网络内容传播中的情感

如果愤怒的满足感在关系牢固的人和朋友较少的老年人中传播，它的传播就会加强。此外，与高度网络化的用户一起广播内容可以用来传播表达更多焦虑和厌恶的在线内容。病毒式传播策略（例如，社交推荐）可以促进表达更多焦虑的内容的传播，因为表达更多焦虑的文章会导致级联的深度和结构病毒式传播。我们的研究并非没有局限性。首先，现有心理学研究尚未就人类的基本离散情绪类别达成一致（Plutchik和Kellerman1980，Lerner等人，2015）。虽然我们关注的是文献中明确的、通常在网络内容中表达的四种消极离散情绪，但未来的研究可能会调查其他离散情绪，例如蔑视、恐惧、羞耻和内疚，是否会影响信息级联过程，以及它们如何与社会或心理过程互动。其次，我们的模型遵循的研究（Berger and Milkman 2012，Nguyen et al.2020）假设离散情绪的影响是线性叠加的。未来的研究可以使用一种实验性的方法来操纵离散情绪的不同组合，并测试营销人员的互动，即使他们有自己的社交媒体账户（例如，官方账户），他们也可能没有足够的追随者。相反，营销人员通常不得不依靠流行出版商或关键意见领袖（KOL）来推广内容，并为此付费。然后，出版商或KOL将营销人员生成的内容传播给（全部或部分）其追随者，并在社交网络上传播这些内容。

事实上，这是出版商或KOL在微信等社交媒体平台上创收的最重要商业模式之一。Yu等人：在线内容差异中的情绪离散情绪对内容差异有影响。第三，我们没有探索不同时期内出版商的嵌套效应，因为我们的研究使用了标准的双向效应模型，以便在发现因果关系时更好地解释内生性问题。出版商时间嵌套效应在我们的固定效应模型中无法识别。未来的研究可以考察不同的出版商在不同的时间段内如何影响差异。第四，未来的研究可以检验内容差异中情绪的影响如何在不同的图片之间变化。了解这一点将为内容制作人提供一种在社交媒体上撰写和推广特定主题作品的方法。第五，我们选择在模型中不使用评论数据，因为它有局限性，不能有助于清晰的因果识别。未来的研究可以检验评论在内容差异中扮演的角色。第六，我们选择关注嵌入内容中的情感表达，而不是读者体验到的情感对内容差异的影响。这是因为，在我们的语境中，情感表达可以通过经验来衡量，对于能够决定内容中情感表达程度的作家来说，理解情感表达的影响是可行的，而读者体验到的情感是不可观察的，作家很难预测。未来的研究可以探索嵌入在线内容中的情感表达如何影响读者的情感状态。最后，实证研究中最先进的情感分析方法是从词汇层面进行的，我们的研究依赖于这项技术。

此外，对于作者来说，根据单词级情感而非文章级情感的影响来采取行动也不那么模棱两可。然而，大规模的文章级情绪分析是未来自然语言过程研究要解决的一个重要问题。参考亚当斯·RB，安巴迪N，麦克雷中国，克莱克·R（2006）情绪表达预测接近回避行为。动机与情感30（2）：177-186。Bailis DS，MacCoun RJ（1996）《以媒体为导向评估责任风险：侵权诉讼媒体报道的内容分析》。法律与人类行为20（4）：419-429。班纳吉A，钱德拉塞哈尔股份有限公司，杜弗勒，密苏里州杰克逊（2013）小额融资的差异。科学341（6144）：1236498。我们没有在文章差异中探讨情绪和主题的交互影响，因为在我们的上下文中，有几个主题标签的文章没有一个明确的分类。首先，注释是按顺序生成的。之后产生的评论可能会受到之前产生的评论的影响。随后产生的评论也可能是内容差异结果的内在因素。例如，人们可能会对广泛传播的内容提供更多评论。此外，在我们的环境中，虽然我们可以从公司的数据库中观察到所有评论，但并非所有评论都对读者可见。作者通常只选择很少的评论，并将其呈现给读者。这种自我选择机制使得识别评论如何影响内容差异变得很有挑战性。Yu等人：《在线内容差异中的情绪》Barsade SG（2002）《涟漪效应：情绪传染及其对群体行为的影响》。行政科学季刊47（4）：644-675。Berger J，Milkman KL（2012）是什么让在线内容成为病毒？市场研究杂志49（2）：192-205。Blei DM，Ng AY，Jordan MI（2003年）潜在dirichlet分配。

