当期荐读 2021年第2期 | 重大突发事件期间微博主题与用户行为的关联演化研究

图源 | The Internet

张兆阳^1,3 王君领³ 黄佳妮³ 沈嘉裕³ 王伊杨³ 赵蓉英^1,2,3

(1.武汉大学中国科学评价研究中心;

(2.武汉大学信息资源研究中心;

(3.武汉大学信息管理学院,武汉,430072)

｜摘 要｜

本研究的目的在于揭示重大突发事件期间各阶段微博话题与用户行为之间的相关关系。利用基于相关性改进的LDA模型提取微博博文的主题,利用余弦相似度算法计算微博信息话题与用户行为之间的相关性,进而分析疫情期间在不同话题下微博用户的行为规律。研究发现,在重大突发事件期间,用户的转发、评论、点赞行为的演化趋势相似。其中,点赞数、转发数、评论数三个指标两两之间的Spearman相关系数均在0.4以上,存在显著的相关关系。此外,微博用户倾向于对以意见发声、信息公开为主题的博文点赞,对意见发声、事件进展、信息公开的博文评论。总体而言,在重大突发事件期间,用户的行为表现出明显的倾向性,对不同类型的主题会产生不同的行为。

关键词

微博主题 用户行为 重大突发事件 舆情演化 LDA模型 舆情管理

1 引言

随着互联网的发展，社交媒体已经成为发表事件相关信息与观点的重要渠道。在国内，微博以其自由与便捷的特点以及较低的进入门槛，成为网络舆情发生的重要场所，这也为学者们研究特定社会现象提供了丰富的语料依据^[1]。

重大突发事件是研究社会现象的切入口之一，重大突发事件的发生往往会随着即时公共讨论带来诸如微博高热度话题、用户评论反馈、官方声明等重要语料。例如，自2020年1月起，截止2020年3月1日，有关“不明原因肺炎”“新型冠状病毒”“肺炎”“疫情”的微博数量已经达到15万条。重大突发事件信息传播会在一定程度上引起民众的恐慌，对于社会治安有一定的影响。因此，了解重大突发事件期间微博主题与用户行为的演化情况是非常重要的，研究结果可为今后重大突发事件舆情监管提供参考。

本文以重大突发事件——新型冠状病毒肺炎疫情为例，爬取微博2020年1月、2月关于事件的讨论，使用基于相关性改进的LDA模型提取微博话题，在此基础上研究微博主题与用户行为的演化，并将所得的结果进行可视化展示，为重大突发事件期间的微博舆情治理提供了一种研究方法。在掌握用户行为演化特征的基础上，相关部门可以在重大突发事件生命周期的不同阶段针对不同类别话题采取相应的措施，进行积极高效的舆情引导与应对，营造和谐有序的网络环境，缓解重大突发事件期间民众的情绪紧张，避免出现动荡局面，从而为舆情监控与管理提供理论依据，协助相应部门更好地了解重大突发事件发展轨迹与公众关注热点，为今后舆情管理部门作出及时有效的决策提供经验参考。

2 相关研究

2.1 社交媒体主题演化分析

社交媒体主题演化分析的基础是话题演化分析，涉及主题与时间两个维度，研究的材料多为时序文本。话题演化分析是话题检测与跟踪（TDT）的扩展，目前关于话题演化分析的研究方法大致可分为三类^[2]，即后离散分析方法、时间信息与LDA模型结合分析方法、先离散分析方法。本文采用第二类方法，以潜在狄利克雷分配（LDA）模型为基础，进行改进，再引入时间因素综合分析。这类方法将文档、词语、时间三者结合作为可观测变量，代表模型是由Wang等^[3]提出的Time Over Time(TOT)模型。

时间信息与LDA模型结合的方法在话题演化分析中得到广泛使用，常用于突发公共事件舆情研究中。Sherchan等^[4]开发了澳大利亚危机跟踪器（ACT），ACT的主要工作原理是提取Twitter和Instagram上有关灾害的讨论，从相关Twitter聚类中提取主题；安璐等^[5]利用相关性公式改进的LDA模型，将MERS病毒爆发期间微博和微信上信息的传播分为五个阶段，并分析了利益相关者在不同阶段关注的主题；吴小兰等^[6]提出了一种结合动态话题模型与社区发现技术的话题演化方法（DTM-LPA），并以H7N9禽流感事件进行实证研究，实现微博话题演化分析；王璟琦等^[7]从新闻文本语义信息和时空信息出发,利用LDA模型提取网络舆情话题并定义话题强度定量测度指标，研究舆情强度空间分布随时间的变化。

