嚴煒煒　曹燦瑜

關鍵詞： 知識交流； 多元平臺； 主題模型； ＢＥＲＴｏｐｉｃ； 用戶畫像

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０７．００５

〔中圖分類號〕Ｇ２０３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０７－００４７－１３

知識被認為是價值創(chuàng)造、生產(chǎn)力拉升和社會經(jīng)濟增長的重要驅動力［１］ 。面向當前世界科技前沿，推動創(chuàng)新驅動發(fā)展成為時代主題。黨的二十大報告明確了創(chuàng)新在我國現(xiàn)代化建設全局中的核心地位，科技創(chuàng)新是打造高質量發(fā)展新動能和新機制的關鍵［２］ ， 是新時期“實現(xiàn)高水平對外開放、推動高質量發(fā)展” 對國際科技合作提出的重點要求。在這一背景下， 知識交流作為科技創(chuàng)新合作的重要窗口，是促進科學技術和知識經(jīng)濟發(fā)展的加速器， 也是我國深度融入全球創(chuàng)新網(wǎng)絡并引領科學領域前沿發(fā)展的關鍵路徑［３］ 。

當前， 包括大眾社交媒體、問答知識社區(qū)、學術社交網(wǎng)絡等在內(nèi)的多元平臺已成為網(wǎng)絡環(huán)境下開展知識交流的重要情境， 其中， 不同知識水平的個體廣泛參與主題多樣的知識交流并促進著知識創(chuàng)新［４］ 。依托網(wǎng)絡平臺更安全的社交環(huán)境和持續(xù)豐富的互動渠道， 以知識內(nèi)容為主體的用戶知識交流行為亦呈現(xiàn)出多元化、開放式的融合趨勢［５］ 。由此可見， 單一的平臺研究已無法全面揭示用戶知識交流行為與偏好， 亟需拓展多平臺場景的知識交流內(nèi)容差異與群體識別等領域的研究。

綜上所述， 本文立足多平臺視角， 對用戶知識交流內(nèi)容進行主題挖掘， 并融合多平臺共性指標構建用戶畫像標簽體系， 進行群體聚類并抽象出不同用戶群體的典型特征， 最終通過對比分析揭示平臺間知識交流主題和群體差異， 旨在實現(xiàn)用戶知識交流行為的泛平臺刻畫， 有助于差異化網(wǎng)絡平臺精準經(jīng)營和科學決策， 從而推動平臺良性知識交流生態(tài)建設和平臺間開放創(chuàng)新進程。

１ 相關研究

１.１ 知識交流行為研究現(xiàn)狀

知識交流是指以知識共享和知識創(chuàng)新為導向，通過特定平臺渠道的溝通互動， 將知識主體的隱性知識顯性化的過程［６］ 。作為當前時代人們知識生產(chǎn)、協(xié)作和傳播的聚集地， 以知識內(nèi)容為核心的網(wǎng)絡平臺也在向著多元類型演化， 成為知識交流主體實現(xiàn)知識需求、傳播信息價值的有效載體。圍繞知識交流行為， 學者們除了對交流過程中的知識貢獻意愿［７］ 、交流效率［８］ 等方面進行了探索， 還重點關注了知識交流互動偏好［９］ 。相關研究不僅利用問卷訪談、社會網(wǎng)絡分析法及內(nèi)容分析法等方法， 探討了互動主客體、互動網(wǎng)絡及互動主題等行為規(guī)律，揭示了知識主體主要通過知識傳遞或信息共享對知識客體進行內(nèi)容輸出［１０］ ； 亦從特定平臺場景探究了內(nèi)容交互模式， 發(fā)現(xiàn)學術社區(qū)用戶內(nèi)容交互涉及問題澄清、回答擴充、問題協(xié)商三類模式［１１］ 。還有部分研究利用ＬＤＡ、ＢＥＲＴ 等主題建模等手段，對知識交流主題進行數(shù)據(jù)抽取與識別， 如Ｎｉｎｇ Ｃ等［１２］基于ＢＥＲＴ 模型對知乎體育文本進行主題分析，發(fā)現(xiàn)女性在表達對體育信息等需求時更傾向于強調(diào)自身的性別屬性以獲取更有用的知識。

