■ 單曉紅 何強(qiáng) 劉曉燕 楊娟

北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院 北京 100124

0 引言

開放式創(chuàng)新環(huán)境下，企業(yè)開展創(chuàng)新活動不僅依靠企業(yè)自身,也受外部環(huán)境影響[1]，因而企業(yè)逐漸重視用戶體驗(yàn)[2]，將用戶作為其重要的外部創(chuàng)新來源[3]。領(lǐng)先用戶是在特定領(lǐng)域處于重要市場前沿地位（領(lǐng)先市場趨勢），并期望從滿足需求的解決方案中獲得高收益（高期望收益）的個人、群體或組織[4]。企業(yè)與領(lǐng)先用戶展開合作，可以了解市場的發(fā)展趨勢和需求變化，有助于企業(yè)完善產(chǎn)品的原型設(shè)計、縮短產(chǎn)品的開發(fā)周期，加速實(shí)現(xiàn)突破式創(chuàng)新，提升企業(yè)的核心競爭力[5-6]。

近年來，信息技術(shù)的快速發(fā)展為用戶參與企業(yè)創(chuàng)新提供了廣闊的平臺[7]，國內(nèi)外許多企業(yè)，如華為、小米、寶潔和戴爾等，通過構(gòu)建群智創(chuàng)新社區(qū)[8]使用戶廣泛地參與企業(yè)創(chuàng)新。群智創(chuàng)新社區(qū)是基于互聯(lián)網(wǎng)和通信技術(shù)的網(wǎng)絡(luò)平臺,旨在將原本孤立、分散的用戶聚集起來，用戶之間通過分享和討論技術(shù)經(jīng)驗(yàn)、創(chuàng)意設(shè)計方案，可以加速知識的傳播，幫助企業(yè)解決技術(shù)或創(chuàng)新難題[9]。然而，不同用戶知識水平和技術(shù)經(jīng)驗(yàn)的不同使其創(chuàng)新能力存在較大差異，這便增加了企業(yè)開展社區(qū)用戶管理、選擇創(chuàng)新合作對象的難度[8]。相比于普通用戶，領(lǐng)先用戶擁有更強(qiáng)的市場預(yù)見性[10]，他們的需求和偏好能夠引領(lǐng)市場,并且更熱衷于為產(chǎn)品創(chuàng)新提供幫助[11]，可為開展企業(yè)創(chuàng)新活動提供決策支持。因此，如何準(zhǔn)確地識別出群智創(chuàng)新社區(qū)中的領(lǐng)先用戶，確定領(lǐng)先用戶間的領(lǐng)先性差異，對于企業(yè)了解領(lǐng)先用戶特征、篩選合作對象意義重大?，F(xiàn)有識別指標(biāo)體系無法完整地反映出領(lǐng)先用戶特征，識別方法難以體現(xiàn)領(lǐng)先用戶差異，極大影響了企業(yè)對領(lǐng)先用戶的有效利用。國家基金委將有效利用領(lǐng)先用戶等外部資源視為技術(shù)供需對接需要解決的關(guān)鍵問題，本文是國家自科面上項(xiàng)目“異構(gòu)信息網(wǎng)絡(luò)下技術(shù)供需匹配模型與對接路徑研究”的部分成果，給出了基于群智創(chuàng)新社區(qū)用戶行為數(shù)據(jù)和內(nèi)容數(shù)據(jù)的識別領(lǐng)先用戶的方法，有效促進(jìn)了技術(shù)供需匹配與對接。

