《基于sna的事故灾难舆情关键用户识别及治理-谭雪晗.pdf》由会员分享，可在线阅读，更多相关《基于sna的事故灾难舆情关键用户识别及治理-谭雪晗.pdf（10页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、情报学报2017年3月 第36卷第3期Journal of the China Society for Scientific and Technical Information，March 201 7，36(3)：297-306基于SNA的事故灾难舆情关键用户识别及治理谭雪晗，涂艳，马哲坤(中央财经大学信息学院，北京 100081)摘 要 基于社会网络分析方法(SNA)研究事故灾难舆情传播的网络结构、节点地位对信息的传播效率的影响等问题，力图提出针对关键节点的网络舆情治理策略。以最近的四件重大事故灾难为例，运用Gephi分析信息传播网络拓扑结构，探究事故灾难舆情在网络结构中的相似性，以排除网络
2、结构对舆情传播的影响，进而基于SNA筛选出舆情中的两类关键用户：关键信息发布者、关键事件关注者，并运用武汉大学社会计算平台ROSTCM6分析关键节点及全体网民的情绪演化进程，提出以关键节点为中心的事故灾难舆情治理策略：关键信息发布者ID可作为事故灾难舆情案例库的一项构成成分，进而将舆情治理工作提前到舆情爆发之前，同时，通过其发文内容的情绪控制能够有效引导公众情绪；利用关键事件关注者的情绪预测作用，能够提高网络舆情预警机制的准确度。关键词 社会网络分析；网络舆情；关键用户Analysis of the Key Users in Accident Public OpinionSpread on S
3、ocial Network TheoryTan Xuehan，Tu Yan and Ma Zhekun(School ofInformation，Central University ofFinance and Economics，Beijing 100081)Abstract：This paper aims to explore the 10cation of nodes and the network structureS 1nfluence on accident publicopinion dissemination，trying to put up forward the strat
4、egies of public opinion which aims at the key nodesBased onthe four recent significant accident，Gephi is explored to generate the topology of public opinion spread network inthe events，exploring the similarity of accident public opinion network structure，excluding the influence that networkstructure
5、 produced to public opinion dissemination SO that two kinds of key users can be selected based on SNA：keyevent follower and key message senderROSTCM6 is explored to analyze the emotion of the public and key nodes，offering new methods for network public opinion management which takes the key point as
6、 center：the key messagesenderS ID can be used as one constituent of accident public opinion case base to put forward the dealing work be-fore the explosion，and at the mean time publicS emotion can be leaded by what inside the passage efficientlyImprove the accuracy of public opinion monitoring early