虽然LDA模型在研究社交媒体主题演化中得到了广泛应用，但模型的可读性有一定的限制。本文采用基于相关性改良的LDA模型，结合舆情传播生命周期模型，对此次突发公共事件微博主题演化进行分析探讨。

2.2 微博用户行为研究

微博用户行为包括原创发布、转发、评论、点赞等。对用户行为进行研究，有助于掌握公众对于事件的反应，更好地预测、检测舆情。刘平等^[8]选用微博原创比率、微博活跃度、用户交互主动性、表情使用频数、用户赞同程度这五个特征,构建微博用户交互行为模型，进而对用户性格进行预测；章博亨等^[9]运用业界流行的Spark分布式大数据平台，自底向上设计并实现了一整套基于大数据的微博用户行为分析系统；李新焕等^[10]针对某类特定标签，分析用户转发、评论微博的规律，归纳用户在社交网络中的行为；刘玲等^[11]提出一种新的考虑用户自身质量指数(直接质量指数)、粉丝质量指数(间接质量指数)以及用户近期活跃度来综合评估用户影响力的方法。

上述研究多关注用户行为本身，没有结合具体情境或主题。安璐等^[12]以寨卡病毒事件为例，采用基于词典的情感分析方法，对不同主题下的评论情感做细粒度划分，实现微博主题与情感的协同分析；李真等^[13]以“双汇进口美国猪肉”事件为例，通过舆情信息内容、用户关系、用户行为三个方面的四个维度的关联,构建网络舆情观点主题识别模型；王正成等^[14]利用LDA主题模型挖掘出特定话题中的各个主题，以用户转发行为为基础，借鉴Page Rank算法思想挖掘出意见领袖。

本研究将引入时间维度，结合舆情传播生命周期，对用户行为演化进行分析，并做出用户行为演化图谱。利用余弦相似度探究用户不同行为之间的相关性、话题与用户行为的相关性，从而发掘用户行为与行为之间、话题与行为之间的内在联系。

2.3 微博可视化分析

可视化工具的兴起为微博数据的可视化分析创造了条件。袁志祥等^[15]利用微博可视分析工具PKUVIS对微博发布日期和时间、微博发布主体类型、微博内容来源等方面进行灾害学微博特征研究；王心瑶等^[16]利用ROST内容挖掘系统软件，根据内容分析法和社会网络分析法对政务或官方微博评论内容进行词频、语义网络分析，以评论高频词为中心呈现三组语义网络绘制可视化图形。张柳等^[17]结合微博热点高校舆情“湖南大学刘梦洁抄袭”话题进行实证分析，得到完整的舆情爆发期、蔓延期以及衰退期情感演化图谱。

本文将综合现有研究，利用pyLDAvis工具包对提取到的主题聚类结果进行可视化，通过对用户行为随舆情生命周期演化的图谱展示更加清晰明了地展现研究结果。

3 基础理论框架

当前研究主要集中于通过对微博数据进行定量分析，挖掘出重大突发事件期间的热门话题形成规律，但缺乏针对微博话题和用户行为相关性以及对于这种相关性演化规律的研究。本研究的主要目的在于揭示重大突发事件期间各阶段微博话题与用户行为之间的相关关系，并从多个维度分析用户行为的演化规律，从而为重大突发事件中的舆情治理工作提供参考。

3.1 研究路径

本文将从用户行为演化及用户行为与微博话题相关性两个方面进行研究。结合突发公共卫生事件网络信息传播演变规律进行阶段划分，采用基于相关性改进的LDA模型对微博语料进行话题提取，并计算用户行为与微博话题的余弦相似度。具体研究路径包括以下三个阶段。研究流程如图1所示。

图1 研究流程图

（1）首先利用Python语言的requests库编写程序爬取新浪微博关于新冠肺炎疫情的数据，然后利用Python语言的jieba分词库和正则表达式对数据进行文本预处理，主要包括分词、去除停用词以及对数据进行人工筛选等。

