徐翔

摘 要：當前對于社交網(wǎng)絡“標準偶像”現(xiàn)象和機理的研究，仍缺乏足夠重視、專門實證探討和理論自覺。明確提出“標準偶像”的理論概念，并進行其機理實證分析。采用潛在語義分析（LSA）對微博用戶的文本數(shù)據(jù)進行挖掘，結(jié)合統(tǒng)計檢驗和路徑分析考察標準偶像的作用。社交網(wǎng)絡內(nèi)容生產(chǎn)中，高粉絲數(shù)、高流量、高咖位的用戶，其個體的內(nèi)容整體不是趨向豐富性、垂直細分和特立獨行的差異化，而是趨向越來越重復、趨似和標準化。微博用戶的粉絲數(shù)越高，則其趨同于標準用戶的程度相應越高，用戶粉絲數(shù)和內(nèi)容之間的關系越來越閉合，促進高粉階層的異質(zhì)性不斷被削磨，同一化標準化程度不斷增加，表現(xiàn)出“標準偶像”的現(xiàn)象、效應及其社會文化邏輯。微博中的“標準偶像”及其傳播后果，蘊含著從“大眾偶像的勝利”到“標準偶像的勝利”、從多樣話語崛起到封閉圈層和“社會窄化”的轉(zhuǎn)向。

關鍵詞：社交網(wǎng)絡;標準偶像;微博用戶;用戶相似性;潛在語義分析

中圖分類號：G206.3 文獻標志碼：A 文章編號：1009-055X（2021）04-0109-14

doi：10.19366/j.cnki.1009-055X.2021.04.011

社交網(wǎng)絡的內(nèi)容生產(chǎn)與傳播中，“人人都有麥克風”的自主性、多樣亞文化和碎片化語境，似乎和個體的同一化乃至標準化并無關系。社交網(wǎng)絡用戶生成內(nèi)容（UGC）的各種大咖①、大V②和“流量擔當”、人氣用戶，似乎千差萬別，豐富著各種垂直領域和細分領域，形成獨樹一幟、專門化、多樣化的用戶。為了便于行文，本文將社交網(wǎng)絡具有高影響力、高粉絲數(shù)或者高人氣關注的用戶，稱為各種不同程度的“偶像”用戶。

從偶像的內(nèi)涵上，“偶像崇拜是個人對其喜好人物的社會認同和情感依戀”[1]。新媒體語境下，“偶像的發(fā)展很大程度上仰仗于粉絲的助力支持”[2]，諸多研究也都強調(diào)媒體“偶像-粉絲”的緊密對應關系[3-6]。本文基于媒介文化的語境，對于社交網(wǎng)絡“偶像用戶”的界定如下：在社交網(wǎng)絡中，具有足夠影響力、“圈粉”量、粉絲規(guī)?；蜃冯S者的用戶。由于偶像用戶的粉絲數(shù)量或追隨者規(guī)模的不同，產(chǎn)生了社交網(wǎng)絡偶像在程度上的強弱差異。

隨之而來的一個基本但又經(jīng)常面臨的問題是：社交網(wǎng)絡內(nèi)容生產(chǎn)中的偶像用戶，他們是多樣化的，抑或是趨同化的？針對問題，要強調(diào)的是一種可稱為“標準偶像”的傳播趨勢和機制：高粉絲數(shù)、高流量、高咖位的用戶，其個體的內(nèi)容整體不是趨向豐富性、垂直細分和特立獨行的差異化，而是趨向減少個體的獨特性，增強同一化和標準化，甚至帶來高粉階層的封閉與窄化。本文將在理論內(nèi)涵分析的基礎上，結(jié)合微博用戶數(shù)據(jù)和文本挖掘予以統(tǒng)計檢驗。

一、研究回顧

現(xiàn)代大眾媒介社會，偶像的主要代表是傳媒影響下的明星、高人氣用戶、“大咖”等。中國語境下的大眾偶像具有較多的文化意義，榜樣、偶像、網(wǎng)絡紅人的生成“走過了一個政治文化驅(qū)動—商業(yè)文化驅(qū)動—草根文化驅(qū)動的歷程”[7]。隨著網(wǎng)絡媒體、自媒體的崛起，涌現(xiàn)出新的大批“網(wǎng)絡紅人”“草根偶像”和“民星偶像”。這些不同類型、主題、風格的網(wǎng)絡媒介偶像，通常不被人們認為具有重復、似同、單一的“標準化”特點。相反，他們往往被慣性地認為具有多樣性、豐富性。例如，有學者認為網(wǎng)絡后現(xiàn)代性的交往實踐所構(gòu)建的是“不穩(wěn)定的、多重的和分散的主體”，在網(wǎng)絡紅人的生產(chǎn)中，個體化的主體的消失正是后現(xiàn)代網(wǎng)絡傳播主體特征的體現(xiàn)[8]。尤其在網(wǎng)絡偶像多元化的“民星”時代和網(wǎng)絡紅人，有研究者提出，偶像崇拜更為多元和小眾[9]。這些觀點被接受程度較高，也較為流行，但多數(shù)憑借經(jīng)驗或理論判斷，因此需要更為實際的檢驗。社交網(wǎng)絡中的偶像用戶到底是多樣化抑或趨同化，成為本文所擬實證的主要問題之一。

對社交網(wǎng)絡中的高流量大咖、高人氣用戶或意見領袖的實證分析，也多數(shù)是在這種“多樣性”的框架下進行的，或只是分析在多樣之中如何表現(xiàn)出一定程度的聚集趨勢的并存，而無法專門聚焦于偶像用戶內(nèi)容特征在深層的趨同性和同化。例如，方付建[10]將網(wǎng)絡意見領袖分為專家型、草根型、身份型和技術型四種類型。生奇志等[11]指出，微博意見領袖有明星型、精英型、政務型、專業(yè)型、公益型、宗教型等。這些研究對于社交網(wǎng)絡或微博意見領袖強調(diào)其多樣性和內(nèi)容差異性[12-13]，或者強調(diào)其個性化和專業(yè)化[14]。在此基礎上要進一步探討的是，高影響力用戶和意見領袖的類型分化程度，在與其他用戶群體的橫向比較下，去判定他們是否變得更加多樣化，或不那么多樣化。這構(gòu)成本文中重要而基本的問題。

