楊奕 張毅

摘?要：[目的/意義]在信息技術(shù)快速發(fā)展的今天，社交媒體在復(fù)雜公共議題中承擔(dān)了越來(lái)越重要的信息發(fā)布、用戶(hù)參與和輿論引導(dǎo)功能。通過(guò)對(duì)社交媒體多平臺(tái)的用戶(hù)記錄的大數(shù)據(jù)分析，可以考察跨國(guó)家和平臺(tái)用戶(hù)訴求的差異和傳播途徑。[方法/過(guò)程]基于中美貿(mào)易爭(zhēng)端的現(xiàn)實(shí)案例，使用網(wǎng)絡(luò)爬蟲(chóng)程序定時(shí)采集Twitter和Weibo的用戶(hù)數(shù)據(jù)，應(yīng)用概率主題分析、時(shí)間趨勢(shì)分析、社會(huì)網(wǎng)絡(luò)分析等大數(shù)據(jù)分析方法，剖析兩大平臺(tái)在議題分布、時(shí)間演化和關(guān)鍵影響者的表現(xiàn)形式與屬性差異，嘗試彌補(bǔ)現(xiàn)有研究體系視域的單一性問(wèn)題。[結(jié)果/結(jié)論]結(jié)果表明：1）在網(wǎng)絡(luò)環(huán)境中，現(xiàn)實(shí)事件對(duì)于用戶(hù)行為和主題熱度產(chǎn)生迅速的反映;2）引發(fā)平臺(tái)主題框架差異的原因由特定的環(huán)境、制度或文化背景所塑造;3）關(guān)鍵影響者的類(lèi)型和觀點(diǎn)顯著影響當(dāng)?shù)氐淖h題討論網(wǎng)絡(luò)，并引導(dǎo)輿論走向。本研究實(shí)現(xiàn)了對(duì)社交媒體用戶(hù)行為互動(dòng)觀察維度和理論維度的探索與推論，印證了跨平臺(tái)差異的根本解釋?zhuān)谝欢ǔ潭壬匣貞?yīng)理論與實(shí)踐研究對(duì)社交媒體功能定位和發(fā)展優(yōu)化的關(guān)注。

關(guān)鍵詞：公共議題;中美貿(mào)易爭(zhēng)端;社交媒體;網(wǎng)絡(luò)輿情;主題演化;社會(huì)網(wǎng)絡(luò)分析;比較研究

DOI：10.3969/j.issn.1008-0821.2021.03.010

〔中圖分類(lèi)號(hào)〕G206?〔文獻(xiàn)標(biāo)識(shí)碼〕A?〔文章編號(hào)〕1008-0821（2021）03-0094-16

Social?Media?Topic?Evolution?Trend?and?Social?Network

Analysis?Based?on?the?Complex?Public?Issues

——A?Comparative?Study?of?China-US?Trade?Disputes

Yang?Yi?Zhang?Yi*

（College?of?Public?Administration，Huazhong?University?of?Science?and?Technology，Wuhan?430074，China）

Abstract：[Purpose/Significance]With?the?rapid?development?of?information?technology?today，social?media?has?assumed?more?and?more?important?functions?of?information?release，user?participation?and?opinion?guidance?in?complex?public?issues.Through?the?big?data?analysis?of?user?records?on?social?media?platforms，the?differences?in?user?demands?and?communication?channels?in?cyberspace?can?be?investigated.[Method/Process]Based?on?the?reality?of?China-US?Trade?disputes?case，the?study?used?the?web?crawler?Twitter?and?Weibo?of?user?data.Then，it?applied?probability?topic?modeling，time?trend?analysis，and?social?network?analysis，to?explore?the?differences?between?the?two?platforms?in?the?issue?distribution，time?evolution，and?key?influencers?for?trying?to?make?up?for?the?problem?of?unitary?vision?existing?in?the?current?research.[Result/Conclusion]The?results?showed?that：（1）in?the?online?environment，real?events?had?a?rapid?impact?on?user?behavior?and?topic?popularity;（2）The?reason?that?caused?the?difference?of?platform?topic?framework?was?shaped?by?specific?environment，system?or?cultural?background;（3）The?types?and?opinions?of?key?influencers?significantly?influenced?the?discussion?network?of?the?platform?and?guide?the?direction?of?public?opinion.The?study?realized?the?exploration?and?inference?of?the?interactive?observation?dimension?and?theoretical?dimension?of?social?media?user?behavior，verified?the?fundamental?explanation?of?cross-platform?factor?differences，and?responded?to?the?social?practice?and?theoretical?researchs?attention?to?the?function?positioning?and?development?optimization?of?social?media?to?a?certain?extent.

Key?words：China-US?trade?disputes;social?media;online?public?opinion;topic?evolution;social?network?analysis;comparative?study

中美貿(mào)易爭(zhēng)端起始于2017年8月美國(guó)對(duì)華啟動(dòng)“301調(diào)查”，隨后對(duì)中國(guó)進(jìn)口商品征收額外關(guān)稅、設(shè)置其他貿(mào)易壁壘;中國(guó)商務(wù)部同時(shí)作出反制措施，對(duì)價(jià)值數(shù)百億美元的美方輸華商品征收額外關(guān)稅。自此，世界兩大經(jīng)濟(jì)體陷入曠日持久的經(jīng)貿(mào)摩擦。雖然后期雙方一度達(dá)成階段性共識(shí)，但是這種超越地區(qū)限制的遠(yuǎn)距離行動(dòng)，在一定程度形成社會(huì)學(xué)家Ulrich?Beck所謂的“全球風(fēng)險(xiǎn)”，即雙方的討論解釋依賴(lài)于當(dāng)?shù)厣缃幻襟w，在現(xiàn)實(shí)世界引發(fā)廣泛討論，通過(guò)本土或時(shí)間范圍呈現(xiàn)全球的視角。

隨著互聯(lián)網(wǎng)的普及與網(wǎng)絡(luò)傳播的高效性和分散性，信息不僅能夠在較短時(shí)間內(nèi)實(shí)現(xiàn)更大范圍的傳播，也打破了傳統(tǒng)以單一主體為中心的信息傳播模式。尤其是微博客等社交媒體的出現(xiàn)，在事件的發(fā)展過(guò)程中，人們主動(dòng)或隨機(jī)形成且?guī)в兄饔^色彩的態(tài)度觀點(diǎn)，實(shí)際蘊(yùn)含豐富的信息內(nèi)涵。這種半結(jié)構(gòu)化、不規(guī)律的數(shù)據(jù)特征通過(guò)網(wǎng)絡(luò)媒體的形式充分表達(dá)，揭示了人們的觀點(diǎn)與思想，也引發(fā)了數(shù)據(jù)驅(qū)動(dòng)的新興輿論力量。在學(xué)術(shù)研究中，這些海量數(shù)據(jù)能夠改進(jìn)傳統(tǒng)方法獲取數(shù)據(jù)的局限，推動(dòng)公眾反饋參與形式的轉(zhuǎn)變，完善參與者關(guān)系特征的測(cè)量評(píng)估，為數(shù)據(jù)挖掘復(fù)雜政治議題研究提供可能。

由于全球事件的交叉性較強(qiáng)，不同學(xué)科側(cè)重點(diǎn)不同。相關(guān)研究主要以外交政策、政府機(jī)構(gòu)改革、國(guó)家領(lǐng)導(dǎo)人溝通等主體為對(duì)象，集中在國(guó)家行政機(jī)構(gòu)改革、政治領(lǐng)袖溝通、全球風(fēng)險(xiǎn)管理、政府管理監(jiān)督等方面，鮮有研究聚焦公眾視角，開(kāi)展網(wǎng)絡(luò)輿情與數(shù)據(jù)挖掘可視化的測(cè)度研究。此外，現(xiàn)有研究多集中于西方視域或案例，忽略了文化背景的多樣性，無(wú)法通過(guò)現(xiàn)有研究辨析社交媒體的國(guó)別差異。為了克服這些局限性，本文重點(diǎn)關(guān)注的核心問(wèn)題是，根據(jù)持續(xù)發(fā)酵的中美貿(mào)易爭(zhēng)端，是否可以找到有效測(cè)量并比較跨平臺(tái)社交媒體用戶(hù)參與的反饋特征及輿論影響者關(guān)系結(jié)構(gòu)的方法和路向。

具體來(lái)講，本研究以?xún)蓚€(gè)當(dāng)事國(guó)家具有語(yǔ)言和文化代表性的社交媒體平臺(tái)Twitter和Weibo為研究對(duì)象?；诖髷?shù)據(jù)挖掘與分析視角，使用網(wǎng)絡(luò)爬蟲(chóng)程序采集用戶(hù)社交媒體評(píng)論的海量數(shù)據(jù);采用概率主題模型分析及時(shí)間趨勢(shì)分析，分析用戶(hù)偏好的相關(guān)主題框架，不同時(shí)期的熱點(diǎn)演化趨勢(shì);然后使用社會(huì)網(wǎng)絡(luò)分析方法，繪制中美貿(mào)易爭(zhēng)端話題意見(jiàn)領(lǐng)袖網(wǎng)絡(luò)的結(jié)構(gòu)圖譜，利用相關(guān)參數(shù)分析測(cè)度關(guān)鍵影響者在網(wǎng)絡(luò)中的位置。探索比較用戶(hù)形成網(wǎng)絡(luò)拓?fù)涮匦缘闹黝}規(guī)律與網(wǎng)狀結(jié)構(gòu)，有針對(duì)性地改進(jìn)傳統(tǒng)研究方法和調(diào)查數(shù)據(jù)的局限性，回應(yīng)理論與實(shí)踐研究對(duì)中美貿(mào)易政治議題網(wǎng)絡(luò)的關(guān)注。

