时间：2024-03-19 10:45:26
序论：在您撰写社交媒体的分类时，参考他人的优秀作品可以开阔视野，小编为您整理的7篇范文，希望这些建议能够激发您的创作热情，引导您走向新的创作高度。
关键词 社交媒体 品牌喜好 品牌信任 品牌忠诚 相关性分析 回归分析
一、引言
20世纪90年代随着互联网和万维网的崛起，人们便对利用网络这进行广告宣传的可能性充满了兴趣（Berthon，Pitt，&Watson，1996）。在过去这些年中，随着互联网功能的不断增加，将其作为媒介工具的可能性也日益明显，这其中也包括社交媒体（Kaplan &Haenlein，2010）。比如微信，最早只是作为朋友、家人和同事沟通的工具。但是，截止到2015年第一季度，微信每月活跃用户达5.49亿，各品牌的微信公众账号总数已经超过800万个。微博是一个基于用户关系信息分享、传播以及获取信息的平台。截止到2015年9月30日，微博月活跃用户数（MAU）已经达到2.12亿人。除了以上两者外，还有很多像这些社交媒体一样的社交平台在不断地扩大。因此，广告公司和企业对如何利用这些社交媒体以促进营销，产生了浓厚的兴趣。
尼尔森网联媒介数据服务有限公司（Nielsen-CCData）指出，在微博上关注某品牌的消费者更倾向于购买并推荐该品牌的产品。还有很多文章旨在告诉人们利用社交媒体进行品牌互动，然而却很少有理论能支持这些观点，或从统计上证明这两者之间存在着密切的关系。
该研究以帮助大家更好的理解社交媒体和广告效应之间的关系为出发点，旨在检验社交媒体的使用是否影响广告效应，同时着重研究社交媒体对品牌关系建立的重大影响（包括品牌喜好、品牌信任、品牌忠诚三个部分）。
接下来将对本文中的几个主要概念做出解释，如社交媒体、品牌忠诚、品牌信任和品牌喜好。然后提出几个假设，利用统计方法检验这些假设，并最终给出结论。
二、概念综述
社交媒体，是指“一组基于互联网的应用，这些应用建立在Web2.0（内容的创造和交流来自用户产生的内容）的理念和技术基础之上”（Kaplan & Haenlein， 2010，p.61）。2009年，魏武挥认为社会化媒体是一个近来出现的概念，大致上指的是“能互动的”媒体，或者说，缺乏用户的有效参与，平台基本上就毫无内容的媒体。用于社交媒体分类的维度有两个，分别是社会表征和媒体丰富度。从整体上说，因为每个媒介特点的不同决定了其所提供的内容和用户的不同，因此在此研究中对于社交媒体的定义非常重要。而且，还有一些研究表明应将社交媒体归入整合营销中。接下来将对社交媒体对品牌培育的作用进行检测。
Jacoby and Kyner（1973）认为，品牌忠诚是一种偏好态度，会使顾客在某一时间内产生持续重复购买行为。总而言之，笔者认为顾客满意就是顾客所购买的产品或服务达到了他们所期望的水平，让他们在心理上得到满足。而顾客忠诚就是顾客对某一产品或服务的认同和信赖，并希望重复购买的行为。而品牌喜好和品牌信任，其实是提高品牌忠诚度的众多因素中较为重要的两个因素。品牌喜好是指消费者对品牌是否喜好，及消费者对品牌引发的个人情感（Matzler，Grabner-Krauter&Bidmon，2008）。
品牌信任是由Howard和Sheth（1969）首次提出，他们认为信任度是购买意向的决定因素之一。他们假设信任度与购买意向呈正相关。类似的，Bennett和Harrell（1975）认为，信任度在预测购买意向时发挥着主要作用。Elena Delgado-Ballester（2001）等人通过对181个购买者构成的样本进行回归分析和多变量分析后。结果表明，品牌信任的关键作用是产生顾客承诺，尤其是在高沉浸购买情景下，与全面满意相比，信任度具有更强的作用。总体说来，消费者对品牌的喜好度和品牌的信赖度越高，那么对品牌忠诚的潜在可能性越高。
三、假设理论
培养理论的形成始于20世纪六七十年代，美国传播学者格伯纳等人开始进行一系列有关电视暴力内容的研究，除了对电视暴力进行内容分析以外，还测量电视对受众态度的影响，最终创建了“培养理论”。培养理论学派提出“主流效果”和“回响效果”理论。主流效果，是指理应多样化的价值观因接触电视而变得与电视所呈现的意见主流相似。这与沉默的螺旋理论不谋而合。电视作为大众传播媒介，代表并引导社会主流舆论，从而使公众意见趋于一致。这一理论应为新闻媒介所利用，积极引导主流舆论。但随着数字媒体的兴起，越来越多的人开始远离传统媒体。该研究旨在测试社交媒体对品牌喜好、品牌信任和品牌忠诚的培育能力。
该研究将尝试说明，社会媒体如何通过曝光信息来引导消费者产生品牌偏好，同时明晰社交媒体对品牌培育的影响。该研究将通过以下假设，探寻社交媒体信息与品牌喜好、品牌信任以及品牌忠诚的培养之间的关系。假设如下：
假设1：社交媒体的使用对品牌喜好的形成具有重大的影响
假设2：社交媒体的使用对品牌信任的形成具有重大的影响
假设3：社交媒体的使用对品牌忠诚度的形成具有重大影响
四、研究方法
本次调查的数据，是通过对微博和微信两大社交网站的在线抽样调查所得。共262人参加此次调查，其中106个人既使用微博又使用微信，120人只使用微信，26个人只使用微博，还有10人不使用任何社交媒体（以上类别样本并不互相排斥）。在问卷中，询问了被访者是否通过社交网站关注某一品牌。其中50个人在微博和微信上均有关注，80个人只在微博上关注，14个人只在微信上关注。而该研究的样本为只使用微信关注品牌的被访者，样本量为110个。
根据以上调查得出以下结论：第一，约60%的微信用户为女性，年纪在25～30岁（值域=20-68，SD-8.6）；第二，90%的用户每天都会使用社交网络，其次是电视和其他网络平台；第三，所关注的品牌种类：55%的人关注服饰和化妆品品牌，37%的人关注美食品牌，其余18%的人关注家用电器品牌。
五、数据分析
在该研究中，首先使用了SPSS20对所有所得数据进行了分析。然后，为了描述以上数据，还针对大众社交媒体使用变量和组合媒体使用变量做了相关性分析，将其作为一个综合指数，以衡量人们在微博和微信上花费时间的多少、对品牌的喜好、品牌信任以及品牌忠诚度的影响。
在微信上关注品牌使用者的相关性分析，表明了大众社交媒体的使用、组合媒体的使用，以及个体对品牌喜好、品牌信任、品牌忠诚之间的重大关联。首先，大众社交媒体使用与品牌喜好高度相关r（120）=0.25，p
最后，又用三个回归性分析模型对假设进行了检验。通过回归性分析，能够更好地展现多重变量之间的相互影响以及多变量对每个因变量的依赖。
第一个回归分析是用于测量年龄、性别、一般社交媒体使用、零售品牌分类和复合型社交媒体使用这些变量对品牌信任的影响。该分析在品牌喜好差异的分析方面具有显著性意义，调整R2=0.07。此回归分析模型显示年龄（回归系数=0.22，p0.05）、复合型社交媒体使用（回归系数=-0.03，p>0.05）、一般社交媒体使用（回归系数=0.11，p>0.05）以及零售品牌分类（回归系数=0.09，p>0.05）不是显著因素。因此假设1不能成立。
第二个回归分析是用于测量年龄、性别、一般社交媒体使用、零售品牌分类和复合型社交媒体使用这些变量对品牌信任的影响。该分析在品牌信任差异的分析方面具有显著性意义，调整R^2=0.22.此回归分析模型显示复合型社交媒体使用（回归系数=-0.36，p
第三个回归分析是用于测量年龄、性别、一般社交媒体使用、零售品牌分类和复合型社交媒体使用这些变量对品牌信任的影响。该分析在品牌忠诚差异的分析方面具有显著性意义，调整R^2=0.05.此分析表明：年龄（回归系数=0.18，p0.05）、复合型社交媒体使用（回归系数=-0.07，p>0.05）、一般社交媒体使用（回归系数= 0.15，p>0.05）、零售品牌分类（回归系数=0.05，p>0.05）这四个因素则不是显著因素，因此假设3不成立。