7、warning mechanism by making full use of key event followersemotion predictive effectKey words：Social Network Analysis(SNA)；network public opinion；key users引 目网络舆情是指在某些网络空间内网民对各种社会现象与问题的观点、建议、感受构成的集合。在网络舆情治理研究中，关键用户通常是引导舆情走向的重要角色，通过识别这类节点能够有效预测与事件相关的公众发声频率、意见表达、信息寻求及信息调度倾向，对深化网络舆情治理研究工作具有重要意义【11。然而，决
8、定舆情在个体之间传播广度，继而影收稿日期：20160610；修回日期：201612-25基金项目：国家社会科学基金项目“健全社会公共事件网络舆情监控、预警及治理机制研究”(16BXW045)o作者简介：谭雪晗，女，1995年生，在校本科生，主要研究方向为网络舆情，Email：tanxuehan321163corn；涂艳，女，1978年生，教授，经济学博士，主要研究方向为社会网络与企业技术创新；马哲坤，女，1995年生，在校硕士生，主要研究方向为网络舆情。万方数据298 情 报 学 报 第36卷响其信息分布的因素众多。Tian等【2认为网络环境状况影响信息分布，只有在社会子网中有交集的用户才能相
9、互作用；Li等【3】认为用户J隋绪状态影响信息分布；“等【4】认为用户认知影响信息分布，用户更乐于分享具有争议性的真实舆情；Sohn5】认为用户对信息的感知受到社会语境及网络密度的影响，并提出用户的认知与行为取决于其所在网络的离散程度。因此，基于事故灾难事件的消极性、真实性及微博的高度交互性，本文认为事故灾难舆情的信息分布可能是相似的。然而，学术界当前尚不存在以网络结构为标准的舆情归类方法，因此，本文创新性地通过事故灾难舆情传播网络结构的相似性证明事故灾难舆情信息分布的相似性。同时，由于在舆情传播网络中，舆情的治理结果主要受到网络结构、节点行为两方面因素的影响，因此，在网络结构相似的情况下，参
10、与舆情讨论的用户节点将成为网络舆情治理的关键对象。然而，网络舆情的参与用户众多，针对全体发声用户进行舆情治理不仅难度较大，且针对性不强，因此，学术界针对网络舆情治理，提出了多种用户分类策略。Lee等【6】从政治的角度，通过观察用户客观行为获取用户的观点图谱，在保证用户立场客观性的前提下，以立场的一致性为基准对用户进行分类；Tian掣2】从舆情传播环境与舆情代表人的角度，将网络舆情分为舆情传播的环境状况、舆情代表人的心理状态、舆情传播的观点状态舆情传播的社会情境四个子网，并分别对其进行定量描述，模拟传染病模型(SIR)，将用户划分为舆情传播者、舆情澄清者、易感染者；Ku等7以评论者的角度，根据评
11、论者信誉对其进行分类，通过信任强度、委托人平均信托强度、目标类别的评论等级、目标类别的产品等级四个变量，区别低声誉评论者与高声誉评论者；马宁等【8】采用动态网络分析法(DNA)筛选六类意见领袖；安世虎等【9】利用节点删除法，提出节点重要程度等价于删除该节点后的破坏程度的CIM节点重要性分类方法；方洁等I如】基于利益相关者理论，将网络舆情用户划分为确定型、预期型及潜在利益相关者。由此，本文将基于前人的研究成果，采用社会网络分析方法(Social Network Analysis，SNA)，通过连入度、连出度、紧密中心度，将发声用户划分为关键信息发布者、关键事件关注者、低重要性用户，继而为网络舆情
12、治理工作提供全新的用户分类基础。综上所述，本文将采用社会网络分析方法筛选事故灾难舆情中的关键用户，以典型事故灾难舆情案例为研究对象，通过舆情治理结果的差异性及其网络结构的相似性，证明网络结构不是舆情治理结果的影响因素，进而研究在相似网络结构中关键节点行为对网络舆情治理结果的影响作用，最后基于两类关键节点对舆情治理结果的不同影响途径，提出基于关键节点角色的分类舆情治理措施。2 基于SNA的舆情用户分类用户针对议题表达意见，使网络舆情成为社会活动波动的重要风向标，在众多的意见表达用户中，搜寻特定的关键节点能够预测在线公众的事件参与情况，并在网络舆情的“群体极化”作用下有效改变整体发声网络6,11-
