Please wait a minute...
Advanced Search
数据分析与知识发现  2017, Vol. 1 Issue (9): 65-73     https://doi.org/10.11925/infotech.2096-3467.2017.09.07
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于微博的意见领袖网情感特征分析*——以“非法疫苗”事件为例
何跃, 朱灿()
四川大学商学院 成都 610065
Sentiment Analysis of Weibo Opinion Leaders——Case Study of “Illegal Vaccine” Event
He Yue, Zhu Can()
Business School, Sichuan University, Chengdu 610065, China
全文: PDF (1681 KB)   HTML ( 2
输出: BibTeX | EndNote (RIS)      
摘要 

目的】识别意见领袖, 从而研究分析意见领袖网在微博中的作用。【方法】利用两步聚类的方法识别意见领袖, 通过“关注”关系构建意见领袖之间的网络矩阵; 通过对各类用户情感进行分析, 研究意见领袖网在微博中的作用。【结果】研究结果表明: 总体用户的情感主要以消极情感为主, 并且意见领袖网的情感会对普通用户的情感产生影响。【局限】仅针对单个事件进行研究, 并且识别意见领袖时仅采用两步聚类方法。【结论】明星与大V类意见领袖网的积极情感变化对普通用户的积极情感变化影响最大。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
何跃
朱灿
关键词 微博意见领袖网情感分析时差相关分析两步聚类法    
Abstract

[Objective] This paper tries to identify the opinion leaders of Weibo and examines their roles in information dissemination. [Methods] We adopted, a method of two-step clustering to identify opinion leaders of the “illegal vaccine” event. Then, we created a network matrix for these opinion leaders based on their relationship. Finally, we analyzed the sentiments of the Weibo users to evaluate the role of opinion leaders’ network. [Results] The overall users’ sentiments was negative. The opinion leaders’ network posed significant impacts on the sentiments of average users. [Limitations] Only examined our method with one event. [Conclusions] The celebrities and opinion leaders play important role to sway the public opinion online.

Key wordsMicro-blog    Opinion Leaders Network    Sentiment Analysis    Time Difference Correlation Analysis    Two-step Cluster
收稿日期: 2017-04-24      出版日期: 2017-10-18
ZTFLH:  G350  
基金资助:*本文系四川大学中央高校基本科研业务费项目“基于中文微博的负面情绪预警研究”(项目编号: skqy201406)的研究成果之一
引用本文:   
何跃, 朱灿. 基于微博的意见领袖网情感特征分析*——以“非法疫苗”事件为例[J]. 数据分析与知识发现, 2017, 1(9): 65-73.
He Yue,Zhu Can. Sentiment Analysis of Weibo Opinion Leaders——Case Study of “Illegal Vaccine” Event. Data Analysis and Knowledge Discovery, 2017, 1(9): 65-73.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2017.09.07      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2017/V1/I9/65
特征 准则 属性描述
用户特征 真实度
覆盖度
活跃度
是否认证[5]
微博数[6]、粉丝数[13]
关注数[5]
微博影响力 影响广度
