社交網絡中產品質量網絡監測方法研究
2014-09-22 11:09:23許偉
宏觀質量研究 2014年3期
許偉
摘 要:社交網絡上存在海量消費者感知的質量安全風險信息，而意見領袖在風險信息網絡傳播上有極大的影響力。以典型社交網絡平臺微博為例，研究網絡信息監測的類型與指標，并通過節點和內容協同分析，更快更有效地發現潛在質量安全風險。重點關注節點及其關系和內容及其關系，探討個體排名、內容分類、話題識別、風險監測等關鍵問題，從而構建社交網絡環境下產品質量風險網絡監測模型，為產品質量網絡監測方法與內容提供一種新的視角。
關鍵詞:社交網絡；質量風險；質量監測
一、引言
社交網絡上的有些產品質量信息，可以在極短時間內受到大量的關注并被廣泛傳播，因而質量話題熱點不斷。通過互聯網傳播的產品質量話題，包含了網民對當前企業產品質量現象以及熱點問題的立場和觀點，已成為企業產品質量的市場晴雨表，深刻影響著企業形象與利潤。回顧近年來爆發的產品質量事件，其中很多事件都是先在社交網絡上爆料，然后形成熱點話題引發主流媒體跟進，進而爆發產品質量安全網絡事件。以新浪微博、騰訊微信為代表的社交網絡，包含豐富的產品質量數據。越來越多的微博用戶在網絡上發布對產品質量或服務質量的評價，這些在線口碑極大地影響著消費者的購買決策和企業的聲譽利潤（蔡淑琴，2013）。如何對社交網絡中產品質量安全風險進行監測，關注哪些關鍵信息并有效預測其風險趨勢，已成為產品質量治理急需解決的問題。
在當前這樣一個大數據時代，質量數據的爆炸性增長極大地增加了質量安全的不確定，并對質量安全治理的方法與技術提出了更高的要求。基于消費者的海量互聯網信息的質量網絡監測，為產品質量安全有效網絡治理提供了一種行之有效的方法和技術。產品質量網絡監測，是指武漢大學質量發展戰略研究院基于“質量安全網絡信息監測與預警服務平臺”（以下簡稱“質量監測平臺”），通過綜合利用質量風險理論、價值工程理論，結合搜索技術、云計算、數據挖掘、語義分析、質量安全評價體系等新一代網絡信息技術的集成創新，實時收集來自公共互聯網的海量消費者感知的質量安全信息，經過深度的挖掘、提煉、分析、處理，及時向廣大企業、消費者和政府提供富有價值的質量安全信息服務。2012年質量監測平臺選取了4家國產乳制品企業的微博數據進行了挖掘、篩選和分類，共獲得有效微博數據10253條。對于這些產品質量事件數據，形成產品質量網絡信息數據庫，為下一步研究打下堅實基礎。目前學術界對產品質量事件網絡信息的研究，大都是基于節點（用戶）或者內容的數據挖掘研究，缺少節點（用戶）和內容的協同研究。質量監測平臺通過對網絡產品質量事件每日追蹤，試圖從節點（用戶）和內容兩個角度來處理數據，為產品質量網絡事件監測提供一種新的方法。
二、相關研究
（一）產品質量網絡信息
質量安全網絡信息，是指消費者因為產品傷害或潛在產品傷害，在互聯網上發布的產品質量安全信息。這種傷害可能是有形的身體傷害和無形的情感傷害。在互聯網環境下，作為網民的消費者都可以通過互聯網，直接向社會傳播對產品和企業質量的評價信息，特別是隨著微博等自媒體傳播方式的出現，每一個消費者幾乎都可以成為一個獨立的媒體，導致企業質量安全信息的傳播，表現出極強的即時性和互動性（程虹，2012）。當有關產品質量的在線負面口碑積聚到一定程度，就有可能造成網絡產品質量事件。根據中國互聯網絡信息中心（CNNIC）公布的第31次《中國互聯網絡發展狀況統計報告》的數據，截至2013年6月底，我國網民規模達到5.91億，互聯網普及率為44.1%。我國手機網民規模達464億，網民中使用手機上網的人群占比提升至78.5%。網民中僅微博用戶數就達到3.3077億（CNNIC，2012），成為事實上的信息發布者。在移動互聯網和移動智能終端快速發展的背景下，以上的用戶，更是成為了企業質量安全信息全天候的潛在生產者和傳播者。
（二）社交網絡用戶研究
