程秀峰　张梦圆　丁芬　陆颖颖

摘要：[目的/意义]对开发者社区中意见领袖行为数据进行分析，解释这些特征值对其他用户行为的影响力，探究意见领袖影响力形成的原因，为提升该类社区用户参与度提供最佳实践路径。[方法/过程]依据社区的综合排名，筛选出意见领袖，将他们的特征分成3类（成就、互动、贡献），基于每类特征值对意见领袖进行聚类（权威型、新晋型、传播型），利用网络结构可视化方法揭示意见领袖的影响力要素，并从用户发展、平台建设及机构资源利用3个视角提供参考建议。[结果/结论]可以通过这种方式动态确定特征值分布对关键用户提升影响力的最佳路径。典型开发者社区中权威型意见领袖的粉丝数、原创数特征，传播型意见领袖的等级值、原创数特征，新晋型意见领袖的收藏数、码龄、博客数等特征，对用户学习意愿的影响较大。

关键词：开发者社区;意见领袖特征;影响力;用户学习意愿

DOI：10.3969/j.issn.1008-0821.2022.07.010

〔中图分类号〕G203〔文献标识码〕A〔文章编号〕1008-0821（2022）07-0114-11

Research on the Influence of Characteristic Values of

Opinion Leaders in Developer CommunityCheng XiufengZhang MengyuanDing FenLu Yingying

（School of Information Management，Central China Normal University，Wuhan 430079，China）

Abstract：[Purpose/Significance]Analyzing the behavior data of opinion leaders in the developer community，explaining the influence of behavioral characteristics values on other users' behaviors，exploring the reasons for the formation of opinion leaders' influence，and providing the best practice path for improving user participation in such communities.[Method/Process]Firstly，opinion leaders were selected according to the comprehensive ranking of the community.Then，the characteristics were classified into three categories（achievement，interaction and contribution）;Then，the opinion leaders were clustered based on the values of each category（authoritative，upstart，dissemination）.Finally，the network structure visualization method was used to reveal the influence factors of opinion leaders，and suggestions were provided from the perspectives of user development，platform construction and institutional resource utilization.[Result/Conclusion]In this way，the optimal path of eigenvalue distribution to enhance the influence of key users can be determined dynamically.In the typical developer community，the characteristics of authoritative opinion leaders' number of fans and originality，the grade value and originality of communication opinion leaders，and the collection number，code age and blog number of newly emerging opinion leaders have a great influence on users' learning intention.

Key words：developer community;characteristics of opinion leaders;influence;user's learning intention

隨着互联网特别是Web2.0技术的迅速发展，技术社区（Technology Communities，或称为开发者社区、技术问答社区等）已成为技术知识交流和技术成果共享的重要平台[1]。

从知识交流角度看，技术知识的交流方式一直在变化。从传统的交流方式（如专利、文献、会议、咨询），到以信息为中心的集中发布方式（如科技网站、技术论坛、产品知识库），再到以用户为中心的协同传播方式。可以看出，这种交流的模式正逐渐向网络化、扁平化、去中心化方向演变[2]。在软件开发领域，开发者社区（Developer Communities）已成为开发者之间交流的主要渠道，它类似于社交平台，但其交流内容的专业性、交流方式的规范性、交流功能的多样性，往往要比一般社交平台更加丰富[3]。B6237AF0-8D99-4A16-BA51-8F0507032B41

从信息传播角度看，开发者社区作为一种典型技术社区，其知识资源集中在“主要贡献者”上，这些贡献者在现实中可能是领域专家，但更多的则是对某项技术十分精通，且仅在该项技术领域享有一定声望的用户。这些用户往往成为相应社交网络中的重要节点[4]。具体表现为：对大众传播的接触频度高、影响力强、信赖者多等。因此，传播学将这些贡献者定义为“意见领袖”（Opinion Leaders）[5]。意见领袖在开发者社区中扮演着不可忽视的“中介”作用，可以使社区用户参与程度增加，从而增强整体社区活力[6]。有研究发现，开发者社区中用户参与项目合作的意愿不仅受项目内容、用户期望等主观因素影响，也会受到其关注主体的特征的影响[7-8]。例如，一个码龄超过10年、粉丝上万、每日更新的开发者，往往会赢得更多的关注，其项目也会有更多人参与。

