6park.com
https://zhuanlan.zhihu.com/p/436967668 6park.com
研究报告 | 微博评论中的水军异常流量分析
kidyovr.github.io/kidyovr
​关注
572 人赞同了该文章
​
目录
收起
一、数据来源
二、分析内容
（一）前排热评中的营销号乱象
（二）时间线对比水军乱象
（三）文本分析对比水军话术
（四）评论用户分析（TODO）
三、暂时性的题外话 6park.com
2021.11.24 08:53发布：具体内容是一个通宵写出来的，一些数据和分析还未曾完善。其中粗糙的地方请指正。
2021.11.26 08:56更新：添加摘要，更新图表，标记TODO。
一、数据来源
本报告采集了数十万微博评论数据，并对涉及的舆情热点进行异常流量分析。 6park.com
数据特点有：
发布时间戳精确到秒；
样本覆盖率高；
分析粒度精确到分钟，如每分钟评论数、每分钟评论平均长度等；
注：评论数据不包含楼中楼。
数据来源为：可公开访问的微博评论，包括：人民日报发表于8月13日16:39的微博、央视新闻发表于8月13日18:26的微博、人民日报于8月16日评吴某、8月21日评李某的微博，以下分别简称为微博A1、A2和B1、B2。后两者作为热点舆情事件的baseline，对比可观测到我们所研究的A1和A2两条微博中存在明显的异常流量现象，实质为营销号和水军联动制造的虚假舆情。
以微博A2和B1为例，采集到的数据分布与真实的数据分布图如下： 6park.com
二、分析内容
（一）前排热评中的营销号乱象
本节分析内容：在人民日报的微博A1发表前60秒中，存在营销号异常评论现象。此微博发表于16:39:58，被营销号迅速占据热评高位，受到大量水军控评冲击，最终编辑于17:14:27——删去了其中「人民微评：要道歉，更要"补课"」字样。 6park.com
什么是假舆情假民意？什么是营销号乱象？
变量解释：下述表格中第一列floor_number为该评论是严格意义上的第几个评论，缺失值可能是对应评论已被删除。第二列diff_seconds为评论时间与微博发布时间之差，单位为秒。第三列created_at为评论发表的时间戳，精确到秒。第四列len_text为所发表评论的文本长度。第五列text为对应评论内容。第六列like_count为点赞数。第七列folloers_count为评论用户的粉丝数，大于一万者取整。 6park.com
一、数个营销号在几秒之内复制粘贴大段文字，甚至不曾删去其中的复制标记[/cp]？ 6park.com
截取前25层，15秒之内存在数个营销号发布的百余字评论，并且这些评论都被大量点赞（or 买赞），从10w至50w不等。
某营销号连续发表两条相同内容，甚至有一条忘记删除复制标记[/cp]。
营销号怎么有时间研读清楚人民日报的社评呢？他们是不管官方进行怎样的引导，都会重复同一套话术，并且通过水军+买赞牢牢占据热评高位，从而影响舆论走向。 6park.com
二、一个营销号一分钟内连续发布7条，总计近八百字小作文？ 6park.com
数条评论涉及各个方面，应为事先准备的攻讦文案。
您这八百字小作文是不是应当起一个标题，叫做《在官媒下刷屏控评引导舆论是门大生意》？还是《操纵群众朴素的爱国情绪是门大生意》？ 6park.com
（二）时间线对比水军乱象 6park.com
一、A1人民日报：发博的第一个小时显著异常，评论热度始终不退。 6park.com
正常的新闻每分钟评论量变化应当如B1（吴某）一样，呈现近似随时间指数递减的状态。
作为对比的baseline中，吴某与李某的评论热度呈现出了相同的衰减曲线。（李某曲线暂时未放。）
A1人民日报的评论量却呈现了一种异常状态，即每分钟评论数始终维持在高位，是水军进行不断评论冲击造成的。从发博到17:45，经过一个小时后，随着水军离场，热度才渐渐降下来，并且是近似线性而非指数下降。
二、A2央视新闻：每分钟评论量曲线就更加异常，明显呈现出几个不同的阶段。 6park.com
20:25之前，该微博的评论曲线同B1一样，呈现出正常的衰减。理论上，如果没有水军持续冲击的话，A1也应当服从这一规律。此外，注意到A2的峰值和流量都远小于A1，这可能才是所谓的脱水数据。
20:25，在该微博热度基本退去的时候，相关词条突然登上热搜，导致其评论数迅速增加。（编者个人主观质疑该热搜是买的。）
21:17，该新闻的每分钟评论量再次骤涨，新一波水军到达战场。我们注意到如下图虚线，如果没有这波水军的存在，是不是原有曲线应按照虚线所示平滑地进行衰减呢？
22:38，为何该新闻中的水军热度突然飞快褪去，以至于出现了一个明显的"坑"？
初步猜想可能是由于一部分水军被新的任务吸引，于是编者check了当晚的热搜数据，发现几乎同一时刻#张哲瀚坐苏小小墓上拍照#热搜热度开始迅速攀升。
具体相关内容还有待进一步仔细采集分析。 6park.com
（三）文本分析对比水军话术 6park.com
本节目前完成了基础分析，其余部分TODO。 6park.com
人民日报评论的平均文本长度高于央视新闻中的评论长度，并且显著高于其他作为baseline的微博平均文本长度。（该数据需进一步处理。）
波动较大的区域是由于评论样本量较少。一是到了深夜，二是如央视新闻于发博后60-120min时热度其实已经退去，每分钟评论数已小于100。真实评论和采样评论的分布图如第一节数据分布中所示。
采样率基本均高于80%，即如果该分钟有1000条评论至少采集到了800条。可以认为用采样到的评论来估计真实评论区的状态是有效的。
根据编者观察，人民日报下的水军话术明显带有【小作文】特点，也因此导致其文本长度显著不同于常规微博评论。
水军密集的地方，「封杀」、「退圈」及一些侮辱性词汇和不实信息的密集度明显增高，数据分布显著不同于常规路人发声。（TODO）
（四）评论用户分析（TODO）
因为可能出现一人多号、披皮黑等问题，查IP是最简单直接的解决方式，理论上真实数据应当由平台提交给国家相关部门进行处理。囿于条件，我们只能对每个账号进行分析。 6park.com
1. 是否为水军账户？ 6park.com
纯水军账户的判断相对容易，我们可以将互关数、沉寂关注数、发博频率、粉丝分布、转发关系等作为特征进行训练，得到正确率较高的水军判断模型。
如，纯水军账户一般很少有互关、存在大量僵尸粉、发博集中在某一时间段、粉丝分布及其分散、转发关系异常不存在好友互动。
相关特征工程及模型可以参考^1。
2. 兼职水军比较难以判断。 6park.com
许多评论明显能看出来引导痕迹，但是确实不是那种廉价的5毛一条的评论。
即使5元一条，10w条评论也才多少钱呢？却可以操控舆论风向，甚至倒逼官媒改口，这才是让资本掌控了话语权！
3. 哪些是带着明显粉籍在控评？ 6park.com
如果不能客观、公正地参与事件讨论，而是挟私控评，那就是粉圈思维对人行为的异化。
三、暂时性的题外话
还是那句话，永远坚定立场，不要因为任何可能的原因冲击任何组织。
张先生的粉丝群体要表现出素养与理智，应远不同于"粉圈行为"。
乱带节奏和线下上访的人属性不明，至少绝不是张先生粉丝。我方从不曾与其联络，从不赞同其做法，从未参与其行动。