（2）在第二阶段，使用LDA主题模型提取文本的主题信息。由于传统LDA模型受文本长短影响较大，且多适用于长文本，对于微博这类以短文本为主、关键特征稀疏的语料效果不佳。因此，本文将采用基于相关性改进的LDA模型进行话题提取^[18]。通过调整λ参数，选取具适当词语表征话题，从而做出每条文本的话题分布矩阵。

（3）在第三阶段，根据突发公共卫生事件网络信息传播的特点，基于Fink的生命周期经典理论^[19]，根据微博数量变化拐点，将疫情相关微博传播周期分为四个阶段——征兆期、爆发期、持续期和恢复期。结合重大突发事件期间微博信息传播生命周期，分析各个周期用户关注话题演变及用户点赞、转发、评论等行为的变化趋势，从而开展针对微博用户行为的演化分析和微博主题与行为的相关性分析。

3.2 研究理论模型

为实现上述研究路径，本研究在LDA模型、余弦相似度理论的基础上进行改进，提出适用于本研究的基于相关性改进的LDA模型以及基于余弦相似度的相关性计算方法。

3.2.1 基于相关性改进后的LDA模型

LDA模型基于词袋(bag of word)假设，提取话题的主要依据是关键词的词频。然而在处理类似微博文本的短文本时，很可能出现词频普遍偏低的情况，使得词频无法成为很好的判断依据。为了使提取到的博文话题具有更优的可读性，本文采用基于相关性改进的LDA模型。相关性的计算公式如公式（1）所示：

其中，r(w,k|λ)表示参数为λ的情况下，话题k与语料库中词语w的相关性。Φ_kw表示词语w与话题k的相关度，即词语w被划分至话题k的概率。P_w表示话题词w在话题-词语矩阵中的边际概率。λ为一个可变参数，其值在[0,1]之间，调节λ的值可以改变词语与话题的相关性。当λ接近1时，该话题中出现次数多的词语将更能体现话题特征，此时的关键词选取方法接近于传统的LDA模型，即以词频为判断标准；当λ接近于0时，更倾向于选取具有排他性和特殊性的词语作为话题的表征。

3.2.2 基于余弦相似度的相关性计算方法

余弦相似度，是利用向量空间中两个向量夹角的余弦值作为衡量两个个体差异大小的度量^[20]。对于两个n维向量A=(A1,A2,A3,…,An)，B=(B1,B2,B3,…,Bn)，其余弦相似度由点积和向量长度给出，如公式（2）所示：

余弦相似度给出的相似性范围从-1到1，-1意味着两个向量指向的方向截然相反，1意味着两个向量的指向完全相同，0代表两个向量之间为正交关系，即完全不相似。当向量A、B代指文档中的词频向量时，余弦相似性可以用于计算文本的相似度^[21]。

本文计算微博信息话题与用户行为之间的相关性，具体步骤为：

（1）将n条微博属于k个话题的概率合成为k个n维向量；

（2）将m种用户行为数据分别合成为n维向量；

（3）分别计算上述用户行为向量与话题向量之间的余弦相似度，将结果汇总为话题-行为矩阵，如公式（3）所示：

矩阵的数据反映了微博话题与用户行为之间的相关性，矩阵中d_ji的相对数值越大，说明该话题与对应用户行为数据的相关性越高。

4 实验过程与结果分析

4.1 实验过程

本研究以国内新型冠状病毒肺炎疫情为例，实验环境采用Windows10系统环境，Python 3.7.2版本、MySQL 8.0.21、Anaconda1.9.2，利用requests、gensim等工具包完成数据采集、分词、LDA主题提取、计算余弦相似度等处理过程。

4.1.1 数据采集

由于微博上关于新冠肺炎疫情的讨论最早始于1月，在2月达到高潮，因此选取1月至2月的微博数据作为分析语料较有代表性。笔者运用Python、requests工具包撰写爬虫程序，爬取新浪微博2020年1月1日至2020年3月1日相关博文共152138条，结合本文研究内容，只保留转发、点赞、评论数不全为0的微博共69427条，形成结构化的MySQL数据库。

4.1.2 数据预处理

对采集到的数据进行人工清洗，逐条筛查，剔除与该事件内容无关的数据。微博文本数据是主题提取的基础数据，针对一整段的文本数据进行分析，数据信息冗余度大，难以得到理想的数据信息。同时新浪微博规定用户发布的微博字数必须小于等于140个字符，微博文本中还包含表情符、连接符、图片以及视频数据。因此，若不对原始文本数据进行处理，将会对实验效果产生影响。本文对于微博文本原始数据依次进行如下数据处理。

