基于互动行为的企业微博传播效果评价与分析

席运江 邓雨珊 廖晓 谢正霞

关键词：用户交互;互动行为;传播效果;评价;话题分析;用户聚类;企业微博;华为手机

微博拥有庞大的用户群体和快速扩散的病毒式传播效应，已经成为连接品牌与消费者的渠道之一，是企业开展营销活动的重要阵地。在企业微博运营过程中，合理并有效地评价微博的传播效果，可以帮助企业制定合理的运营策略，维护企业的品牌和用户资产，对于指导企业的营销实践具有较强应用价值。

当前传播效果评价中，由于缺乏合理、可行的方法，企业在很多情况下，只是通过一些简单的数据来进行评价，例如评论数、转发数、点赞数、阅读量等。可以看出，上述评价方法较为简单，很难深入、全面地反映企业微博的传播效果。此外，由于受到水军、僵尸粉等无效用户团体的影响，评价的结果也经常受到扭曲，出现虚假热度的现象。

针对上述问题，本文从微博与用户之间的交互行为人手，在交互强度的基础上.提出用户交互影响度计算方法，該方法可有效消除虚假交互数据的影响。接着，引入话题传播深度和用户传播贡献度等概念，构建了一套较为完整的企业微博传播效果评价体系，帮助企业进行微博话题传播效果的分析和用户群体特征的挖掘。

1文献综述

1.1传播效果概念及评价方法

传播效果是一个比较抽象的概念，根据媒介方式的不同其定义也不同。广义的传播效果是指当受众接收到信息之后，其态度、行为等方面发生的变化;从狭义上来说，传播效果是指传播者在信息传播过程中其根本目的或意图得到了多大程度的体现。尽管不同的学者对传播效果概念的定义有一定差异，但一般认为信息的传播效果是指传播者的行为和传播内容对受众的认知、情感和行为产生的影响。关于传播效果评价的相关研究，大致可以分为以下两种。

1）基于信息接收者主观角度的传播效果评价。这种方法通常是在相关理论的基础上，设计相应评价指标，以访谈或问卷调查的形式获取用户对于信息传播效果的感知评价，了解用户行为变化的情况进而得到有效的传播效果评估体系。学者们根据社交媒体、信息种类的不同，分别选取不同角度进行传播效果的评价研究。

例如，在对政务信息的传播效果评价中，闫奕文等以政务微信公众号为研究对象，根据信息传播效果的阶梯模式理论，遵循“认知一情感一行为”的逻辑顺序，选取用户认知、态度和行为等5个维度的指标来衡量传播效果。通过对回收的问卷进行分析，发现其所选取的指标有效，其评价结果反映了政务微信信息实际的传播效果。陈然对政务社交媒体的危机传播效果进行了研究，从传播过程的关键要素人手，以传播目的为导向构建危机传播效果评价指标，并运用层次分析法确定相应指标的权重值。在对微博舆情的传播效果进行评价中，刘健等基于拉斯韦尔模式理论及传播效果的阶梯模式理论构建了微博舆情传播效果评价指标，利用数据包络分析法进行指标筛选，并以新浪微博用户为实证样本对指标体系进行了验证。

2）基于客观指标量化的传播效果评价。主观评价受被调查者个人的知识水平、主观态度影响，易造成评价效果的不准确。在互联网信息传播的过程中，一些研究者以信息的传播规模、覆盖人数、传播速度等客观指标来衡量传播效果。

对微博来说，转发被视为微博传播效果最直接的体现。因此很多研究者选择利用转发规模来评价微博信息的传播效果。学者们探讨了影响微博转发的因素。Sub B等发现推文内容中的超链接、标签以及博主的关注数、粉丝数量等都会影响转发数据。郭亚等发现博主粉丝数、用户自身兴趣以及微博的热度会影响用户的转发行为。在评价方法上，随着机器学习技术的发展，越来越多的研究开始聚焦于转发预测。如徐月梅等考虑转发者个体差异的不足，利用逻辑回归算法预测微博的转发量，进而发现热点传播话题。

由于主观评价易受到被访问者个人因素影响，造成评价结果的不稳定，故本文选择使用客观指标对传播效果进行量化研究。另外，从已有研究可知.现有的效果评价方法大多是对传播相关数据进行简单的加工、处理、分析，例如覆盖人数、转发规模等，其中尤其重视覆盖人数的影响。这些指标很难进行较深入的传播效果评价分析，且容易受到虚假传播数据的影响。

