跨社交媒體輿情關鍵節點識別方法及其實證研究

關鍵詞： 超網絡； 跨社交媒體； 網絡輿情； 關鍵節點； 信息傳播

ＤＯＩ：１０.３９６９ ／ ｊ.ｉｓｓｎ.１００８－０８２１.２０２４.０９.００２

〔中圖分類號〕Ｇ２０６ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０９－００１６－１５

互聯網的普及與社交媒體平臺的繁榮逐漸改變了人們交流互動、獲取信息的渠道和方式， 網絡輿情已經成為影響公眾觀點、塑造社會議題、驅動政策制定的關鍵因素。由于網絡輿情具有自發性、多元性、跨界性、沖突性等特點［１］ ， 其治理與管控一直是學術界致力研究的重點， 也是社會各界共同關注的問題。然而， 社交媒體在其所處平臺深耕細作，種類趨向多元化。網絡輿情已不再局限于某一單一平臺， 而是以網絡矩陣的形態跨越多個平臺進行發酵與擴散［２］ 。雖然這種跨媒體輿情能夠促進信息傳播的速度與范圍［３］ ， 但其帶來的情感極化、回音室效應、信息異質性等問題的危害亦不容小覷［４－５］ 。因此， 如何跟蹤探索復雜的跨社交媒體輿情傳播模式， 并從其中挖掘與識別輿情關鍵節點， 是當下輿情管理亟待解決的重要課題。

當前， 學術界對網絡輿情的研究給予了高度重視， 如輿情信息傳播模式與機制研究［６－８］ 、輿情監控與預警研究［９－１２］ 、輿情特征與演化研究［１３－１６］ 。研究此問題所采用的方法論也頗為豐富， 使用最為廣泛的知識發現方法包括文本挖掘［１７－１８］ 、知識圖譜［１９］ 、機器學習［２０－２１］ 等； 還包括時間序列分析［２２］ 、多元統計分析［２３］ 、扎根理論［２４］ 、社會網絡分析［２５］等傳統研究方法［２６］ 。相關研究尚存在一些局限性：現有研究大多基于單一平臺的數據展開， 有部分研究選取多個平臺的輿情數據進行對比分析， 但忽略了不同平臺間的信息交互和影響， 跨社交媒體輿情方面的相關文獻也寥寥無幾； 此外， 當前研究大多針對輿情傳播過程中的關鍵用戶主體展開分析， 對輿情傳播過程全貌的認識不足。

基于此， 本研究基于“５Ｗ” 的分析方法， 利用超網絡模型刻畫跨社交媒體輿情傳播模式， 并融合超網絡屬性指標與經改進的超邊排序算法， 識別不同種類的跨社交媒體輿情關鍵節點。本研究試圖擴展現有研究僅聚焦于單一平臺的視角， 為網絡輿情研究領域提供了新的理論框架與研究方法。在實踐層面， 本研究識別出的關鍵節點能夠幫助輿情監管部門在跨社交媒體環境下實施更為精準的輿情監控， 以期為跨社交媒體網絡輿情的風險防范與應對提供科學依據。

１相關概念及理論

１.１超網絡理論

超網絡的明確理論最早由Ｎａｇｕｒｎｅｙ Ａ 等［２７］ 提出， 指高于而又超于現有網絡的復雜系統。近些年來一些學者開始運用超網絡的方法， 通過構建包含多層子網的輿情超網絡模型來分析網絡輿情的傳播特征。馬寧等［２８］ 將微博輿情所處的網絡分為４ 層，包含社交子網、環境子網、心理子網、觀點子網。梁曉賀等［２９］ 通過構建社交子網、觀點子網、情感子網、時序子網來識別微博輿情中的熱點主題。楊湘浩等［３０］ 通過構建社交子網、環境子網、心理子網、觀點子網來分析微博謠言傳播過程。周歡等［３１］ 構建了包含社交子網、時序子網、情感子網、話題子網、觀點子網的五維微博超網絡模型。