从文献分析中可以看出，国内外对开发者社区的专门研究正在增多，而专门针对社区中用户特征的影响力研究较少，且多是分散于知识（问答）社区[9-10]、社交网络[11]或是特定行为特征的研究。另外，由于每个平台的功能设置不尽相同，对宏观观察用户特征的影响力也造成了一定偏差。总之，研究开发者社区中特征的影响力，可以帮助相关平台深入了解用户兴趣点，增加社区资源的有效流动，为该社区发展提供借鉴。本文选取国内最大的开发者社区CSDN为研究对象，对该社区的用户特征进行分类，再利用无监督聚类算法确定该社区中存在的意见领袖类型及特点，随后分析不同类型意见领袖的特征值对用户学习意愿的影响力，并结合可视化的网络结构，分析出提升意见领袖影响力的路径，并为该类社区的平台建设与相关机构的资源利用提供一定的参考。

1相关研究

1.1开发者社区

典型的开发者社区是软件开发人员进行代码共享、知识交流的开放式平台，主要由代码托管网站发展而来。目前，国外主要平台有GitHub、GitLab、BitBucket、SourceForge等[12];国内的平台主要包括CSDN、码云（gitee.com）等。除了基本的社交功能外，它们还具备代码托管、协同开发等一系列技术性交互功能。因此，其行为特征属性极为丰富，例如，Commit（提交/上传次数）、Fork（分支数）、Issue（问题讨论数）等。对该类社区的研究主要落脚在信息内容[13]、网络结构[14]以及用户行为研究等方面。其中，用户行为研究主要揭示行为特征与行为规律，分析用户影响力等。比如，Yan D C等[15]解释了开发者的活动在社区中满足长尾效应;Yu Y等[16]对GitHub的关注网络进行分析，发现了独立、群体、星型、中心这4种社交行为模式，从而帮助平台管理者设计相应的辅助功能。可见，该类研究主要集中于用户的行为模式、行为规律挖掘，缺乏对关键节点特征属性的影响力的量化分析。

1.2用户群体聚类研究

对社区中的用户进行聚类，分析不同群体的特征，是用户行为研究的常用方法。然而，其中大多数聚类对象均是普通社交平台，例如主题模型聚类[17-18]，利用各种聚类算法进行推荐、比较聚类算法的性能等。K-means算法本身具有优化迭代的能力，有助于减少在样本量少的情况下聚类的不准确性，因此得到了广泛的应用[19]。另外，也有少量研究利用EM聚类算法[20]、超网络谱聚类算法[21]等，更适合企业级大规模群体聚类。开发者社区中的意见领袖属于小样本群体，无监督的K-means聚类算法依然适合基于特征值的个体归类。

1.3意见领袖特征影响力研究

“意见领袖”一词源于市场营销学中的两级传播理论（Two-step Flow of Communication）[22]。通常指社交网络中对他人施加影响的“活跃因子”。有研究表明，在传统社交网络中，意见领袖的影响力有一定的差异性[23]，但除了主观因素，还有哪些因素导致这些差异性？在开发者社区中，大部分的用户关注集中于项目和代码而非用户[3]，但是意见领袖本身特征对他们的影响是否存在？影响程度又如何细分？相关研究并不多见。

在意见领袖特征影响力研究方面，主要用到层次分析法[24]和回归分析法[25]。由于前者带有一定主观性，而后者通过统计模型来观察变量之间的影响程度，分析过程更具客观性和可量化性。因此，本文将采用回归分析法来探究意见领袖特征对其他用户学习意愿的影响力。

2分析过程

2.1数据采集与整理

开发者社区的用户排名通常能够反映用户的活跃性与重要程度。考虑到数据的代表性与多元化，本文综合采用CSDN中总排名、周排名、全站综合热榜、领域内容榜、热门专栏榜、历史贡献榜中的用户，采集这些用户的码龄、原创数、访问数、等级值、粉丝数、点赞数、评论數、收藏数、博客数以及关注信息。在过滤重复榜单用户后，最终得到907名用户，将其视为意见领袖。数据采集时间为2021年9月16日—17日。

