基于舆情画像的在线社交用户信息传播特征统计分析

刘海鸥 刘旭 姚苏梅 谢姝琳

摘 要：[目的/意义]在线社交用户的信息行为对网络舆论生态环境的构建具有重要的指导意义。[方法/过程]借鉴“用户画像”的思想，提出了在线社交用户舆情画像的概念，围绕人类动力学研究视角构建了在线社交用户的舆情画像模型，最后从舆情信息传播的时间间隔分布、活跃度分布、时间间隔重标度、交互热度、阵发性和记忆性等方面对在线社交用户信息传播行为特征进行了实证分析。[结果/结论]研究结果表明，在线社交用户“舆情画像”可全面揭示其网络信息行为特征，实现对用户基本信息与舆情传播信息的有效收集、有效识别与定量分析，从而为网络舆情生态环境的完善提供参考。

关键词：舆情画像;在线社交用户;信息传播

DOI：10.3969/j.issn.1008-0821.2019.09.007

〔中图分类号〕G252.0 〔文献标识码〕A 〔文章编号〕1008-0821（2019）09-0064-10

Abstract：[Purpose/Significance]The information behavior of online social users has important guiding significance for the construction of the ecological environment of network public opinion.[Method/Process]Referring to the idea of“user portrait”，this paper proposed the concept of online social user's public opinion portrait，and constructed a public opinion portrait model of online social user from the perspective of human dynamics.Finally，we discussed the public opinion information dissemination from the distribution of time interval，activity，time interval rescale and interaction heat.[Result/Conclusion]The results showed that online social users' portraits of public opinion could fully reveal their behavior characteristics and quantitatively analyze the basic information of users and the information of public opinion dissemination，thus point out the direction for the development of the network public opinion ecological environment.

Key words：public opinion portrait;online social users;information dissemination

定量分析在线社交用户的信息行为是认识人类复杂行为特征的基础，其不仅可以直观地体现网络用户偏好的主题领域、用户情感强度与态度倾向，同时还有助于深入研究用户的情感倾向与群体行为，为网络舆情生态环境的构建奠定基础[1]。传统用户行为的研究多通过泊松分布进行探讨，将相关事件发生速率近似假设为一个常数，即假定两个相同行为相继发生的时间间隔是指数分布的。在此基础上，众多学者致力于解释社交用户的复杂信息行为，如Barabási A L[2]基于优先级的排队决策过程解释个体等待时间的胖尾现象;Vázquez A等[3]的社交用户记忆性模型、Shang M S等[4]的社交用户兴趣驱动模型、阳长征[5]的社交媒体用户行为框架模型等也对人类复杂的行为特征在不同维度进行了解释。Wang P[6]对用户论坛的发帖与回帖行为的规律性进行了分析，发现了用户论坛发帖间隔的时间特征，即同一用户在天、小时和分钟的时间尺度具有幂函数的特征。Kan A等[7]研究了用户论坛行为规律，发现了用户的发帖的时间特征，即时间间隔符合1.7的幂指数律。郭进利[8]通过实证发现博文评论的时间间隔分布服从幂律分布，并在此基础上构建了人类兴趣衰减的动力学模型。何静等[9]研究了群体和个体微博用户的信息发布的时间间隔，并论证了转发数与粉丝数量的相关关系。Song Y D等[10]从单一个体的角度挖掘了用户在微博及博客平台的行为数据，得出人类在博客和微博上的时間间隔分别服从α=1.3和α=2.0幂律分布。Bao Y Y等[11]以粉丝数量最多的15位微博用户为研究对象，发现个体水平上发布微博的行为表现出阵发性特征，时间间隔服从指数为1.4的幂律分布。Chun H等[12]分析了在线社交网络Cyworld的用户留言记录，发现以36min和1天为界限，时间间隔呈现三段幂指数律：α=1.696、α=0.91和α=2.276。通过上述研究可以看出，在线社交行为已经成为人类生活中非常重要的构成部分，受网络信息传递的影响，在线社交用户信息行为的研究已成为网络舆情领域不可回避的热点问题之一。

