政务微博整体网络的关系解剖

杜杨沁

〔摘 要〕本文聚焦政务微博整体网络，对网络中的整体特性进行剖析。通过引入可达性、聚焦效应、简并度和邻居成员间相互作用4个方面指标，本文从纵向层面对政务微博网络进行了深层剖析，详细地探寻网络中各节点之间的相互作用和网络演化能力。研究表明政务微博具有小世界特性、较高的凝聚力和信息传达性等特征，对政务微博舆情的监管应抓住核心节点，根据各节点不同特征采取相应的运营策略。

〔关键词〕政务微博；社会网络；关系

DOI：10.3969/j.issn.1008-0821.2015.09.010

〔中图分类号〕G315 〔文献标识码〕A 〔文章编号〕1008-0821（2015）09-0049-07

〔Abstract〕This paper studied features of government micro-blog social network.In response to accessibility，cluster effect，degeneracy and neibourghood relationship of a social network，this paper introduced four types of indicators to capture the reaction among individual egos and network developmental capacity.The study showed small-world effect，cohesion，and diffusibility in government micro-blog social network.The paper concluded that the government micro-blog with small world properties，higher cohesion and information communication features，the government micro-blog public opinion supervision should grasp the core node，take the corresponding operation strategy according to the different characteristics of each node.

〔Key words〕government micro-blog；social network；relationship

微博为网民提供了一种创新的交互方式，逐渐形成了稳定的网络关系网。信息的传递在复杂的关系网中进行传播扩散。因此，微博网络关系网可以看成是一个复杂的社会网络，具备了社会网络的基本特点。程学旗、沈华伟（2012）[1]认为微博在用户的使用过程中，在网络空间结成了各种关系，比如，用户之间的关注关系、实时交互过程中结成的共同兴趣关系。彭兰引入社会网络理论来分析微博的信息传播机制，认为社会网络不仅是微博的信息扩散的基本机制，而且是一种信息消费模式，并呈现分布式的特点。因此，有效分析和挖掘微博中复杂的用户关系不仅可以激发、助推和引导、控制社会舆论事件的发展趋势，还可以大大降低各类成本。王连喜等（2012）[2]认为Web20的广泛应用和新型社会化网络服务媒体的盛行，促使网络服务服务从以数据为主导开始转变为以用户或用户关系为指导，微博作为当下最流行的社会化网络服务媒体，其用户关系挖掘研究成为在这一背景下迅速兴起的一个新的研究课题。因此，社会网络模型和舆情指标的构建是研究微博用户关系网络及交互行为的一种系统方法。

基于微博的以“关系”为核心的特征和微博研究的创新性意义，国内外学术界已经有学者将研究方向转向于此，并已经取得了一定的成果。目前，主要研究角度有以下几个方面：

（1）对微博社会网络结构的研究

Haewoon Kwak等（2010）[3]通过对Twitter网站的数据挖掘，对其粉丝的拓扑结构进行分析，认为Twitter粉丝为一种非幂律分布，短有效半径，低互惠，这与人类社会网络结构特性有所偏离；Mislove A等（2007）[4]对在线社交网络进行了静态拓扑图的研究。通过对大规模的测量研究和分析多个在线社会网络的结构，论文证实了在线社交网络的小世界，幂律和无标度特性。此外，该文还通过观察到用户节点的入度与出度；发现网络包含一个人口密集程度高的节点的核心，这个节点小团体色彩强烈。张韦全、陈京民（2012）[5]对微博参政群体进行密度、中心性、凝聚子群以及结构洞的挖掘，发现微博参政群体存在参政领袖和子群现象；微博社会网络的微观结构分析、微博社会网络中的信息传递机制、资源共享机制、信息传输成本和传播效率等问题仍需进行深入探讨，同时缺少实证方面的研究。平亮、宗利永（2010），姜鑫、田志伟（2012）[6]，袁园、孙霄凌、朱庆华（2012）[7]，宋恩梅、左慧慧（2012）[8]均从不同的角度尝试构建了基于社交网络模型的微博舆情指标，研究了微博的微观网络结构和信息传递的方式，推进了微博研究的向深度方向、量化分析方向发展。