1?文獻(xiàn)回顧與理論基礎(chǔ)

1.1?互聯(lián)網(wǎng)社交媒體對(duì)信息傳播模式的重構(gòu)

隨著20世紀(jì)80年代網(wǎng)絡(luò)技術(shù)的興起，信息革命對(duì)社會(huì)溝通交流方式帶來(lái)眾多機(jī)遇和挑戰(zhàn)。作為互聯(lián)網(wǎng)技術(shù)的典型代表，社交媒體概念最早由國(guó)外學(xué)者Jennifer?B?Unger提出，被定義為“網(wǎng)絡(luò)用戶(hù)用以交換信息和內(nèi)容創(chuàng)建的平臺(tái)”[1]。在此平臺(tái)上，人們可以彼此分享觀點(diǎn)、經(jīng)驗(yàn)、見(jiàn)解，平臺(tái)為用戶(hù)提供了信息內(nèi)容創(chuàng)造和交換的服務(wù)場(chǎng)所。由于參與對(duì)話和公開(kāi)交互等特性，在公共議題的關(guān)注討論中，所有用戶(hù)既是潛在議題的發(fā)起者、傳播者和渲染者，也是信息的消費(fèi)者和生產(chǎn)者，甚至在不知覺(jué)的情況下參與其中[2]。這種由傳統(tǒng)媒介制造話題的“一對(duì)多”傳播范式轉(zhuǎn)變?yōu)橛脩?hù)自發(fā)形成的“多對(duì)多”，在超越時(shí)空與快速傳播的同時(shí)，實(shí)時(shí)更新至話題列表及關(guān)注者賬戶(hù)中，使得用戶(hù)數(shù)據(jù)交換能力更加高效，為用戶(hù)呈現(xiàn)接近事件真相的臨場(chǎng)感知[3]?，F(xiàn)如今，學(xué)界已將其視為網(wǎng)絡(luò)協(xié)作模式和用戶(hù)創(chuàng)造內(nèi)容對(duì)集體智慧的貢獻(xiàn)[4]，成為獲取社會(huì)意見(jiàn)的重要渠道之一。

在眾多的社交媒體類(lèi)型中，微博客（Microblog）是具有代表性的平臺(tái)之一。該平臺(tái)由豐富的賬戶(hù)聚合而成，包含多種形式的溝通模式。微博客的帖子均為公開(kāi)發(fā)布，除特殊設(shè)置之外，所有用戶(hù)均可以輕松瀏覽，這種低成本、便捷性與時(shí)效性并存的信息獲取方式，實(shí)現(xiàn)了賬戶(hù)間點(diǎn)對(duì)點(diǎn)直接的信息互動(dòng)[5]。更重要的是，這種去中心化的方式顯著增強(qiáng)了人們?cè)谛畔鞑ズ蜏贤ń涣髦械闹黧w性和存在感。其智能化的展示模式深刻地影響公眾觀感，以一種更加強(qiáng)烈的方式推動(dòng)公眾參與，成為一個(gè)民主平等且持續(xù)響應(yīng)的公共話語(yǔ)論壇[6]。

全球不同版本的微博客中，Twitter是世界最大的微博客服務(wù)供應(yīng)商[7]，其通用的官方語(yǔ)言（英語(yǔ)）、開(kāi)放的平臺(tái)與使用廣泛的賬戶(hù)架構(gòu)，成為微博客服務(wù)的主要場(chǎng)所，因此接近80%的Twitter用戶(hù)持續(xù)跟蹤其關(guān)注者的實(shí)時(shí)動(dòng)態(tài)[8]。此外，該平臺(tái)也是獲取各類(lèi)型公共事件信息的媒體平臺(tái)[9]，實(shí)時(shí)反映現(xiàn)實(shí)世界客觀存在的公共議題，尤其在政治經(jīng)濟(jì)與社會(huì)討論等方面，受到學(xué)界的廣泛關(guān)注[10]。與此同時(shí)，本研究以中國(guó)代表性的微博客平臺(tái)“新浪微博”（后簡(jiǎn)稱(chēng)“Weibo”）為另一研究對(duì)象，根據(jù)微博發(fā)布的2020年第一季度財(cái)報(bào)顯示，截至第一季度末，Weibo月活躍用戶(hù)達(dá)到5.5億，與去年同期相比凈增長(zhǎng)約8?500萬(wàn)。

從本質(zhì)內(nèi)涵來(lái)看，社交媒體是公眾參與的主要平臺(tái)，社會(huì)互動(dòng)日趨網(wǎng)絡(luò)化特點(diǎn)，使得傳統(tǒng)的單一制模式無(wú)法發(fā)揮最佳效用，多元互動(dòng)和公眾參與成為新時(shí)代公共管理的重要特征。從表現(xiàn)形式上看，微博客新型互動(dòng)機(jī)制打開(kāi)了數(shù)據(jù)開(kāi)放之門(mén)，從根本上改變了信息傳播過(guò)程中“創(chuàng)建與消費(fèi)的結(jié)構(gòu)模式”，也是學(xué)術(shù)研究的理想場(chǎng)所。從發(fā)展方向來(lái)看，相比傳統(tǒng)的政治參與形式，用戶(hù)網(wǎng)絡(luò)民主化參與對(duì)于直接關(guān)系個(gè)體利益的特定議題保持更為積極的態(tài)度，而不是陷入寬泛的參與形式之中。在此意義上，社交媒體中用戶(hù)參與的形式更加真實(shí)，在了解事件進(jìn)展、拓寬參與渠道、激發(fā)溝通熱情等方面發(fā)揮作用。

1.2?理論基礎(chǔ)

1）框架理論。為了對(duì)微博客數(shù)據(jù)處理過(guò)程進(jìn)行概念化和理論化，本研究借鑒了Goffman?E提出的框架理論（Framing?Theory）[11]?，F(xiàn)實(shí)中多數(shù)傳播過(guò)程產(chǎn)生于各類(lèi)型的框架中，框架本身作為概念背景或主題原則惻隱于某項(xiàng)文本背后，通過(guò)將這些表征符號(hào)有序地排列組織，形成結(jié)構(gòu)統(tǒng)一和邏輯一致的表達(dá)，幫助人們理解框架統(tǒng)攝范圍內(nèi)產(chǎn)生的信息傳播、社會(huì)交往[12]，由于相同的信息傳播行為置于不同的社會(huì)結(jié)構(gòu)中，其形成框架會(huì)產(chǎn)生不同含義。因此，框架理論研究基于這樣一種觀點(diǎn)，即人們對(duì)公共事件的反映是由特定社會(huì)制度或文化背景所塑造的[13]。當(dāng)前，學(xué)界主要將框架理論應(yīng)用于現(xiàn)實(shí)世界所反映的文本內(nèi)容，使用信源線索、關(guān)鍵詞、圖片的標(biāo)簽化符號(hào)，進(jìn)而潛在地影響政策觀點(diǎn)、社會(huì)價(jià)值觀等。隨著信息技術(shù)的普及，媒體在框架建構(gòu)方面的功能進(jìn)一步提升。一方面，信息傳播形式呈現(xiàn)復(fù)合和多元化，既有報(bào)紙、電視等傳統(tǒng)媒體，也有微博客、微信客戶(hù)端等社交媒體，輿論話語(yǔ)生成與報(bào)道框架多元化成為主要的趨勢(shì)[14];另一方面，社交媒體的興起，意味著人人都有機(jī)會(huì)在集體行動(dòng)中參與框架的建構(gòu)，眾多非直接利益關(guān)聯(lián)的網(wǎng)民均可直接參與話題討論?？蚣芾碚摓楸狙芯刻峁┝岁P(guān)鍵的概念基礎(chǔ)。根據(jù)中美貿(mào)易爭(zhēng)端的現(xiàn)實(shí)案例，從事件的產(chǎn)生、發(fā)酵到演化，各界聲音此起彼伏，并在社交媒體場(chǎng)景體現(xiàn)。本文將該理論命題用于分析微博客用戶(hù)交流，考察網(wǎng)民個(gè)體在評(píng)論行為中主要涉及哪些話題，以及這些評(píng)論在何時(shí)變得升溫或冷卻?；诖?，框架理論不僅可以有效量化評(píng)論生成的主題框架模式，還能掌握特定主題的時(shí)間演化趨勢(shì)。其網(wǎng)絡(luò)符號(hào)構(gòu)建了特殊的主題框架，進(jìn)而推論基于微博客的中介化過(guò)程所生成的公眾溝通實(shí)踐。最后，探索比較不同輿論場(chǎng)的框架差異。

