◆张郅奕 朱 娟 李永莲

用户画像是指构建在系列数据基础之上的用户目标模型，是虚拟化的用户[1]；早期被用于产品设计领域，是对特定群体真实状况的描述，是有效刻画目标用户及其需求的有效工具[2]。随着互联网与大数据技术的发展，最初基于虚构视角的用户画像[3]逐渐向目标导向、角色视角、参与视角以及数据视角[4]转变。

现有用户画像的研究方法主要包括基于用户行为的方法、基于用户兴趣偏好的方法、基于用户主题的画像方法以及基于人格特性与用户情绪的方法[5]。其中基于用户兴趣偏好的方法是当前学界关注的热点，也符合网络负面情绪传播的情境特征。国内外学者就用户画像应用方法进行了大量研究，基于各类模型探讨用户兴趣和需求点，以提供更加精准的服务和问题解决方案。既有研究虽然提供了方法基础，但未关注时间等因素对用户兴趣以及关注度的影响，同时也缺少对情景兴趣的关注[6～9]。

网络负面情绪传播具有周期性[10]，学界早已从生命周期阶段研究网络传播，如冯湘君等将网络传播分为潜伏期、爆发期、后遗症期[11]；康伟将网络危机分为形成、发展、爆发以及消亡四个阶段[12]；夏雨禾将网络危机分为孕育期、传播期、高涨期与衰退期[13]。其本质就是不同时间、不同阶段对某类主体某一方面状态的描述与分析。可见，生命周期理论本质包含着时间要素与情景要素，而这可以弥补现有基于用户兴趣研究方法缺少时间、情景要素的不足。因此，本文尝试从生命周期视角对网络负面情绪群体用户画像构建进行研究，从时间、情景要素出发分析网络负面情绪传播周期与规律，并基于此探析网络负面情绪群体用户画像的构建过程与方法。

一、网络负面情绪群体用户画像的内涵与特征

网络负面情绪群体研究，是网络虚拟社群中的一部分。网络虚拟社群，是围绕相似兴趣、需求以及情感，依托于互联网，通过自媒体平台等实现社会化互动的、新型社会生活单位与数字化生存空间[14]。由于缺少社会约束，网络虚拟社群内的自我规范意识与其他机制双重弱化[15]，使得虚拟社会中的群体比现实社会中的群体更容易形成情绪场域，感染群体的情绪[16]，更容易激发潜在负面情绪在传播与宣泄[17]。随着负面情绪在社群内乘数效应的恶化与叠加，消极的情绪状态更易产生于传播，提高了群体心理的非理性倾向[18]。因此精准掌握虚拟社区中网络负面情绪群体的属性、行为、偏好以及情绪，具有重要的理论意义与现实意义。

用户画像理论为实现网络负面情绪群体的精准刻画提供了支持。本文认为网络负面情绪群体用户画像，是为了深入了解网络负面情绪用户特征、预测用户的行为等，依托于海量、真实数据描述用户特征与偏好，构建目标群体用户模型，主要目标是实现网络负面情绪传播的精准预警与对相关群体的行为引导。网络负面情绪群体用户画像构建，主要是通过将“数据”映射到“用户标签”实现的，这一过程也是典型的以数据驱动的用户画像构建。网络负面情绪群体用户画像构建的本质如图1所示。

图1 网络负面情绪群体用户画像

首先，收集相关数据进行融合。主要是指运用物联网、5G 等新兴技术手段，对涉及到的海量数据进行收集。通过数据层融合、语义层融合以及服务层融合实现数据的融合，将清洗过的数据数字化，将实体从“物理空间”映射到“数字空间”。其次，用户画像的“标签体系”是一个多维度的、复杂的体系。用户画像的本质是“标签化”，具体过程也是构建“标签体系”的过程。一般基于用户的属性数据、行为数据、偏好数据等，构建用户不同的标签体系，实现网络负面情绪群体相关数据的标签化。再次，通过构建知识图谱，实现用户各类“标签”之间的关联。单独的“标签”通过知识图谱相互关联，从而对用户情况进行多维分析。最后，运用系列可视化工具，对用户画像进行可视化。可视化是将用户画像进行实际运用的最后步骤，也是实现用户画像运用的重要手段。

