微博是当前社交网络中最重要的信息平台之一，其中的信息发布速度快、传播范围广、影响力大；因而微博也成为了网络情报管理与信息监测领域的重点关注点之一【1】。目前，众多的专家学者从信息源角度对微博生态系统进行了分析，研究发现：较之博客等早期社交媒体平台，微博中的信息原生比例较高，我国的主要微博系统，例如搜狐、腾讯以及网易等，其原生信息的24小时产生量均已突破千万；而与此同时，各个微博平台间的信息转发与传导也因微博间“无缝链接”的实现而异常频繁，传导信息量已逐渐与原创信息并驾齐驱，《2018年Q 1 中国微博传播分析报告》指出：国内主要微博平台中的传导信息总量超过了60% ，而其中大多数（73% 以上）信息又来自于其他微博系统；而进一步的研究发现：不到2% 的传导节点完成了90% 以上的热点信息传导，因此有必要对这些节点的生灭过程与传导活动进行全面、高效、及时的监管。但从目前的微博舆情热点监控模型与系统研究成果来看，前人工作主要关注热点内容的甄别、跟踪及基于复杂网络分析的微博传导热点预测算法王林森1，王学义2（1. 西南医科大学人文与管理学院，四川泸州646000；2. 西南财经大学中国西部经济研究中心，四川成都611130）摘 要：【目的/ 意义】微博传导热点的影响力大、信息扩散速度快，且隐蔽性较强，因此成为了网络舆情管理研究领域的难点和瓶颈。【方法/ 过程】针对这些情况，基于复杂网络分析理论与技术，设计了微博传导热点预测算法TPCN 。TPCN 算法将复杂网络中的信息路由节点模型扩展为微博传导节点模型，从而对传导子网进行划分；最终以传导信息序列的热密度功率谱为依据，对传导节点的传导空间进行测度，从而判断其信息影响趋势，并实施传导热点预测。【结果/ 结论】微博传导热点监测实验表明，较之SNSM 算法，TPCN 算法具有较高的热点预测率、较低的误报率以及良好的预测精确度。关键词：舆情监测；微博；复杂网络；传导节点；预测中图分类号：G 206. 3 DOI ：10.13833/j.issn. 1007- 7634.2018.06.004ANovelPrognosisAlgorithmofMicro-blogHotInformationTransmissionNodeBasedonComplexNetworkAnalysisWANGLin-sen1，WANGXue-yi2( 1.SchoolofHumanlitesandManagementSciences,SouthwestMedicalUniversity,Luzhou 646000,China2.ChineseWestEconomicsResearchInstitute,SouthwestFinance&Economics,Chengdu 611130,China)Abstract:【Purpose/significance】The micro-blog information transmission nodes has large influence, fast information diffu⁃sion speed and strong concealment, which makes them be the difficult points and bottlenecks in the research fields of Inter ⁃net public opinion management.. 【Method/process】In view of these situations, a micro-blog transmission hotspot predictionalgorithm TPCN is designed based on complex network analysis theories and technologies. TPCN algorithm extends the in ⁃formation routing node model of complex networks into the micro-blog node transmission model, and uses it to divides thetransmission subnet. Finally, TPCN algorithm measures the transmission space based on the heat density power spectrum ofthe information sequence. As following, it judges the trend of its information influence and carries out the transmission hotspot prediction.