金鑫 李小騰 朱建明

〔摘 要〕為深入研究突發(fā)事件網(wǎng)絡(luò)輿情的演變形式及演變成因，本文以723溫州動車追尾事件為例，以事件輿情生命周期為脈絡(luò)，在利用SVM對各階段輿情進(jìn)行情感性分析的基礎(chǔ)上，從政府、媒體、意見領(lǐng)袖、網(wǎng)民自身4個維度對網(wǎng)絡(luò)輿情事件中各角色對網(wǎng)絡(luò)輿情傳播過程的影響及彼此間的相互作用做出了分析，并對輿情的應(yīng)對提出一些建議。

〔關(guān)鍵詞〕網(wǎng)絡(luò)輿情；SVM；輿情演變；情感性分析

隨著互聯(lián)網(wǎng)的迅猛發(fā)展，它已經(jīng)成為人們信息交流和信息傳播的重要途徑。尤其是Web20的發(fā)展，越來越多民眾不再僅僅從網(wǎng)絡(luò)上獲取信息，而是迫切希望參與信息的發(fā)布，希望通過網(wǎng)絡(luò)來表達(dá)自己的想法、觀點(diǎn)和自己了解的事實(shí)等等，于是涌現(xiàn)了大量的網(wǎng)絡(luò)言論。這種社會民眾通過網(wǎng)絡(luò)所表達(dá)的群體性的情緒、態(tài)度、意見與要求等言論形成了網(wǎng)絡(luò)輿情[1]。

網(wǎng)絡(luò)輿情爆發(fā)是針對某一特殊事件產(chǎn)生的涉及民眾利益的社會輿情，它在相對短的時間內(nèi)產(chǎn)生大量信息，由于數(shù)乘效應(yīng)在互聯(lián)網(wǎng)上掀起更大、更強(qiáng)烈的社會反映，如果事件沒有及時正確應(yīng)對，輿情危機(jī)就可能在極短的時間內(nèi)變成一場包含觀點(diǎn)和行動沖突的群體性突發(fā)事件[2]。

媒體的傳播、政府的回應(yīng)、意見領(lǐng)袖的推動、網(wǎng)民的反應(yīng)對網(wǎng)絡(luò)輿情的傳播有很大的影響，他們之間的相互作用可以影響輿情的情感極性，并最終作用于網(wǎng)絡(luò)輿情演化過程，例如可以避免網(wǎng)絡(luò)輿情爆發(fā)期的出現(xiàn)，直接從成長期過渡到衰退期，從而抑制群體性突發(fā)事件的發(fā)生，擺脫了網(wǎng)絡(luò)輿情危機(jī)。當(dāng)今時代，網(wǎng)絡(luò)輿情已經(jīng)成為最具影響力的公眾意見和評論表達(dá)方式，因此，從媒體、政府、意見領(lǐng)袖、網(wǎng)民自身多個維度分析和探討網(wǎng)絡(luò)輿情的演變，深入了解輿情演變的內(nèi)部原因，尋求規(guī)避網(wǎng)絡(luò)輿情危機(jī)的策略依據(jù)變得尤為緊迫。

1 網(wǎng)絡(luò)輿情演變的研究現(xiàn)狀

隨著新技術(shù)的不斷運(yùn)用，網(wǎng)絡(luò)影響力度不斷擴(kuò)展，網(wǎng)民群體更加龐大和多元，網(wǎng)絡(luò)輿情也越來越成為各部門關(guān)注的熱點(diǎn)。在網(wǎng)絡(luò)輿情領(lǐng)域，許多學(xué)者做了相關(guān)研究。如有些學(xué)者對網(wǎng)絡(luò)輿情傳播過程進(jìn)行了研究，提出了網(wǎng)絡(luò)輿情過程模型，將網(wǎng)絡(luò)輿情傳播過程劃分為潛伏期、成長期、蔓延期、爆發(fā)期、衰退期和死亡期[1]。此外還有一部分學(xué)者通過研究突發(fā)事件網(wǎng)絡(luò)輿情形成過程及其影響因素，建立突發(fā)事件網(wǎng)絡(luò)輿情演進(jìn)規(guī)律的微分方程模型，確定輿情擴(kuò)散過程中的3個特征時間點(diǎn)和輿情發(fā)展的4個階段，研究不同時段政府的應(yīng)對對策，為政府實(shí)現(xiàn)對突發(fā)事件網(wǎng)絡(luò)輿情管理提供決策參考[2]。