影响深度
接纳度
转发数[14]
评论数[13]
点赞数
  属性说明与描述
聚类指标 聚类结果对比
第一类 第二类
用户数 7 218 924
认证比例(%) 17.20 90.80
微博数(%) 4.16 95.84
粉丝数(%) 0.90 99.10
关注数(%) 15.25 84.75
转发数(%) 0.56 99.44
评论数(%) 0.60 99.40
点赞数(%) 0.59 99.41
  聚类指标与聚类结果对比
  部分意见领袖网络
度数中心度
Point Centrality
中间中心度
Betweenness
Centrality
成员距离均值
Average Distance Among
Reachable Pairs
网络凝聚力指数
Distance-based
Cohesion
网络密度
Density
政府类意见领袖网 35.71 57.69 1.95 0.12 0.08
新闻媒体类意见领袖网 90.51 3.30 1.78 0.61 0.21
明星与大V类意见领袖网 82.35 7.57 2.12 0.53 0.22
企业与企业家类意见领袖网 66.67 31.95 2.92 0.37 0.09
普通网民类意见领袖网 35.29 6.72 2.62 0.42 0.07
  5类意见领袖网络的特征分析
积极情感(%) 中性情感(%) 消极情感(%)
总体 6.70 25.58 67.72
意见领袖网 7.69 55.08 37.23
普通用户 6.53 23.38 70.09
  情感分布表
中性 积极 消极
第一个星期(%) 4.17 0.74 5.77
意见领袖网 第二个星期(%) 10.31 2.33 6.43
差值(百分点) 6.14 1.60 0.64
第一个星期(%) 18.71 4.50 66.11
普通用户 第二个星期(%) 34.14 14.59 32.20
差值(百分点) 15.43 10.09 -33.91
  事件发生的第一个星期与第二个星期的情感变化
序列对 交叉相关系数最大值对应的滞后期(4小时) 交叉相关系数
意见领袖网的积极情感变化对普通用户的积极情感变化的影响 -6 0.252
意见领袖网的中性情感变化对普通用户的中性情感变化的影响 -3 0.217
意见领袖网的消极情感变化对普通用户的消极情感变化的影响 -3 0.195
意见领袖网的中性情感变化对普通用户的消极情感变化的影响 0 -0.295
意见领袖网的积极情感变化对普通用户的消极情感变化的影响 0 -0.186
意见领袖网的消极情感变化对普通用户的中性情感变化的影响 0 -0.357
  意见领袖网情感与普通用户情感的时差相关分析
意见领袖网类型 积极情感(%) 中性情感(%) 消极情感(%)
新闻媒体类 6.86 66.67 26.47
政府类 38.89 50.00 11.11
明星与大V类 20.97 24.19 54.84
企业与企业家类 2.94 36.76 60.30
普通网民类 3.94 16.53 79.53
  5类意见领袖网情感分布
普通用户消极情感
度数中心度 Pearson 相关性 -.924
显著性(双侧) .076
网络凝聚力指数 Pearson 相关性 -.912
显著性(双侧) .088
  5类意见领袖网的网络特征与普通用户的情感比例的相关性分析
积极 中性 消极
新闻媒体类 第一个星期(%) 4.76 32.90 37.40
第二个星期(%) 5.61 39.80 13.27
差值(百分点) 0.85 6.90 -24.13
政府类 第一个星期(%) 0.39 0.13 0.13
第二个星期(%) 2.04 4.08 0.51
差值(百分点) 1.65 3.95 0.38
明星与大V类 第一个星期(%) 0.90 1.16 2.70
第二个星期(%) 3.06 3.06 6.63
差值(百分点) 2.16 1.90 3.93
企业与企业家类 第一个星期(%) 0.13 2.17 4.50
第二个星期(%) 0.51 4.09 3.06
差值(百分点) 0.38 1.92 -1.44
普通网民类 第一个星期(%) 0.39 1.93 10.41
第二个星期(%) 1.02 3.06 10.20
差值(百分点) 0.63 1.13 -0.21
  事件发生的第一个星期与第二个星期内5类意见领袖网情感变化
序列对 交叉相关系数最大值对应的滞后期
(4小时)
交叉相关系数
新闻媒体类意见领袖网积极情感变化对普通用户积极情感变化的影响 -1 0.215
政府类意见领袖网积极情感变化对普通用户积极情感变化的影响 -2 0.164
明星与大V类意见领袖网积极情感变化对普通用户积极情感变化的影响 -6 0.415
企业与企业家类意见领袖网积极情感变化对普通用户积极情感变化的影响 -4 0.152
普通网民类意见领袖网积极情感变化对普通用户积极情感变化的影响 -1 0.147
  0 5类意见领袖网的积极情感与普通用户的积极情感的时差相关分析
序列对 交叉相关系数最大值对应的滞后期
(4小时)
交叉相关系数
新闻媒体类意见领袖网中性情感变化对普通用户中性情感变化的影响 -3 0.299
政府类意见领袖网中性情感变化对普通用户中性情感变化的影响 5 0.341