2.2特征属性分类

笔者对上述意见领袖的特征值进行主成分分析，其结果中显著性（0.000<0.05）与KMO（0.745>0.7）表明该分析具有显著性与有效性。分析结果将9个特征分为3个主成分，图1中数值代表每个特征与3个主成分的相关程度，各个特征选择最高数值所对应的主成分作为其成员，且同一主成分中的特征之间具有高度相关性，但与其他主成分中的特征互为独立。

随后，通过以上分析，并结合前人对网络用户的特征划分的语义说明[26]，本文将意见领袖的特征分为3类（成就类、互动类、贡献类）。其分类具体描述如表1所示。

其中，“成就”类特征在一定程度上反映了意见领袖文章的价值以及在社区中取得的成果，本文用等级值、码龄与访问数来衡量;“互动”类特征体现的是意见领袖与其他用户的交互情况，由获赞数、收藏数、评论数与粉丝数来衡量;“贡献”类特征反映的是意见领袖为社区提供与传递知识、思想、文章等贡献内容，通过原创数与博客数来体现。B6237AF0-8D99-4A16-BA51-8F0507032B41

2.3意见领袖聚类

基于每种特征的具体数值对意见领袖进行K-means聚类，将意见领袖数据集记为X={x₁，x₂，x₃，…，x₉₀₇}，将意见领袖特征集记为A={a₁，a₂，a₃，…，a₉}，则第n名意见领袖的特征向量为X_n=（a_n1，a_n2，a_n3，…，a_n9），其中a_n1表示第n名意见领袖的第1个特征的值。现将数据集X拟聚为K个类别，具体过程如下：表1意见领袖类别、特征及描述

社区特征类别特征特征描述CSDN成就类等级值意见领袖通过其成果获得的数值码龄意见领袖在平台中持续时间访问数反映用户对意见领袖文章的学习意愿与吸引力互动类获赞数反映用户对意见领袖文章的认可收藏数反映用户对意见领袖文章的认可评论数反映用户对意见领袖文章的交互情况粉丝数反映意见领袖的受欢迎程度贡献类原创数意见领袖的原创文章数量博客数意见领袖的所有文章累积数量

这里利用肘部法来确定聚类中心数K，根据图2中SSE（误差平均和）肘部图可看出，K取值为3时出现拐点，则确定最终的聚类数目为3。其聚类结果如表2所示。

依据表2中聚类结果来确定意见领袖的类型。虽然簇1内意见领袖的贡献类均值居中，但其成就类（等级值、访问数）与互动类均值远大于簇2与簇3，表明簇1内意见领袖的相关成果得到了广泛用户的喜爱与认可。因此，将这类意见领袖归类为“权威型”;簇2内意见领袖的成就类、互动类、贡献类均值均远低于簇1与簇3，但其原创率比较高，与簇1相对持平，这说明簇2内意见领袖在社区中深造时间不长，还未被用户广泛关注，因此，将这类意见领袖归类为“新晋型”;簇3内意见领袖的成就类与互动类均值居中，但贡献类均值最高，且原创率最低，这说明簇3内意见领袖更热衷于在社区中转载他人文章与资源，更倾向于依靠传播来获得更多访问数、获赞数等数值，以提升影响力，因此，将这类意见领袖归类为“传播型”。意见领袖类型的具体定义说明如表3所示。