在数据驱动背景下，网络负面情绪群体用户画像主要具有可迭代性、实时性与聚类性三大特征。可迭代性指的是网络用户的发文、转发、评论行为中，产生的动态性和交互性特征。实时性指的是网络用户在不同时间点可能会发生偏好转变的情况，即便是针对同一主题，用户的偏好程度也有所不同。聚类性指的是用户与用户之间虽然存在基本属性和行为偏好等不同，但仍然存在一定的共性，能够实现群体化聚类的特点。

二、基于生命周期模型的网络负面情绪群体用户画像构建过程

（一）总体框架

信息生命周期是指信息从出现到使用最后到老化消亡的动态、循环过程，该过程一般伴随价值形成与不断增值[19]。网络负面情绪也存在一定的生命周期，以此为基础构建网络负面情绪群体用户画像既有理论深意更有实践需求。基于生命周期的网络负面情绪群体用户画像构建，主要包括如下过程：基于生命周期的网络负面情绪测算，以此为基础进行用户活跃度排序，实现网络负面情绪群体用户画像模型构建；根据构建的用户画像模型，结合平台数据锁定目标用户群；结合标签体系对用户画像进行分析。具体过程如图2 所示。

图2 数据画像构建总体框架

（二）用户数据画像建模

基于生命周期理论，构建网络负面情绪传播过程中的用户模型，如图3 所示。根据箭头了解整个用户的数据走向，把平台用户的全部数据导入模型中进行分析。这里使用到了COX 生存分析的算法，可以帮助我们分析用户的生存时间，进而得到平台全部用户的生命周期分布。

图3 基于生命周期模型的网络负面情绪群体用户画像模型构建

1.网络负面情绪群体生命周期测算

（1）多源异构数据收集与融合

网络大数据是包括微博、网络论坛、微信、微视频等平台中体现民众观点与态度的系列数据，不仅包括文本、图片、音视频等生产内容数据，还包括关注、转发、点赞、分享等行为数据[20]。除了具有海量、多源异构、低密度等大数据一般特征外，还呈现出多维、多层复杂关联性、实时交互性和强大描述性等特征。基于此，针对某一主题，运用Python 进行编程，对微博、网络论坛、微信、微视频等平台中相关主题信息进行搜集，实现多源异构网络大数据的收集与整理。收集后的数据在结构、标准等方面存在较大差异，因此需要对多源异构大数据进行融合与集成，以进一步进行数据处理。可以借鉴Dasarathy 信息融合模型[21]，从数据层融合、语义层融合以及服务层融合实现大数据的融合，实现多源异构数据的标准性与统一性[22]。

（2）基于COX 模型的生命周期测算

COX 模型，又称作比例危险度模型（Proportionla Hazard Model）,是英国统计学家D R Cox 在1972 年提出的关于生存分析的重要模型，能够分析不同自变量对生存时间的影响，根据危险因素的影响可预测生存率。应用于本文，COX 模型可以用来预测网络负面情绪传播的周期和爆发情况。

2.用户活跃程度排序。结合网络负面情绪生命周期预测情况，对处于爆发阶段的情绪状态进行计算、排序与预测，从而对处于爆发阶段的群体进行精准预警，并分析网络负面情绪爆发阶段不同用户的活跃程度。具体操作如下：

