信源、信息内容、情绪特征对微博转发的影响探究

廖琳 黄涛

摘 要：[目的/意义]基于微博转发与信息传播的话题一直以来备受关注。之前的研究虽然对影响微博转发的因素进行了多种尝试，但多数只关注微博是否转发而很少考虑到转发数量，也很少探究影响特征之间的相互作用。因此需要进一步的研究来弥补上述缺陷。[方法/过程]本研究以新浪微博为研究对象，将ELM模型和情绪认知理论结合，分别以“是否转发”和“转发数”为因变量建立逻辑回归模型和负二项式回归模型，探究了信源特征、信息内容特征和情绪特征对于微博转发的不同影响。[结果/结论]部分信源特征和信息内容特征能显著增加微博被转发的可能性和转发数，并且粉丝数与被转发可能性和转发数之间呈倒U型关系;不同极性的情绪对微博转发的影响具有不对称性;此外，高影响力用户与普通用户相比，其他信源特征、情绪特征和信息文本特征對其微博转发的影响更小。本文创新之处在于结合ELM理论与情绪认知理论探究微博转发的影响因素，同时在模型中纳入了粉丝数的二次项，所得结论具有一定的理论贡献和实践启示。

关键词：信源;信息内容;情绪特征;微博转发;ELM模型;情绪认知理论;负二项式回归

DOI：10.3969/j.issn.1008-0821.2020.09.005

〔中图分类号〕G202 〔文献标识码〕A 〔文章编号〕1008-0821（2020）09-0042-11

Research on the Influence of Source，Information Content and

Emotional Characteristics on Weibo Reposting

Liao Lin Huang Tao

（Guanghua School of Management，Peking University，Beijing 100871，China）

Abstract：[Purpose/Significance]The topic of reposting and information dissemination based on Weibo has attracted much attention.Although previous studies have made various attempts on the factors affecting Weibo reposting，most of them only focus on whether Weibo reposting and rarely consider the number of reposts，and rarely explore the interaction between influencing features.Therefore，further research is needed to make up for these research gaps.[Method/Process]This study used Sina Weibo as the research object，combines ELM model and emotional cognitive theory，and established logistic regression model and negative binomial regression model with“repost”and“repost number”as dependent variables respectively to explore the different effects of source characteristics，information content characteristics and emotional characteristics on Weibo reposting.[Result/Conclusion]Some source characteristics and information content characteristics can significantly increase the probability and number of reposts of Weibo，and the number of followers has an inverted U-shaped relationship with the possibility of reposting and reposting;The influence of different polar emotions on Weibo repost were asymmetric;In addition，compared with ordinary users，the influence of other source characteristics，emotional characteristics，and information content characteristics on the repost of Weibo was smaller for high-impact users.The innovation of this paper was to combine ELM theory and emotional cognitive theory to explore the influencing factors of Weibo Reposting，and to include the square term of the number of fans in the model.The conclusions had certain theoretical contributions and practical implications.

Key words：information source;information content;emotional characteristics;Weibo reposting;ELM model;emotional cognitive theory;negative binomial regression model

社交平台对于用户传播信息而言是一个理想的平台。微博平台（例如Twitter、新浪微博等）允许用户通过短信息来分享信息。当信息的接受者认为信息是有趣并且值得与其他人分享时，可以选择将信息转达给自己的粉丝，这种行为称为“转发”。总体而言，“转发”作为信息传播简单又有效的机制，与原始信息的特定价值有关。除了分享信息，用户也可能通过转发来娱乐某一类特定观众、评论某人的观点或者公开表示同意某人（Boyd D等）。然而，大家很少知道特定的信息如何和为何能比其他信息传播范围更广。之前的相关研究主要集中在对于给定用户的转发预测和社交网络结构对转发的影响上。主要的研究结论为一个有活跃粉丝在社交网络中被广泛连接的用户更容易被转发。在该设定下微博的内容常常被忽略或被简略到一些很简单的特征。基于网络的分析可以解释谁更容易写出有趣的信息，但不能解释这个社区对什么感兴趣。