根据表2互动类特征与表3定义可知，权威型与传播型这两类意见领袖吸引了大部分用户的关注，

这一现象不仅与意见领袖文章质量相关，还可以推断出大多数用户在选择学习资源时会倾向于跟随他人，这也是“主观规范”的体现[3]。

2.4意见领袖特征对用户学习意愿的影响力分析

为用户贡献开放的学习资源，是开发者社区的设立本意。意见领袖是该社区的主要活跃节点，其特征屬性对其他用户具有吸引力，可以看做其他用户学习其所贡献的资源，参与其项目的重要影响因素。分析不同类型意见领袖特征对用户学习意愿的影响程度，为提升该类社区中意见领袖影响力提供针对性依据。有研究[27]表明，用户的浏览行为是反映用户兴趣偏好及学习意愿的隐式反馈。由于开发者社区中文章的标题往往能够向用户直观地传达文章的核心内容，若用户对其产生继续学习的意愿，则会“点击”该文章（即增加了“访问数”），并且用户的“浏览”行为是产生“点赞”“评论”“收藏”等其他行为的前提。因此，笔者选取特征中“访问数”来表征其他用户学习博文的意愿，并通过回归分析法，来深入挖掘不同类型意见领袖的不同特征类型对用户的影响。

1）分析方法的选择

回归分析法要求变量间不存在多重共线性，否则将导致回归模型缺乏稳定性。逐步回归法是解决此问题的常用方法，它将变量逐个引入模型进行检验，最后剔除引起多重共线性的变量以优化模型。但在本研究中，权威型意见领袖的样本数（7个）小于变量个数（9个），不满足逐步回归法的适用条件，为解决此特殊情况，笔者引入偏最小二乘回归法，且该方法能有效克服变量间的多重共线性问题[28]。除此之外，根据新晋型、传播型意见领袖的样本数据的分布情况，如图3、图4所示，若构建偏最小二乘回归模型，会剔除椭圆外数据，这样可能会失去一些有效结果。综上，笔者将采用逐步回归法分析新晋型与传播型意见领袖的特征的影响力，采用偏最小二乘回归法分析权威型意见领袖的特征的影响力。

2）分析过程

首先，笔者采用逐步回归法分别分析新晋型、传播型意见领袖的特征值对用户学习意愿的影响，该分析只保留了显著性变量，其结果如表4所示。

在表4中，根据各变量的VIF值（<10）可知，该模型有效解决了变量间的多重共线性问题;根据DW（接近2）可知模型不存在残差自相关，即该模型不存在遗漏变量。因此，该分析结果具有统计学意义。

然后，笔者借助SIMCA对权威型意见领袖的样本数据构建偏最小二乘回归模型。其分析结果如表5所示。根据R²X、R²Y、Q²可知该模型可靠性强、预测能力较好。

通过偏最小二乘回归法对权威型意见领袖的样本数据进行特异点检测，如图5所示，所有样本点都均匀分布在T²椭圆图内，即样本质量得到了保证。

3）分析结果

综合表4、表5中Beta值，将结果绘制成如图6所示的雷达图，以更直观地比较分析3类意见领袖的不同特征对用户学习意愿的影响程度，这里统一将不显著变量的系数记为0。

图6中的数字代表3类意见领袖各个特征的Beta值，记该值的绝对值为B=Beta，则B值越大，表明该特征的变化对用户的学习意愿具有更显著的影响（当Beta值为正数时，则为正向影响;当Beta值为负数时，则为负向影响）。对于“等级值”特征，传播型意见领袖的B值最大（0.286）;对于“博客数”特征，新晋型意见领袖的B值最大（0.258）;对于“原创数”特征，权威型意见领袖的Beta值为正数（0.235），传播型意见领袖的Beta值为负数（-0.168）;对于“粉丝数”特征，权威型意见领袖的B值最大（0.275）;对于“收藏数”特征，新晋型意见领袖的B值最大（0.190）;对于“码龄”特征，新晋型意见领袖的B值最大（0.125）;而对于“评论数、获赞数”特征，3类意见领袖的B值均为0，则表明这两个特征对用户的学习意愿没有显著的影响。B6237AF0-8D99-4A16-BA51-8F0507032B41