社交網絡是由一個個節點及其關系組成的，是一種基于互聯網的社會網絡。社會網絡指的是社會中個體與個體之間聯系的集合，它是由點和各點之間的連線個體之間的聯系組成的（李鋼，2013）。本質上，社交網絡是為實現特定目的用戶與用戶之間進行信息交流和資源利用的關系網，它反映了人與人之間的社會關系，這些關系是傳遞物質、信息、觀念、情感等資源的紐帶。社交網絡用戶的關注數分布呈現長尾現象，用戶被關注數遵循冪律分布，帖子數近似冪律分布（Broder. A,2000）。社交網絡用戶的研究主要包括用戶的動機、角色分類、行為分析、分體排名等內容。有學者根據微博用戶的動機劃分出用戶的角色（Broder. A,2000），有的學者綜合微博中用戶的關注數、被關注數、博文數得出不同的用戶類型。
（三）社交網絡內容研究
隨著社交網絡應用的普及和滲透，其所承擔的角色已經由最初的信息交流傳播工具逐漸擴展到人們的日常生活乃至社會的各個方面。而微博作為一種在線口碑的作用逐漸為人們所認識到，學者們開始研究Twitter中所包含的品牌評論、情感以及意見的博文，并進一步考察品牌商如何利用Twitter來進行更為有效的客戶關系管理，由此提出品牌商可以利用微博作為他們整體營銷戰略的一部分（Jansen,B.J.,2009）。社交網絡成為了一種新興的令人矚目的科學交流工具，為數字科學交流的發展及研究注入了新鮮的活力，近兩年國外在這方面的研究尤為突出。
（四）社交網絡的典型平臺微博
微博，即微博客（Micro Blog）的簡稱，是一個基于用戶關系信息分享、傳播以及獲取的平臺。最具有代表性的微博就是新浪微博、騰訊微信、Twitter。用戶可以通過WEB、WAP等各種客戶端組建個人社區，以140字左右的文字更新信息，并實現即時分享。從微博的發送特性上來看，微博具備了4A的元素（Anytime，Anywhere，Anyone，Anything），成為一種即時網絡平臺（蔡淑琴，2012）。微博允許用戶發布在140個漢字范圍內短文本信息。而中文的微博信息量比較大，140個中文字比140個英語字符多4至5倍信息量（李開復，2011）。
微博網絡屬于典型的無標度網絡，表現出小世界現象（許曉東，2011）。圍繞特定的話題和事件，廣大的微博用戶及其相互關系，包括關注、轉發、評論、回帖、私信、微群等相互關系，共同構成了一個龐大的網絡社交圈子。微博的基本傳播特點可以歸納為六個字：“短、平、快、碎、即、開”（陳永東，2012）。通俗地說就是記錄簡短化、交流平等化、傳播裂變化、呈現碎片化、網絡即時化和平臺開放化。
三、模型構建和分析
利用“質量監測平臺”對網絡產品質量事件每日追蹤，搜集產品質量事件信息的內容性數據、用戶性數據和時序性數據，從產品、內容和節點三個方面對產品質量網絡信息進行分析。
（一）產品質量的社會網絡
社會網絡是由節點（用戶）和節點（用戶）關系組成的，微博是基于關注機制用戶及其關系構成的，都有小世界特征。社會網絡理論有三大核心理論：強弱聯結、社會資本、結構洞（李綱，2013）。從弱鏈接角度來說，社交網絡中存在基于標簽的主題網絡（易明，2011）。在微博、微信、論壇等社交網絡中，存在話題交流者、興趣愛好者、私人朋友等社交網絡圈子。對于在線社交網絡中用戶發表產品質量信息的現象，可以把產品或產品簇看作內容和用戶的標簽，將發布某類產品質量信息的用戶群，看做一個基于該產品或產品簇的潛在網絡社團。社會網絡中具有相似特征并緊密關聯的網絡對象聚集的現象被統稱為網絡社團，這些網絡對象可以是文本、話題、事件和網絡群體。基于產品的社交網絡文本及其網絡現象，可以看作一個面向產品文本信息的潛在社會網絡或者網絡社團。
endprint
對于指定的企業或產品，通過“質量監測平臺”可以挖掘到社交網絡中的質量安全風險信息，并對每一條信息用時間戳進行打標，從而生成產品質量時序數據。每條網絡產品質量信息，都包含某個時間點的內容數據、用戶數據、網絡數據。社會網絡研究中，通過圖結構對社會網絡進行建模是一種常見做法（胡健，2008）。一個產品的社會網絡可以用一個產品的圖G=（P,U,I,E,W）來表示。其中，Pa代表社會網絡上某一類產品的產品集；Ui∈U代表社會網絡中的個體（用戶），是產品質量信息內容的載體，例如微博中的ID；e∈E表示社交網絡中的網絡設置，表示用戶（節點）和用戶（節點）之間的關系（包含有向和無向關系），比如微博中的關注和被關注關系；Ij∈I代表社交網絡節點上的產品質量信息內容；W代表社交網絡節點和內容的加權函數集。通過社交網絡挖掘，可以將有關某一產品或某類產品的用戶數據、內容數據、鏈接數據和時間數據等獲取并存儲下來。
