社交媒体用户行为特征研究论文

网络社交的优点1、拓展更多的关系机会有很多人在现实生活中可能过于内向腼腆，有社交焦虑，这非常不利于他们的社交。唯独到了网络空间，他们能卸下一切防备，轻松地展示自我，可能就转变成了段子手或者文艺青年，等等。网络上的交流通畅，为他们迎来了更多聊得来的朋友，从而弥补了现实中社交关系的缺乏。2、巩固和增强社会关系如果你正处在异地恋的阶段，那么你一定会经常通过视频电话来维持你和另一半的亲密关系。否则，一般人是熬不过异地恋的。唯有这网络视频电话，不仅会维持你们的关系，还可能更让你们惺惺相惜，从而促进你们的关系。网络社交的缺点1、网友不过泛泛之交研究表明：人的一生只能维持150段关系。哪怕你在微博上的粉丝再多，他们也不可能跟你一一发展成亲密关系。当然，泛泛之交也不是不可以，比如一些客户跟我们就是泛泛之交，我们需要这样的泛泛之交来促进工作，等等。只是说，我们不能用网络上的泛泛之交来代替亲密关系，我们的幸福生活更多是由现实中的亲密关系，而不是网络上的泛泛之交所给予的。2、现实社交能力弱化网络社交毕竟不能代替现实社交，而人成事也是要依靠现实中强大的社交能力。一个人可能因为社恐而沉迷于网络社交，而沉迷网络社交并获得尊严和快感后，由于缺乏锻炼，他现实中的社交能力就可能进一步弱化，这是很可怕的。

