed a complete method for mining，identifying and classifying key nodes of network public opinion.Involving GooSeeker，Gephi，F(xiàn)uzzy AHP and TOPSIS software and algorithms，and Sina micro-blog 8·12 coastal explosion event as an example for specific analysis.[Result/conclusion]It broke through the limitation of sorting only the key nodes from a single dimension，made the identification and classification of key nodes further，and made clear the evolution characteristics，which had reference value to the scientific response of network public opinion.

〔Key words〕network public opinion；key nodes；identification；classification；social network analysis；comprehensive evaluation

隨著互聯(lián)網(wǎng)技術(shù)和Web2.0技術(shù)的廣泛應用和發(fā)展，自媒體社交服務平臺（諸如微博、Twitter、Facebook等）成為大眾交流與信息推廣的主要方式之一，用戶以文字、圖片和視頻等形式在自媒體平臺上進行信息交互，從而產(chǎn)生海量個人信息和交互數(shù)據(jù)，形成基于事件或其變異的網(wǎng)絡輿情[1]。從自媒體平臺用戶交互數(shù)據(jù)中挖掘出有價值的個人信息和交互信息的網(wǎng)絡輿情分析逐漸成為數(shù)據(jù)挖掘領域的研究熱點課題。在自媒體平臺信息傳遞與人際交互過程所形成的社會網(wǎng)絡關(guān)系中，以點和有向關(guān)系線條會形成一個復雜的社會網(wǎng)絡關(guān)系域，其中存在少數(shù)具有影響范圍廣、活躍度較高、重要性較強的節(jié)點，稱之為關(guān)鍵節(jié)點（也稱為意見領袖、網(wǎng)絡精英等）[2]。關(guān)鍵節(jié)點的連接度較高，其發(fā)表的言論會對社會關(guān)系域其他節(jié)點產(chǎn)生巨大影響[3]，甚至少量的關(guān)鍵節(jié)點卻能影響到網(wǎng)絡中大部分節(jié)點 [4]。關(guān)鍵節(jié)點挖掘與分析在網(wǎng)絡輿情識別、監(jiān)測與預警領域，尤其在熱點事件和突發(fā)事件的傳播中起到了引爆事件或加速事件發(fā)生的重要作用，如果不能及時掌控關(guān)鍵節(jié)點的發(fā)展致使網(wǎng)絡謠言惡意散布更會造成難以預見的后果。因此，本文結(jié)合社會網(wǎng)絡分析方法（SNA）及模糊TOPSIS分析方法，對網(wǎng)絡輿情關(guān)鍵節(jié)點進行識別和分類，以加強對網(wǎng)絡輿情的監(jiān)督，促進網(wǎng)絡環(huán)境治理。

1 研究述評

國內(nèi)外關(guān)于網(wǎng)絡輿論中關(guān)鍵節(jié)點的相關(guān)研究主要從社會網(wǎng)絡拓撲鏈接關(guān)系、基于內(nèi)容屬性綜合評價和基于動力屬性的傳播影響力評價3個方面進行具體闡述和分析。

1.1 社會網(wǎng)絡拓撲鏈接關(guān)系分析法

該方法根據(jù)節(jié)點的社會網(wǎng)絡關(guān)系來考慮節(jié)點間的相互鏈接關(guān)系對影響力的貢獻程度。D.Miorandi等[5]從中心度（K-shell）出發(fā)，提出K分解分析法，如果節(jié)點位于網(wǎng)絡中的層次在核心的位置上，K-shell值點越大，節(jié)點影響力越大。Lǚ等[6]提出可以通過關(guān)注信息傳播的寬度和廣度選擇有影響力的節(jié)點。康偉[7]以“7·23動車事故”為例基于鄰接矩陣數(shù)據(jù)進行了網(wǎng)絡密度、聚類系數(shù)和中心性測度等來進行關(guān)鍵節(jié)點分層與識別；龐科等[8] 發(fā)現(xiàn)社會網(wǎng)絡結(jié)構(gòu)洞分析法能夠準確地尋找到那些在網(wǎng)絡參政中發(fā)揮重要作用的虛擬參政者以及這些參政者在參政過程中所發(fā)揮的作用。張磊等[9]引入超網(wǎng)絡理論對微博語義社會網(wǎng)絡進行理論建模，使用情感本體以及LDA話題模型對數(shù)據(jù)實現(xiàn)節(jié)點量化，提出超邊排序算法對用戶節(jié)點進行計算和排序從而獲取關(guān)鍵節(jié)點。

