錢穎　倪君彧　范明林

[摘要]文章研究了2012年臺(tái)風(fēng)“?？边@一突發(fā)事件的大量微博中@這一針對(duì)性分享行為與哪些內(nèi)容有關(guān)。通過對(duì)518條關(guān)于?？⒉┻M(jìn)行內(nèi)容分析，借助關(guān)聯(lián)分析的apriori算法得到與@相關(guān)的內(nèi)容。本文的創(chuàng)新點(diǎn)在于通過研究針對(duì)性信息分享行為，以了解在突發(fā)事件中用戶與朋友分享的信息，從而揭示了用戶的信息需求，發(fā)現(xiàn)在“?？边@一突發(fā)事件中用戶針對(duì)性分享的內(nèi)容主要是突發(fā)事件的基本信息，包括基本情況、地點(diǎn)以及時(shí)間，同時(shí)還會(huì)使用多種表達(dá)方式，包括表情符號(hào)、圖片、詳細(xì)信息的短鏈接等。這對(duì)提高應(yīng)對(duì)突發(fā)事件信息發(fā)布的有效性有借鑒作用。

[關(guān)鍵詞]微博；內(nèi)容分析；關(guān)聯(lián)分析法；突發(fā)事件；信息行為

[中圖分類號(hào)]G203

[文獻(xiàn)標(biāo)識(shí)碼]A

[文章編號(hào)]1008-0821（2015）04-0008-04

“突發(fā)事件”指突然發(fā)生，造成或可能造成嚴(yán)重的危害，并需要采取相應(yīng)的應(yīng)急措施來應(yīng)對(duì)的自然災(zāi)害事件、事故災(zāi)難事件、公共衛(wèi)生事件及社會(huì)安全事件。突發(fā)事件具有瞬時(shí)性、偶然性、危機(jī)性。突發(fā)事件中，由于主流媒體報(bào)道的不及時(shí)、不全面性，不能滿足用戶的信息需求。而微博以其實(shí)時(shí)性、便捷性、互動(dòng)性等特點(diǎn)，使得大量信息能夠在短時(shí)間內(nèi)得到擴(kuò)散和傳播，彌補(bǔ)了傳統(tǒng)媒體的不足，成為了突發(fā)事件信息傳播的主要渠道。例如在“7·23甬溫動(dòng)車事件”中，大量用戶對(duì)事件進(jìn)行了多角度深層次的報(bào)道，促進(jìn)了信息的公開，為救援提供了很大的幫助。但微博中信息傳播也存在著問題，比如“黃玉斌招待費(fèi)事件”中，由于有關(guān)人員未能及時(shí)澄清而導(dǎo)致網(wǎng)絡(luò)謠言不斷，產(chǎn)生了嚴(yán)重的負(fù)面影響，這些都是因?yàn)橛脩舻男畔⑿枨鬀]有得到滿足，因此，研究突發(fā)事件相關(guān)微博內(nèi)容，了解受眾的信息需求具有重要的價(jià)值。