六、主要发现
该研究采用了培养理论对两大社交媒体――微博和微信，以及社交媒体对品牌喜好、品牌信任和品牌忠诚度的影响，做了深入的调查研究。此次研究从品牌建设的角度对培养理论进行了探讨，并将理论应用于社会化媒体。在此情况下，社会媒体被认为是一种潜移默化的手段，用于培养消费者对品牌的认知，尤其是提升品牌信任度。
首先，相关性分析表明，使用复合型社交媒体与品牌信任之间的相关性非常显著。而且使用大众社交媒体与品牌信任和品牌忠诚之间的相关性也较为明显。随着社交媒体与品牌信任和品牌忠诚之间关系的呈现，也为将未来研究引发此种相关性的主要因素奠定了基础。其次，通过回归分析，该研究表明年龄可能是影响品牌喜好和品牌忠诚的一个因素。这也告诉我们需要做更多的研究去发现其中的原因。
该研究支持关于“复合型社交媒体上花费的时间与品牌信任有着重要的关系”这一结论，而且该结论在回归分析中也得到了证实。另一方面，该研究也认为复合型社交媒体使用的差异引发了品牌信任的差异，但是该假设在回归分析中被证实为负相关。
七、结语
此次旨在研究一些具有关系特征的媒体是否具有培育消费者认知的能力。本文所研究的主要内容包括品牌喜好、品牌信任和品牌忠诚三个方面。该研究对社交媒体的使用水平进行了测试，并且尝试发现与培养理论的差异性。然而研究结果表明，社交媒体可能对于品牌信任的塑造只有小部分的促进作用。
总体来说，考虑到媒体使用的变化和社交媒体成为塑造品牌培育工具的可能性，我们应该加大研究力度。基于以上分析，建议未来的研究着眼于建立社交媒体和培养理论之间的连接；建议选取更大的样本量和明确某一品牌，以巩固以上结果。
（作者单位为对外经济贸易大学国际经济贸易学院）
第一眼看上去，你就会发现目前的社会化媒体格局是多么的复杂。除了Facebook和Twitter两大社交网络以外，还有近三十种社交产品分类，而每个分类里面少则三五家，多则三五十家。而且大分类里面还有小分类，从管理、分析、数据、评分，到应用、博客、广告、插件等，应有尽有……
上面那张还只是2011年7月之前的数据，其中不包括Pinterest这些后起之秀。而下面这张信息图则统计了几个月前的社会化媒体分类，其中包括Pinterest这些新兴社会化媒体。
和上一张图不同的是，它看起来要干净整洁多了。虽然细看仍能发现社交产品还是那副混乱复杂的局面，但这种周期表的分类方式让我们对社交产品有了更加清晰的认识。
1.1社交媒体的发展推动着高校图书馆与移动社交网络的融合
在移动网络的时代，人们已经习惯于网络环境中的生活和学习方式，传统的生活学习方式已经在悄悄地发生着改变，移动网络的信息能够及时推送、及时交互，手机游戏内容的丰富，手机支付平台的便捷更是令人欣喜，移动网络社交媒体的强大功能极大地满足了人们轻松快捷的生活需求，移动网络社交媒体越来越受到人们的推崇和喜爱，尤其是生活在时尚前沿的高校大学生。以往图书馆传统的信息资源优势已经不复存在了，取而代之的是更为高效高质的移动信息资源传播，高校图书馆正在经历着从未有过的生存发展危机。在这样的移动信息网络时代，高校图书馆可以利用移动网络的优势实现图书馆信息资源最广泛的覆盖，扩展和延伸图书馆的服务，以满足用户的需求。移动社交媒体的高速发展强有力地推动着高校图书馆与移动网络的迅速融合，逐渐呈现出一种全新的实现模式。
1.2高校图书馆与移动社交网络的融合促进了社交媒体的发展
当今社会在快速地前进发展，人们的社交形式也在相应地发生着变化，社交形式更加多元化和多样化，这样不断变化发展的社交形式会导致人们更加多元化的个性需求。如何应答这样的需求是移动社交媒体保持自身活力和动力的重要课题。中国互联网络信息中心最新公布的数据显示：截至2014年6月，中国网民规模达6.32亿人，手机网民为5.27亿人，手机上网使用率高达83.4％，首次超过了电脑，其中移动社交媒体使用率是40.7％。这些数据说明在互联网高速发展的时代，更为便捷的社交媒体一定会迅速取代较为传统的社交媒体，在这样的发展道路上谁能更持久地保持强大的动力和新鲜的活力，谁就能赢得用户，那么如何保持动力和活力是关键。实现高校图书馆与移动社交网络的融合发展被证明是确实有效的途径。站在用户的角度来看，多方位、多层次、多角度地满足用户的信息需求就是动力来源。因此，高校图书馆融合社交媒体，其实是把图书馆庞大的信息资源融入移动社交媒体，成为社交媒体最强有力的信息资源保障，进一步拓展了社交媒体的使用价值和服务内容，这样的融合不仅解决了网络环境中的知识源的问题，也可以把图书馆的用户直接转化为移动社交媒体用户，极大地促进了移动网络社交媒体的良性发展。
2高校图书馆与移动社交媒体的融合发展
2.1以双方合作共赢为融合发展的利益基础
在市场经济时代，尊重双方的利益，共生共赢是双方合作的利益基础。作为商业应用平台的移动社交媒体的发展目标是实现商业价值的最大化，关注的主要是市场赢利；高校图书馆是信息资源平台，其发展方向是信息的最有效利用和最广泛传播，关注的主要是信息服务，双方之间没有绝对的利益冲突，为了自身的发展双方都必须要自我创新，自我完善，不断挖掘用户，最大化满足用户的需求，最后的着眼点都在用户上，这就形成了共同的利益连接，也就是双方融合共赢的利益基础。
2.2以双方资源有效结合为融合发展的技术基础
高校图书馆与移动社交媒体融合最理想的是实现双方优势资源的有效结合，一方面利用移动网络媒体最前沿的信息传播技术；一方面利用高校图书馆最丰富的信息资源储备。要实现这样的合作共赢首先要解决技术上的问题：信息的呈现方式和信息的分类管理。信息的呈现方式直接关系高校图书馆的自身形象和服务内容，好的呈现方式可以展现出欢迎用户的服务姿态，赢得广大用户的心理支持。信息的分类管理是以图书馆的数字化建设为基础的，对大量的纸质文献信息资源进行数字化处理、信息的采集加工、信息的分类重组后的有效信息管理。目前，超星数字图书馆和中国知网等已经开发了一些特色信息服务，做了有益的尝试和探索，这为高校图书馆与移动社交媒体融合提供了更切实可靠的参考依据。
2.3规范法律范围内的著作权保护
〔关键词〕社交媒体；信息可信度；评估；综述
〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕1008-0821（2016）12-0164-06
〔Abstract〕Information credibility assessment research in social media not only contributes to the development and improvement of network information resource management theory，but also helps to improve the effectiveness of social media monitoring public opinion，social media search，social recommendation and so on.The paper firstly reviewed the researches at home and abroad about the social media information research，information credibility research，and social media information credibility assessment research，and then pointed out the problems existing in information credibility assessment research of domestic social media，and finally put forward the solution to it.