2）意見(jiàn)領(lǐng)袖（或關(guān)鍵影響者）。學(xué)術(shù)界經(jīng)典的研究成果將影響群體的影響者稱(chēng)為“意見(jiàn)領(lǐng)袖”，指那些在信息傳播中處于相對(duì)有利位置的意見(jiàn)引領(lǐng)者，其觀點(diǎn)得到關(guān)注者的支持，具有相對(duì)更高的影響力和話語(yǔ)權(quán)。因此，意見(jiàn)領(lǐng)袖可以基于這些社會(huì)支持，影響其他群體的價(jià)值判斷[15]，利用可以控制的范圍廣泛傳播信息，推動(dòng)社會(huì)意見(jiàn)形成統(tǒng)一，甚至在社會(huì)網(wǎng)絡(luò)的邊緣也可間接形成獨(dú)特影響力[16]。在社交媒體環(huán)境下，通常使用“關(guān)鍵影響者”解釋意見(jiàn)領(lǐng)袖概念。在微博客平臺(tái)下，用戶(hù)間的關(guān)系結(jié)構(gòu)通過(guò)“關(guān)注與被關(guān)注”調(diào)節(jié)，其實(shí)質(zhì)上也形成一個(gè)線上的社會(huì)網(wǎng)絡(luò)。關(guān)鍵影響者通過(guò)在某領(lǐng)域積累的知識(shí)資源或認(rèn)知能力，處于資源流動(dòng)網(wǎng)絡(luò)的核心位置，進(jìn)而成為互聯(lián)網(wǎng)社會(huì)的“意見(jiàn)領(lǐng)袖”。如今，關(guān)鍵影響者受到社交媒體研究者的青睞，在于該角色對(duì)群體、交往和關(guān)系等概念的融合，強(qiáng)調(diào)從整體的合作網(wǎng)絡(luò)出發(fā)，考察影響者的結(jié)構(gòu)位置及影響力來(lái)源。當(dāng)前，學(xué)界相關(guān)研究逐漸從傳統(tǒng)的概念探析轉(zhuǎn)至定量化的實(shí)證或數(shù)據(jù)挖掘研究。在本研究中擬回答的問(wèn)題是：在中美貿(mào)易爭(zhēng)端討論中，哪些賬號(hào)是Twitter和Weibo平臺(tái)的關(guān)鍵影響者？研究具體包含兩個(gè)方面：第一，社會(huì)網(wǎng)絡(luò)參與者的整體結(jié)構(gòu)，這是一個(gè)由邊和頂點(diǎn)構(gòu)成的宏觀網(wǎng)絡(luò)，頂點(diǎn)表示話題參與者，邊表示他們?cè)谔峒?、轉(zhuǎn)發(fā)、回復(fù)等方面的互動(dòng);第二，識(shí)別關(guān)鍵參與者，通過(guò)網(wǎng)絡(luò)中心性指標(biāo)，識(shí)別量化關(guān)鍵影響者構(gòu)成。

1.3?社交媒體與輿情大數(shù)據(jù)挖掘

隨著社會(huì)信息化程度的不斷加強(qiáng)，互聯(lián)網(wǎng)已成為大型的信息資源儲(chǔ)存庫(kù)，以此存放非結(jié)構(gòu)化的文本信息。但面對(duì)海量的文本信息，傳統(tǒng)的手動(dòng)操作處理方式已顯得力不從心，如何準(zhǔn)確地從非結(jié)構(gòu)化文本數(shù)據(jù)中提取滿足研究者需要的知識(shí)信息，需要?jiǎng)?chuàng)新性地采用數(shù)據(jù)文本挖掘方法獲取。文本挖掘（Text?Mining）是以信息系統(tǒng)領(lǐng)域中的自然語(yǔ)言處理與數(shù)理統(tǒng)計(jì)分析為理論基礎(chǔ)[17]，結(jié)合機(jī)器學(xué)習(xí)與信息檢索技術(shù)，從大規(guī)模的文本信息中發(fā)現(xiàn)并提取關(guān)鍵詞和主題信息，尤其在處理多項(xiàng)文本的挖掘過(guò)程方面效果最佳[18]。

文本挖掘方法可以獲取海量的信息構(gòu)成。通過(guò)關(guān)鍵詞特性提取、嵌入預(yù)定義主題、信息放大和縮小等多種方式，對(duì)文本內(nèi)容展開(kāi)搜索[19]，最終轉(zhuǎn)化為普通人可以理解的“知識(shí)”的過(guò)程。這種新型研究工具已成為研究者定位海量文本信息的有效工具，也是獲取社會(huì)現(xiàn)象、用戶(hù)內(nèi)容、多主體結(jié)構(gòu)關(guān)系的載體。現(xiàn)實(shí)議題在網(wǎng)絡(luò)平臺(tái)得以映射，最終也會(huì)反作用于社會(huì)輿論影響。當(dāng)前，文本挖掘主要應(yīng)用于信息抽取[20]、特征識(shí)別[21]、演化趨勢(shì)[22]，關(guān)注數(shù)據(jù)的主題特征、用戶(hù)行為、隱私保護(hù)等方面的研究。如Javed?N等提出一個(gè)概念框架，融合詞性標(biāo)記、Lexicon分類(lèi)和聚類(lèi)生成的語(yǔ)料庫(kù)等語(yǔ)義處理技術(shù)，分析Twitter用戶(hù)參與關(guān)于合作性和包容性治理的帖子[23]。Reddick?C?G等根據(jù)美國(guó)圣安東尼奧市在Facebook平臺(tái)上發(fā)布與固體廢物管理相關(guān)的文本數(shù)據(jù)，使用概率主題分析確定了市民對(duì)于城市建設(shè)提出的有關(guān)主題[24]。在用戶(hù)行為方面，Doran?D等對(duì)社交媒體用戶(hù)的傳播行為進(jìn)行可視化分析，預(yù)測(cè)社會(huì)輿論的傾向性[25];Lee?M?J等基于對(duì)互聯(lián)網(wǎng)在線評(píng)論進(jìn)行民意調(diào)查，研究人們對(duì)其他網(wǎng)民發(fā)布信息的容忍度以及網(wǎng)絡(luò)用戶(hù)在社交媒體發(fā)表意見(jiàn)的意愿程度[26]。在隱私保護(hù)方面，Metzger?M?J等研究認(rèn)為近年來(lái)利用社交媒體開(kāi)展的非法網(wǎng)絡(luò)輿情傳播，使得用戶(hù)隱私及信息安全存在隱患[27]。Imran-Daud?M等提出一種語(yǔ)義網(wǎng)技術(shù)的訪問(wèn)控制機(jī)制，通過(guò)自動(dòng)檢測(cè)敏感信息，實(shí)現(xiàn)用戶(hù)對(duì)動(dòng)態(tài)隱私的保護(hù)[28]。

綜上，盡管現(xiàn)有研究取得了豐碩的成果，但一些局限性仍然存在。第一，無(wú)論是框架理論、意見(jiàn)領(lǐng)袖亦或是社交媒體研究，主要仍集中于西方發(fā)達(dá)國(guó)家的應(yīng)用場(chǎng)景，針對(duì)我國(guó)等發(fā)展中國(guó)家為案例的實(shí)證研究較為缺乏。第二，對(duì)于用戶(hù)大數(shù)據(jù)的挖掘?qū)嶒?yàn)而言，現(xiàn)有研究主要聚焦于技術(shù)算法層面的創(chuàng)新，很少有學(xué)者將傳統(tǒng)的社會(huì)科學(xué)及傳播學(xué)理論嵌入至該領(lǐng)域的研究。第三，當(dāng)前針對(duì)社交媒體用戶(hù)的研究仍然多屬于理論研究的范疇，很少有研究采取跨國(guó)家、平臺(tái)、語(yǔ)言的方式，探索比較用戶(hù)數(shù)據(jù)的樣本模式。

2?研究設(shè)計(jì)

2.1?情境案例

過(guò)去30年間，中美兩國(guó)在貿(mào)易和經(jīng)濟(jì)關(guān)系方面取得了長(zhǎng)足發(fā)展。中國(guó)現(xiàn)在是美國(guó)最大的商品貿(mào)易伙伴、第三大出口市場(chǎng)和最大的進(jìn)口來(lái)源國(guó)[29]。然而，在新一屆美國(guó)總統(tǒng)選舉之后，這種局面發(fā)生了根本性變化。隨著特朗普政府施行新的貿(mào)易戰(zhàn)略，美國(guó)采取的方法超出常規(guī)貿(mào)易措施。其目標(biāo)是通過(guò)貿(mào)易協(xié)定來(lái)解決中美雙邊關(guān)系中的結(jié)構(gòu)性問(wèn)題，然而政治層面談判的激烈程度顯示，雙方在尋求達(dá)成協(xié)議的同時(shí)避免采取對(duì)等的嚴(yán)厲措施的意愿。