1 相關(guān)研究

1.1 群智創(chuàng)新社區(qū)中領(lǐng)先用戶特征研究

領(lǐng)先市場趨勢和高期望收益是領(lǐng)先用戶的基本特征[10]，近年來眾多學(xué)者對領(lǐng)先用戶的特征進(jìn)行了深入研究和拓展，如表1所示，Lüthje、Belz 和Schreier 等學(xué)者認(rèn)為領(lǐng)先用戶比普通用戶對產(chǎn)品的設(shè)計和開發(fā)更為了解，因而擁有豐富的專業(yè)知識和經(jīng)驗(yàn)。Lüthje、Füller 和Pajo等學(xué)者認(rèn)為領(lǐng)先用戶能夠積極地參與產(chǎn)品體驗(yàn)，并且與自己的期望作對比，提出相應(yīng)的修改建議，因而擁有較高的創(chuàng)新積極性，此外，Jeppesen、Marchi 和Hau 等學(xué)者認(rèn)為領(lǐng)先用戶能夠積極發(fā)表自己的創(chuàng)新建議并與其他用戶進(jìn)行探討，表現(xiàn)出了較高的共享性。Franke、Morri‐son、Belz 和Kratzer 等學(xué)者認(rèn)為領(lǐng)先用戶擁有著較強(qiáng)的創(chuàng)新能力，在相關(guān)的領(lǐng)域中，他們的社會威望較高，其觀點(diǎn)和建議能夠得到其他人的認(rèn)可，極有可能成為群體中的意見領(lǐng)袖。

表1 領(lǐng)先用戶特征

1.2 群智創(chuàng)新社區(qū)中領(lǐng)先用戶識別研究

傳統(tǒng)的領(lǐng)先用戶識別方法包括群體篩選法和金字塔法[23]等，但這些方法多以問卷調(diào)查或者訪談法形式開展，需耗費(fèi)較多的時間和成本，不適用于線上社區(qū)環(huán)境中，網(wǎng)絡(luò)志法[20]和眾包法[24]雖可用于線上創(chuàng)新社區(qū)中領(lǐng)先用戶識別，但仍是基于人工分析用戶數(shù)據(jù)，也存在著效率低、用戶識別準(zhǔn)確性不高等問題。近幾年，國內(nèi)外一些學(xué)者嘗試使用數(shù)據(jù)挖掘技術(shù)識別創(chuàng)新社區(qū)中的領(lǐng)先用戶，Sanjin Pajo[25]等提出了FLUID (Fast Lead User Identification)法，并以Twitter 中的用戶數(shù)據(jù)驗(yàn)證了方法的有效性。葉三龍[26]通過構(gòu)造屬性矩陣并利用加權(quán)平均法求出用戶的創(chuàng)新能力值，識別出了網(wǎng)上品牌社區(qū)中的領(lǐng)先用戶。王磊等[8]使用聚類算法劃分創(chuàng)新社區(qū)中的用戶，并對不同類別用戶的創(chuàng)新能力進(jìn)行分析。李楠[27]提出一種基于改進(jìn)的PROMETHEE 法進(jìn)行創(chuàng)新社區(qū)中的領(lǐng)先用戶識別。付軾輝和焦媛媛等[28]從用戶語言風(fēng)格的角度出發(fā)，探索使用成就需求、積極情緒、集體主義和未來導(dǎo)向等語言風(fēng)格識別領(lǐng)先用戶的可行性。趙曉煜和孫福權(quán)[29]研究了樸素貝葉斯分類算法在識別創(chuàng)新社區(qū)中領(lǐng)先用戶上的應(yīng)用。原欣偉和楊少華等[30]分析創(chuàng)新社區(qū)中用戶的特征，并結(jié)合網(wǎng)絡(luò)志法和隨機(jī)森林算法探索領(lǐng)先用戶識別。

現(xiàn)有研究為企業(yè)識別領(lǐng)先用戶提供了基礎(chǔ)，但仍存在以下不足：第一，現(xiàn)有研究多以領(lǐng)先市場趨勢和高收益期望兩項(xiàng)特征作為領(lǐng)先用戶的識別依據(jù)，沒有充分結(jié)合創(chuàng)新社區(qū)中用戶的行為數(shù)據(jù)和內(nèi)容數(shù)據(jù)，使得識別指標(biāo)體系構(gòu)建不完整，影響了領(lǐng)先用戶識別效果。第二，多數(shù)識別方法都是基于分類算法，但分類過程中預(yù)先標(biāo)注用戶類別易受人為因素干擾，進(jìn)而影響識別結(jié)果的合理性。第三，識別出的領(lǐng)先用戶無法區(qū)分其領(lǐng)先性的差異，難以給企業(yè)提供更加有針對性的決策。