【Result/conclusion】Simulation experiment results show that TPCN algorithm has higher hot transmissionnode prognosis rates, lower false alarm rates and better accuracy rates than SNSM algorithm does so.Keywords: public opinion monitoring; micro-blog; complex network; information transmission node; prognosis情报科学第36卷第6 期2018年6 月 ·理论研究·收稿日期：2017 - 09 - 06基金项目：国家社科基金青年项目（14 CGL050）；中央高校基本科研业务费专项资金(JBK 141106 )作者简介：王林森( 1978 -) ，男，河南信阳人，博士，讲师，主要从事社会信息化等研究.- - 20预测，但对微博信息传导热点少有研究，忽略了复杂网络领域的重要发现：“外部信息传导与内部信息生成具有同等重要的意义，但需要区别对待”，因此导致了热点信息源挖掘不彻底、不深入，热点内容预测覆盖度与精度差等问题【2】。针对上述研究缺陷与现实需求，本文基于复杂网络模型，对内向型（外部信息经传导节点，向其自身所在的微博系统内部传播）传导节点进行研究，并设计了新型的微博传导热点预/检测算法TPCN（micro- blog hot information Transmission-node Prognosis algorithm based on Complex Network analysis）。1 文献综述与解决方案一是基于复杂网络理论的微博传导热点建模问题。Pa ⁃tel Sibbald 的研究表明：无论从独立的微博系统，还是从整个社交媒体生态圈来看，微博信息传播都具有明显的复杂网络特征，因而可以借鉴复杂网络传导节点方面的理论，来指导微博传导热点的建模工作【3】。Nitish Gaikwad通过研究发现：由于服务对象以及信息源方面的差异，微博传导节点（热点）与复杂网络理论中的信息传播路由节点有一定的相似之处，但微博传导节点的信息主动特征更强，且数据汇聚与扩散特征更明显【4】。Varnica等研究者证明：基于复杂网络模型，进行微博生态系统模拟，是可行的，且具有良好的仿真效果；他们的研究也指出，由于微博系统的动态和取向特性更强，因此需要向此类系统中引入更复杂的节点关联机制【5- 6】。综上所述，前人工作对于复杂网络视角下的微博传导节点建模已进行了可行性论证，因此，本文中将以其为基础，进行微博传导热点（节点）数据分析与建模工作，从而为算法描述提供基础的数据结构。二是微博系统中，传导热点（节点）与外部信息源之间的关系建模问题。Chuanmin Mi等研究人员将复杂网络的传导节点，依据信息主要的传播方向进行了划分，并以此为依据研究了领袖节点与传导节点之间的关系，为“节点- 节点”、“节点- 网络”关系建模奠定了基础【7- 8】。Alron Jan Lam 通过社交网络的复杂网络建模仿真发现，传导节点必须一方面关注本网络中的信息需求，另一方面跟踪外部网络的信息动向，才能获得较好的信息传导质量【9】。Chun Wang 等研究人员发现复杂网络的高热信息路由节点具有受信度高、关联节点数量多等特征，而这些特征与微博系统中的传导热点特征不谋而合【10- 11】。Weiyi Sun研究了当前微博传导节点的信息扩散模式，并指出复杂网络中的节点关系模型同样对其适用，因而可以对其进行仿真的信息扩散预测【12】。综上所述，本文将以复杂网络理论为理论基础，研究微博传导节点的“节点- 节点”、“节点- 网络”关系，从而为其信息传播行为识别与预测算法设计奠定基础。三是微博传导热点的识别、发现与预测等问题。其中，Carolina Bigonha 等研究人员指出：微博类社交媒体中的传导热点与复杂网络中的信息传播路由节点在行为以及信息扩散模式上具有极高的相似性【13- 14】。而Hamid Reza Karimi 将复杂网络系统模型运用于微博的热点信息图谱发现工作中，取得了良好的效果【15】。Hazem M.E Bakr 从仿生学视角，对微博传导热点的信息传播行为进行了研究，对其信息汇聚与扩散等行为进行了建模【16】。Martin Rosval将复杂网络理论中的信息路由节点方法，应用在微博传导节点发现工作中，并取得了一定的效果【17】。综上所述，本文将以复杂网络为基础理论，对微博传导热点的生灭与信息传播行为进行研究，并提出对应的算法。2 数据结构与预测流程2. 1 传导节点数据结构基于复杂网络理论，本算法中给出了微博传导节点的模型（数据）结构。根据前人工作中，当某节点向其所在微博系统转发或转载信息量达到或超过该节点传播信息总量的75% 时，则该节点可以被称为传导节点。