〔Key words〕social media；information；credibility；assessment；review
1 研究的意义
随着互联网技术和移动技术的突飞猛进，社交媒体盛行，人人可做信息的制造者，制造的信息极为丰富。然而，在这丰富信息的背后，隐藏着漫天飞舞的谣言、病毒般传播的虚假照片和视频，这给人们幸福的生活、社会的稳定带来了严重的隐患。为了遏制虚假不良信息传播，营造健康向上的网络环境，信息可信度评估就成了迫在眉睫的问题，社交媒体信息急需“鉴定师”和“测谎仪”。
社交媒体信息可信度评估研究既有较高的学术价值，也有较强的应用价值。具体来说，学术价值表现在研究社交媒体信息可信度评估并探讨虚假信息的生成机制、传播模式、治理措施，是对社交媒体环境下网络信息资源管理理论的丰富、发展与完善。应用价值表现在研究社交媒体信息可信度评估有助于社交媒体用户判断信息的可信性，营造诚信健康的互联网环境，也有助于提高社交媒体信息舆情监控、社交媒体信息引导、社交媒体搜索、社会化推荐等方面的效果。
2 社交媒体信息研究
社交媒体（Social Media）是通过Web2.0技术实现的一类支持用户自主创造和交换内容的媒体，如Twitter、Facebook、Youtube、LinkedIn、Wiki、微博、微信、QQ、论坛、人人网等。自1973年Lipkin、Szpakowski和Felsenstein 3人在美国加州伯克利市建立全球第一个公共电子公告牌系统 Community Memory后，BBS以及网络社区等早期的社交媒体开始映入人们的眼帘。《2015年全球社会化媒体、数字和移动业务数字统计趋势》报告表明：全球社交媒体活跃用户约占全球人口的29%。
2.1 国外研究
社交媒体的相关研究从20世纪80年代开始，在2005年左右开始进入快速发展阶段，发文量有逐年增加的趋势。在国际期刊中，发表社交媒体论文较多的要属《Computers in Human Behavior》。近两年，关于社交媒体的国际会议主要有ASONAM、SMP、MISNC、SMAP、SCSM。国外学者研究内容主要集中在以下4个方面：
2.1.1 社交媒体信息利用研究
社交媒体在商业领域、教育领域、公共管理领域等都有广泛的应用[1]。如在营销领域，利用社交媒体信息，可以获知消费者态度和行为[2]，可以获知客户交流和推荐对营销的影响[3-4]，可以获知社交媒体信息对营销管理功能的影响[5]。
2.1.2 社交媒体信息检索与信息推荐研究
侧重于社交媒体信息检索与信息推荐方法的研究。社交媒体信息的检索采用主题模型[6]、社会网络[7]、本体[8]等检索方法。比如，Hong和Davison（2010）使用标准主题模型进行社交媒体Twitter信息的检索。社交媒体信息的推荐采用内容推荐[9]、协同过滤[10]、时序推荐[11]、位置推荐[12]、社会化推荐[13]等方法。比如，Levandoski等（2012）提出位置感知推荐系统（LARS）[12]。
2.1.3 社交媒体信息传播研究
侧重于反映信息传播传播规律的社交媒体信息传播模型的构建以及通过模型的构建对实际问题进行预测等方面的研究。如Galuba等（2010）通过研究1 500万URL在不同Twitter用户之间的300小时传播，提出了基于内容流行度、用户影响力和传播速度的线性阈值模型[14]。Adar和Adamic（2005）通过研究信息在博客中传播的模式和动力学特性，提出用传染病模型来描绘信息传播的机理[15]。Asur和Huberman（2010）采用来自的聊天数据通过简单的线性回归模型预测电影票房的收入[16]。
2.1.4 社交媒体用户隐私研究
在探讨社交媒体用户隐私现存问题的基础上，提出了相应的隐私保护方法。如Viswanath等（2010）首先研究Sybil防御的缺陷，在其基础上探讨了替代Sybil防御的方法[17]。Conti等（2011）采用FaceVPSN解决社交媒体用户隐私问题[18]。
2.2 国内研究
国内学者的社交媒体研究最早可追溯至20世纪90年代末，但从2005年后起关于社交媒体的论文才逐渐表现出增长态势。国内研究内容主要集中在：
2.2.1 社交媒体信息传播研究
研究内容包括：①社交媒体信息传播模式研究。如韩佳等（2013）提出了基于改进SIR的在线社交网络信息传播模型[19]。姜景等（2015）构建表征谣言信息与辟谣信息传播机理的Lotka-Volterra竞争模型[20]。②社交媒体信息传播中存在的问题与对策研究。如阎俊（2015）探讨微博传播存在的问题及原因，并提出了加强微博内容管理、增强把关意识、提高微博用户的媒介素养等对策[21]。③社交媒体信息传播效果研究。如陈远和袁艳红（2012）以新浪微博作为数据来源，把信息覆盖人数、评论数、转发数作为微博信息传播效果的量化指标，从纵横向两个角度研究新浪微博信息传播过程造成的效应[22]。
2.2.2 社交媒体舆情分析与监测研究
如张J等（2014）以打砸日系车系列突发公共事件为实例，探讨其在新浪微博和新浪新闻平台上舆情传播的特征与规律[23]。张瑜等（2015）对新浪微博热门话题“北京单双号限行常态化”下的微博进行了数据采集，将舆情演化划分为潜伏、成长、爆发、衰退、波动、死亡6个阶段，并对各阶段进行情感分析，为舆情治理提供了支持[24]。唐涛（2014）在分析网络舆情五要素的基础上，探讨移动互联网舆情的新特征，指出面临的新挑战，并从信息分析、信息筛选、信息引导等方面提出对策[25]。
2.2.3 社交媒体营销研究
如唐兴通（2012）的著作《社会化媒体营销大趋势：策略与方法》系统总结了社交媒体营销，并对众多社交媒体工具在实际工作中的应用提供了具体的建议[26]。张淼（2014）提出了企业完善社交媒体营销策略的“9+3”模式[27]。刘晓燕和郑维雄（2015）采用社会网络分析方法研究企业微博营销传播的效果[28]。
3 信息可信度研究
3.1 国外研究
信息可信度（Information Credibility）是指人们对信息可相信程度的认识。它由值得信赖（Trustworthiness）和专业性（Expertise）两个关键要素组成[29]。信息可信度比较系统的研究始于20世纪50年代的传播领域。Hovland和同事的工作具有里程碑的意义[30]。信息可信度最初关注的是传播者的可信度。国外对传统媒体信息可信度的研究主要是从信源可信度、内容可信度、渠道可信度三方面展开的。随着互联网的出现，网络信息可信度的评估被提上了议事日程。研究情况可归纳如下：
3.1.1 网络信息可信度评估的理论模型
主要有Fogg（2003）的P-I理论模型、Wathen和Burkell（2002）的评判模型、Sundar（2008）的MAIN Model、Hilligoss和Rieh（2008）的统一模型、Metzger（2007）的双处理模型以及Lucassen等（2013）的3S模型（修订版）。以上理论模型是由情境、用户特征、操作性、处理过程这些侧面的若干部分构建而成的。
3.1.2 网络信息可信度研究内容
主要有对网络新闻的可信度研究、对搜索引擎结果的可信度研究以及对维基百科内容的可信度研究。比如，Nagura等（2006）通过比较关于同一主题不同网页的相似度来计算每个网页的可信度[31]。Yamamoto和Tanaka（2011）利用用户可信度评判模型对网页搜索结果进行重新排序，以便从Web搜索结果的列表中用户可以更高效的找到可信的网页[32]。Adler等（2008）以文章长度、版本数量和基于贡献数量的作者声誉建立模型，计算出维基百科文章的可信度[33]。
3.1.3 网络信息可信度研究方法
主要采用定量研究法。比如，Olteanu等（2013）在调查网页的各种特征（文本内容、链接结构、网页设计等）的基础上，经过统计分析方法筛选出关键的特征，采用监督学习算法来推断网页内容的可信度[34]。与网络信息可信度有关的典型系统有日本的WISDOM和Honto？Search。
