引用本文
何跃, 宋灵犀, 齐丽云. 负面事件中的品牌网络口碑溢出效应研究——以“圆通夺命快递”事件为例[J]. 现代图书情报技术, 2015,31(10): 58-64
He Yue, Song Lingxi, Qi Liyun. Spillover Effect of Internet Word of Mouth in Negative Events ——Take the “Deadly Yuantong Express” Event for an Example. New Technology of Library and Information Service,2015,31(10): 58-64  
Permissions
Copyright©2015, 《现代图书情报技术》编辑部
《现代图书情报技术》编辑部
负面事件中的品牌网络口碑溢出效应研究——以“圆通夺命快递”事件为例
何跃, 宋灵犀, 齐丽云
四川大学商学院 成都 610064
通讯作者:宋灵犀, ORCID: 0000-0003-3822-8353, E-mail:984667822@qq.com。

作者贡献声明：

何跃: 提出研究思路, 设计研究方案;

齐丽云: 采集、清洗和分析数据, 进行实验;

宋灵犀: 论文起草及最终版本修订。

基金:*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
摘要

【目的】研究网络口碑对企业品牌的溢出效应, 为企业及时调整公关策略应对风险提供依据。【方法】利用信息熵建立负面事件中网络口碑溢出效应评价指标体系, 以“圆通夺命快递”事件为例, 对网络口碑溢出效应方向与强度进行对比分析。【结果】实证结果表明, 用户在整个事件发展过程中具有强烈的负面情感倾向; 事件对竞争品牌的溢出效应强度和方向各有不同, 负面溢出效应强度高于正面溢出效应; 负面溢出效应的持续时间比正面溢出效应长。【局限】未研究事件对其他行业相关品牌的溢出效应。【结论】提出的网络口碑溢出效应指标体系可用于监测网络口碑溢出效应方向和强度。

关键词: 负面事件; 网络口碑; 溢出效应; 信息熵; 支持向量机
中图分类号:G202
Spillover Effect of Internet Word of Mouth in Negative Events ——Take the “Deadly Yuantong Express” Event for an Example
He Yue, Song Lingxi, Qi Liyun
Business School, Sichuan University, Chengdu 610064, China
Abstract

[Objective] Study on spillover effect of Internet Word of Mouth on enterprise brand, as the basis for enterprise to take timely measures to deal with risks.[Methods] This paper uses information entropy method to build evaluation index system of spillover effect of Internet Word of Mouth, and make comparative analysis of spillover effect direction and intensity of Internet Word of Mouth based on “Deadly Yuantong Express” event on Sina Microblog. [Result] The experiment result shows that users produce strong negative emotional tendencies during the process of the entire event. The strength and direction of spillover effect of the event on competitive brands are different. The intensity of negative spillover effect is higher than the positive. The duration of negative spillover effect is longer than positive.[Limitations] There is lack of analyzing the spillover effect of Internet Word of Mouth on other related enterprises.[Conclusions] The proposed index system can be used to monitor the spillover effect direction and intensity of Internet Word of Mouth in negative event.

Keyword: Negative event; Internet Word of Mouth; Spillover effect; Information entropy; Support Vector Machine
1 引 言

随着微博的广泛应用, 用户关注的事件一旦曝光, 在微博中就会被快速传播, 微博效应的影响逐渐扩大。对企业而言, 网络上关于产品或服务的评论很容易形成网络口碑[1], 它是指互联网用户借助BBS、博客、即时通等一系列基于网络媒体展开的, 关于某种产品或服务的相关信息交流。负面事件曝光不仅会形成对企业不利的网络口碑, 还会促使负面事件不断发展, 甚至波及所属行业。一个品牌负面事件的产生使得其他与之有一定关系, 但本身并没有发生丑闻的品牌的网络口碑受到影响的现象, 称为品牌网络口碑溢出效应[2]。因此, 企业面对与自己相关的企业的负面事件时, 可以利用微博信息判断事件对自身品牌的溢出效应, 调整危机公关与策略, 以应对负面事件带来的负面影响。