从之前的研究可以看出，影响转发行为的因素可以归结为以下两方面：一是用户的特征，如用户的兴趣，账号年限和社会影响;二是微博的文本特征，如URL和话题引用、问题符号的使用等等。例如，Cha M等通过深度对比社交网络中3个影响力指标：入度（即粉丝数）、转发和提及，来分析Twitter用户的影响力。研究发现，有大量粉丝代表了用户的受欢迎程度，不一定代表高的转发和提及，而转发是由内容的价值驱动的，拥有高转发率的用户多为内容生成机构、商人和新闻网站。Suh B等基于7 400万条Twitter微博的文本内容和网络结构，建立了转发预测模型，识别了几个能显著影响转发可能性的因素，包括显示URL、加入话题、粉丝数量和用户账户的使用年限。

除了发布信息，微博还经常用于传递微博发布者心情状态、对于某一话题的判断和进行情感交流（Bollen J等）。近年来，开始有研究者注意到情绪或感情维度对社交媒体用户交互和信息传播的潜在影响，并探究了情绪对于微博转发的作用。之前的主要研究结论表明，信息的情绪维度（包括积极情绪和消极情绪）能促进更多的注意、反馈和参与（Huffaker D）。Naveed N等基于微博的内容构造了一个转发可能性的预测模型，模型中所包含的微博文本特征包括引用用户名、URL、话题、问题符号、情绪等等。研究发现，当一条微博是关于普遍的大众话题而不是狭隘的个人话题，并且包含话题、用户名、URL、消极情绪和积极情绪时更容易被转发。Kanavos A等使用数据挖掘技术，基于Ekman情绪模型和Twitter用户的行为特征，建立了预测转发深度和宽度的预测模型，探究信息以转发为形式在网络中传播的影响因素。同时作者发现，与积极情绪或中性情绪的信息相比，包含消极情绪的信息更容易被转发。Stieglitz S等关注在政治讨论或者政治决策过程中，微博的情绪或感情维度对于信息在网络中传播的潜在影响。研究表明，包含能反应情绪的单词的微博更容易被转发，更具体而言，微博中计算得出的积极情绪和消极情绪都能使微博更容易在网络中传播。Kim J等使用Twitter中的政治交流和相關的情绪表达，探究了情绪在信息传播过程中的作用，比较了用户回复和转发行为所涉及的情绪变量的不同。结果表明，信息中情绪表达的程度能反应回复的数量和转发率，其中回复数和转发数与消极情绪单词的数量正相关，与积极情绪单词的数量负相关。Hoang T A等考虑了情绪和社区成员的共同影响，使用话题建模来获得有关情绪和分享的更准确的描述。研究发现，对于有转发的用户而言，情绪化的微博比中性情绪的微博更容易被转发，并且带有消极情绪的微博比积极情绪的微博更容易被转发。

之前的研究虽然对探究影响微博转发的因素进行了多种尝试，但主要还存在以下不足。首先，大部分研究只探究了用户特征、文本特征或情感特征对微博转发的独立影响，而很少探究特征之间的相互作用。实际上，情绪对于信息传播的作用可能会因为所发布的内容特征、发布者的用户特征的不同而产生差异。例如，Hansen L K等使用朴素贝叶斯分类模型来分类出Twitter中的新闻，并且发现在新闻样本中，与经典的新闻传播模型一致，带有消极情绪的微博更能促进转发。而在非新闻分类中，带有积极情绪的微博更能促进传播。此外，微博用户的不同特征对于微博转发也存在相互影响。于晶认为，对于影响力较小的用户，影响力与粉丝数量间无明显相关性，而影响力较大的用户影响力与粉丝数量有较为明显的正相关关系。其次，现有对于微博转发的研究大部分使用逻辑回归模型，将微博是否转发作为二分类因变量，而缺少了对于微博转发数量的信息。为了弥补上述研究不足，本文创新性地将ELM理论与情绪认知理论相结合，构建了较为完整的微博转发影响因素框架，即信源特征、信息内容特征和情绪特征，同时考虑了这些特征的交叉影响，以进一步发现影响微博转发的因素和规律。此外，考虑到微博转发数量而不是是否转发更能刻画和衡量用户的影响力，本文分别以“是否转发”和“转发数”为因变量建立了逻辑回归模型和负二项式回归模型，旨在更准确地刻画和衡量不同特征对微博转发的影响。