2018年3月，美國(guó)總統(tǒng)簽署了一份備忘錄，宣布以“中國(guó)竊取美國(guó)知識(shí)產(chǎn)權(quán)和商業(yè)秘密”為由，對(duì)從中國(guó)進(jìn)口的商品征收關(guān)稅，涉及金額達(dá)600億美元;隨后，中國(guó)商務(wù)部采取反制措施，對(duì)美國(guó)進(jìn)口商品加征關(guān)稅;2019年6月，中美兩國(guó)領(lǐng)導(dǎo)人在大阪舉行的G20峰會(huì)就重啟經(jīng)貿(mào)談判舉行會(huì)談;同年8月，美國(guó)總統(tǒng)在Twitter上宣布，美國(guó)政府將對(duì)所有剩余的價(jià)值3?000億美元的中國(guó)進(jìn)口商品征收10%的關(guān)稅，導(dǎo)致人民幣兌美元匯率跌至7以下;作為回應(yīng)，中國(guó)政府宣布將暫停購(gòu)買(mǎi)美國(guó)農(nóng)產(chǎn)品。兩國(guó)貿(mào)易爭(zhēng)端大有“山雨欲來(lái)風(fēng)滿樓”之勢(shì)。當(dāng)前關(guān)于中美貿(mào)易爭(zhēng)端的文獻(xiàn)較為有限，主要從定性研究切入，基于國(guó)際政治學(xué)、外交學(xué)和經(jīng)濟(jì)學(xué)視角，分析潛在的中美關(guān)系的經(jīng)濟(jì)影響[30]、國(guó)際政治影響[31]，預(yù)測(cè)未來(lái)的市場(chǎng)前景，評(píng)估加劇沖突的可能性[32]，并提出政策層面的解決措施[33-34]，較少研究涉及定量分析維度，以及基于用戶(hù)網(wǎng)絡(luò)輿情的海量數(shù)據(jù)挖掘研究。

2.2?研究數(shù)據(jù)

研究擬選取Twitter和Weibo用戶(hù)評(píng)論文本作為數(shù)據(jù)樣本。首先，通過(guò)網(wǎng)絡(luò)爬蟲(chóng)程序檢索中文原文包含關(guān)鍵詞“貿(mào)易戰(zhàn)”和英文原文包含關(guān)鍵詞“Trade?War”的所有微博客帖子（字段為“賬戶(hù)名稱(chēng)、評(píng)論正文、@賬戶(hù)提及、發(fā)布時(shí)間”）。為便于結(jié)果的結(jié)構(gòu)化比較，將用戶(hù)限定為Weibo用戶(hù)為中國(guó)大陸地區(qū)漢語(yǔ)用戶(hù)，Twitter用戶(hù)為美國(guó)本土地區(qū)英文用戶(hù)。

為盡量減少兩平臺(tái)之間因時(shí)差而導(dǎo)致的結(jié)果偏差，實(shí)驗(yàn)設(shè)定在每天的同一時(shí)間（北京時(shí)間上午9點(diǎn)，美國(guó)東部時(shí)間晚上8點(diǎn)）開(kāi)始收集數(shù)據(jù)，時(shí)間區(qū)間為2019年6月29日—9月30日。根據(jù)此事件的時(shí)間線顯示，如圖1所示，從首次出現(xiàn)至后期達(dá)成第一階段協(xié)議，該時(shí)間段是事件的集中暴發(fā)與媒體平臺(tái)集中討論較關(guān)鍵的時(shí)間節(jié)點(diǎn)。因此在這個(gè)稍瞬即逝的時(shí)機(jī)，對(duì)東西方最重要的兩個(gè)微博客平臺(tái)開(kāi)展海量的大數(shù)據(jù)探索，為學(xué)術(shù)研究提供了較為難得的機(jī)遇。在執(zhí)行數(shù)據(jù)分析之前，需要進(jìn)行必要的數(shù)據(jù)清洗工作，手動(dòng)刪除無(wú)效、廣告營(yíng)銷(xiāo)以及含有極端言論的帖子，最終共采集36?035條Twitter和17?568條Weibo數(shù)據(jù)。

2.3?研究方法

通過(guò)網(wǎng)絡(luò)爬蟲(chóng)獲取的賬戶(hù)名稱(chēng)、評(píng)論正文、@提及、發(fā)布時(shí)間等數(shù)據(jù)，為探索文本主題、時(shí)間趨勢(shì)、網(wǎng)絡(luò)結(jié)構(gòu)提供了不可多得的輿情文本資料。用戶(hù)文本是獲取用戶(hù)現(xiàn)象、內(nèi)容、主體結(jié)構(gòu)關(guān)系的一種載體，融合大規(guī)模和自動(dòng)化的數(shù)據(jù)分析，成為網(wǎng)絡(luò)輿情和大數(shù)據(jù)政治學(xué)主要的研究方法。本文在現(xiàn)有理論支撐和數(shù)據(jù)實(shí)驗(yàn)的基礎(chǔ)上提出一種分析框架。

第一，基于潛在狄利克雷分配（Latent?Dirichlet?Allocation，LDA）的概率主題建模。概率主題模型作為功能顯著的智能識(shí)別，也是文本挖掘法代表性技術(shù)。不同于傳統(tǒng)的文檔檢索依據(jù)關(guān)鍵詞展開(kāi)，LDA基于Python語(yǔ)言環(huán)境，識(shí)別對(duì)應(yīng)的相關(guān)主題獲得線索和規(guī)律性認(rèn)知。利用文本分類(lèi)、聚類(lèi)和信息抽取方法，找到文檔主題的構(gòu)成分布，然后檢索與該主題對(duì)應(yīng)的內(nèi)容，進(jìn)行相關(guān)性探索與推論[35]。因此，可以將LDA視為新形式的文本檢索方法，該技術(shù)可處理多項(xiàng)文本，且具有智能分離多個(gè)含義的功能。同時(shí)，由于該方法基于計(jì)算機(jī)算法自動(dòng)實(shí)現(xiàn)，可以使數(shù)據(jù)分析中的主觀偏差最小化[36]。

第二，使用時(shí)間趨勢(shì)分析（Time?Trend?Analysis）檢驗(yàn)主題與時(shí)間的相關(guān)關(guān)系。對(duì)應(yīng)于概率主題建模，時(shí)間趨勢(shì)分析將建模后的主題采用時(shí)間序列劃分，關(guān)注主題隨時(shí)間變化的現(xiàn)象。兩者的相關(guān)性能夠引導(dǎo)理解現(xiàn)實(shí)世界和數(shù)據(jù)之間、個(gè)體之間、不同群體之間的關(guān)系，多應(yīng)用于統(tǒng)計(jì)學(xué)和經(jīng)濟(jì)學(xué)研究中。但在輿情傳播領(lǐng)域，已有研究多針對(duì)突發(fā)事件以靜態(tài)的方式展開(kāi)研究，或分析用戶(hù)評(píng)論在數(shù)量上的動(dòng)態(tài)變化，融合主題建模的演化研究則探索不足，事實(shí)上，研究不能將兩個(gè)維度割裂開(kāi)來(lái)，應(yīng)綜合兩維度考察用戶(hù)輿情的信息內(nèi)容。因此，本研究嘗試應(yīng)用時(shí)間序列分析，重點(diǎn)對(duì)Web數(shù)據(jù)以天為單位聚合，結(jié)合輿論場(chǎng)的時(shí)序變遷，生成以3天為周期的時(shí)間序列，以此揭示話題隨時(shí)間演變的規(guī)律。

第三，社會(huì)網(wǎng)絡(luò)分析（Social?Network?Analysis，SNA）是對(duì)關(guān)系結(jié)構(gòu)及其屬性加以分析的一種方法。SNA研究社會(huì)網(wǎng)絡(luò)的關(guān)系構(gòu)成在多個(gè)節(jié)點(diǎn)之間的連線集合。Twitter和Weibo賬戶(hù)彼此分別創(chuàng)建的關(guān)注、回復(fù)和@提及網(wǎng)絡(luò)，可以獲得有價(jià)值的關(guān)系發(fā)現(xiàn)，勾勒用戶(hù)互動(dòng)的圖譜，從而形成理論歸納和總結(jié)。SNA包含網(wǎng)絡(luò)整體結(jié)構(gòu)和關(guān)鍵影響者識(shí)別，一是由邊和頂點(diǎn)組成的整體社會(huì)網(wǎng)絡(luò)，其中每個(gè)節(jié)點(diǎn)表示話題中的參與者，邊緣表示他們通過(guò)提及、轉(zhuǎn)發(fā)和回復(fù)方面建立的關(guān)系，匯聚了以整體合作數(shù)量、網(wǎng)絡(luò)密度、網(wǎng)絡(luò)規(guī)模、中心化趨勢(shì)等指標(biāo)為表征的整體認(rèn)知圖景。另一方面，網(wǎng)絡(luò)內(nèi)部的參與者網(wǎng)絡(luò)，是一個(gè)由點(diǎn)度中心度和中間中心性為指標(biāo)的關(guān)鍵影響者識(shí)別。社會(huì)網(wǎng)絡(luò)分析為網(wǎng)絡(luò)輿情提供了將空間概念引入研究框架的新機(jī)遇，呈現(xiàn)相關(guān)話題用戶(hù)互動(dòng)的空間分布及網(wǎng)絡(luò)聚類(lèi)。