国外对网络口碑的研究开始较早。2003年, Liu[3]研究网络口碑与电影消费之间的关系, 发现网络口碑数量直接影响电影票房。Chevalier等[4]发现亚马逊网站中正面口碑较多的图书比负面口碑较多的图书销售量更好。McMillan等[5]发现网络口碑的有趣性相比正负倾向更能促成用户的购买意向和行为。网络口碑溢出效应方面的研究较少, 但是学者对溢出效应的影响研究较多。Ahluwalia等[2]和Lei等[6]研究负面事件的溢出效应的影响因素。Dahlé n等[7]和Roehm等[8]研究受到负面事件影响的品牌, 其竞争者的溢出效应情况。

国内学者也已经关注网络口碑问题。李念武等[9]分析正面和负面网络口碑可信度的影响因素以及这两种口碑如何影响消费者的购买行为。赖胜强等[10]研究网络口碑对用户旅游景点选择的影响。卢向华等[11]通过多个指标量化分析销售收入中网络口碑的作用。对于溢出效应的研究, 王晓玉[12]和方正等[13]定性讨论了产品危机对竞争对手的溢出效应。庄爱玲等[14]重点研究不同负面事件对竞争品牌溢出效应的差异性。余伟萍等[15]建立品牌丑闻在微博上的溢出监测指标体系, 确定负面事件对不同竞争品牌的溢出程度。

目前对网络口碑和溢出效应的研究较多, 但缺少结合两者的网络口碑溢出效应研究。虽然已有一些学者提出了网络口碑的溢出效应, 但也止步于溢出效应方向的研究, 笔者没有查阅到对网络口碑溢出效应力度定量研究的文献。并且传统的网络口碑研究大多采用问卷调查方法获取数据, 通过这种方法得到的数据量有限。微博中的数据量大, 采用数据挖掘的方法做定量分析, 更具有说服力。因此, 本文结合营销理论与数据挖掘方法, 建立负面事件中网络口碑溢出效应评价指标体系, 分析事件对相关品牌的溢出程度, 有利于企业及时掌握舆情动向并对舆情进行正确引导。

2 研究设计
2.1 研究思路

本文的研究目的在于建立网络口碑溢出效应评价体系, 并对溢出效应的溢出方向和强度进行分析, 为企业及时采取措施应对负面事件带来的溢出效应提供参考依据。本文利用文本分类方法将收集的微博分为正面微博和负面微博, 通过文献研究和信息熵建立网络口碑溢出效应评价指标体系, 基于该指标体系对“ 圆通夺命快递” 事件的网络口碑溢出效应的方向和强度进行分析。本文的技术路线如图1所示:

图1 技术路线图

2.2 网络口碑溢出效应评价指标体系设计

目前关于网络口碑指标体系的研究较少, 现有的网络口碑溢出效应评价指标体系中主观指标过多, 数据收集以及评价准确性会受到影响。在网络口碑方面, 张玥等[16]从口碑信息(口碑数量、口碑效价、口碑离散程度)和口碑参与者(口碑发送者、口碑接收者、口碑参与者与接收者之间的关系)等方面研究影响网络口碑传播的因素。本文认为基于微博的网络口碑溢出效应评价指标也应该从微博信息(微博数量、微博情感类别)和信息参与者(传播者影响力、接收者评论、点赞行为)等方面进行指标选取。

基于微博的网络口碑溢出效应研究方面, 余伟萍等[15]提出影响丑闻溢出效应的4个指标, 包括: 发布者(发布者微博等级、粉丝数、博文数量等)、信息指标(涉及企业数量、参与用户数等)、受众指标(评论总数、正负评论数等)和传播指标(博文被转发数、点击率、热点排名等), 并建立指标体系进行研究。基于以上成果, 并根据微博数据的可获取性, 对各项指标进行汇总整理, 初步构建负面事件中品牌网络口碑溢出效应评价指标体系, 如表1所示。初选的准则层指标共7个, 为了准确刻画溢出效应的方向, 在准则层基础上按照情感倾向又分为14个指标。

