跨平臺協(xié)同視角下社交媒體病毒式傳播預(yù)測分析

近年來，短視頻和社交媒體平臺不斷快速發(fā)展。以微博、抖音為代表的平臺，不僅成為內(nèi)容消費的主要渠道，還推動了信息的高速傳播[1]。微博以文本為主要形式，涵蓋了多種多樣的內(nèi)容。抖音平臺依靠短視頻為核心的輕量化內(nèi)容，以短時高效的方式彌補了人們視覺化碎片化娛樂的需求，吸引了大量的用戶，為跨平臺協(xié)助奠定了良好的用戶基礎(chǔ)，而同時爆發(fā)性增長也使得社交媒體成為短視頻內(nèi)容傳播的重要媒介，也帶來了傳播學(xué)的研究需求[2。參考國外同類型軟件Twitter和YouTube，Twitter作為重要的社交媒體平臺，為跨平臺短視頻傳播提供了支持，YouTube憑借算法推薦和高質(zhì)量用戶生成內(nèi)容吸引了大量用戶[3]，進而導(dǎo)致病毒式傳播現(xiàn)象的誕生。而這種病毒式傳播在國內(nèi)軟件微博、抖音也具有顯著影響。病毒式傳播在微博、抖音的跨平臺協(xié)作具備傳播速度快和涉及范圍廣的特點，作為一種具有強大影響力的傳播現(xiàn)象，其背后蘊含的內(nèi)容特性、傳播機制和預(yù)測方法，不僅在社會媒體領(lǐng)域引發(fā)廣泛討論，也成為學(xué)術(shù)界研究的熱點課題。

現(xiàn)有病毒式傳播的研究重點，在于研究傳播影響因素，例如內(nèi)容情感、用戶影響以及算法推薦的作用[4。然而，大多數(shù)研究只關(guān)注一個平臺，對跨平臺傳播的動態(tài)研究存在較大的局限性，使用機器學(xué)習(xí)來準(zhǔn)確預(yù)測傳播仍然是一個棘手的課題[5]?；谏鲜鰡栴}，本文提出了一種基于LightGBM（LightGradientBoostingMachine）模型的病毒式傳播預(yù)測框架，重點對抖音、微博以及跨平臺病毒式傳播預(yù)測進行研究。

一、設(shè)計數(shù)據(jù)集

為深人研究社交媒體跨平臺的病毒式傳播預(yù)測，病毒式傳播具有及時性和快速性特征，我們以2024年為時間點進行數(shù)據(jù)選取，選擇一組短視頻作為研究對象，方法是對微博流數(shù)據(jù)進行采樣，搜索包含指向抖音視頻鏈接的微博帖子。通過使用微博公開數(shù)據(jù)接口（API），設(shè)置關(guān)鍵詞實現(xiàn)在流量中過濾指向抖音視頻鏈接（如域名douyincom和短鏈接t.cn/douyin）。

我們使用此采集方式收集了大量包含抖音視頻鏈接的微博帖子。從這些帖子中，隨機選擇1萬個抖音視頻作為數(shù)據(jù)集的種子集（如圖1所示），在為期兩周的時間內(nèi)，持續(xù)收集種子集中每個視頻數(shù)據(jù)，具體包括：每日從抖音平臺獲取視頻元數(shù)據(jù)（如觀看量、點贊和評論數(shù)等），同時跟蹤這些視頻在微博平臺上相關(guān)互動數(shù)據(jù)（如轉(zhuǎn)發(fā)數(shù)、評論和點贊數(shù)）和提及情況（包括發(fā)布時間和傳播路徑）。通過這種采集方式，即能獲得跨平臺的數(shù)據(jù)，同時量化視頻在抖音上的熱度和在微博上的傳播行為。

二、病毒性傳播預(yù)測方法

（一）機器學(xué)習(xí)模型

本研究中，分析目標(biāo)是設(shè)計一個分類任務(wù)，用于根據(jù)輸人特征將每個視頻分類為“病毒性傳播”和“非病毒性傳播”兩類。為此，借助LightGBM模型訓(xùn)練了一個二元分類器來進行分類預(yù)測。