3.1.4 影响力较大的项目和国际会议
影响力较大的项目有互联网可信度研究（The Web Credibility Research）项目，影响力较大的国际会议有WICOW（Workshop on Information Credibility on the Web）。
3.2 国内研究
1993年的《鉴别虚假信息五法》是国内发表的早期论文。2004年至今，相关研究进入快速发展期。相对于国外较多研究评估算法和评估系统，国内研究重点在于定性分析上，大多采用问卷调查及专家访谈法等进行人工评估。国内研究内容主要有：
3.2.1 侧重于信息可信度影响因素研究
比如，龚思兰等（2013）针对评论信息的文本内容、长度、情感倾向、时效性、者、商家活动等特征，通过问卷调查方式对大学生消费群体进行在线商品评论信息可信度影响因素实证分析[35]。蒋洪梅（2013）运用理论分析辅以实证研究的方法，从宏观的社会系统、中观的政策法规、微观的媒介与受众3个视角分析网络新闻信息可信度的影响因素[36]。
3.2.2 侧重于信息可信度指标体系的构建
比如，胡红亮（2013）按照信息源、信息加工、信息传播和信息应用等方面采用德尔菲专家调查法建立了学术著作可信度的基本评价模型[37]。潘勇和孔栋（2007）基于第三方认证机构的视角，构建了电子商务网站的信用评价指标体系及评价因素集，并建立灰色关联信用评估模型[38]。当然，也有少量基于机器学习的信息可信度自动化评估实验研究，比如，马伟瑜（2011）提出一种采用改进的PageRank算法评估网页信息可信度的方法[39]。
4 社交媒体信息可信度评估研究
4.1 国外研究
国外相关研究较早。社交媒体信息可信度的相关研究随着BBS的出现随之展开，最早可追溯到20世纪80年代。目前可以说，研究处于繁荣期。国外研究情况可归纳如下：
4.1.1 社交媒体信息可信度评估研究内容
研究内容主要包括：①不实信息的判断识别。如Qazvinian等（2011）提取Twitter信息的文本特征、网络特征和微博元素特征，构建贝叶斯分类器甄别谣言[40]。Zhao等（2015）通过研究查询帖以便及早识别社交媒体谣言[41]。②话题新闻的可信度评估。如Castillo等（2011）选取了有关用户特征、文本特征、主题特征、信息传播特征，采用J48决策树评估Twitter中话题新闻的可信度[42]。
4.1.2 社交媒体信息可信度评估方法
评估方法主要有监督学习[43]，统计分析[44]，与可信信息来源的相似性比较[45-46]，社交网络的链接结构分析与主题模型的利用[47]等。它们主要采用自动评估，具体来说：①选取的特征：选取的特征主要是用户特征、文本特征、信息传播特征。比如，西班牙的Castillo和智利的Mendoza、Poblete（2011）选取用户特征（如注册时间、粉丝量、好友量），文本特征（如是否包含#标签、是否包含问号、Tweet中包含的URL数量、是否转发），主题特征（如带#标签Tweet的比例、Tweet数量、Tweet的平均长度、Tweet的平均情感分值、积极情绪或消极情绪的比例），以及信息传播特征（如传播树的深度），采用J48决策树评估Twitter信息的可信度[42]。②评估的方法：大多通过构建SVM分类器、Bayesian分类器、Decision Tree分类器等方法，并对结果进行分类，以达到评估社交媒体信息可信度的目的。上例Castillo等采用J48决策树构建分类器，并对结果进行分类，从而评估Twitter信息的可信度[42]。当然，也有通过对结果进行排序的实例，从而达到评估社交媒体信息可信度的目的。比如，Gupta和Kumaraguru（2012）采用Rank-SVM与PRF相结合的方法，按照可信度得分对Twitter信息进行排序[43]。
4.1.3 有较大影响的在研项目与系统
由欧盟资助七国科研人员联合攻关的PHEME项目研究的重点是社交媒体信息的真实性，该项目在国际上有较大影响。Jacob Ratkiewicz等（2011）开发出可实时追踪Twitter上政治谣言的Truthy系统[48]。Gupta等（2014）、Lorek等（2015）分别开发出一款可自动评估推文可信度的工具TweetCred、TwitterBOT[49-50]。
4.2 国内研究
2007年《博客信息“可信度不亚于纽约时报”？》拉开了国内探讨社交媒体信息可信度评估的序幕。目前研究还处于发展的初期。社交媒体信息可信度评估研究主要有：
4.2.1 社交媒体信息可信度影响因素研究
如刘雪艳和闫强（2013）探讨政府微博中的热点事件信息可信度的影响因素[51]。丁科芝（2015）从信息传播者、渠道、信息内容和用户基本信任观念4个方面构建社交网络可信度影响因素模型[52]。薛传业等（2015）从信息来源可信度、信息传播渠道可信度、信息内容可信度以及信息评论反馈多维度探讨了突发事件中社交媒体信息可信度的影响因素[53]。
4.2.2 构建社交媒体信息可信度指标体系研究
它大多采用问卷调查及专家访谈法进行人工评估。屈文建和谢冬（2013）从站点层次、版块层次、主题层次、内容层次4方面，采用模糊综合信用评估模型对网络学术论坛信息可信度进行评估[54]。莫祖英等（2013）从微博信息量、信息内容质量、信息来源质量和信息利用情况等方面进行问卷调查，采用层次分析法构建微博信息质量评估模型[55]。当然国内也有少量自动化评估的例子。比如，贺刚等（2013）引入关键词分布特征和时间差等新特征，基于SVM算法来预测新浪微博信息是否为谣言[56]。程亮等（2013）提出基于BP神经网络模型及改进其激发函数，同时引入冲量项，对微博话题在传播过程中演变为谣言进行检测[57]。路同强（2015）采用半监督学习算法检测微博谣言，但不足之处在于未考虑信息的深层特征[58]。
4.3 存在的问题
对比国内外研究情况，可发现国内研究存在如下问题：
4.3.1 研究内容
关于社交媒体信息可信度研究，国内外目前以微博研究较多。与国外丰富的研究内容相比，国内在该领域的研究还主要集中于对影响因素以及特征的探讨上。
4.3.2 研究方法
国外定量研究较多，很多涉及自动化评估，而国内定性研究较多，大多采用问卷调查法、专家访谈法等进行人工评估。
总之，现有研究大多是针对Twitter等英文社交媒体，其研究成果大多不能直接应用于中文社交媒体。尽管也有少量研究是面向中文社交媒体的，但研究成果零散，还缺乏系统性。另外，在特征选择上，选择范围面较窄，考虑社交媒体深层的隐含特征较少。
5 结 语
为了解决中文社交媒体的可信度评估问题，在吸收前人研究的基础上[59-63]，很有必要对中文社交媒体信息可信度进行系统研究，特别是在参考国外信息可信度评估系统的基础上，很有必要研制开发中文社交媒体信息可信度评估系统，实现中文社交媒体信息可信度的自动评估。在进行中文社交媒体信息可信度评估中，应注意下列问题：
1）评估要在对信息资源分类的基础上，对不同的类别采用不同的评估指标体系，以提高评估工作的科学性和合理性。
2）评估既要重视定性评估，也要重视定量评估，尤其是自动化评估。特别是在大数据环境下，应针对评估的实际需求，制定科学的评估方案，选择恰当的评估方法，构建适合评估工作需要的自动化评估系统。
3）评估指标、评估模型的选取以及参数的训练，既要考虑研究结果的精确度，又要考虑系统的运算时间。
4）评估模型构建后，不仅要进行实验室评估，还应进行实际效果评估。
参考文献
[1]Ngai，E.W.T.，Moon，K.K.，Lam，S.S.，Chin，E.S.K.and Tao，S.S.C..Social media models，technologies，and applications[J].Industrial Management and Data Systems，2015，115（5）：769-802.
