社交网络中产品质量网络监测方法研究

摘 要:社交网络上存在海量消费者感知的质量安全风险信息，而意见领袖在风险信息网络传播上有极大的影响力。以典型社交网络平台微博为例，研究网络信息监测的类型与指标，并通过节点和内容协同分析，更快更有效地发现潜在质量安全风险。重点关注节点及其关系和内容及其关系，探讨个体排名、内容分类、话题识别、风险监测等关键问题，从而构建社交网络环境下产品质量风险网络监测模型，为产品质量网络监测方法与内容提供一种新的视角。

关键词:社交网络；质量风险；质量监测



一、引言

社交网络上的有些产品质量信息，可以在极短时间内受到大量的关注并被广泛传播，因而质量话题热点不断。通过互联网传播的产品质量话题，包含了网民对当前企业产品质量现象以及热点问题的立场和观点，已成为企业产品质量的市场晴雨表，深刻影响着企业形象与利润。回顾近年来爆发的产品质量事件，其中很多事件都是先在社交网络上爆料，然后形成热点话题引发主流媒体跟进，进而爆发产品质量安全网络事件。以新浪微博、腾讯微信为代表的社交网络，包含丰富的产品质量数据。越来越多的微博用户在网络上发布对产品质量或服务质量的评价，这些在线口碑极大地影响着消费者的购买决策和企业的声誉利润（蔡淑琴，2013）。如何对社交网络中产品质量安全风险进行监测，关注哪些关键信息并有效预测其风险趋势，已成为产品质量治理急需解决的问题。

在当前这样一个大数据时代，质量数据的爆炸性增长极大地增加了质量安全的不确定，并对质量安全治理的方法与技术提出了更高的要求。基于消费者的海量互联网信息的质量网络监测，为产品质量安全有效网络治理提供了一种行之有效的方法和技术。产品质量网络监测，是指武汉大学质量发展战略研究院基于“质量安全网络信息监测与预警服务平台”（以下简称“质量监测平台”），通过综合利用质量风险理论、价值工程理论，结合搜索技术、云计算、数据挖掘、语义分析、质量安全评价体系等新一代网络信息技术的集成创新，实时收集来自公共互联网的海量消费者感知的质量安全信息，经过深度的挖掘、提炼、分析、处理，及时向广大企业、消费者和政府提供富有价值的质量安全信息服务。2012年质量监测平台选取了4家国产乳制品企业的微博数据进行了挖掘、筛选和分类，共获得有效微博数据10253条。对于这些产品质量事件数据，形成产品质量网络信息数据库，为下一步研究打下坚实基础。目前学术界对产品质量事件网络信息的研究，大都是基于节点（用户）或者内容的数据挖掘研究，缺少节点（用户）和内容的协同研究。质量监测平台通过对网络产品质量事件每日追踪，试图从节点（用户）和内容两个角度来处理数据，为产品质量网络事件监测提供一种新的方法。

二、相关研究

（一）产品质量网络信息

质量安全网络信息，是指消费者因为产品伤害或潜在产品伤害，在互联网上发布的产品质量安全信息。这种伤害可能是有形的身体伤害和无形的情感伤害。在互联网环境下，作为网民的消费者都可以通过互联网，直接向社会传播对产品和企业质量的评价信息，特别是随着微博等自媒体传播方式的出现，每一个消费者几乎都可以成为一个独立的媒体，导致企业质量安全信息的传播，表现出极强的即时性和互动性（程虹，2012）。当有关产品质量的在线负面口碑积聚到一定程度，就有可能造成网络产品质量事件。根据中国互联网络信息中心（CNNIC）公布的第31次《中国互联网络发展状况统计报告》的数据，截至2013年6月底，我国网民规模达到5.91亿，互联网普及率为44.1%。我国手机网民规模达464亿，网民中使用手机上网的人群占比提升至78.5%。网民中仅微博用户数就达到3.3077亿（CNNIC，2012），成为事实上的信息发布者。在移动互联网和移动智能终端快速发展的背景下，以上的用户，更是成为了企业质量安全信息全天候的潜在生产者和传播者。