基于这一定义，以及复杂网络信息传播路由节点的定义，本算法进一步对传导节点的结构进行刻画，首先当节点i 在微博空间中的位置C i时，其传导信息的方向（特征向量的属性）将与微博中的基准信息向量生成一定的偏离，即它们之间存在θi 度偏离；进一步，定义传导节点i 的传导半径为r ，它是该传导节点与其信息空间边界之间的最远距离；至此，可以将该节点的信息空间表述为一个五元素结构体，有：Si =<θi , xi , yi, α , r,> ，在该结构体中，(xi , yi) 为节点i 的位置坐标；Si 是该节点的传导空间；Si ∪ Sj 则是两个传导节点i 以及j 的总体传导空间；而N 个传导节点的组合传导空间可以表述为：∪ i = 1NSi ；根据功率谱理论，可以将某个传导空间∪ i = 1NSi 在整个微博SΩ 中所占的比例，表示成其热功率值f ；由于复杂网络理论已经证实，同一网络内信息传导极少超过6 跳，因此可以假设其最大距离为常数，进一步有：f (θ1, θ2…, θi…θn) =∪i = 1nSiSΩ（1）此时，传导热点可以表述为：某节点集在θ( θ1 ，θ2 ，……θi ，……，θn) 的传导范围内，产生的热功率值f 达到或超过门限。进一步可以通过上述定义，构建热点预测算法TPCN。2. 2 总体流程如图1 所示，是该算法的预测流程；总体上包括以下几个步骤：Step 1 ：参照本节的定义，对微博系统中的节点进行粗分类，并对被确认为是传导节点的监测对象进行标注和集合构建。Step 2 ：对于监测窗口中传导节点传播的信息，TPCN算法主要基于复杂网络传导路由提取算法对其进行细分类，从而实现避免对整个空间进行覆盖式预测，通过有限次迭代，情报科学第36卷第6 期2018年6 月 ·理论研究·- - 21图1 基于TPCN 算法的传导热点预测流程对传导信息空间进行分割预测，发现其中的变化趋势与活动特征。Step 3 ：基于经过分割预测的传导信息空间，TPCN算法对其中的传导节点进行热度预测：主要是将传导节点中的信息视作物理学中的热量，进而通过热功率谱估计，对这些节点的未来变化趋势进行预测，通过动态排序以及发展趋势评估，得到未来的传导热点集。Step 4 ：将预测到的微博传导热点集发布给网络舆情监测管理员以及相关系统，为微博热点监测工作提供辅助信息。3 TPCN 算法TPCN 算法中设定在微博系统中信息传导的最长距离为r= 6 ，腾讯与新浪等主流微博的统计数据表明：95% 以上的微博信息传导距离在4 以内。基于上述，假设某个传导节点具有的信息特征数为α 时（同时也具备α 个角度）。 以复杂网络理论对其传导空间的最大容量进行描述，有：公式（2）里的S Ω 是处在监测之下的微博传导节点信息INFORMATION SCIENCEVol.36,No. 6 June,2018·TheoryResearch·N l n (1 - p)l n (1 -αr22 SΩ×SΩ- πr2- r (CΩ- 2 πr )SΩ-αr22SΩ+ rCΩ+ πr2×πr2+ r (CΩ- 2 πr )SΩ)（2）子空间；C Ω 是该空间传导半径，即信息传导距离；p 是这个子空间的信息特征密度值。基于上述定义，可以生成一条微博传导信息队列{ } xt ，该队列各元素信息密度的均值μx 与方差σ2x 、以及自协方差函数Rx 与信息生成的时刻t 无关；由此TPCN算法将根据复杂网络模型中相邻元素之间的相关系数ρk 进行ADF 适用度检验，有：DF =β̂- 1s( β̂)=β̂- 1se ∑t = 1Ty2t - 1（3）公式（3）中的se=1T - 1∑t - 2Te2t ，β̂=∑yt - 1yt∑y2t - 1。如果所得之值超过传导的临界值（异常节点或作弊节点），则需要对其进行d 次（不定次数）修正，此时：∇dxt= (1 - B)dxt=∑i = 0d(- 1)iCidxx - i （4）进一步的，TPCN算法对队列{ } xt 进行了标准化处理，对于初始化的队列，有{ } x(0)t ，且{ } x(0)t 是μ̂x 和方差σ̂2x 正态分布；对{ } x(0)t 中的元素进行如下计算：xt=x(0)t- μ̂xσ̂x（5）此时，有xt~N (0 , 1) ，且符合正态分布。依据当前微博传导信息队列的形态，可以选择对应的模型。其中，根据复杂网络模型的基本算法，由ρk 和ϕk（偏相关系数）的截尾性、拖尾性来决定计算模式；则xt= ϕ1xt - 1+ ϕ2xt - 2+ ϕ3xt - 3+ ⋯+ ϕpxt - p+ εt ，其中，ϕ1 ，ϕ2 ，ϕ3 ，⋯，ϕp 为模型参数，p是计算阶数，εt 是传导信息队列中的白噪声。此时，可以有：rk= E ( xtxt + k)            = E [ xt( ϕ1xt + k - 1+ ϕ2xt + k - 2+ ϕ3xt + k - 3+ ⋯+ ϕpxt + k - p) ]            = E [ xtϕ1xt + k - 1+ xtϕ2xt + k - 2+ xtϕ3xt + k - 3+ ⋯+ xtϕpxt + k - p]             = ϕ1rk - 1+ ϕ2rk - 2+ ϕ3rk - 3+ ⋯+ ϕprk - p（6）ρk=rkr0= ϕ1ρk - 1+ ϕ2ρk - 2+ ϕ3ρk - 3+ ⋯+ ϕpρk - p （7）其中，ρk= ρ- k ，ρ0= 1 ；以及k = 1 , 2 , 3 , ⋯, p 。