1 理论基础

微博内容作为信息的一种形式，微博转发即为信息传播的过程，受到申农信息论中信源（微博发布者）、信宿（微博接受者）、信息（微博内容）和信道（微博平台）四要素的影响（Petty R E等）。微博传播过程是用户对于博文信息进行加工处理的过程，Petty R E等提出的精细加工可能性模型Elaboration Likelihood Model（简称ELM模型）可以很好地对该过程进行解释。

在ELM模型中，信宿通过两条信息加工路径来改变对信源信息的态度和行为：中心路径（Central Route）和边缘路径（Peripheral Route）（Petty R E等）。其中，中心路径指信宿通过对问题相关的真实信息特质进行高度努力程度的思考从而改变态度的过程。信息特质主要与信息质量相关，如信息内容的质量与信息内容的新颖性。边缘路径指通过对于问题相关的外围线索，进行低努力的思考而改变态度的过程，主要与信源特征有关，如信源的可信度和权威性等。因此，信宿对于信息的传播意愿主要基于对信息效用的认可，而信息有用性是由信息内容的信息质量和信源特征的信誉度共同决定（Sussman S W等）。研究表明，投入认知成本通过中心路径来改变态度和行为有更高的反说服抵制（Weick K），而通过边缘路径形成的态度和行为是相对短暂的，但在人们缺乏时间、经验或精力等特定情况下，边缘路径往往对于人们态度行为的改变有重要影响（Cialdini R B等）。

已有研究基于ELM模型探究微博传播领域信息内容和信源特征对于信息接收和再传播意愿的影响。其中，基于信息内容的研究主要涉及符号和内容分类。微博信息中的话题标注“#”和提及他人“@”对于微博转发有显著的正向影响（Suh B等），而原创微博体现了用户经营微博的主动性，更容易形成强势影响力（唐佳等）。对于信源特征的研究主要涉及信源的权威性和可信度，包括信源的粉丝数、认证状况、活跃度等（熊涛等）。

ELM模型是将用户的行为归结为理性思考和对比的结果，认为人的认知和意向决定着用户的行为。然而，Blei D M等的研究发现，在社会、政治、文化和经济领域的事件的确对于Twitter中呈现的大众情绪有立即和显著的影响。他们的研究还表明，大规模的网络情绪分析能给有关社会和经济指标的预测模型提供情绪趋势。因此，在信宿对于信息的加工过程中引入情绪维度是十分必要的。情绪认知理论认为，个体从外界获取的信息进入知觉系统后，一方面会受到感知和知觉系统的编译;另一方面该信息会引发个体的情绪反应，进而引发一系列的行为倾向（彭桐等）。在微博等社交媒体环境中，当信源发布信息时，信宿会对接受到的信息进行认知加工而产生行为意向，信息所引发的用户情绪也会导致用户的行为，即信宿在微博中阅读信息时情绪和认知都会对信息加工方式产生影响（Berger J等）。