（二）產品質量的用戶數據分析
社會網絡是由節點和節點關系組成的，產品質量用戶數據也應該包括用戶自身和用戶關系。在社會網絡中，每個獨立的個體都在網絡結構中表現不同的影響力和權威性，這種影響力和權威性來自于社會網絡關系。同樣的話題由不同的節點轉載，受到的關注往往大不相同。微博社交網絡的節點就是產品質量信息的微博發布者，對于節點的研究主要是從個體排名來發現意見領袖，進而通過對大量意見領袖的追蹤，可以發現產品質量信息變動趨勢。如果發布或者轉發產品質量安全信息的意見領袖越來越多，就有可能引起產品質量網絡事件。
對于意見領袖的識別，比較通行的做法是采用RFM模型。RFM模型在營銷領域廣泛應用于分析客戶響應和客戶價值，其分析的基礎是三個重要的客戶行為指標。即近度（Recency）、頻度（Frequency）和值度（Momentary）。在指定時間段，近度表示客戶最近一次消費到當前的時間間隔；頻度表示消費頻率；值度表示消費金額。RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。可以通過引入營銷領域RFM模型，結合中文在線口碑加工處理技術，來測量在線口碑發布者的影響力（蔡淑琴，2013），從而識別意見領袖。利用該模型就能通過用戶發布信息行為進行個體排名，評估產品質量信息發布者的價值，從而識別出其中的意見領袖。
對產品質量信息的用戶分析，主要涉及兩個方面：一是用戶本身，即社會網絡中用戶（節點）固有的特征。在微博中常常用近度R和頻度F來確定用戶的活躍度。二是用戶的網絡關系，即基于鏈接的節點影響力能反映其網絡屬性，包括節點的入度和出度。在微博中常常用粉絲數和關注數來表示。
一是近度（R）。近度表示用戶最近一次發表信息到當前的時間間隔，以天為時間單位。
二是頻度（F）。頻度定義為發布者在一段特定時間范圍內發表微博信息的次數。
三是值度（M）。值度定義為微博的粉絲數量和關注數量。
將RFM各分成五級，形成一個5*5*5=125的分類標準，從而確定個體排名和意見領袖。對RFM各變量的指標權重問題，Hughes（2006）認為RFM在衡量一個問題上的權重是一致的，因而并沒有給予不同的劃分。而Stone（1994）通過對信用卡實證分析，認為各個指標的權重并不相同，應該給予頻度最高、近度次之、值度最低的權重。而不同的行業甚至不同的公司，頻度、近度、值度的權重均存在一定差異，因此需要采用科學的方法進行分析。
解決的辦法就是結合具體行業和類別，賦予相應的權重，從而使得計算接近實際情況。
Qu=w1R+w2F+wgM
其中，M=w4Fun+w5Follow
這里，Qu代表第s個用戶U的影響因子。R代表近度，F代表頻度，M代表值度，fun代表粉絲數量，follow代表關注數量，w1、w2、w3、w4、w5代表不同的權重。可以根據統計得出的規律，結合專家咨詢方式來解決指標權重的確定問題。
網絡設置指節點、節點間的連邊以及網絡系統平臺的基本設定（張倫，2012），主要反映用戶（節點）之間的關系。網絡系統的演變發生在一個有限時空下，且節點已經事先存在于網絡中 (T. Snijders,2001; Stanley Wasserman,1980)。而微博用戶之間，是基于關注機制建立的社交網絡關系，這種關注機制是有向關系，比如用戶A關注用戶B，記錄為A→B。在微博這個小世界中，用戶之間形成無窮個有向關系，可以用矩陣形式來表示，這是簡單有效記錄關系的方法。
（三）產品質量的內容數據分析
