微博用户行为研究的多维解析，本文主要内容关键词为：多维论文,用户论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
1 引言
伴随着移动互联网的发展，微博这种新型的信息交互平台应运而生，并对人们的日常生活、学习、工作，尤其是信息获取方式产生了重大的影响。微博是一种基于Web2.0的新型博客，以电脑、手机等各种设备作为终端，通过个人平台发布信息，以“关注”和“被关注”的方式实现信息的实时传播与互动[1]。它具有信息实时性、用户草根化、内容全面性和裂变式传播等特点。
微博之所以受到用户的拥护，最根本的原因在于其信息交互的实时性和用户的草根化，它的开放性与自由性为用户的言论表达提供了空间，同时也增加了用户之间的交流，形成了用户对于微博的依赖。麦田认为，以Twitter为代表的微博信息发布平台能够成功的主要原因有：可迅速发布的内容，可迅速发布的网站结构以及病毒式的信息传播[2]。所以，微博自身的信息传播模式的便利性与快捷性对于用户来说吸引力是极大的，但微博的发展除了来自微博形式的自动力外，自我记录与表达、公共信息获取、接近名人和自我形象的塑造等都是满足用户需求的拉动力[3]，它们大大提升了微博用户的参与热情。
自2005年Twitter出现后，学术界关于微博行为的研究不断增加，对于用户行为、用户关系、用户兴趣等都进行了较为深入的研究，也取得了较多成果。在对微博用户行为进行研究的过程中，笔者以“微博”和“行为”为关键词，在中国知网（CNKI）上对相关文章进行检索，结果显示为54篇，剔除8篇与微博用户行为无关的文章，一共为46篇；以“twitter”、“microblog”及“behavior”为关键词在SCI和SSCI数据库中对相关文献进行检索发现，直接相关的文章有50余篇，但是通过对参考文献的研究发现，国外文献针对Twitter和社交网络用户行为的研究相对较为广泛和全面，而且成果较多。
2 微博用户行为概述
微博作为一种新兴的信息交流平台，可以满足用户日常信息获取、信息交流和信息分享等多种需求。最早的微博是Twitter，目前在世界上已拥有2亿多用户；中国的微博自2009年开始试水，截止到2012年底，用户规模达到3.09亿，其中手机微博用户规模达到2.02亿[4]。
本文以微博用户行为的研究现状作为研究主题，通过对现有研究文献进行分析发现，目前针对微博用户的研究集中在四个方面，如图1所示。从图中可以看出关于微博用户行为的研究主要集中在两个方面：一方面，从实践上来看（横向），对微博用户行为的动机及微博影响力进行研究，通过确立模型的方法，对微博用户行为进行预测与分析，如微博用户行为对兴趣构成和购买行为等；另一方面，从理论上来看（纵向），运用理论基础来解释微博用户的行为，并通过一些实证研究对用户行为的具体表征进行统计分析，着重研究微博用户行为的表征形式以及相关影响因素等。
随着微博在社会中的影响力不断增加，它正在不断改变社会的话语体系，打破了传统的舆论格局，使话语权从精英层走向平民层，无论是普通用户，还是名人明星、意见领袖，他们获取信息、发布信息、分享信息等行为都逐渐从传统媒体、博客、论坛、门户网站等走向微博信息平台，由此可知，微博影响力及微博用户行为研究的重要性。如何对用户使用微博行为规律进行深入研究，挖掘用户行为的特征已经成为学者们关注的重点；而利用用户行为对用户进行精准营销也是各企业追求的目标，所以近年来对用户行为的研究成为社会关注的重点。
以新浪微博为例，对微博平台和用户个人信息平台进行解析可知，用户在微博中的行为主要有关注、被关注、评论、转发四种行为，用户通过关注获取信息，通过被关注传播信息，通过评论和转发分享信息，这四种行为也基本涵盖了微博用户的所有行为特征。目前针对微博用户的所有研究都是从这四种行为出发，分别从用户的关注行为、评论行为和转发行为以及关注关系网络、评论关系网络和转发关系网络对用户的关注范围、关注内容、兴趣表现和转发行为等进行预测。通过对微博用户的具体行为表现形式进行分析，认为微博用户行为就是指微博用户借助微博信息交互平台，通过关注、被关注、评论和转发等方式获取信息、传播信息、分享信息，以实现个人信息需求和价值满足，这也是本文进行研究的出发点。