（1）负面情绪计算与排序。首先进行负面情绪分析，通过将网络中民众情绪分为正面情感、负面情感和中立情感，借鉴Shen 等提出中文网络情感框架模型，通过构建态度词典、权重词典、否定词典、程度词典和链接词词典来计算网络情感强度[23]。其次，进行负面情绪计算。根据Aging Theory 主题生命周期模型[24]，一般将事件发展映射为能量值表示当前状态以及预测可能处于的生命状态。能力值的延续，需要依托营养素的补充[25]。负面情绪营养素计算式，需要考虑用户影响力情况，而网络中这种影响力可以通过转发和评论行为来体现[26]。最终，通过情感、用户影响力以及训练好的模型实现负面情绪计算，并对其进行排序。

（2）负面情绪预警。情绪状态应包括构建预警模式库以及负面情绪可视化两部分。预警模式库通过预先定义负面情绪预警模式，对当前负面情绪进行全方面分析，进而启动相应预警模式。通过与预警符号与各种颜色，强化当前负面情绪预警的不同状态。参考国际惯例与网络负面情绪的实际情况，可以将负面情绪预警分为初级预警（四级）、中级预警（三级）、高级预警（高级）与特级预警（一级），分别使用蓝色、黄色、橙色与红色对应表示，如图4 所示。

图4 负面情绪预警等级示意图

（3）负面情绪预警用户活跃度排序

聚类是常见的数据挖掘方法，两步聚类可自动确定最佳类别数量。通过两步聚类分别对直接在网络发布相关信息用户，以及通过评论参与讨论用户进行聚类分析，得到直接发布网络信息用户和通过评论参与讨论该主题用户的特征[27]。根据聚类后的结果，对原始网络信息用户的平均等级、关注数以及平均信息数计算该用户在以往实践中的平均活跃度，计算方法见公式（1），并以此为基础对不用用户活跃度进行排列。

其中，Xti表示第i 类原始网络用户平均活跃度。Ati表示第i 类原始网络用户的平均等级，Atmax表示原始网络用户的最高平均等级。Bti表示第i 类原始网络用户的平均关注数，表示第i 类原始网络用户最高平均关注数。表示第i 类原始网络用户的平均信息总数，Ctmax表示原始网络用户的最高平均信息总数。

3.用户活跃度数据画像模型。基于上述计算，可以构建多层面用户画像。一般来说，我们关注总体情况与极端情况，因此本部分主要解决总体用户画像、高活跃度用户画像与低活跃度用户画像。

（1）总体用户标签体系。用户画像的本质是用户信息标签化，主要通过用户社会属性、行为习惯、偏好特征等对用户特征进行刻画，从而进行分析统计。按照用户画像数据标签体系，借鉴赵宏田关于数据画像标签的研究成果[28]，本文主要从用户属性维度、用户行为维度与社交属性维度构建排名后的微博用户标签体系。其中，用户属性维度是数据画像的基础，主要包括用户的年龄、性别、注册时间、注册状态、城市、活跃登录地点等。用户行为维度，主要通过用户行为挖掘主要偏好与特征，主要包括发文、转发、点赞、评论、高频活跃时间段等行为。社交属性维度，是用于了解用户社交关系、偏好等方面内容，主要包括活跃时间、活跃地点、关注人数、粉丝人数、文章被转载次数等。

（2）高（低）活跃度用户画像。不同活跃度用户的画像选取标签的维度都是相同的，只是不同标签的数值有所差异，因此本文统一对两种极端活跃度用户画像的标签维度进行描述。主要使用年龄、性别、学历、行为等对其进行描述。年龄、性别、学历等基本信息描述用户的基本属性特征，并以此为基础确定目标用户群体。行为维度主要描述网络平台用户发帖数量、转发数量、评论、被转发数量等行为，并以此判断不同活跃度用户的行为特征，并以此预测该用户对网络负面情绪的影响情况。

（三）目标用户群锁定

基于用户活跃度画像建模，运用Python 爬取各类网络平台用户数据，并将这些数据与数据画像模型相关联，运用大数据分析方法锁定目标用户群。本文将场景设置为微博平台用户负面情绪的传播，研究的目标是提前预测负面情绪爆发。因此，处于负面情绪爆发边界的用户才是目标群体。