13、12】，进而改善舆情环境”】。因此，本文基于用户在网络中的地位及影响程度，将用户分为关键信息发布者、关键事件关注者与低重要性用户。其具体分类标准如下。关键信息发布者是指事件信息的主要报道者，在微博中，关键信息发布者主要为网络媒体或政务媒体，这些用户在信息传播中占有权威性地位，其发布的信息能够在网络中迅速扩散，进而改变舆情走向114，对于大型群组的治理具有重要意义。关键信息发布者在SNA测度中表现为连入度较高，因此，本文将关键信息发布者定义为连入度大于口倍最高连人度的节点：idi=：gji=16cmax(id) (1)【1存在，指向i的连接吖。10不存在，指向i的连接l口0关键事件关注者是指虽然
14、直接传播能力较差，但对事件高度关注、乐于转发其他用户的信息，且间接传播能力较强的用户，这类用户离散分布于各群组之中，或作为群组间的连接者存在，对于离散群组的情绪导向具有重要意义。因此，本文通过连出度衡量该类用户对事件的关注程度，通过紧密中心度对其间接传播能力进行筛选，将关键事件关注者定义为连出度大于倍最高连入度，且紧密中心度大于y的节点：od,=存J：g，j=Imax(id) (2)1 i，相连钟l 0 i，间无连接10啡)2端y万方数据第3期 谭雪晗等：基于SNA的事故灾难舆情关键用户识别及治理 299lY0低重要性用户是除关键信息发布者、关键事件关注者以外的用户，这类用户在网络讨论中短暂发
15、声，且其发声通常被其他用户所忽视，对其邻接网络不造成影响或影响力极弱，往往具有低交互性的特点，在信息传播网络中表现为连入度、连出度水平极低，因而不作为重点舆情治理对象。综上所述，本文将关键用户划分为以下两类：关键信息发布者主要承担主导议程设置的角色，并能够在特定阶段，控制舆情态势的演变，因此，筛选有影响力的关键用户有助于提高社会媒体的信息质量，减少错误信息的传播41；关键事件关注者针对事件频繁发声，且具有一定的间接信息传播能力，能够持续地影响其他用户情绪，在事件讨论中，往往能够引发其所在组件内其他公众态度的极化或转变，在高度群组化的事故灾难舆情网络中对组件内用户的情绪影响较大，因此，通过识别以
16、上两类关键节点有助于从公共管理与社会传播的角度控制网络舆情。3 事故灾难舆情信息传播案例分析本文选取了2015年6月至2015年12月的四起极具时效性及舆情治理研究意义的国内典型重大事故灾难事件(表1)：“东方之星”沉船事故发生后1天之内总信息量达20432条，其中，政府及网媒在舆情治理中高度关注舆情走向，积极参与舆情治理，在现场直播、及时自查自纠、积极报道感人事迹等治理措施下，“东方之星”事故舆情呈现明显积极态势，是网络舆情治理的典型成功案例；深圳山体滑坡事故发生后1天之内总信息量达12544条，在舆情扩散过程中，政府与公众的沟通意识较差，促使舆情向消极方向发展，网友纷纷发声谴责事故责任单位
17、，天津滨海新区爆炸事故发生后1天之内总信息量达57305153条，在舆情扩散过程中，政府未就公众关心的问题进行回应，导致小道消息四起，舆情走向消极；山阳山体滑坡事故发生后16小时之内总信息量达2927条，在舆情扩散过程中，政府治理意愿较差，且始终处于被动状态，导致舆情迅速恶化，因此，以上三起事故均是网络舆情治理的典型失败案例。31 “东方之星”沉船事故2015年6月1日2I时30分，在从南京驶往重庆途中，载有400多人的“东方之星”客船突遇龙卷风，发生沉船事故。在该事件中，政府较好的承担了关键信息发布者的角色，主要包括：央视24小时就救援现场进行直播；各网站设置新闻专题引导公众关注焦点；新华网
18、制作多个3D动画解释事故发生原因。同时，事件关注者纷纷表达对国家意志、政府号召力的赞扬之情及对逝者的追悼之情。因此，在该起事件的舆情传播过程中，政务媒体始终作为信息传播的主要源头，且以宣扬救援官兵的感人事迹为主进行发文，因此在舆情传播过程中质疑之声极少。尽管“东方之星”沉船事故是举国震惊的重大事故，但是公众的情绪偏向于理性和积极，网络舆情治理结果较好。32深圳山体滑坡事故2015年12月20日，深圳市恒泰裕工业园发生山体滑坡。次日，事故背后的非法交易曝光，公众对事故相关部门表达强烈不满，并显示出对政务媒体能力的质疑。12月27日，事故责任人明新区城管局原局长徐某某跳楼自杀，由此公众不满情绪达到