社会网络分析理论： 在社会网络[63]由人类学家Barnes最早提出的概念，他在社会网络的分析基础上统地研究挪威一个小渔村的跨亲缘与阶级的关系。在社会网络分析中，存在一些经典的理论。这些理论主要包括:六度分割理论、弱关系理论、150法则、小世界网络理论、马太效应等。基于社会网络有关的研究方向和内容，在不同的领域着发挥着各自的作用，例如，社会影响力分析，社区发现，信息传播模型，链接预测，基于社会网络的推荐。 150法则是指一个人能保持稳定社交关系的人数上限通常为150人。1929年由英国罗宾•邓巴教授(Robin Dunbar)提出了经典的”150定律”理论，该定律同时也被称为“邓巴数字”[64]。这个定律在我们的实际日常生活中的应用是相当普遍的，SIM卡中只能存储150个联系人的电话，微软的MSN中也只可以最多把150位联系人的信息添加到自己的名单中[64]等等。 小世界网络是一种具有特殊结构的复杂网络，在这种网络中大部份的节点是不相邻的，但绝大部份节点之间是连通的且距离很短。六度分割理论也是小世界网络理论的一种体现。在多数现实世界的社会网络中，尽管网络中的节点数量巨大，网络中相邻的节点相对较少，但每两个节点间往往只需要很短的距离便能连通。 六度分割就是指一个人与其他任何一个人之间建立起联系，最多都只需要经过六个人。所以，即便邓巴数字告诉我们，我们是能力上维持一个特别大的社交圈的，但是六度分割理论却可以告诉我们，通过我们现有的社交人脉圈以及网络可以无限扩张我们的人脉圈，在需要的时候都能够和地球中想要联系的任何人取得联系。 弱关系理论弱关系(Weak Tie)是指需要较少或不需要情感联系的人们之间的社会联系，这种联系几乎不需要耗费个人的时间或精力来维系，但这种联系却很有作用。美国社会学家Mark Granovetter在研宄人们在求职过程中如何获取工作信息时发现[65]，由家人、好友等构成的强关系在获取工作信息过程中起到的作用很有限，而那些关系较疏远的同学、前同事等反而能够提供更加有用的求职信息。 马太效应可以理解为达尔文进化论中适者生存的理念。在社交网络的发展过程如同生物进化的过程，存在强者越强、弱者越弱的现象。也就是说，在社交网络中越是处于网络核心的节点很大可能会变来越核心，而那些处于社交网络中边缘地带的节点或许会越来越不重要甚至直至消失。那些在社交网络中相比其他节点拥有更大影响力的节点，其带给该网络的影响也要比那些拥有弱影响力的节点所带来的影响要强。 从不同角度探索节点影响力挖掘算法： 1.基于邻节点中心性的方法。这类方法最简单最直观，它根据节点在网络中的位置来评估节点的影响力。度中心性[13]考察网络中节点的直接邻居数目，半局部中心性[14]考察网络中节点四层邻居的信息，ClusterRank[15]同时考虑了网络中节点的度和聚类系数。 2.基于路径中心性的方法。这类方法考察了节点在控制信息流方面的能力，并刻画节点的重要性。这类方法包括子图中心性[16]、数中心性[17]（一些演化算法包括：路由介数中心性[18]，流介数中心性[19]，连通介数中心性[20]，随机游走介数中心性[21]等）及其他基于路径的挖掘方法。 3.迭代寻优排序方法。这类方法不仅考虑了网络中节点邻居的数量，并且考虑邻居质量对节点重要性的影响，包括了特征向量中心性[13]，累积提名[22]，PageRank算法[23]及其变种[24-32]。 4.基于节点位置的排序算法。这类方法最显著的特点是，算法并没有给出一个计算节点重要性的定义，而是通过确定节点在网络中的位置，以此来确定节点的重要程度。在网络核心位置的节点，其重要性就相对较高，相反的，若节点处于网络边缘，那么它的重要性就会比较低。基于节点位置的以及不同应用场景的推荐算法具有重要的研究意义[34-37]。 节点影响力评估方法： 在社交网络节点影响力的评估方法主要可以分为三类，基于静态统计量的评估方法、基于链接分析算法的评估方法，基于概率模型的评估方法。 众学者在静态统计量的方法上，结合不同社交网络中相关信息，借鉴链接分析法以及建立概率模型来评估节点影响力，对社交网络节点影响力可以做到更有效的评估[66]。 1)基于静态统计量度量方法 主要是通过网络中节点的一些静态属性特征来简单直接地体现节点的影响力，但面对社交网络中复杂信息以及不同平台，并不能有效地度量不同社交网络中节点影响力。如度中心性，主观认为节点的重要性取决于与其他节点连接数决定，即认为一个节点的邻居节点越多，影响力越大。在有向网络中，根据边的方向，分为入度和出度，在有权网络中，节点的度可以看作强度，即边的权重之和。度中心性刻画了节点的直接影响力，度中心性指标的特点是简单、直观、计算复杂度低，也具有一定合理性。 但针对不同平台的网络结构中，度中心性的影响力效果未必能达到目标效果，而且社交网络中用户间关系的建立具有一定的偶然性，而且不同的用户间的关系强度也不同。度中心性没有考虑了节点的最局部信息，虽然对影响力进行了直接描述，但是没有考虑周围节点处所位置以及更高阶邻居。众学者在静态统计量的方法上，结合不同社交网络中相关信息，借鉴链接分析法以及建立概率模型来评估节点影响力，对社交网络节点影响力可以做到更有效的评估[66-67]。 2)基于链接分析算法的方法 链接分析算法(Link Analysis)主要应用在万维网中用来评估网页的流行性。通过超链接，万维网中的网页连接成一个网络，同时这个网络也具备了小世界网络的特征，且微博平台中的关注和粉丝关系与网页的链入与链出十分相似，因此链接分析法的思想也被应用在了微博社交网络中节点影响力的评估中。经典的算法是PageRank[68]和HITS算法[69](Hyperlink-Induced Topic Search)。 PageRank算法模型，是Google在搜索引擎结果中对网站排名的核心算法，核心思想通过计算页面链接的数量和质量，来确定网站的重要性的粗略估计，即节点的得分取决于指向它的节点的数量和这些节点的本身得分。即有越多的优质节点指向某节点时它的得分越高。 HITS算法是由Jon Kleinberg于1997年提出的。HITS算法模型中，有两类节点，权威(Authority)节点，和枢纽(Hub)节点。权威节点在网络中具有高权威性，枢纽节点具有很个指向边的节点。通过计算网络中每个节点的Authority权威值和Hub枢纽值来寻找高权威性的节点。即求值过程是在迭代中计算Authority和Hub值，直到收敛状态。Hub值和Authority值计算公式。 通过多数研究者发现，将链接分析法结合社交网络特性可以更好的对用户影响力进行评估，由于技术的快速发展，社交网络的多变性，因此如何将社交网络中的复杂数据和用户行为与相关算法进行结合，仍是需要我们继续研究的方向。 3)基于概率模型的方法 主要是建立概率模型对节点影响力进行预测。这么多学者将用户影响力作为参数对社交网络中的节点用户行为建立概率模型，并根据社交网络中已有的用户数据求解概率模型，得出用户影响力。 文献[70]认为用户间影响力越大、被影响用户的活跃度和转发意愿越高，则其转发另一个用户的信息的概率越大，所以利用用户影响力、转发意愿和活跃度等构建转发概率模型。通过用户发布的tweet数量、转发的tweet数和用户的历史转发行为数据，计算出用户活跃度、转发意愿和转发概率，进而社交网络中用户影响力。 文献[71]在度量影响力时融合了用户发布信息的主题生成过程，认为兴趣相似或经常联系的用户间影响力较强，用户的行为受其朋友的影响也受其个人兴趣的影响。基于这些假设，结合文本信息和网络结构对LDA模型进行扩展，在用户发布信息的基础上建立模型，通过解模型计算得出用户间基于主题的影响力。 文献[72]认为转发概率同样可以体现用户间的影响力，根据用户间的关注关系。历史转发记录，利用贝叶斯模型预测用户间的转发概率。 文献[73]考虑了用户建立关注关系的原因，用户被关注可能是与关注者兴趣投，也可能受用户的影响力影响。将基于用户的主题建模和基于主题的影响力评估相结合，并在同一个生成模型中进行计算，提出基于LDA算法模型的扩展算法模型FLDA模型(Followship-LDA)。