就媒介文化與大眾文化而言，法蘭克福學派的學者洛文塔爾在其經(jīng)典研究中，分析和論證了刊物媒體上的偶像人物及其類型的特征與轉(zhuǎn)變，也即他們從企業(yè)家、教授、嚴肅藝術家等生產(chǎn)型的偶像，轉(zhuǎn)向娛樂、體育、休閑等領域的消費型的偶像[15]。這對于偶像的“趨同化”，有著重要意義和啟發(fā)。同時，以下兩方面的現(xiàn)象仍有待繼續(xù)深入研究。首先，媒介空間中的偶像，在某一時間段，偏向于某種狹窄的類型（無論是生產(chǎn)型還是消費型）和某種狹義上的共通特征，而非同時廣泛、均衡地包含這些多種差異的類型。無論是生產(chǎn)偶像還是消費偶像，都可視作狹義的表現(xiàn)，它們服從于一個更大的規(guī)律和范疇——可稱之為趨于同化的“標準偶像”?；蛘哒f，問題的關鍵不僅僅在于偶像屬于何種類型，而是在于它們屬于同種類型?！皹藴逝枷瘛爆F(xiàn)象表達的是一種“媒體復制時代”的用戶再生產(chǎn)及其偶像用戶趨同化的社會文化現(xiàn)象。其次，偶像或非偶像，并非只是“是或否”的定性區(qū)分，而包含著定量的程度區(qū)分。因而需要探討隨著“偶像”程度或?qū)蛹壍淖兓?，偶像的趨同特征又會發(fā)生怎樣的變化。結(jié)合當今強勢崛起的社交網(wǎng)絡和自媒體，其所包含的問題是“非偶像”或“低程度偶像”與流量明星、圈粉人氣偶像的類型分布特征和變化規(guī)律。

部分研究注意到，內(nèi)容各異的微博用戶和意見領袖之中可能具有主導類型與傾向性。例如，曹洵等[16]的研究顯示，微博的意見群體中營銷類、娛樂類成為主流。佟力強[17]把新浪微博名人用戶主要分為七類，指出文化傳媒類、商業(yè)財經(jīng)類、文體明星類占的比例最大。王國華等對于微博意見領袖分布的調(diào)研中，人氣榜、影響力榜各自的前100名意見領袖中，娛樂明星占比最大且明顯超過其他任何類型[18]?？傮w上，這些分析給我們的重要啟示是多樣用戶內(nèi)容的背景下，用戶高趨同化或相似化是可能的。在此基礎上，仍需回應的問題包括：一是同樣作為“主流”的用戶類型，如偏娛樂型和偏營銷型，彼此之間的差異，是否確證用戶仍然是多樣分化的，而非標準化的？二是同一種主導性的用戶類型內(nèi)部，不同個體在彼此之間仍然是存在差異的，他們屬于同一類型并不直接等于這些用戶具有同質(zhì)性，如何兼容差異性和標準化的關系？即使有限度地承認存在著偏倚，也可能只是把“非均衡”分布作為和多樣性并存的一種現(xiàn)象;并不等于認可偏倚性是一種朝向標準化和同一化的趨勢，也不等于精確分析偏倚程度和用戶影響力之間的關聯(lián)機制。本文所考慮的回應路徑，不僅僅是考察用戶在“優(yōu)勢”類型、“主導”傾向上的較為粗糙的定類區(qū)分，而是將用戶之間在內(nèi)容生產(chǎn)上的差異度或相似度納入連續(xù)性的計算框架，進而考察隨著用戶“偶像程度”的變化，用戶之間相似程度趨大，或趨小，或無顯著增減的變化趨勢。

高影響力的用戶或意見領袖較之低影響力用戶具有更強的內(nèi)容擴散能力、擴散效果，以及使得其他用戶和自己內(nèi)容相似化的同化作用。例如，Matsumura等[19]提出的影響力擴散模型（Influence Diffusion Model， IDM）描述博主的內(nèi)容擴散及其對其他用戶的影響，反映了意見領袖在內(nèi)容上向其他用戶的擴散力和擴散深度。Borge等[20]對于推特中的政治意見領袖，分析了他們在推特中被追隨、轉(zhuǎn)推、提及的擴散能力。王曉光[21]指出博客用戶的關注對象常常集中在特定的核心博客上，容易陷入特定主題的交流社區(qū)。這些顯示著可能存在具有強同化能力的用戶，包括意見領袖、“核心博客”等高影響力、高內(nèi)容擴散能力的用戶。

在大眾偶像和粉絲用戶之間的雙向交互關系下，受眾對于社交網(wǎng)絡的公共領域產(chǎn)生同質(zhì)化的反作用。由于媒介議程設置及其共鳴效果[22]、溢散效果[23]、網(wǎng)民共性偏好等因素，媒體和輿論的內(nèi)容存在著趨同傾向。有研究指出新聞內(nèi)容同質(zhì)化的現(xiàn)象包含多種原因。例如，大眾化的市場定位導致受眾定位趨同;市場導向作用下對新聞娛樂性的片面追求等[24]。對于內(nèi)容生產(chǎn)者的實踐能力和傳播效果生成而言，需要工具使用能力和標題黨能力、熱點導向思維、快速借鑒能力、商業(yè)變現(xiàn)思維[25]。以爆款、流量和變現(xiàn)為導向的內(nèi)容生產(chǎn)，難以避免地會導致迎合受眾的大眾口味、同質(zhì)化信息的模式化生產(chǎn)。