明星与大V类意见领袖网中性情感变化对普通用户中性情感变化的影响 -4 0.189
企业与企业家类意见领袖网中性情感变化对普通用户中性情感变化的影响 -4 0.171
普通网民类意见领袖网中性情感变化对普通用户中性情感变化的影响 0 0.162
  5类意见领袖网的中性情感与普通用户的中性情感的时差相关分析
序列对 交叉相关系数最大值对应的滞后期
(4小时)
交叉相关系数
新闻媒体类意见领袖网消极情感变化对普通用户消极情感变化的影响 -2 0.391
政府类意见领袖网消极情感变化对普通用户消极情感变化的影响 -6 0.158
明星与大V类意见领袖网消极情感变化对普通用户消极情感变化的影响 -5 0.153
企业与企业家类意见领袖网消极情感变化对普通用户消极情感变化的影响 2 0.144
普通网民类意见领袖网消极情感变化对普通用户消极情感变化的影响 0 0.269
  5类意见领袖网的消极情感与普通用户的消极情感的时差相关分析
[1] Lazarsfield P F, Berelson B, Gauset H.The People’s Choice: How the Votes Makes up His Mind in a Presidential[M]. New York: Columbia University Press, 1948.
[2] 王国华, 张剑, 毕帅辉. 突发事件网络舆情演变中意见领袖研究——以药家鑫事件为例[J]. 情报杂志, 2012, 30(12): 1-5.
[2] (Wang Guohua, Zhang Jian, Bi Shuaihui.Study on Opinion Leaders of Emergencies in Network Opinion Evolution: A Case Study of Yao Jiaxin Event[J]. Journal of Intelligence, 2012, 30(12): 1-5.)
[3] 吴岘辉, 张晖, 赵旭剑, 等. 基于用户行为网络的微博意见领袖挖掘算法[J]. 计算机应用研究, 2015, 32(9): 2679-2683.
[3] (Wu Xianhui, Zhang Hui, Zhao Xujian, et al.Mining Algorithm of Microblogging Opinion Leaders Based on User-behavior Network[J]. Application Research of Computers, 2015, 32(9): 2679-2683.)
[4] 孙乃利, 王玉龙, 沈奇威. 微博客意见领袖识别的研究[J]. 电信技术, 2012(12): 78-80.
doi: 10.3969/j.issn.1000-1247.2012.12.036
[4] (Sun Naili, Wang Yulong, Shen Qiwei.Microblog Opinion Leader Identification[J]. Telecommunications Technology, 2012(12): 78-80.)
doi: 10.3969/j.issn.1000-1247.2012.12.036
[5] 王君泽, 王雅蕾, 禹航, 等. 微博客意见领袖识别模型研究[J]. 新闻与传播研究, 2011(6): 81-88.
[5] (Wang Junze, Wang Yalei, Yu Hang, et al.Study on the Recognition Model for Opinion Leader on Micro-blog[J]. Journalism & Communication, 2011(6): 81-88.)
[6] 刘志明, 刘鲁. 微博网络舆情中的意见领袖识别及分析[J]. 系统工程, 2011, 29(6): 9-15.
[6] (Liu Zhiming, Liu Lu.Recognition and Analysis of Opinion Leaders in Microblog Public Opinions[J]. Systems Engineering, 2011, 29(6): 9-15.)
[7] 蔡淑琴, 马玉涛, 王瑞. 在线口碑传播的意见领袖识别方法研究[J]. 中国管理科学, 2013, 21(2): 185-192.
[7] (Cai Shuqin, Ma Yutao, Wang Rui.Study on the Method of Identifying Opinion Leaders for Online Word-of-Mouth Communication[J]. Chinese Journal of Management Science, 2013, 21(2): 185-192.)
[8] Song X, Chi Y, Hino K, et al.Identifying Opinion Leaders in the Blogosphere[C]// Proceedings of the 16th ACM Conference on Information and Knowledge Management. 2007.