由图6可知，对于权威型意见领袖而言，其互动类（粉丝数）（Beta=0.275）、贡献类（原创数）（Beta=0.235）的变化对用户的学习意愿具有更显著的正向影响，这表明，用户更加关注与认可权威型意见领袖的原创文章中所呈现的知识与思想，这一现象与Agrawal J等[29]得出的“用户更倾向于信任专家所产出的内容”一致。对于新晋型意见领袖而言，成就类（码龄）（Beta=0.125）、贡献类（博客数）（Beta=0.258）、互动类（收藏数）（Beta=0.190）对用户的学习意愿具有更显著的正向影响，这表明，对于关注度不高的新晋型意见领袖而言，用户更倾向于关注深造时间长、产出成果数量多且认可程度高的新晋型意见领袖的文章与资源，这一现象可以被卢恒等[26]得出的“用户留存在社区中的时间越长，知识的贡献程度越大，越容易吸引更多其他用户的关注”所解释。对于传播型意见领袖而言，成就类（等级值）（Beta=0.286）特征对用户的学习意愿呈现更显著的正向影响，而贡献类（原创数）（Beta=-0.168）特征对用户的学习意愿具有更显著的负向影响，这意味着，传播型意见领袖的等级值越大，越能激发用户的学习意愿。此外，传播型意见领袖的原创数越高，越不容易激发用户的学习意愿，即用户更倾向于浏览传播型意见领袖的转载文章，这是因为经过转载的文章大多经过了用户的主观过滤，其内容和价值被主观认可，从而使得客观可信度更高，这一现象与Keib K等[30]得出的“被转发的推文内容往往具有重要价值”一致。

2.5社会网络分析

LeaderRank算法是Lü L等[31]基于PageRank算法提出的，用于探测社交网络中节点的重要性，具有更快的收敛性，更强的鲁棒性，能更准确地识别出网络中具有影响力的节点。因此，笔者采用LeaderRank算法探测3类意见领袖在社交网络中的相对重要程度，观察其在网络中呈现的特点，并识别意见领袖影响力的形成原因，为发现意见领袖影响力提升的路径提供参考。

在本研究907个样本中，共有198名意见领袖之间不存在关注关系，因此去除他们的关注链接，最终得到有效节点709个，把这些意见领袖编号，将其视为关注关系网络中的节点。计算每名意见领袖的LR值。然后利用Gephi工具中的Force Altas（力引导算法）对网络关系进行重构，使“重力”（相对重要程度）大的节点向中心聚拢，使每个节点处于相对平衡状态，最终形成的关系网络的可视化形式，如图7所示。

图7中，红色代表权威型意见领袖、蓝色代表传播型意见领袖、橙色代表新晋型意见领袖。节点大小对应意见领袖的LR值，節点大小越大，表示其LR值越大，即影响力越大。边的3种颜色代表意见领袖的关注目标情况，例如，红色的边表示意见领袖的关注目标为权威型意见领袖。由图7可得以下结论：

1）在开发者社区中，只有少部分意见领袖在一定领域中具有重要影响力，且高影响力的意见领袖集中于权威型意见领袖、少部分传播型意见领袖以及个别新晋型意见领袖中，这一现象也是帕累托定律在人才分配中的体现。

2）3类意见领袖关注各自类型的比例更大，比如权威型意见领袖关注权威型意见领袖的比例更大，这说明不同类型的意见领袖具有各自的关注网或“朋友圈”，他们在各自的关注网中学习与获取相关资料。

3）具有密切关注关系的意见领袖在图中集中分布，因此可得出高影响力的意见领袖之间存在密切关注关系，而低影响力的意见领袖很少关注高影响力的意见领袖。此外，传播型意见领袖更倾向于关注高影响力的意见领袖，这表明，意见领袖不仅需要提高其原创资源的质量，还需要重点关注高影响力的意见领袖文章。