机器学习研究杂志3（1月）：993-1022。Bollen J，Mao H，Zeng X（2011）推特情绪预测股市。计算科学杂志2（1）：1-8。Brady WJ、Wills JA、Burkart D、Jost JT、Van Bavel JJ（2019）政治领导人在社交媒体上使用道德化内容的差异中存在意识形态不对称。实验心理学杂志：总则148（10）：1802。Brady WJ、Wills JA、Jost JT、Tucker JA、Van Bavel JJ（2017）情感塑造了社交网络中道德化内容的差异。美国国家科学院院刊114（28）：7313-7318。陈婷，Guestrin C（2016）Xgboost：一个可扩展的树推进系统。第22届acm SIGKDD知识发现和数据挖掘国际会议记录，785-794。Chernozhukov V，Chetverikov D，Demirer M，Du fl o E，Hansen C，Newey W，Robins J（2018）治疗和结构参数的双/debiasedmachine学习。Clark MS，Taraban C（1991）在社区和交流关系中对情绪的反应和表达意愿。实验社会心理学杂志27（4）：324-336。Coviello L、Sohn Y、Kramer AD、Marlow C、Franceschetti M、Christakis NA、Fowler JH（2014）在大规模社交网络中检测情绪传染。PloS one 9（3）：e90315。Del Vicario M、Vivaldo G、Bessi A、Zollo F、Scala A、Caldarelli G、Quattrociocchi W（2016）Echo chambers：facebook上的情绪传染和群体分化。科学报告6（1）：1-12。Dev H，Karahalios K，Sundaram H（2019）量化在线平台中的选民偏见：一种工具变量方法。ACM关于人机交互的会议记录3（CSCW）：1-27。Dolan RJ（2002）情绪、认知和行为。科学298（5596）：1191-1194。Edelman LB，Abraham SE，Erlanger HS（1992）法律的专业建设：不当解雇的严重威胁。

法律与社会评论47-83。Elliot AJ，Eder AB，Harmon Jones E（2013）方法——回避动机和情绪：趋同和分歧。情绪回顾5（3）：308-311。Finkenauer C（1998）秘密：类型、决定因素、函数和结果。未发表的博士论文，卢旺达大学路易威纳大学，卢旺拉诺伊，比利时。Goel S，Anderson A，Hofman J，Watts DJ（2015）在线扩散的结构病毒性。管理Sci62（1）：180–196。Granovetter MS（1977）弱联系的力量。社交网络，347-367（爱思唯尔）。Hat Field E，Cacioppo JT，Rapson RL（1993）情绪传染。心理科学的当前方向2（3）：96-100。Hausman JA，Bresnahan TF（2008）5。完全竞争和不完全竞争下新产品的估价（芝加哥大学出版社）。Yu等人：《网络内容差异中的情感》希思·C、贝尔·C、斯特恩伯格·E（2001）《模因中的情感选择：城市传奇的案例》。《个性和社会心理学杂志》81（6）：1028。Hennig Thurau T，Wiertz C，Feldhaus F（2015）推特重要吗？微博Mouth对消费者新电影接受度的影响。市场科学院学报43（3）：375–394。Jackson MO（2008）《社会与经济网络》，第3卷（普林斯顿大学出版社）。姜丽，Drolet A，Kim HS（2018）《寻求年龄和社会支持：理解感知社会成本对他人的作用》。《个性与社会心理学公报》44（7）：1104-1116。Keltner D，Haidt J（1999）情绪在四个分析层次上的社会功能。认知与情感13（5）：505-521。Kenea（2008）唤起性和非唤起性情绪词记忆的年龄差异。《老年学杂志》B辑：心理科学和社会科学63（1）：第13-18页。Kramer AD，Guillory JE，Hancock JT（2014）社交网络大规模情绪传染的实验证据。