１.２ 用戶畫像研究現(xiàn)狀

用戶畫像是建立在一系列真實用戶數(shù)據(jù)上的目標模型［１３］ ， 由交互設計之父Ａｌａｎ Ｃｏｏｐｅｒ 提出， 最初被常用于電商行業(yè)， 作為識別用戶標簽特征、追蹤用戶興趣偏好的一種技術工具［１４］ 。因具有靈活便捷、精準度和重要性高等優(yōu)勢， 用戶畫像在社交媒體［１５］ 、健康社區(qū)［１６］ 、政府服務［１７］ 等多領域得到廣泛應用， 指導用戶需求識別、精準信息營銷、平臺個性化服務等工作， 其構建方式主要包括基于用戶行為、基于用戶偏好、基于主題、基于人格和用戶情緒４ 種主流方法［１８］ ?，F(xiàn)有研究通常圍繞某特定平臺構建用戶畫像標簽體系， 結合用戶年齡、性別等人口統(tǒng)計學指標［１９］ ， 瀏覽量、發(fā)布數(shù)、互動數(shù)等行為計數(shù)指標［２０］ 及社會網(wǎng)絡出入度、影響力等計量指標［２１－２２］ ， 實現(xiàn)群體標簽抽象與特征描述。亦有部分學者嘗試引入多元數(shù)據(jù)以完善系統(tǒng)化用戶畫像， 如高靖超等［２３］ 結合４ 個代表性在線醫(yī)療社區(qū)特征構建健康焦慮用戶畫像標簽體系； 王東等［２４］通過對多數(shù)據(jù)源的科研人員信息整合， 從實體抽取和科研屬性標簽抽取等維度構建科研人員畫像。

１.３ 研究評述

伴隨知識生產(chǎn)與互動傳播渠道拓展， 網(wǎng)絡平臺用戶知識交流行為相關研究主要關注了用戶互動行為偏好和互動主題， 但大多存在樣本局限性或個體主觀性等問題。同時， 用戶畫像技術雖較為豐富，應用于不同場景以揭示用戶特征規(guī)律， 但現(xiàn)有研究往往僅針對單一平臺樣本或同類型平臺， 對多元情景的融合樣本研究較少， 尤其是從多平臺乃至跨平臺視角對用戶畫像的整體刻畫較為有限， 缺乏對多元平臺情境下的用戶整體畫像揭示， 未能深入理解用戶知識交流行為全貌特征及偏好。因此， 本研究結合多平臺的用戶知識交流指標構建用戶畫像標簽體系， 利用技術手段加工得到用戶標簽數(shù)據(jù)， 以在多平臺情境下探究不同類型用戶及不同類型平臺的知識交流行為規(guī)律。

２ 研究設計

虛擬技術發(fā)展為知識交流構筑了多元平臺情境，諸如以新浪微博、Ｔｗｉｔｔｅｒ（現(xiàn)更名為Ｘ）為代表的大眾社交平臺賦予不同話語主體信息傳播的權利［２５］ ，為廣泛穩(wěn)定的知識交流行為提供場景； 以百度貼吧、豆瓣為代表的興趣交流平臺核心為共同興趣， 通過問答討論等形式， 聚集豐富的“圈層化” 用戶知識生產(chǎn)內(nèi)容［２６］ ； 以ＣＳＤＮ、經(jīng)管之家為代表的垂直知識平臺將用戶知識內(nèi)容下沉至垂直領域［２７］ ， 實現(xiàn)更加優(yōu)質標準的個性化知識服務。此三類平臺分別代表了社交、圈層、專業(yè)的交流媒介， 共同構筑了在線知識交流的主要渠道， 且三類平臺知識交流主體及內(nèi)容特征差異明顯， 故而本文以此為多平臺樣本構建研究框架， 如圖１ 所示。根據(jù)多平臺的數(shù)據(jù)結構和指標差異選取可以應用于研究的數(shù)據(jù)， 并通過Ｐｙｔｈｏｎ 爬蟲采集用戶知識交流行為數(shù)據(jù)， 進行數(shù)據(jù)預處理。在實驗設計部分， 利用ＢＥＲＴｏｐｉｃ模型對用戶博文進行主題提取， 構建用戶知識交流主題， 篩選得到有明確知識交流主題的用戶， 并對該部分用戶構建用戶畫像標簽體系。在用戶畫像呈現(xiàn)和多平臺對比分析部分， 采用Ｋ-ｍｅａｎｓ 算法生成畫像， 最終分析多平臺用戶畫像和知識交流主題的差異。