3意义与启示

3.1用户发展视角

根据文中第2部分的分析，3种类型的意见领袖特征对用户学习意愿的影响程度有所不同，因此，可为每类意见领袖提供具有针对性的提升其影响力的策略。

1）权威型意见领袖：挖掘前沿知识领域，打造自身“品牌”特色

由于权威型意见领袖的贡献类（原创数）及互动类（粉丝数）特征对用户的学习意愿具有更显著的影响，因此，该类意见领袖应该将重心放在原创数与粉丝数这两个特征的提升上。首先，该类意见领袖在一定领域中拥有其独特见解与领悟，用户更倾向于从他们的文章中获取和自身知识需求相近的技术性资源。因此，以敏锐的洞察力来捕捉技术领域中的前沿思想与动态，以专业的视角来挖掘开发者社区中潜在的知识与方法，以创新的思维来预测未来技术发展的趋势与新格局，是权威型意见领袖的核心任务。其次，帮助用户解决有针对性的技术问题，形成良好的社区生态，是开发者社区的一贯目标。这意味着权威型意见领袖应该明确自身吸引用户关注的特点，从自身影响力优势出发，专注技术内容质量，形成“品牌”效应，为用户及其他意见领袖的学习和研究提供启发性思维与指引性技术参考是其重要标准。最后，该类意见领袖可结合自身技术特色，将同类型的解答以知识总结的形式汇集成“知识库”，并积极推广。例如通过公众号、小程序等，吸引更多用户的关注，从而提升影响力。

2）传播型意见领袖：促进知识高效流通，增强互动交流

由于传播型意见领袖的成就类（等级值）特征对图7意见领袖关系网络图

用户的学习意愿具有更显著的正向影响，而贡献类（原创数）特征对用户的学习意愿具有更显著的负向影响。因此，对这两类特征的调节，是该类意见领袖提升其影响力的关键。一方面，该类意见领袖可延续自身特点，坚持传播优秀文章，增加转载过滤质量，从而提高资源的曝光率与采纳率，加速社区的知识流通;另一方面，根据CSDN社区中有关等级值的介绍，除了发布原创文章外，与其他用户在评论区互动交流等行为也可增加等级值。开发者社区中的评论信息在一定程度上反映了文章的质量及创作者水平，对于权威性不太高的意见领袖，用户往往通过浏览其文章的评论信息来判断其水平。因此，该类意见领袖可在评论区多与用户进行互动交流，耐心回复评论区中用户反馈的信息，了解用户的真实需求。B6237AF0-8D99-4A16-BA51-8F0507032B41

3）新晋型意见领袖：打破“封闭”关注圈，扩充知识储备

由于新晋型意见领袖的成就类（码龄）、互动类（收藏数）、贡献类（博客数）特征对用户的学习意愿具有更显著的正向影响。因此，作为未被用户广泛关注的新晋型意见领袖而言，需要坚持学习相关知识，夯实理论基础，丰富实践经验，扩充知识储备，为创作高质量的文章奠定基础。有研究发现，内容结构越清晰、情感倾向越积极的文章，越能获得用户的认可与关注，据此，新晋型意见领袖可以重点增强文章结构的严谨性，以提升创作质量。此外，该类意见领袖需打破“封闭”关注圈，多关注高影响力意见领袖的文章与资源，掌握权威性文章的创作精髓，还可转发优秀资源，从而在短时间内提升影响力。

3.2平台建设视角

相较于一般的网络社交平台，开发者社区平台的社交功能偏重于技术交流。因此，分析不同类型重要用户的行为特征的影响力，可为平台建设提供有价值的参考信息。由前文分析可知，平台中资源的共享模式主要有两种：一是高影响力用户的原创资源的直接共享，这种模式在技术交流中扮演着核心传播角色;二是中低影响力用户的转载资源的间接共享，这种模式在技术交流中扮演着辅助传播角色。因此，对于其所代表的不同价值传播链，可以采取不同的资源优化策略。例如，平台服务商可以针对不同的传播链，构建多样化的激励机制，设计互动性、趣味性的交流策略，比如针对不同人群设置知识竞赛等活动，并结合评价指标，对优质用户给予一定奖励。此外，用户间的互助性奖励，例如“打赏”“有偿咨询”等，也可以提高社区活跃度，促进知识生产。总之，如果平台服务商能够掌握优质用户的传播特征，则可以提供个性化的知识服务，包括开展专题研讨、专题竞赛、专家交流等活动，更可以基于用户兴趣为其推荐专家列表与资源列表，辅以知识图谱等方式呈现给用户，从而提升用户粘性与归属感。