[2]Gamboa，A.M.and Gonalves，H.M..Customer loyalty through social networks：lessons from Zara on Facebook[J].Business Horizons，2014，57（6）：709-717.
[3]Jin，S-A.A.and Phua，J.Following celebrities tweets about brands：the impact of Twitter-based electronic word-of-mouth on consumers source credibility perception，buying intention，and social identification with celebrities[J].Journal of Advertising，2014，43（2）：181-195.
[4]Colliander，J.and Dahlén，M.Following the fashionable friend：the power of social media[J].Journal of Advertising Research，2011，51（1）：313-320.
[5]Moncrief，W.C.，Marshall，G.W.and Rudd，J.M..Social media and related technology：drivers of change in managing the contemporary sales force[J].Business Horizons，2015，58（1）：45-55.
[6]Hong，Liangjie and Davison，B.D..Empirical study of topic modeling in twitter[C]∥Proceedings of the First Workshop on Social Media Analytics（SOMA10）.ACM，New York，NY，USA，2010：80-88.
[7]Kleinberg，J.M..Authoritative sources in a hyperlinked environment[J].Journal of the ACM，1999，46（5）：604-632.
[8]Tobar，C.M.，Germer，A.S.，Adan-Coello，J.M.，and De Freitas，R.L..Information retrieval in Wikis using an ontology[J].Computational Science and Engineering，2009：826-831.
[9]Kim，Y.and Shim，K.TWILITE：A recommendation system for Twitter using a probabilistic model based on latent Dirichlet allocation[J].Information Systems，2014：59-77.
[10]Ramesh，A.，Anusha J.，Clarence，J.M.T..A novel，generalized recommender system for social media using the collaborative-filtering technique[J].ACM SIGSOFT Software Engineering Notes，2014：1-4.
[11]Zimdars，A.，Chickering，D.M.，and Meek，C.Using Temporal Data for Making Recommendations[C]∥Proceedings of the Seventeenth conference on Uncertainty in artificial intelligence（UAI01），Jack Breese and Daphne Koller（Eds.）.Morgan Kaufmann Publishers Inc.，San Francisco，CA，USA，2001：580-588.
[12]Levandoski，J.J.，Sarwat，M.，Eldawy，A.and Mokbel，M.F..LARS：A Location-Aware Recommender System[C]∥IEEE 28th International Conference on Data Engineering，Washington，DC，2012：450-461.
[13]Jamali，M.and Ester，M.Trust Walker：a random walk model for combining trust-based and item-based recommendation[C]∥Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining（KDD09）.ACM，New York，NY，USA，2009：397-406.
[14]Galuba W，Aberer K，Chakraborty D，Despotovic Z，Kellerer W.Outtweeting the twitterers-predicting information cascades in microblogs[C]∥Proceedings of the 3rd Workshop on Online Social Networks，USENIX Association，Boston，MA，USA，2010：1-9.
[15]Adar，E.and Adamic，L.A..Tracking Information Epidemics in Blogspace[C]∥Proceedings of the 2005 IEEE/WIC/ACM International Conference on Web Intelligence（WI05）.IEEE Computer Society，Washington，DC，USA，2005：207-214.
[16]Asur，S and Huberman，B.A..Predicting the Future with Social Media[C]∥2010 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology（WI-IAT），Toronto，2010：492-499.
[17]Viswanath，B.，Post，A.，Gummadi，K.P.，and Mislove，A.An analysis of social network-based Sybil defenses[J].Acm Sigcomm Computer Communication Review，2010，40（4）：363-374.
[18]Conti，M.，Hasani，A.，and Crispo，B.Virtual Private Social Networks[C]∥Proceedings of the 1st ACM Conference on Data and Application Security and Privacy（ACM SIGSAC CODASPY 2011），San Antonio，TX，USA，2011：39-50.
[19]韩佳，肖如良，胡耀，等.在线社交网络中信息传播模式的特征分析[J].计算机应用，2013，（1）：105-107，111.
[20]姜景，李丁，刘怡君.基于竞争模型的微博谣言信息与辟谣信息传播机理研究[J].数学的实践与认识，2015，（1）：182-191.
[21]阎俊.微博传播的问题与对策研究[D].锦州：渤海大学，2015：1-38.
[22]陈远，袁艳红.微博信息传播效果实证研究[J].信息资源管理学报，2012，（3）：28-34.
[23]张，孙霄凌，朱庆华.突发公共事件舆情传播特征与规律研究――以新浪微博和新浪新闻平台为例[J].情报杂志，2014，（4）：90-95.
[24]张瑜，李兵，刘晨.面向主题的微博热门话题舆情监测研究――以“北京单双号限行常态化”舆情分析为例[J].中文信息学报，2015，（5）：143-151，159.
[25]唐涛.移动互联网舆情新特征、新挑战与对策[J].情报杂志，2014，（3）：113-117.
[26]唐兴通.社会化媒体营销大趋势：策略与方法（第2版）[M].北京：清华大学出版社，2012：1-235.
[27]张淼.社会化媒体在市场营销中的应用研究[D].北京：首都经济贸易大学，2014：1-47.
[28]刘晓燕，郑维雄.企业社会化媒体营销传播的效果分析――以微博扩散网络为例[J].新闻与传播研究，2015，（2）：89-102，128.
[29]Fogg，B.J.，and Tseng，H.The elements of computer credibility[C]∥Proceedings of the SIGCHI conference on Human Factors in Computing Systems，Pittsburgh，Pennsylvania，USA，1999：80-87.
[30]Rieh，S and Danielson，D.Credibility：A Multidisciplinary Framework[J].Annual Review of Information Science and Technology，2007：307-364.