表1 网络口碑溢出效应评价指标体系

针对表1指标体系的准则层, 进行如下说明:

(1) 微博传播率。其值等于微博转发数乘以平均粉丝数。转发数只考虑第一层传播者与接收者的互动, 接收者的信息还可以继续被其粉丝转发。在微博中随机抽取100名用户, 计算其粉丝数, 再计算粉丝的粉丝数与其粉丝数的比值, 得到平均粉丝数为30, 因此用转发数乘以30, 作为传播率指标值①(①传播率的定义参照新浪微博二次转播率。)。

(2) 传播者相对影响力。避免用户通过“ 互粉行为” 提升人气、增加粉丝的情况。

(3) 传播者微博影响力。避免“ 话唠” 用户的影响, 该值越大, 表明该用户输出越多有意义的信息。

(4) 微博点赞数, 用户通过点赞表现出对其他用户微博的认同。传播者与接收者之间情感的共鸣对网络口碑传播有正向影响[16]。

3 实证研究
3.1 数据获取与处理

(1) 数据来源

选择“ 圆通夺命快递” 事件进行实证研究。2013年11月29日, 某网民收到由圆通速递所寄送的网购鞋子后, 中毒死亡。其死因为氟乙酸甲酯中毒, 正是由于邮寄过程中包装破损, 导致液体泄漏。“ 圆通夺命快递” 事件曝光当天就成为微博热门话题, 因此该事件作为实证研究对象具有代表性。

使用关键字“ 圆通夺命快递” 搜索微博话题, 爬取每条微博内容, 包括微博账号、微博内容、是否为转发、原微博信息、发布日期、微博用户粉丝数、微博数、关注数等。收集2013年12月19日至2014年3月8日这段期间的微博, 共计106 193条, 并以此期间的数据作为实验数据。

(2) 数据预处理

①数据清洗。删除时间不符、不完整、乱码以及与事件无关的微博记录, 并清除转发微博、URL、视频信息、#标签#、停用词等内容。清洗后剩余99 132条微博。

②语义标签。随机选取9 000条微博, 由三位分类人员使用内容分析法分别对这9 000条微博进行分析并完成标注(正面、负面、中性), 使用评判分析法对汇总结果进行信度分析, 发现相互同意度均超过80%, 通过信度检验, 根据频数最大法得到最终分类结果。

③中文分词。分词是微博文本预处理的首要任务, 它是按照一定规则将连续的语句分割成词序列的过程[17]。本文使用灵玖中科软件有限公司研制的自然语言理解中间件LJParser①(①http: //www.lingjoin.com.)对微博进行分词处理, 同时标注词性。

3.2 情感分类

(1) 提取特征词

对预处理后的中文词汇, 计算每个词的信息增益。信息增益(Information Gain, IG)指文本中包含某一特征时文本类的平均信息增量, 对于词语t和文本类别c, IG可通过考察类别c中出现和不出现词t的文本数, 衡量词t对于类别c的信息增量, 词t能为类别c带来的信息增量越多, 则该特征越重要。

(2) 计算特征词权重

提取信息增益值大于0.2的词作为特征词, 使用TF-IDF(Term Frequency-Inverse Document Frequency)算法计算特征词权重。TF-IDF是目前常用的特征项权重计算方法, 它通常用来评估一个词对一个语料库中的某一份文件的重要程度。计算公式如下[18]:

(1)

其中, Wij表示第i个特征词在文本j中的权重, TFij表示第i个特征词在文本j中出现的频率, N表示文本总数, DFi表示包含第i个特征词的文本数, 为逆向文档频率IDF。

