基于生命周期理論的用戶畫像建構與網絡風險管控研究

◆張郅奕 朱 娟 李永蓮

用戶畫像是指構建在系列數據基礎之上的用戶目標模型，是虛擬化的用戶[1]；早期被用于產品設計領域，是對特定群體真實狀況的描述，是有效刻畫目標用戶及其需求的有效工具[2]。隨著互聯網與大數據技術的發展，最初基于虛構視角的用戶畫像[3]逐漸向目標導向、角色視角、參與視角以及數據視角[4]轉變。

現有用戶畫像的研究方法主要包括基于用戶行為的方法、基于用戶興趣偏好的方法、基于用戶主題的畫像方法以及基于人格特性與用戶情緒的方法[5]。其中基于用戶興趣偏好的方法是當前學界關注的熱點，也符合網絡負面情緒傳播的情境特征。國內外學者就用戶畫像應用方法進行了大量研究，基于各類模型探討用戶興趣和需求點，以提供更加精準的服務和問題解決方案。既有研究雖然提供了方法基礎，但未關注時間等因素對用戶興趣以及關注度的影響，同時也缺少對情景興趣的關注[6～9]。

網絡負面情緒傳播具有周期性[10]，學界早已從生命周期階段研究網絡傳播，如馮湘君等將網絡傳播分為潛伏期、爆發期、后遺癥期[11]；康偉將網絡危機分為形成、發展、爆發以及消亡四個階段[12]；夏雨禾將網絡危機分為孕育期、傳播期、高漲期與衰退期[13]。其本質就是不同時間、不同階段對某類主體某一方面狀態的描述與分析?？梢?，生命周期理論本質包含著時間要素與情景要素，而這可以彌補現有基于用戶興趣研究方法缺少時間、情景要素的不足。因此，本文嘗試從生命周期視角對網絡負面情緒群體用戶畫像構建進行研究，從時間、情景要素出發分析網絡負面情緒傳播周期與規律，并基于此探析網絡負面情緒群體用戶畫像的構建過程與方法。

一、網絡負面情緒群體用戶畫像的內涵與特征

網絡負面情緒群體研究，是網絡虛擬社群中的一部分。網絡虛擬社群，是圍繞相似興趣、需求以及情感，依托于互聯網，通過自媒體平臺等實現社會化互動的、新型社會生活單位與數字化生存空間[14]。由于缺少社會約束，網絡虛擬社群內的自我規范意識與其他機制雙重弱化[15]，使得虛擬社會中的群體比現實社會中的群體更容易形成情緒場域，感染群體的情緒[16]，更容易激發潛在負面情緒在傳播與宣泄[17]。隨著負面情緒在社群內乘數效應的惡化與疊加，消極的情緒狀態更易產生于傳播，提高了群體心理的非理性傾向[18]。因此精準掌握虛擬社區中網絡負面情緒群體的屬性、行為、偏好以及情緒，具有重要的理論意義與現實意義。

用戶畫像理論為實現網絡負面情緒群體的精準刻畫提供了支持。本文認為網絡負面情緒群體用戶畫像，是為了深入了解網絡負面情緒用戶特征、預測用戶的行為等，依托于海量、真實數據描述用戶特征與偏好，構建目標群體用戶模型，主要目標是實現網絡負面情緒傳播的精準預警與對相關群體的行為引導。網絡負面情緒群體用戶畫像構建，主要是通過將“數據”映射到“用戶標簽”實現的，這一過程也是典型的以數據驅動的用戶畫像構建。網絡負面情緒群體用戶畫像構建的本質如圖1所示。

圖1 網絡負面情緒群體用戶畫像

首先，收集相關數據進行融合。主要是指運用物聯網、5G 等新興技術手段，對涉及到的海量數據進行收集。通過數據層融合、語義層融合以及服務層融合實現數據的融合，將清洗過的數據數字化，將實體從“物理空間”映射到“數字空間”。其次，用戶畫像的“標簽體系”是一個多維度的、復雜的體系。用戶畫像的本質是“標簽化”，具體過程也是構建“標簽體系”的過程。一般基于用戶的屬性數據、行為數據、偏好數據等，構建用戶不同的標簽體系，實現網絡負面情緒群體相關數據的標簽化。再次，通過構建知識圖譜，實現用戶各類“標簽”之間的關聯。單獨的“標簽”通過知識圖譜相互關聯，從而對用戶情況進行多維分析。最后，運用系列可視化工具，對用戶畫像進行可視化?？梢暬菍⒂脩舢嬒襁M行實際運用的最后步驟，也是實現用戶畫像運用的重要手段。