美国国家科学院院刊111（24）：8788-8790。Lerner JS，Li Y，Valdesolo P，Kassam KS（2015）情绪与决策。心理学年度回顾66:799–823。Lerner JS，Small DA，Loewenstein G（2004）心弦和钱包：情绪对经济决策的影响。心理科学15（5）：337-341。Lin X，Wang X（2020）研究了人们在社交网站上信息共享决策中的性别差异。国际信息管理杂志50:45–56。Malik M，Hussain A（2017）将产品评论的有用性作为一种离散的积极和消极情绪的函数。计算机与人类行为73:290–302。Mikolov T，Chen K，Corrado G，Dean J（2013）向量空间中单词表示的有效估计。arXiv预印本arXiv:1301.3781。Nevo A（2000）不同产品的合并：即食谷物行业的案例。经济学杂志395-421。Nguyen H，Calantone R，Krishnan R（2020）社交媒体情感口碑对机构投资者决策和企业价值的影响。管理Sci 66（2）：887–910。Plutchik R（2001）《情绪的本质：人类情绪有着深刻的进化根源，这一事实可以解释其复杂性，并为临床实践提供工具。美国科学家89（4）：344-350。Plutchik R，Kellerman H（1980）情绪、理论、研究和经验（学术出版社）。权C，任F（2010）一个用于中文情感表达分析的博客情感语料库。计算机语音与语言24（4）：726-749。Rim’e B（2009）情绪引发情绪的社会分享：理论与实证综述。情绪回顾1（1）：60-85。Russell JA（1980）一个影响的循环模型。

人格与社会心理学杂志39（6）：1161。Saarim–aki H，Gotsopoulos A，J–askel–ainen IP，Lampinen J，Vuilleumier P，Hari R，Sams M，Nummenma L（2016）基本情绪的离散神经信号。大脑皮质26（6）：2563-2573。Yu等人：《在线内容差异中的情绪》Sargan JD（1958）使用工具变量估计经济关系。计量经济学26（3）：393-415，ISSN 00129682，14680262。施Z，芮H，Whinston AB（2014）社交广播环境中的内容共享：来自Twitter的证据。MIS季刊38（1）：123–142。Song T，Huang J，Tan Y，Yu Y（2019）使用用户和营销人员生成的内容进行票房收入预测：微博和第三方平台之间的差异。信息系统研究30（1）：191-203。宋宇，史S，李杰，张H（2018）定向跳跃语法：明确区分左右语境的前词嵌入。计算语言学协会北美分会2018年会议记录：人类语言技术，第2卷（短文），175-180。Stieglitz S，Dang Xuan L（2013）社交媒体中的情绪和信息差异微博的情绪和分享行为。管理信息系统杂志29（4）：217-248。Stock J，Yogo M（2005）线性IV回归中的弱仪器测试，80–108（纽约：剑桥大学出版社）。孙C，邱X，徐Y，黄X（2019）如何定义文本分类的调谐伯特？中国计算语言学全国会议，194-206（斯普林格）。Tomkins SS（1962）《影响意象意识：第一卷：积极影响》，第一卷（斯普林格出版公司）。Van den Bulte C，Bayer E，Skiera B，Schmitt P（2018）客户推荐计划如何将社会资本转化为经济资本。