(3) 支持向量机情感分类

将已经进行情感标注的9 000条微博随机分为训练集6 000条和检验集3 000条, 使用WEKA软件训练支持向量机模型。支持向量机(Support Vector Machine, SVM)是常用于中文分类的机器学习方法。SVM模型的思想是寻找一个特定的超平面, 使其将给定的训练集中的样本数据相互区分开, 在分开数据的超平面的两边建立两个互相平行的超平面, 分隔超平面使两个平行超平面的距离最大化。

计算支持向量机的准确率(Pt)、召回率(Re)和F度量, 从而评价分类器的性能。具体公式如公式(2)所示[19]:

(2)

其中, PT 表示已提取并正确分类的文档数, PF 表示已提取但未能分类的文档数, NF 表示未提取的文档数。

根据公式(2)计算得到支持向量机分类器的召回率达到了83.8%, 准确率达到69.4%, F值为74.2%。支持向量机在情感分类的效果与其他微博情感极性的研究者结果一致[20], 因此, 用该分类器对所有剩下的微博数据进行情感分类, 得到该负面事件的情感分类结果, 如图2所示:

图2 情感分类结果

由图2可知, 在“ 圆通夺命快递” 事件中, 微博用户表露出的负面情感非常明显, 其总数高达90 137条, 占90.93%。说明该事件对圆通快递形成了负面网络口碑。可见, 多数网民倾向于对该事件持否定态度, 并引导该事件的网络舆论走势, 这对圆通品牌的发展非常不利。中性情感在事件发展中占有一定的比例(7.13%), 这来自于大众媒介对此事的客观报道。当圆通快递为事件致歉, 并且邮政管理部门对圆通处罚后, 带来中性情感的高潮。

3.3 网络口碑溢出效应研究

(1) 指标体系权重

信息熵是权重确定的常用方法。设有m个评价对象, n个评价指标, 其形成的原始指标数据矩阵为 。对于某项指标j, 指标yij的差距越大, 则该指标在综合评价中的作用越大。因此, 可以根据各个指标的指标值变异程度, 利用信息熵计算各指标的权重。其计算步骤如下[21]:

①为了消除指标之间量纲和数量级不同带来的不可公度性, 将评价指标根据公式(3)进行标准化处理。其中, yij是第i个对象第j项指标的原始值。

(3)

②将各指标值做归一化处理, 计算第j项指标下第i个评价对象指标值比重:

(4)

③计算第j项指标的熵值:

(5)

④计算第j项指标的熵权值:

(6)

实验中, m=99 132, n=7, 各指标值构成99 132× 7的矩阵。利用上述算法计算表1中准则层的7个指标的权重向量为:

可以发现评论数和点赞数这两个指标权重较小, 分别为0.0729和0.0542, 可以删除。但是考虑到评论能够直观反映用户的情感倾向, 点赞对网络口碑传播有正面影响。因此使用评论点赞数等于评论数与点赞数的和作为溢出效应的一个评价指标。最终的指标体系包括微博数、传播率、评论点赞数、传播者平均粉丝数、传播者相对影响力、传播者微博影响力这6个指标。再用信息熵确定准则层指标的权重向量为:

新的权重相对比较均衡, 说明对准则层指标的调整比较合理。利用信息熵计算出新指标体系的指标权重, 如表2所示:

表2 改进的评价指标体系和权重

(2) 网络口碑溢出效应分析

根据上述各指标权重, 根据搜索微博品牌关键词得到的各品牌的指标值, 进一步得到网络口碑溢出效应的计算公式如下:

(7)

其中, Fi表示事件对第i个品牌的溢出效应值, Wj表示第j个评价指标的权重, Pij表示第i个品牌的第j个评价指标的指标值。

使用公式(7)计算得到“ 圆通夺命快递” 事件中, 网络口碑对其他品牌的溢出强度和方向。此次事件主要影响到的竞争品牌有申通、韵达、德邦、顺丰、中通、EMS共6家快递公司, 溢出强度和溢出方向如表3所示:

表3 品牌溢出效应

事件对6个品牌的溢出效应分为正向和负向溢出效应。事件对申通、韵达和德邦产生负面溢出效应, 说明“ 圆通夺命快递” 事件使得用户对这三个相关的品牌产生负面联想和态度。对顺丰、中通、EMS三个品牌产生正向的溢出效应, 说明用户在圆通负面事件中继续支持这些品牌或者之后改用这三个品牌。

(3) 竞争品牌溢出效应时序变化

分析竞争品牌的溢出效应变化趋势, 有利于企业适时采取策略, 应对溢出效应。本文收集并清洗后的微博共99 132条, 总计80天。为了分析溢出效应随时间的变化趋势, 提取80天中的前70天, 分为10周(后期数量较少, 不作分析), 分析事件对竞争品牌溢出效应的变化趋势。

①负面溢出效应变化趋势

申通、韵达和德邦的负面溢出效应变化趋势如图3所示:

图3 负面溢出效应变化趋势

从图3的变化趋势来看, “ 圆通夺命快递” 事件对韵达的负面溢出效应最强。分析其原因, 是由于韵达在整个事件过程中没有进行任何舆论引导来避开事件对本身品牌的冲击, 且韵达与涉事品牌具有较强的行业相似性, 因此其溢出效应最强。申通的负面网络口碑变化趋势和韵达基本一致, 不同的是, 申通的正面网络口碑传播要多于韵达。第1周, 事件爆发初期, 用户对申通快递的负面评价较少, 但在第1周中申通也被曝光与圆通有过相似的违纪行为, 由于网络口碑的滞后性, 负面效应在第2周表现出来。从第2周到第8周, 申通的负面溢出效应逐渐减小, 原因是其在整个过程有舆论引导行为, 虽然强度不是很大, 但是减小了对本品牌的负面影响。负面事件对德邦快递的溢出效应总体上低于申通和韵达, 其趋势波动强烈。事件爆发初期德邦的溢出效应和韵达基本相同, 德邦在这个过程中也未采取任何措施引导网络口碑。但与韵达不同的是, 其与涉事品牌的行业相似度较低, 对其产生的微博舆论较少, 所以溢出效应小于韵达。但在第8周, 德邦的溢出效应又达到和韵达同样的水平, 因此德邦快递需要关注用户网络口碑的传播。

②正面溢出效应变化趋势

顺丰、中通和EMS正面溢出效应变化趋势如图4所示:

图4 正面溢出效应变化趋势

从图4可以看出, 正面溢出效应的影响时间比负面效应短, 对顺丰的影响时间为4周, 对中通和EMS的影响只有三周。因为三者没有发生过类似事件, 并且与圆通品牌的相似性较低, 因此正面网络口碑的传播多于负面网络口碑。对顺丰快递的网络口碑影响呈正面递增趋势, 表明用户长期以来对该品牌比较信赖, 负面事件强化了用户对品牌的正面网络口碑传播。就中通来说, 初期用户对其正面网络口碑较少, 事件的发生对其产生正面效应, 但是这种效应只是暂时的, 后期正面效应逐渐变弱并消失, 表明用户没有对该品牌产生长期的信赖, 在产生正面效应时, 需要品牌及时采取措施强化这种效应。EMS与圆通的相似性较低, 并且期间有粉丝数非常多的用户发布关于EMS的正面微博, 从而引起前期的正面溢出效应, 但是由于中国邮政局参与事件的调查和处理, 而EMS作为其旗下品牌, 用户会产生质疑, 因此第三周溢出效应变为负值。

通过对竞争品牌的溢出效应的变化趋势的分析可以看出, 与涉事品牌的相似性越大, 竞争品牌越可能产生负面溢出效应。而负面事件传播过程中, 若企业及时调整危机公关与策略, 进行舆论引导, 则能有效地降低负面事件带来的负面影响。

