英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

最大化网络营销中的微博影响力

摘要

由微博提供的动态和及时的交互机会伴随着移动设备日益广泛的使用，已将不同的人群聚集在一起形成了在线社区。对于企业来说，营销者不应轻视理解客户和与之沟通的重要性，但由于缺乏一定的结构，所以很难用微博来估计用户的营销影响。本文提出了一个可以通过分析现有的微博来识别意见领袖并最大限度地传播信息的模型。更具体地说，该模型能够使公司确定营销主题，选择关键词，检索微博内容和博主信息，形成概念模型，以此估计和分析博主的影响力指标，识别意见领袖，最大化地实现消息的传播。我们通过新浪微博这个中国最流行的微博平台来进行模型的展示。

介绍

人们喜欢分享自己的经验和观点，其对于商品积极或消极的评价可能会影响到他们朋友的购买决定。于是口碑营销就成为了商家们推销产品的有效渠道，这就催生了微博上许多在线社区的出现。与离线网络相比，消息可以通过在线网络用更低的成本得到更快速的传播。微博网络中口碑营销的潜在发展和影响引起了研究界的关注。从研究的角度来看，在线社区在许多方面与离线社区不同，比如，传统离线社区中的“朋友”是靠着紧密的联系来决定的，而在线社区中的“朋友”实际上就是“追随者”，他们之间的联系并不紧密。

移动设备的发展及数量的增长大大地提高了微博的流行程度。微博系统提供给用户之间的可以实现动态实时交流的机会非常有吸引力。对于营销者来说，微博系统已成为与客户进行互动交流的重要渠道。有效地进行信息传播以及吸引客户的注意力都很重要，但同时也并不容易。企业想要了解客户，并鼓励客户也了解他们。

与博客相比，微博信息能够更迅速地传播扩散，而且用户观点的渗透率更高。因此，企业都通过口碑营销（WOM）的方式在微博上为推广自己的产品而产生激烈的竞争。比如，据新浪网（即新浪微博的控股公司）的报道显示，58.78％的用户在微博上发布他们所购买商品的信息；20.31％的用户向别人诉说自己的商品使用体验；35.83％的用户会评价商品和服务的质量；82.2％的用户受到这些信息的影响；81.77％的用户在购买商品前会咨询在线评论。与此同时，出于营销目的，企业通过微博来观察在线和线下消费者的行为和联系，微博信息的转发量和评论都会被密切注意。有相当多的证据表明，意见领袖在新媒体领域如微博系统中对有效的信息传播发挥了至关重要的作用。

微博内容和用户关系的都提供了有用的信息，但因为缺乏具体的结构所以很难对微博加以分析。在这项研究中，我们提出了一个模型，可以帮助企业分析微博内容，识别意见领袖，最大限度地发挥信息的影响力。我们的研究重点是确定口碑营销的来源（意见领袖），并量化他们的有效性和覆盖面。该模型可以被公司专门用于识别与营销主题相关的关键词，检索微博内容和博主信息，基于所检索的信息形成本体，分析博主的影响力，识别意见领袖对给定主题的影响，并最大限度地发挥营销信息的影响力。我们以新浪微博，即由新浪网所创办的中国最受欢迎的微博平台作为研究对象。

2. 相关工作

本文侧重于研究在线社交网络中的消息发布和传播。识别和衡量意见领袖在微博系统中的影响也与社交媒体和影响力最大化相关研究领域有关。

2.1 社交媒体

社交媒体的研究通常侧重于用户生成的内容（UGC）或在线社交网络。UGC关注的是投稿人和稿件，消费者及其消费行为，以及收集的数据的影响，但不考虑网络中的关系。而在线社交网络中，包括内容和网络用户之间的关系都会被检测。本研究采用社交网络的方式，同时考虑内容和关系两个方面。

（1）UGC的研究主要是实证性的，多研究网络用户的意图、行为和影响。例如，Shrive和Toubia等人都指出，受到更多关注，即有更多的追随者/粉丝/朋友的用户，会比其他人更频繁地发布微博。Blanco-Fernaacute;ndez等人通过视听UGC在手持设备中来交换和共享用户的内容。Lovett等人的研究表明，口碑营销中信息传播的动机是社交，情感和功能，他们还比较了口碑营销中的新品牌与高级品牌，以及在线渠道和线下渠道。Moe 和 Godes等人从售后的角度检测了UGC内容。Moe和Schweidel的研究表明，购买沐浴用品、香水或家居用品的客户当发现这些产品大大超出或低于预期时，更有可能在社交媒体上对产品发表强烈的意见。购买了相同产品的用户也倾向于同意最初的购买者的意见，显示出强劲的流行趋势。研究也发现，那些频繁地对所购商品表达意见的客户往往可能持消极的态度。Godes和Silva指出，当用户对产品的意见差异很大时，如果产品低于期望，负面的反馈更有可能出现，而那些发布较少微博的用户就不怎么会被注意到。因此，社交关注度提供了闭环和积极两种反馈（发布的微博越多受到的关注也就越多，反之则越少）。Shelton和Skalski发现Facebook上来自UGC的用户活动中的性别差异。Salehan和Park等人分析了在线社交网络中的种族这一行为因素。