（二）特征提取

為有效利用分類器實現(xiàn)分類任務(wù)，需要從數(shù)據(jù)集中提取高效的特征[。表1展示了從抖音平臺提取的部分短視頻特征示例。抖音作為熱門的、日活躍度較高的短視頻平臺，擁有大量受眾，因此在抖音平臺的特征提取中，聚焦于視頻的基礎(chǔ)元數(shù)據(jù)和上傳者屬性，基礎(chǔ)元數(shù)據(jù)包括每日新增的觀看次數(shù)、評論次數(shù)、點贊次數(shù)和收藏次數(shù)，以及視頻的上傳時間戳和所屬類別。上傳者屬性則包括已發(fā)布的視頻總數(shù)和粉絲數(shù)量。抖音API提供的是視頻從上傳到查詢時間點的累積統(tǒng)計數(shù)據(jù)，因此可以根據(jù)累計數(shù)據(jù)導(dǎo)出任意給定日期或時間段的特征值。

表2展示了從微博帖子中提取的部分特征示例。微博作為互聯(lián)網(wǎng)早期社區(qū)式網(wǎng)絡(luò)中心，以文字和互動著稱，因此微博平臺的特征提取主要圍繞帖子本體數(shù)據(jù)和用戶特性展開，帖子本體數(shù)據(jù)涵蓋每日發(fā)布的博客數(shù)量、轉(zhuǎn)發(fā)量、瀏覽次數(shù)、評論次數(shù)和點贊次數(shù)以及博客類別。用戶特性包括發(fā)布者的粉絲數(shù)量，此外，還考慮了跨平臺特征，例如從微博分享至抖音的視頻傳播路徑和傳播延遲。

除了上述基本特征之外，為進一步捕捉傳播的動態(tài)變化，本文還定義了3種衍生特征，以下是特征構(gòu)造的主要方法：

1.比率特征

用于將特征值與其累計大小關(guān)聯(lián)。例如，views_ratio_n表示第n天的觀看次數(shù)與總觀看次數(shù)之比。

2.加速度特征

表示特征值的變化速率。例如，views_acc_n表示第n天的觀看次數(shù)與第 n-1 天的觀看次數(shù)之比。

3.差值特征

表示特征在某時間段的累積變化值。例如，views_diff為某段時間內(nèi)瀏覽次數(shù)的變化量。這些特征被用于訓(xùn)練分類器，以預(yù)測視頻的病毒傳播性和流行度的二元標(biāo)簽。

（三）模型訓(xùn)練

為了有效捕捉傳播的動態(tài)變化并提高模型的預(yù)測能力，本文將窗口機制引入到LightGBM模型的訓(xùn)練和預(yù)測過程中。訓(xùn)練窗口用于提供模型所需的歷史數(shù)據(jù)，幫助捕捉傳播的趨勢和模式，通過設(shè)置不同長度的訓(xùn)練窗口，可以在數(shù)據(jù)豐富性與計算復(fù)雜度之間找到平衡[8]

當(dāng)訓(xùn)練窗口長度超過24h時，可提取生成更多衍生特征，例如比率、加速度等，這些衍生特征是基于長時間的深度挖掘，具有較為可靠的真實性，往往可以更全面地反映傳播規(guī)律[9。訓(xùn)練窗口結(jié)束后的時間段被定義為標(biāo)注窗口，用于確定視頻的真實傳播結(jié)果。

為了評估預(yù)測模型的準(zhǔn)確性，我們采用10倍交叉驗證方法。具體步驟如下：

1.將數(shù)據(jù)集隨機劃分為10個子集，每次選擇其中的 90% 用于訓(xùn)練， 10% 用于測試。

2.在訓(xùn)練集上構(gòu)建分類模型，并預(yù)測測試集在標(biāo)注窗口內(nèi)的視頻病毒傳播性和非病毒性傳播標(biāo)簽。

3.對于測試集，比較預(yù)測標(biāo)簽與真實標(biāo)簽計算以下指標(biāo)：

（1）精度（Precision）：正確預(yù)測的正樣本占所有預(yù)測正樣本的比例。

（2）召回率（RecaII）：正確預(yù)測的正樣本占所有真實正樣本的比例。

（3）AUC（ROC曲線下面積）：評估分類器的綜合性能。

在研究中，重復(fù)上述過程10次，并對所有實驗的結(jié)果進行平均，以消除隨機劃分帶來的偏差

三、預(yù)測結(jié)果

我們基于微博、抖音平臺及其跨系統(tǒng)的病毒性傳播樣本，利用LightGBM模型進行模型訓(xùn)練，并深人分析與預(yù)測實驗，以探索不同媒體平臺上的傳播規(guī)律。