4 结 语

本文结合市场营销理论、文本分类方法和信息熵建立指标体系, 建立基于微博的负面事件中品牌网络口碑与溢出效应研究的理论框架, 并基于“ 圆通夺命快递” 事件的新浪微博网络口碑传播进行实证研究。通过实证研究, 得到网络口碑数量时序变化趋势, 微博用户的情感倾向与情感变化, 事件对竞争品牌网络口碑的溢出效应强度、方向和随事件演变的变化趋势。

本文研究虽具有一定的创新性, 但还存在一些不足, 只研究了对本行业竞争品牌的溢出效应, 没有涉及其他行业相关品牌的溢出效应, 比如本文选取的事件对网购会产生一定的影响, 这也是网络口碑溢出效应的下一步研究方向。

参考文献
[1] Hennig-Thurau T, Walsh G. Electronic Word of Mouth: Motives for and Consequences of Reading Customer Articulations on the Internet[J]. International Journal of Electronic Commerce, 2003, 8(2): 51-74. [本文引用:1]
[2] Ahluwalia R, Unnava H R, Burnkrant R E. The Moderating Role of Commitment on the Spillover Effect of Marketing Communications[J]. Journal of Marketing Research, 2001, 38(4): 458-470. [本文引用:2]
[3] Liu Y. Word of Mouth for Movies: Its Dynamics and Impact on Box Office Revenue[J]. Journal of Marketing, 2006, 70(3): 74-89. [本文引用:1]
[4] Chevalier J, Mayzlin D. The Effect of Word of Mouth on Sales: On-line Book Reviews[J]. Journal of Marketing Research, 2006, 43(3): 345-354. [本文引用:1]
[5] McMillan S J, Hwang J S, Lee G. Effects of Structural and Perceptual Factors on Attitudes Toward the Website[J]. Journal of Advertising Research, 2004, 43(4): 400-421. [本文引用:1]
[6] Lei J, Dawar N, Lemmink J. Negative Spillover in Brand Portfolios: Exploring the Antecedents of Asymmetric Effects[J]. Journal of Marketing, 2008, 72(3): 111-123. [本文引用:1]
[7] Dahlén M, Lange F. A Disaster is Contagious: How a Brand in Crisis Affects Other Brand s[J]. Journal of Advertising Research, 2006, 46(4): 388-397. [本文引用:1]
[8] Roehm M L, Tybout A M. When will a Brand Scand al Spill over, and How Should Competitors Respond?[J] Journal of Marketing Research, 2006, 43(3): 366-373. [本文引用:1]
[9] 李念武, 岳蓉. 网络口碑可信度及其对购买行为之影响的实证研究[J]. 图书情报工作, 2009, 53(22): 133-137.
(Li Nianwu, Yue Rong. An Empirical Study on Credibility of Online Word-of-Mouth and Its Effects on Consumers’ Purchase Behavior[J]. Library and Information Service, 2009, 53(22): 133-137. ) [本文引用:1]
[10] 赖胜强, 唐雪梅, 朱敏. 网络口碑对游客旅游目的地选择的影响研究[J]. 管理评论, 2011, 23(6): 68-75.
(Lai Shengqiang, Tang Xuemei, Zhu Min. A Study of the EWOM Influence on Tourist Destination Choice[J]. Management Review, 2011, 23(6): 68-75. ) [本文引用:1]
[11] 卢向华, 冯越. 网络口碑的价值——基于在线餐馆点评的实证研究[J]. 管理世界, 2009(7): 126-132.
(Lu Xianghua, Feng Yue. The Value of Internet Word-of-Mouth——An Empirical Study Based on Online Restaurant Reviews[J]. Management World, 2009(7): 126-132. ) [本文引用:1]
[12] 王晓玉. 产品危机对危机品牌竞争对手的溢出效应研究述评与展望[J]. 外国经济与管理, 2012, 34(2): 58-64.