近年來，用戶排序研究在其他領(lǐng)域已經(jīng)有了一定的基礎(chǔ)[31-34]，這為分析群智創(chuàng)新社區(qū)中領(lǐng)先用戶的領(lǐng)先性差異提供了技術(shù)支持。因此，本文結(jié)合用戶行為數(shù)據(jù)和內(nèi)容數(shù)據(jù)構(gòu)建領(lǐng)先用戶識別指標(biāo)體系，使用聚類算法識別出領(lǐng)先用戶并通過灰色關(guān)聯(lián)分析確定領(lǐng)先用戶的領(lǐng)先性排名，不僅完善了領(lǐng)先用戶識別指標(biāo)體系，有助于提高領(lǐng)先用戶識別的準(zhǔn)確率，也可以通過領(lǐng)先用戶排名更好地體現(xiàn)用戶領(lǐng)先性差異，從而為企業(yè)提供更加有意義的決策支持。

2 群智創(chuàng)新社區(qū)領(lǐng)先用戶識別指標(biāo)體系構(gòu)建及度量

2.1 群智創(chuàng)新社區(qū)領(lǐng)先用戶識別指標(biāo)體系的構(gòu)建

領(lǐng)先用戶識別指標(biāo)是識別領(lǐng)先用戶的關(guān)鍵所在。群智創(chuàng)新社區(qū)中的用戶數(shù)據(jù)分為兩類，即表現(xiàn)用戶行為的行為數(shù)據(jù)和用戶發(fā)表主題帖子的內(nèi)容數(shù)據(jù)。行為數(shù)據(jù)既包括發(fā)表帖子數(shù)量、評論帖子數(shù)量、在線時長、好友數(shù)等，也包括社區(qū)對用戶的獎勵回饋記錄，如積分、金幣數(shù)、等級數(shù)和貢獻(xiàn)值等數(shù)據(jù)，反映了用戶在社區(qū)中的活躍性、共享性和影響力。內(nèi)容數(shù)據(jù)包括用戶發(fā)表的創(chuàng)新帖子、產(chǎn)品設(shè)計、話題討論和技術(shù)分享等，其內(nèi)容包含文字、圖片和鏈接等，反映了用戶的創(chuàng)新性。本文在已有研究的基礎(chǔ)上，結(jié)合群智創(chuàng)新社區(qū)中用戶的特征，提出了基于活躍性、創(chuàng)新性、共享性和影響力4個維度的領(lǐng)先用戶識別指標(biāo)體系，如表2所示。

表2 群智創(chuàng)新社區(qū)領(lǐng)先用戶識別指標(biāo)

2.2 群智創(chuàng)新社區(qū)領(lǐng)先用戶識別指標(biāo)體的度量

活躍性：總發(fā)帖量、簽到天數(shù)、在線時長等指標(biāo)反映了參與用戶創(chuàng)新活動的活躍性水平。在線時間越長，發(fā)表帖子數(shù)量越多，表明用戶越愿意參與創(chuàng)新社區(qū)的活動，積極性越高。

創(chuàng)新性：精華帖子數(shù)量、熱門帖子數(shù)量、平均帖子質(zhì)量系數(shù)、平均帖子內(nèi)容得分等指標(biāo)反映了用戶發(fā)表帖子內(nèi)容的創(chuàng)新水平和專業(yè)水平，能夠表現(xiàn)出社區(qū)和用戶對帖子的認(rèn)可程度，從而表現(xiàn)出用戶的創(chuàng)新能力、經(jīng)驗(yàn)和技術(shù)水平。

為了更好地反映用戶創(chuàng)新性，本文使用“平均帖子質(zhì)量系數(shù)”和“平均帖子內(nèi)容得分”兩項(xiàng)指標(biāo)從行為數(shù)據(jù)和文本內(nèi)容兩方面來綜合衡量用戶在一段時間內(nèi)發(fā)表帖子所含創(chuàng)新性和專業(yè)性的整體水平，計算方法如公式（1-2）所示：

其中：Content_Scoreavg代表平均帖子內(nèi)容得分，content_scorei代表用戶第i篇帖子的得分，Post_Qualityavg代表平均帖子質(zhì)量系數(shù)，post_qualityi代表用戶第i篇帖子的質(zhì)量系數(shù)，num_published代表用戶發(fā)表帖子總數(shù)。