随着社交网络的兴起，用户社交平台上的用户活动痕迹也化为数据，成为描述用户画像的重要数据来源[13-14]。用户画像最早被定义为建立在“一系列真实数据上，可体现用户行为、态度与习惯差异的目标用户模型”[15]。如国外学者Ravi L[16]、Sánchez P等[17]围绕用户的个人信息、兴趣偏好以及搜索行为对用户画像模型进行了刻画;我国学者张亚明[18]、王妍妍[19]、王庆等[20]、陈晶[21]、谢姝琳[22]、孙晶晶[23]建构了各类用户的行为画像，以此揭示用户的周期性行为与活动规律，从而为全面分析网络用户的信息行为奠定了基础。但是，当前基于微博、论坛等多种社交平台数据探讨在线社交用户画像及其舆情信息行为的研究很少，只有少数相关文献对微博/论坛/博客等社交平台的发帖留言以及博文的评论互动特征进行了统计分析，但是仅从发帖和评论互动的单一视角难以全面、真实有效地描绘社交平台用户行为特征。鉴于此，本文借鉴了“用户画像”思想，提出了在线社交用户“舆情画像”的概念，通过分析我国应用最广泛、传播覆盖最深入的社交平台（腾讯QQ、新浪微博、人人网、天涯论坛）的用户相关数据，构建基于网络在线社交平台的用户舆情画像概念模型，围绕人力动力学研究视角对在线社交用户舆情信息行为特征进行定量的实证分析，从而清晰地揭示在线社交用户舆情信息传播的规律，为完善我国网络舆情生态环境提供参考。

1 在线社交用户的舆情画像

1.1 舆情画像的提出

本文在研究过程中尝试借鉴“用户画像”的思想，提出了在线社交用户“舆情画像”的理念，并从研究对象、画像目标、构成要素、研究方法等方面与用户画像进行了类比，具体见表1所示。

类比元素用户画像舆情画像研究对象用户在线社交用户舆情信息传播行为画像目标各类用户人物原型（3～7个）我国最为典型的社交平台如新浪微博、腾讯QQ、天涯论坛和人人网上的若干个用户构成要素用户的自然属性、关系属性、兴趣属性、能力属性、行为属性、信用属性等在线社交用户的基本属性特征和信息行为特征（时间间隔分布、活跃度分布、时间间隔重标度、交互周期、交互热度、阵发性和记忆性等）研究方法采用定性与单标签建模的分析方法基于人类动力学的定量分析方法其中，“在线社交用户舆情信息传播行为”是舆情画像的研究对象，将之类比于用户画像研究中的“目标用户”;用户画像的研究目标一般为各类用户人物原型（3～7个），而本文将舆情画像的研究目标界定为“我国最为典型的社交平台如新浪微博、腾讯QQ、天涯论坛和人人网上的若干个用户”;在构成要素方面，用户画像一般围绕用户的自然属性、关系属性、兴趣属性、能力属性、行为属性、信用属性等展开论述，本文结合在线社交用户舆情信息传播的特点，将舆情画像的构成要素细分为社交用户基本属性特征和信息行为特征两大方面，基本属性特征主要涵盖社交用户年龄、性别、学历、住所等自然数据，信息行为特征主要基于人类动力学视角探讨在线社交用户信息传播的时间间隔分布、活跃度分布、时间间隔重标度、交互周期、交互热度、阵发性和记忆性等;在研究方法方面，目前的用户画像多采用定性与单标签建模的分析方法，因此难以对用户画像进行细粒度的刻画，而本文的舆情画像则通过抓取在线社交用户的行为数据进行多个指标的人类动力学定量分析，因此勾勒的“舆情画像”粒度更为清晰。

由此，在线社交用户信息传播行为的“舆情画像”具体步骤为：1）基于人类动力学视角构建在线社交用户的“舆情画像模型”，细分画像的构成维度;2）以我国最为典型的社交平台如新浪微博、腾讯QQ、天涯论坛和人人网为例，获取上述各个平台每个用户的ID、用户登录时间、用户信息发布时间、用户发帖数和回帖数、用户粉丝数与关注数等个人基本特征数据和用户信息行为数据，对抓取的个人基本特征数据进行了显著性检验;3）通过人类动力学计算方法进行实证分析，勾勒出在线社交用户舆情信息传播的概况，并进一步分析用户的态度观点倾向与群体行为特征。