[9] Cha M, Haddadi H, Benevenuto F, et al.Measuring User Influence in Twitter: The Million Follower Fallacy[C]// Proceedings of International Conference on Weblogs and Social Media. 2010.
[10] Kwak H, Lee C, Park H, et al.What is Twitter, a Social Network or a News Media?[C]//Proceedings of the 19th International Conference on World Wide Web. 2010.
[11] Gomez-Rodriguez M, Leskvec J, Krause A.Inferring Networks of Diffusion and Influence[C]//Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2010.
[12] 赵龙文, 公荣涛, 陈明艳, 等. 基于意见领袖参与行为的微博话题热度预测研究[J]. 情报杂志, 2013, 32(12): 43-46.
doi: 10.3969/j.issn.1002-1965.2013.12.008
[12] (Zhao Longwen, Gong Rongtao, Chen Mingyan, et al.Hotness Prediction Research of Microblog Topics Based on the Participation of Opinion Leaders[J]. Journal of Intelligence, 2013, 32(12): 43-46.)
doi: 10.3969/j.issn.1002-1965.2013.12.008
[13] 王平, 谢耘耕. 突发公共事件中微博意见领袖的实证研究——以“温州动车事故”为例[J]. 现代传播: 中国传媒大学学报, 2012, 34(3): 82-88.
doi: 10.3969/j.issn.1007-8770.2012.03.018
[13] (Wang Ping, Xie Yungeng.An Empirical Study of Micro-blog Opinion Leaders in Public Emergencies——A Case Study of Wenzhou Motor Train Crash[J]. Modern Communication: Journal of Communication University of China, 2012, 34(3): 82-88.)
doi: 10.3969/j.issn.1007-8770.2012.03.018
[14] 李玉贞, 胡勇, 熊熙, 等. 微博意见领袖的评估模型[J]. 信息安全与通信保密, 2013(2): 79-81.
doi: 10.3969/j.issn.1009-8054.2013.02.033
[14] (Li Yuzhen, Hu Yong, Xiong Xi, et al.Evaluation Model of Micro-blog Opinion Leader[J]. Information Security and Communications Privacy, 2013(2): 79-81.)
doi: 10.3969/j.issn.1009-8054.2013.02.033
[15] 张仰森, 蒋玉茹, 陈若愚, 等. 微博用户关系网络中意见领袖的分析与挖掘[J]. 北京信息科技大学学报: 自然科学版, 2015(4): 8-14.
[15] (Zhang Yangsen, Jiang Yuru, Chen Ruoyu, et al.Analysis and Mining of Opinion Leaders in Microblog User Relationship Network[J]. Journal of Beijing Information Science & Technology University, 2015(4): 8-14.)
[16] 禹建强, 李艳芳. 对微博信息流中意见领袖的实证分析: 以“厦门BRT公交爆炸案”为个案[J]. 国际新闻界, 2014, 36(3): 23-36.
[16] (Yu Jianqiang, Li Yanfang.An Empirical Research on Opinion Leaders in the Information Flow at Micro-Blog: Case Study on BRT Bus Bombings in Xiamen[J]. Chinese Journal of Journalism & Communication, 2014, 36(3): 23-36.)
[17] 贾红雨, 郝建维, 邱晨子. 基于SNA的微博社区信息传播能力分析与评估[J]. 情报科学, 2015, 33(11): 135-139.
[17] (Jia Hongyu, Hao Jianwei, Qiu Chenzi.SNA-based Analysis and Evaluation for Microblog Community Information Dissemination Capabilities[J]. Information Science, 2015, 33(11): 135-139.)