基于以上研究發現， 超網絡模型具有多層、多級、多維、多屬性等特性， 因此能夠較好地刻畫跨社交媒體信息傳播的網絡特征。據此， 本研究基于５Ｗ 分析法， 全面考慮多個社交媒體輿情傳播的要素及其相互作用關系， 構建包含多層子網的跨社交媒體輿情超網絡模型， 以更全面地探索跨社交媒體輿情傳播的模式與特征， 從而識別跨社交媒體輿情超網絡中的關鍵節點。

１.２關鍵節點

超網絡結構中的關鍵節點主要指對網絡功能和穩定性起到重要作用的節點。通過識別這些關鍵節點能夠幫助理解網絡的結構與動態，以準確預測與控制網絡。網絡輿情的跨社交媒體傳播是一個更為復雜且具有多維屬性特征的過程， 應該采用超網絡結構來進行表征。因此， 在這種大規模社交網絡中快速識別關鍵節點對于跨社交媒體網絡輿情的控制及引導有重要意義。

隨著研究工作的開展， 關于網絡輿情信息主體的討論也逐漸豐富，包括意見領袖、高影響力用戶、關鍵用戶等概念。其中，社交網絡意見領袖主要指的是在社交平臺中發布觀點，且被多數信息受眾認同的用戶。高影響力用戶主要指具有獨特的魅力與特質的用戶， 并且能夠在社交平臺中增強用戶間交互行為。關鍵用戶的概念主要是來源于社會網絡分析，在網絡中的地位及影響程度較高的用戶稱為關鍵用戶。方法層面， 早期國內外學者主要采用社會網絡分析的方法， 通過網絡屬性指標識別關鍵用戶［３２－３４］ 。近年來， 許多學者在原有算法的基礎之上， 提出了許多新的挖掘方法。如基于改進的Ｐａｇ?ｅＲａｎｋ 算法構建社交網絡中的意見領袖識別模型［３５］ 。Ｊａｉｎ Ｌ 等［２５］ 通過融合博弈論與社會網絡分析的方法進行社交媒體意見領袖的識別。金燕等［３６］ 基于用戶特征屬性、話題相關性以及網絡位置， 構建意見領袖三層次篩選甄別流程。還有學者基于用戶的屬性特征構建意見領袖識別指標［３７］ ， 并且通過各種指標體系進行意見領袖用戶畫像的構建［３８］ 。此外，還有研究對意見領袖的影響方式［３９］ 與作用［４０］ 展開探索， 證實了意見領袖在多樣化的互聯網信息傳播過程中的影響力［４１］ 。

總體而言， 網絡輿情中關于各類主體用戶內涵與特征的研究較為豐富， 且對不同種類用戶進行識別的研究方法也有較多成果。但已有方法多是基于單一平臺的社交環境， 對同一用戶參與不同平臺產生的網絡輿情關注較少； 現有研究大多關注挖掘網絡傳播過程中的意見領袖， 然而在輿情的傳播過程中還有許多較為活躍的、具有鮮明觀點的關鍵用戶； 最重要的是在輿情傳播的過程中， 除了扮演重要角色的關鍵用戶節點， 還應當給予其他類型（如情感、主題、時序）節點等一定的關注， 以更全面地監控輿情過程， 把握輿情發展情況。基于此， 本研究以超網絡理論為基礎， 對跨社交媒體網絡輿情的發展過程進行建模， 同時結合ＬＤＡ、情感分析、神經網絡等方法， 對選取的跨社交媒體輿情事件中的關鍵節點展開挖掘。

２研究設計與方法

２.１研究設計

本研究的目標為挖掘跨社交媒體輿情傳播過程的關鍵節點， 因此， 研究工作選取特定的網絡輿情事件， 在多個平臺按照話題內容進行檢索獲得本研究所需要的多平臺輿情數據庫。在此基礎上， 采用跨社交媒體同一用戶識別算法采集符合本研究目標的數據。整體研究流程如圖１ 所示。