（1）数据清洗：对经过筛查并剔除无关内容后的微博文本数据，通过正则表达式匹配其中的表情符、连接符、图片以及视频数据。

（2）停用词过滤：本研究结合微博的语言特征以及本案例背景，引入搜狗词库中的化学化工词汇、生物词汇、心理学词汇、医学词汇、中外药品名称、中医中药名称作为用户词库，利用对哈尔滨工业大学停用词表进行扩展的词表，使用jieba分词工具包撰写Python程序，对所有博文分词、去除停用词。

对预处理后得到的微博语料存储成结构化数据，构建重大突发事件——新冠肺炎疫情主题语料库，为后续研究提供数据支撑。

4.1.3 重大突发事件生命周期划分

在Fink的危机四阶段模型^[22]理论基础上，将事件信息传播的生命周期分为征兆期、爆发期、持续期和恢复期。以微博数量为划分依据，其中征兆期的特点是相关信息数量较少，曲线较为平坦且呈上升趋势。爆发期曲线急剧上升，信息量陡增且在阶段终点达到峰值。持续期信息数量呈下降趋势，曲线振荡下行。恢复期曲线在较低位置波动持续蔓延，没有终点，即关于事件的讨论不会减少到零。

图2 重大突发事件期间微博传播生命周期

4.1.4 微博博文主题提取

使用Python语言和gensim工具包中的LDA模型进行主题提取，通过困惑度曲线初步确定主题数范围，使用pyLDAvis工具包进行可视化，通过多次聚类最终确定最佳主题数量为50个，在lambda=0.35时取每个话题的前30个表征词进行主题归纳。以主题4为例，所得聚类结果如图3所示。因篇幅有限，LDA主题提取后的部分主题及其对应部分表征词如表1所示。

图3 微博主题可视化展示

表1 LDA提取微博主题及其对应表征词

4.1.5 计算微博主题与用户行为的余弦相似度

使用Python编写程序，计算微博主题和用户点赞、转发、评论数的余弦相似度，程序代码见图4。

图4 余弦相似度计算程序

4.2 实验结果分析

4.2.1 微博用户行为的演化分析

结合重大突发事件的特点及舆情演化规律^[22]，基于Fink提出的危机四阶段模型理论，将重大突发事件期间微博话题传播生命周期分为四个阶段——征兆期、爆发期、持续期和恢复期，如图5所示，横坐标为日期，纵坐标为用户行为（点赞数、转发数、评论数）和微博数量（用户发布的微博数）。

图5 重大突发事件期间微博传播生命周期

从图5可以看出，在不同的阶段用户行为演化趋势大致相同，强度上稍有差异。总体来看，在四个阶段中用户的点赞数大于转发数、评论数。在事件的征兆阶段转发、评33论、点赞数相差不大；而到了爆发、持续与恢复阶段，点赞成为最主要的用户行为，其数量远超转发、评论数。而用户发博、点赞、评论、转发的高峰到达时间并不完全一致，总体来看，转发的高峰滞后于发博高峰1—2日。

在重大突发事件的发展周期中，关键事件的发生促成了用户行为的爆发式增长。1月20日，中央作出重要指示，引起了网友的强烈关注，点赞、转发、评论数均达到高峰。1月21日，微博上的讨论达到小高峰。热点回落两日后，发博数在1月24日达到最高峰值。23日的武汉封城令为24日讨论的爆发做了铺垫，24日“湖北启动重大突发公共卫生事件一级响应”成为网友讨论的重要话题。1月31日，微博用户的点赞行为达到最高峰值。此后，关于事件的关注度逐渐下降且趋于平稳，但较其他事件而言，用户关注度始终维持在较高水平。

笔者借助SPSS25.0进行数据分析，经筛选，重大突发事件期间每个阶段中的转发数、评论数、点赞数的前三名对应的微博话题如表2所示，可以看出，不同阶段中显著的用户行为所对应的微博话题有一定的差异，例如在征兆期用户更倾向于转发、评论、点赞对医护工作者表示感谢(Topic31)的博文，在持续期用户更倾向于转发、评论、点赞对疫情提出意见（Topic45）的博文。这表明，在不同阶段中，微博用户所关注的重点不同，因而引起用户转发、评论、点赞的话题也有所不同。