1.2微博影响力评价方法

微博影响力与微博的传播效果息息相关.二者都体现在用户行为的受影响程度上，二者之间的区别是：前者是一种能力.后者则是一种已经实现的结果。微博影响力评价方法，在一定程度上可以为微博传播效果评价提供借鉴。

宏观上，微博影响力体现为微博内容在传播过程中对社会生态等产生的影响：微观层面，微博影响力则是指微博信息通过用户社交关系网络传递后，对用户的认知、行为产生的改变。在信息传播的过程当中，有些用户明显比其他用户更有影响力。因此，也有学者将微博影响力定义为用户影响力。

现有关于微博影响力的研究聚焦于微博用户的行为。Ye S等使用用户的粉丝数量、评论回复和转发影响3个方面来测量微博影响力。姚茜等认为企业拥有的粉丝数是企业开展微博营销的基础，转发是决定微博影响力是否发挥的关键，因而使用关注数、转发数来评价微博影响力。

微博是一个复杂的网络结构.因此在学术研究中，社会网络分析、图论等方法常被利用来衡量微博的影响力。封红旗等通过构建政务微博的复杂网络，将该网络中每一个用户节点的粉丝数、评论数、转发数，根据一定的权重相加计算用户个人影响力。朱文俊等使用图论相关理论建模分析，以关注度和被转发量来衡量微博的影响力，其中关注度以其浏览量来表示。也有学者创新性地将学术成果影响力的评价方法应用到微博影响力的评价中。如周志锋等使用h指数分析图书馆微博的影响力。王林等使用p指数评价旅游类微博的传播力。方兴林则探讨了学术迹应用于微博影响力评价的可行性。

随着微博营销价值的不断凸显.市场上也出现了专为企业提供微博及其他媒介平台的传播效果分析的数据服务产品，企业通过购买相关的服务以获知推介活动的传播效果。但这些产品也存在着不足。首先，评价指标单一，多数产品仅统计微博信息的转发数量或转发层级，忽略了微博的评论量、浏览量等。其次，简单数据汇总无法消除网络水军和僵尸粉造成的影响。最后，目前的产品注重刻画单条微博的传播效果，缺乏对微博话题的整体效应的考虑，评价的角度不够全面。

综上所述，微博的传播效果体现在其对用户行为的影响上。因此，本文通过对微博上用户互动行为进行建模，提出用户交互影响度衡量微博的实际传播效果，并进一步从话题和用户层面对微博的传播效果进行深入的挖掘与分析，得到一个较为完整的企业微博传播效果评价方法框架。

2用户交互影响度算法

2.1用户互动网络

微博中存在着各种复杂的联系，企业在微博上以发布微博信息、创建微博话题的形式与用户进行互动。为了准确刻画微博话题、博文、用户和行为之间的复杂关系，本文使用超网络模型进行建模，定义为用户互动网络，如图1所示。其中，表示微博所隶属的话题，用表示微博话题与博文之间的隶属关系：

因为用户参与微博的互动形式不止一种，互动的频次也不固定，为了准确衡量微博的传播效果，本文提出了用户交互影响度的概念，用于表示微博博文内容对用户交互行为的影响程度。

2.2单条微博的交互影响度算法

2.2.1交互强度

用户与微博之间的互动行为包括转发、评论和点赞的形式，三者反映了用户与微博的交互强度，如图2所示。

从表1可以看出，在微博传播的过程中，转发行为处于比较重要的地位，因为其扩大了信息传播的覆盖面，引起了更多用户的注意。评论相比点赞，需要花费用户更多的精力去参与，因此其权重大于点赞行为。因此，得到的权重值符合常识情况。

2.2.2交互影响度算法

若仅以交互强度来衡量微博的传播效果，那么受网络水军影响的微博.其交互强度将远远大于其他正常的微博。如果不加以处理，就会产生虚假热度现象，造成评价效果的不准确。

因此，本文对交互强度作进一步优化，使用反正切函数对其进行处理，提出交互影响度的概念，在一定程度上削弱水军及僵尸粉等产生的虚假交互数据的影响，保证结果的可靠性。其计算方法见式（4）。

