突發事件網絡的傳播規律及特征
——以知網事件為例

楊妺，王妍*，王傳彪，李昊展，劉銘

(1.中國傳媒大學數據科學與智能媒體學院，北京 100024；2.中國傳媒大學融合與傳播國家重點實驗室，北京 100024）

1 引言

突發公共事件［1］是指突然發生的，可能會造成社會危害的事件，其中往往存在復雜的、富有爭議的因素，容易引起網民的關注和討論。互聯網的實時性和去中心化提升了信息的擴散速度和影響范圍，自媒體等意見領袖的加入使傳統的議程設置發生變化，傳播主體因其賬號影響力的高低不同，信息獲取的實效性不同，對輿情發展的推動力也不盡相同。

當輿情發生時，網絡信息傳播的過程是官方媒體首先發布事件報道形成信息源，而后意見領袖介入，對信息進行篩選、加工，并摻入自己的觀點［2］。網絡意見領袖不能直接控制網民“怎么想”，但他們可以利用信息權力，以迎合網民的方式解讀輿情，并將特定的價值理念編輯進“意見”，潛移默化地引導網民“想什么”［3］。網民會同時接收信息源和再加工的信息，并選擇是否加入到信息傳播的過程中。

因此，在突發性公共輿情事件中，回答如下三方面問題對于厘清輿情傳播脈絡，掌握輿情規律進而正確引導和控制輿情具有重要作用。

（1）知網事件輿論走勢存在什么規律，有哪些特征？

（2）社交網絡信息傳播呈現網絡傳播特征，每個人即是信息接收者，也是傳播者，輿情事件意見領袖和把關人對信息傳播的走勢起重要的主導作用，在知網事件中信息傳播的網絡結構特征和拓撲結構中的“意見領袖”等重要節點有哪些特征？

（3）關鍵節點（即意見領袖）起到什么作用，有怎樣的觀點輸出及情感傾向？

本文運用社會網絡分析方法探究參與輿情傳播的各個節點之間的拓撲關系，以及重要節點的作用，分析“知網被市場監管局立案調查”輿情事件，在此基礎上使用LDA主題提取和情感識別，探究重要節點的輿論引導傾向。

2 相關研究

對于重大突發事件引發的網絡輿情，有多種研究角度。根據拉斯韋爾5W模式，傳播過程中存在五種基本要素：傳播者、信息內容、媒介、接收者和傳播效果，每種要素均可作為研究的切入點。劉波維［4］等人對輿情研究的視角進行分析，將不同視角的網絡輿情研究成果進行編碼和分析，得出輿情研究的幾大范疇，包括主體、客體、引發者、輿情傳播理論、輿情功能、傳播內容等。本文從中選取用戶互動和信息內容作為研究角度。

基于用戶互動的角度，眾多用戶在社交網絡上的互動行為構成了巨大的復雜網絡，此前有眾多研究人員利用社會網絡分析方法探究傳播結構及重要節點的識別。基于信息內容的角度，有研究者運用話題識別和情感分析捕捉熱點話題，判斷輿論導向。

Huang［5］等認為可以將復雜網絡中度最大的節點看作“意見領袖”，通過影響這些節點來控制信息在網絡中傳播，這一方法被應用于多種復雜網絡的意見領袖挖掘。Kitsak［6］等人指出，網絡中節點的傳播能力與節點所處的位置有重要關系，處于網絡核心位置的節點有較高的影響力。趙蓉英［7］等采用社會網絡分析方法，進行突發事件網絡輿情關鍵節點識別研究，通過網絡社群圖分析、接近中心性分析和K-叢分析等，挖掘出與情傳播的內在結構以及演化規律。劉小平［8］等通過測度部分媒體微博的網絡結構特征，結合中心度與LeaderRank算法衡量微博節點的影響力。孫羽［9］等基于網絡分析和文本挖掘劃分意見領袖社團，分析“特朗普美國大選游行事件”中各類意見領袖的特點。安璐［10］等從意見領袖的評論內容及用戶間的交互人入手識別網絡意見領袖。劉嘉琪［11］等基于社會網絡分析方法，分析意見領袖、普通節點與在線群體影響力間的關系。

