面向文章流量預(yù)測的特征篩選與分析*

胡寶靈，李志濤，周 燕

（華南農(nóng)業(yè)大學，廣東 廣州 510642）

0 引 言

隨著互聯(lián)網(wǎng)自媒體的興盛和人們上網(wǎng)偏好的改變，微信公眾號逐漸成為重要的媒體平臺之一。公眾號若能夠抓住關(guān)注者的閱讀偏好，并生產(chǎn)閱讀偏好下用戶最可能喜聞樂見的內(nèi)容，將對其閱讀量的提升存在一定作用。因此，本文在文本數(shù)據(jù)挖掘的基礎(chǔ)上，分析可能影響文章閱讀量的特征，并對這些特征進行篩選，旨在確認影響媒體閱讀量的因素，實現(xiàn)文本數(shù)據(jù)挖掘技術(shù)的延伸、傳播學自媒體研究的拓展。

1 文獻綜述

自媒體閱讀量受多種因素影響。在自媒體閱讀量的研究中，研究者們采用多種方法確認閱讀量的影響因素，如金星[1]通過分析案例闡述閱讀量對文章特征的影響；陳星蓉、龍興宇[2]結(jié)合人群喜好提取吸引讀者的文章特征，但它們?nèi)狈?shù)據(jù)支持。還有通過描述性數(shù)據(jù)分析來估計閱讀量影響因素的研究，如郭爐、劉春云[3]將公眾號文章的多種特征可視化，判斷是否影響閱讀量，但這種方法仍舊缺乏有效的有效性檢驗。鐘若曦、馬曉燕等[4]采用多因素Logistics 回歸分析閱讀量和點贊量的影響因素和程度，但數(shù)據(jù)因人為主觀因素而存在誤差。

2 研究方法

本研究以一個微信公眾號為研究主體，通過爬蟲技術(shù)獲取該公眾號下的所有文章為研究樣本，然后估計閱讀量發(fā)展至穩(wěn)定所需的時間，裁去部分閱讀量仍未達到穩(wěn)定的樣本，隨后數(shù)據(jù)清洗，去除特殊文章和異常文章，并將文章的標題和文章轉(zhuǎn)換詞向量，再進行特征工程。通過最大概率法、主題概率模型以及相關(guān)數(shù)據(jù)操作技術(shù)，對數(shù)據(jù)進行分詞處理，提取文章特征，并檢驗所提取特征與閱讀量之間的關(guān)系。

3 數(shù)據(jù)處理

本文爬取微信公眾號“情感說說”2018 年11月14 日至2019 年5 月11 日的數(shù)據(jù)，剔除流量一周增長率大于1%（文章發(fā)布兩周時的閱讀量文章發(fā)布一周時的閱讀量）、閱讀量在3 倍標準差范圍外的文章。經(jīng)過數(shù)據(jù)清洗后，選用226篇文章的標題、發(fā)布時間、內(nèi)容和閱讀量4 個變量作為研究數(shù)據(jù)。

4 特征工程

4.1 文章標題的特征

陳星蓉、龍興宇[2]認為，文章標題對文章流量有著至關(guān)重要的影響，新穎的標題往往使文章具有較高的閱讀量。文章標題的特征很可能包涵對文章流量預(yù)測的重要信息，故本研究首先提取文章標題的特征。

4.1.1 標題漢字的個數(shù)

本文將文章標題的漢字個數(shù)與文章閱讀量通過散點圖的形式可視化，并生成通過最小二乘法擬合得到曲線及95%的預(yù)測區(qū)間，如圖1 所示?？梢钥匆姡瑪?shù)據(jù)點主要集中在左側(cè)且偏上的位置，擬合曲線明顯向下傾斜。

圖1 漢字個數(shù)與文章閱讀量的散點圖及擬合曲線（95%）

通過R 軟件計算得到的一元線性回歸系數(shù)表（表1）可以發(fā)現(xiàn)，標題的漢字個數(shù)在回歸模型中的t 檢驗顯著性水平小于0.05，說明漢字個數(shù)在流量預(yù)測模型中存在足夠的信息價值。