帖子質(zhì)量系數(shù)用于衡量帖子質(zhì)量的好壞。創(chuàng)新社區(qū)中也存在內(nèi)容質(zhì)量一般但瀏覽量卻極高的帖子，如社區(qū)中的通知、公告等，瀏覽量高但回復(fù)數(shù)卻很少，原因是用戶的“從眾心理”使得他們?nèi)ラ喿x瀏覽量高的帖子，但瀏覽后卻發(fā)現(xiàn)帖子內(nèi)容一般便很少對帖子進(jìn)行評論，這類帖子有著極高的瀏覽量但內(nèi)容質(zhì)量卻很低，缺乏創(chuàng)新性和專業(yè)性。其計算方式如公式（3）所示：

其中，num_browsed代表帖子被瀏覽量，num_replied代表帖子被回復(fù)數(shù)量。

帖子內(nèi)容得分反映了帖子價值的高低，得分越高表明帖子的價值越高。本文使用熵權(quán)法[30]分衡量帖子內(nèi)容得分，首先將帖子文本進(jìn)行分詞和去除停用詞處理，得到分詞列表，再從中篩選出能夠代表專業(yè)領(lǐng)域或知識的特征詞，計算特征詞的信息熵和權(quán)重，最終計算得到每篇帖子的得分，帖子內(nèi)容得分具體計算過程如下：

從m篇處理后的用戶帖子中共篩選出n個特征詞，若第j個特征詞在第i篇用戶帖子中出現(xiàn)的頻率為xij,特征詞詞頻矩陣可表示為X=[xij]對詞頻矩陣進(jìn)行無量綱化處理，處理過程如公式（4）所示：

其中：max(xj)為m篇用戶帖子中第j個特證詞的最大詞頻，min(xj)為m篇用戶帖子中第j個特證詞的最小詞頻。

其次，計算標(biāo)準(zhǔn)化后的詞頻矩陣中的每一項(xiàng)在每一列中的比重，計算方法如公式（5）所示：

計算每個特征詞的信息熵，計算方法如公式（6）所示：

計算每個特征詞的權(quán)重，計算方法如公式（7）所示：

最后，計算每篇帖子內(nèi)容信息得分，計算方法如公式（8）所示：

共享性：好友數(shù)、發(fā)起討論次數(shù)量和總回帖量等指標(biāo)能夠反映出用戶積極與其他用戶互動和交流的程度，衡量用戶是否積極與其他用戶進(jìn)行知識共享及推動創(chuàng)新的能力。

影響力：用戶頭銜、總貢獻(xiàn)值和積分等指標(biāo)能反映出用戶在群智創(chuàng)新社區(qū)中的個人威望和認(rèn)可度，體現(xiàn)了用戶在社區(qū)中的影響力。

3 基于聚類算法的群智創(chuàng)新社區(qū)領(lǐng)先用戶識別方法

3.1 基于變異系數(shù)法的指標(biāo)權(quán)重確定

根據(jù)上述指標(biāo)構(gòu)建過程可知，領(lǐng)先用戶和普通用戶在創(chuàng)新能力、專業(yè)知識等方面存在較大差異，因此在識別領(lǐng)先用戶前應(yīng)賦予各項(xiàng)指標(biāo)不同的權(quán)重，以進(jìn)一步體現(xiàn)用戶間的差異，本文使用變異系數(shù)法[35]，確定各項(xiàng)指標(biāo)的權(quán)重，變異系數(shù)法是一種客觀賦權(quán)法，可充分利用數(shù)據(jù)的客觀信息對評價指標(biāo)賦權(quán)，其基本思想為在評價指標(biāo)體系中取值差異越大的指標(biāo)，該指標(biāo)的重要性就越高，越應(yīng)該被重點(diǎn)關(guān)注，通過計算各項(xiàng)指標(biāo)的變異系數(shù)來衡量各項(xiàng)指標(biāo)取值的差異程度[36]，具體計算過程如公式（9-10）：

其中，Vi是第i項(xiàng)指標(biāo)的變異系數(shù)，σi是第i項(xiàng)指標(biāo)的標(biāo)準(zhǔn)差，是第i項(xiàng)指標(biāo)的平均值，Wi是第i項(xiàng)指標(biāo)的權(quán)重。

3.2 領(lǐng)先用戶識別

聚類算法屬于無監(jiān)督學(xué)習(xí)算法，學(xué)習(xí)過程中無需標(biāo)注數(shù)據(jù)，因而可以避免有監(jiān)督學(xué)習(xí)算法在人為標(biāo)注數(shù)據(jù)時所帶來的誤差。本文使用聚類算法識別群智創(chuàng)新社區(qū)中的領(lǐng)先用戶，聚類過程中根據(jù)用戶的不同特征對用戶類別進(jìn)行判斷，將特征相似的用戶劃分到同一個群體中，而不同群體間的用戶特征差異較大，對比和分析不同用戶群體的用戶特征，以確定領(lǐng)先用戶所在群體。