吳曉娟［12］利用LDA模型分析“藍色錢江縱火案”在不同輿情時期的微博話題演化過程。Yuan［13］等利用LDA提取颶風期間的Twitter數據中公眾關注的問題。Wang［14］等利用LDA模型識別新冠肺炎疫情期間用戶最常發布的主題，并結合點贊量、評論量和轉發量等數據對不同話題進行了用戶行為分析，研究了用戶關注度的變化和話題參與度差異。黃仕靖［15］等對數據文本進行情感分析及LDA主題模型建模，對不同階段及不同群體的輿情時空演化及差異進行內容分析。劉雅姝［16］等在突發事件網民評論的話題圖譜上，利用LDA模型提取了話題圖譜實體中的話題和時間屬性，從多維特征融合角度追蹤突發事件輿情的演化過程。肖倩［17］等將卷積神經網絡與LDA模型相結合，利用了輿情熱度與其傳播過程間的潛在關聯，設計了熱點輿情識別方法。鄧春林［18］對突發公共安全事件的微博評論進行聚類，用LDA主題模型對評論文本進行關鍵要素提取，得出歸因維度，進而通過情感分析軟件對各維度進行情感傾向度分析。

已有研究提出構建社交網絡，利用網絡結構特征、節點位置、節點中心性特征、社群分析等多種方法研究意見領袖的識別，利用LDA主題提取模型研究輿情事件演化過程，對文本數據進行情感傾向分析。上述成果對突發事件的輿情研究具有重要的借鑒意義。但已有研究僅聚焦用戶互動或傳播內容進行單一角度的信息傳播特征研究，本文將以上研究綜合起來，以更全面、更完整、更系統的視角分析突發性輿情事件。

因此，在以上學者的研究基礎上，本文采用社會網絡分析方法以突發事件“知網被市場監管局立案調查”為例，先探究轉發網絡特征，識別網絡中的意見領袖，再進一步提取意見領袖的觀點輸出及情感傾向。

3 研究設計

3.1 研究對象

本文選取微博和百度作為主要研究平臺。研究對象是5月13日知網事件爆發期間參與信息傳播的博主，包括官媒用戶、自媒體用戶、普通用戶，共計37794名，以及部分博主發布的文章內容。

3.2 數據獲取

本文使用Python語言爬蟲程序爬取微博數據，獲得熱搜話題轉、贊、評情況。通過UID跟蹤微博主體轉發關系，經過清洗后獲得知網報道轉發網絡。使用八爪魚采集器爬取百家號數據，得到百度移動端和PC端的用戶搜索指數，以及媒體發布的文章內容。

3.3 研究方法

3.3.1 網絡拓撲結構特征分析

當人們通過社會網絡交換信息的同時，也建立起了一個龐大的傳播信息網絡。個體間的相互作用對信息傳播有著至關重要的影響。本文建構了一個經典的無權有向轉發網絡，使用Python中的Networkx包，網絡分析工具Gephi和Pajek，對轉發網絡進行定量的整體分析，對個體間關系和相互影響進行精細測量。

研究流程如圖1所示。

圖1 轉發網絡研究指標

各指標對應的表達式如表1所示。

表1 表達式

其中，ki表示與節點i直接相連的節點數；N表示網絡中節點總數；Ei表示節點i與相鄰點間直接連接的邊數；dij表示目標節點i到節點j的距離；Aij是鄰接矩陣中的元素；c表示矩陣A中特征值最大值的倒數；pij代表行動者i投入到相連點j的關系所占比例；q是除i或j之外的每個第三者，pqj代表第三者q投入到相連點j的關系所占比例。

3.3.2 意見領袖發表內容分析

(1)LDA主題提取

LDA（隱含狄利克雷分布）［19］是一種文檔主題生成模型，也稱為一個三層貝葉斯概率模型，包含詞、主題和文檔三層結構。一篇文章的每個詞都是通過“以一定概率選擇了某個主題，并從這個主題中以一定概率選擇某個詞語”這樣一個過程得到。文檔到主題服從多項式分布，主題到詞服從多項式分布，本文需要提取出意見領袖輸出的核心報道主題。先進行分詞處理、分詞向量化，隨后使用Python中的庫pyLDAvis，指定單詞個數上限和主題個數等參數，將數據填進模型，抽取出主題，最后用pyLDAvis可視化。

