低自我呈现社交媒体话题热度预测

李 山，沈 浩

(华东交通大学 经济管理学院，江西 南昌 330013)

0 引 言

近年来不断有文献证明机器学习的回归算法在社交媒体话题预测中的有效性[1,2]。这些研究大多针对微博这种高自我呈现的社交媒体平台的舆情趋势预测。这里的“自我呈现(self-presence)”是指个体试图控制他人对自己产生看法的程度[3]，对此Kaplan & Haenlein按照强度将社交媒体分为“高自我呈现”与“低自我呈现”两类。研究高自我呈现社交媒体的文献在定义话题热度的时候大多注重意见领袖因素，很少关注群体规模以及话题本身的类型在话题传播上的作用[1,4]，而在低自我呈现社交媒体平台上用户更多关注的是话题本身，而不会强调他人对自己的印象，并且偏重于对社会热点、政治经济类等客观的热点话题讨论[3]。

据此要问：①在高自我呈现社交媒体平台上话题热度预测方法，对低自我呈现平台是否具有同样的适用性？且哪种方法更优？②低自我呈现的社交媒体平台上群体特征对话题热度是否存在差异化的影响？为此，在现有的意见领袖维度的基础上，加入群体规模与话题类型的群体特征维度，构建预测指标，采用群体新增节点数作为话题热度值。利用机器学习回归算法来预测话题热度，以检视这些算法在低自我呈现社交媒体平台上是否一致有效，并得到效果最佳的预测模型。通过这一研究可以从平台、群体特征角度细化现有的舆情预测的相关理论，且为此提供预测方法选取的依据。……