（二）社交网络用户研究

社交网络是由一个个节点及其关系组成的，是一种基于互联网的社会网络。社会网络指的是社会中个体与个体之间联系的集合，它是由点和各点之间的连线个体之间的联系组成的（李钢，2013）。本质上，社交网络是为实现特定目的用户与用户之间进行信息交流和资源利用的关系网，它反映了人与人之间的社会关系，这些关系是传递物质、信息、观念、情感等资源的纽带。社交网络用户的关注数分布呈现长尾现象，用户被关注数遵循幂律分布，帖子数近似幂律分布（Broder. A,2000）。社交网络用户的研究主要包括用户的动机、角色分类、行为分析、分体排名等内容。有学者根据微博用户的动机划分出用户的角色（Broder. A,2000），有的学者综合微博中用户的关注数、被关注数、博文数得出不同的用户类型。

（三）社交网络内容研究

随着社交网络应用的普及和渗透，其所承担的角色已经由最初的信息交流传播工具逐渐扩展到人们的日常生活乃至社会的各个方面。而微博作为一种在线口碑的作用逐渐为人们所认识到，学者们开始研究Twitter中所包含的品牌评论、情感以及意见的博文，并进一步考察品牌商如何利用Twitter来进行更为有效的客户关系管理，由此提出品牌商可以利用微博作为他们整体营销战略的一部分（Jansen,B.J.,2009）。社交网络成为了一种新兴的令人瞩目的科学交流工具，为数字科学交流的发展及研究注入了新鲜的活力，近两年国外在这方面的研究尤为突出。

（四）社交网络的典型平台微博

微博，即微博客（Micro Blog）的简称，是一个基于用户关系信息分享、传播以及获取的平台。最具有代表性的微博就是新浪微博、腾讯微信、Twitter。用户可以通过WEB、WAP等各种客户端组建个人社区，以140字左右的文字更新信息，并实现即时分享。从微博的发送特性上来看，微博具备了4A的元素（Anytime，Anywhere，Anyone，Anything），成为一种即时网络平台（蔡淑琴，2012）。微博允许用户发布在140个汉字范围内短文本信息。而中文的微博信息量比较大，140个中文字比140个英语字符多4至5倍信息量（李开复，2011）。

微博网络属于典型的无标度网络，表现出小世界现象（许晓东，2011）。围绕特定的话题和事件，广大的微博用户及其相互关系，包括关注、转发、评论、回帖、私信、微群等相互关系，共同构成了一个庞大的网络社交圈子。微博的基本传播特点可以归纳为六个字：“短、平、快、碎、即、开”（陈永东，2012）。通俗地说就是记录简短化、交流平等化、传播裂变化、呈现碎片化、网络即时化和平台开放化。

三、模型构建和分析

利用“质量监测平台”对网络产品质量事件每日追踪，搜集产品质量事件信息的内容性数据、用户性数据和时序性数据，从产品、内容和节点三个方面对产品质量网络信息进行分析。

（一）产品质量的社会网络

社会网络是由节点（用户）和节点（用户）关系组成的，微博是基于关注机制用户及其关系构成的，都有小世界特征。社会网络理论有三大核心理论：强弱联结、社会资本、结构洞（李纲，2013）。从弱链接角度来说，社交网络中存在基于标签的主题网络（易明，2011）。在微博、微信、论坛等社交网络中，存在话题交流者、兴趣爱好者、私人朋友等社交网络圈子。对于在线社交网络中用户发表产品质量信息的现象，可以把产品或产品簇看作内容和用户的标签，将发布某类产品质量信息的用户群，看做一个基于该产品或产品簇的潜在网络社团。社会网络中具有相似特征并紧密关联的网络对象聚集的现象被统称为网络社团，这些网络对象可以是文本、话题、事件和网络群体。基于产品的社交网络文本及其网络现象，可以看作一个面向产品文本信息的潜在社会网络或者网络社团。

对于指定的企业或产品，通过“质量监测平台”可以挖掘到社交网络中的质量安全风险信息，并对每一条信息用时间戳进行打标，从而生成产品质量时序数据。每条网络产品质量信息，都包含某个时间点的内容数据、用户数据、网络数据。社会网络研究中，通过图结构对社会网络进行建模是一种常见做法（胡健，2008）。一个产品的社会网络可以用一个产品的图G=（P,U,I,E,W）来表示。其中，Pa代表社会网络上某一类产品的产品集；Ui∈U代表社会网络中的个体（用户），是产品质量信息内容的载体，例如微博中的ID；e∈E表示社交网络中的网络设置，表示用户（节点）和用户（节点）之间的关系（包含有向和无向关系），比如微博中的关注和被关注关系；Ij∈I代表社交网络节点上的产品质量信息内容；W代表社交网络节点和内容的加权函数集。通过社交网络挖掘，可以将有关某一产品或某类产品的用户数据、内容数据、链接数据和时间数据等获取并存储下来。