（2）对微博网络中交互行为的研究

Kristene Unsworth等（2012）[9]运用社会网络分析方法、内容分析和话语分析3种混合方法分析美国农业局与大众之间的互动，指出传统定义中的透明、合作和参与型政府应在社交媒体的互动环境下进一步延伸。Wilson C等（2009）[10]对Facebook在线用户之间的交互关系进行研究，提出对用户交互使用进行社会联系的量化分析，脸谱网用户的使用痕迹表明，他们表现出的“小世界”性质所现实的水平略低于同行，这意味着，脸谱网的网络关系结构图中“超节点”的程度非常高。王莹莉、张敏（2012）[10]认为，微博为网民提供了一种创新的交互方式，逐渐形成了稳定的网络关系网。信息的传递在复杂的关系网中进行传播扩散。因此，微博网络关系网可以看成是一个复杂的社会网络，具备了社会网络的基本特点。微博研究在传播特征及运作机制上已取得了一定的成果，但在微博用户关系网络及其交互行为，微博信息组织、共享和管理机制研究等方面仍需要更为系统的研究框架支持。endprint

（3）比较微博社交网络与现实社交网络的区别

Ahn Y Y等（2007）[11]研究在线社交网络与现实社交网络关系的差异性，通过Cyworld、MySpac和Orkut 3个在线社交网络的数据挖掘、分析其度相关性、度分布和聚类性能。结果发现，在线社交网络与现实社交网络具有偏离性，不能够完全复制。

（4）挖掘微博网络中的关键节点

WangY等（2011）[12]利用基于邻接图谱矩阵的中心性等分析方法来度量Twitter用户节点的重要性，根据节点重要性判断Twitter网络社区中的意见领袖。田占伟、隋玚（2012）[13]发现信息在微博网络中的传播效率比其他在线社会网络更高，同时节点在信息传播中的作用差异很大，易于形成意见领袖。袁毅（2011）[14]等从微博信息传播网络的角度出发，以原创博文为中心沿着多条路径进行逐级发散传播网络，通过对微博网络节点的影响力进行分析，发现强势节点（意见领袖）越早出现在传播早期，越有利于信息的扩散。平亮、宗利永等（2010）[15]在社会网络的基础上，结合微博用户之间“关注”和“被关注”信息的传播过程中所形成的网络拓扑结构对微博社会网络的中心性用户进行了分析，并在此基础上识别微博社区的意见领袖。王连喜等（2012）对微博的关键用户识别进行了挖掘研究，认为目前研究文献中对先有用户影响力的定义和评价准则过于单一，需要设计更准确和更高效率的关键用户识别方法。在用户社群分析方面，需要加强对于微博层次重叠和动态的用户社群分析研究，以通过对微博用户关系的动态变化性来挖掘更多、更有价值的潜在规律。

综合上述已取得的研究成果，我们认为未来微博关系网络的研究应从网络结构分析和用户关系分析两个角度，而用户关系挖掘研究又存在两条主线：即一是研究微博用户社群的关系；二是微博关键用户识别研究，关键用户识别则主要是用各项指标测试该用的影响力。网络结构分析则主要从用户的关系结构进行分析，其中分为微观网络结构和宏观网络结构两个视角。就国内的研究而言，运用社会网络分析方法对微博进行的实证研究还比较少，以政务微博为研究对象的更是没有，政务微博作为微博中的一个重要集群，它的社会网络结构特征和舆情传播特性及关键节点的情况等都亟待研究，从而可以更好地发挥政务微博在突发公共事件、舆情管理，社会公共服务等方面的重要作用。

本文将以新浪微博的十大政务为轴心的政务微博整体网络为研究对象，从宏观层面上分析政务微博网络的特性。第一，本文将从纵向层面对政务微博的整体网络进行深层次解剖，尝试研究该网络的微观结构组成及该网络成员在整体网络中扮演的角色。第二，本文将利用网络可达性、集聚效应、简并度和邻居成员间相互作用4个方面的指标体系进行剖析，重点关注该网络中各节点间的相互作用关系和网络演化能力。第三，本文将基于Ugander J等（2010）[16]解剖脸书（Facebook）社会网络的研究成果，比对分析我国政务微博网络表现出来的共性和特性。