综上所述，可以构建微博传导信息特征空间，有：æèçççççöø÷÷÷÷÷1 ρ1ρ2 ⋯ρp - 1ρ11 ρ1 ⋯ρp - 2ρ2ρ11 ⋯ρp - 3⋮ ⋮ ⋮ ⋮⋮ρp - 1ρp - 2ρp - 3 ⋯1æèçççççöø÷÷÷÷÷ϕ1ϕ2ϕ3⋮ϕp=æèçççççöø÷÷÷÷÷ρ1ρ2ρ3⋮ρp（8）Ppfp= ρp （9）其中的{ }fi, i = 1 , 2 , 3 , ⋯, p 称为传导趋势函数。基于表达式（9），根据复杂网络信息路由的相关研究，本研究假设被监测的传导节点中的传导信息内容队列为B ，并将该队列按照内容长度均分为ns 个子队列，进一步将这些子队列的特征能量进行傅立叶转换处理，有：SC S( fk) =∑r = 1nsXrC S( fk) Xr *C S( fk) / ns （10）其中有：XrC S( fk) 与Xr *C S( fk) 是整个队列B 中第r 个子队列的傅立叶特征变换结果及其共轭之值。而如公式（9）中所述，fk 为这个子队列的信息热点频率，XrC S( fk) 记为：XrC S( fk) = (Srx1γ12x2( fk)Srx2γ23x3( fk)...SrxB - 1γ( B - 1) BxB( fk) )1/ ( B - 1)（11）上述公式里，γ12, γ23, ..., γ( B - 1) B 为相邻子队列的相关系- - 22数，若它们彼此独立，则这些相关系数为1 ，反之则为0 ，Srx1γ12x2( fk), Srx2γ23x3( fk), ..., SrxB - 1γ( B - 1) BxB( fk) 为相邻子队列间的热传导功率谱，即：Srx1γ12x2( fk) = [ Xr1( fk) γ12Xr *2( fk) ] （12）通过上述处理，TPCN算法构建起了基本的传导节点热度估计空间，可以通过下列步骤进行热点发现与预测：Step 1 ：首先基于上述传导信息的片段x(t)进行传导信息与所在空间的信息敏感向量的分解，由此生成其中的n个热点子向量及其发展趋势（敏感子向量）un(t) ，具体参见公式（11）；Step 2 ：基于Step 1 中获得的发展趋势分量（敏感子向量），以Bayes抽取法获得其中的m 个频谱较高的敏感子向量，其中有：m<<N；并以此为基础进行组合功率谱的生成：Step 2- 1 ：基于敏感子向量进行傅立叶转换，求得：Xji, i = 1 , ..., m , j = 1 , ..., N ；Step 2- 2 ：生成各个热度敏感子向量的相关系数：γ2i(i + 1)( fk) =||||∑j = 1NSjxixi + 1( fk)2∑j = 1NSjxixi( fk)∑j = 1NSjxi + 1xi( fk)（13）其中，上式（13）式中的Sjxixi + 1( fk) 将通过（14）式计算生成：Sjxixi + 1( fk) = Xji( fk) Xji + 1( fk) （14）其中的Xji( fk) 为被监测的传导节点，根据整个微博系统中的第i 个子网计算得到的余弦离散转换之值。Step 2- 3 ，至此可以得到该节点的组合热度功率谱SC S( fk) ，即：SC S( fk) = (∑j = 1NXj1( fk) γ212Xj2( fk)...Xjm - 1( fk) γ2(m - 1)mXrm( fk))1 m/ N（17）Step 3 ：综上所述，有：ìíîïïïïp o w ri= -(∑k = 1Kpil n pi) / l n Kpk= SC S( fk) /∑k = 1KSC S( fk)∑k = 1Kpk= 1（15）从中可以得到各个子空间中关于监测传导节点的传导热度情况，对其进行排列，即可得到TopN传导热点队列，并提交给管理人员处理。4 实验结果分析为了检验TPCN 算法的实际预测能力，通过微博数据集，与SNSM (Social Networking Service Monitoring algorithm)社交网络热点预测算法进行了对比。SNSM 算法主要用于预测微博系统内的信息热点，在实验中对信息原创节点的监测任务进行了去除，并按照传导热点的定义对相关监测参数进行了设置。本研究的基础硬件平台为Lenovo 850 Server，基本配置为Intel i 5 CPU 、内存为16G DDR 4、硬盘为STAT3 8T ；基础软件平台为Suse Server 以及MySQL ，文件共享层采用NFS 网络文件系统。本研究采用的基础实验数据集来自于腾讯微博2017年6 月至2017年8 月间的数据库，共计80天的信息，由于该数据集数据过于庞大，进行遍历式处理将导致实验过程延误；本研究通过“腾讯微博大数据平台”选取了微博数据集中信息传导最为密集的金融类子集作为实验数据集，该集合中的数据条数超过了6000万，持久博主数达到了72万，而腾讯微博大数据平台最终认定的传导热点达到了3972个。