社交媒体传播效果的数据来源
首先，我们在新浪微博上收集了一些官方媒体用户的数据，在删除了信息不相关或者包含不完整信息及异常值的帖子之后，我们得到了所需的有关突发事件的博文。
根据国家对突发事件的分类标准，以及官方媒体在报道中对于常见突发事件的分类情况，本文将突发事件分为14种类型（见图4-10）。我们从这些官方媒体的微博中摘录了关于突发事件的有关微博，以不同类型突发事件的正规表达进行初步筛选。
图4-10 方法流程图
根据初步筛选结果，我们结合了一万个被评定为突发事件的帖子和一万个未被评定的帖子，将它们一并放入BERT[99]中，这是第一个基于微调并在一组大型的句子级和标记级任务的基础上实现先进性能的表示模型，我们运用了超越特定任务的架构对该模型进行训练，从而获得多级分类模型。然后，我们使用此模型将数据集中的所有帖子再次分为以上14种突发事件类别，以便进一步进行准确性分类。
下面我们详细介绍一下这个数据集的信息。该数据集包含2012年至今发布的样本帖子，总共24466个，每个帖子由用户信息、帖子文本信息和用户人际关系信息组成。(https://www.daowen.com)
根据每年新浪微博用户的发展报告，我们发现女性和男性在新浪微博上表现出的行为及兴趣通常大相径庭，因此我们将性别作为重要研究因素之一。而VIP级别越高的用户拥有更多权限，他们的帖子有更高的优先级，通常会被优先推荐给其他用户，也就是说，他们的帖子会吸引更多人的注意力。根据过往经验和其他论文的研究成果，带有图片或视频的原创帖子会赢得更多人的关注。至于粉丝数和帖子数，它们分别反映了用户的受欢迎程度和发帖活跃度。最后，我们统计了在新浪微博中具有重要作用的“#”和“@”符号的数量。
时间也是我们需要考虑的一个重要因素。新浪微博用户数量及功能、界面每一年都在变化。而且根据人们的日常生活安排，在节假日人们通常有更多时间上网娱乐。对于发帖时间，我们将一天分为六个时段，因为数据显示一天中的不同时段交互行为的程度不尽相同。每个因素对交互式数字的重要性将显示在实验结果中。
在本文中，我们将帖子的点赞数、转发数和评论数相加，作为评定其受欢迎程度的标准，因为点赞、转发和评论是人们能且仅能在与帖子互动时进行的三种互动行为，而其中任何一种都不能完全显示人们对这个帖子的反馈情况（见表4-1）。
由于无须预测每个帖子的精确互动次数，因此我们将互动次数分为三个区间：0～100、100～1000、1000以上，原因是：首先，对于社交媒体用户来说，小于100的互动数量相对不足，而100～1000之间是官方社交媒体账号的互动中位数值。但互动数在1000以上的帖子传播范围更为广泛，也更受大众关注。其次，我们根据数据集中所有帖子的互动数量分布情况来看，三个区间的帖子数量比较均衡，这对接下来的模型训练是十分有益的。
我们尝试了四种多类模型：SVM、随机森林、CatBoost和LightGBM。我们根据三个标准比较了它们的预测效果：准确率、召回率和f1值。最后选择了随机森林，原因如下：①在这个数据集中，我们的大部分特征都是分类数据，基于距离的模型只能使用one-hot encoding来处理这些特征，这会大规模地增加特征的数量，但是鉴于决策树模型的结构，这个问题可以得到很好的解决；②当数据不成比例时使用随机森林，可以减少过度拟合；③在三个标准下，随机森林在这四个模型中表现最好。