[31]Nagura，R.，Seki，Y.，Kando，N and Aono，M.A method of rating the credibility of news documents on the web[C]∥Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval（SIGIR06）.ACM，New York，NY，USA，2006：683-684.
[48]Ratkiewicz，J.，Conover，M.，Meiss，M.，Gonalves，B.，Patil，S.，Flammini，A.and Menczer，F.Truthy：mapping the spread of astroturf in microblog streams[C]∥Proceedings of the 20th international conference companion on World wide web（WWW11）.ACM，New York，NY，USA，2011：249-252.
[49]Gupta，A.，Kumaraguru，P.，Castillo，C.，and Meier，P.TweetCred：Real-Time Credibility Assessment of Content on Twitter[C]∥Social Informatics.Springer International Publishing，2014：228-243.
[50]Krzysztof，L.，Jacek，S.W.，Michal，J.L.，and Amit，G.Automated Credibility Assessment on Twitter[J].Computer Science，2015，（2）：157-168.
[51]刘雪艳，闫强.政府微博中的热点事件信息可信度研究[J].北京邮电大学学报：社会科学版，2013，（2）：6-12.
[52]丁科芝.社交网络信息可信度研究[D].武汉：华中师范大学，2015：1-61.
[53]薛传业，夏志杰，张志花，等.突发事件中社交媒体信息可信度研究[J].现代情报，2015，（4）：12-16.
[54]屈文建，谢冬.网络学术论坛信息可信度的灰度分析[J].图书情报知识，2013，（2）：112-118.
[55]莫祖英，马费成，罗毅.微博信息质量评价模型构建研究[J].信息资源管理学报，2013，（2）：12-18.
[56]贺刚，吕学强，李卓，等.微博谣言识别研究[J].图书情报工作，2013，（23）：114-120.
[57]程亮，邱云飞，孙鲁.微博谣言检测方法研究[J].计算机应用与软件，2013，（2）：226-228，262.
[58]路同强，石冰，闫中敏，等.一种用于微博谣言检测的半监督学习算法[J].计算机应用研究，2016，（3）：744-748.
[59]Ginsca，A.L.，Popescu，A.，and Lupu，M.Credibility in Information Retrieval[J].Foundations and Trends in Information Retrieval，2015：355-475.
[60]Lazar，J.Meiselwitz，G.and Feng，J.Understanding Web Credibility：A Synthesis of the Research Literature[M].Now Publishers Inc，2007：1-80.
[61]Zafarani，R.Abbasi，M.A.，and Liu，H.社会媒体挖掘[M].北京：人民邮电出版社，2015：1-240.
关键词：社交媒体；社会化媒体；社会化网络；社交媒体营销
中图分类号：F713.3 文献标识码：A 文章编号：1001-828X（2012）06-0-02
社交媒体在今天中国的互联网世界绝对是最热话题之一。随着Facebook、Twitter、Youtube、新浪微博、开心网、人人网等社交媒体的出现和发展，不但改变了信息分享和传递的方式，也影响了人们对品牌的认知过程，网络口碑对消费者行为的影响变得越来越直接越来越迅速。
登录主流社交媒体，诸如微博和SNS(社交网站)早已经成为很多中国网民每天生活中不可或缺的一部分。此外，可以非常清晰地看到，社交媒体目前早已超出“社交”功能，在领先商业组织的利用和影响下，具有诸多广告、营销、公关等特征。企业对社交媒体营销的投入毫无疑问正在迅猛增长，但许多人对这些投入的是否值得和效用仍然存在一定争议。
很多企业都知道什么是社交媒体。毕竟，若把Facebook看成一个网络国家，那么它的人口仅次于中国和印度。很多企业老板和高管还可能了解社交媒体如此强大的原因——能够放大口碑效应。但谈到如何驾驭社交媒体影响力，他们就显得有些丈二和尚摸不着头脑了。尽管企业纷纷积极开设官方微博，但真正了解社交媒体究竟是如何与消费者互动，并借此拓展产品和品牌认知度、提升销售和盈利、激发顾客忠诚度的企业却是少之又少。
为什么对许多企业老板和高管而言，社交媒体仍然一团迷雾？有两个相互关联的原因。首先，源自社交媒体的朦胧本性，尽管谁都知道消费者越来越喜欢在线讨论产品和品牌、寻求并分享相关建议，但企业究竟可以在何处及如何影响这些对话却不清楚。毕竟这些对话横跨各式各样、不断增加的平台，出现在多元且分散的群体之间，可能是以极快的速度发生，也可能花好几个月酝酿。其次，没有一个适合且统一的指标来衡量其对营销的影响，因此企业要把大量资源(不管是财力资源还是人力资源)投在一项收效尚不明确的项目上，实在很难说得过去。
一、理解社交媒体的概念、特征及其分类
社会化媒体是一种给予用户极大参与空间的新型在线媒体，是人们彼此之间用来分享信息、意见、见解、经验和观点的工具和平台，是社会化的沟通方式。社会媒体推动了人们发现、阅读并分享新闻、信息和内容的方式的变革。社交媒体将人们从内容的阅读者转化为内容的者，将单对多的传播模式转化为多对多的传播模式，将个体从受众变成了媒体。
社会化媒体颠覆了传统的媒体概念，是一个集合了多种功能的在线生活平台，更是一个足以代替真实感知的超级媒体。社会化媒体能够以多种不同的形式来呈现，包括文本、图像、视频等。
社会化媒体创造了新的内容创作和传播方式，赋予了每个人创作并传播内容的能力，一般是具有以下基本特征。
1.参与。社会化媒体激发感兴趣的人主动地贡献和反馈，模糊了媒体和受众的界限。
2.公开。大部分的社会化媒体均可免费参与，鼓励大家评论、反馈和分享信息，参与和利用社会化媒体中的内容几乎没有任何障碍(受保护或隐私内容除外)。
3.交流。传统的媒体采取“广播”形式，内容由媒体向用户传播，单向流动。而社会化媒体的优势在于内容在媒体和用户之间双向传播，形成互动交流。信息传播的效率成倍提高。
4.社区化。在社会化媒体中，大家可以很快形成一个社区，并以共同感兴趣的内容为话题进行充分交流。
5.连通性。社会化媒体具有强大的连通性，通过链接将多种媒体快速融合到一起。
6.多平台。基于网络的社会化媒体不受平台限制，任何能够连接网络的终端都可以作为服务平台。
二、中国是新兴的互联网和社交媒体用户大国