1.2 基于內(nèi)容屬性綜合指標評價法

該方法側(cè)重于特定平臺環(huán)境，主要利用層次分析、主成分分析及綜合評價等方法，從話題傳播內(nèi)容角度分析影響要素，如粉絲數(shù)、點贊數(shù)、轉(zhuǎn)發(fā)評論數(shù)等指標進行混合加權(quán)建模，以此評判網(wǎng)絡輿情關(guān)鍵節(jié)點的重要性程度。Cha等[10]以Twitter為例，從粉絲數(shù)、轉(zhuǎn)發(fā)數(shù)和被提及數(shù)3個指標要素進行對比研究，發(fā)現(xiàn)在輿情傳播過程中轉(zhuǎn)發(fā)數(shù)和被提及數(shù)對輿情傳播的影響力更大；Pal等[11]在Twitter平臺上通過個體的發(fā)帖數(shù)、回復數(shù)、被轉(zhuǎn)發(fā)數(shù)和被提及數(shù)分別計算個體的轉(zhuǎn)發(fā)影響力、被提及影響力和擴散影響力等。周雪妍等[12]基于標題聚類將同一話題下數(shù)據(jù)抽象成變規(guī)?；貜完P(guān)系網(wǎng)絡，綜合考慮了帖子的話題屬性、情感傾向和網(wǎng)絡結(jié)構(gòu)關(guān)系，結(jié)合節(jié)點的網(wǎng)絡結(jié)構(gòu)和情感屬性，給出節(jié)點ID的影響力排序以提取輿論領袖。

1.3 基于動力屬性的傳播影響力評價法

該方法主要根據(jù)信息的傳播效果及觀點擴散規(guī)模直接考察節(jié)點影響力。毛佳昕等[13]提出了一個通過預測用戶傳播信息能力大小來分析和度量用戶社會影響力的方法。蔣侃等[14]針對輿情信息擴散網(wǎng)構(gòu)建WSD-Rank擴散影響力度量模型，并實驗證明該模型能更直接、細化的度量用戶實際影響力；Bakshy等[15]基于twitter數(shù)據(jù)集，根據(jù)相同頁面鏈接的統(tǒng)一資源定位器URL構(gòu)造傳播級聯(lián)樹，利用種子節(jié)點的擴散規(guī)模來度量擴散影響力。

在以上研究中，網(wǎng)絡輿情指標要素提取、關(guān)鍵節(jié)點識別及類別劃分存在以下問題：輿情社會網(wǎng)絡指標要素較少，考慮傳播屬性間權(quán)重分配問題；從傳統(tǒng)單維度、單因素分析對關(guān)鍵節(jié)點識別作用具有很大的局限性，并且很少將情感傾向作用及情感認同度運用到關(guān)鍵節(jié)點識別，這是有悖于信息傳播規(guī)律的；研究通常運用某種方法按節(jié)點影響力大小進行關(guān)鍵節(jié)點排序，得出的是單一類型排序結(jié)果，然而，不同指標集合的綜合評判以及增刪節(jié)點會形成多種形式的關(guān)鍵節(jié)點類型，深層次挖掘其活躍節(jié)點及潛在隱性節(jié)點是輿情識別與預警的關(guān)鍵。