1 整体网络解剖的测量指标

本文将从网络可达性、集聚效应、简并度和邻居成员间相互作用4个方面对政务微博整体网络进行解剖，结合社会网络分析方法的文献成果，本文使用的指标体系包括距离、k核和集聚系数。

11 距离（Distance）

在整体网络中，距离指标是衡量网络中两个节点间可达性和信息传递速度、成本的重要指标。距离是连接两个节点之间最短路径的长度。哈佛大学的Stanley Milgram在1967年通过对300名志愿者的调研实现中提出了著名的“六度分割理论”。Stanley指出，在小世界网络中，一个人只需经过不超过6次的联系中转就可将信息传递给任意陌生人。Kleinberg，JM（2010）[17]构建了社会网络模型，证明了在绝大多数小世界模型中，任意节点间的平均距离均小于6。在政务微博分析中引入距离指标，可以直观地反映政务微博网络中个体间消息传播的速度（距离越短，消息传播的速度越快），同时也是政务微博网络是否具备小世界网络特点的一个有效判断依据。公式（1）为网络中个体平均距离的计算公式，其中dist（i，j）为两点间的最短距离。

distaverage=2N（N+1）∑i≤N∑j≥idist（i，j）

（1）

12 k核（k-core）

k核指的是在某个社会网络构成的图中，其任意一个子图中的节点都至少与该子图中的k个其它节点邻接，是衡量网络中简化度（Degeneracy）的重要指标。Seidman，SB（1983）[18]首先构建了k核指标用于描述整体网络凝聚力。他指出k核的增大能捕捉到网络凝聚力逐渐提升的过程。除此之外，k核还表现出网络中派系存在的一些特点。根据k值的不同，我们能尝试寻找隐藏在网络中的一些凝聚子群。在政务微博网络分析中使用k核指标，将帮助我们识别网络中各节点形成的派系特征，有助于对政务微博网络中的个体进行分类标识，进而按照不同的派系研究网络中形成的各群组的特点，从而掌握政务微博网络的群组组成及其在网络中扮演的角色。

13 集聚系数

集聚系数是描述网络中节点特性的重要指标。集聚系数反映了网络中节点之间集结成团的程度（即一节点与其它相邻节点间相互连接的程度）。集聚系数越高，表示该节点附近发生集聚效应越明显。集聚系数的定义如公式（2）所示，其中ki表示的是指向节点vi的边与从节点vi指出去的边的总数，L（i）表示与节点vi相连的边的集合。理论研究表明，小世界网络的集群系数远大于同一规模下随机网络的集群系数。田占伟、隋（2012）研究发现，微博网络的集群系数较大，集群现象显著。集聚系数可用于描述政务微博网络的个体间聚合程度，通过聚合程度的判断，我们可以推断出网络中各类型群组具有的整体响应能力。集群现象越显著，群组内整体响应的能力越强。endprint

Cc（v）=2{ejk∶vj，vk∈L（v），ejk∈E}kv（kv-1）

（2）

2 实证分析

21 实证数据准备

本文选取了人民网舆情监测室《2012年新浪政务微博报告》公布的影响力排行十大政务微博机构为研究起点 ，基于十大政务微博“上海发布”、“平安北京”、“成都发布”、“平安中原”、“公安部打四黑除四害”、“南京发布”、“广州公安”、“警民直通车-上海”、“上海铁警发布”和“外交小灵通”构建形成一个复杂网络。

笔者编写了数据接口程序，通过新浪微博技术开放平台提供的API接口获取了十大政务微博的相互关注列表，首先构建形成了十大政务微博关注群集网络，累计节点5 492个，每个节点代表1个微博用户；接着，构建5 492个节点间的网络关系。若两个节点互相关注，则我们认为该节点建立了关系。根据此规则，共计建立114 566个关系，并给每组关系赋值权重为1。

