Weibo Repost Network

Wang Cheng-Jun edited this page Dec 19, 2016 · 1 revision

计算传播学是计算社会科学的重要分支。它主要关注人类传播行为的可计算性基础,以传播网络分析、传播文本挖掘、数据科学等为主要分析工具,(以非介入地方式)大规模地收集并分析人类传播行为数据,挖掘人类传播行为背后的模式和法则,分析模式背后的生成机制与基本原理,可以被广泛地应用于数据新闻和计算广告等场景,注重编程训练、数学建模、可计算思维。

Clone this wiki locally

Table of Contents

Weibo Repost Network

  • 寻找合适的用户样本库,暂时可以用大V用户代替,之后可以选择合适的方法进行采样

对于多个公共事件

  1. 从大V用户样本库中查找他们转发的相关事件的微博,看他们的引起的转发量,可以用来评价其影响力
    • 在一个公共事件中,假设一个大V只发布一条相关微博,则他的该条微博的转发门槛可以定义为:转发量/他的粉丝数量
      • 这样,可以计算所有大v的平均门槛
    • 对于多个公共事件,可以计算一个大V的平均转发门槛,
      • 这样说来,用一个大V的平均转发门槛来评价其影响力会不会更好?
        • 转发门槛其实表现了一个大v受他人影响的程度。评价其影响力还是采用hits算法比较合适。
          • 构建:人和事件的二模网络,以粉丝数量和转发量加权,采用hits算法计算。
  1. 研究事件的属性对转发门槛的影响——大V的平均转发门槛是否与事件的属性有关系?(而不仅仅决定于大V自身的影响力?)
    • 事件的属性的确会影响,所以可以对不同属性的事件来计算,分析其差异。

对于单个公共事件

  1. 研究单条微博转发路径中的引爆点
    • 建议选取典型的单条微博
  1. 研究整个事件传播路径中的引爆点?一个事件在不同的扩散程度之间有没有临界点,这些临界点与大V及其转发门槛是否有关系?
    • 计算每一天的大v平均转发门槛<threshold>_t&lt;/big&gt;</threshold>,勾勒它与当天转发量的关系。

构建一个大V之间互相关注的网络

  • 研究大V互相关注的网络中的静态属性等
    • 这个数据知微已经有了,可以哪来好好分析一下其网络结构特征,无标度、小世界等

数据分析

http://data.weibo.com/index/hotword?wid=1061508130000143672&wname=%E5%A4%A9%E6%B4%A5%E6%B8%AF%E7%88%86%E7%82%B8