表1 漢字個數(shù)與文章閱讀量的回歸系數(shù)表

4.1.2 標題符號的個數(shù)

王干麗[5]在研究公眾號文章標題時發(fā)現(xiàn)，標點符號可以增強文章的感染力。本研究將標點符號這一特征進行多種方式分類，發(fā)現(xiàn)將沒有標點符號以及有標點符號的標題劃為一類，剩余有兩個及以上標點符號的標題劃為一類，這種情況經(jīng)過方差分析F 檢驗后的顯著性水平最低。以符號情況為名建立新變量，并將第一類劃為0，第二類劃為1，共得到201 個0 和25 個1。

4.1.3 標題的詞頻

文章標題是讀者了解文章最快速的渠道，標題中的每一個詞都可能意味著是文章所涉及的主題或討論的話題，而讀者也往往可能因為文章的某一個詞而選擇閱讀文章。

本研究將以文章標題中出現(xiàn)的詞建立多個變量。在建立詞變量前，首先需要對文章的所有標題進行分詞處理。

經(jīng)過R 軟件jiebaR 中segment 函數(shù)的處理，文章標題將分為一個個詞。以標題“希望，對余生的希望”為例，經(jīng)過分詞處理后的輸出結(jié)果為“希望”“對”“余生”“的”“希望”。對226 個標題進行分詞處理，共收集到533 個詞，其中370 個詞僅出現(xiàn)1 詞，81 個詞出現(xiàn)2 詞，而出現(xiàn)次數(shù)最多的詞為“的”字出現(xiàn)77 次。本研究保留名詞、動詞、形容詞等實詞，副詞、介詞、連詞等虛詞刪去，獲得114 個詞，并以這114 個特征作為分類變量。

4.1.4 標題的情感

本文利用處理多分類問題的兩種拆分策略在鳶尾花數(shù)據(jù)集上進行對比研究，比較兩種拆分策略的優(yōu)劣性，為后續(xù)多分類問題的研究起到一定的指引作用。

由于研究對象屬于一個情感類公眾號，因此研究將標題的情感作為特征之一。

研究根據(jù)情感態(tài)度將標題分為積極、消極和中性3 類。運用專家打分法，同時建立特征標題情感，將積極、消極和中性分別賦值為1、-1 和0。經(jīng)過處理后共得到54 個積極標題、131 個消極標題和41 個中性標題。部分標題的劃分如表2 所示。

4.2 文章正文的特征

當讀者通過文章的各種特征判斷其為一篇“好文章”時，可能會分享它，利于文章傳播提高閱讀量。下面將應(yīng)用多種統(tǒng)計方法提取文章正文的特征，盡可能從數(shù)據(jù)中獲取有價值的信息。

4.2.1 正文主題

本文提取文章的字符數(shù)和發(fā)布時間。通過提取統(tǒng)計文章中所有詞的詞頻，可以自動查找主題。運用主題數(shù)K=3 的LDA 主題概率模型，將文本視作詞頻向量。從單詞的概率分析得知主題，而文本又是多個主題構(gòu)成的一個概率分布，從而得知正文的主題特征。

4.2.2 正文長度

文章長度可能隱含能影響閱讀量的有價值信息，故計算正文的字符數(shù)表示文章長度。正文長度的樣本均值為568.58，樣本標準差為107.01。將正文長度的密度分布函數(shù)可視化后發(fā)現(xiàn)，整體近似正態(tài)分布，密度分布函數(shù)圖在正文長度800 左右小范圍起伏。

4.2.3 發(fā)布時間

研究的226 篇文章中，只有1 篇在19:30 發(fā)布，其余225 篇在21:04 至23:58 之間發(fā)布。以21:00 起的每分鐘為發(fā)布時間，則21:04分發(fā)布的文章為4分，23:58 發(fā)布則為178 分，19:30 發(fā)布的那篇文章直接作為21:00 處理，然后將整理后的時間可視化，發(fā)現(xiàn)閱讀量在10 000 以下的數(shù)據(jù)散點有輕微的波動起伏情況，說明夜間閱讀存在高峰與低谷。