基于上述理论基础，本文将情绪认知理论与ELM模型相结合，提出了结合信源特征、信息内容和情绪特征三方面的微博转发影响因素模型，如图1所示。

2 实证研究

2.1 样本选择

新浪微博（以下简称微博）是目前中国最大的微博客服务类社交网站。据新浪发布的统计数据，截至2018年6月，全国微博用户数达3.37亿，平均每天发布数量高达1.2亿。基于庞大的数据量，微博信息可以比较准确和实时地反映出社会整体的心理和行为的变化。因此，本研究选取新浪微博作为社交媒体平台代表开展研究工作，并探究了信源特征、信息内容特征、情绪特征与微博转发之间的关系。本文选取2019年10月23日微博话题榜前30个话题作为研究对象，话题集包括“权志龙将退伍”“釜山行2杀青”等娱乐话题，和“无锡高架坍塌”“世界精神卫生日”等社会话题。接着利用微博API对每个话题随机抓取了大约1 000条微博，最后形成了35 720条微博样本的数据集。

2.2 变量与描述性统计

对于收集到的35 720条微博利用ROST CM（Shen Y等）软件的情感分析模块进行分析。ROST CM计算出每条微博的情绪值，并将情绪划分为7个种类：高度积极情绪（情绪值>20）、中度积极情绪（10<情绪值<20）、一般积极情绪（0<情绪值<10）、中性情绪（情绪值=0）、一般消极情绪（-10<情绪值<0）、中度消极情绪（-20<情绪值<-10）、高度消极情绪（情绪值<-20）。选取每个情绪值的绝对值作为该条微博的情绪强度变量，若情绪值大于0，则变量是否为积极情绪记为1，否则记为0。此外，将情绪绝对值大于20的情绪记为极端情绪，若情绪绝对值大于20，则变量是否为极端情绪记为1，否则記为0。在信息内容特征方面，选取是否提及（即@其他用户）和是否为原创微博两个变量来衡量。最后，我们收集了每条微博发布者的用户特征作为信源特征，包括是否认证、关注人数、粉丝数和活跃度（以所发布的微博总数来衡量）。同时，选择是否转发和转发数作为被解释变量。各类变量总结如下。

为了对各变量有初步和直观的了解，首先对核心变量进行描述性统计分析。转发数、粉丝数、活跃度和情绪强度变量的频率分布直方图如图2～5所示。

从频率分布直方图可以看出，有大约2/3的微博处于没有被转发状态，被转发的微博中转发数也集中在500转发量以下，只有极少数转发数超过了500，说明选取的样本中大部分微博属于零转发或低频转发。粉丝数的分布则可以分为3类：一类是小于500的低粉丝用户;一类是大于10万粉丝的高粉丝用户;最后一类是位于两者之间的中端粉丝用户。活跃度的分布较为均匀，说明样本中各用户发布的微博数没有明显的规律。按照ROST CM对于情绪强度的分类，绝对值小于10的情绪值为一般情绪，位于10～20之间的情绪值为中度情绪，大于20的情绪值为高度情绪。从情绪强度的频率分布直方图可以看出，微博用户所发布的情绪大部分集中在一般情绪和高度情绪，中度情绪的微博数量较少。

2.3 ROC曲线分析

ROC曲线是根据一系列不同的二分类方式（分界值或阈值），以假阳性率为横坐标，以真阳性率为纵坐标绘制而成的曲线，是一种检验二分类有效性的指标（涂福泉等）。ROC曲线被广泛应用于评价二分类方法有效性的研究中，例如Yao W等利用ROC曲线评价了医学诊断指标的有效性和诊断价值。AUC是ROC曲线分析中最重要的指标，其定义为ROC曲线下的面积。通常采用AUC可以代表评价分类的精确性，AUC越大，代表分类越精确。因此，可以运用ROC曲线和AUC指标分析各解释变量对微博是否转发的预测有效性。

从ROC曲线图和AUC值可以看出，每个变量的AUC值都大于0.5，说明每个变量都对微博是否转发有一定预测价值。此外，信源特征（是否认证、粉丝数、关注数、活跃度）对于微博是否转发的预测准确率最高，说明其对于微博是否转发的预测最有效。情感特征（情感强度、是否为积极情绪、是否为极端情绪）对于微博是否转发的预测有效性次之，而信息内容特征（是否提及他人、是否为极端情绪）对于微博是否转发的预测有效性最低。