在數據驅動背景下，網絡負面情緒群體用戶畫像主要具有可迭代性、實時性與聚類性三大特征?？傻灾傅氖蔷W絡用戶的發文、轉發、評論行為中，產生的動態性和交互性特征。實時性指的是網絡用戶在不同時間點可能會發生偏好轉變的情況，即便是針對同一主題，用戶的偏好程度也有所不同。聚類性指的是用戶與用戶之間雖然存在基本屬性和行為偏好等不同，但仍然存在一定的共性，能夠實現群體化聚類的特點。

二、基于生命周期模型的網絡負面情緒群體用戶畫像構建過程

（一）總體框架

信息生命周期是指信息從出現到使用最后到老化消亡的動態、循環過程，該過程一般伴隨價值形成與不斷增值[19]。網絡負面情緒也存在一定的生命周期，以此為基礎構建網絡負面情緒群體用戶畫像既有理論深意更有實踐需求?；谏芷诘木W絡負面情緒群體用戶畫像構建，主要包括如下過程：基于生命周期的網絡負面情緒測算，以此為基礎進行用戶活躍度排序，實現網絡負面情緒群體用戶畫像模型構建；根據構建的用戶畫像模型，結合平臺數據鎖定目標用戶群；結合標簽體系對用戶畫像進行分析。具體過程如圖2 所示。

圖2 數據畫像構建總體框架

（二）用戶數據畫像建模

基于生命周期理論，構建網絡負面情緒傳播過程中的用戶模型，如圖3 所示。根據箭頭了解整個用戶的數據走向，把平臺用戶的全部數據導入模型中進行分析。這里使用到了COX 生存分析的算法，可以幫助我們分析用戶的生存時間，進而得到平臺全部用戶的生命周期分布。

圖3 基于生命周期模型的網絡負面情緒群體用戶畫像模型構建

1.網絡負面情緒群體生命周期測算

（1）多源異構數據收集與融合

網絡大數據是包括微博、網絡論壇、微信、微視頻等平臺中體現民眾觀點與態度的系列數據，不僅包括文本、圖片、音視頻等生產內容數據，還包括關注、轉發、點贊、分享等行為數據[20]。除了具有海量、多源異構、低密度等大數據一般特征外，還呈現出多維、多層復雜關聯性、實時交互性和強大描述性等特征?；诖?，針對某一主題，運用Python 進行編程，對微博、網絡論壇、微信、微視頻等平臺中相關主題信息進行搜集，實現多源異構網絡大數據的收集與整理。收集后的數據在結構、標準等方面存在較大差異，因此需要對多源異構大數據進行融合與集成，以進一步進行數據處理?？梢越梃bDasarathy 信息融合模型[21]，從數據層融合、語義層融合以及服務層融合實現大數據的融合，實現多源異構數據的標準性與統一性[22]。

（2）基于COX 模型的生命周期測算

COX 模型，又稱作比例危險度模型（Proportionla Hazard Model）,是英國統計學家D R Cox 在1972 年提出的關于生存分析的重要模型，能夠分析不同自變量對生存時間的影響，根據危險因素的影響可預測生存率。應用于本文，COX 模型可以用來預測網絡負面情緒傳播的周期和爆發情況。

2.用戶活躍程度排序。結合網絡負面情緒生命周期預測情況，對處于爆發階段的情緒狀態進行計算、排序與預測，從而對處于爆發階段的群體進行精準預警，并分析網絡負面情緒爆發階段不同用戶的活躍程度。具體操作如下：