实证研究和模拟方法通常用于衡量UGC的影响。例如，Gopinath分析了电影票房成绩与用户评论之间的关系，发现消费者和公司产生的数据的异质性对票房表现的影响有显着贡献。Ghose通过分析已有经验的顾客的意见，建议酒店产品推荐；Hu等人调查了Amazon.com上的图书销售和评论，发现网站上10％的在线评论是被操纵而为的，这种行为可能会提升销量，但并不能创造畅销书。Flanagin和Metzge认为，当存在大量评论时，用户倾向于随大众，但如果只有几条评价，则会跟随专家的意见。Oum和Han发现，社交信任和娱乐感知是个人愿意参与UGC服务的关键。Westerman指出，如果用户的追随者太多或太少，他们在Twitter上发布的消息会有较低的可信性，即使用户拥有大量的追随者，他们也不一定是专家。Zhao等人发现顾客在购买书籍、音乐和电影产品之前会咨询评论，但他们的最终决定是基于自己的个人经历，如果评论的数量太多，那么顾客受到的影响就会越小。Albuquerque等人以惠普为例，发现UGC比单纯的产品推广更有用处。Yildirim分析了使用UGC对新产品开发的的财务业绩的影响。Tirunillai和Tellis比较了正面和负面的UGC对股票价格的影响。

还有一些研究分析了用户如何选择社交网络。Davenport等人将年龄作为分析成人和大学生在博客（Facebook）和微博（Twitter）之间进行选择的因素。Li和Choi等人比较了在选择当地和全球社交网络系统（Facebook）之间的文化背景。Zaglia分析了用户在加入社交网络品牌社区时的意图和目的。Armentano等人使用文本分析的方法提出了在微博中的跟踪推荐系统。

前人的研究表明，社交媒体能够影响用户的决策（比如购买产品），基于用户、产品和信息等因素。然而用户之间的关系很少被考虑在内。

（2）研究人员用复杂网络和社交网络分析来量化用户之间的关系。大多数以前的研究集中在结构和属性，或是在用户行为方面，基于其网络位置的分析来开发网络模型。例如，Yang和Yu计算出微博系统的等级，平均最短路径和间隔的指标。Yan等人分析了社交网络中微博的“小世界”性质，Fu等人为了验证这个性质对微博进行了测试，发现了“无规模”的特点。Armentano等人使用网络拓扑来识别微博中良好信息资源的相关用户。Duong等人在协作视频注释中使用基于共识的社交网络分析。Lu等人提出了一个随机网络增长模式，并认为一个意见领袖不太可能同另外的与其具有相似地位的人联系。Hellmann和Staudigl将网络模型的发展划分为随机和游戏理论模型，分析进化和共同进化过程。其他研究根据网络位置分析了用户的行为。Du和Kiss测量了节点的影响，并利用其属性来识别意见领袖。Lu等人发现，那些具有高意见领导地位的人不愿意与其他意见领袖联系，而舆论领导地位低的人则与意见领袖挂钩，成为中心节点。Lee调查了处于中心或外围网络职位的专家和新手采集信息所使用的不同方法。Traud等人分析了大学生性别、年级、专业、高中学校和居住地对社区结构的影响。

总之，两种社交媒体的研究观点，即分析网络属性和关系节点，是本文的研究基础。

2.2 影响最大化

影响力研究检测如何最大限度地传播积极的信息、控制消极的信息或谣言，以及传播消息的人对其他用户的影响。例如，Yang等人分析了汽车行业中的口碑营销，发现传输信息的初始节点的特征决定了其影响力。Zeng等人提出了一种强制模拟处理方法，通过有效估计高影响力节点的损失来提升其性能。Yan等人模拟了各种类型网络中权威性节点（如ER和无规模网络）消除和控制谣言的能力。Li和Du设计了一个模型来评估节点的影响及其在传播积极和消极信息方面的有效性。Al-Oufi等人评估了网络节点的可靠性用以识别可信用户，类似于Google的PageRank算法。Katona等人分析了影响力节点的特征，如总体程度、性别、年龄和人口密度（居住城市）。Sohn调查了网络密度（密集或稀疏），知识（专家或新手）和信息差异（消极，中立或积极）对大学生社区中信息扩散的影响。He和Tan利用k核来识别重要的话题和语义网络，以此构建个性化推荐模型。Lerman和Ghosh比较了一般社交网络（Twitter）和专业社交网络（Digg）中的新闻信息传播，发现专业网络的信息扩散更加有效，而一般网络的信息扩散范围更广泛。Fan等人发现，群体缩短了节点之间的距离，并加快了社交网络（Facebook）中消息（或病毒）的传播。