2.4 逻辑回归分析

接下来对“是否转发”和“转发数”这两个被解释变量和解释变量分别进行二值选择模型和计数模型的回归分析。其中，二值选择模型选择逻辑回归模型，最基础的模型如模型（1）所示。为了探究粉丝数和活跃度的增长率与是否转发概率的增长率之间的关系，将这两个变量的二次项引入模型构成模型（2）。接着为了区分积极情绪和消极情绪对于微博是否转发和转发数的不同影响，模型引入了情绪强度和是否为积极情绪的乘积项。若该条微博为积极情绪，则该项为情绪强度值。若该条微博为消极情绪，则该项值为零。引入乘积后的模型如模型（3）所示。此外，为了考察信源特征、情绪特征和信息内容特征的相互关系，在进一步的模型中加入了不同特征之间的交叉项，构成模型（4）。各模型的回归结果如表3所示。

从表3可以看出，信源特征中，用户认证、粉丝数和活跃度对微博转发可能性有显著正向影响，关注数对微博转发可能性的影响不显著。情绪特征中的情绪强度、极端情绪和信息内容特征中的提及他人、原创微博都对微博转发可能性有显著正向影响。加入粉丝数和活跃度的二次项后发现，粉丝数的二次项为负，说明粉丝数与微博转发可能性之间存在倒U型关系，并且顶点在粉丝数约等于5 000万处取得，说明当粉丝数达到5 000万时，粉丝数对微博是否被转发的影响达到饱和。考虑到粉丝数在5 000万以上的数据只占极少数，可以认为总体上粉丝数的增加会带来转发可能性的增加，但二者的斜率在不断减小。模型（3）加入情绪强度与积极情绪的乘积后，情绪强度的系数符号变为负数，而乘积项的系数符号为正，且乘积项系数大于情绪强度项系数的绝对值，说明积极情绪强度越强，微博越可能被转发，而消极情绪情绪越强，微博的转发可能性越低。在模型（4）中，用户认证、粉丝数与各变量的交叉项为负（粉丝数与是否提及的交叉项除外），说明用户认证和粉丝数在大多数情况下会削减各变量对转发可能性的影响。

2.5 负二项式回归分析

微博转发数为计数数据，且方差大于均值，因此在计数模型中不采用受方差等于均值约束的泊松分布，而使用负二项分布。各模型的构建逻辑同逻辑回归模型，结果如表4所示。

从表4可以看出，在以转发数为因变量的负二项式回归模型中，各变量与转发数之间的关系和各变量与转发可能性之间的关系大致相同。虽然基础模型中情绪强度对转发数有显著负向影响，但加入情绪强度与积极情绪的乘积项后，情绪强度项为负，而乘积项为正，且乘积项系数的大于情绪强度项系数的绝对值。因此可以认为，积极情绪强度越强，转发数越高有显著正向影响而消极情绪强度对转发数有显著负向影响。

3 结论与讨论

从以上两种模型的回归结论来看，我们主要可以得到以下几个结论。

1）被解释变量不同的兩种模型具有各自的优势。以“是否转发”为因变量的逻辑回归模型中，AIC和HQC的值低很多，说明逻辑回归模型中解释变量对于被解释变量的解释力度更强，模型有更强的拟合度。然而，从各变量的显著性水平可以看出，以“转发数”作为因变量的负二项式回归模型中，各解释变量的显著性水平更高，能更加充分地解释被解释变量。产生这些差异的原因可能是以“转发数”作为计数变量的模型包含了转发的具体数值，比以“是否转发”作为二值变量的模型有更大的信息量，虽然模型的拟合度更差，但相对而言与解释变量之间的关系估计更加准确。