（二）产品质量的用户数据分析

社会网络是由节点和节点关系组成的，产品质量用户数据也应该包括用户自身和用户关系。在社会网络中，每个独立的个体都在网络结构中表现不同的影响力和权威性，这种影响力和权威性来自于社会网络关系。同样的话题由不同的节点转载，受到的关注往往大不相同。微博社交网络的节点就是产品质量信息的微博发布者，对于节点的研究主要是从个体排名来发现意见领袖，进而通过对大量意见领袖的追踪，可以发现产品质量信息变动趋势。如果发布或者转发产品质量安全信息的意见领袖越来越多，就有可能引起产品质量网络事件。

对于意见领袖的识别，比较通行的做法是采用RFM模型。RFM模型在营销领域广泛应用于分析客户响应和客户价值，其分析的基础是三个重要的客户行为指标。即近度（Recency）、频度（Frequency）和值度（Momentary）。在指定时间段，近度表示客户最近一次消费到当前的时间间隔；频度表示消费频率；值度表示消费金额。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。可以通过引入营销领域RFM模型，结合中文在线口碑加工处理技术，来测量在线口碑发布者的影响力（蔡淑琴，2013），从而识别意见领袖。利用该模型就能通过用户发布信息行为进行个体排名，评估产品质量信息发布者的价值，从而识别出其中的意见领袖。

对产品质量信息的用户分析，主要涉及两个方面：一是用户本身，即社会网络中用户（节点）固有的特征。在微博中常常用近度R和频度F来确定用户的活跃度。二是用户的网络关系，即基于链接的节点影响力能反映其网络属性，包括节点的入度和出度。在微博中常常用粉丝数和关注数来表示。

一是近度（R）。近度表示用户最近一次发表信息到当前的时间间隔，以天为时间单位。

二是频度（F）。频度定义为发布者在一段特定时间范围内发表微博信息的次数。

三是值度（M）。值度定义为微博的粉丝数量和关注数量。

将RFM各分成五级，形成一个5*5*5=125的分类标准，从而确定个体排名和意见领袖。对RFM各变量的指标权重问题，Hughes（2006）认为RFM在衡量一个问题上的权重是一致的，因而并没有给予不同的划分。而Stone（1994）通过对信用卡实证分析，认为各个指标的权重并不相同，应该给予频度最高、近度次之、值度最低的权重。而不同的行业甚至不同的公司，频度、近度、值度的权重均存在一定差异，因此需要采用科学的方法进行分析。

解决的办法就是结合具体行业和类别，赋予相应的权重，从而使得计算接近实际情况。

Qu=w1R+w2F+wgM

其中，M=w4Fun+w5Follow

这里，Qu代表第s个用户U的影响因子。R代表近度，F代表频度，M代表值度，fun代表粉丝数量，follow代表关注数量，w1、w2、w3、w4、w5代表不同的权重。可以根据统计得出的规律，结合专家咨询方式来解决指标权重的确定问题。

网络设置指节点、节点间的连边以及网络系统平台的基本设定（张伦，2012），主要反映用户（节点）之间的关系。网络系统的演变发生在一个有限时空下，且节点已经事先存在于网络中 (T. Snijders,2001; Stanley Wasserman,1980)。而微博用户之间，是基于关注机制建立的社交网络关系，这种关注机制是有向关系，比如用户A关注用户B，记录为A→B。在微博这个小世界中，用户之间形成无穷个有向关系，可以用矩阵形式来表示，这是简单有效记录关系的方法。

（三）产品质量的内容数据分析

内容分析法产生于20世纪初，兴起在20世纪70年代，相关研究从解读式内容分析法、实验式内容分析法转向计算机辅助内容分析法。邱均平（2004）认为内容分析法的原理是对文献内容所含信息量及其变化进行分析，从而达到对文献内容进行可再现的、有效的推断。克林格的定义（Kerlinger，1973）是，“内容分析法是一种研究方法，用一种系统的、客观的、量化的方式测量变量，对传播内容做出分析”。内容分析方法，非常适合用于“测定各种传播现象的相对重点或出现频数”（Kerlinger，1973）。斯坦培（Stempel，2003）对内容分析法提出了一种宽泛的见解，他称之为“对我们经常用的非正式事物，将其正式化并系统化，这是从内容分析法中得出的结论”。计算机化的内容分析可以采用多种形式，不过大多数似乎可以分为7种类型：单词计数、上下文中的关键词（KWIC，keywordincontext）和重要用字索引（concordances）、字典/辞典排序、语言结构、可读性、人工智能以及动态分析（Franzosi，1995; Holsti，1969; Krippendorff，2004a; Weber，1990）。