全球社交媒体正在爆炸式增长，中国无疑引领着这一潮流。中国互联网用户的扩张速度堪称全球之最。到2011年12月，中国共有5.13亿名互联网用户，而德国只有6700万人，印度1.21亿人，美国2.45亿人(图1)。中国最大的互联网用户群是年龄不到35岁的群体，其中25-34岁的用户群占40%；中国约有2.5亿名互联网用户集中于一二三线城市；超过一半的中国互联网用户每周上网12个小时以上。其中社交媒体用户数量达到2.35亿，年增长率达到33.7%。
麦肯锡一项针对5700名中国互联网用户调研发现，一二三线城市居民的社交媒体注册率高达95%。此外，中国也拥有全球最活跃的社交媒体用户群。高达91%的受访者表示，最近六个月曾登入社交媒体。这一比例远高于日本的30%、美国的67%、韩国的70%。中国互联网用户花在社交媒体上的时间也比日本、美国来得长。例如，中国消费者平均每天花46分钟在这类网站上，日本消费者仅为7分钟，美国消费者37分钟。随着社交媒体的使用时间增加，消费者花在其他网站的时间减少了，也改变了消费者的沟通方式。
麦肯锡的研究还发现，在内容获取上，社交媒体的使用已逼近门户网站，有40%的个人电脑使用者通过门户网站取得内容，36%通过社交媒体；不过，搜索引擎还是最大的内容来源，有80%的个人电脑使用者运用搜索引擎获取内容。
数据存储:负责存储社交媒体数据以及应急信息实时分类模型。采用MongoDB存储微博数据。MongoDB是基于文档存储的数据库，适合用于组织、管理微博数据。另外，微博数据具有位置信息，MongoDB支持空间索引，有利于进行后续的空间查询。数据挖掘:是系统的核心模块。结合GIS原理，运用“图片+描述”形式再现突发事件的发生情景;采用自然语言处理技术、话题模型、监督分类方法从实时的短文本提取和分类应急信息，标注在地图上;从社交媒体数据量和空间属性出发，统计、分析、探寻突发事件趋势，为应急决策提供依据。结果可视化:是系统的特色单元。该模块将数据挖掘产生的图片集、信息分类表、趋势线以图、表的形式，同时结合了WebGIS的相关方法，输出到Web浏览器端。
2关键技术
本文研究了基于社交媒体突发事件应急系统的多个关键技术:情景再现、应急信息提取、趋势分析等。情景再现:可整合社交媒体数据的直接信息，结合时间、空间对突发事件的图片文字等信息进行查询，展示事件发生情景;应急信息提取:利用实时应急信息分类方法，提取、分类出突发事件的状况、救援等应急信息，标注在地图上;趋势分析:通过分析微博的数量变化和空间分布，揭示突发事件趋势和公众关注点。
2．1情景再现
在突发事件中，目击者的照片(尤其是手机拍摄的照片)使得公众报道在灾害应对中越发重要［5］。因为图片给人们最直观的感受，特别是在自然灾害发生时，图片能够描述灾害的发生情景，客观反映灾害造成的破坏场面，为应急决策提供直接的证据。情景再现，是采用“图片+描述”方式，通过图片、文字描述突发事件在空间上的最新发展状况。社交媒体具有很强的时效性，加上人们对突发事件的最新动态较为敏感。所以，最近一段时间的图片适合表现突发事件的发展状况。另外，突发事件可以抽象为地理空间上的地理现象，社交媒体数据具有位置信息，可利用地图的可见范围来约束突发事件情景的范围。由此可见，情景再现实质上是多维信息查询，包括时间、空间、图片信息三个维度。多维度查询也很好地缓解了在浏览器端绘制时的效率问题和压力问题，特别是空间的限制，大大地提升地图交互能力。系统采用AJAX技术实现按需加载图片，加快浏览器的响应速度。
2．2应急信息提取与定位
微博的大部分信息以文本的形式存在。从文本自身特点来看，文本短小且信息杂乱，包括事件状况、求援、救援、评论、商家广告等多种多样信息。从信息流来看，微博文本是实时获取的，具有实时变动性。本文提出了一种从海量、实时的社交媒体数据中提取应急信息的方法，学习过程:系统初始化时，当文本积累一定量后，训练初步模型。取出数据库的所有文本，把每条微博文本看成一个文档，即得到文档集。文本预处理包括去掉重复微博，采用中文分词器Ansj分词、去掉停用词，获得分词后的文档集，作为话题模型LatentDirichletAllocation(LDA)的一个输入。设定好主题个数后，采用随机模拟的GibbsSampling算法，得到各个文档的主题和各个主题的单词分布(即词库)。如此，文档集的大部分文档被标记了。将单词为特征、主题为类别的文档集输入到监督算法SupportVectorMachine(SVM)做训练，调优并得到初步应急信息分类模型。预测过程:模型训练好后，新的微博文本经上文相同的文本预处理，得文本的所有特征(单词)，输入到训练好的应急信息分类模型，输出所属主题;同时结合LDA生成的主题词库，判断文本的主题类型，并标注在地图上。更新过程:主要针对模型和主题词库的更新。考虑到信息采集速率，与上个模型相隔2个小时后，取出所有文本，重复学习过程重新得到模型和词库，以适应微博话题随时间的变化，提取新的应急信息。
2．3趋势分析
人们除了关注突发事件的最新情况、应急信息，还想了解事件的发展趋势。系统从时间趋势和空间分布两个方面来表现突发事件的趋势。研究表明［6］:社交媒体数据可以被用来甄别事件在时间上的发展趋势，甚至做出预测。为揭示突发事件时间发展趋势，我们统计每小时的微博总数、用户参与数、转发数，通过观察趋势线的最高点和拐点来发现趋势。另外，词云图利用中文分词技术处理一定时间内的微博内容并统计高频词汇，找出人们讨论的热点话题以及其随时间的变化。微博数据携带位置信息，反映了突发事件的空间分布。系统使用了聚类分析和核密度估计来发现事件空间分布规律。聚类分析通过对微博点在空间距离上做聚类，以便寻找事件在空间的分布状态，分配应急资源;核密度估计很好地反映了事件在空间上的热点区域，有利于发现问题区域所在。
3系统的主要功能
3．1查看、浏览图片功能
1)采用“图片+描述”形式，通过缩略图、大图与地图联动来展示突发事件的情景。当点击图片时，地图中心会移动到图片对应的坐标点，并弹出信息框，包括者、微博内容、时间和经纬度等;当点击地图上的点时，该点对应的图片出现在图片框中央。2)添加按时间、热度排序的功能，便于查看最新、最热的图片。图3展示了2012年“7．21北京特大暴雨”中某条微博的图片、文字、地点等情景。
3．2定位应急信息功能
1)利用实时应急信息分类方法，提取并分类好微博文本的应急信息。采用表格形式展现应急信息，每个表格与一个主题关联，主题以标签的形式表现在网页中。当点击相应标签，表格内容随之发生改变。2)每条文本与地图联动。当点击表格中文本时，地图中心会移动到文本对应的坐标点，方便定位应急信息，展开救援。图4展示的是“7．21北京特大暴雨”微博经过应急信息提取后得到“救援信息、天气预报、损失与影响”等主题，及“救援信息”主题下的救援信息。
3．3时空趋势分析功能
1)利用Echart图表，统计每小时的微博总数、用户参与数、转发数，以及趋势线(微博总数减去转发数)，使用放大窗口查看曲线的局部细节，如图5所示。在A点和B点前一个小时，北京市气象台分别了暴雨橙色预警和暴雨黄色预警。2)当点击曲线上的拐点时，利用AJAX技术，在地图上动态加载每个小时的点数据。通过切换不同图层(热点图和聚类图)，可查看暴雨微博的空间分布情况。图6左上部分为“7．21北京特大暴雨”微博的热点图，暴雨微博在地铁1号线和首都机场附近出现聚集现象，反映了暴雨事件空间热点分布。