3 微博用户行为研究的维度
微博是一种基于Web2.0的新型博客，以电脑、手机等各种设备作为终端，通过个人平台发布信息，以“关注”和“被关注”的方式实现信息的实时传播与互动。它打破了传统人际交往的地域限制，使得用户在微博中的交往更加广泛，行为表现与现实交往有很大的区别。
3.1 微博用户行为的相关理论基础
目前关于微博用户行为研究的理论基础主要来源于两个方面：一是以心理学、社会学、传播学等社会科学理论为基础的研究，二是以复杂网络和社会网络为基础的技术模型分析。
3.1.1 以社会心理学为基础的理论分析
从宏观角度来看，不同文化环境和地域环境中的用户在使用微博过程中的行为是有差异的，存在一定的文化差异、语言差异和派系集群等，这在Twitter的使用中最为明显[5]。它是一个全球化的信息传播平台，往往只有本语系内的用户关注较多，对于其他语系的用户，由于语言、文化、习惯与地域的差别，不会关注太多，对于其微博内容也不太参与评论。Santelli等人[6]研究IBM在中国、印度和美国分公司的员工使用微博平台的行为时发现，由于文化规范的不同，用户的行为差异较大，印度员工的内容倾向于非正式化和个性展现，美国员工的内容更倾向于更新正在做的事。
从中观角度来看，根据哈贝马斯的交往行为理论，微博环境对于用户言语的真实性、真诚性都有直接的影响[7]。同时，考虑生态环境视阈下微博的发展，行业环境、媒介生态环境等都与用户行为的呈现方式有着密切的关系。
从微观角度来看，一种行为是由多种不同的动机共同促成的，动机是引起行为的内在原因和动力，同时也会影响行为的强度和持续性，用户使用微博的目的、对微博的评价等都是具体动机的体现，不同的动机对于用户行为的影响程度不同[8]。同时用户内在需求和用户感知的不同，直接影响用户对微博的满意度和使用微博的持续性等[9]。
3.1.2 以复杂网络为基础的模型分析
通过对Twitter和新浪微博进行研究发现，微博网络是一个自组织系统，符合小世界网络的特质[10]，其中存在自组织行为，通常整体的自组织现象弱，局部明显，选择用户的角度不同，自组织网络的凝聚力也不同[11]。以微博中的数据为基础，可以详细分析微博用户的行为特征、分布以及结构，确立相关模型，以便于详细了解用户行为的动态发展。易兰丽[12]基于人类动力学的理论，从网络社交互动的角度出发，详细分析了用户关注、转发与评论之间的关系，并建立了用户信息评论模型和兴趣驱动模型。
基于复杂网络和社会网络的理论研究微博是近年来的一个热点，它能够较好地解释微博用户的信息发布、评论、转发等行为所呈现的网络关系，也可以从中挖掘出关键用户，可以较好地反映出用户之间的关系，并对用户行为进行预测。
从以上的分析可以看出，关于微博用户行为，从复杂网络和社会网络的角度研究得较多，研究者着重考虑的是通过直观的静态分布的网络形态来表现用户行为的特征，这样从技术角度分析也使一些复杂问题简单化。但对于用户行为也缺乏一些理论上的研究与支撑，从社会学和心理学等领域研究的成果较少，可能导致研究成果“知其然而不知其所以然”。
3.2 微博用户行为的动机分析
通过对用户的信息发布、转发与评论等行为进行实证研究和理论研究，找出行为规律，并探索驱使该行为产生的动机，目前在研究方法和研究内容方面也都趋于完善，而且得出的结论也有一定的相似性。Nardi等[13]探讨了博客用户的使用动机，认为博客是人们分享经验、观点和评价的工具。作为博客的衍生体，微博用户的行为动机也有一定的相似性，但具有其独特性。根据Robert A等人[14]的调查，用户使用Twitter主要是出于社会联系和交往、学习新知、了解新闻时事、寻求意见、交流互动等动机。微博在用户社会联系中的作用可见一斑，它最主要的作用在于信息发布与信息共享，所以信息导向与驱动[15-16]是影响用户使用微博的最主要原因。一项关于新浪微博的调查[17]发现，70%多的用户使用微博是因为对于微博的好奇心和求知欲，并将微博作为其获取日常信息的首选渠道。