3?研究過(guò)程

3.1?概率主題分析：基于LDA的議題關(guān)注

本節(jié)將介紹LDA模型主題的提取過(guò)程。通常來(lái)講，社交媒體平臺(tái)的文本信息由用戶(hù)生成，并存儲(chǔ)在后端數(shù)據(jù)庫(kù)中。因此，在進(jìn)行分類(lèi)主題之前，需要對(duì)文本執(zhí)行分詞、去除停用詞、清洗無(wú)意義字符等預(yù)處理操作。在英文預(yù)處理部分，使用了Python程序中領(lǐng)先的人類(lèi)語(yǔ)言數(shù)據(jù)處理平臺(tái)Natural?Language?Tool?Kit，實(shí)現(xiàn)分詞和停用詞刪除的操作;中文文本分詞部分則選用Jieba中文詞法分析系統(tǒng)。為完成中文停用詞刪除操作，使用了Apache?Lucene的Smart?Chinese?Analyzer類(lèi)中使用的中文停詞列表，此后，每個(gè)公共評(píng)論文檔都表示為單詞向量。然后，使用信息檢索領(lǐng)域的TF-IDF（Term?Frequency-Inverse?Document?Frequency）關(guān)鍵詞統(tǒng)計(jì)方法，進(jìn)行篩選操作。過(guò)濾掉出現(xiàn)頻率高但不影響文檔主題的詞語(yǔ)，盡可能多地保留影響程度較高的特征詞，即可實(shí)現(xiàn)后續(xù)的建模分析。

在接下來(lái)的實(shí)驗(yàn)中，采用LDA模型定量提取指定數(shù)量的關(guān)鍵詞和主題，以實(shí)現(xiàn)特征降維的作用。具體分析過(guò)程為：主題關(guān)鍵詞提取→分類(lèi)主題降維→概率統(tǒng)計(jì)及排序。①主題關(guān)鍵詞詞提取，根據(jù)研究人員設(shè)置的主題和關(guān)鍵詞數(shù)量，系統(tǒng)自動(dòng)提取相應(yīng)的主題和關(guān)鍵詞;②分類(lèi)主題降維，將含義相近的主題和特征詞分別標(biāo)注至具有相同含義的主題中;③概率統(tǒng)計(jì)及排序，統(tǒng)計(jì)每個(gè)分類(lèi)主題的隸屬概率值并排序。分類(lèi)主題建立在關(guān)鍵詞聚類(lèi)基礎(chǔ)上，根據(jù)不同粒度劃分，可計(jì)算出不同的主題數(shù)量，因此需要結(jié)合需求，對(duì)結(jié)果進(jìn)行不斷調(diào)試以達(dá)到最優(yōu)求解。作者分別選取的潛在主題數(shù)量為20、25、30、35個(gè)，發(fā)現(xiàn)當(dāng)Twitter和Weibo的主題總數(shù)分別為25和30個(gè)時(shí)，列表的語(yǔ)義提取效果最好。由于篇幅限制，分別列舉分類(lèi)主題對(duì)應(yīng)的3個(gè)和4個(gè)代表性關(guān)鍵詞，按照從最高到最低的平均適合度排序。表1和表2分別顯示了Twitter和Weibo主題和關(guān)鍵詞的分類(lèi)結(jié)果。

在這一輪的分析中，從兩個(gè)平臺(tái)的主題集合降維提取4項(xiàng)突出的分類(lèi)主題，確定了4項(xiàng)Twitter主題（按隸屬概率值從高到低排序）“經(jīng)濟(jì)—金融—股票（0.398665361）、科技—投資—供應(yīng)鏈（0.296178377）、媒體—社會(huì)—輿論（0.216263527）、政府—外交—領(lǐng)導(dǎo)者（0.088892736）”，以及4項(xiàng)Weibo主題“政府—外交—領(lǐng)導(dǎo)者（0.362724762）、經(jīng)濟(jì)—金融—股票（0.351972265）、科技—投資—供應(yīng)鏈（0.192318333）、媒體—社會(huì)—輿論（0.09298464）”。表3和表4分別展示了Twitter/Weibo的分類(lèi)主題、隸屬主題及概率值的排序結(jié)果。

中美貿(mào)易爭(zhēng)端也被稱(chēng)為經(jīng)濟(jì)爭(zhēng)端或經(jīng)濟(jì)沖突，因此Twitter用戶(hù)將“經(jīng)濟(jì)—金融—股票”（0.398665361）視為重點(diǎn)的關(guān)注議題之一，平臺(tái)跟帖出現(xiàn)一些特定且較高隸屬概率值的關(guān)鍵詞，如“特朗普衰退、特朗普暴跌、價(jià)格、貨幣、下跌、特朗普關(guān)稅”等;Weibo用戶(hù)也聚焦于相同主題（0.351972265），他們集中關(guān)注股市（股指、恒生指數(shù)、上證綜指）、外匯匯率（人民幣、美元）、經(jīng)濟(jì)走勢(shì)（峰值、衰退、下跌）等方面的內(nèi)容。

Twitter主題“科技—投資—供應(yīng)鏈”（0.296178377，關(guān)鍵詞“談判、貿(mào)易談判、亞洲、出口、投資、進(jìn)口”等）被用戶(hù)視為另一個(gè)關(guān)鍵話題。例如，美國(guó)針對(duì)華為公司的貿(mào)易制裁在社交媒體引發(fā)討論，一名網(wǎng)友表示“我從一開(kāi)始就懷疑@Huawei是一個(gè)容易被視為貿(mào)易爭(zhēng)端的目標(biāo)之一，隨著時(shí)間的推移，看看這一切將如何展開(kāi)，將會(huì)很有趣”;也有另一位網(wǎng)友提出“盡管打了貿(mào)易戰(zhàn)，但中國(guó)科技巨頭@Huawei在2019年上半年賺的錢(qián)和2018年全年一樣多”。與此相關(guān)，Weibo想對(duì)應(yīng)的主題主要涉及“合作、增長(zhǎng)、工廠、半導(dǎo)體、產(chǎn)品、芯片”等字眼，隸屬概率值（0.192318333）排序第3位。

0.216263527，包含新聞媒體單位（?？怂剐侣劇outube、金融時(shí)報(bào)）和用戶(hù)的情緒化表達(dá)（擔(dān)憂、思考、選擇）兩方面的內(nèi)容。相對(duì)而言，Weibo主題“媒體—社會(huì)—輿論”（0.09298464）關(guān)鍵詞包含媒體單位（人民日?qǐng)?bào)、中央電視臺(tái)、胡錫進(jìn)）、年輕人（青年、中學(xué)校長(zhǎng)、朋友圈、教授）、情緒表達(dá)（關(guān)注、圍觀、緊張）3個(gè)方面，但是結(jié)果顯示，該主題僅排序第4位，且低于前1位（“科技—投資—供應(yīng)鏈”主題）接近10個(gè)百分點(diǎn)，并非Weibo平臺(tái)的熱門(mén)關(guān)注。

此外，概率主題建模實(shí)驗(yàn)也識(shí)別了兩平臺(tái)更為顯著的差異。“政府—外交—領(lǐng)導(dǎo)者”主題在Weibo平臺(tái)中排序第1，概率超過(guò)36%（0.362724762），這意味著超過(guò)1/3的相關(guān)帖子都在關(guān)注與“政治領(lǐng)袖”（國(guó)家元首、特朗普、劉鶴、總統(tǒng)、參議員）、“政府”（商務(wù)部、美國(guó)商務(wù)部、政權(quán)、華盛頓、政府采購(gòu)）、“外交”（大阪、G7峰會(huì)、談判）相關(guān)的話題，且實(shí)驗(yàn)中關(guān)鍵詞在不同的分類(lèi)主題下呈現(xiàn)不斷重合的態(tài)勢(shì)，從側(cè)面支持了主題被頻繁討論的結(jié)果。有趣的是，Twitter的排序結(jié)果與之正好相反（0.088892736，排序第4），即政府話題在Weibo關(guān)注度最高，在Twitter關(guān)注度最低，呈現(xiàn)完全不同的特征，存在極為顯著的差異。

3.2?時(shí)間趨勢(shì)分析：社交媒體討論主題熱度

通過(guò)主題趨勢(shì)分析，探索用戶(hù)關(guān)注熱點(diǎn)隨著時(shí)間推移發(fā)生變化的趨勢(shì)特征。檢查兩項(xiàng)指標(biāo)基于一個(gè)基本原則，即將Twitter、Weibo上的帖子與同期現(xiàn)實(shí)事件對(duì)比，主題隨時(shí)間趨勢(shì)發(fā)生變化，并呈現(xiàn)上升或下降趨勢(shì)，當(dāng)單位時(shí)間段評(píng)論與關(guān)注主題相關(guān)時(shí)呈現(xiàn)上升趨勢(shì)，反之則減少。通過(guò)這個(gè)操作，可以確定熱門(mén)主題趨勢(shì)與現(xiàn)實(shí)世界的共變關(guān)系。需要指出的是，如果某項(xiàng)主題類(lèi)別在坐標(biāo)內(nèi)趨近于零，并不能明確為該類(lèi)別在相應(yīng)時(shí)間段沒(méi)有出現(xiàn)任何隸屬關(guān)鍵詞，其實(shí)際仍然存在少量數(shù)據(jù)，雖然在圖中未顯示。圖1（a）～（d）描繪了中美貿(mào)易爭(zhēng)端時(shí)期Twitter和Weibo用戶(hù)關(guān)注的主題隨著時(shí)間發(fā)生變化的趨勢(shì)圖。其中，橫軸（X軸）表示以3天為1個(gè)周期的時(shí)間跨度，時(shí)間區(qū)間與LDA概率主題實(shí)驗(yàn)相同（2019年6月28日—9月30日）;縱軸（Y軸）為對(duì)應(yīng)的隸屬概率值，分別在0～0.8之間。