（一）微博平臺病毒性傳播預(yù)測

在微博特征預(yù)測抖音視頻流行度研究里，我們發(fā)現(xiàn)當(dāng)下的微博推文率，比如次日原創(chuàng)推文數(shù)量，極具預(yù)測力。在信息傳播生態(tài)中，近期活躍用戶作為“傳播節(jié)點”，他們高頻互動行為，能直接助推視頻流行。傳播范圍的衡量指標(biāo)，如推文覆蓋的用戶數(shù)量，則突顯出微博用戶社交圈影響力對于視頻傳播的重要性，對于發(fā)布時間較長的視頻，用戶發(fā)布原創(chuàng)推文的傾向則展現(xiàn)活躍用戶在視頻長期流轉(zhuǎn)中的核心地位，不斷提升討論熱度與關(guān)注度。

在實驗中，基于微博數(shù)據(jù)集特征抽取，輸入LightGBM模型進行分類預(yù)測，其Precision-Recall曲線如圖2所示，實驗結(jié)果表明，使用全部特征時模型在較長時間跨度（ gt;7 天）下表現(xiàn)最佳，AUC達到0.89，顯示出對微博病毒傳播現(xiàn)象具備較高預(yù)測能力；而在較短時間跨度（ ?7 天）下，全部特征的AUC降至0.77，說明短時間內(nèi)預(yù)測性能受限。相比之下，基本特征（不包含比率等衍生特征）在較長時間跨度下的AUC為0.87，與全部特征接近，但在短時間內(nèi)的AUC降至0.69，預(yù)測能力顯著下降。此外，全部特征在不同時間跨度下的曲線更為平滑，表現(xiàn)出更強的穩(wěn)定性，而基本特征的曲線波動較大，下降更快?？傮w來看，豐富的特征組合對于短時間內(nèi)病毒傳播的預(yù)測尤為重要，而較長時間跨度下，即使僅使用基本特征，模型依然具備較高的穩(wěn)定性和預(yù)測性能。

（二）抖音平臺病毒性傳播預(yù)測

對于抖音單獨數(shù)據(jù)集輸入模型進行分類預(yù)測，實驗結(jié)果如圖3所示，使用全部特征時，模型在較長時間范圍（ gt;7 天）內(nèi)表現(xiàn)最佳，曲線下降趨勢平穩(wěn)，AUC為0.69，顯示出較高的預(yù)測能力；而在短時間范圍（ ?7 天）內(nèi)，AUC降至0.47，反映出短時間傳播預(yù)測的復(fù)雜性。相比之下，使用基本特征的模型性能較低，在較長時間范圍內(nèi)（ gt; 7天），曲線波動明顯但整體下降較平緩，AUC為0.49；而在短時間范圍內(nèi)（ ?7 天）AUC僅為0.31，預(yù)測性能較差。整體來看，豐富的特征組合對病毒傳播預(yù)測具有顯著優(yōu)勢，而短時間范圍內(nèi)的傳播預(yù)測對特征和模型提出了更高要求。

在抖音平臺視頻傳播過程中，觀察到點贊和評論的增長率是預(yù)測視頻病毒傳播的關(guān)鍵指標(biāo)，揭示了用戶即時互動在傳播過程中的核心作用。用戶點贊和評論不僅反映了對視頻內(nèi)容的共鳴，還能迅速吸引其他用戶注意，推動傳播路徑擴展。此外，我們以傳播學(xué)的“擴散模型”和“累積優(yōu)勢”為思路，證明了觀看次數(shù)與視頻生命周期的比率是衡量傳播效率的重要指標(biāo)，能準(zhǔn)確捕捉視頻在其生命周期中的傳播潛力，強調(diào)信息在時間維度上的傳播速度和廣度。對于久遠(yuǎn)的視頻，點贊數(shù)和觀看次數(shù)依然是病毒傳播的主要預(yù)測特征，表明累積的用戶行為對視頻持續(xù)性起到了決定性作用。上傳者的上傳歷史也對視頻的病毒傳播產(chǎn)生了顯著影響，尤其是高頻上傳者，通常擁有龐大粉絲群體，形成了在一定領(lǐng)域內(nèi)的意見發(fā)布者，能在視頻發(fā)布后迅速產(chǎn)生初始傳播效應(yīng)，揭示了抖音平臺內(nèi)容傳播的核心動力機制。

（三）跨系統(tǒng)病毒性傳播預(yù)測

在跨系統(tǒng)病毒傳播預(yù)測中，不同特征組合和時間跨度對模型性能同樣產(chǎn)生了顯著影響。如圖4所示使用全部特征（ gt;7 天）時，模型表現(xiàn)最佳，其曲線呈現(xiàn)平穩(wěn)下降趨勢，AUC達到0.72；而在較短時間范圍（ ?7 天）內(nèi)，雖然使用全部特征的AUC降至0.51，但其曲線在召回率較低時仍保持一定的預(yù)測能力，表明時間跨度的縮短對模型性能有一定影響。