內容分析法產生于20世紀初，興起在20世紀70年代，相關研究從解讀式內容分析法、實驗式內容分析法轉向計算機輔助內容分析法。邱均平（2004）認為內容分析法的原理是對文獻內容所含信息量及其變化進行分析，從而達到對文獻內容進行可再現的、有效的推斷。克林格的定義（Kerlinger，1973）是，“內容分析法是一種研究方法，用一種系統的、客觀的、量化的方式測量變量，對傳播內容做出分析”。內容分析方法，非常適合用于“測定各種傳播現象的相對重點或出現頻數”（Kerlinger，1973）。斯坦培（Stempel，2003）對內容分析法提出了一種寬泛的見解，他稱之為“對我們經常用的非正式事物，將其正式化并系統化，這是從內容分析法中得出的結論”。計算機化的內容分析可以采用多種形式，不過大多數似乎可以分為7種類型：單詞計數、上下文中的關鍵詞（KWIC，keywordincontext）和重要用字索引（concordances）、字典/辭典排序、語言結構、可讀性、人工智能以及動態分析（Franzosi，1995; Holsti，1969; Krippendorff，2004a; Weber，1990）。
對產品質量信息的內容分析，主要涉及兩個方面：一是信息內容本身，即產品質量信息內容分級分類處理，從而生成質量安全信息熵；二是內容網絡關系，分析產品質量信息內容的網絡影響力，從而生成某條質量信息的影響力指數。
其一，產品質量信息內容分級分類處理。國際標準化組織綜合性地將質量定義為“一組固有特性滿足需求的能力”。程虹（2012）從固有性能和滿足需求兩個角度，將互聯網產品質量信息分為產品性能、服務質量、運營質量、安全性、公眾形象和經濟性6個新指標，從而形成了互聯網環境下的企業質量安全信息的分類模型，并提供了一種企業互聯網質量有效治理的框架，其框架如表1:
表1 基于互聯網信息的企業質量安全分類模型
分類指標 信息內容
產品性能 可靠性、易用性、感官評價
安全性 身體傷害、性狀改變、不安全感
服務質量 便利性、服務環境、從業人員、客服系統
經濟性 性價比、品種多樣性、使用成本
運營質量 管理水平、人力資源、人文環境
公眾形象 社會責任與環保、管理者形象、企業口碑、外部溝通
綜合 其他質量問題
對于已經分類的產品質量信息內容，可以根據信息內容本身反映的嚴重程度再進行分級處理。以安全指標的身體傷害指標為例，可以從產品傷害程度分為致命的、非常嚴重、嚴重、一般和輕微等五級程度，對產品質量信息內容進行分級處理。通過建立該產品的分類分級語料庫，對網絡挖掘的質量信息進行計算機自動智能分級分類處理，并生成該條產品信息內容的質量安全信息熵。質量安全信息熵表示質量安全信息本身所反映的質量安全風險的大小，如人體傷害程度、傷害人數等，可表示為：
endprint
H=n i=1hi*longhi
其中H表示信息熵，h表示信息所反映傷害程度、傷害人數等要素的劃分。
其二，產品質量信息內容的網絡影響力。通過一條內容的影響力來衡量一條信息對其他用戶產生影響的可能性。在微博環境下，判斷產品質量信息的影響范圍和影響深度，主要通過轉發量、評論數等指標來統計（劉志明，2011）。轉發數，用戶可以對自己感興趣的信息進行轉發，通過轉發等行為，信息會以一種級聯方式傳播給更多的用戶。一條產品質量信息被轉發的次數越多，產生的影響越大；評論數，其他用戶可以對產品質量信息進行評論，信息得到的評論越多，意味著信息影響的范圍越廣，一個用戶的信息被評論的次數越多，意味著用戶信息產生的影響越大。在影響力指標下，可以定義二級指標：被轉發數、被評論數，這些數字都應該經過歸一化處理，便于計算和比較。
Ti=w6Vretw+w7Vrev+w8H
Ti表示某條文本i的影響力指數，w6、w7、w8代表不同的權重，Vretw、Vrev、H代表被轉發數、被評論數和質量安全信息熵。當然首先對轉發數和被評論數等指標進行歸一化處理。利用統計得出的規律來確定權重，確定在社交網絡環境下產品質量內容的信息風險指數。
四、產品質量風險監測
（一）產品質量話題發現