3.3机构资源利用视角

开发者社区中蕴含着丰富的知识资源，同样蕴藏着专业性人才和智力资源，从教育机构、科研机构及企业的视角来看，这些资源都是可以加以组织和利用的。第一，从机构对网络资源的管理和利用的角度来看，根据属性特征，对社区中的核心用户进行分类，将其创造的知识线性化、网格化、标签化，这些措施均可以促进知识交流的规范性和完整性。第二，从机构自身知识获取角度来看，可以基于行为分析的手段，梳理知识传播链条，针对不同知识链条获取机构自身所需要的技术性资源，这对构建完善的机构知识库具有重要意义。第三，从机构人才战略角度来看，企业、高校等可更多关注具有高影响力的用户，将其视为人才储备，也可以在社区中提供项目需求，辅以一定的奖励条件，吸引这些用户参与机构建设。从长远来看，开发者社区中的人才和知识资源是为机构增加智力价值、实现其人才发展战略的有利保障。

4结语

社交网络中，核心用户影响力形成的原因往往是多方面的，而其中一方面便是用户本身特征值对于其他用户的吸引力。本文以此为出发点，利用定量方法分析开发者社区中意见领袖的各类特征属性对其他用户的影响力，并从传播学角度阐述这种吸引力的类型、特点和作用。在属性分类及用户聚类的基础上，定量分析了CSDN的意见领袖的每种类型的特征属性的影响程度。基于分析结果，结合社会网络分析观察意见领袖在网络中呈现的特点，从用户发展、平台建设、机构资源利用3个角度，阐述了在开发者社区中挖掘用户行为的价值和意义。

本研究仍存在一定的局限性与不足，主要表现在以下两点：第一，仅以CSDN数据为研究样本，缺乏开发者社区的全样本分析;第二，开发者社区区别于其他传统网络资源的一个重要特点是包含了丰富的用户行为与关系，而本研究只分析了意見领袖的外部属性特征，未结合文章内容、评论信息等内部特征，对社区中知识的动态演化规律进行深入挖掘。后续研究可加入主题演化模型等文本挖掘技术，从内容层面进行影响力分析，从而得出更加丰富且深入的结论，为开发者社区构建更全面、更系统的知识共享机制。

参考文献

[1]李胜利，钟滢.中外技术问答社区的实证对比研究与启示——以CSDN和Stack Overflow为例[J].情报学报，2020，39（9）：989-1000.

[2]甘春梅，王伟军，田鹏.学术博客知识交流与共享心理诱因研究[J].中国图书馆学报，2012，38（3）：91-99.

[3]Cheng X，Zhang Z，Yang Y，et al.Open Collaboration Between Universities and Enterprises：A Case Study on GitHub[J].Internet Research，2020，30（4）：1251-1279.

[4]张宝生，张庆普.基于扎根理论的社会化问答社区用户知识贡献行为意向影响因素研究[J].情报学报，2018，37（10）：1034-1045.

[5]Venkatraman M P.Opinion Leaders，Adopters，and Communicative Adopters：A Role Analysis[J].Psychology and Marketing，1989，6（1）：51-68.

[6]查先进，张晋朝，严亚兰，等.网络信息行为研究现状及发展动态述评[J].中国图书馆学报，2014，40（4）：100-115.

[7]Chen S C，Yen D C，Hwang M I.Factors Influencing the Continuance Intention to the Usage of Web 2.0：An Empirical Study[J].Computers in Human Behavior，2012，28（3）：933-941.

[8]王楠，张士凯，赵雨柔，等.在线社区中领先用户特征对知识共享水平的影响研究——社会资本的中介作用[J].管理评论，2019，31（2）：82-93.B6237AF0-8D99-4A16-BA51-8F0507032B41

[9]李长玲，徐璐，范晴晴，等.基于引文网络的当采跨学科知识交流中间人识别——以图书情报领域为例[J/OL].情报理论与实践：1-15[2021-10-13].http：//kns.cnki.net/kcms/detail/11.1762.g3.20210823.1729.004.html.

[10]范文洁，邓卫华.电商用户及时性反馈行为特征及影响因素研究[J].农业图书情报，2019，31（11）：64-71.