綜上所述，網(wǎng)絡輿情節(jié)點的關(guān)鍵性一方面受到網(wǎng)絡拓撲結(jié)構(gòu)特性的影響，另一方面也受到輿情傳播內(nèi)容特征及信息傳播動力機制的影響。傳統(tǒng)網(wǎng)絡輿情關(guān)鍵節(jié)點識別研究大多僅從單維度特征來進行研判，并且在內(nèi)容研究領域，對節(jié)點包含的情感、語義等其他屬性也涉獵較少。因此，本研究在已有文獻的基礎上，利用GooSeeker、Gephi等數(shù)據(jù)挖掘方法，結(jié)合SNA和模糊TOPSIS算法，提出包括原始數(shù)據(jù)挖掘、節(jié)點識別及影響力計算、關(guān)鍵節(jié)點分類等一套網(wǎng)絡輿情節(jié)點識別分類的技術(shù)方法，并以“8·12濱海爆炸事故”為案例進行具體分析，從內(nèi)容屬性和社會網(wǎng)絡屬性兩個維度對關(guān)鍵節(jié)點進行綜合評判，使網(wǎng)絡輿情事件關(guān)鍵節(jié)點的發(fā)現(xiàn)和網(wǎng)絡輿情危機的引導更具客觀性、預見性和科學性。

2 模型構(gòu)建與算法設計

2.1 研究框架

本文研究框架主要包括3個任務步驟：①對初始網(wǎng)絡輿情進行數(shù)據(jù)提取、過濾，結(jié)合網(wǎng)絡輿情傳播特點，基于內(nèi)容與結(jié)構(gòu)維度分別從內(nèi)容要素指標和社會網(wǎng)絡指標兩方面提取指標要素原始數(shù)據(jù)；②根據(jù)指標量化規(guī)則，量化各屬性值并構(gòu)建網(wǎng)絡輿情特征矩陣，通過構(gòu)建指標過濾模型來進行指標屬性特征值計算、指標屬性權(quán)重計算和關(guān)鍵節(jié)點排序計算；③通過對不同維度指標計量及刪失關(guān)鍵節(jié)點后重新進行社會網(wǎng)絡分析，可進一步對網(wǎng)絡輿情關(guān)鍵節(jié)點進行有效分類。本研究網(wǎng)絡輿情關(guān)鍵節(jié)點識別分類過濾模型框架和推理流程如圖1所示。

2.2 指標模型

本研究通過文獻調(diào)研和專家咨詢，改進、完善文獻[16]的網(wǎng)絡輿情屬性指標要素，從網(wǎng)絡輿情社會網(wǎng)絡指標和內(nèi)容要素指標兩個維度構(gòu)建網(wǎng)絡輿情話題參與者的8個指標，構(gòu)成本文的“8度”指標要素，本研究構(gòu)建網(wǎng)絡輿情關(guān)鍵節(jié)點概念指標模型如圖2所示。

其中，社會網(wǎng)絡指標是網(wǎng)絡輿情傳播所形成的網(wǎng)絡拓撲結(jié)構(gòu)中的中心要素指標，從網(wǎng)絡節(jié)點中心度、關(guān)聯(lián)度、聚集度和路徑長度4個指標要素計量，社會網(wǎng)絡指標要素有其固有的計量算法和公式，通常使用社會網(wǎng)絡分析軟件Ucinet和Gephi進行數(shù)據(jù)分析和可視化呈現(xiàn)；內(nèi)容要素指標是網(wǎng)絡輿情傳播過程中傳播數(shù)據(jù)對關(guān)鍵節(jié)點的影響指標要素，包括活躍度、影響度、認同度和擴散度4個指標要素，內(nèi)容要素指標主要反映信息傳播內(nèi)容及語義情感對節(jié)點關(guān)鍵性的影響，一般通過特定的評價算法予以指標數(shù)據(jù)量化。本文擬定這兩個維度屬性對網(wǎng)絡輿情關(guān)鍵節(jié)點的作用是相同的，故忽略其權(quán)重對網(wǎng)絡輿情關(guān)鍵節(jié)點計算數(shù)據(jù)的影響。網(wǎng)絡輿情關(guān)鍵節(jié)點二維量化屬性指標矩陣如表1所示：

表中，設，表示網(wǎng)絡輿論參與某個事件討論的Agent集合；，表示Agent屬性的個屬性指標值。其中，是第個Agent的第個屬性值，本文構(gòu)建的8個指標要素組成是網(wǎng)絡輿情社會網(wǎng)絡傳播要素重點參考的內(nèi)容，也能夠比較全面反映網(wǎng)絡輿情傳播內(nèi)容對關(guān)鍵節(jié)點影響的作用功能。