２.１ 數(shù)據(jù)來源與預處理

ＣｈａｔＧＰＴ 全稱為聊天生成預訓練轉化器， 是ＯｐｅｎＡＩ 于２０２２ 年１１ 月發(fā)布的人工智慧聊天機器人程序［２８］ 。由于優(yōu)異的文本處理能力和對話技術，該產(chǎn)品自推出后引發(fā)全球廣泛關注和討論。基于ＣｈａｔＧＰＴ 相關話題的時間周期短、爆發(fā)性高、知識交流內(nèi)容豐富等特點， 本文以該科技前沿性話題為實證研究對象， 結合平臺特性差異和用戶活躍情況，選取了新浪微博、百度貼吧和ＣＳＤＮ 分別作為大眾社交平臺、興趣交流平臺、垂直知識平臺三類平臺的代表進行樣本數(shù)據(jù)的獲取。利用Ｐｙｔｈｏｎ 爬蟲以ＣｈａｔＧＰＴ 為檢索關鍵詞獲取了２０２２ 年１２ 月１ 日—２０２３ 年８ 月３１ 日各平臺下全體原創(chuàng)知識交流信息，包含博文信息（博文ＩＤ、用戶ＩＤ、發(fā)布時間、互動數(shù)據(jù)）和用戶信息（用戶基本指標、平臺行為指標等）等數(shù)據(jù)共計１８４ ９２９條?？紤]到數(shù)據(jù)可用性， 對已有樣本進行數(shù)據(jù)清洗與預處理步驟如下：

１） 去除文本中的表情、符號、用戶名、網(wǎng)址鏈接、平臺特有字符串等無意義表達。

２） 篩選漢語文本長度在５～１６０ 之間的帖子文本。

３） 剔除重復及無效數(shù)據(jù)。

４） 利用Ｐｙｔｈｏｎ 的Ｊｉｅｂａ 庫和中文停用詞庫對文本數(shù)據(jù)進行分詞和去停用詞處理， 并剔除超高頻詞匯。

經(jīng)過以上步驟， 得到數(shù)據(jù)總體數(shù)量和預處理結果示例， 如表１ 所示。

２.２ 知識交流主題模型

本文利用ＢＥＲＴｏｐｉｃ 模型來挖掘用戶知識交流主題。ＢＥＲＴｏｐｉｃ 是一種基于變換器的無監(jiān)督主題聚類深度學習模型［２９］ ， 能夠解決傳統(tǒng)主題模型中常見的短語依賴和語義模糊問題， 在句子向量表征與文檔語義關系方面表現(xiàn)優(yōu)秀［３０］ ， 對大樣本主題識別具有更強的靈活性和穩(wěn)定性［３１］ ， 適用于本文多平臺博文樣本量大、短文本多及文本內(nèi)容復雜等數(shù)據(jù)特點。該模型的具體實現(xiàn)步驟如圖２ 所示。①文檔嵌入。使用ＳＢＥＲＴ 語言模型對多平臺輸入文檔進行向量化描述， 將文檔表示為高維向量空間中的點； ②文檔聚類。由于聚類模型難以處理高維雜糅數(shù)據(jù)， 因此在利用ＵＭＡＰ 算法對高維向量進行降維后， 采用基于密度的聚類技術ＨＤＢＳＣＡＮ 創(chuàng)建語義相似的文檔簇； ③主題表征。使用ｃ－ＴＦ－ＩＤＦ和ＭＭＲ 算法對各文檔簇提取主題詞， 各主題詞代表其融合了多平臺文本語義的聚類關鍵特征。