研究過程中， 子網絡構建環節完成對跨社交媒體輿情信息傳播超網絡的模型構建， 然后分別介于超邊排序算法與超網絡屬性指標挖掘關鍵節點； 從信息傳播影響力、時序相似度、情感相似度、主題相似度４ 個指標構建超邊排序算法， 識別依據為節點在超網絡傳播中發揮的多方面影響力； 基于超網絡屬性指標挖掘的節點則依據其在網絡中的重要性來識別； 最后基于得到的不同種類關鍵節點進行對比分析， 為跨社交媒體輿情傳播提供可供參考的建議。

２.２跨社交媒體同一用戶識別

通過給定的某平臺某用戶的屬性信息， 如用戶名＠ 人民日報， 如果他在其他平臺也進行了信息交互， 那么可以找到該用戶在其他平臺的相關信息。

這種針對多個社交媒體的用戶間關聯關系展開的研究， 稱為跨社交媒體同一用戶識別［４２］ 。由于本研究關注的研究對象是參與發布跨社交媒體網絡輿情的信息用戶， 因此研究工作借鑒該同一用戶識別算法， 結合自身研究需求作出適當調整， 提取同時參與跨社交媒體網絡輿情的信息用戶。跨社交媒體同一用戶識別方法模型如圖２所示。

從圖２ 可見， 本研究首先采用屬性相似度算法計算平臺間用戶對之間屬性的相似度值（Ｓｉｍａｔｔｒ ）， 從跨社交媒體輿情數據庫中發現用戶匹配對數據集和潛在的用戶匹配對數據集； 然后對用戶在不同社交媒體發布信息內容的相似度（Ｓｉｍｃｏｎｔ ）進行測算， 以尋求更多用戶匹配對； 最后通過對算法識別出的結果進行人工校對與檢查， 得到本研究需要使用的參與跨社交媒體輿情傳播的同一用戶信息集。

２.３ 超網絡子網構建

網絡輿情事件是指發生在網絡空間中， 以社交媒體平臺為載體， 公眾針對自己關心或與自身利益密切相關的社會現實問題所發表的各種觀點、態度與意見的總和［１］ 。隨著信息科技的飛速發展與媒介的迭代更新與繁榮， 網絡輿情事件并不局限于在單平臺進行孤立傳播， 而是以矩陣化的形式在多個社交媒體平臺發酵。當由多個社交媒體同時傳播相同的輿情事件， 其中還存在相同用戶在多個平臺發生實質性的交互時， 便形成了跨社交媒體網絡輿情事件， 即相同用戶在不同平臺中參與輿情交互的言論、觀點與情感的集合。

跨社交媒體輿情的發生過程， 類同于普通的信息傳播過程， 需要厘清５Ｗ（Ｗｈｅｎ、Ｗｈｅｒｅ、Ｗｈｏ、Ｗｈａｔ、Ｗｈｙ）五要素的關系。一條輿情信息包括一個用戶在特定的時間與平臺內發布的包含其情感與觀點的表達， 而一個輿情事件由多條輿情信息傳播構成。因此， 跨社交媒體輿情形成關聯的實體包括用戶（Ｗｈｏ）、時序環境（Ｗｈｅｎ）、平臺環境（Ｗｈｅｒｅ）、信息及話題內容（Ｗｈａｔ）、情感內驅力（Ｗｈｙ）。本研究基于“５Ｗ” 分析法， 構建跨社交媒體輿情超網絡模型， 包含的６ 層子網， 分別為“社交子網”“信息子網” “時序子網” “平臺子網” “話題子網”“情感子網”。①社交子網Ｕ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ）： 用來描述參與跨社交媒體輿情討論的用戶主體間的關系； ②信息子網Ｃ（Ｉｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在跨社交媒體發布信息的傳播過程， 一條信息內容對應于子網中的節點。信息子網的量化是通過將用戶與其評論的內容進行關聯， 形成新的節點， 然后對其編號； ③時序子網Ｔ（Ｔｅｍｐｏｒａｌ Ｎｅｔ?ｗｏｒｋ）： 用來描述輿情事件在跨社交媒體發展的不同階段和程度。根據輿情信息數量以及生命周期理論， 跨社交媒體輿情演化可劃分為孕育期、爆發期、持續期和反復期４ 個階段。該４ 個階段作為子網內的節點， 以相鄰時區間的轉化關聯關系構造無向邊；④平臺子網Ｍ（Ｐｌａｔｆｏｒｍ Ｎｅｔｗｏｒｋ）： 用來描述輿情事件在跨社交媒體傳播的途徑。本文考慮用戶會選擇在不同的社交媒體環境參與跨平臺網絡輿情的討論，以選取的各類社交媒體平臺作為子網內節點， 以平臺內用戶主體在不同媒體的共現次數構造無向邊；⑤話題子網Ｏ（Ｔｏｐｉｃ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在跨社交媒體發布言論時的觀點與思想， 以話題是否在同一條信息內容中出現構建無向邊； ⑥情感子網Ｅ（Ｓｅｎｔｉｍｅｎｔ Ｎｅｔｗｏｒｋ）： 用來描述輿情主體在參與跨社交媒體討論時所具有的情感類型， 以從信息內容中提取的情感極性與情感強度作為節點， 以不同的情感類型之間的轉化關聯關系作為無向邊。

