鐘志豪，肖井華，吳 曄，王笑塵

(1.北京郵電大學(xué)理學(xué)院 北京海淀區(qū) 100876；2.北京師范大學(xué)新聞傳播學(xué)院 北京海淀區(qū) 100875；3.北京郵電大學(xué)移動(dòng)互聯(lián)網(wǎng)安全技術(shù)國(guó)家工程實(shí)驗(yàn)室 北京海淀區(qū) 100876)

隨著新媒體技術(shù)的快速發(fā)展，社會(huì)信息傳播形式由文本信息為主轉(zhuǎn)變?yōu)槲谋?、視頻多模態(tài)傳播。當(dāng)前，15 秒短視頻更符合大眾“碎片化”的時(shí)間管理習(xí)慣，已成為網(wǎng)絡(luò)視頻傳播的主要方式之一。截至2020 年3 月，中國(guó)短視頻用戶規(guī)模達(dá)7.73億，占網(wǎng)絡(luò)視頻用戶的85.6%[1]。截至2020 年第一季度，短視頻平臺(tái)“抖音”(Tik Tok)在全球范圍內(nèi)的累計(jì)總下載量突破20 億次[2]?？梢?jiàn)，短視頻用戶量日益攀升，呈現(xiàn)出蓬勃發(fā)展的態(tài)勢(shì)。

短視頻傳播具有諸多新特點(diǎn)，如傳播以推薦機(jī)制為主、傳播速度快、傳播效果由視頻的內(nèi)容所決定以及弱化了用戶身份和等級(jí)的影響[3]。這些特點(diǎn)使得短視頻傳播流行度的演變機(jī)制不同于傳統(tǒng)視頻，且在系統(tǒng)的推動(dòng)下傳播規(guī)模更大。因此，研究短視頻的傳播規(guī)律有助于揭示短視頻傳播過(guò)程中流行度的演變機(jī)制，從而更有效地控制信息傳播。

目前針對(duì)網(wǎng)絡(luò)信息傳播的研究主要集中在文本信息的傳播規(guī)律上，借助經(jīng)典的傳染病傳播模型研究社交網(wǎng)絡(luò)中的信息傳播過(guò)程[4]。如文獻(xiàn)[5]基于SIR(susceptible infected recovered)模型構(gòu)建了在線社交網(wǎng)絡(luò)謠言傳播的動(dòng)力學(xué)模型；文獻(xiàn)[6-8]利用經(jīng)典SIR 或SIS(susceptible infacted susceptible)模型研究社交網(wǎng)絡(luò)中的信息傳播過(guò)程。在信息傳播時(shí)變模式的分析方面，文獻(xiàn)[9]提出一種Spike-M 模型來(lái)研究一條新聞信息在傳播過(guò)程中受歡迎程度的上升和下降模式，為實(shí)際數(shù)據(jù)中出現(xiàn)的多種時(shí)變模式提供了一個(gè)統(tǒng)一的模型框架。文獻(xiàn)[10]研究了在線內(nèi)容的多種時(shí)間模式，以及內(nèi)容的受歡迎程度如何隨著時(shí)間的推移而增長(zhǎng)或消退。

針對(duì)視頻傳播的研究主要集中在探索口口相傳及首頁(yè)推薦對(duì)視頻傳播的綜合影響，并通過(guò)構(gòu)建相應(yīng)的視頻傳播模型來(lái)揭示視頻流行度的演化模式。文獻(xiàn)[11]根據(jù)騰訊視頻的數(shù)據(jù)，綜合考慮了口口相傳以及首頁(yè)推薦這兩個(gè)傳播途徑，建立了視頻傳播的動(dòng)力學(xué)模型。文獻(xiàn)[12]根據(jù)人人網(wǎng)數(shù)據(jù)，專注于研究視頻受歡迎度的分布和演變，并建立了一個(gè)簡(jiǎn)單模型來(lái)模擬在線社交網(wǎng)絡(luò)中視頻的用戶請(qǐng)求過(guò)程。文獻(xiàn)[13]基于一個(gè)由用戶瀏覽行為形成的視圖傳播模型來(lái)探究如何通過(guò)YOUTUBE 的推薦系統(tǒng)來(lái)提升人氣，探索視頻之間是如何相互影響的。文獻(xiàn)[14]通過(guò)視圖計(jì)數(shù)跟蹤的方法對(duì)視頻的推薦系統(tǒng)進(jìn)行研究，提出了一個(gè)基于擴(kuò)展流行模型的框架，通過(guò)擬合所采集的騰訊視頻的視頻瀏覽計(jì)數(shù)追蹤數(shù)據(jù)，量化和解釋了直接推薦和口碑推薦這兩種推薦機(jī)制。