（1）負面情緒計算與排序。首先進行負面情緒分析，通過將網絡中民眾情緒分為正面情感、負面情感和中立情感，借鑒Shen 等提出中文網絡情感框架模型，通過構建態度詞典、權重詞典、否定詞典、程度詞典和鏈接詞詞典來計算網絡情感強度[23]。其次，進行負面情緒計算。根據Aging Theory 主題生命周期模型[24]，一般將事件發展映射為能量值表示當前狀態以及預測可能處于的生命狀態。能力值的延續，需要依托營養素的補充[25]。負面情緒營養素計算式，需要考慮用戶影響力情況，而網絡中這種影響力可以通過轉發和評論行為來體現[26]。最終，通過情感、用戶影響力以及訓練好的模型實現負面情緒計算，并對其進行排序。

（2）負面情緒預警。情緒狀態應包括構建預警模式庫以及負面情緒可視化兩部分。預警模式庫通過預先定義負面情緒預警模式，對當前負面情緒進行全方面分析，進而啟動相應預警模式。通過與預警符號與各種顏色，強化當前負面情緒預警的不同狀態。參考國際慣例與網絡負面情緒的實際情況，可以將負面情緒預警分為初級預警（四級）、中級預警（三級）、高級預警（高級）與特級預警（一級），分別使用藍色、黃色、橙色與紅色對應表示，如圖4 所示。

圖4 負面情緒預警等級示意圖

（3）負面情緒預警用戶活躍度排序

聚類是常見的數據挖掘方法，兩步聚類可自動確定最佳類別數量。通過兩步聚類分別對直接在網絡發布相關信息用戶，以及通過評論參與討論用戶進行聚類分析，得到直接發布網絡信息用戶和通過評論參與討論該主題用戶的特征[27]。根據聚類后的結果，對原始網絡信息用戶的平均等級、關注數以及平均信息數計算該用戶在以往實踐中的平均活躍度，計算方法見公式（1），并以此為基礎對不用用戶活躍度進行排列。

其中，Xti表示第i 類原始網絡用戶平均活躍度。Ati表示第i 類原始網絡用戶的平均等級，Atmax表示原始網絡用戶的最高平均等級。Bti表示第i 類原始網絡用戶的平均關注數，表示第i 類原始網絡用戶最高平均關注數。表示第i 類原始網絡用戶的平均信息總數，Ctmax表示原始網絡用戶的最高平均信息總數。

3.用戶活躍度數據畫像模型?；谏鲜鲇嬎?，可以構建多層面用戶畫像。一般來說，我們關注總體情況與極端情況，因此本部分主要解決總體用戶畫像、高活躍度用戶畫像與低活躍度用戶畫像。

（1）總體用戶標簽體系。用戶畫像的本質是用戶信息標簽化，主要通過用戶社會屬性、行為習慣、偏好特征等對用戶特征進行刻畫，從而進行分析統計。按照用戶畫像數據標簽體系，借鑒趙宏田關于數據畫像標簽的研究成果[28]，本文主要從用戶屬性維度、用戶行為維度與社交屬性維度構建排名后的微博用戶標簽體系。其中，用戶屬性維度是數據畫像的基礎，主要包括用戶的年齡、性別、注冊時間、注冊狀態、城市、活躍登錄地點等。用戶行為維度，主要通過用戶行為挖掘主要偏好與特征，主要包括發文、轉發、點贊、評論、高頻活躍時間段等行為。社交屬性維度，是用于了解用戶社交關系、偏好等方面內容，主要包括活躍時間、活躍地點、關注人數、粉絲人數、文章被轉載次數等。

（2）高（低）活躍度用戶畫像。不同活躍度用戶的畫像選取標簽的維度都是相同的，只是不同標簽的數值有所差異，因此本文統一對兩種極端活躍度用戶畫像的標簽維度進行描述。主要使用年齡、性別、學歷、行為等對其進行描述。年齡、性別、學歷等基本信息描述用戶的基本屬性特征，并以此為基礎確定目標用戶群體。行為維度主要描述網絡平臺用戶發帖數量、轉發數量、評論、被轉發數量等行為，并以此判斷不同活躍度用戶的行為特征，并以此預測該用戶對網絡負面情緒的影響情況。

（三）目標用戶群鎖定

基于用戶活躍度畫像建模，運用Python 爬取各類網絡平臺用戶數據，并將這些數據與數據畫像模型相關聯，運用大數據分析方法鎖定目標用戶群。本文將場景設置為微博平臺用戶負面情緒的傳播，研究的目標是提前預測負面情緒爆發。因此，處于負面情緒爆發邊界的用戶才是目標群體。