表2 不同时期显著用户行为及其话题

4.2.2 微博主题与行为相关性分析

（1）用户行为相关性分析

用户在微博上的转发、评论、点赞等行为可以从一定程度上反映用户对微博内容的主观态度和感兴趣程度。本文使用SPSS25.0计算所得微博样本数据中用户转发数、评论数、点赞数之间的Spearman相关系数，从而判断在重大突发事件期间这三种用户行为两两之间是否存在相关关系。结果如表3所示。

表3 转发数、评论数、点赞数的相关性计算

从表3可以看出，点赞数、转发数、评论数三个指标两两之间的Spearman相关系数均在0.4以上，且置信度均小于0.01，证明这三者之间均存在中等强度的相关性。安璐等^[21]在分析围绕“山东问题疫苗事件”的新浪微博博文时发现，转发数与点赞数之间的相关性较弱；宋恩梅等^[23]在分析“时尚”标签下个人认证用户发布的微博博文时发现，微博的转发数与评论数高度相关。因此可以看出，在不同情境下，微博用户的行为呈现出不同的相关关系。对于围绕不同突发公共卫生事件的微博博文，用户的转发、评论、点赞三种行为之间的相关性仍然存在差异。

（2）话题与行为的相关性分析

①话题与行为差异

针对不同的博文内容，用户的相关行为会有所不同。为了了解在新冠肺炎疫情期间用户更倾向于点赞、评论、转发哪些话题的微博博文，笔者采用了余弦相似度来衡量微博用户的行为与50个话题之间的相似度。用户行为用前文所述的点赞、评论、转发三个向量表示，利用Python程序批量计算用户行为向量与50个Topic向量的余弦相似度。用户行为与话题向量的余弦相似度越接近于1，说明两者越相似。在得到150组余弦相似度后，笔者借助SPSS25.0筛选出余弦相似度超过0.01的11组数据以待分析，如表4所示，其中余弦相似度保留小数点后4位有效数字。

表4 与用户行为相关的微博话题

话题与点赞行为的关系：与点赞数的余弦相似度大于0.01的话题共有4个，如表4所示。其中，Topic45、Topic0、Topic31的内容均属于网友意见类，这表明，在本次重大突发事件期间网友更倾向于对意见发声进行点赞。除了对意见发声的博文进行点赞之外，用户也倾向于给那些发布全球肺炎疫情数据的有关博文进行点赞。

话题与评论行为的关系：与评论行为的余弦相似度大于0.01的话题共有6个。其中，Topic5和Topic42属于信息公开类，Topic24、Topic37属于事件进展，Topic35、Topic45属于网友意见类。可以看出，本次重大突发事件期间网友更倾向于对网友意见、事件进展、信息公开的博文内容进行评论。

话题与转发行为的关系：与转发行为的余弦相似度大于0.01的话题只有Topic40，该话题的内容与“发现新冠病毒可能出现人传人”有关。该话题与转发行为的关系比较显著，余弦相似度达到了0.02以上。

综上，在本次重大突发事件期间，微博用户倾向于对以意见发声、信息公开为主题的有关博文点赞；倾向于对意见发声、事件进展、信息公开的博文内容进行评论；倾向于对内容与“发现新冠病毒可能出现人传人”有关的博文进行转发。

②话题与行为偏向

笔者在对数据进行处理和观察过程中发现，部分微博转发量、点赞量、评论量存在较大差异，为探究这一现象是否与博文话题相关，笔者将转发量、点赞量和评论量运用最大最小化归一法进行标准化，并求出每条微博的转发量-评论量、转发量-点赞量、评论量-点赞量，形成用户行为差值向量，计算与50个话题的向量的余弦相似度，通过对比研究“新冠肺炎疫情”背景下微博话题所导致的用户行为之间的差异。

标准化的转发量与评论量的差值与50个话题的余弦相似度全为负数，且大部分绝对值小于0.01，说明在“新冠肺炎疫情”背景下，用户对大多数话题相关微博的评论、转发行为总体偏向于转发但数量差别不大，而在如表5所示的话题下，用户更偏向于评论。转发量与点赞量的差值得到的结果类似，用户对大多数话题在转发、点赞上没有明显的倾向。但在网友意见的主题下，用户更偏向于点赞，例如在“网友就疫情提出疑问”“网友在微博上关注并转发有关武汉新型冠状病毒肺炎疫情的新闻和视频”“网友感谢医生在疫情中发挥的作用”话题下，余弦相似度分别为-0.01456154、-0.01170201、-0.01102947。不同于以上两种相关性结果，话题与评论-点赞偏向既有正值，也有负值，例如在“武汉不明原因病毒性肺炎”“初步确定为新型冠状病毒”话题中，用户倾向于评论，而在“网友在微博上关注、转发有关武汉新型冠状病毒肺炎疫情的新闻和视频”话题中，用户倾向于点赞。