2.3 指標分析與量化

2.3.1 社會網(wǎng)絡指標

2.5.2 關(guān)鍵節(jié)點分類

由于輿情傳播的復雜性，單一的綜合“8度”指標排序來判斷關(guān)鍵節(jié)點的方法僅能形成一種輿情傳播節(jié)點類型，而社會網(wǎng)絡指標要素代表話題參與者在話題網(wǎng)絡傳播的關(guān)聯(lián)度，代表重要地位人物節(jié)點，內(nèi)容指標要素主要表示話題參與者在網(wǎng)絡輿情傳播中的參與度，代表在輿情話題中該節(jié)點的活躍程度。因此，可根據(jù)不同屬性維度指標分別計算和排序，可呈現(xiàn)具有不同作用特點的不同類別關(guān)鍵節(jié)點。因此本研究從社會網(wǎng)絡指標角度和內(nèi)容要素指標角度兩個維度綜合判斷節(jié)點類型。具體來講：

1）對話題參與者的“8度”指標模糊TOPSIS綜合評價并排序，排序位前者即為綜合關(guān)鍵節(jié)點，也稱為意見領袖節(jié)點。

2）將“8度”指標排序識別出的關(guān)鍵節(jié)點刪除，構(gòu)建其余話題參與者的新二維結(jié)構(gòu)量表，并結(jié)合屬性指標值重新進行TOPSIS推理計算排序，可以進一步識別出潛在意見領袖。

3）從社會網(wǎng)絡指標的中心度可評判社會網(wǎng)絡節(jié)點入度與出度的關(guān)系，可以衡量話題參與人在該社會網(wǎng)絡關(guān)系中關(guān)系的緊密程度，反映節(jié)點在社會網(wǎng)絡地位的重要程度，可用以識別重要節(jié)點和重要地位人物。

4）刪除社會網(wǎng)絡已識別的重要地位人物節(jié)點重新進行指標的運算和可視化分析，可得到潛在重要地位人物節(jié)點。

5）從內(nèi)容要素指標的活躍度、影響度、認同度、擴散度能夠很好地判斷話題參與人的發(fā)帖能力和參與話題的活躍程度，可視為關(guān)鍵活躍節(jié)點，用以識別關(guān)鍵活躍人物。

具體分類與運算流程如圖3所示。

3 案例研究

3.1 數(shù)據(jù)搜集

本文選取新浪微博中的“8·12濱海爆炸”事件輿情作為分析的案例，主要基于以下兩點：①新浪微博是一個具有代表性的自媒體傳播平臺，是一個相對比較成熟的網(wǎng)絡輿情傳播渠道，吸引了眾多網(wǎng)民參與相關(guān)話題的討論。②“8·12濱海爆炸”事件被認定為特別重大生產(chǎn)安全責任事故，事件發(fā)生之后迅速得到了網(wǎng)絡媒體和社交平臺等傳播媒介的關(guān)注，相關(guān)衍生事件和話題不斷增加，衍生成為2015年度一個輿論熱點話題。

初始數(shù)據(jù)采集方法是使用集搜客GooSeeker[20]網(wǎng)絡爬蟲軟件爬取網(wǎng)絡輿情關(guān)鍵節(jié)點指標信息，從指定事件出發(fā)，選取“天津爆炸”、“812”、“濱海爆炸”作為挖掘的關(guān)鍵字對微博中網(wǎng)民的中心度、關(guān)聯(lián)度等“8度”指標數(shù)據(jù)進行挖掘采集。所獲取的數(shù)據(jù)集包括2015年8月12日至2015年9月12日，共計1個月時間內(nèi)126273個節(jié)點，對發(fā)帖者的回復數(shù)量與轉(zhuǎn)發(fā)數(shù)量進行爬取和計量，并刪除入讀為0和轉(zhuǎn)發(fā)次數(shù)少于10次的節(jié)點，然后將節(jié)點進行編號，經(jīng)過上述數(shù)據(jù)處理得到10214個有效節(jié)點數(shù)，根據(jù)3.3節(jié)指標量化方法，即公式（1）-公式（10），計算各節(jié)點指標數(shù)據(jù)作為最終用于推理的網(wǎng)絡節(jié)點計算參數(shù)。