大眾文化中對“標準化”的思考和批判，揭示了文化工業(yè)時代中的文化趨同化的深刻邏輯。“標準”與“標準化”包含著局部各要素的趨同性和同一性，伴隨著人類發(fā)展的各個階段，其基礎內(nèi)涵涉及測量工具、生產(chǎn)模板的標準化、工業(yè)時代零部件標準化、現(xiàn)代工業(yè)中標準化的生產(chǎn)流水線等。法蘭克福學派的代表人物霍克海默等[26]提出著名的“文化工業(yè)”理論概念，指出在規(guī)?；?、商業(yè)化的文化生產(chǎn)和流通中，文化逐漸地同一化、非個性化。法蘭克福學派的另一代表人物馬爾庫塞[27]提出“單向度的人”，反思著現(xiàn)代社會中主體的重復性和單一化。文化工業(yè)批判中，大眾傳媒和文化的“流水線”生產(chǎn)出了標準化的電影和流行音樂等文化產(chǎn)品，它們看上去是很“個別的樣子”，但實際上無個性可言，產(chǎn)生一種“偽個性主義”[28]。這些對于文化工業(yè)及其“標準化”主體性[29]的批判，移植到社交媒體環(huán)境的內(nèi)容生產(chǎn)以及微博用戶的分析上同樣是具有深思意義的。尤其是表層個體性之下所潛藏的深層趨同化，在表層的“碎片化”帖子和“人人時代”[30]的多樣草根賦權(quán)中，可能忽視深層的同一性?；蛘哒f，微博社交網(wǎng)絡在內(nèi)容生產(chǎn)中的各種偶像用戶，其用戶在內(nèi)容風格、內(nèi)容氣質(zhì)、內(nèi)容“人設”上的多樣性與個性化上潛藏著“偽個性化”和趨于同一性的“標準化”的可能，這個問題有待結(jié)合社交網(wǎng)絡語境進行進一步的探思。

二、問題分析與假設提出

社交網(wǎng)絡中的偶像用戶，其多樣性或趨同性有待實證的檢驗，而不只是對理論或經(jīng)驗的淺層判斷。高影響力用戶、偶像用戶的多樣性需要對偶像進行比較才可顯現(xiàn)出其是否趨于多樣化抑或減少多樣化的動態(tài)過程中，需要在多樣性的表面背后尋求深層的同一性、在多樣性的靜態(tài)現(xiàn)狀之外對于趨同化趨勢的慎思。用戶在類型分布上的集中或偏倚并不等于標準化和趨同化，一種可行的推測是：如果意見領袖、高影響力或高人氣用戶存在向少數(shù)“用戶類型”的集中化和偏倚化，那么意見領袖的這種分布就不應該是靜態(tài)的，而應該是動態(tài)的，是隨著用戶的影響力擴大而不斷加強的過程。高影響力用戶具有更強的內(nèi)容擴散能力和對于其他用戶的同化能力。同時，社交網(wǎng)絡用戶的社會連接，也增強了高影響力、高社會連接用戶在內(nèi)容傳播中的圈層擴散與同質(zhì)化傳遞?；诖耍M一步探討的問題是：社交網(wǎng)絡內(nèi)容生產(chǎn)中的偶像用戶，他們隨著偶像程度的提高，是否趨于相似化和標準化，抑或趨于差異化和多樣化？

對此，可提出“標準偶像”的問題，其最為核心的內(nèi)涵：社交網(wǎng)絡中，用戶的偶像程度和用戶的標準化程度這兩者之間存在著何種的相關關系？

關于用戶“標準偶像”現(xiàn)象和問題中，關鍵概念的界定與內(nèi)涵如下。一是偶像用戶。參見前文。二是用戶的偶像程度。作為偶像用戶的強弱程度，結(jié)合關于偶像用戶的內(nèi)涵分析，主要選擇粉絲規(guī)模作為偶像程度的衡量指標。三是用戶的標準化指的是用戶在內(nèi)容整體特征上趨于重復、同化和封閉的現(xiàn)象和趨勢，而非趨于多樣化、豐富性和差異性。反過來說，對社交網(wǎng)絡的流量用戶、意見領袖、大咖偶像的趨同化的研究是匱乏和不足的，甚至缺乏專門的理論和理論自覺。四是用戶相似程度的衡量。不是對用戶的零散帖子之間的相似度進行衡量，而是把用戶所有帖子還原、組裝到該用戶的整體內(nèi)容特征，“以帖察人”，從而測量任意兩個用戶的相似程度。從每個用戶的整體內(nèi)容中，剝離下來的帖子“碎片”可能是差別化、非“標準”化的，但是把這些碎片組回整體，則可能顯現(xiàn)出碎片背后的統(tǒng)一性。

“標準偶像”的作用是用戶們圍繞“標準偶像”發(fā)展和自我“養(yǎng)成”，這也是用戶逐漸被同一化和標準化的過程。越是高粉絲數(shù)的用戶，就越有可能成為“標準用戶”，也可能使得媒介場域中的其他人繼續(xù)被養(yǎng)成和同化為“標準用戶”。本文以典型的社交網(wǎng)絡媒體之一新浪微博為媒介對象，引申出假設H1、假設H2、假設H3這三個具體化的觀點和假設。

（一）用戶粉絲數(shù)和“趨同于頂部高粉絲數(shù)用戶的程度”之間的關系

一個媒介場中的“標準用戶”和“標準偶像”究竟長成什么樣，并非只是“生產(chǎn)型”“消費型”可以簡單描畫的，本文也不是針對標準偶像的內(nèi)容輪廓進行用戶畫像。但是有一點可以確定，既然越是高粉絲數(shù)的用戶，其內(nèi)容就越是接近于或約等于“標準偶像”，而同時這些高粉絲數(shù)的用戶依然存在著各自的內(nèi)容特點，那么就有理由認為：不同的高粉絲數(shù)用戶，從各自不同的面接近某種“標準偶像”，并且高人氣用戶比低人氣用戶、偶像比非偶像要更接近這種“標的”和“標準用戶”。在我們沒有描畫最終的標準模板具體長成什么樣的情況下，可以通過離它最近的一批人，來近似地得到標準偶像的趨同特征。越是高粉絲數(shù)的用戶，越是偶像群體，越是使得其他用戶和本群體發(fā)生相似。所以，一方面，如果高粉絲用戶比低粉絲用戶更趨近“標準偶像”，那么前者就需要表現(xiàn)出比后者更趨近于微博最高人氣的那批用戶;另一方面，如果高粉絲用戶越來越趨近“標準偶像”，那么他們就應該在增加和最高粉絲數(shù)的那批用戶的相似度的同時，也越來越減少和低粉絲用戶的相似度，也即離“標準偶像”的相反端的負極越來越遠和趨異。后文的實證部分，我們用前者減后者的差值來綜合地反映某個用戶“趨頂離底”、趨近于“偶像模板群”的程度。