在对Twitter用户进行使用动机调查[18]引中发现，60%的用户使用微博是为了让别人了解自己的动态，22%的用户是为了与他人沟通交流，7%的用户仅仅是为了消遣、发布个人状态。所以，王娟[8]将微博用户的使用动机详细分为社会性动机和记录表达动机、情感性动机、信息性动机和记录表达动机三种类型，每一种动机对于微博用户使用微博的层次与深度都有一定的影响，而且影响程度是不同的。
所以，微博用户行为是受内因和外因共同驱动的，内因是用户自身对于信息的需求，包括用户对于微博的好奇、用户的求知欲和个人的兴趣等；外因是微博对用户的吸引力，包括微博信息获取的成本低、方便快捷等。它们的共同作用诱导用户对微博依赖程度的增加，同时也影响用户对于微博的使用深度。
3.3 微博用户行为的特性分析
目前学者在研究微博用户行为过程中，研究最为成熟的是基本的行为特征，从用户的信息发布行为、转发行为、评论行为到“@”行为等都做了较为全面、深入的研究，同时也对用户的行为关系及关系网络做了一定的探讨。
3.3.1 用户行为的基本特性
（1）用户基本概况。在使用微博的用户中，女性约占50%；“80后”用户占55%，“90后”及“00后”占37%；学历在本科以上的用户达到56%[19]；经济发达地区的用户数量较落后地区多[20]。在美国，微博用户的平均年收入为3万～6万美元[21]；一天之中，早上和工作结束时用户最为活跃[22]，7：00至11:00之间微博数量是处于较快上升的状态，之后处于平衡变化状态，23:00之后微博数量开始下降，并在4:00达到最低，之后缓慢增加。32.8%的用户每天平均使用时长小于15分钟，39.82%的用户平均每天使用15～30分钟[23]引。
（2）用户发布行为。发布微博是一种突发性行为，用户往往在休息一段时问后频繁地发布微博。可见，用户发布微博的时间间隔不符合正态分布，而是符合幂律分布。在发布的微博中，时事新闻、垃圾信息、企业推介信息和个人状态占据40.55%，用户对话占37.55%，其余为转发消息[21]。而且，10%的“顶级用户”贡献了微博90%的内容，这与在线社交网络中10%的用户发布近30%的内容是相反的[24]。从微博的访问量上来看，1%的用户贡献了35%的访问量，72%的用户是非活跃用户，27%为普通用户，用户的分布是极为不均匀的[21]，而且是多样化的[25]。
（3）用户关注行为。微博网络连接是有向的，其关注/好友分布是一种单向发布模式，而不是社交网中的对等连接模式[26]。大约50%的用户粉丝数少于15人，只有1%的用户粉丝数大于1000人，大约0.01%的用户粉丝数大于2万人。在出度方面，50%的用户关注人数少于40人，1%的用户关注人数超过600人，仅有0.01%的用户关注数超过9500人[25]。所以，微博用户的度分布是不均匀的，基本呈幂律分布状态[27-29]。在微博互动过程中，用户往往更倾向于关注熟悉或认识的人[30，“关注一些他们感兴趣的人或者朋友，这样他们可以给予更加积极、更多的反馈与互动”[31]，这样也比较容易被他人关注。Heil和Piskorski认为[24]，微博用户更加倾向于关注同性别的用户，男性用户有2倍的可能跟从其他男性用户，而女性有1.25倍的可能跟从其他的女性用户。所以，微博用户的行为也是有一定偏好和目的性的，他们更愿意使微博贴近现实生活圈，增强微博的使用价值。
