Page 217 - 《社会》2018年第3期

社会· ２０１８ · ３

库。 １ 对博文语 料 库 的 描 述 分 析 （见 表 １ ）显 示， １２．４％ 的 博 文 发 布 于
２０１２ 年及以前， ７０．４％ 的博文发布于 ２０１３ 年，剩余的 １７．４％ 发布于
２０１４ 年。发布于 ２０１３ 年的博文数量远大于之前年份所发布的博文数
量，这与微博平台的发展历程大体一致。 ２０１４ 年的博文数有所下降可
能与两个因素有关：微博平台的整体活跃度在 ２０１４ 年有所下降；受数
据收集过程的限制， ２０１４ 年的数据仅包括前 ３ 个月的博文。

表 １ ：博文的年度分布
年份 博文数（条） 占比（ ％ ）
２０１２ 及以前 １９６４９ １２．４
２０１３ １１１４９６ ７０．４
２０１４ ２７２２０ １７．２
合计 １５８３６５ １００．０

笔者通过社会网络分析法和监督性机器学习来处理语料库，从而
呈现不同网络社群所持有的思潮倾向。由于字数限制，本文仅简要描
述数据分析流程，对计算细节感兴趣的读者可向笔者索要计算程序。
笔者使用社会网络分析法确定被研究的用户群，步骤如下：第一，
通过正则表达式从博文中抽取微博用户 犐犇 ，并根据用户间的直接提及
（ ＠ 犐犇 ）关系建构有向互动网（不包括转发关系）。第二，考虑到部分用
户间通过提及关系互动的频率非常低，并不能反映彼此持续而稳定的
互动关系，而本文的目标是考察活跃的社会思潮表达者所构成的社群，
经慎重考虑，作者删除了提及频率较低的互动关系 ２ 和由此而产生的
孤立用户，最终获得一个包含 ７４５ 个用户和 １７９８５ 对互动关系的互动
网。后续分析将聚焦这 ７４５ 个用户所参与的博文。第三，对互动网进
行“社群侦测”（ 犮狅犿犿狌狀犻狋 狔 犱犲狋犲犮狋犻狅狀 ）来揭示用户之间的互动聚集结构。
监督性机器学习的主要步骤如下：第一，在博文语料库中随机抽取

１．犛犕犘２０１５ 微博数据集由中国中文信息学会社会媒体专委会所发布，共包含 ２０ 多亿的微博
内容。基于研究伦理的考虑，这里并不详细罗列种子用户的名字。
２． 笔者在选择互动频率的临界点时综合考虑如下因素：第一，临界点足够大以保证用户间的
互动关系可以看做一个相对稳定的网络联系；第二，临界点足够小以保证最终的互动网络包
括足够多的用户；第三，充分考虑到微博语料库规模。对语料库的描述分析显示，有 ３６ 个月
份的微博数大于 １００ ， ２５ 个月份的微博数大于 ５００ ， ２２ 个月份的微博数大于 １０００ ， １６ 个月份
的微博数大于 ２０００ 。综合上述考虑，本文最终选择 １８ 次作为高频／低频互动的临界点。互
动次数小于 １８ 的互动关系将被删除。

· ２ １ ０ ·