話題識別與跟蹤（Topic Detection and Tracking,TDT）以大規模信息流為研究對象，通過監控媒體報道描述的話題，發現新的用戶感興趣的信息并將涉及某個話題的報道組織起來，以某種方式呈現給用戶（于滿泉，2006）。由于社交網絡具有小世界特性，基于產品質量信息的時序性數據，可以開展產品質量話題追蹤與分析。時間序列是按時間順序的一組數值型序列（李慶臻，1999）。話題識別技術的關鍵就是將關于話題的分散多變的信息匯集并組織起來，從整體上了解話題中各種因素之間的關系及其發展趨勢。詞頻逆文檔頻率(TFIDF，Term FrequencyInverse Document Frequency)是文本檢索系統中廣泛使用的信息抽取技術，但在140字的短信息文本中并不適用，解決辦法就是從內容的網絡關系來反映。新浪微博每天自動更新話題列表，并使用單位時間內的轉帖數字，即轉帖率作為衡量一個話題流行與否的標準（韓毅，2011）。在線社交網絡中，當一個話題受到關注，其呈現的效果主要體現在短時間內出現了密集的有關話題的新帖、評論或轉帖，也就是單位時間內話題的密度來表示。對于事先指定的企業及其產品，通過社交網絡挖掘的產品質量內容性數據，可以使用文本處理技術抽取用戶發言中的主題詞，并根據轉帖和評論數量，動態生成每天或每小時的話題列表。
（二）二次協同評價
產品質量網絡監測的目的就是發現有關風險。基于密度的話題識別，有一定滯后性。特別是當密度是根據轉帖率等內容網絡關系來表示時，這種滯后性就更為明顯。同一個話題，不同用戶（節點）發布，產生的影響截然不同。20世紀40年代由美國社會學家P.F.拉扎斯菲爾德提出“兩級傳播模式”，即媒介—意見領袖—受眾的傳播現象（斯坦?利巴蘭，2004）。在社交網絡中，微博意見領袖在公共輿論事件發生和發展的不同階段發揮著不同的影響力（白鬼，2013）。對某一時刻計算機自動發現的話題列表，按時間序列進行用戶和內容協同分析，就很有可能發現在下一時刻爆發的熱門話題。
可以把社交網絡中節點和內容的關系，看做期刊和論文的關系。核心期刊發表的論文重要，同理社交網絡中意見領袖（重要節點）發表的內容也很重要。期刊有影響因子，節點也可以計算影響因子。將節點的影響因子應用于話題，統計話題若干帖子的加權風險影響，就能夠盡快發現潛在熱門話題。在產品質量的話題趨勢分類基礎上，將時間序列模型應用在話題中，并綜合考慮產品質量信息的內容性和用戶性等網絡屬性，從而進行產品質量的潛在熱門話題識別。
（三）產品質量風險監測
通過網絡演化分析，可以對社交網絡中的圖模型G=（P,U,E,I,W）進行實時追蹤，從而發現產品質量安全信息的網絡傳播情況。網絡數據具有多維度特性，產品質量網絡監測目標也有多樣性，而現有分析和挖掘技術又往往僅關注網絡節點或網絡內容中的某一特性。基于網絡結構的節點聚類，和基于網絡信息的內容聚類并不能完全對應，兩者同時計算，對于挖掘算法和計算開銷都要求很大。
表2 基于節點加權的質量分類信息風險評價
分類指標 信息內容
產品性能 Qs*T11,Q2*T12,…,Qs*T1j,…
安全性 Qs*T21,Qs*T22,…,Qs*T2j,…
服務質量 Qs*T31,Qs*T32,…,Qs*T3j,…
經濟性 Qs*T41,Qs*T42,…,Qs*T4j,…
運營質量 Qs*T51,Qs*T52,…,Qs*T5j,…
公眾形象 Qs*T61,Qs*T62,…,Qs*T6j,…
綜合 Qs*T71,Qs*T72,…,Qs*T7j,…
為了簡化質量安全監測方法，提高產品質量風險網絡監測效果，將社交網絡質量信息的研究聚焦到用戶數據和內容數據上來，從產品質量角度進行用戶和內容協同挖掘的研究。每個用戶都可以看作社交網絡上的一個節點。事實上，網絡節點上的信息往往會作用于網絡，促進網絡節點和結構的演化；而網絡節點和結構往往又會反作用于信息內容和產品事件，促使信息擴散和事件放大。
R=ni.j.s=1Qs*Tij其中，ΔR=Rt-Rt-1
在產品質量風險監測時，社交網絡中的用戶和內容，共同決定該話題的相關信息在社交網絡中風險大小。用單位時間某個產品質量網絡風險R來表示產品質量風險情況。對于一條產品質量安全信息，其用戶數據由用戶及其關系的影響因子U來表示，內容數據可以用內容及其關系的信息風險指數I來表示。同一條產品信息，被不同用戶發布或轉帖，其質量安全網絡風險肯定不同；同一個用戶，發布不同質量風險級別的產品信息，該信息的轉帖、評論不同，產生的質量安全網絡風險也肯定不同。可以用流行度來表示社交網絡上某產品的質量信息獲得的關注程度。
總而言之，產品質量網絡監測，首先要解決的是監測哪些關鍵信息，才能更加有效地預測質量安全風險。面對社交網絡中的海量產品質量信息，在已有的產品質量安全風險分類分級的基礎上，通過節點和內容的協同分析，可以更及時地發現產品質量安全風險。