1.2 在线社交用户的舆情画像模型

在构建在线社交用户舆情画像时，通常会使用高度精炼的特征标识即标签来描绘用户的基本属性特征和在线行为特征，并基于此形成舆情画像的轮廓，作为在线社交用户的虚拟化代表，并从多个维度刻画用户舆情画像模型。通常来说，获取的用户社交行为活动数据越多，构建的画像特征越精准。但由于网络隐私保护和数据获取成本，很难构建完全匹配用户特征的精确画像模型。因此，数据获取的过程需要考虑具体的使用情景。基于此，本文在获取上述社交平台的用户信息及行为特征时，主要抓取以下两个维度的信息：一是用户的基本特征数据如年龄、地址、性别、学历、职业;二是反应用户社交平台的操作和使用行为，例如访问次数、点击率、互动评论、浏览时长等。其中，用户的基本特征数据包括账号ID、网名、性别、学历、职业、所在地、终端设备等，通过注册社交平台时提交的个人档案页（Profile Pages）获取，这种方式成本较低且数据来源准确。这些数据包含了社交用户细粒度和高精确度的基本信息。而用户的行为信息数据主要是平台操作情况，包括用户发布信息的内容、发布时间、发布信息编号、以及获得的转发、评论、点赞数等数据。根据用户的在线社交特性，本文基于上述两大维度（基本信息及行为信息）构建出在线社交用户的舆情画像概念模型，具体如图1所示。

1.3 舆情画像的数据来源与分析

本文实证数据主要来自新浪微博、腾讯QQ、天涯论坛、人人网等我国较为知名的社交平台。对于每个用户，本文收集了用户ID、用户登录时间、用户信息发布时间、用户发帖数和回帖数、用户粉丝数与关注数等;对每条信息，收集了信息ID、信息被轉发和评论的时间、信息的转发数和评论数等;由此可通过唯一的信息ID对每条信息的传播动力学特征进行分析，即通过追踪用户ID可探讨在线社交用户的信息传播行为。其中，新浪微博是我国著名的微博社交平台，目前月活跃用户3.92亿，日活跃用户1.72亿。新浪微博每位用户及其发布的信息均有唯一的ID标识码，本文以滚雪球抽样的方法获取了新浪微博的189 031条信息。QQ是由腾讯开发的一款基于Internet的集体即时通信网络信息交流工具，聊天成员因为某种共同兴趣与话题聚集起来，是我国广大网民网络信息交流的重要工具。本文批量抓取QQ群中包括群名称、群号、群人数、群主、地域、分类、标签、群简介等相关内容，由此返XLS（X）/CSV/JSON结果文件，共获得腾讯QQ群的94 692条记录。天涯社区是一个在我国乃至全球都具有一定影响力的网络社区，每月覆盖品质用户超过2亿，共抓取到天涯社区用户的41 158条记录。作为中国领先的实名制社交网络平台，人人网在用户数量、页面浏览量、访问次数和用户花费时长等方面具有一定的优势。本文通过分析页面http：//s.xnimg.cn/a44177/allunivlist.js获得了人人网高校数据的js文件，该文件中包含了人人网用户所在国家、城市、学校、热点话题等信息，由此共获取了人人网用户的247 416条记录。获取的每个数据集包含用户的基本特征数据以及信息行为数据，其中，用户的基本特征数据主要包括ID、用户名称、性别、年龄、职业、所在地、终端设备等;行为信息数据主要包含用户发布信息的特征值，如信息内容概要、发布的时间、信息生成编号、获得的评论与转发和点赞数量等。并对获取的数据进行了显著性检验，得到皮尔逊相关系数（简称）以及统计量，具体如表2所示。

表2中的计算结果体现了不同社交用户个人基本特征关于PCC、χ2统计量上与信息行为相关性的对比情况。如表1中星号（*）所示，χ2统计量的计算结果显示，表1中的大多数个人基本特征通过了置信水平为95%时的显著性检验。但个人基本特征“用户名”并没有体现在表1中，这是因为“用户名”仅是一个体现社交用户个性的符号，其对用户信息行为的影响基本可以忽略不计。其他的个人基本特征中，PCC的大小表明了用户的基本信息特征和行为信息之间的线性相关关系的强弱程度。例如用户的“地域”基本特征的统计值最高，由此说明了活跃用户的地理分布主要位于一线城市及发达地区，这些地区的用户数量要明显高于其他地区，并且附带着较强的信息行为。这一现象的出现与我国的经济发展不均衡有关，东部沿海、内陆及西部地区的发展存在较大差异，导致发达地区的用户量及活跃强度高于其他地区，呈现出地理区位的不均衡特性。