[13] P. Bonacich. Factoring and weighting approaches to status scores and clique identification[J]. Journal of Mathematical Sociology, 1972, 2(1): 113-120 [14]ü,[J]. Physica A, 2012, 391(4): 1777-1787 [15] D. B. Chen, H. Gao, L. Lü, et al. Identifying influential nodes in large-scale directed networks: The role of clustering[J]. PLoS One, 2013, 8(10): e77455 [16], . [J].Physical Review E, 2005, 71(5): 122-133 [17][J].Sociometry,1977, 40(1): 35-41 [18] S. Dolev, Y. Elovici, R. Puzis. Routing betweenness centrality[J].Journal of the ACM, 2010, 57(4): 710-710 [19] Y. Gang,, H. Bo,etal. Efficientroutingoncomplexnetworks[J].PhysicalReviewE, 2005, 73(4): 46108 [20] E. Estrada, D. J. Higham, N. Hatano. Communicability betweenness in complex networks[J]. Physica A, 2009, 388(5): 764-774 [21][J].Social networks, 2005, 27(1): 39-54 [22] networks[J]. Social networks, 2000, 22(3): 187-200 [23] B. S. Brin, L. Page. The anatomy of a large scale hypertextual Web search engine[J]. Computer Networks & ISDN Systems, 1998, 30: 107-117 [24] P. Jomsri, S. Sanguansintukul, W. Choochaiwattana. CiteRank: combination similarity and static ranking with research paper searching[J]. International Journal of Internet Technology & Secured Transactions, 2011, 3(2): 161-177 [13][25][D].California: University of California. 2012 [26] J. Weng, E. P. Lim, J. Jiang, et al. Twitterrank: finding topic-sensitive influential twitterers[C]. Third International Conference on Web Search & Web Data Mining, ACM, 2010, 261-270 [27]: distinguishingbetweenprestigeandpopularity[J].NewJournalofPhysics,2012,14(14): 33033-33049 [28] J. Xuan, H. Jiang, , et al. Developer prioritization in bug repositories[C]. International Conference on Software Engineering, 2012, 25-35 [29]ü,[J]. Physica A, 2013, 404(24)47-55 [30] L. Lü, Y. C. Zhang, C H Yeung, et in social networks, the delicious case[J]. PLoS One, 2011, 6(6): e21202 [31][J].Authoritative sources in a hyperlinked environmen, 1999, 46(5): 604-632 [32](SALSA)andthe TKC effect[J]. Computer Networks, 2000, 33(2): 387-401 [33][J].Physical Review E, 2014, 90(5): 052808 [34] A. Banerjee, A. G. Chandrasekhar, E. Duflo, et al. Gossip: Identifying central individuals in a social network[R]. National Bureau of Economic Research, 2014. [35] percolation in social networks[J]. arXiv preprint arXiv:, 2015. [36] S. Y. Tan, J. Wu, L. Lü, et al. Efficient network disintegration under incomplete information: the comic effect of link prediction[J]. Scientific Reports, 2016, 6. [37]任晓龙,吕琳媛.网络重要节点排序方法综述[J].科学通报, 2014,59(13): 1175-1197 [63]贝克,晓冬.社会资本制胜:如何挖掘个人与企业网络中的隐性资源[M].上海交通大学出版社,2002. [64]天涯.六度分隔理论和150法则[EB/OL].|.[2010-07-14]. [65]Granovetter M Strength of Weak Ties[J]. American journal of sociology, 1973: 1360-1380. [66]王梓.社交网络中节点影响力评估算法研究[D].北京邮电大学, 2014. [67] Meeyoung Cha, Hamed Haddadi,Fabricio Benevenutoets. Measuring User Influence in Twitter: The Million Follower Fallacy[C]. Proceedings of the 4th International AAAI Conference on Weblogs and Social Media (ICWSM),2010:10-17 [3][68]  Page, Lawrence, Brin, et al. The PageRank citation ranking[C]// BringingOrder to the Web. Stanford InfoLab. 1998: 1-14. [4][69]Kleinberg J M. Authoritative sources in a hyperlinked environment[J]. Journal of the ACM, 1999, 46(5): 604-632. [70]Zibin Yin, Ya Zhang. Measuring Pair-Wise Social Influence inMicroblog[C], 2012 ASE/IEEE International Conference on SocialComputing and 2012 ASE/IEEE International Conference on Privacy,Security, Risk and Trust, 2012: 502-507. [71]Lu Liu, Jie Tang, Jiawei Han, Meng Jiang, Shiqiang Yang. Mining topic-level influence in heterogeneous networks[C]. Proceedings of the 19th ACMinternational conference on information and knowledge management, 2010: 199-208. [72] Qianni Deng, Yunjing Dai. How Your Friends Influence You: Quantifying Pairwise Influences on Twitter[C], International Conference on Cloud and Service Computing, 2012:185-192. [73] Bi, Bin, et al. Scalable Topic-Specific Influence Analysis on Microblogs[C], Proceedings of the 7th ACM international conference on Web search and data mining,2014: 513-522.