19、最大化。因此，在该起事件的舆情传播过程中，关键信息发布者并未由政府承担，而由不断曝光非法内幕的独立新闻媒体承担，其发布的信息内容以消极情绪为主导，并迅速引发事件关注者的不满情绪，进而推动负面舆情的扩散，最终公众情绪走向消极1 51，网络舆情治理结果较差。33天津滨海新区爆炸事故2015年8月12日，天津市塘沽开发区发生重大爆炸事故。事故发生后，天津市政务媒体均未对网民关注的事故起因、责任单位等问题作出回答。因此，在该起事件的舆情传播过程中，不存在有效的信息发布者，在政府不回应的处理方式下，小道消息四起，引发严重社会恐慌，公众消极情绪自始至终居高不下，加之这起事件的事件关注者较多，消极情绪影响范
20、围深远，网络舆情治理结果极差。34 山阳县山体滑坡事故2015年8月12日0点30分，陕西省陕西五洲矿业公司山阳分公司生活区突发山体滑坡。多家媒体就此事进行了报道，指出这起事故由长期采矿掏空山体所致，对此，网友纷纷要求对这起过度开矿酿成的特大事故严格调查，但相关政务媒体并未就万方数据300 情 报 学 报 第36卷事故发生原因、事故责任人作出解释，救援进度的公布为主。相关报道以 存在有效的信息发布者，致使公众在无人领导的情因此，在该起事件的舆情传播过程中，况下，负面情绪不断上升，虽然事件关注者人数较同样不 少，但负面情绪不断扩散，网络舆情治理结果较差。表1 事故灾难案例治理措施及结果4 事故灾
21、难舆情案例传播网络结构的测度与分析基于第一部分信息分布因素的文献回顾，本文认为事故灾难舆情的网络结构是相似的。因此，本文通过Gephi分别测定四起事故的发声网络，基于弹簧算法获得整体网络结构(图1图4)及相关量化结果(表2)，力图从平均密度、平均路径长度、直径及聚类系数等角度找到事故灾难舆情传播网络结构的相似性，其中，平均密度表明公众问信息交互程度、网络舆情传播速度；平均路径长度及直径影响信息传播距离，表明信息的分布情况；聚类系数则表明信息的离散程度。因此，在相似的网络结构下，舆情的扩散与分布规律也将具有高度的相似性，而在社会网络分析中，这种网络结构的相似性能够排除网络结构对舆情治理结果的影响
22、，为我们从关键节点的角度探究网络舆情治理措施提供理论基础。因此，本文提出以下假设，并对假设进行验证：Hla：事故灾难舆情传播网络的平均密度具有相似性。Hlb：事故灾难舆情传播网络的平均路径长度具有相似性。Hlc：事故灾难舆情传播网络的直径具有相似性。Hid：事故灾难舆情传播网络的平均聚类系数具有相似性。41 平均密度网络的平均密度(Average Degree)反映了信息的扩散速度。在现实情况下，个体交互网络的密度通常小于完整网络的密度，Mayhew基于随机选择模型指出现实交互网络的最大密度为05f16】，而在本文中，“东方之星”沉船事故、深圳山体滑坡事故、天津滨海新区爆炸事故、山阳县山体滑坡
23、事故的发声网络平均密度分别为0477、O243、0484、0387，均表现为较高的网络平均密度。本文将事故灾难舆万方数据第3期 潭雪晗等：魑于SNA的事故灾难舆情关键用户识别及治理 301羽1 “东方之星”沉船事故发声网络图3 天津滨海新区爆炸事故发声网络习2 深圳山体滑坡事故发声网络图4 山阳县山体滑坡事故发声网络表2 事故灾难舆情案例传播网络结构的测度情网络的平均密度与其他社会公共事件的网络平均密度进行Kmeans聚类分析(表3)17-191，结果显示，四起事故灾难舆情网络的平均密度具有高度的相似性。Hla成立。表3 网络平均密度Kmeans聚类分析测定结果表明，相较于其他社会公共事件，事
24、故灾难事件的节点间存在极其紧密的交互关系，事故灾难舆情发声网络具有较好的信息交互能力及传播能力，同时容易引发蝴蝶效应与信息失真。这种紧密的交互关系增大了网络舆情的治理难度，因此，搜寻并控制关键用户更显重要。42 平均路径长度与直径测度在事故灾难舆情网络中，平均路径长度测度了网络中各节点间的距离长度，直径则表现出网络中最大组件的特征。首先，本文将四起案例的发声网络与其他网络的平均路径长度进行了Kmeans聚类分析(表4)20-211，结果显示，事故灾难舆情网络的平均路径长度极短万方数据302 情 报 学 报 第36卷且具有较高的相似性，用户间紧密程度极高。Hlb成立。其次，本文将四起案例的发声网