2019年6月28日—29日，中國(guó)國(guó)家主席習(xí)近平與美國(guó)總統(tǒng)唐納德·特朗普在日本大阪舉行G20會(huì)談，這是在貿(mào)易爭(zhēng)端事件后，兩國(guó)領(lǐng)導(dǎo)人的首次會(huì)面。因此該事件發(fā)生之后（7.1—7.7），在兩國(guó)社交媒體均引起強(qiáng)烈關(guān)注。其中，關(guān)于國(guó)際貿(mào)易與供應(yīng)鏈相關(guān)話題（主題：科技—投資—供應(yīng)鏈）討論顯著增加，占比接近50%。在兩平臺(tái)中也曾出現(xiàn)多個(gè)相同含義的關(guān)鍵詞，如“出口（對(duì)應(yīng)Export）、增長(zhǎng)（對(duì)應(yīng)Expand）、達(dá)成協(xié)議（對(duì)應(yīng)Deal）、合作（對(duì)應(yīng)Cooperate），關(guān)注持續(xù)近1個(gè)星期。同時(shí)，主題趨勢(shì)分析映射出此事件的另一個(gè)重要的時(shí)刻：8月2日，作為“Twitter治國(guó)”的代表人物，美國(guó)總統(tǒng)特朗普連續(xù)發(fā)布4條長(zhǎng)篇推特，宣布對(duì)中國(guó)進(jìn)口商品加征關(guān)稅，如圖2所示。這一事件隨即在兩個(gè)平臺(tái)上引發(fā)了大量討論，尤其在“7.29—8.4、8.5—8.11”兩個(gè)時(shí)間段，引起廣泛的討論和洗牌。Twitter用戶(hù)關(guān)注“經(jīng)濟(jì)—金融—股票”（關(guān)稅、衰退、市場(chǎng)、債券、道瓊斯指數(shù)、價(jià)格、特朗普衰退、期貨）和“媒體—社會(huì)—輿論”（聲音、?？怂剐侣?、影響、擔(dān)憂、措施、觀察、報(bào)道、壓力），主要圍繞經(jīng)濟(jì)指數(shù)和情緒表達(dá)兩方面，關(guān)注美國(guó)對(duì)中國(guó)新一輪經(jīng)濟(jì)貿(mào)易制裁的影響。

與Twitter映射的相似之處在于，Weibo用戶(hù)同樣密切關(guān)注美國(guó)總統(tǒng)這個(gè)決策對(duì)我國(guó)經(jīng)濟(jì)的潛在影響，體現(xiàn)為“經(jīng)濟(jì)—金融—股票”主題。但與Twitter截然不同之處在于，相較Twitter持續(xù)升高的用戶(hù)“情緒表達(dá)”，Weibo用戶(hù)更為關(guān)注事件對(duì)“中美關(guān)系和中美政治”的影響（“政府—外交—領(lǐng)導(dǎo)者”主題），顯示出與Twitter的根本差異。對(duì)Weibo用戶(hù)來(lái)講，無(wú)論經(jīng)濟(jì)調(diào)控還是國(guó)際關(guān)系，政府在調(diào)控經(jīng)濟(jì)方面作用顯著，因此人們的分析論證往往集中于政府，實(shí)驗(yàn)顯示討論多為積極評(píng)價(jià)。雖然不能簡(jiǎn)單地將網(wǎng)絡(luò)輿情與現(xiàn)實(shí)世界進(jìn)行直接比較，但在動(dòng)態(tài)變化的數(shù)據(jù)集中，主題概率分布隨著文本索引的增加/減少而增加/減少，可以作為實(shí)時(shí)追蹤現(xiàn)實(shí)情況的有效指標(biāo)。此外，基于這些差異，可以理解不同國(guó)家社會(huì)背景與網(wǎng)絡(luò)輿情信息在用戶(hù)表達(dá)、價(jià)值描繪、輿論引導(dǎo)、治理理念等方面的顯著差異。

4?社會(huì)網(wǎng)絡(luò)分析：網(wǎng)絡(luò)結(jié)構(gòu)與關(guān)鍵影響者識(shí)別

微博客平臺(tái)涉及轉(zhuǎn)發(fā)、關(guān)注、提及其他賬戶(hù)，為研究構(gòu)建用戶(hù)關(guān)系網(wǎng)絡(luò)提供基礎(chǔ)。本文選擇在Twitter、Weibo平臺(tái)中“@提及”兩個(gè)或兩個(gè)以上社交媒體賬號(hào)為樣本，共獲得有效Twitter賬號(hào)206個(gè)，Weibo賬號(hào)183個(gè)，分別測(cè)算宏觀和微觀層面的網(wǎng)絡(luò)指數(shù)。其中，宏觀指數(shù)由整體結(jié)構(gòu)和參與者類(lèi)別組成，以確定賬戶(hù)整體特征;微觀指數(shù)以參與者本身為關(guān)注對(duì)象，包含點(diǎn)度中心性和中間中心勢(shì)兩指標(biāo)，將排名靠前的賬號(hào)確定為社會(huì)網(wǎng)絡(luò)的關(guān)鍵影響者。本次實(shí)驗(yàn)采用UCINET?6.0測(cè)量網(wǎng)絡(luò)中心度，繪圖工具為Gephi0.9.2版本。

4.1?網(wǎng)絡(luò)整體結(jié)構(gòu)與參與者類(lèi)別

通過(guò)鄰接矩陣可以考察關(guān)鍵影響者的合作現(xiàn)狀，根據(jù)微博客的節(jié)點(diǎn)關(guān)系，構(gòu)建可視化的矩陣結(jié)構(gòu)圖。如圖5所示，網(wǎng)絡(luò)節(jié)點(diǎn)面積和連接線條數(shù)量，與關(guān)鍵影響者的影響力成正比。賬號(hào)的指數(shù)越高則面積越大、線條數(shù)量越多。根據(jù)圖3（a）顯示，Twitter關(guān)鍵影響者網(wǎng)絡(luò)呈現(xiàn)顯著的“一超多強(qiáng)”的聯(lián)盟格局。作為核心中心點(diǎn)，美國(guó)總統(tǒng)特朗普個(gè)人Twitter賬號(hào)（@realDonalTrump）控制并影響來(lái)自周?chē)娜?，其周邊緊密?chē)@另外4種類(lèi)型的關(guān)鍵參與者賬號(hào)，分別為：第一，美國(guó)私營(yíng)媒體官方賬號(hào)，包括@CNN、@ABC、@ABC?News、@CBS?News、@FoxNews等，除了美國(guó)本土媒體，也包含少部分來(lái)自英國(guó)、中國(guó)的海外媒體，如@金融時(shí)報(bào)、@路透社、@BBC、@ChinaDaily、@cctvnews、@XHNews，媒體類(lèi)別占總樣本量的27.64%;第二，美國(guó)現(xiàn)任政府工作人員個(gè)人賬號(hào)，例如美國(guó)國(guó)務(wù)卿@SecPempeo、眾議院議長(zhǎng)@SpeakerPelosi、參議員@SenTedcruz、副總統(tǒng)@Mike_Pengce等，少數(shù)美國(guó)前任政治家和外國(guó)領(lǐng)導(dǎo)人如美國(guó)前總統(tǒng)@BarackObama、印度總理@narendramodi包含其中;第三，部分企業(yè)官方賬號(hào)，包含22家美國(guó)公司、9家中國(guó)公司和4家德國(guó)公司，占總樣本的20.60%;最后，網(wǎng)絡(luò)中還包含以記者、黨政機(jī)構(gòu)、研究人員等構(gòu)成的其他群體，但總體僅占樣本量的29.74%。