此外，研究表明用戶情感會(huì)影響信息傳播的過(guò)程[15-18]，但此類研究主要還集中于文本信息傳播及長(zhǎng)視頻傳播中。

可見(jiàn)，目前針對(duì)短視頻傳播的研究還很缺乏，尤其是用戶行為如何影響短視頻傳播仍然未知，而該問(wèn)題對(duì)揭示短視頻傳播規(guī)律至關(guān)重要。因此，本文分析了在線短視頻的傳播模式，并探索用戶點(diǎn)贊行為和評(píng)論與短視頻播放量的相關(guān)性。此外，本文基于短視頻的傳播特征和已有的視頻傳播模型，構(gòu)建了在線短視頻的點(diǎn)贊?傳播動(dòng)力學(xué)模型，并借助模型探索不同參數(shù)對(duì)短視頻播放量演變趨勢(shì)的影響。

1 數(shù)據(jù)收集與分析

1.1 數(shù)據(jù)的收集

本文選擇抖音短視頻平臺(tái)作為研究對(duì)象。為了探索在線短視頻的大規(guī)模傳播機(jī)制，本文選擇了9 個(gè)粉絲量在一千萬(wàn)以上的活躍用戶(包括新華社、人民日?qǐng)?bào)、河南廣播電視臺(tái)民生頻道、中國(guó)日?qǐng)?bào)、浙有正能量、央視新聞、解放軍新聞傳播中心融媒體、中國(guó)長(zhǎng)安網(wǎng)、中國(guó)青年報(bào))所發(fā)布的短視頻進(jìn)行研究。視頻內(nèi)容主要涉及新聞?lì)I(lǐng)域。對(duì)這9 個(gè)活躍用戶的賬號(hào)進(jìn)行監(jiān)測(cè)，每隔5min 采集其所發(fā)布短視頻的評(píng)論量、點(diǎn)贊量及播放量，最終得到這9 個(gè)活躍用戶在2019 年11 月11 日?12 月8 日期間發(fā)布的短視頻數(shù)據(jù)。其中，針對(duì)每個(gè)短視頻，采集的數(shù)據(jù)示例如表1 所示。

表1 每隔5min 所采集的某個(gè)短視頻相關(guān)數(shù)據(jù)的示例

此外，為了研究用戶的評(píng)論情感傾向?qū)Χ桃曨l播放量的影響，本文也采集了所監(jiān)控短視頻的評(píng)論數(shù)據(jù)，每一條評(píng)論數(shù)據(jù)由評(píng)論用戶ID、用戶性別、評(píng)論時(shí)間和評(píng)論內(nèi)容所組成。

1.2 短視頻傳播模式分析

本文所研究的抖音平臺(tái)中，短視頻的傳播基于“流量池”的疊加推薦算法，即在流量池中表現(xiàn)較好的短視頻會(huì)進(jìn)入疊加推薦的行列，從而能夠獲得更多的播放量和點(diǎn)贊量[19]，圖1 展示了抖音平臺(tái)對(duì)短視頻進(jìn)行推薦的全過(guò)程。由于每個(gè)短視頻在流量池推薦算法中被推薦的次數(shù)不同，導(dǎo)致短視頻之間的流行度演化模式存在一定差異。接下來(lái)將基于抖音平臺(tái)的實(shí)際數(shù)據(jù)對(duì)短視頻傳播過(guò)程中的流行度演化模式進(jìn)行研究。