2）用户认证、粉丝数、活跃度、提及他人、原创微博能提高微博被转发的可能性和被转发的次数。其中，信源特征用户认证、粉丝数、活跃度都是微博用户的个体属性，能够表征个体传播影响力的特征（林琛），说明微博内容发布者的个体传播影响力越强，所发布的微博越容易被转发和传播。提及他人和原创微博是微博的信息内容特征，其与是否转发和转发数的显著正向关系表明提及其他用户和内容原创的微博更容易被转发。此外，值得注意的是，在两个模型中，粉丝数和活跃度的二次项系数值为负，说明发布者粉丝数与微博被转发的可能性和转发数之间存在倒U型关系。对于粉丝数与用户影响力和信息传播效果的关系一直以来受到广泛关注和争议。一些学者认为，粉丝越多，微博转发量越高（金晓玲等）。而Cha M等使用Spearman相关系数发现被转发次数与粉丝数量之间没有明显的关系。还有一些学者关注在不同的情况下粉丝数对于转发的不同影响。唐佳等将转发水平分为零转发、低频转发和高频转发三类，发现粉丝数对于转发影响的效果显著，但对于高级转发其影响方向为正，对于普通转发其影响方向为负。我们的研究结果表明，总体而言，粉丝数的增加的确能促进微博更可能和更多地被转发，但是这种促进作用随着粉丝数的增加而逐渐减弱，即粉丝数的进一步增加给转发可能性和转发数带来的改变在逐渐减小。

3）不同极性的情绪对于微博转发的影响具有不对称性。积极情绪强度增加能增加转发的可能性和转发数，而消极情绪强度增加却会降低转发的可能性和转发数。虽然这与之前得出的消极情绪比积极情绪更能促进微博转发的一些结论相悖（Kanavos A等），却符合Berger J等提出的积极情绪更能促进信息传播的结论。社交媒体用户通常以自我展示或交流身份为目的来分享内容（Wojnicki A C等），因此积极的内容由于对于发布者有积极作用而更可能被分享。大部分人更愿意因为分享乐观的故事而被熟知，而不是成为分享使人生气或焦虑的事情的人。Hansen L K等认为，更愿意分享积极内容而不是消极内容是人类的一种本性。因此，积极情绪与消极情绪相比，更具有传播性。张洪等的研究通过角色—情景模拟实验考察了信息情绪类型对用户分享意愿的影响，也发现积极情绪与消极情绪相比，信息的分享意愿更高。另一个与情绪特征相关的结论为，微博中包含极端情绪能进一步促进微博转发。之前关于极端情绪与信息传播的研究主要集中在投资者情绪与股市收益的关系上，主要结论为投资者的极端情绪为非理性，与非极端情绪相比对市场收益有更为显著的影响（陆江川等）。本文的研究结果表明，除了对市场收益的影响，极端情绪也比较为理性的情绪更能引起情绪共鸣，进而激发信息受众的分享欲望，进而促进信息传播。

4）两个模型中用户认证与粉丝数、活跃度、情绪强度等变量的交叉项大部分都显著为负，说明认证用户相比非认证用户而言，其他信源特征、情绪特征和文本特征对其微博是否转发和转发数的影响较弱。加V认证的用户是微博意见领袖的主要组成部分，人们在选择信息时，对认证用户会比对普通用户有更强烈的信任感。此外，认证用户的专业性和社会身份标签也会增强大众对于其所发表言论的可信度（王平等）。Wu S等通过大规模的分析，发现与同个社区中的其他用户相比，Twitter用户从明星、知名博主等精英用户中采纳更多的信息。因此，具有更高信任感和可信度的认证用户相比于普通用户而言，其发布微博的转发可能性和转发数受到粉丝数、活跃度、情绪强度等其他特征的影响较小。

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

[14]Bollen J，Mao H，Pepe A.Modeling Public Mood and Emotion：Twitter Sentiment and Socio-economic Phenomena[C]//Fifth International AAAI Conference on Weblogs and Social Media，2011.