２.３ 用戶畫像標簽抽取

通過對用戶信息的高度特征凝練， 抽取得到的標簽可用于構建用戶畫像模型， 現(xiàn)有研究多從自然屬性、社會屬性、行為屬性、主題屬性等維度抽取畫像標簽， 其中自然屬性主要考察用戶性別、地區(qū)和用戶興趣專業(yè)［２０，３２］ ； 社會屬性一般關注用戶平臺粉絲量、成就貢獻和用戶消費水平等［１４，３３］ ； 行為屬性不僅考慮行為總量和生產(chǎn)內(nèi)容長度等用戶行為特征［２３，３４］ ， 也量化評估用戶影響力指標［２２］ ； 主題屬性則重點聚焦于主題詞及其子類目［３５］ 。結合多平臺的場景搭建差異及知識交流指標定義， 通過對平臺間用戶行為指標的異同對比， 從中抽取相似要素， 構建多平臺視角下用戶畫像標簽體系如表２所示。

２.４ 用戶畫像標簽加工

２.４.１ 社會屬性標簽加工

粉絲規(guī)模。該標簽被廣泛應用于識別網(wǎng)絡平臺意見領袖， 是評價用戶社交價值的重要依據(jù)［３７］ ，由用戶的其他用戶關注數(shù)ｆａｎｓ 表示。ｆａｎｓ 值越大，代表用戶的平臺被關注數(shù)越多， 用戶的平臺知識交流和輿論引導的傳播潛力越強。

個人成就。該標簽指用戶在平臺完成一系列指定信息行為后獲得的個人成就， 包括成就獎牌、成就勛章數(shù)， 由ａｃｈｉｅｖｅｍｅｎｔｓ 表示。ａｃｈｉｅｖｅｍｅｎｔｓ 連接了個體需求和平臺功能， 使得用戶能有效和其他個體建立關系、獲得榮譽以及成長［３８］ 。

會員水平。該標簽以用戶是否為平臺會員及其當前會員等級為衡量依據(jù)， 用ｒａｎｋｓ 表示。購買會員是網(wǎng)絡平臺的重要付費形式之一， 反映用戶對平臺的使用深度和付費意愿。在新浪微博體現(xiàn)為用戶的ＶＶＩＰ 等級， 百度貼吧和ＣＤＳＮ 體現(xiàn)為用戶的會員天數(shù)。

由于不同平臺特征及其社會屬性標簽計量方式存在差異， 如以用戶活躍度較高的新浪微博的ｆａｎｓ均值顯著大于百度貼吧和ＣＤＳＮ。為科學衡量用戶在差異化平臺情境下的社會屬性表征， 分別對各平臺的屬性標簽進行歸一化處理， 如式（１）所示：

２.４.３ 標簽加工結果

為排除標簽間相關性對最終聚類的影響， 考慮到各標簽均不符合正態(tài)分布， 故采用Ｓｐｅａｒｍａｎ 相關分析法對加工后的用戶畫像標簽體系進行相關性檢驗， 結果如圖３ 所示。一般認為Ｓｐｅａｒｍａｎ 相關系數(shù)絕對值在０～０.２ 區(qū)間不相關， ０.２ ～０.４ 區(qū)間弱相關， ０.４～０.８ 區(qū)間中度相關， ０.８～１.０ 區(qū)間顯著相關?？芍獦撕炛g均未出現(xiàn)顯著相關， 多數(shù)為不相關或弱相關， 標簽呈現(xiàn)較強的獨立性， 因此該體系可用于后文的聚類分析。