圖1 抖音平臺(tái)推薦過(guò)程示例圖

通過(guò)對(duì)實(shí)際數(shù)據(jù)的研究，本文發(fā)現(xiàn)抖音平臺(tái)中短視頻的播放量累計(jì)曲線存在多種時(shí)變模式。根據(jù)曲線斜率的變化情況，將時(shí)變模式粗略分為兩類：1)僅存在單次長(zhǎng)時(shí)間緩慢增長(zhǎng)——先是快速增長(zhǎng)，之后伴隨一個(gè)長(zhǎng)時(shí)間的緩慢增長(zhǎng)階段，稱作單梯度曲線(圖2a)；2)存在多個(gè)長(zhǎng)時(shí)間緩慢增長(zhǎng)的階段，稱為多梯度曲線(圖2b)。經(jīng)過(guò)統(tǒng)計(jì)分析，兩類曲線在整個(gè)數(shù)據(jù)集中的占比分別為88%和10.5%。

圖2 短視頻累計(jì)播放量的兩個(gè)典型傳播模式

不同的播放量累計(jì)時(shí)變模式的產(chǎn)生主要由抖音平臺(tái)的推薦機(jī)制所致。由于不同短視頻被推薦的次數(shù)以及在流量池中達(dá)到再推薦的過(guò)程的差異性使得存在多種時(shí)變模式，本文將分別說(shuō)明不同時(shí)變模式的特點(diǎn)及其產(chǎn)生的原因。

1)單梯度播放量累計(jì)曲線

對(duì)于單梯度播放量累計(jì)曲線，本文對(duì)其局部增長(zhǎng)模式進(jìn)行了研究。圖2a 為用戶“人民日?qǐng)?bào)”于2019 年11 月28 日發(fā)布的某條視頻，播放量達(dá)到3 千萬(wàn)以上，方框內(nèi)為時(shí)間取值范圍[8500,11 500]的累計(jì)播放量的局部曲線。發(fā)現(xiàn)其局部增長(zhǎng)曲線也存在多次快速增長(zhǎng)的情況，這說(shuō)明系統(tǒng)也對(duì)單梯度曲線進(jìn)行了多次推薦，但由于其在較短時(shí)間內(nèi)就達(dá)到了系統(tǒng)再次推薦的標(biāo)準(zhǔn)，因此整體曲線僅呈現(xiàn)出一個(gè)較長(zhǎng)時(shí)間的緩慢增長(zhǎng)階段。

2)多梯度播放量累計(jì)曲線

圖2b 為用戶“新華社”于2019 年11 月12 日發(fā)布的某條視頻，播放量達(dá)到160 萬(wàn)以上。發(fā)現(xiàn)多梯度播放量累計(jì)曲線在傳播過(guò)程中存在需要一定時(shí)間的積累才可達(dá)到進(jìn)入下一推薦流量池要求的過(guò)程，所以存在多次長(zhǎng)時(shí)間緩慢增長(zhǎng)的階段，因此整體曲線呈現(xiàn)出多個(gè)梯度疊加的增長(zhǎng)趨勢(shì)。

2 評(píng)論情感強(qiáng)度、點(diǎn)贊量與播放量的相關(guān)性分析

2.1 評(píng)論情感傾向分析

本文采用百度AI 開(kāi)放平臺(tái)[20]中基于情感詞典的情感分析方法對(duì)評(píng)論數(shù)據(jù)進(jìn)行情感分析。針對(duì)短視頻的每一條評(píng)論，該方法可給出評(píng)論情感所屬正負(fù)傾向的概率以及分類結(jié)果。模型根據(jù)得到的正負(fù)傾向概率的相對(duì)大小，對(duì)評(píng)論情感進(jìn)行分類?；诎俣華I 平臺(tái)判定的某個(gè)短視頻評(píng)論的情感傾向示例如表2 所示。其中，分類結(jié)果中0 表示負(fù)向情感，1 表示中性，2 表示正向情感。