对产品质量信息的内容分析，主要涉及两个方面：一是信息内容本身，即产品质量信息内容分级分类处理，从而生成质量安全信息熵；二是内容网络关系，分析产品质量信息内容的网络影响力，从而生成某条质量信息的影响力指数。

其一，产品质量信息内容分级分类处理。国际标准化组织综合性地将质量定义为“一组固有特性满足需求的能力”。程虹（2012）从固有性能和满足需求两个角度，将互联网产品质量信息分为产品性能、服务质量、运营质量、安全性、公众形象和经济性6个新指标，从而形成了互联网环境下的企业质量安全信息的分类模型，并提供了一种企业互联网质量有效治理的框架，其框架如表1:

表1 基于互联网信息的企业质量安全分类模型

分类指标 信息内容

产品性能 可靠性、易用性、感官评价

安全性 身体伤害、性状改变、不安全感

服务质量 便利性、服务环境、从业人员、客服系统

经济性 性价比、品种多样性、使用成本

运营质量 管理水平、人力资源、人文环境

公众形象 社会责任与环保、管理者形象、企业口碑、外部沟通

综合 其他质量问题

对于已经分类的产品质量信息内容，可以根据信息内容本身反映的严重程度再进行分级处理。以安全指标的身体伤害指标为例，可以从产品伤害程度分为致命的、非常严重、严重、一般和轻微等五级程度，对产品质量信息内容进行分级处理。通过建立该产品的分类分级语料库，对网络挖掘的质量信息进行计算机自动智能分级分类处理，并生成该条产品信息内容的质量安全信息熵。质量安全信息熵表示质量安全信息本身所反映的质量安全风险的大小，如人体伤害程度、伤害人数等，可表示为：

H=n i=1hi*longhi

其中H表示信息熵，h表示信息所反映伤害程度、伤害人数等要素的划分。

其二，产品质量信息内容的网络影响力。通过一条内容的影响力来衡量一条信息对其他用户产生影响的可能性。在微博环境下，判断产品质量信息的影响范围和影响深度，主要通过转发量、评论数等指标来统计（刘志明，2011）。转发数，用户可以对自己感兴趣的信息进行转发，通过转发等行为，信息会以一种级联方式传播给更多的用户。一条产品质量信息被转发的次数越多，产生的影响越大；评论数，其他用户可以对产品质量信息进行评论，信息得到的评论越多，意味着信息影响的范围越广，一个用户的信息被评论的次数越多，意味着用户信息产生的影响越大。在影响力指标下，可以定义二级指标：被转发数、被评论数，这些数字都应该经过归一化处理，便于计算和比较。

Ti=w6Vretw+w7Vrev+w8H

Ti表示某条文本i的影响力指数，w6、w7、w8代表不同的权重，Vretw、Vrev、H代表被转发数、被评论数和质量安全信息熵。当然首先对转发数和被评论数等指标进行归一化处理。利用统计得出的规律来确定权重，确定在社交网络环境下产品质量内容的信息风险指数。

四、产品质量风险监测

（一）产品质量话题发现

话题识别与跟踪（Topic Detection and Tracking,TDT）以大规模信息流为研究对象，通过监控媒体报道描述的话题，发现新的用户感兴趣的信息并将涉及某个话题的报道组织起来，以某种方式呈现给用户（于满泉，2006）。由于社交网络具有小世界特性，基于产品质量信息的时序性数据，可以开展产品质量话题追踪与分析。时间序列是按时间顺序的一组数值型序列（李庆臻，1999）。话题识别技术的关键就是将关于话题的分散多变的信息汇集并组织起来，从整体上了解话题中各种因素之间的关系及其发展趋势。词频逆文档频率(TFIDF，Term FrequencyInverse Document Frequency)是文本检索系统中广泛使用的信息抽取技术，但在140字的短信息文本中并不适用，解决办法就是从内容的网络关系来反映。新浪微博每天自动更新话题列表，并使用单位时间内的转帖数字，即转帖率作为衡量一个话题流行与否的标准（韩毅，2011）。在线社交网络中，当一个话题受到关注，其呈现的效果主要体现在短时间内出现了密集的有关话题的新帖、评论或转帖，也就是单位时间内话题的密度来表示。对于事先指定的企业及其产品，通过社交网络挖掘的产品质量内容性数据，可以使用文本处理技术抽取用户发言中的主题词，并根据转帖和评论数量，动态生成每天或每小时的话题列表。

（二）二次协同评价

产品质量网络监测的目的就是发现有关风险。基于密度的话题识别，有一定滞后性。特别是当密度是根据转帖率等内容网络关系来表示时，这种滞后性就更为明显。同一个话题，不同用户（节点）发布，产生的影响截然不同。20世纪40年代由美国社会学家P.F.拉扎斯菲尔德提出“两级传播模式”，即媒介—意见领袖—受众的传播现象（斯坦•利巴兰，2004）。在社交网络中，微博意见领袖在公共舆论事件发生和发展的不同阶段发挥着不同的影响力（白鬼，2013）。对某一时刻计算机自动发现的话题列表，按时间序列进行用户和内容协同分析，就很有可能发现在下一时刻爆发的热门话题。

可以把社交网络中节点和内容的关系，看做期刊和论文的关系。核心期刊发表的论文重要，同理社交网络中意见领袖（重要节点）发表的内容也很重要。期刊有影响因子，节点也可以计算影响因子。将节点的影响因子应用于话题，统计话题若干帖子的加权风险影响，就能够尽快发现潜在热门话题。在产品质量的话题趋势分类基础上，将时间序列模型应用在话题中，并综合考虑产品质量信息的内容性和用户性等网络属性，从而进行产品质量的潜在热门话题识别。

（三）产品质量风险监测

通过网络演化分析，可以对社交网络中的图模型G=（P,U,E,I,W）进行实时追踪，从而发现产品质量安全信息的网络传播情况。网络数据具有多维度特性，产品质量网络监测目标也有多样性，而现有分析和挖掘技术又往往仅关注网络节点或网络内容中的某一特性。基于网络结构的节点聚类，和基于网络信息的内容聚类并不能完全对应，两者同时计算，对于挖掘算法和计算开销都要求很大。

表2 基于节点加权的质量分类信息风险评价

分类指标 信息内容

产品性能 Qs*T11,Q2*T12,…,Qs*T1j,…

安全性 Qs*T21,Qs*T22,…,Qs*T2j,…

服务质量 Qs*T31,Qs*T32,…,Qs*T3j,…

经济性 Qs*T41,Qs*T42,…,Qs*T4j,…

运营质量 Qs*T51,Qs*T52,…,Qs*T5j,…

公众形象 Qs*T61,Qs*T62,…,Qs*T6j,…

综合 Qs*T71,Qs*T72,…,Qs*T7j,…

为了简化质量安全监测方法，提高产品质量风险网络监测效果，将社交网络质量信息的研究聚焦到用户数据和内容数据上来，从产品质量角度进行用户和内容协同挖掘的研究。每个用户都可以看作社交网络上的一个节点。事实上，网络节点上的信息往往会作用于网络，促进网络节点和结构的演化；而网络节点和结构往往又会反作用于信息内容和产品事件，促使信息扩散和事件放大。

R=ni.j.s=1Qs*Tij其中，ΔR=Rt-Rt-1

在产品质量风险监测时，社交网络中的用户和内容，共同决定该话题的相关信息在社交网络中风险大小。用单位时间某个产品质量网络风险R来表示产品质量风险情况。对于一条产品质量安全信息，其用户数据由用户及其关系的影响因子U来表示，内容数据可以用内容及其关系的信息风险指数I来表示。同一条产品信息，被不同用户发布或转帖，其质量安全网络风险肯定不同；同一个用户，发布不同质量风险级别的产品信息，该信息的转帖、评论不同，产生的质量安全网络风险也肯定不同。可以用流行度来表示社交网络上某产品的质量信息获得的关注程度。

总而言之，产品质量网络监测，首先要解决的是监测哪些关键信息，才能更加有效地预测质量安全风险。面对社交网络中的海量产品质量信息，在已有的产品质量安全风险分类分级的基础上，通过节点和内容的协同分析，可以更及时地发现产品质量安全风险。