(2）情感分析

情感分析是判定文本中對某一話題所表現出的態度或情緒傾向性的過程、技術和方法，本文需要判斷意見領袖輸出的觀點攜帶的情感傾向。采用Python中的庫SnowNLP和Pandas，直接對文件中的文本進行情感值打分。SnowNLP［20］可以進行文本預處理，例如分詞、詞性標注提取關鍵詞等，同時該程序包也可以進行情感分析，使用的基本模型是貝葉斯模型，即對于有兩個類別c1和c2的分類問題來說，其特征為w1,…,wn，特征之間是相互獨立的，屬于類別c1的貝葉斯模型的基本過程為：，其中P(w1,…,wn)=P(w1,…,wn|c1)?P(c1)+P。最終得到的取值為［0，1］，0表示極端負面，1表示極端正面。

研究流程如圖2所示。

圖2 文章內容研究指標

4 知網事件基本統計分析

4.1 事件時間線梳理

知網在論文平臺中擁有極高的市場占有率，近年因連年漲價的高昂服務費被多所高校抵制。如圖3所示，從去年趙德馨教授的論文被下架，國家市場監管總局就表示將核實研究知網是否涉嫌壟斷；到今年中科院停用知網，國家市場監管總局在網上留言回應，表示正在依法開展相關工作。2022年5月13日，市場監管總局對知網涉嫌壟斷行為立案調查。

圖3 知網事件時間軸

4.2 知網搜索熱度情況

圖4搜索指數源于百度移動端和PC端的用戶搜索情況。圖中標出五個較高極值點，對應上圖時間軸中紅色的時間節點。

圖4 知網搜索指數

此次事件前期潛伏期長，從去年開始關于知網的議題就開始頻繁出現在大眾視野中，基本都是負面議題，議程設置的功能得到充分發揮。事件爆發之前，知網的負面形象已經在人群中廣泛傳播。

2021年12月中旬，因趙教授系列事件，知網短暫維持在較高搜索熱度，之后熱度回落。從今年二月底開始，知網一直處于較高搜索熱度，與畢業生準備畢業論文時間重合。4月18日知網搜索熱度飆升，當天中科院宣布年內與知網無合作計劃。4月26日，國家市場監督管理總局在網上留言表示已關注到各方面反映的知網涉嫌壟斷問題，正在依法開展相關工作。此前趙教授的妻子周秀鸞也進行維權，5月9日，知網就賠償金額過高提出上訴，二審被駁回。5月13日搜索熱度再次飆升，當天下午4點，由中國之聲首發報道，市場監管總局宣布對知網涉嫌壟斷行為立案調查，此次輿情爆發。

此次事件爆發期短，因為這是一個收尾事件，前期知網的所作所為現在國家已經開始調查，大眾得到了想看到的結果。

4.3 話題參與情況

圖5為話題#知網涉嫌壟斷被立案調查#詞條中參與討論用戶的轉、贊、評情況。篩選出點贊量大于90的博主列入下圖，按點贊數由大到小排序，其中媒體官號與自媒體號均為13個，各占50%。發揮議程設置的功能，這些媒體和自媒體通過提供信息來吸引受眾關注到知網事件中。受眾不是被動的信息接收者，而是積極的網絡傳播參與者，通過轉、評、贊的方式給媒體予以反饋。其它媒體的信息均從信息源“中國之聲”獲得，它們承擔了意見領袖的作用。而“中國之聲”既是信息源，又是意見領袖，它作為信息源起到傳遞信息的功能，作為意見領袖發揮的作用是在他的追隨者中構成信息和影響的重要來源，并左右追隨者的態度。它的特殊地位給予它比其它媒體高出數十倍的數據量。

圖5 話題#知網涉嫌壟斷被立案調查#轉贊評情況

5 “轉發”網絡的拓撲結構特征分析

轉發是輿情信息擴散的方法和主要途徑，而意見領袖在其中處于關鍵位置，對于信息擴散起到主導作用，最大化地促進信息傳播。故本節構建轉發網絡，先分析網絡全局特征，再綜合多種指標識別網絡中的意見領袖節點。

5.1 網絡全局特征：龐大而松散的網絡

將采集到的新浪微博轉發和被轉發用戶數據導入Gephi，繪制轉發網絡云圖，如圖6所示。運用Py‐thon計算得到轉發網絡的基本指標，如表2所示。根據運算結果可以看出，總計37794名用戶參與到知網話題的信息傳播，他們之間發生轉發的總次數為42482次,整體上節點用戶數量規模較大，相互之間傳播互動數量較少。參與傳播的人數多、范圍廣，原因可能是潛伏期已經歷幾次傳播，了解知網事件的受眾規模大。