表2 某短視頻評(píng)論的情感分析結(jié)果示例

2.2 評(píng)論情感與播放量的相關(guān)性

為了直觀表示解釋變量與被解釋變量的依存關(guān)系及方向，本文利用SPSS 中的斯皮爾曼雙變量雙邊簡(jiǎn)單相關(guān)系數(shù)對(duì)變量間的相關(guān)關(guān)系進(jìn)行測(cè)量。

在本文中，正向(負(fù)向)情感強(qiáng)度指，單個(gè)視頻中帶有正向(負(fù)向)情感的評(píng)論在該視頻全部評(píng)論中的占比。首先，本文以監(jiān)測(cè)的所有短視頻為研究對(duì)象，分析其播放量與評(píng)論情感強(qiáng)度的相關(guān)性，發(fā)現(xiàn)兩者在0.01 級(jí)別上顯著相關(guān)，如表3 所示；播放量與正向情感強(qiáng)度呈負(fù)相關(guān)(相關(guān)系數(shù)?0.140)，與負(fù)向情感強(qiáng)度呈正相關(guān)(相關(guān)系數(shù)0.143)，即負(fù)向情感評(píng)論占比高的短視頻播放量也會(huì)相對(duì)較高。

表3 斯皮爾曼相關(guān)性分析

進(jìn)一步，分別分析了每個(gè)活躍用戶所發(fā)布的短視頻的播放量和情感強(qiáng)度的相關(guān)性，9 個(gè)活躍用戶的相關(guān)系數(shù)分布如圖3 所示。發(fā)現(xiàn)對(duì)于不同的視頻發(fā)布用戶，評(píng)論情感強(qiáng)度與播放量的相關(guān)系數(shù)差異較大，其與用戶偏向性有關(guān)。根據(jù)短視頻的內(nèi)容進(jìn)行劃分，以用戶發(fā)布視頻中正向視頻的占比作為用戶偏向性。以用戶“人民日?qǐng)?bào)”為例，用戶偏向性為93%，負(fù)向評(píng)論情感與播放量相關(guān)系數(shù)為0.080，反之，“新華社”的用戶偏向性為77%，負(fù)向評(píng)論情感與播放量相關(guān)系數(shù)為0.25。即用戶偏向性高時(shí)，整體的正向評(píng)論占比高，所發(fā)布的短視頻之間評(píng)論差異性低，導(dǎo)致評(píng)論情感與播放量的相關(guān)系數(shù)小。

圖3 評(píng)論情感與播放量的相關(guān)性

因此，對(duì)短視頻評(píng)論進(jìn)行情感分析發(fā)現(xiàn)，播放量與評(píng)論情感顯著相關(guān)且相關(guān)系數(shù)受用戶偏向性影響。其中，對(duì)于傾向于發(fā)布正能量的用戶，評(píng)論情感強(qiáng)度與播放量的相關(guān)性較小，反之，對(duì)于傾向于發(fā)布易引發(fā)負(fù)向情感的用戶，兩者相關(guān)性較大，且評(píng)論負(fù)向情感強(qiáng)度大的短視頻播放量也會(huì)相對(duì)大。

2.3 點(diǎn)贊量與播放量的關(guān)系

本文分析了點(diǎn)贊量、評(píng)論量、轉(zhuǎn)發(fā)量與播放量的相關(guān)性，發(fā)現(xiàn)相比于評(píng)論量、轉(zhuǎn)發(fā)量(見(jiàn)表3)，點(diǎn)贊量與播放量呈強(qiáng)正相關(guān)(相關(guān)系數(shù)0.937)。

為進(jìn)一步探索兩者之間的關(guān)系，本文借助傳輸熵[21]，研究了點(diǎn)贊量與播放量的相互作用。對(duì)于兩個(gè)時(shí)間序列X、Y，X對(duì)Y的作用可利用傳輸熵計(jì)算如下：