國(guó)內(nèi)外對(duì)微博文本內(nèi)容進(jìn)行分析的研究有很多，主要包括3個(gè)方面：話題檢測(cè)、情感分析和信息分析。這三方面研究的對(duì)象都是微博文本，研究方法都需要首先從微博文本中提取關(guān)鍵詞。針對(duì)話題檢測(cè)，學(xué)者們基于提取的關(guān)鍵詞使用了數(shù)據(jù)挖掘的方法進(jìn)行研究，包括聚類、關(guān)聯(lián)分析等。唐曉波和王洪艷、鄭斐然都使用了聚類方法來識(shí)別話題。王熙則借助可信關(guān)聯(lián)規(guī)則來挖掘用戶關(guān)注的話題，并將最后得到的關(guān)鍵詞的極大團(tuán)作為頻率最高的話題。情感分析主要是對(duì)內(nèi)容的情感極性進(jìn)行分類，主要分為正面、中性及負(fù)面情緒，通?；谔崛〉年P(guān)鍵詞采用SVM分類器、素貝葉斯分類器（NB）來進(jìn)行分析。信息分析主要通過對(duì)高頻關(guān)鍵詞分類，用關(guān)聯(lián)分析等方法來分析微博中包含的主要信息之間的關(guān)系。姬浩、蘇兵、呂美總結(jié)出高校群體性突發(fā)事件中信息的關(guān)鍵分類為發(fā)生時(shí)間、地點(diǎn)、誘發(fā)因素、處置有效性及事件影響，并使用關(guān)聯(lián)分析對(duì)這些分類進(jìn)行研究，發(fā)現(xiàn)決定事件影響大小的因素主要為誘發(fā)因素、應(yīng)急處置的有效性等，其研究結(jié)果能夠?yàn)橥话l(fā)事件的預(yù)警和預(yù)測(cè)提供指導(dǎo)；龐穎對(duì)虛擬社區(qū)中用戶對(duì)商品的評(píng)論信息進(jìn)行了分析，得到評(píng)論主要為產(chǎn)品的性能類信息，這些性能主要包括電池、像素、CPU頻率等，通過對(duì)這些關(guān)鍵信息進(jìn)行關(guān)聯(lián)分析，有效挖掘出了企業(yè)需求的信息。Chew、Eysenbach在“2009H1N1事件”研究中，選取了2009年3月到12月中每月某天的600條微博文本，使用手工編碼并結(jié)合統(tǒng)計(jì)的方法總結(jié)出主要內(nèi)容包括資源鏈接、個(gè)人經(jīng)歷、個(gè)人觀點(diǎn)，并對(duì)不同時(shí)刻，各類微博的數(shù)量進(jìn)行統(tǒng)計(jì)，并結(jié)合實(shí)際背景分析了峰值產(chǎn)生的原因，如個(gè)人經(jīng)歷的兩個(gè)峰值的出現(xiàn)是因?yàn)槭澜缧l(wèi)生組織宣布6級(jí)流感的盛行及H1N1疫苗到達(dá)美國(guó)；Terpstra et al.對(duì)“Pukkelpop 2011”這一危機(jī)事件的微博內(nèi)容進(jìn)行了分析，提取出了整個(gè)事件中關(guān)鍵的信息，總結(jié)出極端的天氣情況、破壞、傷亡、救援等方面的信息是廣泛分享的信息，據(jù)此了解了事件中人們所需要的關(guān)鍵信息。

借鑒以上研究，分析了2012年臺(tái)風(fēng)“?？钡顷懮虾r(shí)的相關(guān)微博。不僅總結(jié)出哪些信息被廣泛地分享，并且應(yīng)用共現(xiàn)分析，研究了@與哪些信息相關(guān)度高。@是針對(duì)性的信息分享行為，被@的用戶會(huì)收到提醒。微博上信息量大，沒有提醒時(shí)可能會(huì)忽視信息，因此包含@的微博相對(duì)有效。大多數(shù)包含@的微博是分享給親朋好友的，使得信息能夠通過較為密切的人際關(guān)系實(shí)現(xiàn)快速傳播，信任度更高，故研究突發(fā)事件中@與哪些內(nèi)容有關(guān)可以了解人們?cè)谕话l(fā)事件中@的主要信息，可供有關(guān)信息發(fā)布部門和個(gè)人借鑒。

1 微博文本分析

1.1數(shù)據(jù)獲取

本文選取的是上海大學(xué)學(xué)生在2012年8月1～28日期間發(fā)表或者轉(zhuǎn)發(fā)的有關(guān)“?？边@一突發(fā)事件的微博。通過爬蟲軟件從新浪微博進(jìn)行數(shù)據(jù)采集，共收集1127條微博，刪除了重復(fù)的微博，即轉(zhuǎn)發(fā)時(shí)沒有進(jìn)行評(píng)論的微博，最后得到518條有效微博。表1給出了2條微博實(shí)例。