相比之下，使用基本特征的模型性能略遜一籌。在較長時間范圍（ gt;7 天）內(nèi)，基本特征的AUC為0.56，Precision-Recall曲線下降較快但仍具有一定的預(yù)測能力，這表明核心特征在長期傳播中的作用不可忽視。然而，在較短時間范圍（ ?7 天）內(nèi)，基本特征的模型性能明顯下降，AUC僅為0.45，曲線快速下滑，這反映出在短時間范圍內(nèi)，缺乏多樣化特征的模型難以準(zhǔn)確捕捉跨平臺傳播的復(fù)雜規(guī)律。

本次實驗融合了傳播學(xué)的“時間滯后效應(yīng)”“傳播復(fù)雜性”“跨平臺傳播協(xié)同”與“用戶互動驅(qū)動”思維，針對社交媒體的病毒式傳播展開研究，收獲了一系列有價值的成果。

實驗結(jié)果明確揭示出三個關(guān)鍵要點。

其一，時間跨度在模型性能方面發(fā)揮著至關(guān)重要的作用。研究發(fā)現(xiàn)，較長的時間范圍更有助于提升模型的穩(wěn)定性。以微博、抖音平臺數(shù)據(jù)為依據(jù)，在長時間跨度下，模型對視頻病毒式傳播的預(yù)測更為精準(zhǔn)，因為其能捕捉到傳播過程中更多的關(guān)鍵信息與趨勢，從而做出更可靠的判斷。

其二，特征組合的豐富程度對模型效果影響顯著，豐富特征組合在各方面都明顯優(yōu)于基本特征。豐富特征涵蓋了多種維度的信息，不僅包含基礎(chǔ)數(shù)據(jù)，還融人了如比率、加速度、差值等衍生特征。這些特征能從多個角度全方位地捕捉傳播動態(tài)，更精準(zhǔn)地描繪傳播過程中的變化細(xì)節(jié)，相比基本特征，能為模型提供更全面、深入的信息支持。

其三，在跨平臺傳播預(yù)測中，呈現(xiàn)出多樣化行為特征。聚焦多樣化行為特征，能夠有效提升模型的預(yù)測能力與適用性。

此外，研究還剖析了微博、抖音之間的跨平臺傳播規(guī)律。微博的傳播效率，在抖音視頻傳播的初期發(fā)揮著關(guān)鍵作用，它能迅速提升視頻熱度，為后續(xù)在其他平臺的傳播搭建良好基礎(chǔ)。而抖音的優(yōu)勢則體現(xiàn)在用戶互動上，用戶之間頻繁的互動行為，與病毒傳播性預(yù)測緊密相關(guān)。這種互動極大地影響了視頻的傳播范圍和速度，有力推動了病毒式傳播的發(fā)生。微博、抖音在傳播機制上的互補性，為內(nèi)容的跨平臺擴散提供了強大動力，也為機器學(xué)習(xí)模型提供了豐富且全面的數(shù)據(jù)，進而優(yōu)化模型性能，使預(yù)測更加準(zhǔn)確、高效。

結(jié)語

在當(dāng)前媒體傳播生態(tài)格局中，微博、抖音憑借龐天的用戶基數(shù)和強天的傳播效能，成為塑造信息傳播版圖的關(guān)鍵力量。二者數(shù)據(jù)跨平臺的病毒性傳播現(xiàn)象，因其蘊含的復(fù)雜傳播機制和巨大影響力，成為傳播學(xué)領(lǐng)域備受矚目的研究焦點。其中微博具有“大眾傳播”的典型特征，其廣泛的覆蓋范圍賦予了信息快速擴散的能力。微博類似于傳統(tǒng)大眾傳播媒介中的廣播，能將信息盡可能多地觸達潛在受眾，打破時間和空間的限制，實現(xiàn)信息的廣泛傳播。這種傳播模式基于微博開放的社交網(wǎng)絡(luò)結(jié)構(gòu)，用戶之間的弱連接關(guān)系使得信息可以在短時間內(nèi)跨越不同的社交圈層，像漣漪一樣迅速向外擴散，傳播范圍呈指數(shù)級增長。