由此，提出假設H1：越是高粉絲數(shù)的微博用戶，他和微博中粉絲數(shù)最高的n個偶像用戶，具有越大的相似度;兩者具有線性正相關。

（二） 用戶粉絲數(shù)和“與同粉絲數(shù)層級用戶的相似度”之間的關系

如果用戶特征類型是在不同的圈粉層級隨機分布的，那么和某個用戶相似的其他n個用戶，就有可能散落在微博中各個不同的粉絲數(shù)層級;由此得到的結(jié)論就會是每個用戶的這些相似用戶的平均粉絲數(shù)，不存在顯著差異。但是，結(jié)合假設H1，如果越高粉絲數(shù)的用戶，就越是重復、類同的用戶，那么可以得到：第一，中、低粉絲數(shù)用戶的n個內(nèi)容最相似用戶（代稱Glow），其粉絲數(shù)的分布會比高粉用戶的相對分散，從而其Glow的粉絲數(shù)平均值相對會分布得更缺乏規(guī)律性，會更接近全體用戶粉絲數(shù)的平均值（只是接近，而不是等于）。第二，對于高粉絲數(shù)用戶，其內(nèi)容最相似用戶會由于“標準偶像”的效應而更接近于自己的粉絲數(shù)，從而高粉絲數(shù)用戶的n個最相似用戶（代稱Ghigh）的粉絲數(shù)平均值會比Glow的更高，更為超出平均值而正向地靠近、相關于高粉用戶自身的粉絲數(shù)。第三，越是高粉絲數(shù)用戶，由于“標準偶像”作用，他的n個內(nèi)容相似用戶接近于自己的粉絲數(shù)的可能性越高。

由標準偶像進行的更為合理的闡釋是：對于任意一個用戶Ux，與Ux具有最高內(nèi)容相似度的n個用戶Gx，盡管依然存在著粉絲數(shù)分布不夠確定的問題，但是若Ux的粉絲數(shù)越低，則Gx的平均粉絲數(shù)Fg就越接近于總體用戶粉絲數(shù)的平均水平;而若Ux的粉絲數(shù)Fx越高，則Gx的平均粉絲數(shù)Fg就越接近Ux的粉絲數(shù)，也就是Fg相應地越高。從而，會表現(xiàn)出Fx和Fg的正相關性?？傮w來看，越接近高程度“模板”和“標準偶像”的用戶，他的n個最為相似用戶（n≥1）的平均粉絲規(guī)模越大，雖然我們不否認相反情況的存在，但后者不是規(guī)律，也不會具有統(tǒng)計顯著性。

由此，提出假設H2：越是高粉絲數(shù)的用戶，與該用戶整體內(nèi)容相似程度最高的n個用戶的平均粉絲數(shù)越大;兩者具有線性正相關。

（三） 用戶粉絲數(shù)和“與自己內(nèi)容最為相似用戶的平均粉絲規(guī)?！敝g的關系

低粉絲數(shù)用戶雖然也會有和粉絲數(shù)同層級用戶的內(nèi)容相似度，但是這個相似度比較低;而高粉絲數(shù)用戶和粉絲數(shù)同層級用戶的相似度較高;并且這種內(nèi)容相似度和該用戶的粉絲數(shù)成正相關。以往對于這個問題容易產(chǎn)生誤解：認為低粉絲數(shù)的“大眾”“群氓”可能是蕓蕓眾生般的高相似化;而相反，高粉絲數(shù)的內(nèi)容精英和意見領袖，由于其標桿性、引領性或面向垂直領域、細分受眾的專門性，才可能是更為差異化的。但是，根據(jù)標準偶像的假設就意味著：越是低粉絲用戶，由于非標準化的異質(zhì)性較多，所以相互之間相似度較低;越是高粉絲用戶就越是消磨自己的異質(zhì)性和“個性”，呈現(xiàn)文化批判理論中的“偽個性化”。而標準化的程度越多，異質(zhì)性和獨特化的個性內(nèi)容被消磨越多，也就越相似。

由此，提出假設H3：越是高粉絲數(shù)的用戶，他和處于同一粉絲數(shù)階層的n個用戶的內(nèi)容相似度越高;兩者具有線性正相關。

（四）假設H1、假設H2、假設H3的內(nèi)在關系

假設H1、假設H2、假設H3分別由用戶粉絲數(shù)及其與標準偶像之間的關系得出。其中，用戶粉絲數(shù)和“趨同于頂部高粉絲數(shù)用戶的程度”之間的正向關系，對應于假設H1。用戶在趨同于頂部高粉絲數(shù)用戶的程度越來越高的同時，其與同粉絲數(shù)層級用戶的相似度（對應于假設H2）、與自己內(nèi)容最為相似用戶的平均粉絲規(guī)模（對應于假設H3）也越來越高。三個假設的關系結(jié)構(gòu)如圖1所示。

三、研究方案與研究設計

（一）樣本選取和數(shù)據(jù)預處理

樣本選取自新浪微博，這是中國具有代表性的社交媒體和自媒體平臺，活躍用戶數(shù)量超4億個，用戶分布于社會、經(jīng)濟、文化、娛樂、體育、科學等廣泛的領域。抓取新浪微博87739個用戶的歷史所發(fā)帖子，每人按發(fā)布時間順序抓取最多4500條，初始獲取帖子樣本131770017條。全部用戶只選取時間段2017年1月1日到2018年12月31日的兩年間的帖子，以統(tǒng)一橫向比較的口徑。為了穩(wěn)健和較為充分地反映個體的內(nèi)容特征，對于這兩年間的帖子，每個用戶一律隨機選取1500條;不足1500條的用戶不納入考察范圍。最后得到有效樣本用戶12478個。

用戶的偶像程度指標的選取方面，結(jié)合偶像用戶的內(nèi)涵，選擇具有很高認可度和代表性的粉絲數(shù)反映用戶作為高人氣偶像用戶的程度。雖然微博偶像有很多種來源和方式，但是在當今注重“圈粉”“流量明星”“飯圈”的時代，粉絲數(shù)的多少可以作為反映用戶作為各種類型的偶像用戶的程度，如娛樂圈的高粉明星、企業(yè)界大V或文化科普的高流量大咖等。張玉晨等[31]把粉絲規(guī)模作為區(qū)分大V與中V的唯一依據(jù)。實際操作中，采取對數(shù)轉(zhuǎn)換后的形式，式（1）中x為用戶粉絲數(shù)的原始數(shù)值。