對構建的用戶畫像標簽體系進行分類統(tǒng)計， 其數(shù)據(jù)分布情況如表３所示。

３ 結果分析

３.１ 知識交流主題識別

通過對搭建的ＢＥＲＴｏｐｉｃ 模型的多次調(diào)參訓練，確定當設置ＵＭＡＰ 句嵌入降維維度為２９， ＨＤＢ?ＳＣＡＮ 最小聚類規(guī)模為２５０ 時， 可得到最具有明確含義的主題共５７ 個。該結果解釋了８３ ４３７篇文檔的主題分類表征， 另有５７ ５５９篇文檔由于主題雜糅或離群被視為噪聲值而剔除。根據(jù)基于簇的ｃ－ＴＦＩＤＦ方法提取各主題關鍵詞， 經(jīng)過人工審閱， 發(fā)現(xiàn)部分主題的關鍵詞及文檔內(nèi)容呈現(xiàn)較高的相似性。根據(jù)知識交流主題識別及網(wǎng)絡平臺主題分類的相關研究， 以主題關鍵詞及余弦相似度為研判依據(jù)， 結合３ 名專家意見對相似主題進行人工篩選及歸類合并， 最終得到４６ 個用戶知識交流主題如表４ 所示。結果顯示， 針對科技前沿性話題的各平臺中用戶知識交流主題較為豐富， 可劃分為應用場景、行業(yè)進展、未來探討、相關產(chǎn)業(yè)、咨詢求助、熱門話題、使用感受及風險監(jiān)督８ 個方向。其中， 應用場景主題最為熱門， 包括論文參考、代碼編程、語言潤色等多元實踐場景， 體現(xiàn)了用戶對科技前沿性技術應用價值的關注。此外， 除去對話題本身的探討， 對諸如股票、元宇宙等相關產(chǎn)業(yè)及數(shù)據(jù)安全、數(shù)據(jù)監(jiān)管等延伸話題的討論也具有一定顯示度， 如圖４ 所示。該類型主題位于整體主題討論的偏中位置， 反映出延伸話題同樣是科技前沿性話題的重點討論對象， 拓展了一般知識交流的層次范圍。

３.２ 用戶畫像呈現(xiàn)

在剔除了噪聲數(shù)據(jù)后， 對識別出明確主題的５８ ８５９名知識交流用戶進行畫像分析。采用Ｋ－ｍｅａｎｓ算法對用戶畫像標簽體系進行群體聚類。Ｋ－ｍｅａｎｓ是一種基于數(shù)據(jù)之間相似性進行聚類的強大算法，其泛化能力強， 對高維大規(guī)模數(shù)據(jù)的處理效果優(yōu)異，被廣泛應用于群體分類和特征識別［３９］ 。該算法的基本思想是將數(shù)據(jù)集按照不同的類別劃分成多個簇，通過不斷迭代使得數(shù)據(jù)點和相應的簇中心的歐式距離最小。結合本文數(shù)據(jù)集規(guī)模大、特征標簽復雜等特點， Ｋ－ｍｅａｎｓ 算法可以在高效收斂集合的同時提供較強的解釋度。通過手肘法選取最佳聚類數(shù)Ｋ，如圖５ 所示， 可知當Ｋ 取值小于４ 時和方差（ＳＳＥ）下降明顯， 往后再增加Ｋ 所得的聚合效果回報迅速變小， 因此確定最佳聚類值Ｋ＝４。

根據(jù)最佳聚類值計算Ｋ－ｍｅａｎｓ 聚類結果， 對畫像標簽進行分類統(tǒng)計， 并結合不同群體的標簽分布特點和分類內(nèi)容， 將知識交流主體分為專業(yè)貢獻型、綜合共享型、社交求知型及話題潛力型４ 種類型， 其占比和特征呈現(xiàn)結果如表５ 所示。

專業(yè)貢獻型用戶。該群體中多為數(shù)碼、寫作及教育興趣等專業(yè)領域的關鍵意見領袖， 在粉絲規(guī)模和個人成就等指標上表現(xiàn)最優(yōu)， 且具有豐富粉絲基礎和高平臺價值。從知識交流行為屬性來看， 該群體產(chǎn)出較高， 形式以長篇和中長篇博文為主， 且博文具有顯著的知識交流影響力， 代表了平臺高質量知識交流行為。該群體的知識交流主題以應用場景為主， 用戶善于結合自身專業(yè)特點， 針對人工智能話題的應用價值創(chuàng)作知識博文， 如探討ＣｈａｔＧＰＴ如何提升聊天機器人的性能水平?？梢钥闯觯?該群體雖占比最少， 不足用戶總量的１０％， 卻是不同平臺和相關話題的高黏用戶， 貢獻了大量優(yōu)質知識內(nèi)容， 是多平臺知識交流行為的重要組成。