2.2.3算法合理性评价

接着，对上述函数的合理性进行评价，绘制交互影响度曲线.如图3所示，发现其具有以下特点：

1）单条微博的交互影响度只与参与互动的用户数有关，当参与互动的用户数为0时，其交互影响度同样为0。

2）影响度函数应单调上升且有上界，即具备收敛性，当用户交互行为次数趋于无穷大时，其交互影响度趋向于1。

3）微博对单个用户产生的影响效果受其行为强度的影响，且对不同的用户而言，其交互影响度随其参与程度的变化出现显著差异。

4）函数趋势不存在类似于“梯度消失”现象，具有较为宽阔的兴奋边界。

上述收敛度算法符合前文定义的交互影响度的特点及实际情况，同时，从图3可以看出，本文提出的交互影响度能有效消除互动数较少（甚至为0）的僵尸粉的影响.使其对交互影响度的计算结果影响大大减少（甚至为0）。

2.2.4单条微博的用户交互影响度计算

本文假设用户在接收信息后产生的行为是独立的，不考虑用户之间的影响。因此，单条微博的交互影响度，等于参与其互动的所有用户的交互影响度之和，设单条微博中参与互动的用户总数为则单条微博的交互影响度如式（5）。

从式（5）可知，由于每个用户对影响度的贡献都有一个不超过1的上限，所以对于频繁互动的水军帐号而言，极大降低了其对传播效果的影响，从而使计算结果比较真实、准确。

2.3多条相关微博的交互影响度汇总算法

2.3.1基于话题层面的影响度汇总算法

基于话题层面进行汇总交互影响度，可以得到话题的整体传播效果，反映话题在粉丝用户中的影响力。

2.3.2基于用户层面的影响度汇总算法

基于用户层面进行汇总交互影响度.可以得到用户对整个企业微博互动的参与度，反映粉丝用户参与企业微博互动的程度，有利于企业进一步分析其粉丝群体特征。

3基于交互影响度的企业微博传播效果评价方法

在交互影响度算法的基础上.本文进一步从话题的宏观层面及用户的微观层面两个角度，对企业微博传播效果进行较为全面的评价。

3.1话题传播效果评价

在话题层面，引入传播深度、传播广度、传播速率和传播效率的概念，从传播过程中的信息传播的范围以及发挥的效用等方面对企业微博话题的传播效果进行全面评价。

3.1.1传播深度

本文将单条微博的传播深度定义为该微博在传播过程中对参与互动的用户的平均影响强度.如式（8）所示。

根据微博博文与话题间的隶属关系，进而得到微博话题的传播深度。

传播深度体现了微博内容对单个用户交互行为的影响程度，通过传播深度可以看到微博传播效果在个体之间的差异性。

3.1.2传播广度

单条微博的传播广度是指参与微博互动的用户规模，参与互动的人数越多，传播覆盖面就越广。因此本文将单条微博的传播广度定义为单条微博下参与互动的用户总数，反映微博的传播范围。

在式（10）中，考虑到当微博的影响度较小时，其对参与互动的用户影响程度有限，甚至可以忽略不计，故设置用于判断单条微博的交互影响度。本文取每个微博话题影响度的众数作为其对应的阈值，小于阈值的微博，其传播广度为0。

同样，根据微博博文与话题间的隶属关系，得到微博话题的传播广度，如式（11）。

3.1.3传播速率

为了反映话题传播的速度，本文引入传播速率这一指标，加入了对时间因素的考虑。将其定义为微博话题在时间间隔t内产生的交互影响度。传播速率越快，说明该信息引发的用户响应就越快，就越能体现该话题的传播质量。参照已有研究的思路.将时间间隔定义为微博话题发布后参与互动的节点之间的时间差總和。

3.1.4传播效率

为了刻画话题中每条信息具体效用价值的大小，本文引入传播效率这一指标。将其定义为微博话题在传播过程中平均每条信息产生的交互影响度，传播效率越大说明该微博话题中每条信息产生的效用值就越大。可以衡量不同的微博话题传播效果的差异性。

其中，M1表示该话题下的微博总数。

3.2用户传播贡献度评价

在用户层面，则引入用户传播贡献度的概念，帮助企业更好地分析参与微博互动的用户群体的特征。传播贡献度是指用户在微博内容传播过程中，扩大微博内容影响范围及传播效果的程度。式（7）计算得到了每个用户的交互影响度，影响度越大，说明其在微博传播过程中的贡献度就越大，所以，本文定义每个用户的交互影响度为其传播贡献度。