本节将从网络可达性、集聚效应、简并度和邻居成员间相互作用进行剖析，重点关注网络中各节点间的相互作用关系和网络演化能力。文章22节将引入距离指标分析政务微博网络的小世界特性及网络中个体的传播效率；文章23节和24节将分别引入k核和集聚系数对政务微博网络中各派系的集聚能力和信息传播的整体响应能力进行分析；文章25节将通过研究邻居节点的网络大小分析网络中相邻个体间的相互关系及影响。

22 六度分隔效应

采用公式（2）计算我们得出，政务微博网络的“平均距离”为275，最大距离为4，约占176%；最小距离为1，约占08%；网络中距离为2和3的个数分别占到整体网络的274%和674%。

计算结果显示，政务微博的距离指标在“六度分割理论”的范围之内，甚至小于Ugander J等（2010）计算得到的Facebook网络中两节点间的平均距离470。这一结果说明，政务微博网络具有典型的小世界网络特性，且网络中各个体间关系紧密，信息在政务微博网络中具有快速传播的能力。正因为其具有小世界网络的特性，我们发现政务微博网络出现了小世界网络中通常都存在的枢纽现象，即以“上海发布”、“南京发布”等大型政务微博为核心枢纽的辐射状网络体系。同时，基于平均距离得到的凝聚力指数为“0282”，表示从整体上看，政务微博具有一定的凝聚力。

23 凝聚子群

根据Seidman，SB（1983）的算法，我们采用Ucinet软件计算得到了政务微博所有5 492个节点的k核值，其中k核值最大为57，最小为1，均值为22。图1绘制得到了k核值的整体分布情况。由图中可以看出，网络中节点的k核指标值呈现出递减分布的趋势，即在网络中拥有较大k核值的节点占少数，随着k核指标的不断增加，拥有该k核指标的节点数呈现出下降趋势。

同时，我们也发现k核值为36和57的节点分布与整体趋势存在较大的差异，分别有332和347个节点k值为36和57。通过分析这两组节点，我们观察到了一个有趣的现象。在k核值为57的节点中，有很大一部分是公安类的微博，既包括“平安北京”、“平安中原”等6个跻身10大政务微博的公安类微博；又涵盖了诸如“余明警官”在内的诸多个人公安类微博。而在k核值为36的节点中，存在着几类特殊的集聚子群。分别是以“新闻晚报”、“新华社中国网事”等为代表的新闻讯息类政务微博子群，以“上海普陀”、“上海杨浦”等为代表的上海地方性政务微博子群、以“南京市审计局”、“南京市公安消防局”等为代表的南京地方性政务微博子群。综合分析，我们认为k核同时具备反映政务微博集聚效应和派系效应的特点。在政务微博社会网络中，绝大部分群体凝聚成一个小团体，k核值较小；但是，我们也发现了诸如公安类政务微博群和上海、南京等几个典型的地方政务微博群具有较强的凝聚效应。特别需要指出的是公安类的微博，表现出了很高的凝聚力，组成了一个覆盖范围很广的派系。

表1给出了十大政务微博的k核值，由表中指标值可以看到，除了“成都发布”、“南京发布”和“外交小灵通”外，其余7个微博k值均超过了50。表现出了很高的集聚效应。这也与先前研究中发现的公安类和典型的地方性微博具有很强的凝聚能力吻合。此外，值得特别一提的是“外交小灵通”，该微博的k核值仅为25，相较均值略高，这说明以“外交小灵通”为代表的社会子网是一个较小的团体，但正是这个看起来不是很起眼的小团体具有很强的信息传递效率，并位列十大政务微博之中，其运营模式值得我们进一步关注和研究。 Ugander J等（2010）文章中指出，k核与网络大小存在正向联系，即如果你身处一个大型社会网络中，则你更有机会结识并形成一个包含更多人在内的子群。该文通过分析Facebook社交网络得到的实证研究结果显示：一个拥有100人的社交网络子群，其k核值约为15；一个拥有500人的社交网络子群，其k核值将达到53。图2给出了政务微博网络大小与k核值相关分布图。通过比较我们发现，当政务微博子网大小达到100时，其k核值将达到约40左右，远大于Facebook中同样规模的子网络表现出来的集聚效应。这说明相比一般的社交网络群体，政务微博网络呈现出更好的简化度。当子网大小超过400时，k核指标将收敛于一个稳定的区间，该区间与Facebook同样规模的子网k核值接近，约为55左右。这说明相对于Facebook这样大型的社交网络，政务微博网络具有一定的范围约束，即社会网络随着网络大小的增加，其聚合简化能力将趋于稳定。这一特点意味着政务微博的发展不能仅依靠粗犷式的发展模式，否则在发展到一定规模后，新增成员给该政务微博社交网络带来的贡献和效率将显著下降甚至几乎不会带来更多的帮助。