２.４超網絡模型超邊屬性計算

ＰａｇｅＲａｎｋ 算法一直被廣泛應用于識別輿情信息傳播過程中的關鍵節點［３５］ ， 因此， 現有學者通過將ＰａｇｅＲａｎｋ 算法的核心思想引入輿情超網絡中超邊排序計算， 如馬寧等［２８］ 提出的ＳｕｐｅｒＥｄｇｅＲａｎｋ算法、張連峰等［４１］ 提出的ＨｙｐｅｒＥｄｇｅＲａｎｋ 算法分別基于微博輿情超網絡中的超邊進行排序； 周歡等［３１］ 將微博的轉發、評論、點贊量作為影響因子對ＳｕｐｅｒＥｄｇｅＲａｎｋ 算法進行了改進。鑒于此， 本研究分別從信息傳播影響度、時序相似度、情感相似度、主題相似度４ 個維度出發， 對構建的跨社交媒體網絡輿情超網絡中的各個子網進行量化， 提出ＣＮ－ＳｕｐｅｒＥｄｇｅＲａｎｋ 算法， 同時結合超網絡中的各項屬性指標對超網絡中的超邊進行計算， 以更好地挖掘關鍵節點。跨社交媒體輿情傳播超網絡模型構建與節點識別過程如圖３所示。

６） 超網絡屬性指標

為了更全面地識別跨社交媒體輿情關鍵節點，參考相應文獻［１５，２８］ ， 本文還引入節點超度、超邊重疊度、超邊連接度、接近中心度等評價指標。節點超度： 指該節點參與組成的超邊數， 用來識別超網絡中活躍節點； 超邊連接度： 若兩條超邊包含相同的節點， 則代表這兩條超邊通過該共同節點相連，用來識別焦點節點； 超邊重疊度： 指一個超邊與其他超邊共享節點的次數， 該值能夠描述一條超邊與其他超邊的重疊情況， 用來識別傳播人物； 接近中心度： 指一個點到其他點的近鄰情況， 用來識別潛在活躍人物。

３研究過程

３.１數據采集與預處理

根據社交媒體平臺的內容生產類別與提供服務的功能， 可以將其劃分為即時通訊平臺、公共社交平臺、短視頻社交平臺與虛擬社區平臺等［２］ 。由于本研究聚焦于識別網絡輿情在跨社交媒體發酵演進的關鍵節點， 需要針對同一用戶在不同類型的社交媒體平臺參與輿情過程的數據展開研究。因此，本研究以“日本核污染水排海事件” （以下簡稱“事件”）為例， 利用自主開發的Ｐｙｔｈｏｎ 爬蟲工具，分別在微博、今日頭條、抖音、嗶哩嗶哩與知乎５個平臺進行檢索， 共獲得相關數據５ 萬余條， 用戶１ 萬余名。采用跨社交媒體同一用戶識別算法， 共識別出參與跨社交媒體網絡輿情傳播的１６１ 名用戶， 獲得有效輿情數據５ ４５２條。鑒于微信平臺性質特殊， 難以采用爬蟲的方式獲取數據。本研究采用人工檢索與收集的方式識別上述１６０名用戶在微信平臺內發布的有關事件信息數據。最終， 共獲取６ ３３２條有效輿情數據， 時間跨度為２０２３ 年８ 月２１日—９ 月１２ 日。其中分別包含用戶、輿情內容、發布時間、點贊量、評論量等關鍵信息。輿情數量統計如圖４ 所示。