表5 引起转发数、评论数差异的话题

综上，在本次重大突发事件背景下，用户在新浪微博平台上的用户行为具有差异性和偏向性，不同类别的话题引起的用户行为可能存在较大区别。本文结合50个话题的内容特征，根据重大突发事件相关微博话题的言论发布主体类型（政府/网友）和主题类型（疫情数据公布/防疫进展/政府举措）的不同，将50个话题归纳为网友意见、信息公开、事件发展、政府工作四类，并根据用户行为与不同话题之间的关系，将引起转发、评论、点赞更相关的话题类型总结于表6。转发、评论、点赞列，表示用户在相关话题的行为倾向，例如在“网友在微博上关注并转发有关疫情的新闻”的话题中，用户倾向于点赞。转发与评论、转发与点赞、评论与点赞列，表示在两种行为间用户更倾向于哪一种。例如在“网友就疫情提出疑问”话题中，在转发和评论这两种行为间，用户倾向于评论；在转发和点赞这两种行为间，用户倾向于点赞。

表6 用户行为与话题类型关系

5 结论与展望

本文基于采集到的新浪微博2020年1月1日至3月1日共计约6万条有关“新型冠状病毒肺炎”的博文及其点赞、转发、评论数据，使用LDA模型进行主题提取，通过困惑度曲线确定主题数范围，并进行可视化聚类确定了50个主题，同时基于突发公共卫生事件特征，结合突发公共事件信息传播生命周期理论，分析用户在不同生命周期阶段的行为特征及其演化规律，对微博话题及用户行为之间的相关性进行多维度分析，得出以下研究结论。

（1）对微博用户行为演化进行分析发现，在事件的征兆阶段，转发、评论、点赞数相差不大；在爆发、持续与恢复阶段，点赞则成为最主要的用户行为。并且，转发的高峰期相对于发博高峰期会滞后1—2日。此外，在重大突发事件的发展周期中，关键事件的发生或意见领袖的参与促成了用户行为的爆发式增长。

（2）对微博主题与用户行为的相关性分析发现，在本次重大突发事件期间，微博用户倾向于对以意见发声、信息公开为主题的有关博文点赞；倾向于对意见发声、事件进展、信息公开的博文内容进行评论；倾向于对内容与“发现新冠病毒可能出现人传人”有关的博文进行转发。用户在新浪微博平台上的用户行为具有差异性和偏向性，不同类别的话题引起的用户行为可能存在较大区别。

本文仅分析了本次重大突发事件爆发期的两个月内微博话题与用户行为的演变，由于此次重大突发事件时间较长，研究结论是否适用于事件后续阶段仍需考证。另外，由于本次重大突发事件引起广大群众的高度关注，国外疫情的蔓延也引发了不同国度网民的热议，因此在后续的研究中可以进一步探讨国内其余平台及国外不同社交媒体用户行为演化规律，并进行多维的对比分析，为在突发公共卫生事件中进行全面有效的舆情监管提供有价值的参考。

参考文献

作者简介

张兆阳,博士生,研究方向为数字人文与档案, Email:[e-mail];

王君领,本科生,研究方向为知识管理与信息管理;

黄佳妮,本科生,研究方向为知识管理与信息管理;

沈嘉裕,本科生,研究方向为知识管理与信息管理;

王伊杨,本科生,研究方向为知识管理与信息管理;

赵蓉英,博士,教授,研究方向为信息计量与科学评价、知识管理与竞争情报。

*原文载于《信息资源管理学报》2021年第2期，欢迎个人转发，公众号转载请联系后台。

* 引用格式

本文引用格式: 张兆阳, 王君领, 黄佳妮, 等. 重大突发事件期间微博主题与用户行为的关联演化研究[J]. 信息资源管理学报, 2021, 11(2): 28-38.

往期 · 推荐

信息资源管理学报

微信号

xxzyglxb

制版编辑 | 王阿凤

审核 | 于   媛