（四）用户画像分析

锁定目标微博用户后，需要通过分析用户数据画像、了解用户行为特征，从而制定具有针对性的负面情绪治理措施。首先，分析各标签的分布情况，主要对不同活跃度用户的年龄、性别、学历以及行为（发文、转发、评论等）进行分析，通过模型输出，可以获取目标微博用户群的画像特征。其次，基于上述分析的目标微博用户数据画像特征，给出网络负面情绪管理的相关信息，如用户的性别、年龄决定了管理策略与沟通的方式；转发时间、评论次数、发文数量决定了介入时机。

三、网络负面情绪群体用户画像的应用

基于生命周期模型的用户画像构建，能够发现并预测负面情绪用户的动态，及时干预和处理，在网络安全治理和舆情管控上具有突出的现实意义。

（一）网络负面情绪精准监控

本文将用户画像应用于网络负面情绪用户精准锁定中，构成对网络负面情绪用户动态兴趣的识别，以及对其需求的预测。结合用户画像，通过碎片化挖掘、语义化概述、关联化衔接对网络资源进行处理，深入掌握网络负面情绪群体特征，从而实现网络负面情绪群体用户画像与网络资源语义标签相关联、相映射。①建立实时监测机制：通过对用户画像进行分析与挖掘，实时跟踪和分析社交媒体上的用户行为和情绪。政府和相关机构可以建立强大的实时社交媒体监测系统。②预测用户情绪发展。分析用户的群体行为，将用户行为标签化，通过与其他数据的结合分析来提供客观评价与预测群体情绪发展趋势。③及时进行内容投放。对于预测需要治理的负面情绪群体，针对核心用户采取个性化的精准服务，有效实现精准治理。

（二）负面情绪用户的精准锁定

网络负面情绪群体的用户画像构建，有利于实现对用户的个性化与精准化的管理与情绪引导的目的。网络平台与政府能够实现精准锁定，识别潜在风险。①个性化干预：基于用户画像的情绪识别，政府可以制定个性化的情绪引导策略。根据不同群体的情感特点，为其提供适当的情绪引导和干预措施。政府可以通过社交媒体、官方网站等渠道向公众提供情感疏导信息，包括积极情绪的培养、减轻压力的方法等。②提供心理健康支持：负面情绪对个体的心理健康有一定影响。政府可以建立心理健康支持计划，通过线上或线下方式为受到负面情绪影响的群体提供专业心理辅导。用户画像分析可以帮助政府更准确地识别出受情绪困扰的群体，有针对性地提供帮助。③建立情感表达平台：政府可以鼓励公众利用情感表达平台，以多种方式来宣泄情绪，为公众提供一个安全、积极的情感表达空间，减轻压力和情绪不良。

（三）辅助网络舆情管理决策

通过对用户画像的综合分析，政府可以更准确地捕捉到负面情绪的迅速蔓延，为有效的舆论管理提供便利。①强化信息辟谣：在负面情绪传播的背景下，政府应采取积极措施来应对虚假信息和不实传闻。通过用户画像分析，政府可以更好地了解公众关心的问题，迅速提供真实、准确的信息来消除不实传闻，减少恐慌情绪。②设立专门反馈渠道：政府可以建立专门的反馈渠道，接受公众关于负面情绪的反馈。借助用户画像分析，政府可以深入了解公众对特定事件或问题的情绪反应和需求。这些反馈可以帮助政府更好地理解公众的担忧，并针对性地制定合适的信息传播和干预策略。③快速消除负面影响：对业已形成的大范围负面舆论，既可以通过用户画像建构，精准识别负面情绪的症结并消除影响，又可以借助网络平台和社交媒体交互性传递真实有效信息。

总之，具体的负面情绪群体用户画像，与以人为本的治理理念、以用户为中心的服务理念结合，使得实践决策有据可依，为下一阶段的工作提供指导，为社会的信息服务发展提供科学决策。