圖４ 中的數字代表每個自然日內事件跨社交媒體傳播的輿情信息數量。根據“事件” 的時間序列特點［１］ ， 將該事件輿情發展劃分為孕育期、爆發期、持續期和反復期４ 個階段。

３.２情感子網量化結果

將信息子網中的內容節點， 即各平臺的輿情數據， 經過去除無效符號、停用詞等預處理后獲得待分析語料庫。Ｐａｄｄｌｅ Ｐａｄｄｌｅ 會基于正面情感和負面情感打出兩個情感分值， 根據情感極性選取兩個分值中大于０ ５ 的分數進行賦值， 并依據情感強度值劃分１１ 個情感節點， 如表１ 所示。

研究工作通過Ｐａｄｄｌｅ Ｐａｄｄｌｅ 分別計算上述語料文本的情感極性與強度， 部分打分結果如表２ 所示。

３.３ 話題子網量化結果

首先， 采用ＬＤＡ 分別計算待分析語料庫２～２０個主題數時的一致性得分以及主題詞間距， 以判定本模型的最優主題數， 結果如圖５所示。

根據一致性得分以及主題詞分布， 本研究確定該事件的主題個數為８。通過對數據進行處理， 得到了話題子網的關鍵詞提取結果， 如表３ 所示。

根據文檔—主題分布概率， 將信息子網與話題子網進行關聯匹配， 得到對應的內容節點與主題節點信息如表４ 所示。

３.４ 跨社交媒體輿情超網絡量化結果

事件由２０２３ 年８ 月２１ 日“日本宣布核污染水排海” 開始， 發展演化至８ 月２４ 日與２５ 日達到高峰， 至９ 月１２ 日“日本核污染水第一次排海結束”逐漸平息， 通過圖４ 可以發現， 事件發生后在國內各個社交平臺中引起廣泛關注。本研究截取事件整個發展過程中參與跨社交媒體輿情討論的用戶為研究對象， 分別構建輿情參與者及其對應的平臺、內容、時序、情感、主題共同組成的該事件輿情跨社交媒體超網絡模型， 結果如表５ 所示。其中， 每一行代表一條超邊中的某個輿情用戶主體一個媒體環境發布的一條信息內容， 該信息內容屬于輿情周期，并且包含著情感和主題。

超網絡模型的社交子網包括１６１ 個節點， 平臺子網包括６ 個節點， 信息子網包括６ ３３２個節點，時序子網包括４ 個節點， 情感子網包括１１ 個節點，話題子網包括８ 個節點， 共形成６ ３３２條超邊。

４研究結果

４.１超邊排序計算結果

根據３.４ 節超邊排序算法的步驟， 研究工作首先分別對信息傳播影響度、時序相似度、情感相似度及主題相似度展開計算。具體計算結果如表６～表９ 所示。

基于上述結果， 研究工作以建立的網絡輿情事件跨社交媒體傳播的超網絡模型， 借助Ｐｙｔｈｏｎ 編程軟件， 對提出的超邊排序算法對模型中的６ ３３２條超邊進行計算。根據超邊排序算法得到排序分值，結果如表１０ 所示。

根據超邊排序結果， 可以得到排名前十的超邊及其包含的用戶節點。其中， ｕ１６０、ｕ１５７、ｕ１５１ 等節點出現了兩次， 說明其在不同平臺發布的信息內容在該事件輿情主題討論的多個時間周期內引起了情感共鳴。