1.2文本處理

筆者對(duì)獲取的微博文本進(jìn)行分詞處理，關(guān)注那些頻率較高的詞語，并將其他出現(xiàn)頻率較低而語義相同的詞語與之合并，繼而統(tǒng)計(jì)出了較高頻的關(guān)鍵詞（頻次大于50），即為28項(xiàng)二級(jí)分類，見表2。結(jié)合王炎龍、Terpstra etal.對(duì)突發(fā)災(zāi)害中微博內(nèi)容的幾項(xiàng)概括以及本文的微博文本對(duì)統(tǒng)計(jì)出的高頻詞進(jìn)行分類，進(jìn)一步概括出11項(xiàng)一級(jí)分類：基本情況、災(zāi)難影響、有關(guān)人員、受災(zāi)地點(diǎn)、發(fā)生時(shí)間、政府組織、救援行為、呼吁提醒，以及微博虛擬平臺(tái)所特有表情符號(hào)、圖片、短鏈接和@行為，見表2。

圖2中統(tǒng)計(jì)了一級(jí)分類所涉及關(guān)鍵詞在微博中出現(xiàn)的頻次，以受災(zāi)地點(diǎn)為例，所有微博中有363條微博中包含與受災(zāi)地點(diǎn)有關(guān)的詞?？梢钥吹健昂？敝谢厩闆r（91.31%）、受災(zāi)地點(diǎn)（70.08%）、發(fā)生時(shí)間（57.53%）出現(xiàn)的頻率是最高的。表情圖片鏈接（55.98%）、@（43.05%）出現(xiàn)的頻率較高，前者頻率高是因?yàn)槲⒉┯脩魳酚谠谕话l(fā)事件中傳播詳細(xì)的事件信息并表達(dá)自己的情緒；后者表明事件中微博用戶會(huì)傾向于將重要的信息傳遞給周圍人，因?yàn)闉?zāi)害與用戶的生活息息相關(guān)，需要與朋友分享這些信息，避免由于不知情而帶來不便甚至意外，但@出現(xiàn)的頻率不到50%，說明還是有很多人在發(fā)布信息的時(shí)候沒有@行為，所以需要研究究竟是哪些信息促使用戶針對(duì)性的分享信息。還有一些頻率相對(duì)較小的關(guān)鍵信息：有關(guān)人員（39.19%）、災(zāi)難影響（38.99%）、受災(zāi)之物（36.49%）、救援行為（32.05%）、政府組織（30.16%）、呼吁提醒（29.34%），說明微博用戶還會(huì)關(guān)心物品損壞及人員傷亡情況、政府企業(yè)等的救災(zāi)行為、官方提醒信息。綜上所述，“?？笔录腥藗冴P(guān)注的焦點(diǎn)是?？l(fā)展的基本情況和發(fā)生的地點(diǎn)。時(shí)間也是一個(gè)相對(duì)重要的信息，可以使用戶知道出現(xiàn)某些災(zāi)情的準(zhǔn)確時(shí)間，以做好適當(dāng)?shù)膽?yīng)對(duì)措施。endprint

1.3分享內(nèi)容共現(xiàn)分析

本文的目的是了解人們?cè)谕话l(fā)事件中，會(huì)使用社會(huì)化媒體針對(duì)性的分享哪些信息，所以主要研究@這一行為會(huì)與哪些關(guān)鍵詞存在較強(qiáng)的關(guān)聯(lián)關(guān)系，以發(fā)現(xiàn)隱藏在大量數(shù)據(jù)信息中、不易被人察覺的關(guān)聯(lián)事件。應(yīng)用Clementine軟件進(jìn)行數(shù)據(jù)處理。基于1.2的結(jié)果，筆者首先進(jìn)行了共現(xiàn)分析，統(tǒng)計(jì)了哪些關(guān)鍵詞會(huì)與@較為頻繁的同時(shí)出現(xiàn)。