[11]陈云伟.社会网络分析方法在情报分析中的应用研究[J].情报学报，2019，38（1）：21-28.

[12]前端小学生.除了GitHub，你还知道哪些免费源代码托管网站？[EB/OL].https：//zhuanlan.zhihu.com/p/43357962，2021-10-20.

[13]Barua A，Thomas S W，Hassan A E.What are Developers Talking About？An Analysis of Topics and Trends in Stack Overflow[J].Empirical Software Engineering，2014，19（3）：619-654.

[14]Ichimura T，Uemoto T.Analysis of the Social Community Based on the Network Growing Model in Open Source Software Community[C]//2015 IEEE 8th International Workshop on Computational Intelligence and Applications（IWCIA）.IEEE，2015：149-153.

[15]Yan D C，Wei Z W，Han X P，et al.Empirical Analysis on the Human Dynamics of Blogging Behavior on GitHub[J].Physica A：Statistical Mechanics and its Applications，2017，465：775-781.

[16]Yu Y，Yin G，Wang H，et al.Exploring the Patterns of Social Behavior in GitHub[C]//Proceedings of the 1st International Workshop on Crowd-based Software Development Methods and Technologies.ACM，2014：31-36.

[17]Qiu Z，Shen H.User Clustering in a Dynamic Social Network Topic Model for Short Text Streams[J].Information Sciences，2017，414：102-116.

[18]張涛，孙瑞英，李钟隽.中国舆情文献主题聚类及演化趋势研究（1998—2019年）[J].农业图书情报学报，2020，32（2）：14-21.

[19]Nezhad M M，Moghaddam M H Y，Asadi M.Joint Peak Clipping and Load Scheduling Based on User Behavior Monitoring in an IoT Platform[J].IEEE Systems Journal，2020，15（1）：1202-1213.

[20]Ren J，Wang Z，Xu M，et al.An EM-based User Clustering Method in Non-orthogonal Multiple Access[J].IEEE Transactions on Communications，2019，67（12）：8422-8434.

[21]席运江，杜蝶蝶，廖晓，等.基于超网络的企业微博用户聚类研究及特征分析[J].数据分析与知识发现，2020，4（8）：107-118.

[22]Katz E.The Two-Step Flow of Communication：An Up-To-Date Report on an Hypothesis[J].Public Opinion Quarterly，1957，21（1）：61-78.

[23]郭博，许昊迪，雷水旺.知乎平台用户影响力分析与关键意见领袖挖掘[J].图书情报工作，2018，62（20）：122-132.

[24]杨长春，王天允，叶施仁.微博意见领袖影响力评价指标体系研究——基于媒介影响力视角[J].情报杂志，2014，33（8）：178-183，202.

[25]马俊，周刚，许斌，等.基于个人属性特征的微博用户影响力分析[J].计算机应用研究，2013，30（8）：2483-2487.

[26]卢恒，张向先，吴雅威，等.专业虚拟社区用户知识贡献行为的多重动因及其效应研究[J/OL].图书馆建设：1-13[2021-10-26].http：//kns.cnki.net/kcms/detail/23.1331.g2.20210315.1207.013.html.

[27]刘洪伟，高鸿铭，陈丽，等.基于用户浏览行为的兴趣识别管理模型[J].数据分析与知识发现，2018，2（2）：74-85.

[28]王惠文.偏最小二乘回归方法及其应用[M].北京：国防工业出版社，1999：200-233.

[29]Agrawal J，Kamakura W A.The Economic Worth of Celebrity Endorsers：An Event Study Analysis[J].Journal of Marketing，1995，59（3）：56-62.

[30]Keib K，Himelboim I，Han J Y.Important Tweets Matter：Predicting Retweets in the# BlackLivesMatter Talk on Twitter[J].Computers in Human Behavior，2018，85：106-115.

[31]Lü L，Zhang Y C，Yeung C H，et al.Leaders in Social Networks，the Delicious Case[J].PLOS ONE，2011，6（6）：e21202.

（责任编辑：陈媛）B6237AF0-8D99-4A16-BA51-8F0507032B41