綜合共享型用戶。該群體約占用戶總量的１／５，綜合了財經(jīng)、科技、互聯(lián)網(wǎng)等專業(yè)領域， 社會屬性表現(xiàn)較為顯著， 其中高會員水平用戶占比最高， 體現(xiàn)出群體普遍具有高付費意愿及高平臺經(jīng)營價值。該群體的知識交流行為屬性略弱于專業(yè)貢獻型用戶，但在知識交流總量、長度和影響力水平仍較高。從知識交流主題來看， 該群體對行業(yè)進展、風險監(jiān)督的主題關注度高， 對國內(nèi)同行業(yè)產(chǎn)品、數(shù)據(jù)安全監(jiān)管等相關產(chǎn)業(yè)有較高討論度。結合以上特征， 本文認為該群體在平臺使用時更注重共享傳播知識、跟進時事熱點、實現(xiàn)自我價值等多維需求。社交求知型用戶。該群體占比略高于綜合共享性用戶， 興趣領域更傾向于娛樂化。從社區(qū)屬性來看， 該群體的粉絲規(guī)模表現(xiàn)不突出， 且多成就和高等級用戶占比較低。該群體低產(chǎn)出用戶顯著高于其他三類群體， 知識交流內(nèi)容以短篇、弱影響力的帖子為主， 表現(xiàn)出較弱的知識交流貢獻度和話題黏性， 能夠滿足他人知識需求或引起共鳴的高價值內(nèi)容相對匱乏。知識交流主題以熱門話題、資訊求助和使用感受為主， 其中問題、回答、求助等關鍵詞出現(xiàn)頻次高。相較于成為內(nèi)容生產(chǎn)者， 該群體用戶更傾向于通過平臺實現(xiàn)感情抒發(fā)、尋友交友及彰顯存在等社交意愿， 或利用平臺的已有社交與知識價值來解答個體疑惑。

話題潛力型用戶。該群體為用戶總量最高的群體， 同時也擁有最弱的社區(qū)屬性， 其中社交用戶、知名用戶和多成就用戶的占比最低， 而普通用戶、一般成就及非會員用戶的占比最高， 用戶普遍對平臺使用黏性低。從知識交流行為來看， 該群體的知識交流總量和長度優(yōu)于求知社交型用戶， 體現(xiàn)在低產(chǎn)出用戶和中長篇及長篇帖子占比較高， 但影響力相對較弱。類似于專業(yè)貢獻型用戶， 該群體的知識交流主題以應用場景為主， 往往針對教育、編程、感情等場景展開探討。本文認為， 該群體具有一定強度的知識交流意愿， 但由于對平臺的日常利用率不高， 而受限于社會屬性難以形成大影響力的知識交流行為， 但總體來說屬于相關話題優(yōu)質產(chǎn)出的潛力用戶。

３.３ 多平臺差異對比

為進一步探究平臺間知識交流差異， 對多平臺的知識交流主題占比分布統(tǒng)計如圖６ 所示。結果顯示， 各平臺用戶的知識交流主題存在明顯差異。新浪微博中應用場景的主題討論占比最高（５１.６％），而對其他主題的探討頻次相對平均， 相較于其他平臺表現(xiàn)出更強的主題廣泛型。百度貼吧的知識交流則更集中在咨詢求助主題上， 如賬號注冊、登錄節(jié)點、網(wǎng)站地址等針對話題本體使用的用戶求助意愿在３ 個平臺中表現(xiàn)最強烈， 原因可能是興趣平臺的知識交流主題更傾向于聚集化， 對于某些典型咨詢問題的響應速度較快、內(nèi)容較優(yōu)質， 因此用戶樂于利用該平臺尋求咨詢解答。相對來說， ＣＳＤＮ 的知識交流多為行業(yè)進展、應用場景、咨詢求救和相關產(chǎn)業(yè)主題， 而涉及其他主題的知識交流內(nèi)容較少，體現(xiàn)出一定的平臺垂直性。