1.3.1一級(jí)分類與針對(duì)性分享的共現(xiàn)分析

表3是@與一級(jí)分類的共現(xiàn)分析，可以發(fā)現(xiàn)“基本情況+@”、“受災(zāi)地點(diǎn)+@”這兩組的概率最高，都超過了33%，說明微博用戶更傾向于針對(duì)性的分享“海葵”的基本情況，其次也關(guān)注災(zāi)難發(fā)生的地點(diǎn)，因?yàn)檫@些是與突發(fā)事件直接相關(guān)，是大眾迫切需要的，能夠滿足基本需求，避免造成恐慌?！鞍l(fā)生時(shí)間+@”組合的概率為25.43%，可見人們也會(huì)針對(duì)性地分享時(shí)間信息，以了解事件的階段性進(jìn)展，但它與前面相比概率小一些，這是因?yàn)槲⒉┯脩敉ǔＪ窃谑录l(fā)生當(dāng)下發(fā)布信息的，所以很多用戶不會(huì)再特意注明時(shí)間。“表情圖片鏈接+@”組合的概率為23.51%，表明用戶針對(duì)性分享信息時(shí)圖片、短鏈、表情等出現(xiàn)較頻繁?！笆転?zāi)之物+@”、“有關(guān)人員+@”、“災(zāi)難影響+@”、“救援行為+@”、“政府組織+@”這些組合的概率依次減小，都低于20%，說明這些信息得到了關(guān)注，但關(guān)注度不夠。而“呼吁提醒+@”的概率更是低于10%，可見用戶很少將這些官方的提醒信息@給有密切關(guān)系的人，而是通過自己的方式表達(dá)關(guān)心。

表4中分別列出了兩個(gè)關(guān)鍵詞與@共現(xiàn)的情況。兩個(gè)關(guān)鍵詞與@共現(xiàn)的結(jié)果中，“基本情況”、“受災(zāi)地點(diǎn)”、“發(fā)生時(shí)間”中的任意兩者與@共現(xiàn)的概率都達(dá)到了22%，說明這三者與@的關(guān)系都很緊密。其中，“基本情況+受災(zāi)地點(diǎn)+@”這一組合的概率最大，為30.83%，與另兩種情況相差較大，說明人們最樂于針對(duì)性地分享的是某地的基本情況信息，這將會(huì)使得用戶了解到發(fā)生災(zāi)難的某地的風(fēng)力、雨量以及嚴(yán)重情況等。與期望的結(jié)果不同，結(jié)果中時(shí)間相對(duì)而言是次要的，是因?yàn)槲⒉┌l(fā)布具有實(shí)時(shí)性，不必特意注明時(shí)間信息。“表情圖片鏈接+基本情況+@”這一組合的概率為21.39%，說明人們與指定的人分享的圖片鏈接內(nèi)容主要與基本情況有關(guān)。

1.3.2二級(jí)分類與針對(duì)性分享的共現(xiàn)分析

進(jìn)一步研究@與二級(jí)分類的共現(xiàn)分析。選取了一級(jí)分類下與@關(guān)聯(lián)度高的“基本情況”、“受災(zāi)地點(diǎn)”、“發(fā)生時(shí)間”、“表情圖片鏈接”為對(duì)象，同時(shí)關(guān)注“有關(guān)人員”這一分類，因?yàn)樗说湫腿宋锱c受災(zāi)群眾兩個(gè)截然不同的對(duì)象，可進(jìn)一步研究用戶的關(guān)注傾向。結(jié)果如表5所示。

“基本情況”中，“風(fēng)+@”這一組合的概率為35.65%，顯著大于“雨+@”，說明用戶與指定的人分享時(shí)更關(guān)注風(fēng)而不是雨，這是因?yàn)榕_(tái)風(fēng)中風(fēng)力造成的影響會(huì)危險(xiǎn)人身安全。“加強(qiáng)嚴(yán)重+@”的概率為18%，遠(yuǎn)大于“雨+@”，說明當(dāng)出現(xiàn)嚴(yán)重情況時(shí)，用戶將會(huì)@這類信息。

“受災(zāi)地點(diǎn)”中，“上海+@”這一組合的概率為27.55%，顯著大于“浙江+@”的概率，因?yàn)楣P者選取的微博是上海地區(qū)的，必然更加關(guān)注上海的情況。