圖6 轉發網絡可視化（右無中國之聲）

表2 轉發網絡基本指標

知網信息轉發網絡的平均度值為2.248，表示每個節點用戶之間平均相互發生聯系的用戶數量為2.248。此轉發網絡的直徑僅為2，表示網絡中任意兩點之間的最長距離較小。普通用戶主要與傳播網絡中的意見領袖直接建立轉發聯系，中介節點非常少。網絡密度接近0，為稀疏網絡。

5.2 網絡結構特征：多層級階梯式擴散傳播的無標度網絡

5.2.1 連接狀況嚴重不均的異質網絡

運用Gephi統計分析功能得出知網信息轉發網絡直徑為2，即網絡中任意兩點間距離的最大值僅為2。平均聚類系數為0.042，該值體現用戶之間的聚集程度，即網絡中兩個用戶之間存在聯系的概率為0.042，用戶之間聯系不緊密。平均路徑長度為1.002，即用戶平均通過1.002個節點用戶就可以與其他節點用戶接觸。該網絡聚類系數小，平均長度遠小于6，不符合基于六度分隔理論的小世界網絡。

使用Gephi統計分析功能得出圖7度分布圖，為使圖中度分布顯著，則排除度最大節點中國之聲，得出知網事件轉發網絡中的結點的度符合冪律分布，故該網絡為節點度數嚴重不均勻的無標度網絡。

圖7 網絡節點度分布（除中國之聲）情況

網絡中轉發鏈路的長度短、寬度窄，傳播速度快，傳播效率高。用戶之間的接觸和信息交流嚴重不均勻，大部分普通用戶為底層邊緣節點，傳播路徑到他們即終止，只有少數關鍵節點在信息傳播中起主導作用。關鍵節點的識別將在下節詳細討論。

5.2.2 社群內部層級擴散

運用Gephi的模塊化功能社區探測算法分解網絡。解析度越小，社區越多；解析度越大，社區越小。采用適中的解析度3，得出4個子網絡，如圖8所示。采用Modularity Class進行顏色渲染，直觀地得出四個凝聚子群，其規模差異大，集群現象明顯，如圖9所示。

圖8 模塊化社區探測結果

圖9 modularity class顏色渲染圖

規模最大的子網絡是由信息源“中國之聲”主導的，擁有整體網絡中92.42%的節點，數量超過三萬。它與其他三個子網絡均有緊密聯系，三個子網絡各自無過多聯系。

排名第二的子網絡以官媒“央視新聞”主導，另外四個大度節點“亭山樵者”、“五分之一刷”、“錦衣夜行焱十一”“蘿卜糖桃桃的抖森喵”均轉發了央視新聞的信息；排名第三的子網絡以自媒體博主“午后狂睡”主導，另外兩個大度節點“禾幾Voix”、“JinnoNagi的男朋友雷歐”均轉發了“午后狂睡”的信息；排名第四的子網絡以自媒體博主“夢嘚啵嘚佳”主導，大度節點“橄欖不菜”轉發了“夢嘚啵嘚加”的信息。而三個小規模子網絡的主導節點均轉發了信息源“中國之聲”的信息，傳播過程呈多階梯型擴散體系，從信息源到受眾中間出現多個層次的意見領袖，形成多級傳播，如圖10所示。

圖10 多級傳播示意圖

雖然信息傳播的參與人數多，但是輿論主要由一方主導，不存在輿論對立和輿論失焦的現象。在整個網絡傳播過程中，從一級傳播到多級傳播均有涉及。

5.3 關鍵節點的特征：傳播過程中的核心領導力

5.3.1 節點指標測度分析

(1)K-Shell分解

K殼分解可用于區分網絡中節點的重要程度，識別網絡中的關鍵節點，分解過程是逐漸剝除當下度為1的節點，也就是最不重要的節點，重復循環該操作直至網絡中沒有度為1的節點。K值由小到大，重要程度遞增，4殼節點是網絡中的關鍵節點，中國之聲、央視新聞、午后狂睡等核心領導力節點均位于4‐shell中。各類節點數量如圖11所示。K核子圖如圖12所示，K值相同節點存在小范圍聚集情況，但各個子群聯系不緊密。