４.２超網絡屬性指標計算結果

根據３. ４ 節中超網絡屬性指標的定義展開跨社交媒體輿情關鍵節點識別的計算， 結果如表１１ 所示。

４.３關鍵節點挖掘結果

根據超網絡屬性指標以及節點得分公式， 分別在建立的跨社交媒體輿情傳播超網絡模型中計算各子網內節點得分， 得到各子網關鍵節點挖掘結果，如圖６ 所示。

圖６展示了跨社交媒體輿情傳播超網絡模型中各子網的關鍵節點及其測算指數。基于５Ｗ 分析法， 研究工作共挖掘出１５類關鍵節點。在社交子網中， 根據節點得分計算公式， 所識別出的關鍵節點與先前基于超網絡屬性指標所識別的節點存在明顯差異。依據節點得分指數， 本研究識別出的意見領袖為用戶“＠ 玉淵譚天”。這說明其發布的輿情內容傳播范圍較廣， 并涉及多個平臺和多個輿情周期內的話題交流。同時， 該用戶與眾多用戶持有相似觀點， 并且能夠引起多數用戶的情感共鳴。在話題子網中， 挖掘出兩類關鍵節點， 分別為驅動主題與焦點主題。其中， 驅動主題的節點得分為０.１６，說明在多重指標維度的考量下， 主題節點ｏ_２ 構成公眾討論的話題樞紐， 具備引導輿論走向以及深化討論的能力。主題節點ｏ_５ 的節點得分為０.１３， 略低于驅動主題， 但其節點超度和情感指數等指標均超過了驅動主題。因此， 本研究將主題節點ｏ_５ 定位為焦點主題。該節點在整個輿情事件中頻繁出現，并且具有強烈的負面情感投射， 成為整個事件的討論熱點與情感聚焦中心。研究工作共識別出３種不同的情感節點， 情感節點ｅ７ 得分最高， 該節點在整個輿情事件中與大眾情感共鳴之間緊密契合， 加強了信息傳播的廣度與接受度， 增強了社群的凝聚力與參與動力， 因此將節點ｅ_７ 定義為事件的核心情感。雖然情感節點ｅ１１ 的得分為０.１５，但是該節點的節點超度高達３３５１。說明ｅ_１１ 奠定了整個輿情事件的情感基調， 該節點是公眾討論最多的傾向，扮演著主導情感的角色。ｅ_１０ 的節點得分為０.１３，所以是事件的次核心情感。在對平臺子網中的節點進行計算后， 研究工作識別出３ 種不同層次的關鍵節點。得分最高的為ｍ_２ 抖音平臺， 該節點在輿情傳播的過程中起到了中心樞紐的作用， 核心平臺的定義不僅體現在超網絡中的地位優勢， 該平臺在多重維度上展現出獨特的融合特性。被定義為主流平臺的ｍ_６ 微博平臺， 憑借廣泛的用戶基礎和信息傳播能力， 匯集了大量的信息流。作為次核心平臺的ｍ_３ 微信平臺在整個過程中也起到了重要作用， 盡管其影響力略低于前兩者， 但在特定群體或場景中仍具有一定的信息擴散效應。本研究還識別出兩個時間節點， 分別為高峰時期與次高峰時期。

通過上述分析可以發現， 將利用改進的超邊排序算法構建的節點得分公式與超網絡屬性指標結合分析， 能夠從多維度、多視角對關鍵節點進行解讀，有助于增強整個輿情事件在跨社交媒體傳播過程的完整性與深度的理解。就該事件而言， 各類關鍵用戶節點均呈現出不同的作用與影響。利用節點得分識別出的意見領袖為＠ 玉淵譚天， 在整個事件中具有高度的影響力， 其發布的信息與洞見促進用戶間的深度交流與觀點碰撞， 為平穩輿論與紓解負面情緒起到了至關重要的作用。采用超網絡屬性指標挖掘出的各類節點， 如＠ 觀察者網、＠ 海峽新干線等在輿情事件中較為活躍的用戶可以起到積極的作用，也可能帶來風險， 應當通過采取建立溝通橋梁、建立反饋機制等方式更好地管理和引導這些用戶， 使其成為平臺的有益成員； 如＠ 每日經濟新聞、＠ 中國網等焦點用戶， 由于其對公眾產生較大的影響，因此與他們建立良好的溝通至關重要， 在輿情爆發過后， 通過監管焦點用戶發布的內容可以實時監測到用戶關注的重點； 如＠ 觀察者網、＠ 中國網直播等傳播用戶， 在規范設定相應的用戶行為準則后，應當給予更多的信息資源供其進行決策和發表意見。通過根據不同種類關鍵用戶發揮的作用， 從而設定不同的管理和監控輿情的策略與方法。輿情事件在跨社交媒體傳播的過程中， 對于關鍵媒體節點的監控是至關重要的。核心平臺在跨社交媒體輿情傳播中扮演著情感感知器、資源整合與輿論引導者等多重角色。主流平臺的作用主要體現在輿情信息廣泛覆蓋與擴散方面。核心情感與主導情感等節點的提取有助于決策者準確捕捉公眾情感變化， 進而對輿情的走勢產生積極影響。焦點主題與驅動主題的提取能夠為決策者提供有價值的信息， 幫助理解公眾的需求， 提高與信息受眾間的互動效果。此外， 在輿情演化的過程中， 關鍵時間節點標志著輿情發展的重要階段， 通過監控輿情發展過程中的高峰時刻與次高峰時刻， 能夠幫助識別輿情發酵與驟增的時間點， 為了解輿情的發展與變遷、實時監控輿情提供建議。