（二）基于潛在語義分析的用戶內(nèi)容特征提取及其向量表達

把單個樣本用戶的各條帖子，無順序地拼接為一個長文本，然后通過向量空間模型（VSM）得到每個用戶的詞頻矩陣。詞頻矩陣的獲取過程采取sklearn模塊，關鍵部分的參數(shù)如下：最低詞頻數(shù)（min_df）=50，最大文檔頻率（max_df）=0.3，n元詞范圍（ngram_range）=（1，1），也即只采用一元詞。得到的詞頻矩陣有128082個不同的詞，將各詞的頻數(shù)轉(zhuǎn)換為該詞在該用戶所有詞總數(shù)中占的比例（也即L1的規(guī)范化），最終形成12478行×128082列的矩陣X。

對于潛在語義分析模型轉(zhuǎn)換得到的詞頻矩陣，采取潛在語義分析（latent semantic analysis， LSA）進行降維和內(nèi)容特征提取[32]。其中，對于用戶-詞項的矩陣X，進行奇異值分解。潛在語義分析對X進行階段奇異值分解，保留前k個最大的奇異值，通過降維后的k個潛在語義主題以表示原有的全部信息。經(jīng)過潛在語義分析降維，把矩陣X降到12478行×500列，保留信息的解釋比（explained_variance_ratio_）為0.903，從而充分保留了原用戶的內(nèi)容特征。此外，如圖2所示，橫軸為潛在語義分析保留的特征維數(shù)，縱軸為該維數(shù)對應的解釋比;當維數(shù)在500維時，解釋比處于一個“肘拐點”，其后盡管也可再增加維數(shù)，但對于表示用戶特征的解釋比增長已大幅放緩。

（三）用戶的內(nèi)容相似度計算

本文對于用戶相似度的計算，如無特別的說明，則一律指用戶在內(nèi)容整體特征上的相似度。

每個用戶根據(jù)其內(nèi)容，提取500維的向量之后，采用余弦相似度，進行用戶之間的相似度計算。任意兩個用戶Um和Un之間的余弦相似度計算方法為：把兩個用戶Um、Un的內(nèi)容分別轉(zhuǎn)換得到兩個向量A、B，則A、B的余弦相似度即兩個向量A、B之間夾角θ的余弦cos（θ），該值范圍在[-1，1]，cos（θ）值越大表明這兩個用戶之間內(nèi)容越相似。

在式（2）的基礎上進行擴展，從1對1的用戶相似度，擴展到n對n的兩組用戶（每組中用戶數(shù)量n≥1）之間的相似度。也即任意一組用戶G1（包含n1個用戶）和另一組用戶G2（包含n2個用戶）的內(nèi)容相似度，表示為：

式（3）在式（2）的基礎上，采用“類平均法”（或稱“簇平均法”，average group linkage）衡量兩組對象間的平均距離、平均相似度。其中G1或G2都可以有且僅有一個用戶，這種情況下也即：式（2）中所計算的個體與個體之間的兩兩相似度R（Ux1，Ux2），成為本公式中n1和n2分別為1時的特例。

式（3）變形后的形式是計算任一層組用戶（G1，其中用戶個數(shù)n1≥2）內(nèi)部的彼此平均相似度。該式在本文中，用于對各用戶層級內(nèi)部平均相似度的計算。這和式（3）的唯一差別之處就是不計算用戶和他自身的內(nèi)容相似度。具體形式為：

四、實證檢驗與分析

對最終的12478個用戶樣本進行分析。其中，根據(jù)式（1）得到每個用戶的粉絲數(shù)xi，并把這12478個值依次組成用戶粉絲數(shù)序列（代稱list_0）=[x1，x2，x3，…，x12478]。假設H1、假設H2、假設H3的檢驗中所涉及的變量F1、F2、F3，其用戶順序皆與用戶粉絲數(shù)序列中的一致。

（一）假設H1的轉(zhuǎn)換及檢驗

采用“趨頂去底”的差值，作為反映用戶趨向模板偶像的綜合程度，也即：相似于頂部最高粉絲數(shù)的用戶群的程度-相似于底部最低粉絲數(shù)的用戶群的程度（該變量簡稱F1）。這個差值越大，即該用戶“趨中心-離邊緣”的程度越高。如果某個用戶為Gx，粉絲數(shù)最高的n個用戶為集合Gn_max，粉絲數(shù)最低的n個用戶為集合Gn_min。根據(jù)式（3），用戶“趨頂離底”的差值為：H（Gx，Gn_max）-H（Gx，Gn_min）

N分別從[1，201，401，601，…，6401]等差數(shù)列依次取值的情況下，用戶粉絲數(shù)和用戶趨頂離底程度之間，皮爾遜相關系數(shù)和斯皮爾曼相關系數(shù)全部為顯著的正相關，p值全部<0.001;皮爾遜相關系數(shù)絕大多數(shù)都在0.4以上，如圖3所示。

當參照群體規(guī)模N取值較小時，如只取N=1個，則由于頂部、底部的參照人數(shù)過少，他們對“頂部”標準偶像的用戶特征反映的綜合程度較低，從而增大了相關系數(shù)的不穩(wěn)定性。但即使如此，假設H1依然是顯著的，皮爾遜相關系數(shù)（N=12478）依然大于0.25。而當N取值稍大，對“標準偶像”反映得更為全面，例如當N為201時，假設H2的皮爾遜相關系數(shù)增加到了0.36，斯皮爾曼相關系數(shù)增加到了0.39。此后無論N如何取值，相關系數(shù)一直維持穩(wěn)定。

因此，假設H1得到檢驗。用戶的粉絲數(shù)越高，其趨向于粉絲數(shù)最高的頂部偶像模板的程度越深。

（二）假設H2的轉(zhuǎn)換及檢驗

對于任一用戶Gx， 從全體用戶中逐個計算每個用戶和Gx的余弦相似度，根據(jù)式（2），從中選出余弦相似度最高的n個用戶作為Gsim。其中，如果Gsim包含Gx，則預先剔除掉該元素。Gx與Gsim的平均相似度，采用式（3）計算，為H（Gx，Gsim）。

對相關系數(shù)的分析顯示，在N分別取1，2，3，…，500時，由于N的取值都不大，所有在這些條件下，用戶粉絲數(shù)和“該用戶最為相似的n個用戶的平均粉絲數(shù)”（該變量簡稱F2）之間，相關系數(shù)的p值全部小于0.001，也即線性正相關是全部成立的。皮爾遜相關系數(shù)大多數(shù)在0.5以上;其中當N小于32時，則多數(shù)在0.65以上，如圖4所示。