[18] 杜海燕, 叶光辉. 社交博客用户分层与话题演化研究——以MetaFilter Music版块为例[J]. 信息资源管理学报, 2015, 5(4): 39-46.
doi: 10.13365/j.jirm.2015.04.039
[18] (Du Haiyan, Ye Guanghui.Research on User Classification and Top Evolution in Social Blog: Empirical Analysis Based on Music Section in Meta Filter Dataset[J]. Journal of Information Resources Management, 2015, 5(4): 39-46.)
doi: 10.13365/j.jirm.2015.04.039
[19] 王迪, 何跃. 基于社会网络分析的意见领袖网结构[J]. 统计与信息论坛, 2013, 28(10): 84-89.
doi: 10.3969/j.issn.1007-3116.2013.10.015
[19] (Wang Di, He Yue.The Network Structure of Opinion Leaders Based on Social Network Analysis[J]. Statistics & Information Forum, 2013, 28(10): 84-89.)
doi: 10.3969/j.issn.1007-3116.2013.10.015
[20] 生奇志, 高森宇. 中国微博意见领袖: 特征、类型与发展趋势[J]. 东北大学学报: 社会科学版, 2013, 15(4) : 381-385.
[20] (Sheng Qizhi, Gao Senyu.Opinion Leaders of Chinese Microblogs: Features, Types and Development Trends[J]. Journal of Northeastern University: Social Science, 2013, 15(4): 381-385.)
[21] Chiu T, Fang D, Chen J, et al.A Robust and Scalable Clustering Algorithm for Mixed Type Attributes in Large Database Environment[C]//Proceedings of the 7th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2001.
[1] 邱尔丽,何鸿魏,易成岐,李慧颖. 基于字符级CNN技术的公共政策网民支持度研究 *[J]. 数据分析与知识发现, 2020, 4(7): 28-37.
[2] 徐红霞,于倩倩,钱力. 基于主题模型和情感分析的话题交互数据观点对抗性分析 *[J]. 数据分析与知识发现, 2020, 4(7): 110-117.
[3] 姜霖,张麒麟. 基于引文细粒度情感量化的学术评价研究*[J]. 数据分析与知识发现, 2020, 4(6): 129-138.
[4] 石磊,王毅,成颖,魏瑞斌. 自然语言处理中的注意力机制研究综述*[J]. 数据分析与知识发现, 2020, 4(5): 1-14.
[5] 李铁军,颜端武,杨雄飞. 基于情感加权关联规则的微博推荐研究*[J]. 数据分析与知识发现, 2020, 4(4): 27-33.
[6] 沈卓,李艳. 基于PreLM-FT细粒度情感分析的餐饮业用户评论挖掘[J]. 数据分析与知识发现, 2020, 4(4): 63-71.
[7] 梁艳平,安璐,刘静. 同类突发公共卫生事件微博话题共振研究*[J]. 数据分析与知识发现, 2020, 4(2/3): 122-133.
[8] 徐月梅,刘韫文,蔡连侨. 基于深度融合特征的政务微博转发规模预测模型*[J]. 数据分析与知识发现, 2020, 4(2/3): 18-28.
[9] 薛福亮,刘丽芳. 一种基于CRF与ATAE-LSTM的细粒度情感分析方法*[J]. 数据分析与知识发现, 2020, 4(2/3): 207-213.
[10] 谭荧,张进,夏立新. 社交媒体情境下的情感分析研究综述[J]. 数据分析与知识发现, 2020, 4(1): 1-11.
[11] 聂卉,何欢. 引入词向量的隐性特征识别研究*[J]. 数据分析与知识发现, 2020, 4(1): 99-110.
[12] 李博诚,张云秋,杨铠西. 面向微博商品评论的情感标签抽取研究 *[J]. 数据分析与知识发现, 2019, 3(9): 115-123.
[13] 岑咏华,谭志浩,吴承尧. 财经媒介信息对股票市场的影响研究: 基于情感分析的实证 *[J]. 数据分析与知识发现, 2019, 3(9): 98-114.
[14] 卢伟聪,徐健. 基于三分网络的网络用户评论情感分析 *[J]. 数据分析与知识发现, 2019, 3(8): 10-20.
[15] 尤众喜,华薇娜,潘雪莲. 中文分词器对图书评论和情感词典匹配程度的影响 *[J]. 数据分析与知识发现, 2019, 3(7): 23-33.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn