本文筆者將對微博上，“昆山反殺案”事件發展過程中，用戶的情感變化進行分析和通過圖標可視化，從中分析出輿論傳播過程中用戶情感傳播特征以及尋找出情感傳染的規律。

一、摘 要

隨著社交平臺的發展與普及，微博逐漸成為網民表達態度、發表意見以及進行深入互動的重要平臺。

微博用戶社會參與程度不斷加深，其情緒傳染與現實公共事件有關，而情緒積累與傳染可能引發大規模群體事件。因此，有必要對微博情感進行分析，判斷用戶情感類型，分析情感傳播特征繼而找尋情感傳染規律。

本研究對“昆山反殺案”微博進行情感分析與可視化，發現：用戶評論的高頻情感詞，尤其是處于中心位置的情感詞集合，反映網絡輿情事件的主導情感基調，而高頻詞呈現出更加主觀的態度或觀點，能反映用戶對整個事件的自身真實情緒與主觀性評價。

用戶情感與事件基調走勢呈一致性，情感傳染呈明顯聚類現象。微博用戶影響力越強其情緒傳染效果越明顯，在一定程度上主導著網絡輿論的發展方向。

二、研究背景與問題的提出

據中國互聯網報告（CNNIC）統計：截至2018年6月，我國網民規模達8.02億，互聯網普及率為57.7%；2018年上半年新增網民2968萬人，較2017年末增長3.8%；在移動互聯網市場，微博用戶增長迅速，手機微博用戶使用率達40.1%，較2017年末增長2.1個百分點，用戶規模半年增長10.2%。

[1]隨著社交平臺的普及，微博憑借其表達的公共性、即時性、社交化和內容的簡短化，已成為網民最常用于進行表達意見、情感的平臺。微博內容中的情感元素也開始受到了越來越多研究者的關注。

針對微博的情感分析一般是以微博作為數據來源，挖掘和分析當中的主觀信息以判斷文本內容顯示出的情感傾向。

目前，國內關于微博情感分析分類方法是按其粒度劃分為粗粒度和細粒度情感分析兩大類。粗粒度的情感分析主要是基于篇章級和句子級，而且在分析過程中僅考慮情感詞，并未考慮評價對象及其屬性的情感；細粒度的情感分析一般指詞匯級情感分析[2]，對情感進行分類是細粒度情感分析的重要方面之一。

學者們利用眾多角度和方法對微博上的情感進行細粒度地分類，形成了各種“情感詞庫”。

• 潘明慧和牛耘基于詞典的規則識別微博所表達的喜、哀、怒、懼、惡、驚六種情緒[3]；
• 王志濤等在40萬條新浪微博數據中對新詞進行挖掘和情感識別，構建了新情感詞詞典,擴充了已有的情感詞資源[4]；
• 張珊等將目光轉向其他表達情感的情感元素的詞典構建上，利用微博中的表情圖片并結合情感詞語的方法構建了中文微博情感語料庫[5]；
• 無獨有偶，王遠文等將表情情感詞典反作用于對應的微博文本，重新度量其情感詞的傾向值,改進現有的情感詞典[6]；
• 敦欣卉等在對微博進行細粒度分類時將情感分成八個類別[7]，同時還有不少學者以“喜怒哀樂”為基礎對情感做了細致分類，不斷提高對情感分類的科學性和豐富性。

除此之外，互聯網平臺的交互性和開放性，使這些情緒大規模傳染成為可能。

學者們提供大量的證據說明人類傾向于模仿周圍人的面部表情、語言表達、動作及行為，在這一過程中，主體的情緒體驗會受到自身面部表情以及其他非語言線索影響[8]。在社交網絡上，人們接觸帶有情感傾向內容時，會對情感產生反饋，如共鳴、強化或者分歧等。

現有的研究表明Facebook、twitter兩大國外主流社交平臺都存在情緒傳染現象：例如Kramer等通過檢查Facebook狀態更新來研究大規模情緒感染現象，發現在用戶發布帶有情感傾向的新動態后，他們的朋友更有可能發布帶有相同情緒的內容。張少群[9]等對十萬多個twitter用戶情緒與時間序列進行分析，驗證了在twitter平臺用戶們的情緒既會被熟人的情緒所傳染，也會被非熟人的情緒所傳染[10]。

快樂、悲傷、抑郁等基本情緒傳染現象也受到學者們關注，不同情緒的喚起與傳染特征也有所不同。

以“快樂”這一情緒為例，當內外刺激滿足個體需要時，個體就會產生積極的情緒[11]。而同性之間更容易察覺出對方的快樂，而在情緒發生傳染時，女性的快樂程度比男性要低，而處在其社交網絡中心的人快樂程度要比處于社交網絡中心邊緣的人群要高[12]。

“孤獨感”是學者們關注較多的情緒之一，有分析表明：孤獨情緒往往產生在集群中，朋友越少的人往往越感到孤獨，而女性受到孤獨情緒傳染比例和程度均比男性要高[13]。

學者對比發現：抑郁、孤獨和憤怒等負向情緒比愉快、興奮等正向情緒更容易傳播[14]，徐翔等對今日頭條帖子及評論進行分析，發現內疚、驚駭、失望、哀痛、遺憾、悲傷等負面情緒傳播效果較好，而帶有同情、喜愛、贊揚、安心、快樂等情感傳染效果較差[15]。

盡管當下關于微博情感分析的研究不少，但大部分研究都將“情感分類模型”?和“情緒傳染機制”作為研究目標，旨在提高微博當中情感詞的提取效率和準確度，以及對微博情感的時序變化作出描述，在對特定的情感或情緒在公共事件中的喚起、傳播機制的研究仍然存在一定的空白。

基于以上研究，我們提出：

1. 微博用戶情感是如何分布的？高頻情感詞出現的原因？情感詞情感基調與事件本身的關系是什么？
2. 微博用戶情緒是如何傳播的？是廣播式傳播還是病毒式傳播？
3. 微博用戶情緒傳染是否具有某種規律？情緒是否有聚類現象？相同情感是否會收到同樣的情感回饋？強影響力微博用戶是否具有更強的情感傳染力？

三、研究思路與方法

2018年8月27日，劉海龍醉酒駕駛寶馬轎車強行闖入非機動車道，與正常騎自行車的于海明險些碰擦，雙方遂發生爭執。劉海龍持刀砍向于海明，隨后被于海明奪刀并追砍，劉海龍經搶救無效死亡。

該事件視頻在微博曝光后，引起了全網民的關注與討論，基于樸素的正義感,多數民眾本能地支持于海明，也有一些法律界人士從法理角度論證于海明“殺人”行為的非正當性。

與此同時，有不少網民對劉海龍的涉黑背景卻曾被昆山市授予“見義勇為獎”等表達了對政府公信力的質疑，網民復雜情緒不斷擴展。9月1日，昆山警方和檢察機關相繼發出通報,稱于海明行為屬正當防衛，無需承擔刑事責任，網民又形成一致“叫好” 的聲音。

“昆山反殺案”發生與審理過程經歷了一個完整生命周期，集合了網民“惡”、“喜”、“厭”、“好”等多種情緒，能夠真實還原網民的情緒反應。

本研究以 “昆山反殺案”微博為數據基礎，基于詞典匹配的情感分析方法，即通過匹配情感詞典，確定給定文本中積極情感詞和消極情感詞比例，或對不同情緒類別（如高興、傷心、憤怒、喜悅等）進行加總，從而判定給定文本的基本情感, 并對情感類型進行判斷和識別[16]，進而考察情緒傳播的特征與規律。

本文主要結合了以下兩種研究方法來開展研究工作，具體包括：

1. 網絡科學方法：將微博系統中用戶轉發關系抽象成網絡科學中的節點和連邊，進而構建用戶情感傳染網絡以及單條微博的傳播級聯樹，這種方式的好處在于使得我們能夠透過顯現看本質，通過對具體實際網絡的拓撲性質分析來得到情緒傳播的規律。
2. 情感挖掘方法與技術：本文使用Python語言中Pandas框架進行數據的分析和處理，并使用基于情感詞典的方法來分析情感，以及使用Matplotlib和Pyecharts這兩種繪圖庫對分析的結果進行可視化，并基于Anaconda軟件中的Spyder進行代碼的編寫和調試。

四、數據處理過程

1. 情感分析流程

本文使用大連理工大學中文情感詞匯本體庫[17]來進行情感分析。

中文情感詞匯本體的情感分類體系是在國外比較有影響力的Ekman的6大類情感分類體系基礎上構建?；贓kman，詞匯本體加入情感類別“好”對褒義情感進行更細致的劃分。最終詞匯本體中的情感共分為7大類21小類（見表1）。

本研究使用 “樂、好、怒、哀、懼、惡、驚”這7類情感作為本研究情感類別。為更準確計算每類情感的強度，我們構建了微博表情符號字典，考慮到否定詞和程度副詞對情感的影響，也構建了否定詞和程度副詞字典，為便于情感計算，將其賦予一定的權重。

使用Snownlp對句子進行斷句，jieba包對語句進行分詞，結合所構建的情感字典，得到微博用戶對該事件細粒度情感分析。同時對分詞后的數據進行統計，挖掘出對此案件的基本情感傾向和強度。（見圖1）

2. 數據處理過程

2.1 數據預處理

首先，通過數據分析，發現原微博用戶昵稱字段始終顯示根節點用戶而不是轉發用戶上家。于是，根據轉發微博字段中是否含有表達式“//@用戶名：評論內容”來判斷是一級轉發還是多級轉發；若不含有該表達式，則認為是一級轉發，即直接從原微博用戶轉發；若含有或含有多個該表達式，則取第一個表達式中用戶作為上級節點用戶。

處理數據新增字段：上級用戶昵稱，上級用戶評論內容，轉發用戶評論內容。

其次，對數據清洗，清洗規則為：刪除與目標內容無關微博（含投票機制，格式錯誤，關鍵字段有缺失值的微博）。最后，對上級用戶評論內容和轉發用戶評論內容使用Snownlp和jieba進行分句和分詞。

2.2 微博細粒度情感計算

對微博數據中上級用戶評論內容和轉發用戶評論內容兩字段文本內容進行分句和分詞，通過已建立的情感詞典、程度副詞字典和否定詞字典，可快速、精準計算出情感傾向。

本研究每條微博用Item1、Item2、…、Itemn表示，一條微博中往往具有多個情感詞和修飾副詞，每個情感詞得分計算公式：

其中Ei為某類情感詞組合的得分，Oi代表情感詞前面否定詞的個數，ai代表情感組合中程度副詞的強度，Pi為情感詞的情感強度。最后，我們取最大情感詞組合得分的情感類別作為該條微博的情感傾向。

五、研究發現與結果

1. 微博用戶情感分布

事件所涉及的情感詞數量繁多、分布雜亂，且有些詞語呈中性不具有具體情感，也有許多詞語表達了同種情感。

因此，本研究按大連理工大學中文情感詞匯本體庫建立的情感分類體系對情感類型進行統計和整理。與此同時，通過對數據集中上級用戶評論內容和轉發用戶評論內容兩字段情感計算，得到情感轉發數據集，重點關注轉發用戶評論內容情感（見圖2）。

從圖中可以看出在該數據中主要是好（12.63%），惡（3.76%）和樂（3.39%）比例最大，其中好的情感詞包括“點贊”、“棒”、“鼓掌”等；惡的情感詞包括“活該”、“該死”、“可惡”等；樂的情感詞包括“大快人心”、“普天同慶”、“笑cry”等。

78%的數據不具有情感是因為在該數據中用戶只產生了轉發行為并未進行評論，微博系統將該用戶評論內容字段自動設置為“轉發微博”，不具有情感成分。此數據顯示：微博用戶對該事件呈現出好、惡對立的情感，并以好為主要情感基調。

除此之外，情感詞在一定程度上能反映事件發展變化，高頻詞主要來源于對事件描述性文本或單純新聞性廣播，以及政務微博，高頻詞反映微博用戶情緒類型，更能從微觀體現用戶個人態度[18]。

我們對轉發用戶評論字段進行高頻詞統計，圖3為“昆山反殺案”事件高頻情感詞可視化，如“[good]”、“[贊]”、“大快人心”、“[鼓掌]”、“喜大普奔”、“普天同慶”等，其中帶有“[]”是微博表情符號。這些高頻詞更能反映用戶自身態度及一些隱藏情緒。

“昆山反殺案”關鍵爭議點是對于海明“殺人”行為性質的認定。多數民眾基于樸素正義感，認為于海明行為屬正當防衛，于是輿論一邊倒認為于海明無罪。昆山警方和檢察機關通報于海明行為為正當防衛。至此，民意得到法理的支持，輿情與司法在熱點事件上達成了共識。

通過上述分析發現：社交網絡用戶的高頻情感詞，尤其是處于中心位置的情感詞集合，反映網絡輿情主導情感基調，而高頻詞呈現更加主觀態度或觀點，能反映用戶對整個事件的自身真實情緒與主觀評價。

2. 情感傳播特征

信息傳播方式分為廣播式傳播和病毒式傳播，前者指由單個父節點主導大規模傳播，如新聞機構、政府等大眾傳播。后者指單個父節點引發多層分支傳播，其中每個節點僅影響少數節點，如HIV病毒、流感病毒等人際傳播（見圖4）。

信息傳播一般都融合了廣播式傳播和病毒式傳播，不屬于任一單一傳播方式。

“結構性病毒式傳播特征（Structural Virality）”[19]是用來衡量信息傳播結構性擴散程度。

該特征指一條信息傳遞到所有末端節點的平均步數。簡而言之，一條信息如果只是被“廣播式傳播”，則該信息的結構性擴散度很低；如果信息經過了多級轉發，則信息的結構性擴散度較高。

為了更好展示結構性病毒式指標，我們對社交網絡中的模體進行刻畫，x軸從左到右依次是廣播式傳播至病毒式傳播過渡，y軸是模體的數量。發現在昆山反殺案事件中主要是廣播式傳播，即微博中的新聞性廣播用戶、政府官方機構用戶及微博認證用戶等在該事件傳播過程中占主導地位（見圖5）。

“昆山反殺案”事件是典型的熱點司法案件，在以往此類案件中，司法機關為緩解輿論壓力，常采用拖延戰術，存在著不及時回應輿論，不公開細節等問題，以期能分散輿論注意力，等待輿論熱度將下來，再審理案件。

但長時間拖延一方面會給各種猜疑和謠言提供空間，讓熱點案事件成為謠言的集散地，在輿論持續發酵下，甚至派生出其他社會問題，傳播主體的異質性加強，病毒式傳播會越加明顯。

通過查看微博內容，發現在該案件傳播過程中，其主要傳播與引導主體為權威新聞機構用戶與政府官方微博平臺，這主要因為昆山公安、檢察機關“短平快”做法，從案件發生到得出結論不過幾天時間，既不給輿論過度炒作、發酵的時間，也及時地向社會發布案件細節，其傳播的結構性擴散程度被大大降低了。

3. 情感傳染規律

3.1 用戶情感與事件基調走勢呈一致性

通過分析不同時段情感走勢，發現在8月28日至8月31日案件判斷未公布之前，主導情感為“好”和“惡”。在案件公布當天，好的情感出現了爆發式傳播，并占據主導地位，其次是樂的情感，而惡情感逐漸緩慢衰弱（見圖6）。這說明用戶情感表達與事件發展基調呈一致性。

3.2 情感傳染呈明顯聚類現象?

在網絡科學中，圖（Graph）提供了一種用抽象點和線表示各種實際網絡的統一方法，也成為目前研究復雜網絡的共同語言[20]。

圖的類型有四種：無權無向圖、無權有向圖、加權有向圖、加權無向圖。

本研究使用加權有向圖來構建情感傳染網絡，其中有向邊是指存在一條從頂點指向頂點的邊并不意味著存在一條頂點指向頂點的邊。對于有向邊，頂點是始點，頂點是終點。

邊權是指：網絡中每條邊都附有相應的權值，以表示相應兩個節點之間的聯系強度。

本研究將上級用戶情感和轉發用戶情感分別作為網絡始點和終點，統計不同類型始點和終點構成的節點對數目來做為對應邊權重，為清楚表示情感在傳播中是否具有聚類現象，我們采用熱力圖方式進行展示（見圖7）。其中y軸是始點，x軸是終點，顏色條表示權重，顏色越深，權重越大。相比其他情感，好、樂和惡的顏色呈現明顯聚類現象。

我們重點分析“好”、“惡”和“樂”這三類情感的聚類情況（見圖8），發現好的情感傾向聚集好，其次是樂和惡；惡的情感傾向聚集好，其次是惡和樂；樂的情感傾向聚集好，其次是樂和惡。

其中，子節點大小表示傳遞的傾向性，子節點越大，傾向性越強。社交平臺中，情感是對特定話題與情境進行互動的根本動因[21]，人們接觸帶有情感傾向內容時，會對情感產生反饋，如共鳴、強化或者分歧等。

在用戶發布帶有情感傾向動態后，尤其是強影響力用戶，關注他們的用戶更有可能發布帶有相同情緒內容。社交的選擇性使得人們在互聯網上產生了相近或者相反的情緒體驗與表達，由此就呈現了情感聚類的狀態，“昆山反殺案”事件的情感傳播特征也恰好印證了情感聚類的規律。

而數據中出現惡的情緒能夠帶來好回復這一特殊情況，通過查看微博內容，發現網民惡情緒主要對劉海龍涉黑背景及其以強欺弱的厭惡與憤怒，而作為弱者的于海明則得到了網民的廣泛同情，在面對劉海龍被反殺這一事件時，大部分網民反饋是“大快人心”的好情緒。

3.3 微博用戶影響力越強其情緒傳染效果越明顯

如果把一個節點看做一個網頁，那么節點間信息傳播可以看做網頁中的連接，很多學者據此提出，對節點影響力測量可以通過PageRank算法來實現。PageRank算法考慮整體網絡結構：一個節點的重要性并非只與其連入節點數目決定，還要由這些連入節點在網絡結構中的重要性決定。

隨機選取一個根微博用戶（鳳凰網視頻），通過該根微博用戶旗下轉發數據構建轉發級聯網絡，計算該網絡中每個節點PageRank值，選取三個不同影響力節點并可視化該網絡中以這三個節點為中心的情感級聯網絡（圖9）。

從左到右，根節點（“鳳凰網視頻”、“投資輿情”和“科技圣斗士”）影響力依次降低，情感聚類效果依次減弱。查看數據，發現：“投資輿情”和“科技圣斗士”等小簇根節點用戶屬于非新聞政府類且具有一定影響力的小眾媒體。

由此可見，在傳播情感過程中影響力越強的微博用戶對情感傳染貢獻力越高，情感聚類現象越明顯，對于“昆山反殺案”此種突發新聞事件，新聞類微博用戶影響力遠大于小眾媒體用戶。

六、討論與結論

信息傳播的直接效果是獲取知識，繼而產生態度，而對人們態度的測量和分析是預測其后續行為的重要變量[22]。

微博是人們獲取信息，發表態度與情感的重要平臺。本研究以“昆山反殺案”為例，對微博用戶情感進行挖掘及可視化，進而探究其情感分布、傳播特征與情感傳染規律。

研究發現：微博用戶情感詞集反映事件情感基調?！袄ド椒礆浮鼻楦薪洑v了一個完整生命周期，宣判前用戶情緒以“惡”和“好”為主；宣判后“好”情感呈爆發式增長，一方面說明網民情感與事件情感基調相一致，另一方面說明用戶情感與事件情感走勢呈一致性。

除此之外，對高頻情感詞的統計與分析能從微觀體現用戶個人態度及一些隱藏情緒。與以往社交網絡病毒式情感傳播特征不同，“昆山反殺案”主要呈廣播式傳播。

這與相關部門“短平快”的處理方式密切相關，此種方式減少了事件發酵時間，大大降低了情感傳播結構性擴散程度。

1974年，Everitt[22]提出的聚類定義為：數據被劃分成許多類簇，同一類簇內實體較相似，不同類簇之間實體不相似。聚類是以某種相似性度量為基礎，將擁有相似特征樣本元素歸為一類的過程或狀態。

在該事件中，發現好的情感傾向聚集好，其次是樂和惡；惡的情感傾向聚集好，其次是惡和樂；樂的情感傾向聚集好，其次是樂和惡，情感傳染大體呈明顯聚類現象?；ヂ摼W環境下，強影響力微博用戶對情感傳染貢獻力越強，情感聚類現象越明顯。

此外，對于突發性新聞事件，新聞類微博用戶影響力遠高于小眾媒體用戶。

雖然本研究只分析了“昆山反殺案”單個案例，但仍然具有一定普適性，一方面該事件是典型司法案件，微博平臺混合了用戶較多情緒，情緒的復雜為研究提供了廣泛的數據空間；另一方面，該事件情感周期比較完整，能夠較為真實全面反應用戶的情感變化。

當然，本研究的情感分析并不全面，未來研究可以細化微博用戶的類別，從更多層面詳細探討不同類別社交網絡用戶情感傳播與情緒傳染問題，分析不同類別用戶情感在不同社交網絡特征。

附錄一

表1：中文情感詞匯本體庫的情感分類

圖1 微博情感分析流程圖

圖2 轉發用戶評論情感分布

圖3 轉發用戶評論內容的高頻詞可視化

圖4 廣播式傳播和病毒式傳播（引用文獻[27]）

圖5 《昆山反殺案》中結構性病毒式指標的分布

圖6?各時間段的情感類型分布

圖7 情感傳染網絡的熱力圖

圖8 情感傳播中的聚類情況

圖9 不同影響力的根節點用戶的聚類情

附錄二

參考文獻：

[1]中國互聯網絡發展狀況統計報告.[EB/OL]

[2]敦欣卉, 張云秋, 楊鎧西. 基于微博的細粒度情感分析[J]. 數據分析與知識發現, 2017, 1(7):61-72.

[3]潘明慧, 牛耘. 基于多線索混合詞典的微博情緒識別[J]. 計算機技術與發展, 2014(9):28-32.

[4]王志濤, 於志文, 郭斌,等. 基于詞典和規則集的中文微博情感分析[J]. 計算機工程與應用唯一官方網站, 2015, 51(8):218-225.

[5]敦欣卉, 張云秋, 楊鎧西. 基于微博的細粒度情感分析[J]. 數據分析與知識發現, 2017, 1(7):61-72.

[6]王文遠, 王大玲, 馮時, et al. 一種面向情感分析的微博表情情感詞典構建及應用[J]. 計算機與數字工程, 2012, 40(11).

[7]敦欣卉, 張云秋, 楊鎧西. 基于微博的細粒度情感分析[J]. 數據分析與知識發現, 2017, 1(7):61-72.

[8]王瀟, 李文忠, 杜建剛. 情緒感染理論研究述評[J]. 心理科學進展, 2010, 18(8):1236-1245.

[9]Kramer A D I . The spread of emotion via facebook.[C]// Sigchi Conference on Human Factors in Computing Systems. ACM, 2012.

[10]張少群, 魏晶晶, 廖祥文, et al. Twitter中的情緒傳染現象[J]. 山東大學學報(理學版), 2016(1):71-76.

[11]孫惠君. 休閑與積極情緒的產生[J]. 黑龍江教育學院學報, 2008, 27(8):78-81.

[12]Fowler J, Christakis N: Dynamic spread of happiness in a large social network: longitudinal analysis over 20 years in the Framingham heart study. BMJ 2008, 337:a2338.

[13]Cacioppo J T , Fowler J H , Christakis N A . Alone in the Crowd: The Structure and Spread of Loneliness in a Large Social Network[J]. Social Science Electronic Publishing, 2009, 97(6):977-91.

[14]熊熙, 喬少杰, 吳濤, et al. 基于時空特征的社交網絡情緒傳播分析與預測模型[J]. 自動化學報, 2018, 44(12).

[15]徐翔，陽恬. 網絡社會中的“情緒逆差”——網絡表達與傳播中的情緒偏向及其張力結構[J]. 北京郵電大學學報(社會科學版), 2018, 20(2).

[16]張倫，王成軍，許小可.計算傳播學導論[M].北京：北京師范大學出版社，2018：47-48.

[17] 徐琳宏, 林鴻飛, 潘宇, 等. 情感詞匯本體的構造[J]. 情報學報, 2008, 27(2): 180-185.

[18]紀雪梅. 特定事件情境下中文微博用戶情感挖掘與傳播研究[D]. 南開大學, 2014.

[19]Goel S, Anderson A, Hofman J, et al. The structural virality of online diffusion[J]. Management Science, 2015, 62(1): 180-196.

[20]蔣曉麗, 何飛. 互動儀式理論視域下網絡話題事件的情感傳播研究[J]. 湘潭大學學報(哲學社會科學版), 2016, 40(2):120-123.

[21] 汪小帆, 李翔, 陳關榮. 網絡科學導論[M]. 高等教育出版社, 2012.

[22]（R·A·巴倫,D·伯恩 著,黃敏兒,王飛雪等譯．社會心理學：華東師范大學出版社，2004）

[23]Everitt Brian. Cluster Analysis [M]. New York: Wiley, 2011.

文章基礎數據來源：新浪微熱點大數據研究院

本文由 @數據鍋 原創發布于人人都是產品經理，未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。