用户行为新变化的表现：

1、倾向社群化生活

从2013年1月至2015年6月，手机QQ群活跃用户数年均增长率为72%，这表明网络社群化生活呈不断增长趋势。截至2015年6月，移动端QQ群的消息量占比为66%，远远超过PC端34%的比例，这表明用户更多是在移动互联网终端进行社交分享。与腾讯QQ一样，微信也可以搭建公共群。

除群生活以外，微信还开通了公众服务号，开发者在公众号上为各种不同兴趣、需求的用户提供不同的服务，通过文字、图片、语音、视频等多种媒介方式与特定群体实现全方位沟通互动，使线上线下得以连接。

2014年5月，腾讯手机QQ推出基于兴趣的公开主题社区——兴趣部落，与拥有共同兴趣标签的QQ群实现打通和关联，形成以兴趣聚合的社交生态系统。此外，微博群、微博热门话题、百度贴吧、天涯社区、猫扑等公共社区也都聚集着大量用户，有各自特点鲜明的社群生活，体现用户在社交网络中的个性化和差异化。

2、更乐于互动分享

科技网站Digital Trends的报道表明：“与阅读文章相比，人们更乐意分享文章，这是典型的现代信息消费方式。”相比于PC端，移动互联网时代，由于操作的简易性和网络设备的便携性，用户对所接触的信息更乐于参与互动并随手转发，而且用户往往是多屏参与信息互动与分享，即在PC端接受信息，在移动端参与节目互动。

如很多电视媒体利用扫码、摇一摇等方式与用户进行跨屏互动。娱乐化的体验容易获得用户追捧，用户也乐意在接收新信息的过程中在社交网络中分享，吸引社交好友共同参与，而一旦引爆社交网络将收获不可估摸的市场红利。

3、获取信息的表面化

移动互联网的简易操作解放了用户的话语权，使得用户进入一个“人人都是传播者”的自由状态，生产的信息呈几何级数增长。IBM的研究称，整个人类文明所获得的全部数据中，有90%是过去两年产生的。而到了2020年，全世界所产生的数据规模将达到今天的44倍。

可见移动互联网产生了海量信息，填充在社交网络的各个角落。与海量信息相对的是用户有限的注意力资源，信息量越大，注意力资源就越稀缺。

印度InMobi公司发布的《2014中国移动互联网用户行为洞察报告》数据显示，中国移动互联网用户平均每天利用手机和平板上网时间总计达到146分钟，其中，有效媒体接触时间为小时。

即使用户将个小时全部用在社交网络中获取信息，也只是获取一小部分，而且面对网络纷杂的信息，用户注意力很难集中，极易被其他信息吸引，对信息的获取就过于浅显，浮于表面。

4、关注点指向明晰

移动互联网时代的用户行为社交化变迁还体现在用户更为关注眼前的热点事件，更乐于分享指向明晰的事件，很容易形成“一呼群应”的效果。

用户的社交化行为更多表现在移动即时通信类的社交软件上，而对于搜索软件，社交化的行为特征还没有表现出明显倾向，但移动端搜索量已高出PC端搜索量，未来移动端的全社交化趋势还是很明朗的。