2 在线社交用户信息传播特征统计分析

本部分主要借鉴了人类动力学相关指标如时间间隔分布、活跃程度分布、时间间隔重标度、交互热度分布、阵发性与记忆性等对在线社交用户的信息行为特征进行实证分析。

2.1 时间间隔分布

时间间隔是人类动力学研究的核心统计量。是指某事件或者行为（如网络购物、社交互动、网络信息传递等）两次发生期间的时间间隔。该统计量可用于度量用户信息行为的发生频率和周期，为理解其舆情信息行为的生成机制并分析其规律特征提供理论依据。图2显示了本文新浪微博、腾讯QQ、天涯论坛、人人网4个数据集中用户信息交互的时间间隔分布，其中，QQ群的时间间隔是相邻两条对话的时间差，其他数据集的时间间隔为所讨论话题下发布相邻内容的时间差。每个数据集的时间间隔均服从幂律分布，幂指数集中在1.57～1.99的范围内，QQ群的图像出现一个弯曲的头部，但在超过一个数量级的部分服从指数为1.58的幂律分布。天涯论坛的幂指数为1.57，与QQ群非常接近，这是由于天涯论坛和QQ群“重内容，轻关系”，1个话题或1条消息抛出后，具有相似经历的用户会形成共鸣并产生互动讨论的热情，用户对于话题和信息的兴趣由其本身引起，好友等熟人社交关系会带来一定影响，但并不会产生爆发性的讨論行为。可以看出，在线社交用户信息交互过程中具有显著的重尾分布特征，即信息出现爆发性的效应，短时期内相同话题下聚集大量活跃用户和海量相关信息行为，但只有极少数信息会在短时间内形成爆发性特征。例如鹿晗表白关晓彤的微博“给大家介绍一下，这是我的女朋友@关晓彤”引起爆炸性的信息行为，一度导致新浪的服务器故障。

从图2还可以看出，4个数据集的幂指数排列为人人网、新浪微博、QQ群、天涯论坛，本文从图的有向性和使用意图两个维度给出解释。基于图的有向性视角，人人网的好友关系是双向的，形成双向图，天涯论坛提供了“加好友”和“加关注”两种选择，好友关系可能是单向或双向的，微博提供单向的好友关系，构成单向图，QQ群成员由于某种相同的特性聚集在一起。例如：在同一个班级、企业，或同时学习一种知识等，群成员可能相互认识，也可能互不相识，群中的好友关系很弱。好友关系可以形成信息的双向传播，进而增强好友互动，好友之间发送信息频率和活跃性增强，促进信息的传播，而关注关系只能形成单向传播，好友互动性较弱，发布信息的频率也较少，因而形成了如上的幂指数特征。基于使用意图视角，用户加入QQ群是为了获取信息，这些信息与群组中的大部分人相关，人们在微博和人人网上发布的信息大多与自身相关，这类信息发布比较随意，发生的频率较大，而与群体相关的信息相对个人信息数量较少，而且发布的频率也较小，因此QQ群的幂指数低于人人网和新浪微博的数据集。