其中，g0为阈值，用于筛选出贡献度较高的用户。

4华为手机官方微博传播效果分析

4.1数据获取与预处理

本文使用八爪鱼采集器，爬取“华为手机”官方微博2017-2018年间的发博数量共计2458条，剔除不含话题标识“#”的无效数据，得到2201条有效的微博数据和88个有效话题，包含发博时间、博文内容、博文链接等字段。

接着，对源数据进行预处理，包括新词提取、分词、去除停用词等，接着利用TF-IDF算法提取关键词、参考文献，一般情况下，1条微博的内容用5个关键词就可以概况.故本文取权重前5的词语作为每条微博的关键词。

4.2华为手机官方微博话题传播效果评价

4.2.1高传播深度话题分析

根据式（9）计算得到华为手机官方微博各话题的传播深度.在此基础上将2017-2018年期间所有话题传播深度的均值x2作为阈值，z=0.129，大于这个阈值的微博话题即为高传播深度的微博话题。为了详细分析此类微博话题类型及内容的特点，选取高传播深度的微博话题中权重值前5的关键词作为该话题的特征词，进一步挖掘此类话题的中心内容。

从表2可以发现，对用户影响程度较大的话题多是围绕华为手机当季热售或者新发布产品的宣传推广、促销和抽奖等活动，如话题50、1、12、78、69等。从关键词可以看出，华为手机在注重对产品特点宣传的同时，借助代言人带来的明星效应，以提高微博话题的传播效果。此外，华为手机还根据节日和网络热点发布相关话题，如话题61、74、66等。说明其在一定程度上抓住了用户讨论热点，从而达到了较高的传播深度。

4.2.2高传播广度话题分析

根据式（11）计算得到华为手机官方微博各话题的传播广度后，将2017-2018年期间所有话题的传播广度的均值z作为阈值，z=653 070.75，得到高传播广度的微博话题，并进一步挖掘话题特征。

从表3可以看到，参与互动的用户规模最大的话题为话题13，因其内容与日常生活较为贴近，涵盖的内容也最为广泛。其余话题均与华为手机产品相关.说明华为手机产品在用户群体中的拥护度较高，也从侧面反映了当前华为手机各种型号产品中的主力机型分别是“P系列”“Mate系列”和“N0.va系列”。

在对高传播深度和高传播广度话题分析的过程.可以发现两类话题的内容均与华为手机的品牌运营、产品营销相关，说明本文提出的评价方法在一定程度上有效削弱网络水军和僵尸粉的影响，消除了虚假热度的现象，较为真实地反映了华为手机官方微博的传播效果。

4.2.3微博话题传播效果综合评价

将话题的传播速率与传播效率作为综合度量指标，对话题进行聚类分析，得到对话题综合传播效果的评价。将传播速率、传播效率进行标准化处理后，使用K-means聚类方法，通过对比不同类簇的轮廓系数及实际情况，确定类别的个数为4，各类话题的传播速率和传播效率均值如表4所示。高传播速率意味着微博话题能够在短时间内引起用户的关注与参与，而高传播效率的话题代表着话题给用户带来的效用价值大，能够引起用户较高的共鸣度与参与积极性。结合图4的词云图，进一步分析。

综合传播效果最差的第1类话题是公共关系型微博话题。该类话题共有69个，侧重对华为品牌形象和特点的宣传，其传播效率及传播速率均处于较低水平，说明这部分微博内容质量一般.缺乏亮点，表述略偏生硬，难以引起用户的参与互动的积极性，有待进一步改进。

第2类与第3类微博话题中，侧重宣传产品名称、产品属性和卖点，因此将其命名为广告类型微博。这两类微博话题的传播速率相近，说明广告型微博话题能在短时间内吸引用户的注意力。但第2类微博话题的传播效率明显较好.发现二者关键词侧重点不同.第2类话题重在宣传产品的特点，如“相思红”“自拍”“霸屏”等，以更通俗的语言描述产品卖点，抓住消费者的眼球，吸引消费者购买.而第3类话题侧重对产品参数的具体描述，相比第2类话题，其用词则显得较为正式，难以唤起消费者的互动欲望。因此，华为手机在宣传产品广告时，应注意用词和表达方式，给产品打上生动的“标签”，形成记忆点，吸引用户参与互动，进而促使消费者购买产品。

传播速率最高的第4类微博话题，宣传了当前的技术前沿动态，因此将其命名为技术推广型微博，这一类型的微博传播效率最低，因为技术的变革对消费者的感知程度还较小，此类微博更具专业性，对普通用户来说效用价值较小。此类传播速率处于最高值，说明了用户对于人工智能技术应用在手机产品上的期待，AI技术的发展备受瞩目。