參考文獻:
[1] 蔡淑琴、張靜、王旸，2012：《基于中心化的微博熱點發現方法》，《管理學報》第6期。
[2] 陳永東，2012：《微博搜索營銷策略探討》，《軟件工程師》第1期。
[3] 程虹、范寒冰、肖宇，2012：《企業質量安全風險有效治理的理論框架——基于互聯網信息的企業質量安全分類模型及實現方法》，《管理世界》第12期。
[4] 李綱、紀曼、陳璟浩、葉光輝，2013：《基于社會網絡的知識共享研究綜述》，《信息資源管理學報》第2期。
endprint
[5] 李開復，2011：《微博改變一切》，上海財經大學出版社。
[6] 李慶臻，1999：《科學技術方法大辭典》，科學出版社。
[7] 劉志明、劉魯，2011：《微博網絡輿情中的意見領袖識別及分析》，《系統工程》第6期。
[8] 胡健、董躍華、楊炳儒，2008：“大型復雜網絡中的社區結構發現算法”，《計算機工程》第19期。
[9] 邱均平、鄒菲，2004：《關于內容分析法的研究》，《中國圖書館學報》第2期。
[10]許曉東、肖銀濤、朱士瑞，2011：《微博社區的謠言傳播仿真研究》，《Computer Engineering》 第10期。
[11]易明、曹高輝、毛進、鄧衛華，2011：《基于Tag的知識主題網絡構建與Web知識推送研究》，《中國圖書館學報》第4期。
[12]于滿泉、駱衛華、許洪波、白碩，2006：《話題識別與跟蹤中的層次化話題識別技術研究》，《計算機研究與發展》第3期。
[13]張倫，2012：《社會網絡演化建模：假設、理論及方法》，《新聞大學》第15期。
[14]Broder, A., Kumar, R., and Maghoul, 2000， “Graph Structure In The Web”, Computer Networks, Vol.33, No.1. 309320.
[15]Franzosi, R., 1995, “Computerassisted Content Analysis of Newspapers: Can We Make an Expensive Research Tool More Efficient”, Quality and Quantity, Vol.29, No.2. 157172.
[16]Holsti, Ole R., 1969, Content Analysis for the Social Sciences and Humanities, Reading, MA: Addison Wesley.
[17]Huberman, Bernardo,A., Daniel M. Romero, and Fang Wu, 2009, “Crowd Sourcing, Attention and Productivity”. Journal of Information Science, Vol.35, No.6. 758765.
[18]Jansen, B. J., Zhang, M., and Sobel, K., 2009: “Twitter Power: Tweets as Electronic Word of Mouth”. Journal of the American Society for Information Science And Technology, Vol.60, No.11. 21692188.
[19]Kerlinger, F. N., 1973, Foundations of Behavioral Research. New York, NY: Holt, Rinehart and Winston..
[20]Ross, C., Terras, and M., Warwick, C., et al.,2011, “Enabled Backchannel: Conference Twitter Use By Digital Humanists”,Journal of Documentation, Vol.67, No.2. 214237.