模拟方法也用于分析信息扩散模型。Zhao等人介绍了一种用于SIR模型的休眠功能，用来模拟谣言传播模式。Xiong等人向SIR模型中添加了一个收缩函数，用来指示一个节点已经读取了某个推文但没有立即转发。Ho等人检测了新产品的分布情况，将用户分为有影响力的用户和模仿者两个类别，有影响力的用户可以启发其他有影响力的用户和模仿者，而模仿者只能影响其他模仿者。We等人分三个时期（集中发行，持续发布和脉冲发布）通过微博发布危机信息以分析其扩散机制，他们发现信息的传播可以通过逻辑函数来描述，而且其增长曲线是S形的。Pfau等人使用模拟法来研究在社交网络中信息传播的文化心态，他们发现那些具有相似文化背景的人之间倾向于建立联系，这加快了信息的扩散。Kurmyshev等人发现，当正面和负面意见分布在网络上时，最后的意见不会受到网络结构的影响，而是受到对负面看法的容忍度的影响。Zhu利用网络覆盖率指数确定了社交网络中影响力最大的节点。量化影响力的其他方法包括Kumar等人使用的投资回报法和Zhang等人基于参与者价值采用的网络效应法。Han和Yang通过测量信息的成本来衡量其影响力。

模拟方法可以对网络行为模式进行分析，但是当在模拟网络中建立信息传播模型时，节点的关键信息和消息扩散的有效性会被忽略。因此，本研究使用真实网络进行分析，检索真实信息以识别最有影响力的意见领袖，并预测信息传播的有效性。我们用新浪微博，这个中国最大的微博平台（类似于Twitter）来做示范。主要参考资料包括：网络属性、信息传播、影响力测量和位置信息。参考Toubia和Stephen的研究，我们只聚焦于非商业用户，以防止经济干扰。

3. 系统模型

在这项研究中，我们提出了一个三步骤的数据包络分析（DEA）程序，用来识别能使信息的影响实现最大化的意见领袖。三个步骤依次为：（1）在微博上收集数据；（2）识别每个节点的属性，以估计其作为源节点的有效性；（3）使用支持向量机（SVM）识别能够有效传播信息的意见领袖。使用SVM算法是因为训练集数据中的发布—转发关系为已存在的数据。为了确定博主是会发布原创内容还是转发他人发布的内容，我们可以使用分类结果来对此进行预测，并随之预测信息传播的有效性。

模型如图1所示，共分为四个部分：（1）信息准备；（2）博主识别；（3）博主分类；（4）信息传播。在第一阶段，从微博系统中获取关于传播路径和节点（博主）属性的数据以进行分析，节点可以是信息源、接收者或转发者。获取的数据用SVM算法来对博主进行识别和分类。最后，最有影响力的博主（意见领袖）则会被选中用来传播信息。

3.1 信息准备

信息的准备过程由四个阶段组成，如图1所示。采集微博、微博发布－转发关系网络构建、采集博主信息、博主发布－转发关系网络构建。

3.1.1 采集微博

在第一阶段中，使用WebCrawler从目标微博系统中检索与预定主题（关键词）相关的所有微博。目标微博平台中的开放API可用来检索在一定时期内发布的微博信息，我们在之前的研究中使用了类似的方法。因为本文目的是分析微博信息传播的有效性，因此微博的发布时间是一个重要因素，所以我们只考虑一定时间段内发布的微博信息。微博信息的产生和扩散都很简短迅速，不怎么具备一定的格式以及清晰的语法。为了提高对中文中自然语言的理解，我们首先对预定话题构建了一个概念模型，如图2所示。这个概念模型提出扩大关键词的范围，包括中国使用者中传统的互联网词汇。比如，苹果手机一般被称作果机。其次，微博爬虫功能是用来根据这个模型检索微博。那些在给定时间内与相关词汇有关的博客都会被收录在微博数据库中，包括博客ID、微博发布的时间、博主ID、信息内容及微博转发者或评论者的ID等。

3.1.2 微博发布－转发关系网络构建

模型的这一部分比较直截了当，主要是通过使用数据库中列出的微博ID将发布的微博与相应的原始微博相关联，从而建立发布与转发的关系。接着生成表示关系网络的有向图，其中节点表示微博，弧代表发布与转发的关系。网络中有四种类型的微博：（1）被转发过的原始微博；（2）未被转发过的原始微博；（3）被再次转发的所转发的微博；（4）未被再次转发的所转发的微博。其中第2种微博的节点是孤立的，而其他几种类型的节点是相关联的。因此，第1种类型的节点是源节点，第3种类型的节点是中间节点，第4种类型的节点是末端节点。在微博上收集的数据包括发布时间、微博内容、转发次数和微博类型（1到4种类型）。

3.1.3 采集博主信息

模型的这个阶段是通过

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141307]，资料为PDF文档或Word文档，PDF文档可免费转换为Word