从十大政务微博网络大小和k核值分布情况看，综合性政务微博的聚集能力比公安类微博的聚集能力表现差一些。以“上海发布”和“南京发布”为例，两个微博的网络大小分别达到了1 061和1 210，但其网络大小并没有给k核值带来额外的贡献。特别地，“南京发布”的k核值甚至比许多网络大小一般的公安类政务微博来得小，为48。“公安部打四黑除四害”微博则表现出了高度的聚集能力。从表看到，“公安部打四黑除四害”的网络大小仅为152，但其k核值却高达57。这也意味着“公安部打四黑除四害”微博具有凝聚其它重要公安类微博的能力，从而为其在信息传递和舆情控制上表现出色创造了条件。endprint

24 集聚效应

反映网络中各节点聚合程度的指标有多个，k核和集聚系数是其中最直观的两个。k核指数倾向于描述网络中个体中潜在的小团体大小，而集聚系数则更多的反映了整体网络的集聚程度。

图3描述了政务微博社交网络的节点集聚系数分布情况。从图中可以看出，集聚系数呈现出群聚分布的现象，即在某一区间段，大多数节点拥有相似的集聚系数。这表明政务微博网络中的节点较容易形成若干个子网络群。在子网络群中，节点表现出较高的集聚效应。同时，我们也发现，拥有较大集聚系数的节点越少，即当集聚系数小于05时，节点数量的分布较密；而当集聚系数大于05时，节点数量的分布则变得相对稀疏。当然，也有相当一部分节点拥有很高的集聚系数，这些节点主要是一些处于政务微博小网络群体内的政务微博。他们通常拥有较小的圈子，并专注于圈子内的交流，很少存在跨圈子的朋友。

表2给出了十大政务微博的集聚系数。从表2可以看出，十大政务微博的集聚系数均很小，其中集聚系数最大的为“公安部打四黑除四害”微博，其集聚系数也只有023。3个综合类政务微博“上海发布”、“成都发布”和“南京发布”的集聚系数很小，仅为002、003和002。这一现象不难解释：由于十大政务微博均处于较广泛且较大的网络中心，但分别以其中每个节点为核心的子网络群中的其它节点间的并非存在完全联系，正因为如此，尽管十大政务微博的k核值很大，但是其集聚系数则相对很小。这意味着网络越大，整个网络的聚合能力将越小。

图4更为直观地说明了网络大小与网络集聚系数的关系。由图中可以看到，随着网络的不断增大，集聚系数呈现出显著减小的趋势。这与Ugander J等（2010）中对Facebook分析的结论类似。Facebook的数据显示，一个拥有100个朋友的节点，其集聚系数约为014；而政务微博的结果显示，一个拥有100个关注朋友的节点，其集聚系数将大于02。这说明相对于Facebook，政务微博群体具有更高的集聚能力。同时，我们也可以看到在网络大小超过400时，节点的集聚系数稳定在01左右，这意味着网络的持续增大无法为整体网络提供更好的集聚作用，这在Ugander J等（2010）的文章中也得到了呼应。他们指出，在朋友数超过5 000的网络中，其集聚系数将显著下降并接近于0。