如果X對(duì)Y的凈作用強(qiáng)度的結(jié)果為正值，則說(shuō)明序列X驅(qū)動(dòng)序列Y；結(jié)果為負(fù)值，則Y處于驅(qū)動(dòng)位置。

基于短視頻數(shù)據(jù)集，以每個(gè)短視頻的點(diǎn)贊量時(shí)間序列X和播放量時(shí)間序列Y作為研究對(duì)象。利用式(1)計(jì)算后，發(fā)現(xiàn)TX,Y>0，說(shuō)明點(diǎn)贊量和播放量之間存在相互作用關(guān)系。經(jīng)過(guò)分析點(diǎn)贊量對(duì)播放量的凈作用強(qiáng)度分布如圖4 所示，其中X表示點(diǎn)贊量時(shí)間序列，Y表示播放量時(shí)間序列，表示以X作為驅(qū)動(dòng)因素，即點(diǎn)贊量驅(qū)動(dòng)播放量。發(fā)現(xiàn)點(diǎn)贊量驅(qū)動(dòng)播放量的短視頻占比約為70%，即大部分情況下，點(diǎn)贊量對(duì)于播放量是處于驅(qū)動(dòng)地位的。

圖4 點(diǎn)贊量與播放量的凈作用強(qiáng)度分布

2.4 評(píng)論情感與點(diǎn)贊率的關(guān)系

此外，本文分析了評(píng)論情感與點(diǎn)贊率的相關(guān)性。在分析評(píng)論情感與點(diǎn)贊率的相關(guān)性中，情感強(qiáng)度越大，則表征評(píng)論情感偏向越明顯。因此，選取數(shù)據(jù)集中評(píng)論情感偏向性大的數(shù)據(jù)進(jìn)行分組，以情感強(qiáng)度0.6 作為閾值，將負(fù)向情感強(qiáng)度0.6 以上以及正向情感強(qiáng)度0.6 以上的短視頻分為兩組。分別對(duì)這兩個(gè)數(shù)據(jù)集中短視頻的點(diǎn)贊率和情感強(qiáng)度進(jìn)行分析，發(fā)現(xiàn)對(duì)于負(fù)向情感組，點(diǎn)贊率和負(fù)向情感強(qiáng)度之間的相關(guān)系數(shù)為0.260；對(duì)于正向情感組，點(diǎn)贊率和正向情感之間的相關(guān)系數(shù)為0.343?？梢?jiàn)，評(píng)論情感強(qiáng)度與點(diǎn)贊率之間存在顯著相關(guān)關(guān)系(見(jiàn)表3)。

因此，基于點(diǎn)贊量對(duì)播放量的驅(qū)動(dòng)特征，考慮將點(diǎn)贊率引入短視頻傳播模型的構(gòu)建中；與此同時(shí)，基于點(diǎn)贊率與評(píng)論情感的相關(guān)性，通過(guò)引入點(diǎn)贊率，也可以間接反映情感傾向?qū)Σシ帕康挠绊憽?/p>

3 點(diǎn)贊?傳播動(dòng)力學(xué)模型的構(gòu)建

3.1 抖音短視頻播放量演化模型

本文考慮了系統(tǒng)推薦以及粉絲觀看這兩個(gè)傳播途徑[11]；同時(shí)，基于第二部分的相關(guān)性分析，本文將點(diǎn)贊行為引入模型構(gòu)建中，假設(shè)當(dāng)短視頻點(diǎn)贊量達(dá)到一定閾值后即被推薦入下一個(gè)流量池(如圖5所示)，從而構(gòu)建了短視頻的點(diǎn)贊?傳播動(dòng)力學(xué)模型來(lái)刻畫(huà)短視頻播放量的演變模式。