圖4（a）顯示中美貿(mào)易爭(zhēng)端在Weibo平臺(tái)的網(wǎng)絡(luò)結(jié)構(gòu)圖?？傮w來(lái)看，該結(jié)構(gòu)主要集中為三大板塊：第一，以我國(guó)官方媒體為中心層，占微博的43.11%，其中官方媒體占51.39%（包括@人民日?qǐng)?bào)、@人民網(wǎng)、@中央電視臺(tái)新聞等），一般媒體占47.22%（包括@QQ新聞、@163新聞），以及一個(gè)香港媒體賬號(hào)@香港商報(bào);第二，研究人員在Weibo被稱(chēng)為“專(zhuān)家”（如@政委燦榮、@林毅夫、@戴旭、@邱振海、@宋忠平等），在Weibo平臺(tái)顯示出了較強(qiáng)的影響力，賬號(hào)占比約為17%;第三，企業(yè)賬戶(hù)，Weibo平臺(tái)包括20家中國(guó)公司（如@華為、@小米、@百度、@聯(lián)想、@喜馬拉雅）和4家美國(guó)公司（如@迪士尼中國(guó)、@Facebook工程團(tuán)隊(duì)、@Apple）賬號(hào)，占樣本的14.37%。這3種賬號(hào)類(lèi)型居于Weibo網(wǎng)絡(luò)結(jié)構(gòu)的中心區(qū)域，表明以這些賬號(hào)為核心的結(jié)構(gòu)彼此之間相互關(guān)聯(lián)的數(shù)量最多。除此之外，網(wǎng)絡(luò)整體結(jié)構(gòu)還包含記者、黨政機(jī)構(gòu)、學(xué)術(shù)機(jī)構(gòu)等其他類(lèi)型，總占比約為25.75%。

4.2?網(wǎng)絡(luò)中心度測(cè)量與關(guān)鍵影響者識(shí)別

網(wǎng)絡(luò)位置中心性是一種量化網(wǎng)絡(luò)中核心節(jié)點(diǎn)影響力的指標(biāo)。在合作網(wǎng)絡(luò)中，處于中心位置的關(guān)鍵影響者占據(jù)更重要的位置，具有更強(qiáng)的群體影響力，網(wǎng)絡(luò)中心度指標(biāo)由點(diǎn)度中心性和接近中心性?xún)刹糠纸M成。其中，點(diǎn)度中心性根據(jù)每個(gè)節(jié)點(diǎn)所持有的鏈接數(shù)來(lái)分配重要性，指數(shù)越高其在網(wǎng)絡(luò)中的傳播力越大，影響其他節(jié)點(diǎn)的數(shù)量越多，客觀反映節(jié)點(diǎn)在網(wǎng)絡(luò)中的影響力和信息傳播能力;接近中心性主要測(cè)量節(jié)點(diǎn)與網(wǎng)絡(luò)中其他所有節(jié)點(diǎn)的最短路徑長(zhǎng)度的平均值，該值越高其核心程度越高，與其他節(jié)點(diǎn)的距離越近。

根據(jù)UCINET?6.0對(duì)網(wǎng)絡(luò)中心性?xún)身?xiàng)指標(biāo)的計(jì)算統(tǒng)計(jì)和綜合排名，如圖5所示，在Twitter網(wǎng)絡(luò)聯(lián)盟中，特朗普（@realDonaldTrump）在中美貿(mào)易爭(zhēng)端的輿論影響力高居第一且超過(guò)其后的各項(xiàng)節(jié)點(diǎn)兩倍以上，與新聞媒體@CNN、華爾街日?qǐng)?bào)@WSJ成為排名前3的關(guān)鍵影響者。同時(shí)，結(jié)果顯示Twitter社交網(wǎng)絡(luò)影響力與私有媒體的活躍程度存在顯著的正相關(guān)。前12名中共10位來(lái)自美、英的媒體機(jī)構(gòu)（占比83.33%），除了第2、3名之外，還包括美國(guó)消費(fèi)者新聞與商業(yè)頻道@CNBC、彭博新聞社@business、微軟全國(guó)廣播公司節(jié)目@MSNBC、福克斯新聞@FoxNews、@ABC，以及英國(guó)媒體路透社@Reuters、金融時(shí)報(bào)@FinacialTimes、英國(guó)廣播公司@BBC等，唯一的非媒體機(jī)構(gòu)為美國(guó)共和黨賬號(hào)@GOP，綜合排在第6位。在Weibo平臺(tái)中，我國(guó)兩大官方媒體機(jī)構(gòu)@央視新聞和@人民日?qǐng)?bào)的中心性測(cè)量綜合排名前兩位;排名第3、4位的分別是報(bào)道國(guó)際資訊為主題的媒體@環(huán)球時(shí)報(bào)，以及該機(jī)構(gòu)的總編輯、著名記者@胡錫進(jìn)。根據(jù)對(duì)綜合排名第5～12位的關(guān)鍵影響者統(tǒng)計(jì)，兩位來(lái)自官方媒體（還包括@參考消息、@CCTV4），3位私營(yíng)媒體（@新浪軍事、@新浪財(cái)經(jīng)、@軍情直播間），3位來(lái)自研究人員的個(gè)人賬號(hào)（@宋忠平、@洪琳、@邱振海）。

5?討論和結(jié)論

本研究以中美貿(mào)易爭(zhēng)端為案例，通過(guò)對(duì)兩國(guó)微博客平臺(tái)共計(jì)約54?000份數(shù)據(jù)挖掘，比較探索了用戶(hù)在議題關(guān)注、時(shí)間趨勢(shì)及關(guān)系結(jié)構(gòu)等互動(dòng)的特征差異。如今，以社交媒體為平臺(tái)挖掘熱門(mén)事件情報(bào)的作用愈發(fā)重要，微博客應(yīng)用與爬蟲(chóng)程序、文本挖掘法的深度融合，為理解海內(nèi)外網(wǎng)絡(luò)民意、制定針對(duì)性舉措奠定基礎(chǔ)。本研究試圖將傳播學(xué)理論結(jié)合信息時(shí)代的分析技術(shù)，以傳統(tǒng)理論為基礎(chǔ)，以海量數(shù)據(jù)為支撐，解釋和評(píng)價(jià)來(lái)自?xún)蓚€(gè)國(guó)家和平臺(tái)的民意特征，闡述用戶(hù)輿情可能存在的互動(dòng)偏差，也為探索網(wǎng)絡(luò)輿情研究的新視角提供一定的借鑒意義。

首先，本研究明確了兩國(guó)社交媒體平臺(tái)概率主題存在顯著差異的根本原因在于不同的社會(huì)背景、語(yǔ)言表達(dá)及傳播體制產(chǎn)生不同的用戶(hù)表達(dá)框架，進(jìn)而激發(fā)出截然不同甚至相互對(duì)立的價(jià)值觀念。在以Twitter為代表的英文社交媒體環(huán)境下，用戶(hù)關(guān)注貿(mào)易爭(zhēng)端對(duì)經(jīng)濟(jì)和科技的影響;而在Weibo中文平臺(tái)背景中，評(píng)論則以政府與經(jīng)濟(jì)發(fā)展為中心。受到政治宣傳和輿論引導(dǎo)的影響，中文媒體風(fēng)格呈現(xiàn)以政府機(jī)構(gòu)為主導(dǎo)，以集體理性和措施解決為原則的網(wǎng)絡(luò)傳播特征;而在英文媒體背景下，受自由意志及個(gè)性化表達(dá)的媒體環(huán)境影響，體現(xiàn)為與用戶(hù)現(xiàn)實(shí)關(guān)注結(jié)合，映射對(duì)宏觀經(jīng)濟(jì)政策和經(jīng)濟(jì)衰退等問(wèn)題的直言不諱。雖然框架理論與網(wǎng)絡(luò)輿情的實(shí)證研究較為缺乏，但是此結(jié)論提供了一些有趣的研究證據(jù)。

其次，本研究證明了社交媒體的公眾討論，可以有效反映國(guó)際事件的發(fā)展，并來(lái)源于“現(xiàn)實(shí)世界”。通過(guò)對(duì)時(shí)間趨勢(shì)的觀察分析，話題關(guān)注者的主題往往通過(guò)集中式的討論凸顯，以一種動(dòng)態(tài)的方式演變，這些結(jié)果讓人們能夠更好地理解用戶(hù)在中美貿(mào)易爭(zhēng)端前后的演變。同時(shí)，重要或有爭(zhēng)議的事件在網(wǎng)絡(luò)傳播中發(fā)揮至關(guān)重要的作用，例如，G20峰會(huì)和特朗普總統(tǒng)的4條推文，很好地解釋了網(wǎng)絡(luò)轟動(dòng)效應(yīng)的根源，也表明重要人物在緩解或擴(kuò)大潛在問(wèn)題爭(zhēng)端中扮演了特殊角色。此外，本研究也驗(yàn)證了所提出的“主題—時(shí)間趨勢(shì)模型”，結(jié)合適當(dāng)?shù)目梢暬磉_(dá)，能夠以一種清晰簡(jiǎn)約的方式關(guān)注復(fù)雜的國(guó)際問(wèn)題。

最后，本研究描繪了社交媒體平臺(tái)關(guān)鍵影響者網(wǎng)絡(luò)與屬性類(lèi)別的差異。一方面，網(wǎng)絡(luò)結(jié)構(gòu)展示兩平臺(tái)總體是具包容性的，一小部分賬號(hào)處于網(wǎng)絡(luò)的邊緣被隔離在外;另一方面，話題討論中占主導(dǎo)地位的群體則被少數(shù)個(gè)體所壟斷，兩平臺(tái)意見(jiàn)領(lǐng)袖屬性的差異也較為顯著。其中，Twitter主要通過(guò)美國(guó)政治領(lǐng)袖以及若干私營(yíng)媒體賬號(hào)所發(fā)布的信息，帶動(dòng)西方世界的輿論影響;而在Weibo網(wǎng)絡(luò)聯(lián)盟中，官方媒體、私營(yíng)媒體和研究人員主要承擔(dān)政府“發(fā)聲器”的角色，該平臺(tái)沒(méi)有直接出現(xiàn)政治領(lǐng)袖的個(gè)人賬號(hào)，而是由研究人員以專(zhuān)家的身份代之，引導(dǎo)網(wǎng)絡(luò)輿論并發(fā)揮關(guān)鍵影響者的作用。