3.2 關(guān)鍵節(jié)點識別

該階段通過運用模糊加權(quán)TOPSIS算法，對已經(jīng)結(jié)構(gòu)化的數(shù)據(jù)進行操作，計算出該事件中每個節(jié)點的影響力。首先，筆者邀請28名網(wǎng)絡輿情研究的專家根據(jù)3.4節(jié)公式（11）-公式（16）構(gòu)建的模糊層次分析法進行優(yōu)先矩陣比較兩兩比較專家評分，包括6名具有副高以上職稱的從事高校情報、輿情分析的研究者，4名從事傳播領域研究方面的專家，18名來自國內(nèi)985高校情報學網(wǎng)絡輿情方向在讀博士研究生，經(jīng)計算“8度”指標權(quán)重分別為。確定指標權(quán)重后，再通過公式（17）-公式（23）的計算過程，對這些節(jié)點的影響力分值分布進行統(tǒng)計如表2所示：

由數(shù)據(jù)可以看出，全部節(jié)點有14520個，而影響力在（0-0.1）之間的節(jié)點有11986個，占了全部節(jié)點的83%左右，構(gòu)成整個社會網(wǎng)絡構(gòu)成的大眾群體，而節(jié)點影響力在0.1以上的節(jié)點有2534個，約占17%，其中包含了影響力分值在0.5以上的頂端關(guān)鍵節(jié)點14個?？梢钥偨Y(jié)出該節(jié)點網(wǎng)絡83%的節(jié)點的影響力較小，對信息傳播方向和對網(wǎng)絡輿情的走勢影響極小，故在研究中不作為影響因素考慮。根據(jù)信息資源傳播的二八定律，在節(jié)點分值為[0.1，0.5]的5個分值區(qū)間，分值頂端的1/5的節(jié)點區(qū)間才是我們需要關(guān)注的關(guān)鍵ID范圍，即本文節(jié)點分值大于0.5的14個節(jié)點。因此，本研究選取表2中分值大于0.5的14個頂端節(jié)點進行關(guān)鍵節(jié)點分析，根據(jù)ID編號抽取他們的基本信息如表3所示：

14個關(guān)鍵節(jié)點的“8度”指標數(shù)據(jù)構(gòu)成下一步分析的基礎數(shù)據(jù)，編號對應用戶名和節(jié)點影響力的14個頂端關(guān)鍵節(jié)點分值信息如表4所示：

3.3 關(guān)鍵節(jié)點分類

根據(jù)2.5.2關(guān)鍵節(jié)點分類原理，經(jīng)過計算各個發(fā)帖人的“8度”屬性指標模糊TOPSIS計算可得網(wǎng)絡輿情關(guān)鍵節(jié)點綜合排序，得到意見領袖節(jié)點；將“8度”指標模糊TOPSIS排序識別出的關(guān)鍵節(jié)點刪除，結(jié)合屬性指標值重新進行TOPSIS推理計算排序，可以識別出潛在意見領袖；從社會網(wǎng)絡指標的入度和出度指標進行社會網(wǎng)絡可視化分析可以識別重要地位節(jié)點；刪除社會網(wǎng)絡已識別的重要地位人物節(jié)點重新進行指標的運算和可視化分析，可得到潛在重要地位人物節(jié)點；從內(nèi)容要素指標的活躍度、影響度、認同度、擴散度能夠判斷識別關(guān)鍵活躍節(jié)點。

其中重要節(jié)點計算使用Gephi軟件，選取表2的14個頂端關(guān)鍵節(jié)點的入度與出度進行擬合，根據(jù)節(jié)點大小進行排序，得到該14個節(jié)點與其他相連節(jié)點的社群圖，如圖4所示：

在本研究中，進出度排序前4，排序為“媒體人張曉磊”、“晉江我想吃肉”、“飛揚小LH”和“簡單其實很辛苦”，其特點是事件爆發(fā)后第一時間發(fā)帖進行事態(tài)播報，具體發(fā)帖信息如表5所示。