凝聚層次聚類算法[37]實(shí)現(xiàn)較為簡單，并且無需預(yù)先設(shè)定聚類個數(shù)，可以發(fā)現(xiàn)類之間的層次關(guān)系，因此本文使用凝聚層次聚類算法識別領(lǐng)先用戶，算法的主要思想是將每個數(shù)據(jù)點(diǎn)作為一個初始聚類簇，每次迭代都尋找相似度最高的2 個類別進(jìn)行合并，并不斷迭代合并的過程，直至分類數(shù)目達(dá)到預(yù)期設(shè)定的值，計算簇之間相似度有3 種方式，即最小相似度、最大相似度和平均相似度，計算方式如公式（11-13）所示[38-39]，

其中，dmin(Ci,Cj)、dmax(Ci,Cj)、davg(Ci,Cj)分別為聚類簇Ci和Cj之間的最小相似度、最大相似度和平均相似度，ni和nj分別是聚類簇Ci和Cj中數(shù)據(jù)點(diǎn)的數(shù)量。

4 基于灰色關(guān)聯(lián)分析的領(lǐng)先用戶排名

灰色關(guān)聯(lián)分析是一種多因素分析方法，可用以分析和確定多因素之間的影響程度以及各因子對主體行為的貢獻(xiàn)程度[40]，本文使用灰色關(guān)聯(lián)分析法計算領(lǐng)先用戶各項(xiàng)指標(biāo)的平均灰色關(guān)聯(lián)值作為其領(lǐng)先值，領(lǐng)先值越高，則該用戶的領(lǐng)先性就越強(qiáng)，具體計算過程如下：

n位用戶和m個指標(biāo)形成的指標(biāo)矩陣公式（14）：

首先，確定參考數(shù)據(jù)序列，本文將各項(xiàng)指標(biāo)數(shù)據(jù)的最大值作為參考數(shù)據(jù)序列，記作：

使用min-max 法（公式（4））對指標(biāo)數(shù)據(jù)無量綱化處理，結(jié)果如下：

計算每個比較序列與參考序列對應(yīng)元素的關(guān)聯(lián)系數(shù)，計算過程如下：

對各項(xiàng)指標(biāo)關(guān)聯(lián)系數(shù)加權(quán)求均值后得到最終關(guān)聯(lián)系數(shù)r：

其中，Wk為各項(xiàng)指標(biāo)權(quán)重，ζi(k)為比較序列與參考序列對應(yīng)的關(guān)聯(lián)系數(shù)。根據(jù)各領(lǐng)先用戶的關(guān)聯(lián)度值大小進(jìn)行排名，即可得到用戶領(lǐng)先性排名。

5 華為產(chǎn)品定義社區(qū)領(lǐng)先用戶識別與排名

5.1 數(shù)據(jù)采集和預(yù)處理

本文以華為產(chǎn)品定義社區(qū)“AI 大數(shù)據(jù)”圈中的用戶數(shù)據(jù)為例進(jìn)行領(lǐng)先用戶識別與排名，使用Python 編寫爬蟲程序采集社區(qū)中2018年3月至2019年3月之間的用戶數(shù)據(jù)，具體數(shù)據(jù)包括：用戶ID、用戶頭銜、積分、總發(fā)帖量、帖子總瀏覽量、帖子總回復(fù)數(shù)、累計簽到天數(shù)和帖子文本等字段，預(yù)處理時刪除包含缺失值和無實(shí)際意義帖子的數(shù)據(jù)，得到包含226 名用戶和1843 條帖子的用戶數(shù)據(jù)，按照上述章節(jié)中的方法構(gòu)建領(lǐng)先用戶識別指標(biāo)，分別為勛章數(shù)、好友數(shù)、頭銜、總帖子數(shù)、帖子平均瀏覽量、帖子平均被回復(fù)數(shù)、用戶總回復(fù)數(shù)、積分、總貢獻(xiàn)值、累計簽到天數(shù)、平均帖子質(zhì)量系數(shù)和帖子平均得分等12項(xiàng)指標(biāo)。