25、络与其他网络的直径进行了Kmeans聚类分析(表4)，结果表明，事故灾难舆情的网络直径较小且具有较高的相似性。Hlc成立。测定结果显示，事故灾难的舆情讨论的连续转发程度较低，信息的传播大多以直接传播在节点间进行。由于舆情在网络传播过程中，信息的影响力随距离衰减f221，被广泛直接转发的关键信息发布者将在信息传播中发挥重要作用，因此，关键信息发布者应作为重要舆情治理对象，利用这类用户的权威信息传播地位，发现这类用户与舆情治理结果的相关性，进而提高舆情治理的效率与准确性。43聚类系数测度常见的网络聚集性测定是通过聚类系数(AverageClustering Coefficient)衡量网络中的集团
26、数量及大小，该值介于0到l之间，表明网络的整体凝聚性强度。本文将四起案例的发声网络与其他发声网络的聚类系数进行了Kmeans聚类分析(表5)，结果显示，四件事故灾难事件的平均聚类系数较低且具有明显的一致性。H1d成立。表5平均聚类系数Kmeans聚类分析测定结果表明，在事故灾难舆情网络中，节点间不倾向于形成大范围的组件(component)，多数节点仅在小范围内与特定的节点进行沟通，进而形成特定的群组，且群组间沟通贫乏，用户意见或态度更易呈现出散列分布的形态。由于小范围群组与邻接群组的信息通道贫乏，关键信息发布者对于隔离程度较高的群组的治理难以达到预期目标，因此，紧密中心度较高的关键事件关注者
27、，将能够作用于关键信息发布者无法扩散到的离散程度较高的群组，扩大网络舆隋治理的范围。综上所述，事故灾难舆情在网络结构上具有高度的相似性，均存在平均密度较大、信息传播链较短、小范围群组较多的特点。而这种网络结构相似、但治理结果存在较大差异的现象，说明网络结构不是事故灾难舆情治理结果的影响因素。同时，由于关键信息发布者将能够有效作用于信息传播链较短的大型群组，关键事件关注者则能够有效作用于事故灾难舆情网络中数量较多的小范围离散群组，因此，舆情传播网络中关键用户的行为将可能是舆情治理结果的重要决定因素。5 事故灾难舆情传播关键用户分析基于第二部分的关键用户的识别方法，本文以连入度弛02max(id)
28、为阈值筛选出各事故灾难事件讨论中的关键信息发布者，以连出度oa,t01max(谢)，紧密中心度cq(g)o6为阈值筛选出各事故灾难讨论中的关键事件关注者，其他用户为低重要性用户。由于事故灾难事件在事件性质上的相似性，本文提出以下假设。万方数据第3期 谭雪晗等：基于SNA的事故灾难舆情关键用户识别及治理 303H2：相似的。H3：相似的。不同事故灾难事件中的关键信息发布者是不同事故灾难事件中的关键事件关注者是由于关键信息发布者在事件发声网络中的主导地位，能够引导舆情走向，本文提出以下假设：H4：关键信息发布者的情绪引导事件最终情绪演化。由于关键事件关注者通常是地位普通但对事件高度关注的一类用户，
29、往往代表公众意见，本文提出以下假设：H5：关键事件关注者的情绪与事件最终情绪演化具有相似性。51 关键信息发布者的相似性本文就四件事件中的关键信息发布者进行对比，发现各事件中的关键信息发布者ID存在重叠(表6)，在不同事故灾难舆情中，央视新闻、人民日报、头条新闻、中国日报、人民网、环球时报、中国之声、财经网等用户为重复的关键信息发布者，H2成立。表明事故灾难舆情传播网络中的部分信息发布者往往是特定的，这为事故灾难舆情治理措施的统一化提供了一定的参考价值，即在网络结构未完全形成时，由于事故灾难舆情网络结构的相似性，以及不同事故灾难舆情中关键信息发布者的相似性，过去舆情案例中重叠的关键信息发布者将
30、极有可能同时在当前事件中担任关键信息发布者。这一结论将有助于扩充网络舆情案例库指标体系，即基于过去类似事故灾难案例的治理经验，发现事故灾难舆情中普遍存在的关键信息发布者，进而在事故灾难舆情案例库中构建高频关键信息发布者名单，实现网络舆情的初期治理工作。52关键事件关注者的相似性本文就四件事件中的关键事件关注者进行对比，发现各网络中的关键事件关注者重叠程度为0(表7)，H3不成立。由于用户更倾向于关注其所在地的事故灾难，因此，事故灾难发生地点的差异性可能是重叠程度为0的原因。测定结果表明，对关键事件关注者的捕获难以通过历史经验获得，因此，对于关键事件关注者的治理需要通过实时监测的方式，就特定的事