（4）用户转发行为。很多用户只是关注发布的信息[32]，浏览帖子并不发布或者转发信息[33]。用户参与微博信息发布也有一定选择性[25]，微博用户的分享行为一般从最初的亲密小团体扩展到亲密朋友群体，直到全部面向陌生人[34]，它是一个循序渐进的过程，呈现“差序格局”；用户在转发他人信息时，对于一般信息转发较少，反之对自己较亲近的人发布的信息转发较多[25]；活跃用户和名人微博的转发数量较之普通用户的转发量大很多；转发与评论行为也有较大的时效性，发布时间与帖子的转发与评论数量有着较为密切的关系，50%的转发行为发生在1小时内，75%发生在一天之内，90%发生在一个月之内[26]。所以，提升微博的关注、转发与评论量最直接的办法是在用户最为活跃的时间段增加信息发布量，吸引他人关注[35]。
由此可知，微博用户行为与现实人际关系有着较大的相关性，其行为受名人、明星或意见领袖影响较大，在微博中活跃的是少数人，但影响很大；与地区经济发展水平和信息技术教育程度有很大的关系，所以影响和改变微博用户行为可以从其基本的表征入手，增加小众微博的引导作用，提升大众微博的影响力。
3.3.2 用户的群聚特性
随着微博用户行为的不断发展与完善，依据用户兴趣或对信息需求的不同，部分用户会存在一定的群聚现象，继而产生微博用户的关系网络。从信息的角度出发，可以将用户分为信息发布型用户、关系导向型普通用户和信息追踪型用户[36]，他们在微博中的行为表现方式和活跃程度、关注微博信息的内容等都有较大的不同。
Horn[37]根据主体特质的不同，将微博用户分为新闻用户、普通用户和企业用户三类，并指出不同的用户发布使用的关键词、内容的长度和平均时间间隔都是不同的。Baumer和Leis[38]根据用户的互动将微博用户分为最低要求用户（minimalists）和狂热用户（zealots），前者关注的用户较少，在微博中的表现不积极，与他人互动较少；后者是专业型微博用户，以信息搜索为目的，关注人数较多，与他们互动频繁，在微博中较为活跃。
何黎[35]基于用户基本信息数据，利用社会网络分析方法构建了微博用户的社会关系网络，得出微博社会网络的网络密度为0.104，聚类系数为0.216，平均距离为2.328，并对关键用户进行挖掘，将微博社区依据用户行为分成四个社区。不同社区用户对于信息需求、微博的关注、转发与评论行为是不同的，它们有自己独有的特征。
另外，根据用户在微博中的互动与沟通情况，用户可能会依据个人兴趣与爱好，形成一些小团体或群体——如新浪微群的形式，这些群体主要有新闻、娱乐、运动、计算机、教育和商业等[39]。在群体中，用户能够获得更多、更权威的相关信息，同时也更加便利。在一个群体中，由于用户主体的热情、关注度等因素存在差异，不同用户的参与层次和参与水平是有差别的[40]，随着用户使用微博时间的不断推移，这些群体里的用户有一些交叉和重叠。
利用复杂网络和社会网络中的原理，基于用户在微博中的行为表现，将用户进行归类，可以较好地掌握微博中的用户需求。而且基于不同的标准可以将用户分为不同的群体，每一个群体都有各自的特征，各个群体之间也会有互动关系；在群体内部，成员的地位与角色也有一定的差异，地位不同的成员的影响力也是不同的。
3.4 微博用户行为的预测与影响分析
对微博用户基本行为的分析是为了在了解用户特性的基础上，对微博用户行为进行准确预测，一方面预测行为可以较为全面地了解用户行为的发展方向，较为准确地把握用户的心理，为打造符合用户需求的各项应用服务和精准的用户推荐奠定基础。另一方面，对用户行为进行有效地预测就可以在突发事件和社会群体事件中借助微博的影响力，发挥有效的舆论引导作用，有利于规范网络情绪和网络秩序。
3.4.1 用户兴趣预测