圖5 短視頻進(jìn)入下一推薦階段的過(guò)程

在短視頻的傳播過(guò)程中，對(duì)于系統(tǒng)推薦部分，假設(shè)t時(shí)刻其處于系統(tǒng)推薦的第i階段，其中流量池中的用戶以恒定速率b對(duì)短視頻進(jìn)行觀看，假定短視頻進(jìn)入第i推薦階段的時(shí)間為T(mén)i，可得到第i階段流量池變化速率如下：

式中，Si(t)表示t時(shí)刻第i階段流量池的未推薦人數(shù)。

對(duì)于粉絲觀看部分，假定粉絲以速率 β對(duì)視頻進(jìn)行觀看，得到t時(shí)刻未觀看粉絲人數(shù)f(t)的變化速率如下：

初始時(shí)刻f(0)=αN，其中 α代表觀看該短視頻的潛在粉絲用戶占總粉絲用戶的比例，N為用戶總粉絲量，即 αN為觀看該短視頻的粉絲總數(shù)。

由式(3～4)以及點(diǎn)贊率qi得到播放量以及點(diǎn)贊量變化速率如下：

式中，I(t)、x(t)分別表示t時(shí)刻的累計(jì)播放量和累計(jì)點(diǎn)贊量。

假設(shè)每個(gè)階段進(jìn)入下一階段的點(diǎn)贊量閾值為Di，時(shí)間閾值為Ki，Ti為進(jìn)入第i階段推薦的時(shí)間，從i到i+1階段點(diǎn)贊量x(t)需要滿足下列條件：

由于在點(diǎn)贊量達(dá)到條件時(shí)，推薦進(jìn)入下一階段。假設(shè)i階段流量池總推薦人數(shù)為Ri，得到第i階段實(shí)際推薦人數(shù)Ai：

由Si(0)=Ri，i階段實(shí)際推薦人數(shù)為Ai，對(duì)式(3)求導(dǎo)，推出動(dòng)力學(xué)模型中的累計(jì)推薦人數(shù)Ct：

由f(0)=αN，對(duì)式(4)求導(dǎo)，推出動(dòng)力學(xué)模型中的累計(jì)粉絲觀看人數(shù)Ft：

由式(10～11)得到t時(shí)刻的累計(jì)觀看人數(shù)為：

3.2 模型的擬合及參數(shù)影響

利用式(12)對(duì)實(shí)際數(shù)據(jù)(用戶“浙有正能量”所發(fā)布的兩個(gè)不同播放量時(shí)變模式的短視頻數(shù)據(jù))進(jìn)行復(fù)現(xiàn)，得到了很好的吻合，結(jié)果如圖6 所示。其中圖6a 為2019 年11 月21 日發(fā)布的視頻，播放量達(dá)150 萬(wàn)，對(duì)其第一次推薦過(guò)程進(jìn)行擬合的結(jié)果：系統(tǒng)推薦速率b=0.0061，粉絲觀看數(shù)f(0)=8.83 萬(wàn)人；圖6b 為2019 年12 月3 日發(fā)布的視頻，播放量達(dá)200 萬(wàn)，多梯度播放量累計(jì)曲線的擬合結(jié)果：系統(tǒng)推薦速率b1=0.1078，b2=0.0368，粉絲觀看數(shù)f(0)=73.68 萬(wàn)人。圖6a 對(duì)完整的播放量累計(jì)曲線中第一個(gè)梯度進(jìn)行擬合，發(fā)現(xiàn)模型可以很好地復(fù)現(xiàn)一次推薦過(guò)程。圖6b 對(duì)實(shí)際數(shù)據(jù)中的多梯度播放量曲線進(jìn)行擬合，通過(guò)對(duì)數(shù)據(jù)的觀察得到其轉(zhuǎn)折點(diǎn)，模型擬合了每一個(gè)梯度過(guò)程。圖6 的擬合結(jié)果說(shuō)明模型可以很好地反映在線短視頻的傳播過(guò)程。