25 邻居效应

我们通过构建网络大小相关系数描述邻居效应。网络大小相关系数描述了一个节点的网络大小与其邻居节点网络平均大小的关系。图5描述了政务微博社会网络中个体与其邻居节点的网络大小关系。从图中可以看出，当一个节点的网络很小时（小于50），其邻居节点的网络大小通常很大，这说明对于处于小网络中的核心节点，其邻居对其的影响是巨大的，这些节点在整体网络中处于被动的地位；当一个节点的网络很大时（大于400），其邻居节点的网络大小通常很小，这意味着对于处于大网络中的核心节点，其邻居对其的影响是有限的，这些节点在整体网络中处于主动的地位；当节点的网络大小处于中间状态时（大于50小于400），则其自身的网络大小与邻居节点的平均网络大小呈现出正相关关系。但是，相对于Facebook中网络大小相关系数中表现出来的显著正相关，政务微博中的网络大小相关系数并不明显。也就是说，当一个节点处于一个大小适中的网络中时，其网络对其邻居的网络的扩张具有一定的促进作用，但促进作用并非显著。这说明政务微博网络中个体间的影响力有待进一步提高。

表3显示十大政务微博在整体网络中处于主导地位，邻居节点构成的网络一般都远小于十大微博本身。惟一例外的是“公安部打四黑除四害”微博，其邻居节点的平均网络大小为17184，超过了其自身构成的网络大小152。这说明“公安部打四黑除四害”的运营规则与其它政务微博的运营方式有很大不同，其经营发展更多的是来自于与其建立联系的邻居微博的贡献。

3 结论和建议

本文以十大政务微博为轴心的整体网络为研究对象，并对该整体网络的纵向结构进行剖析，引入距离、k-核、集聚系数两类社会网络分析舆情指标体系，从六度分隔效应、凝聚效应、集聚效应和邻居效应四个方面进行剖析。研究表明，政务微博网络具有典型的小世界网络特性，且网络中各个体之间关系紧密，具有一定的凝聚效应，舆情信息传播较快，大型政务微博如“上海发布”、“南京发布”等在网络中扮演核心枢纽的角色，控制着舆情信息的传递和共享。结合研究形成的指标数据和分析结论，本文对政务微博的监管和未来的健康发展提出以下几点政策性意见：

31 重视政务微博的“小世界”特性，重点关注核心枢纽节点 从本文的实证分析可以看出，政务微博网络由一个个内部联系紧密的子网络组成，这些网络内部联系频繁，信息传播迅速，具有较强的凝聚力。但这些子网络与其他子网络进行联系，需要依靠占据枢纽核心地位的政务微博，如“上海发布”、“南京发布”等，政务微博整体网络结构为以这些枢纽微博为核心的辐射状网络体系。核心微博的特点是其网络规模较大，且内部由多个子网络组成，而该核心微博控制着通过这些子网络的关键节点，形成了一种发散式的星状分布结构。因此，找到这些核心微博是政务微博舆情监管的关键。根据这样的网络结构特点，我们看到核心微博在整个网络中扮演着领导者和聚集者的角色，在舆情发生之时，我们应及时从核心微博入手，短时间内控制舆情的走势。舆情的响应应该从事发时刻甚至是事发前（舆情的监测预警）即要开始，及时地在舆情扩大前掌握话语权和舆论导向，是舆情监管的重要环节。核心微博的及时介入，将向公众释放政府高效、亲民、政务公开的信号，对改善政府与普通民众间的关系，树立政府在危机攻关、政务公开等方面在群众中的信心意义重大。

32 针对不同门类的集群特点进行运营管理，同时注意控制微博的规模 从本文的实证分析我们看出：公安类的政务微博从横向和纵向两个角度都存在着凝聚子群，在横向上，如跻身十大政务微博的“平安北京”、“平安中原”，纵向上，有“余明警官”等基层公安类微博，这样的凝聚效应已经形成了稳定的派系；综合性政务微博如上海、南京等也产生了自上而下的微博集群，且其表现出了多元化、纵深化的发展趋势；一些专业化程度较高的政务微博，诸如“外交小灵通”则倾向于形成一个比较自我的局域网络，具有较为缜密的小圈子，与其他网络的联系性不大，但自身内部信息传递较为迅速。因此，在监管方面，根据不同门类的集群特点需制定不同的策略。针对公安类的派系要分别抓住横向和纵向的核心节点，便可控制整个网络的信息流向；对综合性的政务微博要找到最上层的领导微博，同时寻找各层次上典型领域的领导微博；对于像“外交小灵通”这类较为个体化的微博，因为与其他微博的信息交换能力差，在监管方面可以重点关注某些个体微博。endprint