在本案例中，表中4個節(jié)點為基于進出度的重要地位節(jié)點，關(guān)鍵節(jié)點輿情信息傳播的危機程度與其情感態(tài)度有較大關(guān)聯(lián)，因此本文考慮其節(jié)點的情感屬性，首先可以將負面關(guān)鍵節(jié)點“晉江我想吃肉”和“飛揚小LH”隔離，另外“媒體人張曉磊”與“簡單其實很辛苦”雖然發(fā)帖的態(tài)度為中立，但對應的回帖態(tài)度大多是負面回復，所以考慮將該節(jié)點一并隔離，這樣將有效減少90%以上的話題參與人與節(jié)點回復關(guān)系，并且社會網(wǎng)絡圖中潛在重要地位關(guān)鍵節(jié)點也將顯示出來，潛在重要地位節(jié)點社會網(wǎng)絡關(guān)系如圖5：

綜合以上分析，“8·12濱海爆炸”事件網(wǎng)絡輿情各類型關(guān)鍵節(jié)點如表6所示：

3.4 關(guān)鍵節(jié)點類型特征分析

由分類結(jié)果可知，在“8·12濱海爆炸”事件中，基于內(nèi)容與結(jié)構(gòu)的網(wǎng)絡輿情關(guān)鍵節(jié)點可分為5種類型，相比較于傳統(tǒng)單一類型劃分，本研究能夠?qū)崿F(xiàn)多維類別關(guān)鍵節(jié)點類型不同演化特征規(guī)律的結(jié)果展現(xiàn)，也能夠進一步通過各類型關(guān)鍵節(jié)點分類特征的歸納和總結(jié)，針對不同節(jié)點類型特征制定不同的引導措施。

1）意見領袖節(jié)點代表為“晉江我想吃肉”、“媒體人張曉磊”、“刺客嘉文”和“飛揚小LH”，所發(fā)帖子內(nèi)容正是網(wǎng)民對本事件的最主要爭議點，且“媒體人張曉磊”和“飛揚小LH”的發(fā)帖時間正好為帖子數(shù)量趨勢圖兩峰值的前一天，對事件輿情走勢起到了極大的推動作用。

2）潛在意見領袖節(jié)點代表是“簡單其實很辛苦”、“財神萬”、“徐鳳文”與“Miss_aa豆”，可以發(fā)現(xiàn)此類型節(jié)點一般與意見領袖節(jié)點直接相連，并且已擁有一部分回帖支持者，且回帖內(nèi)容支持率較高。潛在意見領袖具有隱性節(jié)點特征，雖然當前影響力不高，但極具引爆輿論走勢的潛力，潛在意見領袖觀點有利于輿情觀點引導以及網(wǎng)絡謠言的澄清和分辨。

3）重要地位節(jié)點排名第一的為“媒體人張曉磊”，雖然該類型節(jié)點粉絲數(shù)與活躍度并非最高，但擁有大量回復和轉(zhuǎn)載，社會網(wǎng)絡關(guān)系連接的進出入度較高，對輿情事件傳播起到直接的促進作用。

4）潛在重要地位節(jié)點的代表是“刺客嘉文”與“徐鳳文”等，此類節(jié)點多是重要地位節(jié)點之間連接的過渡節(jié)點，處于次網(wǎng)絡中心地位，是網(wǎng)絡輿情中后期傳播擴散度及輿論走勢持續(xù)性的關(guān)鍵。

5）關(guān)鍵活躍人物排名第一的為“晉江我想吃肉”，雖然該發(fā)帖人社會網(wǎng)絡連接度不是最高，但發(fā)帖頻率、帖子獲取點擊數(shù)和粉絲數(shù)很高，對輿情事件的發(fā)展與傳播具有隱性的影響作用。