两种算法的对比实验采取了平行仿真实验方法，即：两次实验均基于同一套软硬件系统，独立的将采集到的微博实验集，以时间为顺序提交给仿真实验系统，并由两种传导热点预测算法独立进行处理，并独立预测生成和存储自身的传导热点集合。TPCN算法运行结束后，整个系统通过重启将存储和计算状态归零，重新引导加载相同的网络监测系统，并载入SNSM 传导热点预测算法对同一数据集进行独立的同序处理；最终在同一指标体系之下，对二者的预测结果进行对比。其中，采用的主要预测算法性能指标包括【9】：传导热点预测率，即：在一定时间段（监测周期）内，被两种算法预测为传导热点，并且最终被确定为传导热点的节点总数，与被预测为传导热点节点总数的比例误报率，即：该定义可表述为：在一定时间段（监测周期）内，被两种算法预测为传导热点，但实质上并不是传导热点的总数，与被预测为传导热点节点总数的比例，该定义代表了一定检测周期内预测算法浪费系统资源的程度【4】。精确度，即：在一定时间段（监测周期）内，被两种算法预测为传导热点，并且最终被确定为传导热点的节点总数，与整个微博系统中所有传导节点的比例。最终的对比实验结果如图2- 图4 所示。图2 两种算法的传导热点预测率对比图2 中为两类预测算法的传导热点预测率对比。其中，在所有的监测周期内，TPCN 算法的预测度都超过了SNSM算法，其中只有少量监测周期内二者的传导热点预测率较为接近。更进一步的统计显示，超过10% 的监测周期中，TPCN的精确度超过SNSM 算法30% 以上，体现了其具有较为高效和准确的预测能力，将为后续的人工决策等任务节省大量的人力开销。另一方面，由图4 可以看出，从算法启动开始，TPCN算法的预测率上升速度较快，且在进入预测率稳定区后，整个曲线的波动较小，说明该算法具有良好的稳定性。情报科学第36卷第6 期2018年6 月 ·理论研究·- - 23图3 两种算法的误报率对比图3 中为各监测周期内，两种预测算法产生的热点误报率对比。其中，从总体来看，TPCN 算法的热点误报率远低于SNSM 算法（80个监测周期中，只有3 个误报率略高）；80个监测周期中，超过25% 的热点误报率低于后者20% 强；这说明TPCN算法的辨识度较高，这一优势能够使其所在系统无需跟踪过多的非目标节点，从而大大节省了系统资源开销。另一方面，从图3 的热点误报率曲线变化趋势可以看出，TPCN 算法从启动开始，较快的进入了较低的误报率稳定区，且后续的曲线波动较小，因此无需过多额外的计算与存储资源，有利于整个系统负载均衡与资源调度。图4 两种算法的精确度对比图4 中为两类预测算法的精确度对比。其中，在绝大多数的监测周期内，TPCN算法的精确度超过了SNSM 算法，其中只有少量监测周期内二者的精确度较为接近。更进一步的统计显示，超过25% 的监测周期中，TPCN 的精确度超过SNSM 算法20% ，体现了其具有较为精准的预测能力，将为后续的人工决策等任务节省大量的人力开销。另一方面，由图4 可以看出，从算法启动开始，TPCN算法的精确度攀升很快，且在进入精确度稳定区后，整个曲线的波动较小，说明该算法具有良好的稳定性。5 结语本研究对微博中的信息转发与传播问题进行了研究，进而设计了基于复杂网络理论的传导热点预测算法TPCN。最后，本研究通过仿真对该算法的性能进行了分析，从总体看，该算法具有较好的预测性能，处理效率也较高。从当前的需求情况与算法运行情况来看，本研究计划对下列问题进行持续跟踪与研究：首先是需要设计更为简练的复杂网络传导节点模型，从而降低预测中的存储开销；其次需要对网络内部信息源热点与传导热点之间的关系进行进一步的剖析，从而进一步理顺热点信息的生灭路径，提高热点监测的效率与准确度。参考文献1 刁海伦, 王树义, 王 楠. 基于多主体的微博网络虚假信息的集中甄别方法研究[J]. 情报科学, 2016, 34( 2 ): 37- 44.2 田占伟, 王 亮, 刘 臣. 基于复杂网络的微博信息传播机理分析与模型构建[J]. 情报科学, 2015, 33( 9 ): 15- 21.3 Patel Sibbald. Using Social Media as a PedagogicalTool in Graduate Public Health Education and Train⁃ing [J]. Journal of Healthcare Communications, 2016, 1( 2 ): 4 - 12.4 Nitish Gaikwad, Ankit Bhanushali, Dheeraj Mishra.Friend- book:A Friend recommending system throughLife- Style based on Complex Network Theories [J].International Research Journal of Engineering