市场研究杂志55（1）：132-146。Van Kleef GA（2009）情绪如何调节社会生活：情绪作为社会信息（easi）模型。心理科学的当前方向18（3）：184-188。Van Kleef GA（2010）将情绪视为社会信息的新兴观点。社会和人格心理学课程4（5）：331-343。Villas Boas JM，Winer（1999）品牌选择模型的内生性。管理Sci 45（10）：1324–1338。Vosoughi S，Roy D，Aral S（2018）真假新闻在网上的传播。科学359（6380）：1146-1151。王X，Lee EW（2020）负面情绪影响癌症推文的传播：走向综合社会网络——文本分析方法。互联网研究。Wethington E（2000）期待压力：美国人与“中年危机”。动机和情绪24（2）：85-103。Wooldridge JM（2002）横截面和面板数据的计量经济学分析。谷歌书店58（2）：752，ISSN 09331719。肖宇，张H，Cervone D（2018）《愤怒的社会功能：新产品评论的竞争调解模型》。《产品创新管理杂志》35（3）：367-388。薛B，傅C，邵斌Z（2014）基于Word2VEC的新浪微博情感计算与分类研究。2014年IEEE国际大数据大会，358–363（IEEE）。杨X，张Z，张Z，莫Y，李力，于力，朱平（2016）多语系词典的自动构建和全局优化。计算智能与神经科学2016。Yu等人：在线内容差异中的情绪D，Bond S，Zhang H（2014）焦虑还是愤怒？离散情绪对在线评论的帮助感知的影响。Mis季刊38（2）：539-560。尹D，邦德S，张H（2017）保持冷静或发泄：表达唤醒对消费者评论感知的非线性影响。

市场研究杂志54（3）：447-463。于毅，杨毅，黄杰，谭毅（2019）在线评论和产品销售中的情绪：统一经验和理论观点。可通过SSRN 3497884获得。作者电子伴侣：在线内容差异中的情感EC1在线内容差异中的情感附录C。1.构建特定领域和最新的情感词典方法需要现有的通用情感词典作为基本词典。Ren CECps是一个基于1487篇中文博客文本的情感词典（Quan and Ren 2010）。每个单词都有八种基本情绪类型（即惊讶、喜悦、期待、爱、焦虑、悲伤、愤怒和厌恶）。每个单词的每个情感类都会在0.0到1.0之间进行手动注释，表示该单词表达的情感强度。我们将八维情绪强度向量表示为vi={eij}N=8j=1。我们选择Ren CECps有以下三个原因。首先，正如全和任（2010）所指出的，这八种情绪最常在中文博客文本中表达；使用这些情绪可以减少情绪类别选择中的混乱。第二，文本是基于中文博客注释的。博客和微信文章是类似的中国在线内容。因此，我们认为Ren CECP比基于一般中文文本（如NTUSD、知网、DUT）的词汇更适合我们的语境。最后，对Ren CECP进行手动注释和统计验证（Quan和Ren 2010）。与自动构建的情感词汇（如Yang等人2016）相比，Ren-CECps的结果更精确、更可靠。我们从Ren CECps中获得了2048个情绪词及其强度，作为我们的基本情绪词汇。接下来，我们的方法需要包含语义信息的词向量。可以通过统计语言建模（例如。

Word2Vec由Mikolov等人（2013年）提出。我们使用了Song等人（2018）预先训练的词向量，他们为800多万个常见汉语单词和短语提供了200维词向量。这些词向量是在最新、大规模和高质量的中文在线内容上预先训练的（Song等人，2018年）。然后，两个词之间的相似性可以通过两个对应词向量的余弦相似性来衡量（Mikolov等人，2013）。我们遵循Yu等人（2019）提出的算法，将基本词汇（表示为L）扩展到特定领域的最新词汇。首先，我们随机将基本词汇l={（wi，vi）}Ni=1分为训练集（90%）和测试集（10%），即Lte和Lte。其次，我们在样本文章中构建了一组唯一的词，除了停止词。从W开始，我们有11名注释员参与了注释工作。根据全和任（2010）的说法，作者花了两个月的时间对注释员进行联合培训，并制作注释说明。作者还使用Kappa统计量来衡量11位注释者之间的成对一致性。该协议的Kappa系数是计算语言学界采用的一个统计数据，作为此类目的的标准衡量标准。情感词汇的一致性为0.785。鉴于此注释任务的复杂性，我们相信注释是可靠和有效的。有关更多详细信息，请参见Yu等人（2019）中的算法1、2和3。ec2作者电子伴侣：在线内容中的情感差异包含潜在情感词的子集P。具体来说，对于每个单词∈如果wii不在inLtr中，我们通过使用预先训练的词向量，得到语义上与wi最相似的M个词：{wi，j}Mj=1。根据薛等人（2014）和余等人（2019）的建议，M被选为100。如果存在j，那么wi，j∈Ltr、wi、jis被认为是一个潜在的情绪词（Xue等人。