圖11 知網信息轉發網絡K?Shell數量

圖12 知網信息轉發網絡K?Shell子圖

(2）度中心性

該轉發網絡排名前10的節點用戶度中心性結果，如圖13所示。通過對節點用戶點度中心性分析可以看出，形成轉發網絡中心度排名前三的節點分別是初始源節點中國之聲、央視新聞、午后狂睡。前兩者是媒體官號，后者是影評博主，粉絲量都達到百萬千萬的級別，發揮著意見領袖的作用。節點用戶的度中心性越大，他們的節點圈越大，從圖6也可以看出這三個節點用戶的圈較大。

圖13 知網信息轉發網絡度中心性和出度情況

出度表示被轉發次數，入度表示轉發次數。出度體量遠大于入度，信息流動呈單向化。用戶普遍僅轉發一次，最多轉發四次，如圖14所示。說明受眾對知網事件的參與度不深入，傾向于單一地轉發有影響力的信息源。

圖14 知網信息轉發網絡入度情況

其中中國之聲作為信息源頭，出度達到37729，相當于被轉發37729次。作為央廣旗下的媒體，同時具備信息源和意見領袖的作用，其消息來源真實度高，獲取信息早，社會地位高，更容易受到受眾的追捧，故度中心性處于壟斷地位。

(3）接近中心性

圖15列出接近中心性0.5以上的用戶，這些用戶到其他用戶的最短距離很小，接近幾何上的中心位置，更容易參與到信息傳播過程中。相對地獨立性也較強，不易受到其他節點的影響。有些節點同時擁有較大的度中心性和接近中心性，如中國之聲、央視新聞、午后狂睡、火法火法等。他們是知網信息傳播過程中的核心領導力，在形成的轉發網絡中發揮著重要的作用。

圖15 知網信息轉發網絡接近中心性

(4）結構洞

結構洞［21］是指兩個關系人之間的非重復關系。如果兩者之間缺少直接的聯系，而必須通過第三者才能形成聯系，那么行動的第三者就在關系網絡中占據了一個結構洞，結構洞是針對于第三者而言的。節點占據的結構洞越多，它的地位就越重要，通常用限制度來測量。

將數據導入Pajek中，算出限制度，如圖16，取數值小于0.24的節點，與對應節點的度中心性比對，基本走勢成反比。限制度指節點間存在阻礙的程度，值越小的節點，越不易受到控制，擁有更多的資源，具有更多的結構洞，他們是傳播網絡中的信息中樞，這些節點的度中心性也處于領先位置。

圖16 知網信息轉發網絡限制度

(5）特征向量中心性

特征向量中心性強調節點鄰居的數量和質量，特征向量中心性高的節點連接了很多其他重要節點。圖17顯示的是用戶數量與特征向量中心性數值的關系。特征向量為1的節點均是通過和少量高分值節點相連來提高自身的重要性，他們是積極參與到傳播網絡中的普通用戶，多次轉發意見領袖的信息。但大部分普通用戶沒有深入參與到傳播過程中，對此事件的關注淺嘗輒止，值為0.0158的用戶高達91.42%。

圖17 知網信息轉發網絡特征向量中心性

5.3.3 意見領袖特征

意見領袖是關鍵節點，是信息中樞，擔任傳播中的核心領導力，在其中起到信息傳遞和意見分發的關鍵作用。綜上可知，他們的特征即是擁有較大的出度、k值、度中心性和接近中心性，以及較小的限制度。

通過對擁有這些特征的節點取交集，我們可以識別出網絡中的意見領袖，包括官媒“中國之聲”和“央視新聞”，影評人“午后狂睡”，動漫博主“火法火法”和“JinnoNagi的男朋友雷歐”，娛樂博主“夢嘚啵嘚佳”和“橄欖不菜”，軍事博主“禾幾Voix”，飯圈大粉“蘿卜糖桃桃的抖森喵”和“五分之一刷”，法律博主“普法達人張三”，科技博主“亭山樵者”。他們分屬不同領域，影響不同圈層，再次體現了此次事件的影響范圍之廣。其中信息源“中國之聲”處于轉發網絡中的壟斷地位，其出度值、度中心性和接近中心性以及首發微博的轉贊評都排在首位，并且數據量比其他意見領袖高數十倍。

6 意見領袖輸出的觀點及態度分析

上一節討論了意見領袖節點在轉發網絡中的特征和作用，即傳播主體之間的互動。本節針對意見領袖發布的文章內容進行討論，也就是傳播內容。

基于主流媒體及自媒體發聲，利用文本分析方法提取其語義信息，觀察意見領袖對輿情事件的加工解讀，繪制詞云如圖18所示。“中國”、“市場”、“壟斷”、“調查”、“學術”、“論文”等詞匯被提及頻率排行前列，媒體大多從客觀事實角度出發陳述事件，整體對該事件持中立態度。

圖18 媒體發文詞云圖

6.1 報道主題：事件闡述和經營狀況

利用LDA主題提取方法得到主題數困惑度情況如圖19所示，選擇較低困惑度對應的主題數，得到“事件闡述”、“經營狀況”兩個主題。

圖19 主題數困惑度情況

兩個主題各自包含的排名前二十的單詞詞頻排序分別如圖20、圖21所示。“事件闡述”主題中，“知網”、“中國”、“論文”三個單詞P值大于0.95，與主題相關程度最高，該主題與事件發展始末的敘述高度相關。“經營狀況”主題中，前20個單詞與主題相關程度差別不大，大多數單詞用來描述知網當前經營情況。“事件闡述”內最低詞頻高于“經營狀況”內最高詞頻，說明媒體把主要關注點放在事件本身，衍生話題關注度較低。

圖20 “事件闡述”單詞詞頻排序

圖21 “經營狀況”單詞詞頻排序

綜上，媒體報道主要從此次立案調查事件的發展始末闡述以及知網經營狀況兩個角度展開。這兩個角度也是在解答受眾關心的問題，即知網為什么會被調查，以及知網在本行業的壟斷地位從何而來。

6.2 報道態度：迎合受眾，持中立偏積極

使用SnowNLP計算百家號正文情感得分，其分布情況如圖22所示。其中，得分大于0.55表示積極，0.45-0.55表示中立，小于0.45表示消極。

圖22 內容情感態度

過半數文章對知網事件進行積極闡述，即對知網被市場監管局調查持支持態度。其他文章均采用中立情緒敘述，沒有消極情緒的文章出現。同時，通過觀察原始得分數據，所有文章得分均在0.48-0.62之間，說明媒體大多持中立偏積極的態度對事件進行報道。

之前對知網的報道大部分為負面報道，與其在業內處于壟斷地位的經營狀況和對學者的不公平待遇有關，已形成“學界苦知網久矣”的輿論傾向。此次知網被調查，媒體持的態度符合先前的議程走向，與先前知網系列報道輿情導向一致。

7 結論

本研究基于5月13日的知網事件從傳播網絡和發布內容兩個層面分析傳播規律和輿論傾向。得出如下結論：

（1）此次事件前期潛伏期長，爆發期短，參與傳播的人數多、范圍廣，轉發網絡符合無標度網絡特征。輿論主要由一方主導，不存在輿論對立和輿論失焦的現象。傳播呈單向流動，過程呈多階梯型擴散體系，從信息源到受眾中間出現多個層次的意見領袖，形成多級傳播。

（2）用戶個體化強，互動性低，互相聯系松散，普通用戶主要與傳播網絡中的意見領袖直接建立轉發關系，中介節點非常少。僅有少量普通用戶多次轉發關鍵節點的信息，大部分普通用戶沒有深入參與到傳播過程中。意見領袖擁有較大的出度、k值、度中心性和接近中心性，以及較小的限制度。識別出的意見領袖分屬不同領域，影響不同圈層。其中信息源“中國之聲”處于轉發網絡中的壟斷地位，其各個特征均排在首位。

（3）事件的議程設置與先前知網系列報道輿情導向一致。報道內容均持中立偏積極的態度，無消極內容，報道主題以事件闡述和經營狀況為主。

本次突發性輿情事件的傳播特征分析可以為輿情預測和控制提供如下參考：（1）對于輿情預測，如果事件存在潛伏期，可以通過提取報道主題和情感傾向，觀察潛伏期的議程設置與此次事件是否一致，來預測用戶反應和輿論走向。若一致，則輿論由一方主導的幾率較大；若不一致，則需要警惕次生輿情引起的討論。（2）對于信息控制，可以用以上指標識別其中的關鍵節點，有針對地持續監測，以減少工作量。通過控制這些節點，提取他們輸出信息內容的主題，判斷與目標輿情傾向是否相符，來決定擴散還是抑制這些節點的傳播，讓他們充當把關者。