“發(fā)生時(shí)間”中，“日+@”以及“時(shí)+@”這兩個(gè)組合的概率分別為19.84%、12.33%，相差較大，說明用戶每天都在關(guān)注臺(tái)風(fēng)的情況，因?yàn)槭鼙娦枰皶r(shí)地了解這些信息，來應(yīng)對(duì)各種災(zāi)難，但當(dāng)事件更新頻率過高時(shí)（精確到時(shí)、分甚至秒），則不能時(shí)刻都關(guān)注到。

“表情圖片鏈接”中，“表情符號(hào)+@”的概率最高，表明圖片、短鏈、表情這三者中更關(guān)注的是表情符號(hào)，即用戶會(huì)通過表情符號(hào)來表達(dá)自己在突發(fā)事件中的情緒并@給朋友，相對(duì)而言圖片及鏈接這些包含事件詳細(xì)內(nèi)容的信息關(guān)注度較低。

“有關(guān)人員”的二級(jí)分類中，“受災(zāi)群眾+@”的概率與“典型人物+@”的概率相差較大，說明雖然人們?cè)谕话l(fā)事件中需要正能量，但面對(duì)更需要幫助的群眾時(shí)，仍然更樂于@緊迫的信息。

2 結(jié)論

文章研究了在“?？边@一突發(fā)事件的大量微博中@這一針對(duì)性分享行為與哪些內(nèi)容有關(guān)。有@行為的微博體現(xiàn)了一種基于強(qiáng)關(guān)系傳播，傳播的雙方在現(xiàn)實(shí)中存在較為密切的聯(lián)系，可能是朋友、家人、同事等，傳播者希望特定的人了解到這些信息，而接受者也更容易接收并繼續(xù)轉(zhuǎn)發(fā)這類信息，這類研究具有較大的實(shí)用價(jià)值。

通過分析，筆者發(fā)現(xiàn)在“?？边@一突發(fā)事件中人們針對(duì)性分享的信息主要是與事件本身密切相關(guān)的情況信息，包括基本的情況（風(fēng)力、雨量、加強(qiáng)、減弱、路徑等）、受災(zāi)的地點(diǎn)、發(fā)生的時(shí)間。但比起前兩者，微博用戶對(duì)時(shí)間的關(guān)注度較少，原本時(shí)間在突發(fā)事件中是極其重要的信息，但由于微博中發(fā)布信息具有實(shí)時(shí)性，因此很多用戶在微博中省略了關(guān)注時(shí)間的習(xí)慣，而將精力放在別的內(nèi)容上。除了這三者，微博用戶@的內(nèi)容還包括表情圖片短鏈，說明在微博中除了文字，用戶習(xí)慣于通過多種方式表達(dá)情緒和內(nèi)容，在突發(fā)事件中更是如此。

針對(duì)更細(xì)致的內(nèi)容，用戶更傾向于分享的是風(fēng)力信息，因?yàn)榕_(tái)風(fēng)中風(fēng)力造成的影響會(huì)危及人身安全。用戶會(huì)及時(shí)@每天的信息，但當(dāng)事件更新頻率過高時(shí)，精確到時(shí)、分、秒時(shí)，則不能時(shí)刻都關(guān)注到。除文字外的多種表達(dá)方式中，用戶傾向于通過表情符號(hào)表達(dá)事件中的情緒并@給朋友。另外，雖然在突發(fā)事件中人們需要正能量，但面對(duì)需要幫助的群眾，還是愿意把更多的精力放在緊迫的事情上。

有關(guān)部門可借鑒這些分析結(jié)果發(fā)布與上面的內(nèi)容相關(guān)的信息來引起用戶的@行為，從而更好地滿足用戶的信息需求。本研究尚存在不足之處，后續(xù)研究可以在更大范圍內(nèi)搜集與“?？笔录嚓P(guān)的微博，以發(fā)現(xiàn)受災(zāi)地點(diǎn)信息與@之間更有意義更實(shí)用的關(guān)系。

（本文責(zé)任編輯：馬卓）endprint