綜合以上分析，針對不同類型負面輿論關(guān)鍵節(jié)點制定不同的干預措施如表7所示：

綜合本文關(guān)鍵節(jié)點識別分類結(jié)果與現(xiàn)實“8·12濱海爆炸”事件對比分析，事件爆發(fā)后以“晉江我想吃肉”、“媒體人張曉磊”等形成的意見領袖節(jié)點和重要地位節(jié)點迅速發(fā)聲并跟蹤事態(tài)發(fā)展，引發(fā)眾多回復和轉(zhuǎn)載，從而形成一股強大的網(wǎng)絡輿情傳播力量；以“簡單其實很辛苦”、“財神萬”為代表的潛在意見領袖節(jié)點和“刺客嘉文”與“徐鳳文”等潛在重要地位節(jié)點以更加客觀的角度對輿情事件進行闡述，引導了輿情事件中后期輿論傳播走勢，是輿情事件初期輿論擴散傳播的潛在重要力量；而以“晉江我想吃肉”為代表的關(guān)鍵活躍節(jié)點由于發(fā)帖量大和粉絲數(shù)高，很多微博大V轉(zhuǎn)發(fā)其微博從而形成新的輿論焦點，對輿情事件的傳播發(fā)揮了隱性的影響作用。對比發(fā)現(xiàn)，本研究識別、歸納的各類型關(guān)鍵節(jié)點在整個輿情事件的發(fā)展過程中發(fā)揮了重要的作用，產(chǎn)生了極大的社會網(wǎng)絡輿論傳播效果，與真實事件輿情轉(zhuǎn)播過程聯(lián)系緊密并且高度相關(guān)，從而也證明本研究基于內(nèi)容與結(jié)構(gòu)的網(wǎng)絡輿情關(guān)鍵節(jié)點算法和分析具有一定的前瞻性與科學性。

4 結(jié)語

本文利用GooSeeker挖掘網(wǎng)絡輿情數(shù)據(jù)，使用Gephi進行輿情傳播的社會網(wǎng)絡分析，結(jié)合Fuzzy AHP法和TOPSIS算法對“8·12濱海爆炸”在微博中的關(guān)鍵節(jié)點進行挖掘、識別、分析與分類，綜合考慮內(nèi)容與結(jié)構(gòu)兩個維度得到輿情事件關(guān)鍵節(jié)點影響力排名，并且在對關(guān)鍵節(jié)點進行挖掘的基礎上進行類別劃分，轉(zhuǎn)變傳統(tǒng)使用單一用戶節(jié)點計算的局限性，突破了單純從單一維度進行關(guān)鍵節(jié)點排序的局限性，使關(guān)鍵節(jié)點的識別與分類進一步深入和明確演化特征。在理論層面，提出一種較為科學、嚴謹?shù)木W(wǎng)絡輿情關(guān)鍵節(jié)點識別分類過濾模型方法；在應用層面，有利于輿情監(jiān)測部門掌握網(wǎng)絡輿情事件中關(guān)鍵節(jié)點特征與作用機制并有效地加以利用，從而提高網(wǎng)絡輿情識別、監(jiān)測與管理的水平，對不同類型節(jié)點實施相應的管理機制，提前做出預警和應急策略。

同時本研究也存在一些局限，一是由于指標量化是從內(nèi)容與結(jié)構(gòu)兩個維度由專家經(jīng)驗得出的模糊數(shù)據(jù)，量化結(jié)果存在一定的主觀偏差，指標維度與“8度”指標要素都存在一定的可拓展性；二是大數(shù)據(jù)環(huán)境下網(wǎng)絡輿情傳播方式和表現(xiàn)形式呈現(xiàn)多種形式和多樣性的特征，關(guān)鍵節(jié)點的影響力不僅反映在新浪微博中，還可以由新聞、論壇、博客等構(gòu)成，諸多平臺數(shù)據(jù)和隱性指標數(shù)據(jù)未能予以完全考慮。在后續(xù)研究中，將進一步拓展維度與指標要素，優(yōu)化指標量化分析與關(guān)鍵節(jié)點排序算法，并從不同平臺選取更多的數(shù)據(jù)源和更廣泛的輿情話題對網(wǎng)絡輿情關(guān)鍵節(jié)點識別與分類進行更深入研究。

參 考 文 獻

[ 1 ]朱衛(wèi)未，王海琴.基于社會網(wǎng)絡和偏好排序的意見領袖識別方法研究[J].情報雜志，2015，（6）：104-108，125.