andTechnology, 2016, 3 ( 5 ): 221 - 226 .5 Varnica, Mini Singh Ahuja. Studying the Propertiesof Complex Network Crawled Using MFC [J]. Inter⁃national Research Journal of Engineering and Tech⁃nology,2015, 2 ( 4 ): 1865- 1873.6 Charalampos Chelmis. Complex Modeling and Analy⁃sis of Workplace Collaboration Data [J]. Journal ofCommunication,2017, 14( 3 ): 503 - 508 .7 Chuanmin Mi, Xiaofei Shan, Jing Ma. Improved Net⁃work- Based Recommendation Algorithm based onComplex Networks [J]. Journal of Electronic Librar⁃ies, 2016, 3 ( 6 ): 109 - 117 .8 Guozhong DONG, Wu YANG. Detecting communi⁃ty pacemakers of burst topic in Twitter [J]. Journal ofInformation Systems, 2016, 3 ( 9 ): 245 - 255 .9 Alron Jan Lam . Improving Twitter Community De⁃tection through Contextual Sentiment Analysis ofTweets [C]//Proceedings of the54th Annual Meet ⁃ing of the Association for Computational Linguistics,Berlin,2016: 30- 36.10 Chun Wang, Yicheng Fang. Research on Opinion LeaderMining based on Complex Network Influence Analysis [J].International Journal of Science, 2017 , 4 ( 3 ): 380- 389.11 Weiyi Sun. Detecting Community Influence Echelons inTwitter Network [J]. Association for Information Systems,2017 , 8 ( 5 ): 1 - 12 .12 Patel Sibbald. Using Social Media as a Pedagogical Tool inGraduate Public Health Education and Training [J]. Journalof Healthcare Co mmunications, 2016 , 1 ( 2 ): 4 - 12 .13 Carolina Bigonha. Detecting Evangelists and Detractors onTwitter through Complex Networks [J]. （下转第88页）INFORMATION SCIENCEVol.36,No. 6 June,2018·TheoryResearch·- - 24认可度方面都达到77% 以上，说明学生认识到利用多媒体和网络中的教学平台提供的形象、生动、真实、丰富的语言环境，创设虚拟情景，开展课堂讨论与小组合作学习活动，遇到实际疑难问题教师可以实时的解答。有提高的10% 以上，这部分学生主要是对网络操作不是很熟练、只限于网上浏览、自控能力较弱、贪于网上游戏，不能很好的利用网络教育资源，认为网络学习不能与教师面对面，还浪费学习时间。没提高的占0% 。从整体考虑网络自主学习能激发学生学习兴趣，使学生各种能力都能得到提高。（3）实证分析的启示。为了更好的把自主学习经常化、持久化发展下去，就要求教师正确引导。首先，要培训学生正确使用网络自主学习平台，还要应注重培养和训练学生的学习策略，使学生能够从自主学习的成功体验中逐渐提高其自主学习能力。让学生认识到自主学习的效果在很大程度上取决于学习者的主观能动性，主动参与到自主学习的实践中，应该改变过去的对学生评价、评估模式采用多种形式提高学生自主能力，其次，教师要做到因才因材施教，根据不同层次学生学习偏好、学习风格、学习倾向、学习方法采取不同的学习策略。教师要注意引导学生找到适合自己的学习方法和技巧，实现个性化学习。再次，教师应该转变教学观念，注重提高自身的素质和知识积累，积极参与并且监督学生的学习活动，对学生的自主学习进行有效指导，引导学生制定自主学习的计划，经常或定期的为教学管理平台补充新的教学资源，维护教师与自主学习环境的良性互动有利于教学生态的协调和平衡。