2.2 活跃程度分布

不同的人发布信息的数量、频率等均不相同，形成了每个人的网络信息活动强度，通过对活动强度进行标量，可以对比不同活跃程度的个体并分析其对社交用户信息行为的影响。本文利用在线社交活动强度的研究方法来对比不同活跃程度的成员之间的差异。个体发布行为的活跃程度计算公式为Ai=ni/Ti。其中，ni表示个体发布信息的总量，TI表示发布第一条信息与最后一条信息相隔的时间，Ai表示个体的活跃程度。图3表示4个数据集活跃程度的互补累积函数分布，计算公式为F（t）=P（t>A），表示活跃程度大于A的值出现概率的和。由图3可以看出，活跃度高的个体所占总数的概率较少，活跃度低的个体占到整体的大部分比例。此外，活跃程度的分布非常广泛，不同用户的活跃程度相差较大，最高活跃程度的用户与最低活跃程度的用户之间相差3～7个数量级，如人人网高低活跃度之间相差3个数量级，QQ群相差7个多的数量级。以人人网为例，人人网的最高活跃程度集中在10-3～10-2之间，10-3～10-2部分的图像呈现坡度非常陡峭的下降趋势，而且最大值明显小于其他数据集的最高活跃程度。这是由于人人网用户粘性减弱，在网站停留时间明显减少，客户不断流失，人人网的活跃程度明显低于用户在微博上的活跃程度，人人网的一份声明也表明，其独立用户数相比之前减少了4 500万，本文对新浪微博、天涯论坛和人人网近3个月的用户访问情况对比也发现，人人网的访问量明显低于微博和天涯论坛，因此，提升吸引力、增加用户粘性和活跃程度是人人网亟待解决的一项重要问题。

2.3 时间间隔重标度

为了进一步研究在线社交用户信息传播时间间隔分布的潜在规律，本文对在线社交用户信息传播的时间间隔进行重新标度。本文通过公式t/〈t〉标度在线社交用户连续的两个发布行为时间间隔，其中t为时间间隔，〈t〉为时间间隔的均值，本文将p（t）〈t〉视为t/〈t〉的函数，以此来分析重新标度后的效果，其中重标度效果较好的几组数据时间间隔分布如图4所示。由图4可以看出，重标度后的图像基本可以拟合为一条曲线F（t），且曲线F（t）与在线社交用户信息传播行为的时间间隔均值是相互独立的，这表明时间间隔服从函数p（t）=（1/〈t〉）F（t/〈t〉），从而揭示了在线社交用户的信息传播行为具有某种相似的潜在机制。例如在社交用户的信息传播过程中，活跃程度越大的用户，信息传播的时间间隔越窄。QQ群和天涯论坛的图像类似，在上方均存在一些散乱的点，这是由于数据集对内容和关系的侧重程度不同造成的，新浪微博和人人网更重视关系，QQ群和天涯论坛更侧重于内容，这些散乱的点是经常处于沉默状态的个体，遇到困难或其他需要帮助的情况下，在一段时间内出现爆发性发言形成的。

2.4 交互热度分布

信息交互热度对在线社交用户的信息行为具有重要影响[24]。在线社交用户信息交互热度的计算方法为：Pi=Ni/Ti。其中，Ni表示对在线社交用户对某一话题讨论的信息总量，Ti表示某一话题交互周期的长短，两者的比值就表示在线社交用户信息交互的热度。鉴于QQ群中用户的讨论内容较为随意，话题的聚焦性不是很强，因此难以对其讨论信息进行界定，故不对QQ群的话题交互热度进行讨论。本文在线社交用户交互热度分布具体如图5所示。从图中可以看出，不同话题中最高与最低的交互热度相差5个左右的数量级。可以看出，天涯论坛用户信息交互热度的分布与其他几个社交平台存在较大的差异，其交互热度强的话题所占平台发布的总话题数量的概率相对较高，这说明论坛是引起话题热度讨论的主要聚集地之一。例如天涯论坛中某位名人2018年5月发表了一篇关于某热播剧话题内容的帖子，截至6月份共获得了3000+的回复和评论，但是在6月份则仅有很少的回复和评论数量。由此可以看出，网络用户一开始对这个热播剧的话题具有较高的热度，但随着时间的推移，用户的兴趣慢慢变小，讨论的数量也急剧下降，直至最后完全丧失了关注的兴趣，此时论坛用户的交互热点降至最低。

