今天分享的这个研究案例，使用集搜客网络爬虫软件，以企业官方微博用户“小米手机”为例,对其在2018年1月1日至2018年12月31日发布的所有原创微博的用户行为数据进行了爬取,对数据进行汇总去重等操作后,对“小米手机”用户的信息发布以及用户的信息评论、转发及点赞行为进行了统计分析,进而从用户行为描述、用户行为相关性分析等方面揭示微博用户的行为特征。 同学们做研究写论文所需的微博数据，可以使用集搜客的微博数据采集工具箱和微博数据快捷采集得到，添加网址或关键词启动采集即可。
1，案例简介 标题：无标度网络下微博信息传播行为研究 作者：刘映芳 成都理工大学 关键词：无标度网络;信息传播;用户行为;微博营销;谣言控制; 摘要： 新浪微博作为当下最受欢迎的社交媒体之一,拥有大量的用户群体,许多企业也在微博上注册了企业的官方账号,时常发布有关企业发展动态、产品促销等消息,借助微博平台实现了对企业及其产品服务的推广营销。 因此, 了解微博平台上的信息传播过程是微博营销企业需要重点关注的问题。例如企业在对其产品或服务进行推广宣传时,如何制定企业营销和宣传推广计划,使得信息能够在短时间内进行广泛有效的扩散?在传播过程中,相关因素会如何影响信息传播的效果?此外,信息的传播扩散是由用户行为主导的社会活动,用户行为在一定程度上影响着信息的传播,在社交媒体中人们能够直观感受到的是用户的行为,用户不同的行为表现往往会产生不同的传播效果。 因此,对微博信息传播过程以及用户行为演变规律进行分析,不仅有助于微博营销企业更好的理解用户行为,推广宣传其产品服务,从而激励用户的信息传播行为,实现有效营销;同时也助于更好地控制微博平台上的谣言传播,正确引导舆论的发展。 本研究主要分为两个阶段: 首先,基于无标度网络和传播动力学模型的相关理论,在结合微博平台功能及其信息传播特点的前提下,构建了无标度网络下的微博信息传播模型,采用MATLAB软件实现了BA无标度网络的构建以及模型中各个状态节点的转换,接着通过数值分析探讨了模型参数对信息传播的影响,然后,以企业官方微博用户“小米手机”为例,利用集搜客网络爬虫工具对其在2018年1月1日至2018年12月31日发布的所有原创微博的用户行为数据进行了爬取,对数据进行汇总去重等操作后,对“小米手机”用户的信息发布以及用户的信息评论、转发及点赞行为进行了统计分析,进而从用户行为描述、用户行为相关性分析等方面揭示了微博用户的行为特征。 本文的主要研究成果如下: (1)构建了无标度网络下的微博信息传播模型,通过数值仿真分析了模型参数对信息传播的影响。研究发现,增加信息忽略率及丧失免疫比例能够增加感染传播节点的数量,促进信息的快速传播;减小信息感染比例、增加感染康复率能够有效控制信息的传播; (2)以手机行业的企业官方微博账号“小米手机”为例,研究了企业微博用户信息发布及用户评论、转发及点赞的行为演变规律。研究结果发现,企业微博用户的信息发布行为具有一定的规律性和阵发性;用户的评论、转发及点赞行为具有优先选择性,在数量分布上有明显的“两极分化”现象,在时间间隔分布上表现出长时间的静默和短时间的爆发性;此外,用户评论数、点赞数与转发数之间还表现出较显著的正相关性; (3)为微博营销企业实现有效营销以及社交媒体上谣言的管理控制提供了一定的参考。增加用户粉丝数以及延长发布信息的持续时间是微博营销企业提升信息传播效果的有效途径;在谣言爆发时迅速采取措施,提高用户发布信息的门槛,提高用户对网络信息的思考判断能力等,减少传播节点能够有效控制社交媒体中谣言等信息的传播。 2，相关知识点和研究方法 2.1，什么是无标度网络 下面的解释摘录自搜狗百科词条《无标度网络》 scale-free network, 现实世界的网络大部分都不是随机网络，少数的节点往往拥有大量的连接，而大部分节点却很少，一般而言他们符合 zipf定律，(也就是80/20马太定律)。 将度分布符合幂律分布的复杂网络称为无标度网络。 无标度网络具有严重的异质性，其各节点之间的连接状况（度数）具有严重的不均匀分布性：网络中少数称之为Hub点的节点拥有极其多的连接，而大多数节点只有很少量的连接。少数Hub点对无标度网络的运行起着主导的作用。从广义上说，无标度网络的无标度性是描述大量复杂系统整体上严重不均匀分布的一种内在性质。 详细解释可以参考知乎文章《无尺度网络》 2.2 有什么工具可以做无标度网络分析？ 可以使用pajek软件，也可以使用Python下networkx库 已发布的几篇中心度计算的Jupyter Notebook, 就使用了Python下的networkx库： 1. 怎样利用集搜客的共词矩阵表计算点度中心性(Degree centrality) 2. 如何使用Jupyter Notebook计算中介中心度(betweenness centrality) 3. 怎样使用Jupyter Notebook计算接近中心度 3，本范例的研究成果 (1) 构建了无标度网络下的微博信息传播模型,通过数值仿真分析了模型参数对信息传播的影响。研究发现,增加信息忽略率及丧失免疫比例能够增加感染传播节点的数量,促进信息的快速传播;减小信息感染比例、增加感染康复率能够有效控制信息的传播; (2) 以手机行业的企业官方微博账号“小米手机”为例,研究了企业微博用户信息发布及用户评论、转发及点赞的行为演变规律。研究结果发现,企业微博用户的信息发布行为具有一定的规律性和阵发性;用户的评论、转发及点赞行为具有优先选择性,在数量分布上有明显的“两极分化”现象,在时间间隔分布上表现出长时间的静默和短时间的爆发性;此外,用户评论数、点赞数与转发数之间还表现出较显著的正相关性; (3) 为微博营销企业实现有效营销以及社交媒体上谣言的管理控制提供了一定的参考。增加用户粉丝数以及延长发布信息的持续时间是微博营销企业提升信息传播效果的有效途径;在谣言爆发时迅速采取措施,提高用户发布信息的门槛,提高用户对网络信息的思考判断能力等,减少传播节点能够有效控制社交媒体中谣言等信息的传播。 |