(Wang Xiaoyu. Review and Prospect: Spillover Effect of Product Crisis to Rival Brand [J]. Foreign Economics & Management, 2012, 34(2): 58-64. ) [本文引用:1]
[13] 方正, 杨洋, 李蔚, 等. 产品伤害危机溢出效应的发生条件和应对策略研究——预判和应对其它品牌引发的产品伤害危机[J]. 南开管理评论, 2013, 16(6): 19-27.
(Fang Zheng, Yang Yang, Li Wei, et al. Study on Occurrence Conditions and Strategies of Spillover Effect of Product Harm Crisis——Anticipation and Coping of Product Harm Crisis of Other Brand s[J]. Nankai Business Review, 2013, 16(6): 19-27. ) [本文引用:1]
[14] 庄爱玲, 余伟萍. 道德关联品牌负面曝光事件溢出效应实证研究——事件类型与认知需求的交互作用[J]. 商业经济与管理, 2011(10): 60-67.
(Zhuang Ailing, Yu Weiping. An Empirical Research of Spillover Effects of Ethical Brand Negative Events——The Interaction of Event Types and Needs of Cognition[J]. Journal of Business Economics, 2011(10): 60-67. ) [本文引用:1]
[15] 余伟萍, 杨于峰. 微博上的品牌丑闻溢出监测指标体系研究[J]. 现代图书情报技术, 2013(2): 63-69.
(Yu Weiping, Yang Yufeng. Brand Scand al Spillover Monitor Index System Research Based on Micro-blog[J]. New Technology of Library and Information Service, 2013(2): 63-69. ) [本文引用:2]
[16] 张玥, 朱庆华. 网络口碑传播效应研究综述[J]. 图书情报工作, 2012, 56(10): 76-80.
(Zhang Yue, Zhu Qinghua. A Review on the Effectiveness of Interner Word-of-Mouth Communication[J]. Library and Information Service, 2012, 56(10): 76-80. ) [本文引用:2]
[17] 奉国和, 郑伟. 国内中文自动分词技术研究综述[J]. 图书情报工作, 2011, 55(2): 41-45.
(Feng Guohe, Zheng Wei. Review of Chinese Automatic Word Segmentation[J]. Library and Information Service, 2011, 55(2): 41-45. ) [本文引用:1]
[18] 王巍, 杨武, 齐海凤. 基于多中心模型的网络热点话题发现算法[J]. 南京理工大学学报: 自然科学版, 2009, 33(4): 421-431.
(Wang Wei, Yang Wu, Qi Haifeng. Network Hotspot Topic Detection Algorithm Based on Multi-center Model[J]. Journal of Nanjing University of Science and Technology: Natural Science, 2009, 33(4): 421-431. ) [本文引用:1]
[19] 何跃, 邓唯茹, 张丹. 中文微博的情绪识别与分类研究[J]. 情报杂志, 2014, 33(2): 136-139, 85.
(He Yue, Deng Weiru, Zhang Dan. Study on Sentiments Recognition and Classification of Chinese Micro-blog[J]. Journal of Intelligence, 2014, 33(2): 136-139, 85. ) [本文引用:1]
[20] Pang B, Lee L, Vaithyanathan S. Thumbs up? Sentiment Classification Using Machine Learning Techniques [C]. In: Proceedings of the 2002 Conference on Empirical Methods in Natural Language Processing. 2002. [本文引用:1]
[21] 张国海, 马晓英, 刘秀梅. 高校图书馆网站的熵权模糊综合评判[J]. 情报杂志, 2007, 26(2): 121-122, 125.
(Zhang Guohai, Ma Xiaoying, Liu Xiumei. Entropy Weight Fuzzy Comprehensive Evaluation to Website of the University Library[J]. Journal of Intelligence, 2007, 26(2): 121-122, 125. ) [本文引用:1]