在微博的规模与传递效果关系方面，我们发现，像“上海发布”、“南京发布”这类综合性超大政务微博因其规模太大，无法像公安类微博一样具有较好的聚集能力。这意味着，网络的规模与聚焦能力超出一定范围将呈现反比的状况，因此，无限制的扩张对超大型政务微博的监管不利，当发展到一定规模时，因由粗犷型发展向集约型转变，发展有利于信息控制的节点，摒弃重复无效率节点，对政务微博网络进行精简，形成一个具有很强层次结构的辐射网络。

33 有效利用邻居节点的影响，采取不同的运营策略 通过对邻居效应的实证分析，我们发现十大微博中大部分因其规模较大，内部包含子网络较多，且各个子网络之间联系并不大，因此邻居效应较差，而“公安部大四黑除四害”因其横向和纵向已形成一定得派系，各个子网络之间属于一个系统，因此邻居效应比较好。从规模来看，规模较小的网络中的核心节点受邻居的影响较大，规模较大的网络受邻居网络的影响小。因此，在监管时，要根据网络的规模，对中小规模的网络，在信息传播、控制、引导时要扩散到其相关的邻居网络，以提高监管的效果。而对达到一定规模的微博，应采取关注核心节点的监管策略。

参考文献

[1]程学旗，沈华伟.社会信息网络中的社区分析[J].中国计算机学会通讯，2012，7（12）：12-20.

[2]王连喜，蒋盛益，庞观松.微博用户关系挖掘研究综述[J].情报杂志，2012，（12）：18.

[3]Kwak H，Lee C，Park H，et al.What is Twitter，a social network or a news media？[C].ACM，2010：591-600.

[4]Mislove A，Marcon M，Gummadi KP，et al.Measurement and analysis of online social networks[C].ACM，2007：29-42.

[5]张韦全，陈京民.基于社会网络挖掘的微博参政群体实证研究[J].计算机与现代化，2012，（5）：21.

[6]姜鑫，田志伟.微博社区内信息传播的“小世界”现象及实证研究——以腾讯微博为例[J].情报科学，2012，（8）：6.

[7]袁园，孙霄凌，朱庆华.微博用户关注兴趣的社会网络分析[J].现代图书情报技术，2012，（2）：68-75.

[8]宋恩梅，左慧慧.新浪微博中的“权威”与“人气”：以社会网络分析为方法[J].图书情报知识，2012，（3）：43-54.

[9]Unsworth K，Townes A.Social media and E-government：A case study assessing Twitter use in the implementation of the open government directive[J].Proceedings of the American Society for Information Science and Technology，2012，49（1）：1-3.

[10]Wilson C，Boe B，Sala A，et al.User interactions in social networks and their implications[C].ACM，2009：205-218.

[11]Ahh Y-Y，Han S，Kwak H，et al.Analysis of topological characteristics of huge online social networking services[C].ACM，2007：835-844.

[12]Wang Y，Di Z，Fan Y.Identifying and characterizing nodes important to community structure using the spectrum of the graph[J].PloS one，2011，6（11）：e27418.

[13]田占伟，隋.基于复杂网络理论的微博信息传播实证分析[J].图书情报工作，2012，56（8）：42-46.

[14]袁毅.微博客信息传播结构，路径及其影响因素分析[J].图书情报工作，2011，55（12）：26-30.

[15]平亮，宗利永.基于社会网络中心性分析的微博信息传播研究——以Sina微博为例[J].图书情报知识，2010，（6）：92-97.

[16]Ugander J，Karrer B，Backstrom L，et al.The anatomy of the facebook social graph[J].arViv preprint arXiv：11114503，2010.

[17]Kleinberg JM.Navigation in a small world[J].Nature，2000，406（6798）：845-845.

[18]Seidman SB.Network structure and minimum degree[J].Social networks，1983，5（3）：269-287.

（本文责任编辑：郭沫含）endprint