31、件分而治之。53关键信息发布者的情绪作用本文根据关键节点的筛选结果，分别对不同用户的发文内容进行情绪分析，获得各事件中的关键表6案例间关键信息发布者重叠ID万方数据304 情 报 学 报 第36卷用户情绪分布及公众最终情绪演化分布(表8)，结果显示，事故灾难事件中的关键信息发布者的消极情绪均占主导地位，这可能与事故灾难事件本身的消极性以及信息发布者的传播内容均有一定的关系。同时，本文将关键信息发布者的消极情绪与最终的消极情绪演化进行统计、拟合，测定结果显示，关键信息发布者的消极情绪与最终的消极情绪演化成正比(图5，表9)，说明关键信息发布者的消极情绪引导公众的最终消极情绪演化。H4成立。该测定
32、结果为网络舆情提供了一项简便易行的治理途径，即通过避免关键信息发布者的消极用词，从源头抑制消极情绪的产生。表8关键用户情绪比例分布及事件最终情绪演化分布比例撇梧聪踊逛堪秫图5 关键信息发布者与最终情绪演化中的消极情绪拟合表9 关键信息发布者与最终情绪演化中的消极情绪拟合参数54关键事件关注者的情绪作用本文将关键事件关注者、信息发布者、最终情绪演化结果的消极情绪及积极情绪分布进行对比(图6，图7)，结果显示关键事件关注者的情绪分布与最终情绪演化中的情绪分布具有高度的相似性，H5成立。因此，通过发现关键事件关注者能够有效预测舆情情绪的未来走向，提高网络舆情预警机制的准确度。综上所述，在网络结构相似
33、的事故灾难舆情传播网络中，关键节点能够对网络舆情的治理结果产生重要影响。其中，就关键信息发布者而言，由于央视新闻、人民日报、头条新闻、中国日报、人民网、环球时报、中国之声、财经网等用户在不同事故灾难舆情中都重复作为关键信息发布者，因此，应针对这部分用户构建高频关键信息发布者名单，作为事故灾难舆情案例库指标之一，在网络舆情扩散的初期阶段，依据高频关键信息发布者名单进行舆情治理，与此同时，由于关键信息发布者的消极情绪将应引导整体舆情的消极情绪走向，因此，关键信息发布者的积极发文倡导将有助于改善舆情的消极走向；就关键事件关注者而言，其情绪分布与最终情绪分布高度相似，有助于预测舆情中的情绪万方数据第3
34、期 谭雪晗等：基于SNA的事故灾难舆情关键用户识别及治理 305走向，提高网络舆情预警机制的准确性及网络舆情治理措施的针对性。簪羞姆磐毯醛关键事件关注者关键信息发布者最终情绪演化图6积极情绪分布关键事件关注者关键信息发布者最终情绪演化图7消极情绪分布6舆情治理措施及研究展望随着我国网络舆情研究进程的不断深入，网络舆情治理理论已得到大幅度的创新和发展，但现阶段研究主要针对单一事件提出解决策略1 8-19,23，针对特定一类公共突发事件的舆情治理研究极少，因此，本文以典型事故灾难舆情案例为研究对象，得出以下结论。虽然事故灾难舆情的治理结果不同，但其舆情传播网络结构具有高度的相似性，均具有信息交互频
35、繁、直接传播主导、群组内部交互作用强、群组间交互作用弱、用户态度散列分布的特点。这种网络结构的相似性与治理结果的差异性，说明舆情传播网络结构对事故灾难舆情治理结果几乎不存在影响，使我们能够不再关注舆情传播网络中的宏观网络结构，而独立地从用户节点的角度探讨网络舆情治理结果的影响因素。因此，本文基于SNA将用户划分为关键信息发布者、关键事件关注者及低重要性用户，并证明舆情治理结果的优劣与两类关键用户的情绪高度相关。其中，关键信息发布者在不同事故灾难事件中具有相似性，且与最终情绪演化正向相关，能够有效引导舆情；关键事件关注者情绪则与最终情绪演化具有高度相似性，能够有效预测舆情走向。据此，本文基于四起
36、事故灾难舆情案例分析，针对关键信息发布者在不同舆情中的重复性、关键节点情绪与整体事件情绪的相关性，提出以关键节点为中心的具体网络舆情治理措施。61 关键信息发布者的高频名单构建及发文情绪控制首先，构建高频关键信息发布者名单，作为事故灾难舆情案例库构建元素之一，实现网络舆情的提前防治。由于在不同事故灾难舆情中，关键信息发布者ID存在部分重叠，因此，在舆情扩散初期，舆情网络结构尚未完全明晰时，类似事故灾难舆情中的重复关键信息发布者具有重要的参考价值，其中主要包括央视新闻、人民日报、头条新闻、中国日报、人民网、环球时报、中国之声、财经网等用户，通过利用这些不同事故灾难舆情中重复的关键信息发布者，构建
37、高频关键信息发布者名单，作为事故灾难舆情案例库的参考指标之一，能够为新发生的事故灾难舆情治理起到指导性作用：通过首先控制这部分高频关键信息发布者的发文内容，实现网络舆情的提前治理，提高治理准确度，防患于未然地将治理时间提前到舆情爆发之前。其次，增强关键信息发布者的积极发文、降低关键信息发布者的消极发文，有效引导公众情绪，防止与抑制整体网络的情绪消极化。根据本文测定结果，当前事故灾难舆情中的关键信息发布者的发文内容普遍存在消极情绪过量的情况，且这种消极情绪会引发整体公众的消极情绪，即关键信息发布者的情绪直接推动了舆情的爆发，因此，应增强包括政务媒体、网络媒体等关键信息发布者的积极信息发布，具体包