参考文献:

\[1\] 蔡淑琴、张静、王旸，2012：《基于中心化的微博热点发现方法》，《管理学报》第6期。

\[2\] 陈永东，2012：《微博搜索营销策略探讨》，《软件工程师》第1期。

\[3\] 程虹、范寒冰、肖宇，2012：《企业质量安全风险有效治理的理论框架——基于互联网信息的企业质量安全分类模型及实现方法》，《管理世界》第12期。

\[4\] 李纲、纪曼、陈璟浩、叶光辉，2013：《基于社会网络的知识共享研究综述》，《信息资源管理学报》第2期。

\[5\] 李开复，2011：《微博改变一切》，上海财经大学出版社。

\[6\] 李庆臻，1999：《科学技术方法大辞典》，科学出版社。

\[7\] 刘志明、刘鲁，2011：《微博网络舆情中的意见领袖识别及分析》，《系统工程》第6期。

\[8\] 胡健、董跃华、杨炳儒，2008：“大型复杂网络中的社区结构发现算法”，《计算机工程》第19期。

\[9\] 邱均平、邹菲，2004：《关于内容分析法的研究》，《中国图书馆学报》第2期。

\[10\]许晓东、肖银涛、朱士瑞，2011：《微博社区的谣言传播仿真研究》，《Computer Engineering》 第10期。

\[11\]易明、曹高辉、毛进、邓卫华，2011：《基于Tag的知识主题网络构建与Web知识推送研究》，《中国图书馆学报》第4期。

\[12\]于满泉、骆卫华、许洪波、白硕，2006：《话题识别与跟踪中的层次化话题识别技术研究》，《计算机研究与发展》第3期。

\[13\]张伦，2012：《社会网络演化建模：假设、理论及方法》，《新闻大学》第15期。

\[14\]Broder, A., Kumar, R., and Maghoul, 2000， “Graph Structure In The Web”, Computer Networks, Vol.33, No.1. 309320.

\[15\]Franzosi, R., 1995, “Computerassisted Content Analysis of Newspapers: Can We Make an Expensive Research Tool More Efficient”, Quality and Quantity, Vol.29, No.2. 157172.

\[16\]Holsti, Ole R., 1969, Content Analysis for the Social Sciences and Humanities, Reading, MA: Addison Wesley.

\[17\]Huberman, Bernardo,A., Daniel M. Romero, and Fang Wu, 2009, “Crowd Sourcing, Attention and Productivity”. Journal of Information Science, Vol.35, No.6. 758765.

\[18\]Jansen, B. J., Zhang, M., and Sobel, K., 2009: “Twitter Power: Tweets as Electronic Word of Mouth”. Journal of the American Society for Information Science And Technology, Vol.60, No.11. 21692188.

\[19\]Kerlinger, F. N., 1973, Foundations of Behavioral Research. New York, NY: Holt, Rinehart and Winston..

\[20\]Ross, C., Terras, and M., Warwick, C., et al.,2011, “Enabled Backchannel: Conference Twitter Use By Digital Humanists”,Journal of Documentation, Vol.67, No.2. 214237.

\[21\]Snijders, T., 2001， “The Statistical Evaluation of Social Network Dynamics”, Sociological Methodology.

\[22\]Stempel, G. H., Weaver, D. H., and Wilhoit, G. C., 2003, Mass Communication Research And Theory. Boston, MA: Allyn and Bacon.

\[23\]Stone, Bob, and Ron Jacobs. 2008， Successful Direct Marketing Methods, McGraw Hill Professional.

\[24\]Wasserman, S., 1978, “Models For Binary Directed Graphs And Their Applications”, Advances in Applied Probability, No.10. 803818.

\[25\]Xifra, J., Grau F., and Nanoblogging PR, 2010: “The Discourse On Public Relations In Twitter”. Public Relations Review, Vol.36, No.2. 171174.

Product Quality Monitoring Methods on Social Network

Xu Wei

Abstract:Through network monitoring in product quality safety information on the social network,this research analysis quality safety risks from massive consumer perception on social networks,joint mining from two angles of users and content,discuss key issues about individual ranking,content classification,network communication,topic prediction and so on. Building a product quality network risk monitoring model under a social network environment,provides a new perspective for product quality monitoring and early warning network information.

Key Words:Social Network; Quality Risk; Quality Network Monitoring

■ 责任编辑余凡

推荐访问:网络 社交 监测 产品质量 方法