５研究結論

本文將超網絡理論應用于跨社交媒體輿情傳播的過程中， 提出改進后的超邊排序算法， 并根據超網絡屬性指標與節點得分計算公式識別關鍵節點。首先基于“５Ｗ” 分析方法構建跨社交媒體輿情傳播的超網絡模型， 主要包括社交子網、平臺子網、信息子網、時序子網、情感子網和話題子網； 然后通過量化信息傳播影響度、時序相似度、情感相似度、主題相似度， 對超網絡模型的超邊間關聯關系進行計算， 基于上述指標， 構建改進后的ＣＮ－Ｓｕ?ｐｅｒＥｄｇｅＲａｎｋ 超邊排序算法； 最后通過獲取與“日本核污染水排海事件” 相關的數據， 利用跨社交媒體同一用戶識別算法得到研究數據并展開實證研究。研究發現， 本研究提出的跨社交媒體輿情關鍵節點識別方法， 能夠有效識別網絡輿情在跨社交媒體傳播過程中的各類關鍵節點。

在理論方面， 本研究基于５Ｗ 分析法， 將超網絡模型應用于刻畫跨社交媒體輿情傳播的過程， 能夠從時間、空間、情感和主題等多維角度全面地捕獲輿情信息傳播的復雜性， 揭示各層子網中節點間的關聯關系， 為理解跨社交媒體中輿情信息流動與用戶行為提供更為深入的認知， 彌補了傳統社會網絡分析與其他方法僅關注單一關系或屬性的不足。

本研究打破了對于網絡輿情在單一平臺傳播研究的邊界， 聚焦于平臺間存在實質性交互關系的跨社交媒體網絡輿情。本文的研究結果能夠為跨社交媒體網絡輿情分析提供理論支撐， 為情報學領域進一步探索輿情跨平臺傳播方面的研究提供新的思路和方法論的創新。

在實踐層面， 研究工作基于構建的超網絡模型， 分別從核心的５層子網中提取了不同類型的關鍵節點， 可以幫助決策者更精確地定位輿情信息的重要發布者， 以及其在不同平臺內和周期內的演化過程， 從而制定更為精準的輿情管理與應對策略。知曉不同節點在輿情中起到的作用， 能夠使利益相關者針對關鍵節點進行重點監控與干預， 以達到更合理地分配輿情監控資源的目的。跨社交媒體輿情話題的走向與情感互動反饋是檢測輿情情感脈沖的關鍵， 主題節點與情感節點的識別能夠幫助管理者更全面深入地理解民眾的需求， 更好地應對和管理輿情， 實現科學有效的輿情信息傳播與公眾互動。

研究中也存在一定的不足之處。研究工作僅采用了平臺內用戶在該話題下直接發布的輿情文本數據進行分析， 未來可以針對更豐富的輿情類型（圖片輿情、短視頻輿情等） 以及更復雜的交互關系（二級用戶跨平臺的評論文本）展開更深入地分析與探索。