類似的，微信用戶也可能因為工作等關(guān)系，在工作日與休息日上有不同的閱讀頻率。因此，將文章發(fā)布日期轉(zhuǎn)換為周一至周日，并對閱讀量在7 個水平上進行方差分析，得出方差分析表如表3 所示，箱型圖如圖2 所示。

表3 閱讀量的方差分析表

圖2 文章閱讀量以星期未分割的箱型

可以明顯看出，在周一發(fā)布的文章閱讀量集中且低于其他天，而周日發(fā)布的文章閱讀量相對分散。同時，在方差分析表中，經(jīng)過F 檢驗的p 值為0.584，在0.1 的顯著性水平下，可以認為閱讀量在不同的星期發(fā)布是有差異的。

在微信公眾號的訂閱號頁面，一些訂閱號群發(fā)的文章有分頭條與次條，如圖3 所示。

圖3 訂閱號群發(fā)預(yù)覽

通過瀏覽數(shù)據(jù)對比公眾號的群發(fā)內(nèi)容發(fā)現(xiàn)，收集到的數(shù)據(jù)中，當天的第一條為頭條，其余為次條。以頭條為1、次條為0，經(jīng)過提取后得到125 篇頭條和101 篇次條。

4.3 有效性檢驗

經(jīng)過上述過程的特征提取，原始數(shù)據(jù)變成226行125 列的數(shù)據(jù)框。除去文章閱讀量，125 個特征分別是標題的漢字個數(shù)（連續(xù)變量）、標題的符號個數(shù)（二分類變量）、標題的情感（多分類變量）、正文的長度（連續(xù)變量）、文章發(fā)布時間（連續(xù)變量）、文章發(fā)布星期（有序變量或多分類變量）、頭條次條情況（二分類變量）、114 個標題的詞頻（二分類變量）、3 個正文的主題概率值（連續(xù)變量）和正文的主題類型。總的來說，可以分為連續(xù)變量、二分類變量和多分類變量3 種類型。

對3 種變量類型的特征進行有效性檢驗，對連續(xù)或有序變量特征與文章閱讀量進行相關(guān)性檢驗，確認特征是否對文章閱讀量有線性影響。檢驗結(jié)果（表4）顯示，標題的漢字個數(shù)對閱讀量有明顯線性相關(guān)性，且當發(fā)布星期作為有序變量時，可以看成其對閱讀量存在有線影響。

二分類變量特征將文章閱讀量在特征水平上分為兩組，若特征對閱讀量有影響，則應(yīng)當反映兩組間均值是有差異的，因此通過T 檢驗確認特征的有效性。

由于本文特征工程中創(chuàng)建的特征超百個，故僅抽取0.05 顯著性水平下表現(xiàn)顯著的特征作為結(jié)果展示（表5）。這些標題詞頻特征表示，文章的標題是否出現(xiàn)這些詞匯會顯著影響其閱讀量。

表4 相關(guān)性檢驗結(jié)果

表5 顯著特征的T 檢驗結(jié)果

而對于多分類變量，兩組各進行一次則流程繁瑣，且無法反映整體情況，因此采用方差分析的方差檢驗組間均值是否有差異。需要進行方差分析檢驗的特征分別是發(fā)布星期、標題的情感和主題類型，3 次方差結(jié)果如表6 所示。

表6 方差分析檢驗結(jié)果

5 結(jié) 語

研究發(fā)現(xiàn)，影響文章閱讀量的因素有標題的漢字個數(shù)、標題的情感、正文的長度、正文所涉及的主題類型、發(fā)布的時間點和星期、是否頭條以及標題中是否會出現(xiàn)某些詞等。以上特征對該公眾號的創(chuàng)作指導顯然具有重要意義。