[21]Snijders, T., 2001， “The Statistical Evaluation of Social Network Dynamics”, Sociological Methodology.
[22]Stempel, G. H., Weaver, D. H., and Wilhoit, G. C., 2003, Mass Communication Research And Theory. Boston, MA: Allyn and Bacon.
[23]Stone, Bob, and Ron Jacobs. 2008， Successful Direct Marketing Methods, McGraw Hill Professional.
[24]Wasserman, S., 1978, “Models For Binary Directed Graphs And Their Applications”, Advances in Applied Probability, No.10. 803818.
[25]Xifra, J., Grau F., and Nanoblogging PR, 2010: “The Discourse On Public Relations In Twitter”. Public Relations Review, Vol.36, No.2. 171174.
Product Quality Monitoring Methods on Social Network
Xu Wei
Abstract:Through network monitoring in product quality safety information on the social network,this research analysis quality safety risks from massive consumer perception on social networks,joint mining from two angles of users and content,discuss key issues about individual ranking,content classification,network communication,topic prediction and so on. Building a product quality network risk monitoring model under a social network environment,provides a new perspective for product quality monitoring and early warning network information.
Key Words:Social Network; Quality Risk; Quality Network Monitoring
■ 責任編輯余凡
endprint
[5] 李開復，2011：《微博改變一切》，上海財經大學出版社。
[6] 李慶臻，1999：《科學技術方法大辭典》，科學出版社。
[7] 劉志明、劉魯，2011：《微博網絡輿情中的意見領袖識別及分析》，《系統工程》第6期。
[8] 胡健、董躍華、楊炳儒，2008：“大型復雜網絡中的社區結構發現算法”，《計算機工程》第19期。
[9] 邱均平、鄒菲，2004：《關于內容分析法的研究》，《中國圖書館學報》第2期。
[10]許曉東、肖銀濤、朱士瑞，2011：《微博社區的謠言傳播仿真研究》，《Computer Engineering》 第10期。
[11]易明、曹高輝、毛進、鄧衛華，2011：《基于Tag的知識主題網絡構建與Web知識推送研究》，《中國圖書館學報》第4期。
[12]于滿泉、駱衛華、許洪波、白碩，2006：《話題識別與跟蹤中的層次化話題識別技術研究》，《計算機研究與發展》第3期。
[13]張倫，2012：《社會網絡演化建模：假設、理論及方法》，《新聞大學》第15期。
[14]Broder, A., Kumar, R., and Maghoul, 2000， “Graph Structure In The Web”, Computer Networks, Vol.33, No.1. 309320.
[15]Franzosi, R., 1995, “Computerassisted Content Analysis of Newspapers: Can We Make an Expensive Research Tool More Efficient”, Quality and Quantity, Vol.29, No.2. 157172.
[16]Holsti, Ole R., 1969, Content Analysis for the Social Sciences and Humanities, Reading, MA: Addison Wesley.
[17]Huberman, Bernardo,A., Daniel M. Romero, and Fang Wu, 2009, “Crowd Sourcing, Attention and Productivity”. Journal of Information Science, Vol.35, No.6. 758765.
[18]Jansen, B. J., Zhang, M., and Sobel, K., 2009: “Twitter Power: Tweets as Electronic Word of Mouth”. Journal of the American Society for Information Science And Technology, Vol.60, No.11. 21692188.
[19]Kerlinger, F. N., 1973, Foundations of Behavioral Research. New York, NY: Holt, Rinehart and Winston..
[20]Ross, C., Terras, and M., Warwick, C., et al.,2011, “Enabled Backchannel: Conference Twitter Use By Digital Humanists”,Journal of Documentation, Vol.67, No.2. 214237.
[21]Snijders, T., 2001， “The Statistical Evaluation of Social Network Dynamics”, Sociological Methodology.
[22]Stempel, G. H., Weaver, D. H., and Wilhoit, G. C., 2003, Mass Communication Research And Theory. Boston, MA: Allyn and Bacon.
[23]Stone, Bob, and Ron Jacobs. 2008， Successful Direct Marketing Methods, McGraw Hill Professional.
[24]Wasserman, S., 1978, “Models For Binary Directed Graphs And Their Applications”, Advances in Applied Probability, No.10. 803818.