[ 2 ]劉志明，劉魯.微博網(wǎng)絡輿情中的意見領袖識別及分析[J].系統(tǒng)工程，2011，29（6）：8-16.

[ 3 ]肖宇，許煒，夏霖.網(wǎng)絡社區(qū)中的意見領袖特征分析[J].計算機工程與科學，2011，33（1）：150-156.

[ 4 ] Weng J，Lim E P，Jiang J，et al. Twitter Rank：Finding Topic-Sensitive Influential Twitterers[C].In：Proceedings of the 3rd ACM International Conference on Web Search andData Mining.New York：ACM Press，2010：261-270.

[ 5 ] Miorandi D，Pellegrini F.D.K-shell Decomposition for Dynamic Complex Networks[C]//Proceedings of the 8th International Symposium on Modeling and Optimization in Mobile，Ad Hoc and Wireless Networks （WiOpt）.Piscataway：IEEE，2010：488-496.

[ 6 ] Lü，L.Y，Zhang，Y.C.，Yeung，C.H.，et.al. Leaders in Social Networks，the Delicious Case[J].PloS one，2011，6（6）：e21202，1-9.

[ 7 ] 康偉.基于SNA的突發(fā)事件網(wǎng)絡輿情關(guān)鍵節(jié)點識別——以“7·23動車事故”為例[J].公共管理學報，2012，9（3）：101-111.

[ 8 ]龐科，陳京民.社會網(wǎng)絡結(jié)構(gòu)洞在網(wǎng)絡參政領袖分析中的應用[J].武漢理工大學學報（信息與管理工程版），2011，（1）：86-89.

[ 9 ]張磊，馬靜，李丹丹，等.語義社會網(wǎng)絡的超網(wǎng)絡模型構(gòu)建及關(guān)鍵節(jié)點自動化識別方法研究[J].現(xiàn)代圖書情報技術(shù)，2016，（3）：8-17.

[ 10 ] Cha，M.，Haddadi，H.，Benevenuto，F(xiàn).，et.al.Measuring User Influence in Twitter：The Million Follower Fallacy[J].ICWSM，2010，（10）：10-17.

[ 11 ] Pal，A，Counts，S.（2011）.Identifying topical Authorities in Microblogs[C]//Proceedings of the Fourth ACM International Conference on Web Search and Data Mining.New York：ACM，2011：45-54.

[ 12 ]周雪妍，楊靜，林澤鴻，等.基于標題聚類的論壇輿論領袖發(fā)現(xiàn)算法[J].計算機工程與設計，2014，（12）：4316-4319，4334.

[ 13 ]毛佳昕，劉奕群，張敏，等.基于用戶行為的微博用戶社會影響力分析[J].計算機學報，2014，37（04）：1-10.

[ 14 ]蔣侃，唐竹發(fā)，隋浩.基于微博信息擴散質(zhì)量的網(wǎng)絡輿情關(guān)鍵節(jié)點識別[J].情報科學，2016，（7）：64-69

[ 15 ] Bakshy，E.，Hofman，J.M，Mason，W.A.，et.al.（2011）.Everyones an Influencer：Quantifying Influence on Twitter.[C]//Proceedings of the Fourth ACM International Conference on Websearch and Data Mining. New York：ACM，2011：65-74.

[ 16 ]劉怡君，李倩倩，馬寧，等.社會輿情的網(wǎng)絡分析方法與建模仿真[M].科學出版社，2016.

[ 17 ]張吉軍.模糊一致判斷矩陣3種排序方法的比較研究[J].系統(tǒng)工程與電子技術(shù)，2003，25（11）：1370-132.

[ 18 ]張吉軍.模糊層次分析法（FAHP）[J].模糊系統(tǒng)與數(shù)學，2000，14（2）：80-88.

[ 19 ]司守奎，孫璽菁.數(shù)學建模算法與應用[M].北京：國防工業(yè)出版社，2011.

[ 20 ] GooSeeker.MetaSeeker[EB/OL].[2017-03-18].http：//www.gooseeker.com/product.

（本文責任編輯：郭沫含）