38、括：政府第一时间向公众通报救援进展；加强与公众合作，向公众征求救援意见，积极回应网络上出现的种种质疑之声；专家讲解相关事故发生原因；在报道选题方面努力体现人文关怀，注重打“感情牌”，把握和刻画细节，以小见大，赢得舆论引导的主动权。同时，还应避免消极信息的发布，具体包括：避免非政府以外的网络媒体引导舆论走向；避免采用强制性的舆情治理手段；避免仅就救援过程进行报道，进而造成公众质疑。通过以上积极及消极两个方面的情绪引导，充分利用事故灾难舆情网络的直传特点及关键信息发布者的情万方数据306 情 报 学 报 第36卷绪引导作用，将有助于转变网络舆情情绪倾向，提高网络舆情治理效果。862 充分利用关键事
39、件关注者的预测作用9】由于关键事件关注者情绪与最终情绪演化的相似性，根据这类用户的情绪分布状况能够预测整体舆情的情绪倾向，因此，在网络舆情预警机制中加入关键事件关注者的情绪因素，将有助于提高舆情预警机制的准确度，帮助相关政府及媒体及时采取引导、强制管制等措施，防范舆情爆发。本文的关键节点识别方法及网络舆情治理措施的适用范围将有可能从事故灾难网络舆情治理领域延伸到不同应用领域，并从根本上提高网络舆情预警及治理的准确性，未来有望针对自然灾害、经济危机等多类社会公共事件舆情进行测度，以发现全体网络舆情的内在规律，提出适用二F普遍社会公共事件的舆情治理措施。23】4】5】【6】参考文献Huang Y
40、W，Song G XResearch on online public opinion management mechanism based on social management innovationCPublic Administration in the Time of Regional Change(ICPM 2013)：Proceedings of the Second International Confer-ence on Public ManagementFrance：Atlantis Press，2013：2935Tian R Y，Zhang X F，Liu Y JSSIC
41、 model：A multilayer modelfor intervention of online rumors spreadingJPhysica A：Statistical Mechanics and its Applications，2015，427(6)：181191Li FDu T CListen to me-Evaluating the influence of microblogsJDecision Support Systems，2014，62(6)：1 19130Li HSakamoto YSocial impacts in social media：An examina
42、-tion of perceived truthfulness and sharing of informationJComputers in Human Behavior,2014，41(12)：278287Sohn DCoping丽l information in social media：The effects ofnetwork structure and knowledge on perception of informationvalueJComputers in Human Behavior，2014，32(3)：14515 1Lee D，Hahn K S，Yook S H，et
43、 a1Quantiricing discrepancies inopinion spectra from online and offiine networksJPLoS ONE，2015，10(4)：1-12Ku Y C，Wei C P，Hsiao H WTo whom should I listen?Findingreputable reviewers in opinion-sharing communitiesJDecisionSupport Systems，2012，53(3)：534542101213】14(15】1617】18】19】201212223】马宁，田儒雅，刘怡君，等基于