2.5 阵发性和记忆性

阵发性和记忆性是衡量人类网络信息行为的两个重要指标。其中，阵发性是指人类行为在时间间隔服从幂律分布时所出现的短时间内的信息密集爆发和长时间的网络静默现象，其计算方法为：B=（σt-mt）/（σt+mt）。式中B表示在线社交用户信息行为的阵发性，其取值范围为（-1，1），B的值越趋近于-1，表示在线社交用户信息行为的周期性越强;数值越接近于1，在线社交用户信息行为的阵发性则越明显。记忆性是指一个长时间间隔后出现较长的时间间隔现象，或者一个短时间间隔后跟着的另一个短时间间隔的现象，即该行为发生的时间序列具有一定的可记忆性。记忆性的计算方法为：M=（1/Nt-1）·∑Nt-1（（ti-m1）（ti+1-m2）/σ1σ2）。其中，M表示人类行为的记忆性，Nt表示人类行为时间间隔的总数;按照发生时间排序，信息行为的时间间隔可分为序列1和序列2，序列1由前N-1个元素构成，序列2由后N-1个元素构成;σ1和σ2分别表示序列1和序列2的标准差，而m1、m2则分别表示序列1和序列2的均值。记忆性M的取值范围也为（-1，1），M的值越趋近于1，表示在线社交用户信息行为的记忆性越强;M的值越趋近于-1，则表示用户信息行为的反记忆性越强。计算每个个体的阵发性和记忆性的值，图6表示阵发性与记忆性的二维投影，4个数据集的B值集中在正值，表现出强阵发性，M值较为分散，表现出弱记忆性，发布行为具有不可测性，与电子邮件发送、图书借阅和手机通讯记录相类似，在线社交用户的信息传播行为呈现“强阵发弱记忆”的特征。如以人人网为例，人人网最初名为“校内网”，主要的用户群体聚焦于高校大学生。虽然校内网后来更名为人人网，在用户群体上也跨出了校园内部這个范围，但是绝大多数的在线人群依然为高校大学生群体。而对高校大学生来说，其网络活动具有明显的阶段性特征：在临近考试周的时候，其网上活跃度会明显下降;在临近放假阶段，其网上活跃度将持续攀升;而在真正的放假期间，由于家庭、社会等因素的干扰，校内网络活动的活跃度逐渐下降至冰点，甚至可能为0;在假期结束面临开学时，学生又会重新回到到专属于他们的校内平台，关注于与校园生活相关的兴趣话题中，因此，人人网用户的网络信息活动具有明显的强阵发性和弱记忆性。

3 结 语

在线社交用户的信息传播行为的研究对完善网络舆情生态环境具有重要意义，舆情画像可以充分挖掘在线社交网络数据并抽象出用户群体的典型特征，进而提炼出不同类型用户群体的行为标签，洞悉其情感强度与态度倾向，最终用于网络舆情的治理。本文提出了在线社交用户舆情画像的理念，通过对微博、QQ群、天涯论坛、人人网等社交平台的深入挖掘，构建了在线社交用户的舆情画像模型，然后对其信息传播行为的时间统计特征进行了实证分析。本文贡献主要包括如下两个方面：1）借鉴“用户画像”的思想，提出了在线社交用户舆情画像的概念，并从研究对象、画像目标、构成要素、研究方法多个维度与用户画像进行了类比，由此构建了在线社交用户的舆情画像模型。“舆情画像”在微观层面对用户的基本信息与传播行为信息进行了有效的收集、识别与标签化管理，有利于深入揭示其信息传播行为特征，从而为完善网络舆情生态环境奠定了基础。2）基于舆情画像模型，从时间间隔分布、活跃度分布、时间间隔重标度、交互周期、交互热度、阵发性和记忆性等方面对在线社交用户信息传播行为的时间统计特征进行了实证分析。研究结果表明，在线社交用户信息传

播的时间间隔服从重尾分布，其活跃程度的分布非常广泛，不同用户的活跃程度相差较大;而时间间隔的重新标度方法则在一定程度上消除了不同活跃程度个体所造成的影响，揭示了用户在线社交行为具有某种相似的潜在机制;此外，本文在线社交用户的信息交互周期与热度分布的实验结果还表明，论坛社区中交互周期长、热度强的话题所占平台发布的总话题数量的概率相对较高;而人人网用户则呈现出较明显的“强阵发弱记忆”特征。上述研究成果的取得在宏观层面有助于构建在线社交网络舆情信息资源库，强化对舆情话题的及时追踪与有效治理，从而建立多元化的网络舆情应对机制。

需要指出的是，本研究主要从人类动力学的视角对其舆情信息传播特征进行分析，由此构建的在线社交用户舆情画像还不够细致、全面，且海量数据环境下不同社会化媒体平台对网络舆情热度的影响存在一定的差异[25-26]。拟在今后的研究中进一步考虑与社交用户信息传播行为需求相关的多维度因素，构制完整的描述性标签体系，以此勾勒全面的在线社交用户的舆情画像，深入探讨不同在线社交平台用户的信息传播行为差异。

参考文献

[1]张鹏，崔彦琛，兰月新，等.基于扎根理论与词典构建的微博突发事件情感分析与舆情引导策略[J].现代情报，2019，39（3）：122-130.

