0 引言

网络的普及让人们接受消息的速度大幅度提升，微博等各大网络平台的出现也给大众提供了一个绝佳的讨论场所。人们可以在这些平台上发表自己对社会相关事件的看法与观点，同时还可以和网络平台上的其他人进行隔空互动，交流彼此的意见，观点相似的民众通过彼此间的互动形成了自己的社区，同一社区内的人们具有相似的看法或观点且彼此之间关系紧密。在面对突发事件网络舆情时，观点相似的用户在社区内快速传播舆情相关信息，这可能会造成用户间的情感与观点走向极化。因此如何在海量且复杂的网络舆情信息及舆情用户中快速发现用户社区，了解同社区内用户特征及用户关注重点对于网络舆情的引导十分关键。

目前学者们主要从用户发布的博文内容及用户关系方面对微博社区进行研究。徐建民等[1]借鉴引文分析理论分析微博社区内用户的交互行为，通过给不同的交互行为进行赋权从而计算各用户间相似度，并利用用户相似度进行社区发现。田博等[2]利用用户之间的转发关系、评论关系、点赞关系以及提及关系四方面交互行为构建加权的交互网络，然后以Newman模块度函数作为优化目标，得到社区内部节点联系紧密、社区之间节点联系松散的社区划分方法。邱少明等[3]提出一种基于节点多属性相似性聚类的社团划分算法SM-CD，其中节点属性包括节点结构属性与自身属性。钱芸芸等[4]提出一种融合主题相似度权重的主题社区发现模型，该模型首先计算节点间主题相似度并将其作为链接权重，然后将该链接权重作为模块度参数划分社区。张中军等[5]提出了一种基于链路结构和转发行为的微博社交网络重叠社区划分方法，该方法通过对用户间的转发行为进行对比来提高社区划分质量。何跃等[6]通过对每条微博进行情绪识别，定义情绪值并以此进行社区识别，研究不同社区内情绪变化情况。吴小兰等[7]通过对微博社区进行划分，从而追踪典型社区群体及社区话题演化发展。除此之外，有部分学者从社区结构出发对社区进行划分与识别。Golsefid等[8]提出通过模糊图聚类来进行社区发现，以可能性C-聚类模型为基础，根据聚类中心的相似度进行节点距离计算，最终完成社区发现。Tang等[9]利用数据场理论衡量用户间的联系程度，先确定初始聚类，然后采用粗糙集聚类算法进行社区发现。

综上所述，目前对于微博社区划分的研究主要从社区结构及微博内容出发，通过用户间的关注信息、用户自身属性及用户发布的博文内容相似度来进行微博社区识别，对于微博用户间的交流互动关系研究较少，无法多维度、深层次地发现网络舆情用户社区。基于此，针对现有研究的不足，本文以微博网络舆情用户为研究对象，结合用户交互行为，发现网络舆情用户社区，同时对不同社区内用户特征进行分析，不仅能更加准确地分析社区用户之间的交流互动，还能了解不同社区内用户特征，为引导网络舆论提供有价值的参考。

本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004906

作者信息：

林国英，汪明艳

(上海工程技术大学 管理学院，上海201600)