在线内容早期传播的影响因素研究——经济与管理

一、引言
随着信息技术的快速发展，以社会化媒体为代表的新型互联网应用不断诞生和繁荣，从最早的博客、播客、维基一直到最近流行的社交网络、微博客，不同的互联网服务平台上累积了庞大的用户基础。据iUserTracker最新的调查显示①，截至2012年5月，社区交友服务覆盖人数超4亿，渗透率达80%，其中，微博及SNS的覆盖人数最多，微博覆盖人数约为2.7亿人，SNS覆盖人数约为2.6亿人。借助这些平台，用户持续不断地发布和传播着各种各样的信息，使得互联网在线内容呈现出欣欣向荣的景象。
在繁荣的背后，可以关注到在线内容特有的现象：少数内容在短期内获得了大量的关注和传播而成为热点，而大多数内容则人气平庸，在诞生后不久便退出了人们的视线。这一现象，在具有协同过滤（collaborative filtering）功能特性的社会化媒体中显得尤为突出：用户往往只关注和传播自身感兴趣的人发布的内容，从而形成基于兴趣的关注链条，当内容符合用户群体的兴趣时将得以沿着链条持续传播，否则将很快停止传播并消退。这使得在线内容的传播成为了包括企业组织和政府机构在内的许多社会化媒体用户所关注的问题，因为准确而实时的在线内容流行度预测一方面使得企业能够通过对内容访问的定价和广告投放实现收益的最大化（Lerman和Hogg，2010）[1]，另一方面有助于政府把握和掌控网络舆情，积极回应民众通过网络渠道的诉求并治理传播中的有害信息。
尽管对在线内容的流行度（popularity）和网络热点的研究提出了不少能实时发现热门话题的算法和模型，然而对于特定在线内容是否能够成为热点的问题则有待进一步的研究探索。基于此，本研究首先对国内外有关研究进行介绍和评述，然后以新闻微博帐号为研究对象，采用用户访谈与历史数据抓取与分析相结合的方式，探索并验证在线内容早期传播的影响因素。
二、相关研究评述
在国外，在线内容流行度的预测已经受到学者们的关注。Wu和Huberman（2007）通过分析digg.com上近100万人的互动情况，确定数千个新故事的关注的增长和消退，并验证了一个用于预测故事生命周期的动力学和统计分布的理论模型[2]；Saha和Sindhwani（2012）提出了一个基于文本内容的在线非负矩阵因子分解框架，用于预测即将产生的热点主题，并且取得良好效果[3]。
在国内，不少学者也提出了不同的网络热点探索和发现方法，如刘星星等（2008）面向互联网新闻设计了热点事件发现系统，能够根据大规模数据自动发现特定时期内的热点事件[4]；基于已有的热点挖掘和舆情分析技术，吴方照（2012）实现了一个完整的网络热点话题挖掘与分析系统，能够确保获取的热点话题的时效性[5]。这些研究的特点在于基于一定的算法构建模型，然后通过网站的宏观历史数据对模型进行验证，并且能够用于新热点的发掘和预测。然而，这些模型无法用于对具体内容的传播以及流行度的预测，而对于具体的用户而言，更关心的往往是特定的内容（通常是用户自身发布的内容）能否获得广泛传播并成为热点。要回答这一问题，首先需要理解在线内容传播的过程。
在线内容的传播通常可以分为早期传播和长期传播两个阶段。在早期传播阶段，内容的传播主要受到哈罗德·拉斯韦尔提出的传播“5W”（Who says what in which channel to who with what effect）模式，即内容发布者、内容本身、传播媒体（渠道）、内容接收者以及传播效果的影响，因为在这一阶段，内容往往只是传播至发布源的直接关注者，二次传播尚未开始；而长期传播，则受到包括协同过滤机制在内的许多其他因素的影响：一方面，一些内容的接收者进一步也成为内容的分发者，因而后来的内容接收者将可能感受到多个层次的内容来源（Sundar，2007）[6]；另一方面，媒体对多次传播的内容提供了多样化的线索，这些线索能够帮助用户评估内容，从而也会影响内容的进一步传播，如在新浪微博中，已被用户大量讨论的话题会成为热门话题，从而出现在首页右侧的热门话题榜中，进一步引发了其他用户的关注和讨论。
尽管内容的长期传播机制十分复杂，然而多个研究表明，内容的早期传播情况对长期传播有良好的预测能力。例如，Szabo和Huberman（2010）的研究表明，在线内容的长期流行度（popularity）可以通过早期的用户访问量来预测，其误差不高于10%[7]；Lerman和Hogg（2010）指出，尽管大量因素在影响内容传播的先验预测，但基于早期内容出现的用户反应能够预测内容未来的流行度[1]。因此，部分学者将研究重点放在了在线内容的早期传播上，并探索出了一些可能影响用户分享内容的意愿并最终影响内容流行度的因素，如发布者（来源）的可信度（Ha和Ahn，2011）[8]、内容质量（Agarwal等，2008）[9]、接收者对内容质量、风险的感知和信任（厉钟灵，2012）[10]、用户的动机（Marett和Joshi，2009）[11]以及对在线社区的参与度（Chang和Chuang，2011）[12]等。这些研究的特点在于回归到微观的传播行为中，基于对个体用户行为意愿的研究得出结论，所采用的模型的因变量往往是用户对内容的分享或转发意愿而非实际的早期传播效果，因而有待在实际的传播情境中进行验证。
综上所述，本研究将从内容发布者的实践出发，重点关注与内容发布相关的因素对早期传播的影响。