44、动态网络分析(DNA)的意见领袖识别研究J】科研管理，2014，35(8)：8392安世虎，聂培尧，贺国光节点赋权网络中节点重要性的综合测度法J管理科学学报，2006，9(6)：37-42，52方洁，龚立群，魏疆基于利益相关者理论的微博舆情中的用户分类研究J】情报科学，2014，32(1)：1822Park C SDoes Twitter motivate involvement in politics?Tweeting，opinion leadership，and political engagementJComputersin Human Behavior，2013，29(4)：16411
45、648王世雄，祝锡永，潘旭伟，等网络舆情演化中群体极化的形成机理研究【J情报学报，2014，33(6)：614622Gu Q，He X D，Wang X MStudy on evolution bends of networkpublic opinion based on hyperlink analysisJJournal of DigitalInformation Management，2014，12(6)：421428Chmiel A，Sobkowicz P，Sienkiewicz J，et a1Negative emotionsboost user activity at BBC fo
46、rumJPhysica A：Statistical Meehanics and its Applications，201 l，390(16)：2936-2944Yin D Z，Bond S D，Zhang HAnxious or angry?Effects of discrete emotions on the perceived helpfulness of online reviewsJMis Quarterly，2014，38(2)：539560Mayhew B H，Levinger R LSize and the density of interaction inhuman aggre
47、gatesJAmerican Journal of Sociology，1976，82(1)：86一llO杨勇，陈巍，李娟，等基于话题的BBS论坛的SNA分析J】四川大学学报(自然科学版)，2011，48(6)：1339-1348康伟基于SNA的突发事件网络舆情关键节点识别以“723动车事故”为例【J公共管理学报，2012，9(3)：101111蒋侃，唐竹发，张炜基于微博的企业网络舆情结构测度与分析以“315”江淮汽车“生锈门”事件为例【J】情报杂志，2014，33(4)：112116，111Huberman B A，Adamie L AInternet：growth dynamics of
48、theworldwide webJNature，1 999，401(6749)：1 3 1Backstrom L，Kleinberg JRomantic partnerships and the dispersion of social ties：a network analysis of relationship status onfacebookCProceedings of the 17th ACM Conference onComputer Supported Cooperative Work&Social ComputingACM，2014：831-841Currarini S，Jackson M O，Pin PIdentilying the roles ofrace-based choice and chance in high school friendship networkformationJProceedings of the National Academy of Sciencesofthe United States ofAmefica，2010，107(1 1)：4857-4861钱颖，张楠，赵来军，等微博舆情传播规律研究叨情报学报，2012，3l(12)：12991304(责任编辑车 尧)万方数据