如圖5所示，隨著相似用戶數(shù)量n的增大，即使最終增加到約為全體用戶的情況下，相關系數(shù)依然顯著。但是超過一定的閾值后，為600左右時，則相關系數(shù)出現(xiàn)了下跌的拐點。其中，皮爾遜相關系數(shù)在N為601時尚有0.49，之后則逐漸下跌速度較快;斯皮爾曼相關系數(shù)也有類似情況，如圖5所示。

總體而言，假設H2得到了檢驗。并且結(jié)果顯示，當最相似用戶個數(shù)n控制在一定的閾值范圍內(nèi)，則相似度可以保持在足夠高位，所以正相關更為緊密和穩(wěn)定。

（三）假設H3的轉(zhuǎn)換及檢驗

對于任一用戶Gx，首先從全體用戶中選出和Gx在粉絲數(shù)上最為接近，且不包括Gx自身的n個用戶作為Gnear。Gx與Gnear的平均相似度，采用式（3）計算，為：H（Gx，Gnear）。逐個用戶計算H（Gx，Gnear）后，記為變量F3。考察用戶粉絲數(shù)序列和其順序?qū)淖兞縁3之間，其皮爾遜相關系數(shù)和斯皮爾曼相關系數(shù)是否顯著。

圖6的結(jié)果中，分別考察N的取值范圍從1，101，201，…，到3001（等差為100個）的情況。相關系數(shù)全部顯著（p值全部<0.001），而且在閾值范圍內(nèi)有高度的正相關性。其中，皮爾遜相關系數(shù)在同層級用戶個數(shù)N取值為100時，已達到0.57的相關程度。此后，當N在2001的范圍之內(nèi)時，皮爾遜正相關系數(shù)一直維持在0.55以上的較高位。直到N取值過大時（本文中為N超過2100的范圍），由于Gnear的范圍過大導致它和Gx在“同粉絲數(shù)”方面太多松散、差異太大，才減少了正相關系數(shù)。但即使如此，也依然維持在0.2以上的水平，說明這種“同粉絲數(shù)”帶來的用戶相似度的影響作用存在。

統(tǒng)計檢驗的結(jié)果顯示，假設H3是成立的。并且當N取值不要過寬泛，并在一定的閾值范圍內(nèi)，則這種用戶的相似和同化封閉就更為穩(wěn)定、更有規(guī)律性和可預測性。

五、微博“標準偶像”作用的統(tǒng)一性及其結(jié)構(gòu)

假設H1、假設H2、假設H3涉及的三種不同路向，有著內(nèi)在的有機聯(lián)系和共同的“標準偶像”化驅(qū)動作用力，因而是同步和一致的，而不是相互獨立或相互對立的。統(tǒng)計檢驗也支持這種較強的同步性。假設H1、假設H2、假設H3分別涉及用戶粉絲數(shù)和三個變量（F1、F2、F3）各自的相關性，因此對這四個變量，通過克朗巴赫系數(shù)（Cronbachs Alpha）來考察它們內(nèi)部的一致性和同步性。

變量一：用戶“趨頂離底”的程度（F1），選取粉絲數(shù)的頂部用戶、底部用戶各500個。變量二：用戶的n個內(nèi)容最相似用戶的平均粉絲數(shù)（F2），選取N為30。變量三：用戶與n個粉絲數(shù)最接近用戶的內(nèi)容相似度（F3），選取N為500。上述所選擇的參數(shù)，都具有相關系數(shù)的穩(wěn)定性與較佳的性能。變量四：采取經(jīng)式（1）轉(zhuǎn)換后的用戶粉絲數(shù)序列結(jié)果。

對每個指標，全部采用blom公式并轉(zhuǎn)為正態(tài)分布值，然后計算克朗巴赫系數(shù)。標準化的克朗巴赫系數(shù)為0.769，顯現(xiàn)出四個變量內(nèi)部較為理想的一致性。其中，刪除任何一個指標，都會造成剩下的三個指標間的克朗巴赫系數(shù)的下降。計算結(jié)果見表1。

在上述四個變量之間的內(nèi)在一致性的基礎上，繼續(xù)通過“路徑分析”，考察其內(nèi)在的作用關系和結(jié)構(gòu)。路徑分析的工具采用AMOS 21.0。由于這四個變量已進行了正態(tài)化的轉(zhuǎn)換，因此直接讀入AMOS進行分析，采取常用的最大似然法（maximum likelihood）計算。

路徑分析的結(jié)構(gòu)與圖1相同。

（1）用戶粉絲數(shù)分別對“趨同于頂部高粉絲數(shù)用戶的程度”“與同粉絲數(shù)層級用戶的相似度”“與自己內(nèi)容最為相似用戶的平均粉絲規(guī)模”這三個變量，都具有正向作用。

（2）用戶“趨同于頂部高粉絲數(shù)用戶的程度”，分別對“與同粉絲數(shù)層級用戶的相似度”“與自己內(nèi)容最為相似用戶的平均粉絲規(guī)?！边@兩個變量都具有正向作用。它是塑造“標準偶像”使其他用戶朝向標準模板發(fā)生標準化的關鍵“鑰匙”。因此，把它作為路徑分析中的關鍵樞紐加以檢驗。

（3）“與同粉絲數(shù)層級用戶的相似度”“與自己內(nèi)容最為相似用戶的平均粉絲規(guī)模”這兩個變量存在著共通性。它們指：越是高粉絲數(shù)用戶，和相近粉絲數(shù)用戶的內(nèi)容相似度越高;越是高粉絲數(shù)用戶，和具有相似內(nèi)容用戶的粉絲數(shù)相近度越高。一正一反，互為補充，因此，不是在這兩者間建立單向的路徑，而是在他們的殘差項e1、e2、e3之間建立起雙向的關聯(lián)。

據(jù)此建立“標準偶像”的路徑分析及其標準化的回歸系數(shù)，如圖7所示。其中回歸系數(shù)全部顯著，因素之間的作用在此模型下是成立的;并且這種結(jié)構(gòu)作用下，整體的關系模型具有高擬合優(yōu)度。