还要优化软硬件设施，创造良好的自主学习环境，学校应加大投入、改善硬件设施；建立自主学习平台、研发自主学习软件，不断更新、充实教师资源库、学生资源库，使自主学习有条不紊的持续下去。7 结语大数据时代的到来，为我们提供了丰富的信息资源，也为教师的教学研究提供了大容量、多样化、快速度、高价值的支撑数据，在网络环境下学生自主学习的知识内容得到充分的保障，使新的教学模式更加有效的发挥，能够有效地调动学生的学习积极性，提升了学生的个性化和学生之间的协作学习意识。探究大数据时代的教学模式，有利于大幅度提高学生的认知水平和学习效果。新的教学模式真正改变传统学生和教师的角色，使教师成为教学的组织、创造者，所以对教师要求更高，不但从教学目标出发了解教学实际，还要充分发挥自己的能动性、创造力，提升自身的信息素养，帮助学生更好的、有效的利用网络信息资源，更快的提高学习效率。参考文献1 gh and Chris Reed, Centra Software A White Paper ．Achieving Success with Blended Learning[EB/OL].http://www.centra.com,2015- 07- 09.2 路秋丽, 余胜泉. 面向学习对象的网络课程设计与开发[J].中国电化教, 2015,( 1 ): 45- 47.3 Len Silverston. The Data Model Resource Book[J].Revised Edition, Volume 1 .John Wileysons, Inc,2014,( 9 ): 33- 36.4 胡 俊. 网络环境下学生自主探究学习及其教学模式研究[J]. 电化教育研究, 2016,( 1 ): 76- 80.5 Zimmerman,B.J.Academic studying and the devel⁃opment of personal ski 11:A self- regulatory perspec⁃tive [J].Educational Psychologic, 2016,( 11): 73- 86.6 Butler,D.L.& P.H.Winne.Feedback and self- regulat⁃ed learning:a theoretical synthesis[J].Review of Edu⁃cational Reseach, 2015,( 3 ): 245 - 281 .7 余胜泉. 网上教学、学习与课程设计[EB/OL].http://www.etc.edu.cn/academist/ysq/net-learn.htm,2015-07- 09.8 钟志贤, 刘春燕. 论学习环境设计中的任务、情境与问题概念[J]. 电化教育研究, 2016,( 3 ): 16- 21.（上接第24页）Journal of Information Retrieval,2017 , 5 ( 11 ): 52 - 67 .14 Mauro Coletto, Claudio Lucchese, Salvator Orlando. Twit⁃ter for election forecasts: a Joint Machine Learning andComplex Network approach applied to an italian case study[J]. Journal of Computer Networks,2016 , 32 ( 8 ): 234- 238.15 Hamid Reza Karimi, Wei Zhang, Xuebo Yang. Recent Ad⁃vances in Complex Networks Theories with Applications[J]. Scientific World Journal, 2016 , 2 ( 4 ): 157- 181.16 Hazem M.E Bakry, Nikos Mastorakis. A Novel Fast Kol⁃mogorov's Splin e Complex Network for Pattern Detec⁃tion [J]. Journal of Information System, 2016 , 11 ( 8 ): 29 - 51 .17 Martin Rosvall. Complex Networks and Dynamics of an In⁃formation Network Model [J]. Journal of Digital Library,2016 , 3 ( 12 ): 62 - 81 .（责任编辑：赵红颖）（责任编辑：孙晓明）INFORMATION SCIENCEVol.36,No. 6 June,2018·ProfessionResearch·- - 88