5.2 華為產(chǎn)品定義社區(qū)領(lǐng)先用戶識別

5.2.1 確定指標(biāo)權(quán)重

使用變異系數(shù)法計算得到12 項(xiàng)指標(biāo)的權(quán)重分布如表3所示。

表3 各項(xiàng)指標(biāo)權(quán)重

5.2.2 領(lǐng)先用戶識別

本文使用Python 的機(jī)器學(xué)習(xí)庫sickie-learn（簡稱sklearn）中的AgglomerativeClustering算法構(gòu)建領(lǐng)先用戶聚類模型，并使用Silhouette Coefficient（輪廓系數(shù)）作為衡量聚類效果的指標(biāo)，輪廓系數(shù)在[-1,1]內(nèi)，值越大代表聚類效果越好，反之則越差。

AgglomerativeClustering 算法聚類結(jié)果由圖1所示，用戶被劃分為3 個類別，當(dāng)輪廓系數(shù)得分為0.806（圖2）時，聚類效果最優(yōu)，聚類結(jié)果如下表4所示。

圖1 AgglomerativeClustering算法聚類結(jié)果

表4 用戶聚類結(jié)果

圖2 聚類個數(shù)及其輪廓系數(shù)

由表4可知，聚類后社區(qū)中的3 類用戶人數(shù)分別為6、2和218人，3類用戶各項(xiàng)指標(biāo)均值對比如表5所示，可以發(fā)現(xiàn)，第1類用戶大多數(shù)指標(biāo)都要優(yōu)于另外兩類用戶，他們在社區(qū)中的發(fā)帖量和帖子回復(fù)量最高，并且帖子得分最高，對社區(qū)的貢獻(xiàn)值最大，說明其積極參與社區(qū)中的主題討論和話題互動有著極高的人氣和社區(qū)認(rèn)可度，因此，他們是華為產(chǎn)品定義社區(qū)中的領(lǐng)先用戶。相比于領(lǐng)先用戶，第2類用戶大部分指標(biāo)都較低，他們在創(chuàng)新能力和社區(qū)影響力等方面和領(lǐng)先用戶存在一定的差距，但此類用戶在創(chuàng)新社區(qū)中表現(xiàn)活躍，積極參與創(chuàng)新話題討論，也愿意主動評論創(chuàng)新內(nèi)容，提出自己的創(chuàng)新意見，他們在創(chuàng)新社區(qū)中具有一定的影響力，也為創(chuàng)新社區(qū)的發(fā)展做出了一定的貢獻(xiàn)，他們在將來極有可能成為領(lǐng)先用戶，因此，本文將其稱之為積極創(chuàng)新型用戶。相比于前兩類用戶，第3類各項(xiàng)指標(biāo)值最低，他們在社區(qū)中人數(shù)占比最大，但大多數(shù)活躍性不高，很少積極參與創(chuàng)新社區(qū)中的活動，發(fā)表創(chuàng)新帖子數(shù)量很少并且內(nèi)容質(zhì)量不高，對社區(qū)發(fā)展的貢獻(xiàn)度最小，因此，本文將其稱之為創(chuàng)新社區(qū)中的普通用戶。

表5 三類用戶各項(xiàng)指標(biāo)均值對比

5.2.3 領(lǐng)先用戶排序

計算6名領(lǐng)先用戶的加權(quán)平均灰色關(guān)聯(lián)度作為其領(lǐng)先值，并進(jìn)行排名，結(jié)果如下表6所示，6名領(lǐng)先用戶之間的領(lǐng)先性也存在一定的差異，分析領(lǐng)先用戶的詳細(xì)信息（表7）可以發(fā)現(xiàn)，領(lǐng)先用戶在活躍性、創(chuàng)新性、共享性及影響力等方面都具有明顯的優(yōu)勢，他們發(fā)表帖子的平均帖子質(zhì)量系數(shù)和平均帖子質(zhì)量得分都較高，說明其發(fā)表帖子的內(nèi)容具有很強(qiáng)的創(chuàng)新性和專業(yè)性，具有很高的信息價值，反映出他們極強(qiáng)的創(chuàng)新能力和專業(yè)水平。此外，排名靠前的領(lǐng)先用戶其對于創(chuàng)新社區(qū)的貢獻(xiàn)值更大，個人的社區(qū)積分值也更高，他們的總發(fā)帖量最多，并且都有著極高的回復(fù)量，表明其在社區(qū)中的活躍程度和開展創(chuàng)新活動的積極性非常高，排名靠前的領(lǐng)先用戶擁有更多的好友數(shù)，表明他們有著極強(qiáng)的社區(qū)影響力，他們的相關(guān)意見能夠得到社區(qū)和其他用戶的充分認(rèn)可，他們的創(chuàng)意可以引導(dǎo)創(chuàng)新社區(qū)主題的發(fā)展方向，從而推動創(chuàng)新社區(qū)中知識的傳遞。