而抖音則以高互動性展現(xiàn)出“人際傳播”與“群體傳播”融合的特色。用戶在平臺上的點贊、評論、分享等互動行為，形成了強大的傳播動力。這種互動行為類似于人際傳播中的口碑傳播，基于用戶之間的信任和興趣共鳴，信息得以在小群體內(nèi)深人傳播。同時，抖音的算法推薦機制又將具有相似興趣愛好的用戶聚集在一起，形成一個個虛擬的群體，信息在這些群體中傳播時，會引發(fā)群體成員的互動和反饋，進一步推動信息的擴散，從而引發(fā)更多的互動和傳播。

本研究創(chuàng)新運用LightGBM模型，構(gòu)建了一套針對社交媒體病毒式傳播的有效預(yù)測方法。這一方法從傳播學(xué)的“傳播要素”理論出發(fā)，通過提取視頻的基本元數(shù)據(jù)、上傳者特征、微博帖子特征以及跨平臺特征等多維度信息，對傳播過程中的關(guān)鍵要素進行量化分析。通過訓(xùn)練二元分類器，將視頻分類為“病毒性傳播”和“非病毒性傳播”兩類，從而實現(xiàn)對病毒式傳播現(xiàn)象的預(yù)測，將復(fù)雜的傳播現(xiàn)象轉(zhuǎn)化為可量化的數(shù)據(jù)指標(biāo)，為深入研究傳播機制提供可行性的方法。

本研究揭示了此類傳播背后的關(guān)鍵因素，進一步豐富了傳播學(xué)理論。微博的傳播效率，如推文率、傳播范圍衡量指標(biāo)等，對抖音視頻的初期熱度有著顯著影響，為后續(xù)傳播奠定基礎(chǔ)，這體現(xiàn)了傳播過程中“議程設(shè)置”的作用，微博的傳播行為在一定程度上引導(dǎo)了受眾對抖音視頻的關(guān)注。而抖音用戶的互動特性，如點贊和評論的增長率，對病毒傳播性預(yù)測表現(xiàn)出極高的相關(guān)性，強調(diào)了“受眾參與”在傳播過程中的核心地位。用戶的互動行為不僅是對傳播內(nèi)容的反饋，更是推動傳播的關(guān)鍵動力。

隨著新媒體技術(shù)的不斷發(fā)展，后續(xù)研究可進一步探索更多平臺的融合，且不同平臺在傳播過程中的協(xié)同效應(yīng)和互補機制。同時，引人實時反饋機制，通過實時收集和分析傳播過程中的數(shù)據(jù)，及時調(diào)整預(yù)測模型和傳播策略，以更好地適應(yīng)復(fù)雜多變的傳播環(huán)境，提升預(yù)測能力與實際應(yīng)用價值，為信息傳播的理論研究和實踐應(yīng)用開辟新的路徑。

參考文獻：

[1]侯天一，鄧富民，王曉妍，等消費者品牌內(nèi)容分享行為：基于社會化媒體的研究[J].軟科學(xué)，2020（5）：94-100.

[2]龍小華，李輝，燕春培.新媒體視域下科技倫理的傳播策略研究：以字節(jié)跳動為例[J].江西科學(xué)，2024（6）：1367-1372.

[3]詹恂，李慧杰.涉藏地區(qū)自媒體在YouTube平臺上的跨文化傳播：以“TibetTravel”為例[J].民族學(xué)刊，2023（9）：126-134;166.

[4]符冰，強月新.自媒體平臺圖像傳播中的異化及倫理風(fēng)險[J].新聞愛好者，2023（3）：65-67.

[5]陳紅松，趙秀鋒.微博重大輿情網(wǎng)絡(luò)暴力角色標(biāo)注規(guī)則及處置語言合規(guī)建議[J].北京航空航天大學(xué)學(xué)報，2025（1）：1-12.

[6]梁怡萍，肖路巍，王琳琳.基于標(biāo)簽感知增強的社交媒體心理亞健康歸因方法[J].華東師范大學(xué)學(xué)報（自然科學(xué)版），2025（1）：124-137.

[7]安璐，張思宇.支持或反對：社交媒體用戶觀點的形成機理[J].圖書館論壇，2024（3）：199-210.

[8]吳煜播.新媒體背景下抖音短視頻平臺品牌營銷策略分析[J].經(jīng)濟研究導(dǎo)刊，2024（11）：47-50

[9]李賀，楊心苗，沈旺.啟發(fā)式圖結(jié)構(gòu)增強的 社交媒體短文本謠言檢測研究[J].情報理論與實 踐，2025（3）：151-159.