圖6 模型擬合結(jié)果

短視頻傳播過(guò)程中受到多次的系統(tǒng)推薦，本文只討論最多3 次的疊加推薦，且設(shè)定3 個(gè)流量池分別為R1、R2、R3，其中流量池R1=100，R2=150，R3=200，流量池點(diǎn)贊量閾值Di(i=1,2)，時(shí)間閾值為Ki(i=1,2)。

為簡(jiǎn)便起見(jiàn)，本文假定傳播過(guò)程中每一階段的點(diǎn)贊率相等，即qi=ω。通過(guò)探索點(diǎn)贊率 ω對(duì)播放量的影響，發(fā)現(xiàn)不同梯度曲線的產(chǎn)生受點(diǎn)贊率的影響。設(shè)其他參數(shù)不變，粉絲吸引率α=0.08，用戶粉絲數(shù)N=10000，推薦速率b=0.05，點(diǎn)贊量閾值D1=11，D2=16，時(shí)間閾值K1=350，K2=300。當(dāng)點(diǎn)贊率較高時(shí)，如圖7a 和7c，短視頻的點(diǎn)贊量可快速達(dá)到進(jìn)入下一流量池的閾值，因此短視頻在每一流量池的時(shí)間較短，從而播放量呈現(xiàn)快速增長(zhǎng)，最后再進(jìn)入長(zhǎng)期緩慢增長(zhǎng)的模式，這也反映了實(shí)際數(shù)據(jù)中的第一類模式(如圖2a)。當(dāng)點(diǎn)贊率較低時(shí)，如圖7b 和7d，短視頻的點(diǎn)贊量需要較長(zhǎng)時(shí)間的積累才可達(dá)到點(diǎn)贊量閾值，因此在每一流量池的時(shí)間較長(zhǎng)，從而傳播過(guò)程中存在多次長(zhǎng)時(shí)間緩慢增長(zhǎng)的階段，播放量呈現(xiàn)階段性增長(zhǎng)，反映了實(shí)際數(shù)據(jù)中第二類模式(如圖2b)。

圖7 點(diǎn)贊率ω 對(duì)視頻流行度模式的影響

粉絲吸引率 α對(duì)短視頻傳播的影響如圖8 所示。設(shè)其他參數(shù)不變，用戶粉絲數(shù)N=10000，推薦速率b=0.05，點(diǎn)贊率ω=0.10，點(diǎn)贊量閾值D1=11，D2=16，時(shí)間閾值K1=300，K2=300。圖8a 中，隨著 α的增大，播放量呈階躍式的增長(zhǎng)。這是因?yàn)楫?dāng)α較小時(shí)(如圖8b)，短視頻前期播放量較小，無(wú)法進(jìn)入下一推薦階段；而隨著 α的增加(如圖8c 和8d)，短視頻可以得到多次推薦，從而播放量也相應(yīng)增加?？梢?jiàn)初始的粉絲吸引率對(duì)短視頻在初期能否進(jìn)行系統(tǒng)推薦從而傳播開(kāi)來(lái)具有重要的影響。

圖8 粉絲吸引率α 對(duì)視頻傳播的影響

4 結(jié)束語(yǔ)

為了探索短視頻的傳播機(jī)制，本文基于相關(guān)性分析以及傳輸熵，發(fā)現(xiàn)點(diǎn)贊量與播放量呈強(qiáng)正相關(guān)，且點(diǎn)贊量對(duì)播放量有驅(qū)動(dòng)作用；結(jié)合短視頻傳播特點(diǎn)和已有的視頻傳播模型，將點(diǎn)贊促進(jìn)傳播以及多次推薦的特征考慮在內(nèi)，構(gòu)建了在線短視頻的點(diǎn)贊?傳播動(dòng)力學(xué)模型。本文還結(jié)合短視頻評(píng)論以及短視頻播放量，探索評(píng)論的用戶情感與播放量之間的關(guān)系。后續(xù)的研究可將視頻內(nèi)容所引發(fā)的情感傾向?qū)Σシ帕康挠绊懣紤]在內(nèi)，進(jìn)一步完善模型。