[15]Boyd D，Golder S，Lotan G.Tweet，Tweet，Retweet：Conversational Aspects of Retweeting on Twitter[C]//2010 43rd Hawaii International Conference on System Sciences.IEEE，2010：1-10.

[16]Cha M，Haddadi H，Benevenuto F，et al.Measuring User Influence in Twitter：The Million Follower Fallacy[C]//fourth International AAAI Conference on Weblogs and Social Media，2010.

[17]Cialdini R B，Goldstein N J.Social Influence：Compliance and Conformity[J].Annu.Rev.Psychol.，2004，55：591-621.

[18]Hansen L K，Arvidsson A，Nielsen F ，et al.Good Friends，Bad News-affect and Virality in Twitter[M].Future Information Technology.Springer，Berlin，Heidelberg，2011：34-43.

[19]Hoang T A，Cohen W W，Lim E P，et al.Politics，Sharing and Emotion in Microblogs[C]//Proceedings of the 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining.ACM，2013：282-289.

[20]Huffaker D.Dimensions of Leadership and Social Influence in Online Communities[J].Human Communication Research，2010，36（4）：593-617.

[21]Kanavos A，Perikos I，Vikatos P，et al.Modeling Retweet Diffusion Using Emotional Content[C]//IFIP International Conference on Artificial Intelligence Applications and Innovations.Springer，Berlin，Heidelberg，2014：101-110.

[22]Kim J，Yoo J.Role of Sentiment in Message Propagation：Reply vs.Retweet Behavior in Political Communication[C]//2012 International Conference on Social Informatics.IEEE，2012：131-136.

[23]Naveed N，Gottron T，Kunegis J，et al.Bad News Travel Fast：A Content-based Analysis of Interestingness on Twitter[C]//Proceedings of the 3rd International Web Science Conference.ACM，2011：8.

[23]Petty R E，Cacioppo J T.The Elaboration Likelihood Model of Persuasion[M].Communication and Persuasion.Springer，New York，NY，1986：1-24.

[24]Petty R E，Cacioppo J T，Goldman R.Personal Involvement as a Determinant of Argument-based Persuasion[J].Journal of Personality and Social Psychology，1981，41（5）：847.

[25]Shen Y，Liu Z，Luo S，et al.Empirical Research on E-government Based on Content Mining[C]//2009 International Conference on Management of e-Commerce and e-Government.IEEE，2009：91-94.

[26]Stieglitz S，Dang-Xuan L.Political Communication and Influence Through Microblogging——An Empirical Analysis of Sentiment in Twitter Messages and Retweet Behavior[C]//2012 45th Hawaii International Conference on System Sciences.IEEE，2012：3500-3509.

[27]Suh B，Hong L，Pirolli P，et al.Want to Be Retweeted？Large Scale Analytics on Factors Impacting Retweet in Twitter Network[C]//2010 IEEE Second International Conference on Social Computing.IEEE，2010：177-184.

[28]Sussman S W，Siegal W S.Informational Influence in Organizations：An Integrated Approach to Knowledge Adoption[J].Information Systems Research，2003，14（1）：47-65.

[29]Weick K.Social Psychology[J].Psyccritiques，1977，22（5）.

[30]Wojnicki A C，Godes D.Word-of-Mouth as Self-enhancement[J].HBS Marketing Research Paper，2008，（06-01）.

[31]Wu S，Hofman J M，Mason W A，et al.Who Says What to Whom on Twitter[C]//Proceedings of the 20th International Conference on World Wide Web.ACM，2011：705-714.

[32]Yao W，Li Z，Graubard B I.Estimation of ROC Curve with Complex Survey Data[J].Statistics in Medicine，2015，34（8）：1293-1303.

（責任编辑：陈 媛）