3．4发现热点话题功能
另外，系统采用词云图和柱状图来展现最新微博的高频词汇，反映最近时间内突发事件的话题变化。图6右、下部分展示了截至7月22日10时“7．21北京特大暴雨”的词云图和高频词汇柱状图，直观地展现人们的讨论热点话题，如“大暴雨、回家、平安、积水”等。除了多种的表现形式，数据可视化还要考虑多图层绘制效率问题、大数据量的渲染压力问题。为了解决这些问题，我们可以采用图层控制、矢量绘制点、使用JSON包装处理结果等方法。
4结束语
被忽视的用户需求和体验
作为网络社交媒体，微博的核心功能是满足用户对信息的分享和传播，增强其网络社交关系黏性的需求，因此，用户是微博中最核心的要素。微博的产品和服务如果无法满足用户的多元化需求，忽视用户的使用体验，就会遭到用户的背弃，最终导致用户的大量流失。以新浪微博为例，其用户的流失除了受到微信等新的社交媒体的冲击之外，也与其对用户需求和体验的忽视有直接关系。
“草根”定位逐渐弱化。“草根”定位和交互式的传播模式是新浪微博运营之初吸引大量渴望展现自我、获得更多关注的“草根”用户的重要因素。和传统大众媒体单向流动的传播模式相比，微博多向、发散的传播模式以及低准入门槛，让众多“草根”用户有了在更广阔的传播领域发声、社交和获取信息的机会。可以说，微博的流行与其满足了普通大众在传统传播环境中长期处于信息传播末端、缺少话语权而被压抑的心理需求有很大关系，普通用户也因此成为支撑新浪微博发展壮大的中坚力量。然而，随着众多名人和媒体的加入，新浪微博逐渐成为各种大“V”和媒体凝聚人气、提升影响力的工具，有限的话语权被逐渐集中到大“V”用户和媒体用户手中，原本是公众社交平台的微博，演变为名人的宣传平台和媒体的信息平台。“草根”定位的逐渐弱化和长期的不被重视让普通用户的参与欲望越来越低。很多人从刚注册时积极的“传播者”变为只看不发的“围观者”，甚至不看不发，逐渐退出微博。
核心产品缺乏创新。作为一个基于用户关系进行信息传播和分享的平台，社交和信息传播产品应当是新浪微博的核心产品。核心产品是一个品牌提升用户体验、打造市场竞争力的关键因素，然而一直以来，新浪微博却没有根据不断变化的用户需求对这两项核心产品进行较大的创新与改进。“浅社交、松关系”的社交特点弱化了人 本文选自《传媒》2014年第14期，仅供用户参考。版权归原作者和期刊所有，如有异议，请及时告知，本站将第一时间删除，谢谢际交往关系，让用户的“存在感”越来越低；单调而缺少变化的信息传播和分享方式，让越来越多的用户丧失新鲜感而出现“使用疲劳”。与此同时，被用户广为诟病的信息过载、“僵尸粉”泛滥、内容质量下降、隐私保护不力和大“V”刷屏等一系列问题，也始终没有得到根本解决，令用户渐失耐心。
商业运作引发不满。自全面启动商业化运作以来，新浪微博逐渐确立了包括电子商务平台、互动精准广告、实时搜索、数字内容收费、无线增值服务以及社交游戏等在内的商业化模式，但迫于资金压力而加快商业化运作的新浪微博却始终没有找到一个用户与商家共赢的盈利模式。各种不请自来的信息流广告和商品展示橱窗充斥着用户页面，就连较为私密的私信也被营销广告侵袭，这些无法精准定位的所谓“精准广告”极大地降低了用户体验，引来用户不满。就像美国营销大师赛斯·戈丁所说的那样，“如果互联网公司无情兜售用户的注意力，他们会在寻求利润最大化的道路上迷失方向。广告商希望获得更多的关注，而用户则希望避免受到广告商付费活动的打扰。一旦用户觉得他们受困于一种没有替代的媒介而难以解脱，同时这种媒介还会以某种方式向他们收费，双方的关系便会日趋紧张。”在这种情况下，用户的流失也就成为必然。
网络社交媒体的受众策略
被忽视的用户需求和体验让新浪微博逐步远离普通用户的生活，成为其用户流失的重要原因，也为其他网络社交媒体的发展提供了借鉴：只有有效提升用户体验，满足用户需求，才能在赢得用户认可的同时，为自身的持续发展打下坚实的基础。其受众策略如下。
优化用户管理。网络社交媒体中各类用户的聚集势必导致话语权的争夺，而名人和媒体在话语权争夺中具有的先天优势让普通用户望尘莫及。逐渐丧失的话语权让普通用户的存在感和参与欲望越来越低，而社交媒体颇具特色的交互传播模式也重新变回单向无互动的传统传播模式。在这种情况下，通过用户分类来优化用户管理，成为平衡用户话语权、提升用户使用效率的有效方式。
根据影响力的不同，网络社交媒体的用户可以分为个体普通用户和大“V”用户。网络社交媒体应当针对用户的不同需要，帮助用户建立分类社交圈以方便其对社交网络进行分类管理，如建立普通用户圈和大“V”用户圈，并在这两大类用户中进一步细化分类。这样，用户既可以在普通用户圈中重拾话语权，又可以迅速定位想要联系的对象类型或想要获取的信息类型，以实现更加高效的社交和信息的传播与分享。
创新核心产品。网络社交媒体的核心功能是社交和信息的传播与分享，而其核心产品的创新也应紧紧围绕这两大功能进行。首先，通过提升数据分析和分类聚合能力，帮助用户进行信息内容的梳理，以方便用户更加高效和便捷地获取有价值的信息。这方面，腾讯微博的经验值得借鉴。面对用户突破5亿后信息量暴增的问题，腾讯微博通过阅读数、时间轴等产品，以数据分析的方式进行内容的分类聚合，帮助用户更加便捷地获取有价值信息。其次，强化移动客户端的社交功能，开发方便用户进行沟通和交流的专门界面，并提升用户社交的时效性，以满足用户随时随地、精准定位的社交需求。再次，通过技术手段，丰富用户社交形式，满足用户运用文字、图片、语音和视频等多元化的形式进行实时交流的需求，并最大限度地降低用户的使用成本。
灵活开发商机。尽管从国外经验来看，拥有庞大用户群体和流量基础的网络社交媒体中蕴藏着巨大的广告商业价值，但是这种广告商业价值的开发必须以关注 用户体验为中心。
第一，通过数据挖掘，发现用户需求。数据挖掘是发现用户需求、实现精准营销的重要方式。数据挖掘是一项长期工程，其重要前提是对用户数据的积累，包括对用户社会属性的记录，对用户互动特征、行为规律等信息的长时间采集和存储等，并在此基础上，对相关数据进行深入分析，挖掘用户的潜在需求和习惯偏好，以探索出有效的广告传播渠道和模式。以Facebook为例，作为基于真实生活状态的网络社交媒体，Facebook通过时间线和搜索图谱等工具，收集用户线下生活中的各种数据信息，例如谁需要购买新的咖啡机，谁计划在聚 本文选自《传媒》2014年第14期，仅供用户参考。版权归原作者和期刊所有，如有异议，请及时告知，本站将第一时间删除，谢谢会中预订披萨等，通过整理这些数据，挖掘出包含用户个人需求与价值的数据信息，再分门别类地转卖给广告主，从其为用户需求和商业服务之间搭建的桥梁中收取“过桥费”。由此可见，网络社交媒体只有不断提升数据挖掘能力，才能有效发现用户需求，增强广告信息与用户需求的匹配度，从而在满足用户需求的同时，实现广告的精准投放。
第二，通过合理包装，提升用户体验。通过合理包装，增强广告信息的可读性和趣味性，提升广告的艺术和技术含量，丰富广告带来的视觉和感官体验，将广告由枯燥无味的信息宣传转化为能带给用户美的享受的实用工具，从而有效降低用户对广告信息的抵触心理，进而使广告获得更多关注。