在移动互联网时代，用户的行为很容易在社交活动中被转移，注意力也会迅速被不断更新的热点事件所吸引，很难对同一事件保持长久关注。

特征

第一，网络用户数量增长迅速，人数众多。信息社会是新技术产业和知识密集型产业主导的社会，人们对知识和信息的需求成为社会的主要需求，每一位社会成员都有可能成为知识的需求者。

第二，网络用户的类型不断分化。在物理世界中，用户分布有着明显的地域特征；网络打破了地域限制，任何地方都可以成为信息交流场所，任何人都可以随时发布和获取信息。在这种环境下，用户概念呈现出新的含义，网络用户结构差异大、职业分散、行业分布广泛。

第三，网络用户有着不同的信息需求。每个人都可以是信息的生产者、传递者和接受者，用户需求呈现出多层次、多方位的特征。任何网络行为人都可能置身于信息两端，既可以发布信息，也可以接收信息。

扩展资料

网络用户对信息的获取和利用方式主要靠信息检索和信息浏览。信息检索是一种有明确目标、有计划、能清楚表达信息需求的信息获取行为；而信息浏览是没有具体信息需求目标或难以清楚表达信息需求的较随意的信息获取行为。

需要注意的是，信息浏览行为可能缺乏明确目标，也可能没有计划性，但这并非意味着它就不具有目的性。作为用户的信息行为之一，浏览同样具有行为上的目的性，那就是满足已知或未知的信息需求。

在实际的信息获取活动中，二者有时难以清楚地划清界限，常常相互联系、交叉或被整合在一起使用。信息检索与信息浏览常被用户简称为信息查寻。对于网络资源的信息查寻，库尔梭(CarolC．Ku)提出的信息查寻模式为我们清楚地描述了其具体过程。

库尔梭模式的最基本的假设是：用户因其信息需求的不确定性所引起的疑惑与挫折会随着信息查寻过程的推进、获得越来越多的相关信息而减少。她运用个人建构理论(Personal Construct Theory)来描述用户如何建构他们所遇到的信息。

她还认为，信息查寻过程是一个不断修正需求表达的过程，需求目标的形成(观点形成)是信息查寻成败的关键，所以，意义建构的认知过程是库尔梭信息查寻行为模式的精髓所在。

社交媒体已经成为今年来最火爆的媒体渠道，那么今天互航科技就来谈谈社交媒体的一些特点，谈到社交媒体我们肯定会想到微信微博，除了这俩个代表新媒体之外，还有很多的论坛、博客之类的也算是社交媒体的，那么社交媒体具体有哪些特点呢？ 我国近来发布了《凯络交际媒体专业洞察》白皮书，其间提供的数据标明，现在我国访问量最大前100名网站中，11个是社会化媒体渠道，并且这还不包括类似于新浪博客与腾讯微博这样没有独立域名，但仍然很抢手的门户网站交际频道。当下国内最热烈的媒体渠道新浪微博访问量位居第7，豆瓣排名23，天边和人人网紧随其后，分列24，25位。 而在这些品种纷乱的媒体渠道中，依据不同交际媒体渠道用户特点与营销次序的不同，各交际网站以细分特征获得共同优势，在网络营销之中扮演着各自的传达与互动人物。 用户人际联系和内容特点的不同，反映出不同交际媒体渠道之间的实质差异。交际媒体用户联系源自于现实生活中的强联系，重视兴趣和文娱体会；而微博用户的联系强度则弱于交际媒体，更重视信息的传递；博客则是完全公开化，专心于某领域内的深度常识。 在交际媒体傍边，SNS用户多为“评论者”和“联系者”，用户之间的互动要高于其他渠道;而在微博渠道上，37%的用户都是作者，他们创造很多内容并进行快速传达;BBS论坛中，用户首要扮演“评论者”的人物，所以舆情走向首要依据所发布的帖子主题来裁定。 在媒体方法缺少标准的现状下，市场营销者很简单被误导，但事实上，虽然交际媒体比以往的媒体方法更聚合，但“一分为三”的媒体分类方法：自有媒体、赢得媒体、购买媒体，仍是最合适的媒体组合方法。 那么在我国使用交际媒体渠道的最优形式能够概括为： 1.清晰交际媒体渠道的特征和能力； 2.清晰消费者在不同交际媒体渠道上的行为差异； 3.清晰传达意图与方针；4.定制直达方针的营销计划；5.办理和履行多种前言传达战略。 深入的了解到社交媒体的特点之后，你才能有针对性的想办法来利用社交媒体来做网络推广的方法，作为新媒体时代的您肯定需要用到社交媒体，也时刻的通过社交媒体来接触广告，所以每个人都对媒体的感受是不一样的，相信您也有属于自己的独特看法。