（四）用戶畫像分析

鎖定目標微博用戶后，需要通過分析用戶數據畫像、了解用戶行為特征，從而制定具有針對性的負面情緒治理措施。首先，分析各標簽的分布情況，主要對不同活躍度用戶的年齡、性別、學歷以及行為（發文、轉發、評論等）進行分析，通過模型輸出，可以獲取目標微博用戶群的畫像特征。其次，基于上述分析的目標微博用戶數據畫像特征，給出網絡負面情緒管理的相關信息，如用戶的性別、年齡決定了管理策略與溝通的方式；轉發時間、評論次數、發文數量決定了介入時機。

三、網絡負面情緒群體用戶畫像的應用

基于生命周期模型的用戶畫像構建，能夠發現并預測負面情緒用戶的動態，及時干預和處理，在網絡安全治理和輿情管控上具有突出的現實意義。

（一）網絡負面情緒精準監控

本文將用戶畫像應用于網絡負面情緒用戶精準鎖定中，構成對網絡負面情緒用戶動態興趣的識別，以及對其需求的預測。結合用戶畫像，通過碎片化挖掘、語義化概述、關聯化銜接對網絡資源進行處理，深入掌握網絡負面情緒群體特征，從而實現網絡負面情緒群體用戶畫像與網絡資源語義標簽相關聯、相映射。①建立實時監測機制：通過對用戶畫像進行分析與挖掘，實時跟蹤和分析社交媒體上的用戶行為和情緒。政府和相關機構可以建立強大的實時社交媒體監測系統。②預測用戶情緒發展。分析用戶的群體行為，將用戶行為標簽化，通過與其他數據的結合分析來提供客觀評價與預測群體情緒發展趨勢。③及時進行內容投放。對于預測需要治理的負面情緒群體，針對核心用戶采取個性化的精準服務，有效實現精準治理。

（二）負面情緒用戶的精準鎖定

網絡負面情緒群體的用戶畫像構建，有利于實現對用戶的個性化與精準化的管理與情緒引導的目的。網絡平臺與政府能夠實現精準鎖定，識別潛在風險。①個性化干預：基于用戶畫像的情緒識別，政府可以制定個性化的情緒引導策略。根據不同群體的情感特點，為其提供適當的情緒引導和干預措施。政府可以通過社交媒體、官方網站等渠道向公眾提供情感疏導信息，包括積極情緒的培養、減輕壓力的方法等。②提供心理健康支持：負面情緒對個體的心理健康有一定影響。政府可以建立心理健康支持計劃，通過線上或線下方式為受到負面情緒影響的群體提供專業心理輔導。用戶畫像分析可以幫助政府更準確地識別出受情緒困擾的群體，有針對性地提供幫助。③建立情感表達平臺：政府可以鼓勵公眾利用情感表達平臺，以多種方式來宣泄情緒，為公眾提供一個安全、積極的情感表達空間，減輕壓力和情緒不良。

（三）輔助網絡輿情管理決策

通過對用戶畫像的綜合分析，政府可以更準確地捕捉到負面情緒的迅速蔓延，為有效的輿論管理提供便利。①強化信息辟謠：在負面情緒傳播的背景下，政府應采取積極措施來應對虛假信息和不實傳聞。通過用戶畫像分析，政府可以更好地了解公眾關心的問題，迅速提供真實、準確的信息來消除不實傳聞，減少恐慌情緒。②設立專門反饋渠道：政府可以建立專門的反饋渠道，接受公眾關于負面情緒的反饋。借助用戶畫像分析，政府可以深入了解公眾對特定事件或問題的情緒反應和需求。這些反饋可以幫助政府更好地理解公眾的擔憂，并針對性地制定合適的信息傳播和干預策略。③快速消除負面影響：對業已形成的大范圍負面輿論，既可以通過用戶畫像建構，精準識別負面情緒的癥結并消除影響，又可以借助網絡平臺和社交媒體交互性傳遞真實有效信息。

總之，具體的負面情緒群體用戶畫像，與以人為本的治理理念、以用戶為中心的服務理念結合，使得實踐決策有據可依，為下一階段的工作提供指導，為社會的信息服務發展提供科學決策。