表6 領(lǐng)先用戶排名

表7 領(lǐng)先用戶的具體信息

6 結(jié)論與建議

6.1 結(jié)論

本文提出了一種基于聚類算法和灰色關(guān)聯(lián)分析的領(lǐng)先用戶識別及排名方法，對于識別群智創(chuàng)新社區(qū)中的領(lǐng)先用戶，分析領(lǐng)先用戶的領(lǐng)先性差異有著較好的效果，具體研究結(jié)論如下：

（1）基于用戶內(nèi)容數(shù)據(jù)和行為數(shù)據(jù)構(gòu)建的領(lǐng)先用戶指標(biāo)體系，更完整地反映了群智創(chuàng)新社區(qū)中用戶活躍性、創(chuàng)新性、共享性和影響力四個維度的特征，提高了領(lǐng)先用戶識別的有效性和準(zhǔn)確性。

（2）基于凝聚層次聚類算法的領(lǐng)先用戶識別方法無需預(yù)先設(shè)定用戶聚類個數(shù)，同時也能避免分類算法在訓(xùn)練過程中人工標(biāo)注用戶類別的問題，可以有效提升領(lǐng)先用戶識別的合理性和準(zhǔn)確性。

（3）基于灰色關(guān)聯(lián)分析的領(lǐng)先用戶排名方法可通過計算各特征指標(biāo)間的關(guān)聯(lián)度以及對用戶的貢獻(xiàn)程度，反映出領(lǐng)先用戶間領(lǐng)先性的差異，進(jìn)而為企業(yè)掌握領(lǐng)先用戶特征、有針對性地選擇合作對象提供了參考。

6.2 建議

（1）華為產(chǎn)品定義社區(qū)實(shí)例研究結(jié)果表明，社區(qū)中的領(lǐng)先用戶和創(chuàng)新積極型僅占少數(shù)，而數(shù)量最多的是普通用戶，并且在活躍性、創(chuàng)新性、共享性和影響力方面存在較大差異。因此，企業(yè)應(yīng)針對不同類型的用戶給予不同的管理措施，進(jìn)而提升社區(qū)的創(chuàng)新產(chǎn)出效率。具體而言，企業(yè)可以通過構(gòu)建外部用戶人才庫，與領(lǐng)先用戶建立長期創(chuàng)新合作關(guān)系，使他們能夠持續(xù)為企業(yè)創(chuàng)新提供支持。其次，企業(yè)應(yīng)加大對創(chuàng)新積極型用戶的關(guān)注力度，應(yīng)增加相應(yīng)的激勵措施，鼓勵他們參與創(chuàng)新社區(qū)創(chuàng)意活動，積極發(fā)表創(chuàng)新方案，幫助企業(yè)解決創(chuàng)新過程中的瓶頸問題。再者，針對大量的普通用戶，企業(yè)應(yīng)適當(dāng)減少在普通用戶上的關(guān)注力度。

（2）通過深入分析華為產(chǎn)品定義社區(qū)中的用戶帖子，一些關(guān)注度較高的帖子，如社區(qū)公告和通知等，其內(nèi)容一般且缺乏創(chuàng)意，對企業(yè)創(chuàng)新發(fā)展作用也不大；相反，一些關(guān)注度不高的帖子內(nèi)容極具創(chuàng)意，卻容易被忽略。因此，企業(yè)不僅應(yīng)重視領(lǐng)先用戶的發(fā)帖，也應(yīng)重視這些高質(zhì)量的帖子，可通過自然語言處理、文本挖掘等技術(shù)識別出這些帖子，挖掘并利用其中的價值。