微博用户行为在关注、被关注、转发与评论等方面的表征直接反映了用户的信息导向和兴趣导向等特征，对进一步挖掘用户兴趣、进行行为预测有一定的意义。通过对用户关注用户的分布、最近浏览的页面分布研究，可将用户兴趣分为长期兴趣和短期兴趣[41-42]，且不同用户的兴趣相似度也不同[43]。另外，微博是一个实时变化的信息平台，用户的兴趣随着时间推进而不断发生变化，有一定的时效性[44]。随着时间的推移，用户对于微博中的信息是有一定遗忘的，因此，必然存在用户兴趣漂移的问题[45-46]。用户兴趣模型的建立可以直接反映用户关注的重点，能够对其行为发展进行一定的预测。同时，对用户兴趣的把握可以有效地反映用户行为的特征，这对于企业营销和政府社会管理都有一定的借鉴意义。
3.4.2 用户行为预测
通过对微博用户的行为进行统计分析，依据数学模型，可以对用户的评论、转发等行为进行一定的预测分析。例如，基于逻辑回归模型，提取影响用户转发行为的因素，并预测影响个体转发行为的因素，认为用户的兴趣、微博内容、微博用户关系和用户属性等都是影响其转发行为的因素。在此基础上，增加用户个体的差异，建立预测用户转发行为的信息传播模型，发现部分用户在微博中的影响力较大，用户转发行为与微博兴趣相似度、用户粉丝数、与消息发布者的关系亲密度等相关[47]。通过对用户行为的基本特征进行研究，可以较为准确地预测和估计用户的转发行为、评论行为的走向，在对用户进行精准特色推荐、精准营销、舆论引导的过程中，可以进行有效地利用。李军[48]等以TURank为基础提出了针对中国微博的影响力评价模型，以此来确定各个因素的影响力，能够更好地评价微博的价值。用户的影响力与用户的基本行为特征有着密切的关系，它可以准确反映用户在微博中的地位以及对微博舆论的影响程度，对引导舆论的走向、塑造良好的舆论环境起着至关重要的作用。
从整体上来看，目前国内外学者针对微博用户行为的研究成果比较丰富，而且有一定的代表性，从理论、实践和运用的角度多方位呈现了微博用户行为的具体表现及其所形成的用户关系网络，这对于全面了解微博用户行为的发展方向有较好的借鉴意义；基于用户兴趣模型的研究和对微博用户购买行为的研究为微博在企业中的营销运用提供了依据，以相关研究为基础，企业在利用微博营销的过程中可以精准定位客户群体，建立符合产品特色的营销模式，增强企业营销的“效度”。
4 结语
微博用户行为的研究大多建立在对大规模数据进行抓取分析的基础上，对用户的关注、评论、转发、@、私信等行为进行逐一分析，利用数学模型研究其相互作用关系，使得研究关注点单一，只研究用户行为的表面现象，缺乏对于深层的转发与评论等行为的深入研究。所以在以后的研究中，可以考虑利用理论与实践相结合的方法，将社会学、心理学等相关的行为与动机理论运用其中，将定性指标量化，丰富用户行为的指标体系，从客观和主观两个方面全面研究微博用户的行为特征。
微博用户行为分为个体行为和群体行为，目前的研究重点主要在于对个体行为的分析上，对于群体结构、群体行为的表现与预测等都没有深入研究。所以在研究过程中，结合社交网络的群体分析以及组织行为学的相关理论，采用多重标准对于微博用户进行群体结构的分析，研究不同微博用户群体行为特征及其在舆论引导、企业营销、社会事件推动等各个方面所扮演的角色及发挥的作用；各个群体之间如何相互作用、相互影响，对于微博舆论环境的影响等，都是值得研究的重点，这对于处理突发事件等都有重要的意义。
在微博影响力不断扩大的今天，如何利用微博技术来解决政府、企业、社会以及个人关注的问题，是一个技术问题，它需要对微博用户行为的特征与表现进行全面分析，了解用户行为的影响因素及其发展动向，对微博内容和用户之间的关系进行挖掘，了解核心用户的存在与特征，对于企业精准营销和社会突发事件的舆论引导都有着至关重要的作用。但是伴随着信息通讯技术的发展和微博的不断完善，微博用户的行为、关系、情感倾向有着较大的不确定性，也会不断变化，所以在微博用户行为，如用户行为特征、动机、行为预测、用户关系、情感倾向等研究过程中，仍有一定的可挖掘空间。
标签：用户行为研究论文; 群体行为论文; 动机理论论文; 网络模型论文; 企业特征论文; 用户分析论文; 网络行为论文; 数据分析论文; 互联网用户论文; twitter论文;