[2]Barabási A L.The Origin of Bursts and Heavy Tails in Human Dynamics[J].Nature，2005，435：207-211.

[3]Vázquez A.Modeling Bursts and Heavy Tails in Human Dynamics[J].Physical Review E，2006，73（3）：036127.

[4]Shang M S.Interest-Driven Model for Human Dynamics[J].Chinese Physics Letters，2010，27（4）：048701.

[5]阳长征.社交网络中危机信息时间距离对用户行为框架的差异影响研究[J].情报理论与实践，2019，42（5）：67-72.

[6]Wang P.Heterogenous Scaling in the Inter-event Time of On-line Bookmarking[J].Physica A，2011，390（12）：2395-2400.

[7]Kan A，Chan J.A Time Decoupling Approach for Studying Forum Dynamics[J].World Wide Web，2013，16（5-6）：595-620.

[8]郭进利.博客评论的人类行为动力学实证研究和建模[J].计算机应用研究，2011，28（4）：1422-1424.

[9]何静，郭进利，徐雪娟.微博用户行为统计特性及其动力学分析[J].现代图书情报技术，2013，（7/8）：94-99.

[10]Song Y D，Zhang C，Wu M.The Study of Human Behavior Dynamics Based on Blogosphere[C]//Proceedings of the Web Information Systems and Mining（WISM），2010：87-91.

[11]Bao Y Y，Xin Z H.Human Activity Pattern on Microblogging Interaction[C]//Proceedings of the Information Management，Innovation Management and Industrial Engineering，2011：303-306.

[12]Chun H，Kwak H，Eom Y H，et al.Comparison of Online Social Relations in Volume vs Interaction：A Case Study of Cyworld[C]//Proceedings of the 8th ACM SIGCOMM Conference on Internet Measurement，2008：57-70.

[13]苏妍嫄.国内外用户画像研究综述[J].情报理论与实践，2018，41（11）：155-160.

[14]张亚明.基于用户画像的图书馆大数据知识服务情境化推荐[J].图书馆学研究，2018，（12）：16-20.

[15]孙晶晶.基于用户画像的旅游情境化推荐服务研究[J].情报理论与实践，2018，41（10）：87-92.

[16]Ravi L.A Collaborative Location Based Travel Recommendation System Through Enhanced Rating Prediction for the Group of Users[J].Computational Intelligence and Neuroscience，2016，（2）：1291358.

[17]Sánchez P，Bellogín A.Building User Profiles Based on Sequences for Content and Collaborative Filtering[J].Information Processing and Management，2019，（56）：192-211.

[18]张亚明.在线社交活动中的用户画像及其信息传播行为研究[J].情报科学，2018，36（12）：17-21.

[19]王妍妍.基于大數据深度画像的个性化学习精准服务模式[J].图书馆学研究，2019，（15）：16-20.

[20]王庆，赵发珍.基于用户画像的图书馆资源推荐模式设计与分析[J].现代情报，2018，38（3）：105-109.

[21]陈晶.移动数字图书馆用户画像模型及情境化推荐方法[J].图书馆，2019，（3）：103-108.

[22]谢姝琳.面向情境化推荐服务的图书馆用户画像研究[J].图书馆学研究，2018，（10）：29-35.

[23]孙晶晶.用户画像模型及其在图书馆领域中的应用[J].图书馆理论与实践，2018，41（7）：98-101.

[24]林萍，解一涵，魏静.信息传播平台对网络舆情热度的影响分析[J].现代情报，2018，38（5）：94-99.

[25]刘海鸥.面向云计算的大数据知识服务情景化推荐[J].图书馆建设，2014，（7）：31-35.

[26]唐雪梅，朱利丽.社会化媒体情绪化信息传播研究的理论述评析[J].现代情报，2019，39（3）：115-121.

（责任编辑：陈 媛）