圖７ 反映了多平臺知識交流用戶畫像分布情況。作為開放式的大眾社交平臺， 新浪微博具有多元化的用戶群體， 在４ 個群體用戶占比分布上最為平均，其中專業(yè)內(nèi)容貢獻者、綜合領域共享者、社交話題用戶以及普通網(wǎng)民等不同話語主題均廣泛參與到科技前沿性話題的知識交流行為中， 并在知識傳播交流中發(fā)揮作用。作為私域化的興趣交流平臺， 百度貼吧的大多數(shù)用戶由社交求知型和話題潛力型組成，用戶利用平臺的功能屬性和獨特社群制度， 進行社交性的知識交流問答， 提升自身認知水平， 尋求群體身份認同。作為技術型的垂直知識平臺， ＣＳＤＮ以綜合共享型知識交流用戶為主， 以發(fā)表原創(chuàng)博文的形式進行知識創(chuàng)作和共享。此外， 由于平臺兼顧問答功能， 因此社交求知型和話題潛力型也是該平臺的重要用戶群體。結合各平臺特性和用戶構成，可以看出本文構建的多平臺用戶畫像標簽體系具有較強的解釋性和普適性。

４結語

本文在以往網(wǎng)絡平臺及知識交流相關研究的基礎上， 提出了一種基于多平臺視角下的知識交流用戶畫像標簽體系， 并以多平臺數(shù)據(jù)為研究樣本， 圍繞科技前沿性話題ＣｈａｔＧＰＴ 探討用戶知識交流主題內(nèi)容、用戶群體分類及多平臺知識交流主題和畫像差異。研究首先采用ＢＥＲＴｏｐｉｃ 主題模型對博文數(shù)據(jù)進行文本聚類， 獲得４６ 個知識交流主題和８大研究方向； 其次從自然屬性、社會屬性、知識交流行為屬性和知識交流主題屬性４ 個維度對多平臺用戶知識交流特征進行標簽分級與概念解釋， 并利用Ｋ－ｍｅａｎｓ 算法進行用戶聚類， 提取出４ 類群體的典型特征； 最后從知識交流主題和用戶畫像兩個維度對比分析平臺間差異。研究有助于進一步豐富多平臺用戶信息行為相關研究， 有利于相關平臺針對不同群體提出針對性服務對策。

具體而言， 本文實證研究結果發(fā)現(xiàn)， 多平臺間知識交流主題和用戶畫像存在顯著差異， 不同類型平臺應采取針對性地優(yōu)化策略和管理手段， 以提高平臺經(jīng)營能力。①針對大眾社交平臺參與知識交流的用戶群體多元、交流活躍度高、知識交流主題廣泛等特征， 平臺可動態(tài)跟蹤用戶知識交流需求與行業(yè)前沿熱點， 根據(jù)用戶自然特征與使用行為等特征及時匹配推送興趣知識內(nèi)容， 以降低用戶信息篩選成本， 從而提高使用黏性。同時， 完善博文反饋機制， 利用平臺傳播能力優(yōu)勢對專業(yè)貢獻型及綜合共享型用戶的知識產(chǎn)出與傳播方向進行引導， 正確把控信息輿論導向； ②針對興趣交流平臺以社交求知型和話題潛力型用戶為主、知識交流主題集中于咨詢求助等特征， 平臺可設立專門答疑板塊， 優(yōu)化個性化問答服務， 引入趣味性、游戲化的交互功能，并完善獎勵機制鼓勵潛力用戶參與互動， 以激發(fā)用戶活性； ③針對垂直知識平臺兼顧綜合分享、話題潛力及社交求知型用戶的畫像特征與集中化的知識交流主題， 平臺可根據(jù)用戶訴求提供個性化知識推薦與付費服務， 并積極與行業(yè)專家、技術達人和高?？蒲袡C構等群體達成資源共享與深度合作， 有效提高知識交流內(nèi)容質量。

本文的局限性主要為研究對象僅針對ＣｈａｔＧＰＴ單一話題， 數(shù)據(jù)樣本則選取的是大眾社交平臺、興趣交流平臺、垂直知識平臺三類平臺中的代表， 所獲得的知識交流主題和畫像結果可能存在一定的局限性， 在未來的研究中可以將研究對象拓展到其他平臺的其他話題上， 驗證用戶畫像在面向不同領域數(shù)據(jù)的泛化能力， 以構建更加全面、精準的多平臺用戶畫像標簽體系， 支撐多元平臺知識交流生態(tài)的持續(xù)完善。