與此同時(shí)，本研究仍然存在一些局限性，也為今后的研究提供可以改進(jìn)的方向。一方面，本研究?jī)H關(guān)注英文和中文的微博客內(nèi)容，無(wú)法充分驗(yàn)證其他非英語(yǔ)或漢語(yǔ)的平臺(tái)，因此，未來(lái)相關(guān)研究可以持續(xù)擴(kuò)大語(yǔ)種的使用范圍，評(píng)估社交媒體在更多國(guó)家和地區(qū)的研究?jī)r(jià)值;另一方面，未來(lái)研究可以考慮將文本情感分析擴(kuò)展至分析框架，考察網(wǎng)絡(luò)輿情的情感色彩，以及集體情緒隨時(shí)間和事件產(chǎn)生變化的規(guī)律，上述問(wèn)題有待進(jìn)一步探討和完善。

參考文獻(xiàn)

[1]Jennifer?B?Unger.The?Role?of?Social?Networks?and?Media?Receptivity?in?Predicting?Age?of?Smoking?Initiation：A?Proportional?Hazards?Model?of?Risk?and?Protective?Factors[J].Addictive?Behaviors，1999，24（3）：371-381.

[2]Herold，David?K.Cultural?Politics?and?Political?Culture?of?Web?2.0?in?Asia[J].Knowledge，Technology?&?Policy，2009，22（2）：89-94.

[3]李曉靜.社交媒體用戶(hù)的信息加工與信任判斷——基于眼動(dòng)追蹤的實(shí)驗(yàn)研究[J].新聞與傳播研究，2017，24（10）：49-67，127-128.

[4]Castells?M.Communication，Power?and?Counter-power?in?the?Network?Society[J].International?Journal?of?Communication，2007，1（1）：29.

[5]Parmelee，John?H，Shannon?L?Bichard.Politics?and?the?Twitter?Revolution：How?Tweets?Influence?the?Relationship?Between?Political?Leaders?and?the?Public[M].Lexington?Books，2011.

[6]Kim?S，Lee?J.E-participation，Transparency，and?Trust?in?Local?Government[J].Public?Administration?Review，2012，72（6）：819-828.

[7]Barnett，George?A.Encyclopedia?of?Social?Networks[M].Sage?Publications，2011.

[8]Naaman?M，Boase?J，Lai?C?H.Is?it?Really?About?Me？Message?Content?in?Social?Awareness?Streams[C]//Proceedings?of?the?2010?ACM?Conference?on?Computer?Supported?Cooperative?Work，2010：189-192.

[9]Hughes?A?L，Palen?L.Twitter?Adoption?and?Use?in?Mass?Convergence?and?Emergency?Events[J].International?Journal?of?Emergency?Management，2009，6（3-4）：248-260.

[10]Kwak?H，Lee?C，Park?H，et?al.What?is?Twitter，a?Social?Network?or?a?News?Media？[C]//Proceedings?of?the?19th?International?Conference?on?World?Wide?Web，2010：591-600.

[11]Goffman?E.Frame?Analysis：An?Essay?on?the?Organization?of?Experience[M].Boston：Northeastern?University?Press，1986.

[12]朱天，張誠(chéng).框架理論視域下互聯(lián)網(wǎng)圈子的傳播結(jié)構(gòu)認(rèn)知[J].現(xiàn)代傳播（中國(guó)傳媒大學(xué)學(xué)報(bào)），2015，37（10）：128-132.

[13]Binder?M，Childers?M，Johnson?N.Campaigns?and?the?Mitigation?of?Framing?Effects?on?Voting?Behavior：A?Natural?and?Field?Experiment[J].Political?Behavior，2015，37（3）：703-722.

[14]潘霽，劉暉.公共空間還是減壓閥？“北大雕像戴口罩”微博討論中的歸因、沖突與情感表達(dá)[J].國(guó)際新聞界，2014，36（11）：19-33.

[15]Katz?E，Lazarsfeld?P?F.The?Part?Played?By?People?in?the?Flow?of?Mass?Communications[J].Personal?Influence，1955：31-42.

[16]Dubois?E，Gaffney?D.The?Multiple?Facets?of?Influence：Identifying?Political?Influentials?and?Opinion?Leaders?on?Twitter[J].American?Behavioral?Scientist，2014，58（10）：1260-1277.

[17]Swanson?D?R，Smalheiser?N?R，Bookstein?A.Information?Discovery?from?Complementary?Literatures：Categorizing?Viruses?as?Potential?Weapons[J].Journal?of?the?American?Society?for?Information?Science?and?Technology，2001，52（10）：797-812.

[18]Bruza，et?al.Literature-based?Discovery[M].Springer?Science?&?Business?Media，2008.

[19]Musto?C，Semeraro?G，Lops?P，et?al.CrowdPulse：A?Framework?for?Real-time?Semantic?Analysis?of?Social?Streams[J].Information?Systems，2015，54：127-146.

[20]楊奕，張毅，李梅，等.基于LDA模型的公眾反饋意見(jiàn)采納研究——共享單車(chē)政策修訂與數(shù)據(jù)挖掘的對(duì)比分析[J].情報(bào)科學(xué)，2019，37（1）：86-93.

[21]郝媛媛，葉強(qiáng)，李一軍.基于影評(píng)數(shù)據(jù)的在線評(píng)論有用性影響因素研究[J].管理科學(xué)學(xué)報(bào)，2010，13（8）：78-88，96.

[22]于江，黨延忠.用信息可視化方法分析科研領(lǐng)域發(fā)展?fàn)顩r[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2009，30（6）：10-14.

[23]Javed?N，Muralidhara?B.Framework?for?Participative?and?Collaborative?Governance?Using?Social?Media?Mining?Techniques[J].International?Journal?of?Computer?Applications，2015，123（8）.

[24]Reddick?C?G，Chatfield?A?T，Ojo?A.A?Social?Media?Text?Analytics?Framework?for?Double-loop?Learning?for?Citizen-centric?Public?Services：A?Case?Study?of?a?Local?Government?Facebook?Use[J].Government?Information?Quarterly，2017，34（1）：110-125.

[25]Doran?D，Gokhale?S?S，Dagnino?A.Discovering?Perceptions?in?Online?Social?Media：A?Probabilistic?Approach[J].International?Journal?of?Software?Engineering?and?Knowledge?Engineering，2014，24（9）：1273-1299.

[26]Lee?M?J，Chun?J?W.Reading?Others?Comments?and?Public?Opinion?Poll?Results?on?Social?Media：Social?Judgment?and?Spiral?of?Empowerment[J].Computers?in?Human?Behavior，2016，65：479-487.

[27]Metzger?M?J，Docter?S.Public?Opinion?and?Policy?Initiatives?for?Online?Privacy?Protection[J].Journal?of?Broadcasting?&?Electronic?Media，2003，47（3）：350-374.

[28]Imran-Daud?M，Sanchez?D，Viejo?A.Privacy-driven?Access?Control?in?Social?Networks?By?Means?of?Automatic?Semantic?Annotation[J].Computer?Communications，2016，76：12-25.

[29]Murthy?K?V?B.US-China?Trade?Disputes：Studying?Long-Term?Trade?Patterns[J].Manag?Econ?Res?J，2019，5（2019）：10406.

[30]Hughes?L，Meckling?J.The?Politics?of?Renewable?Energy?Trade：The?US-China?Solar?Dispute[J].Energy?Policy，2017，105：256-262.

[31]Gompert?D?C，Cevallos?A?S，Garafola?C?L.War?with?China：Thinking?Through?the?Unthinkable[M].Rand?Corporation，2016.

[32]Ikenson?D?J.Cybersecurity?or?Protectionism？Defusing?the?Most?Volatile?Issue?in?the?US-China?Relationship[J].Defusing?the?Most?Volatile?Issue?in?the?US-China?Relationship.Cato?Institute?Policy?Analysis，2017，（815）：1-16.

[33]Akhtar?S?I，Morrison?W?M.Digital?Trade?and?US?Trade?Policy[M].Congressional?Research?Service，2017.

[34]Schell?O，Shirk?S?L.US?Policy?Toward?China：Recommendations?for?a?New?Administration：Task?Force?Report[M].Asia?Society?Center?on?US-China?Relations，2017.

[35]Blei?D?M，Ng?A?Y，Jordan?M?I.Latent?Dirichlet?Allocation[J].Journal?of?Machine?Learning?Research，2003，3（1）：993-1022.

[36]張毅，楊奕，鄧雯.政策與部門(mén)視角下中國(guó)網(wǎng)絡(luò)空間治理——基于LDA和SNA的大數(shù)據(jù)分析[J].北京理工大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2019，21（2）：127-136.

（責(zé)任編輯：孫國(guó)雷）