4.3华为手机官方微博用户特征挖掘及分析

微博粉丝是企业微博品牌和核心资产之一，是企业开展微博营销的基础。用户群体的反馈对于做好企业微博运营十分重要。通过对用户特征进行挖掘与分析，有利于企业根据用户类型开展个性化的精准营销和针对性的微博发布策略。

4.3.1基于传播贡献度的用户聚类

根据3.2节中对用户传播贡献度的定义，根据文献[32]，选择传播贡献度排名前20%的用户作为高传播贡献度的用户.最终得到的有效用户数据有57590条。根据这部分用户的属性，也就是其粉丝数、关注数、微博数为聚类的变量对其进行聚類分析，挖掘高传播贡献度用户群体的特征。

由于不同用户属性值的差异较大，为了保证聚类结果的可靠性，在聚类之前，本文先对3个属性数据作Z-score标准化处理。接着使用欧几里得距离，即式（15）计算用户相似度，其中，x为初始簇中的第i个对象，而u表示该簇中确定的初始质心。

最后，使用K-means算法进行用户聚类，发现当类簇为3时，轮廓系数最高，为0.8067。因此，本文最终将k值定为3，由此得到的聚类结果如图5所示，具体属性值如表5所示。

4.3.2用户特征分析

结合用户属性及其互动行为特征，将华为手机官方粉丝群体分为忠诚型、优质型和造势型3类，根据用户数的分布，发现其呈金字塔结构，如图6所示。

1）忠诚型传播用户

从表5可以看出，第1类用户即忠诚型传播用户的用户数为3类之最.是参与企业微博互动的主力军。这类用户的关注数、粉丝数较小，号召力一般，代表了网络上绝大部分的普通用户。企业需要重点关注这一类型的用户，并进一步根据所需将其细分，发掘用户兴趣，发布针对性的营销内容，提高这部分用户的活跃度，激发他们的传播潜力。

2）优质型传播用户

第2类团的平均傳播贡献度最高，达3.565，是企业微博的“铁粉”。自身具有较高的人气值和号召力，其平均粉丝数超过1万;同时，其微博发布数量也为3类用户中最高，说明此类用户常参与热点话题讨论和转发，喜好发表个人观点，具有引导话题走向的能力。因此，企业可以在产品上市、活动推广的初期，借助这类用户的优质传播能力，打造品牌形象，塑造产品口碑。

3）造势型传播用户

第3类用户具有庞大的粉丝数量，远大于其他两类用户，但其传播贡献度却是3类用户群体中最低的。同时，这一类型的用户数量也是最少的，说明造势型用户较少出现在微博话题传播的过程中。

对这一类用户中的13个用户具体研究发现，这13个微博账号可以分为两类：一是与华为手机官方微博相关的账号，包括华为消费者业务CEO的个人微博及华为集团旗下其他产品线的官方微博;二是华为官方微博营销矩阵之外的TT、摄影等领域的自媒体博主。事实上，在企业发布新产品时，如何在产品推广的冷启动阶段，快速吸引公众视线，增加信息曝光率十分重要。在这一阶段，就需要这部分用户为华为手机微博营销进行造势，快速在用户群体中引发讨论热度。因此，企业微博在话题活动策划中可以考虑与这些用户进行联动.更好地利用其庞大的粉丝群体为微博话题传播提供强大助力。

从上述用户特征分析的结果也可以看出，本文提出的评价方法能够较好地识别出企业的忠诚用户和优质用户，消除了水军和僵尸粉等无效用户的干扰.为帮助企业挖掘其微博传播过程中核心用户群体提供参考性的意见。

5结论

本文的贡献在于从用户的互动行为出发.提出用户交互影响度算法，在一定程度上解决了传播效果评价中存在虚假热度的问题.反映了企业微博传播的真实效果。在此基础上，构建了一个较为完善、可行的企业微博传播效果的评价框架，挖掘企业话题和用户的特征，为企业生产高质量的微博运营内容、制定高效的传播策略、做好粉丝资产维护等提供参考和建议，有利于提高品牌信息的传播效率，增强用户互动积极性。

未来研究可以考虑加入更多用户行为特征数据，如结合用户发布的评论文本的态度倾向等;此外.在分析话题传播效果时.还可以考虑微博话题时间特征及动态变化;在分析用户特征时，深入挖掘用户的讨论重点。