選擇多種評價標準，對本模型的擬合優(yōu)度進行考察。包括近似誤差均方根（RMSEA）、均方根殘差（RMR）、卡方與自由度比值（χ2/df）等重要指標在內(nèi)的大部分擬合指標的匹配程度優(yōu)良?！皹藴逝枷瘛甭窂椒治龅臄M合判斷如表2所示。

整體而言，本模型具有高擬合度。路徑分析的結(jié)果雖然不排斥其他更優(yōu)的整體關系模型，但從變量的關系路徑的檢驗角度支持了假設H1、假設H2、假設H3的結(jié)果，顯現(xiàn)了用戶隨著粉絲數(shù)越來越高而趨于“標準偶像”化的過程中所發(fā)生的現(xiàn)象和效應。

六、由個體到宏觀：微博“標準偶像”作用的社會現(xiàn)象

假設H1、假設H2、假設H3是對用戶的個體分析，而這些個體現(xiàn)象則蘊含著微博偶像用戶標準化的社會現(xiàn)象和具有宏觀性的演變態(tài)勢。

把本文的12478個用戶按照粉絲數(shù)進行從低到高的“等人數(shù)”分層（設每層人數(shù)都為m），并采用式（4）計算每層內(nèi)m個用戶的層內(nèi)平均相似度。則檢驗結(jié)果鮮明地顯示：用戶層級越高，層內(nèi)部的彼此平均相似度越高，兩者符合顯著的線性正相關。我們分別在2人、3人、4人……500人的不同的分層規(guī)模下，進行了相關系數(shù)的檢驗，結(jié)果見圖8;其中無論按照何種分層規(guī)模，其皮爾遜相關系數(shù)與斯皮爾曼相關系數(shù)的p值全部小于0.001，因此p值變化未在圖8中標出。在各種分層規(guī)模下，正相關系數(shù)多數(shù)在0.8乃至0.9以上。以皮爾遜相關系數(shù)為例，分層規(guī)模僅為2人時，相關系數(shù)為0.29;而當分層規(guī)模增長到20人時，相關系數(shù)迅速增長到0.81;此后保持在0.8以上的高相關系數(shù)。

隨著微博用戶“社會層級”或“咖位”的提高，層級內(nèi)用戶的平均群聚系數(shù)（average clustering coefficient）[33]變得越來越大。平均群聚系數(shù)是在社會網(wǎng)絡分析（SNA）中用于衡量某個群內(nèi)離散、分裂程度的指標，在本文中，用于度量層內(nèi)的用戶傾向于圍繞某種共同中心而相似、趨同的緊密程度。先結(jié)合式（2）的計算形成層內(nèi)所有用戶兩兩之間的n×n的余弦相似度矩陣，然后對各層的余弦相似度矩陣采用networkx中的average_clustering（）函數(shù)，計算該層用戶的平均群聚系數(shù)。把用戶按照粉絲數(shù)從低到高地等頻“分箱化”為若干層級，我們分別在3、4、5、……100人的不同的分層規(guī)模下進行了相關系數(shù)的檢驗，結(jié)果顯示見圖9：無論做何種規(guī)模的分層，每層內(nèi)各用戶粉絲數(shù)平均值形成該層“質(zhì)心”，則層質(zhì)心和層平均群聚系數(shù)之間，相關系數(shù)均為顯著的正相關。

為了更為直觀地顯示上述“偶像層級”的層內(nèi)用戶相似程度越來越高的趨勢，將12478個樣本按照粉絲數(shù)的高低，等人數(shù)地切分為100層、200層、300層，如圖10所示。

七、結(jié) 語

本文明確提出“標準偶像”的理論概念，以其來描述社交網(wǎng)絡用戶所存在的結(jié)構(gòu)化的趨同現(xiàn)象與態(tài)勢，并結(jié)合新浪微博的用戶數(shù)據(jù)進行了實證分析。這種“標準偶像”的現(xiàn)象在強調(diào)社交網(wǎng)絡用戶多樣性與偶像用戶分化的背景下，得到的重視不足，一些較為流行的理論觀點也往往與之相悖。由于“標準偶像”以及假設H1、假設H2、假設H3，用戶隨著粉絲數(shù)的增大而越來越加強重復化、似同化、標準化;尤其是在假設H3的情境下，粉絲數(shù)相同的一群用戶間，他們的相似程度隨著粉絲數(shù)的增大而增大。當我們用社會分層的角度來審視微博空間，則越是高粉絲數(shù)的階層，其內(nèi)部越來越增強同質(zhì)性、封閉性，減少層組內(nèi)的個體異質(zhì)性。盡管我們經(jīng)常強調(diào)網(wǎng)絡社會的“壁壘”形成“巴爾干化”[34]摘 要：巴爾干化指網(wǎng)絡社會由于各種社會壁壘形成人群之間的分化、差異與隔離。但意外的是，網(wǎng)絡本身越來越朝向“標準偶像”“標準用戶”發(fā)生趨同，整體化地陷入“巴爾干化”而非一個個“巴爾干化”之后的“孤島”，而這種“社會窄化”是以往重視不足的方面?！皹藴逝枷瘛钡膫鞑ガF(xiàn)象和效應，意味著微博中偶像階層的封閉性和“社會繭房”，而非用戶的多樣性抑或偶像用戶在各自的垂直領域、分化范圍的異質(zhì)性。

在“標準偶像”的作用下，微博用戶形成“標準化中心-異質(zhì)化邊緣”的總體格局：越是高粉絲數(shù)的用戶內(nèi)容就越相似，形成社會中的標準化、模板化、去個性化的“主流”和“中心”區(qū)域;而越是低粉絲數(shù)的用戶越是處于邊緣化，相互之間越分散、內(nèi)容相似度越低;原本可能被認為“無個性”、蕓蕓眾生的大眾用戶，反而是遠離標準化的主流中心的、更為保留內(nèi)容獨特性的個體。

微觀個體的“標準偶像”效應，與宏觀的社會文化現(xiàn)象之間建立起了穩(wěn)定的橋梁，使得仍然帶有一部分波動的個體標準化效應在中觀和宏觀的社會層級的角度，表現(xiàn)出接近于1的線性正相關。這意味著這種分層的用戶同化和用戶標準化，其趨勢表現(xiàn)得高度穩(wěn)定。圖10非常鮮明而直觀地展現(xiàn)了微博中隨偶像層級提升，近乎直線性的高度規(guī)律的“社會窄化”變化趨勢。高程度的“大咖”、流量明星、高人氣用戶相互之間，比之低程度“大咖”用戶相互之間，其內(nèi)容相似度更高、更為趨同化。盡管這不意味著高的“階層”內(nèi)部一定已經(jīng)達到了很強烈的、鐵板一塊的似同化程度，但是意味著這種似同程度的正向增長方向和趨勢。微博“偶像”用戶階層越來越增強著趨同性與社會窄化，而非增強開放性與異質(zhì)性。

參考文獻：

[1]王平，劉電芝.青少年偶像崇拜的心理探源[J].蘇州大學學報（哲學社會科學版），2010，31（5）：179-181.