[25]Xifra, J., Grau F., and Nanoblogging PR, 2010: “The Discourse On Public Relations In Twitter”. Public Relations Review, Vol.36, No.2. 171174.
Product Quality Monitoring Methods on Social Network
Xu Wei
Abstract:Through network monitoring in product quality safety information on the social network,this research analysis quality safety risks from massive consumer perception on social networks,joint mining from two angles of users and content,discuss key issues about individual ranking,content classification,network communication,topic prediction and so on. Building a product quality network risk monitoring model under a social network environment,provides a new perspective for product quality monitoring and early warning network information.
Key Words:Social Network; Quality Risk; Quality Network Monitoring
■ 責任編輯余凡
endprint
[5] 李開復，2011：《微博改變一切》，上海財經大學出版社。
[6] 李慶臻，1999：《科學技術方法大辭典》，科學出版社。
[7] 劉志明、劉魯，2011：《微博網絡輿情中的意見領袖識別及分析》，《系統工程》第6期。
[8] 胡健、董躍華、楊炳儒，2008：“大型復雜網絡中的社區結構發現算法”，《計算機工程》第19期。
[9] 邱均平、鄒菲，2004：《關于內容分析法的研究》，《中國圖書館學報》第2期。
[10]許曉東、肖銀濤、朱士瑞，2011：《微博社區的謠言傳播仿真研究》，《Computer Engineering》 第10期。
[11]易明、曹高輝、毛進、鄧衛華，2011：《基于Tag的知識主題網絡構建與Web知識推送研究》，《中國圖書館學報》第4期。
[12]于滿泉、駱衛華、許洪波、白碩，2006：《話題識別與跟蹤中的層次化話題識別技術研究》，《計算機研究與發展》第3期。
[13]張倫，2012：《社會網絡演化建模：假設、理論及方法》，《新聞大學》第15期。
[14]Broder, A., Kumar, R., and Maghoul, 2000， “Graph Structure In The Web”, Computer Networks, Vol.33, No.1. 309320.
[15]Franzosi, R., 1995, “Computerassisted Content Analysis of Newspapers: Can We Make an Expensive Research Tool More Efficient”, Quality and Quantity, Vol.29, No.2. 157172.
[16]Holsti, Ole R., 1969, Content Analysis for the Social Sciences and Humanities, Reading, MA: Addison Wesley.
[17]Huberman, Bernardo,A., Daniel M. Romero, and Fang Wu, 2009, “Crowd Sourcing, Attention and Productivity”. Journal of Information Science, Vol.35, No.6. 758765.
[18]Jansen, B. J., Zhang, M., and Sobel, K., 2009: “Twitter Power: Tweets as Electronic Word of Mouth”. Journal of the American Society for Information Science And Technology, Vol.60, No.11. 21692188.
[19]Kerlinger, F. N., 1973, Foundations of Behavioral Research. New York, NY: Holt, Rinehart and Winston..
[20]Ross, C., Terras, and M., Warwick, C., et al.,2011, “Enabled Backchannel: Conference Twitter Use By Digital Humanists”,Journal of Documentation, Vol.67, No.2. 214237.
[21]Snijders, T., 2001， “The Statistical Evaluation of Social Network Dynamics”, Sociological Methodology.
[22]Stempel, G. H., Weaver, D. H., and Wilhoit, G. C., 2003, Mass Communication Research And Theory. Boston, MA: Allyn and Bacon.
[23]Stone, Bob, and Ron Jacobs. 2008， Successful Direct Marketing Methods, McGraw Hill Professional.
[24]Wasserman, S., 1978, “Models For Binary Directed Graphs And Their Applications”, Advances in Applied Probability, No.10. 803818.
[25]Xifra, J., Grau F., and Nanoblogging PR, 2010: “The Discourse On Public Relations In Twitter”. Public Relations Review, Vol.36, No.2. 171174.
Product Quality Monitoring Methods on Social Network
Xu Wei
Abstract:Through network monitoring in product quality safety information on the social network,this research analysis quality safety risks from massive consumer perception on social networks,joint mining from two angles of users and content,discuss key issues about individual ranking,content classification,network communication,topic prediction and so on. Building a product quality network risk monitoring model under a social network environment,provides a new perspective for product quality monitoring and early warning network information.
Key Words:Social Network; Quality Risk; Quality Network Monitoring
■ 責任編輯余凡
endprint