[2]鄭石，張紹剛.顛覆與創(chuàng)造：新媒體環(huán)境下我國的偶像生產(chǎn)與粉絲文化[J].新聞界，2019（6）：54-59.

[3]宋雷雨.虛擬偶像粉絲參與式文化的特征與意義[J].現(xiàn)代傳播（中國傳媒大學學報），2019，41（12）：26-29.

[4]趙麗瑾，侯倩.跨媒體敘事與參與式文化生產(chǎn)：融合文化語境下偶像明星的制造機制[J].現(xiàn)代傳播（中國傳媒大學學報），2018，40（12）：99-104.

[5]羅坤瑾.新媒介使用中的偶像崇拜研究——以人氣組合TFBOYS崇拜群體為研究樣本的考察[J].西南民族大學學報（人文社科版），2020，41（2）：188-192.

[6]邢彥輝，樊雪琛.數(shù)字時代的偶像崇拜：品牌虛擬形象與受眾關系視角[J].當代傳播，2020（5）：78-81.

[7]徐鷹，岳曉東.中國大陸青少年偶像崇拜變遷與思考[J].青海社會科學，2009，（1）：5-8.

[8]余霞.網(wǎng)絡紅人：后現(xiàn)代主義文化視野下的“草根偶像”[J].華中師范大學學報（人文社會科學版），2010（4）：105-110.

[9]陳賽金.青少年偶像崇拜文化的變遷與引導[J].思想理論教育，2020（9）：97-102.

[10]方付建. 論網(wǎng)絡意見領袖的發(fā)展走向及其引導策略[J]. 湖北行政學院學報， 2013（1）：31-35.

[11]生奇志，高森宇.中國微博意見領袖：特征、類型與發(fā)展趨勢[J].東北大學學報（社會科學版），2013，15（4）：381-385.

[12]劉果.微博意見領袖的角色分析與引導策略[J].武漢大學學報（人文科學版），2014，67（2）：115-118.

[13]曹洵，張志安.基于媒介權(quán)力結(jié)構(gòu)的微博意見領袖影響力研究[J].新聞界，2016（9）：43-49.

[14]王平.中國網(wǎng)絡意見領袖的發(fā)展歷程[M].北京：人民日報出版社，2017：73-76

[15]利奧·洛文塔爾.文學、通俗文化和社會[M].甘鋒，譯.北京：中國人民大學出版社，2011：147-179.

[16]曹洵，張志安.社交媒體意見群體的特征、變化和影響力研究[J].新聞界，2017（7）：24-30.

[17]佟力強.中國微博發(fā)展報告（2012）[M].北京：人民出版社，2013：27-28

[18]王國華，張勇波，王雅蕾，等.微博意見領袖的類型特征與內(nèi)容指向研究[J].電子政務，2014（8）：69-75.

[19]MATSUMURA N， OHSAWA Y， ISHIZUKA M. Influence diffusion model in text based communication[J]. Transactions of the Japanese society for artificial intelligence， 2002，17（3）：259-267.

[20]BORGE B R， MARC E D V. Opinion leadership in parliamentary twitter networks：a matter of layers of interaction？ [J]. Journal of information technology & politics， 2017， 14（3）：1-14.

[21]王曉光.博客社區(qū)內(nèi)的非正式交流：基于網(wǎng)絡鏈接的實證分析[J].情報學報，2009（2）：248-256.

[22]NOELLENEUMANN E， MATHES R. “The event as event”and “the event as news”：the significance of “consonance” for media effects research[J]. European journal of communication， 1987， 2（4）：391-414.

[23]MATHES R， PFETSCH B. The role of the alternative press in the agenda-building process：spill-over effects and media opinion leadership[J]. European journal of communication， 1991， 6（1）：33-62.

[24]朱秀清.新聞同質(zhì)化分析[J].現(xiàn)代傳播，2005（6）：116-117.

[25]翟秀鳳.創(chuàng)意勞動抑或算法規(guī)訓？——探析智能化傳播對網(wǎng)絡內(nèi)容生產(chǎn)者的影響[J].新聞記者，2019（10）：4-11.

[26]馬克斯·霍克海默，西奧多·阿道爾諾.啟蒙辯證法——哲學斷片[M].渠敬東，曹衛(wèi)東，譯.上海：上海人民出版社.2006：107-152.

[27]赫伯特·馬爾庫塞.單向度的人[M].劉繼，譯. 上海：上海人民出版社.2008.

[28]曾一果.批判理論、文化工業(yè)與媒體發(fā)展——從法蘭克福學派到今日批判理論[J].新聞與傳播研究， 2016（1）：26-40.

[29]阿爾都塞.哲學與政治：阿爾都塞讀本[M].陳越，編譯.長春：吉林人民出版社，2003：320-375.

[30]克萊·舍基.人人時代：無組織的組織力量[M].胡泳，沈滿琳，譯.杭州：浙江人民出版社，2015：77-110.

[31]張玉晨， 翟姍姍， 許鑫，等. 微博“中V”用戶的傳播特征及其引導力研究——以羅一笑事件為例[J]. 圖書情報工作， 2018， 62（11）：79-87.

[32]DUMAIS S T. Latent semantic analysis[J]. Annual review of information science and technology， 2004， 38（1）：188-230.

[33]SARAMAKI J， KIVELA M， ONNELA J P， et al. Generalizations of the clustering coefficient to weighted complex networks[J]. Physical review E， 2007， 75（2）：027105.

[34]VAN ALSTYNE M， BRYNJOLFSSON E. Could the internet balkanize science？ [J]. Science， 1996，274（5292）：1479-1480.