除了對輿情的傳播過程進(jìn)行研究，部分學(xué)者開始研究輿情演變過程中所涉及的其他因素，如王國華等[3]還對突發(fā)事件網(wǎng)絡(luò)輿情中的意見領(lǐng)袖進(jìn)行了研究。他們從知識背景、社會地位、媒體使用3個維度對意見領(lǐng)袖進(jìn)行了類型分析，然后以事件輿情生命周期為脈絡(luò)，具體分析了意見領(lǐng)袖的介入時間，行為方式，最后從事件、媒介、受眾等層面研究了意見領(lǐng)袖的影響。此外，方付建等[4]關(guān)于突發(fā)事件網(wǎng)絡(luò)輿情片面化呈現(xiàn)的形成機(jī)理進(jìn)行了研究。

現(xiàn)有的研究分別從不同的角度對網(wǎng)絡(luò)輿情的演變進(jìn)行了分析，他們都為網(wǎng)絡(luò)輿情的研究提供了良好的切入點(diǎn)，但是并沒有深入探索網(wǎng)絡(luò)輿情的形成過程及其影響因素，只涉及了網(wǎng)絡(luò)輿情對政府、意見領(lǐng)袖、網(wǎng)民的影響，而未研究網(wǎng)絡(luò)輿情在政府、意見領(lǐng)袖、網(wǎng)民、新聞媒體的作用下是如何發(fā)生演變的，以及未能結(jié)合輿情的情感性來探討在輿情發(fā)展過程中的影響因素和作用機(jī)制。

本文的研究中，首先將提出基于情感分析的網(wǎng)絡(luò)輿情演變過程的研究框架，然后基于723動車事件的案例數(shù)據(jù)，通過對網(wǎng)絡(luò)輿情的演變過程中各階段輿情數(shù)據(jù)的分析，探討了網(wǎng)絡(luò)輿情的影響因素，并結(jié)合SVM情感性分析，探討了網(wǎng)絡(luò)輿情影響因素的作用機(jī)制，從而提出了相關(guān)的應(yīng)對策略。

2012年12月第32卷第12期現(xiàn)？代？情？報Journal of Modern InformationDec，2012Vol32 No122012年12月第32卷第12期突發(fā)事件網(wǎng)絡(luò)輿情的演變機(jī)制及其情感性分析研究Dec，2012Vol32 No122 輿情演變研究框架

21 輿情演變過程模型

結(jié)合Web20環(huán)境下網(wǎng)絡(luò)輿情的特點(diǎn)，網(wǎng)絡(luò)輿情的傳播過程可以分為潛伏、成長、蔓延、爆發(fā)、衰退和死亡6個階段[5]。如圖1所示。

圖1 網(wǎng)絡(luò)輿情過程模型

潛伏期時，輿情危機(jī)的起因往往是由于民眾對某事或某部門不滿；成長期時，由于上述不滿，信息傳播者為了得到更多網(wǎng)民的關(guān)注，開始到各種社交網(wǎng)絡(luò)上發(fā)布信息；蔓延期時，當(dāng)發(fā)布的信息有一定的新聞價值時，或信息發(fā)布者有意炒作該事件時，此信息很快就會引起廣大網(wǎng)民的關(guān)注并引發(fā)討論；爆發(fā)期時，事件會被媒體、意見領(lǐng)袖進(jìn)一步放大；若相關(guān)部門在爆發(fā)期時能及時控制住輿情，疏導(dǎo)民眾的情緒，便會使事件進(jìn)入衰退期；當(dāng)網(wǎng)民、媒體等輿情主體積極性降低時，事件關(guān)注度便會逐漸衰減，最后成為過去，進(jìn)入死亡期。

22 基于SVM的情感性分析

情感分析，也被稱為觀點(diǎn)挖掘、觀點(diǎn)分析、主客觀分析等。情感分析的目標(biāo)是從文本中挖掘用戶表達(dá)的觀點(diǎn)以及情感極性。挖掘用戶觀點(diǎn)意義重大，比如用戶的觀點(diǎn)能吸引潛在用戶，幫助其它用戶做決定[10]，同時用戶的觀點(diǎn)還包含了較有價值的反饋[11]。這里所說的情感極性指正、負(fù)、中性情感極性。

本文設(shè)計了如圖2所示的情感分析的算法設(shè)計流程圖，大體思路如下：首先對采集器所抓取的基于關(guān)鍵字的數(shù)據(jù)進(jìn)行統(tǒng)計入庫，然后對數(shù)據(jù)進(jìn)行預(yù)處理（包括特征選擇、中文分詞處理等），之后訓(xùn)練SVM（支持向量機(jī)）分類器來對測試數(shù)據(jù)進(jìn)行情感極性分類，輸出情感極性標(biāo)簽。

圖2 基于SVM情感分析的思路

SVM的主要思想及特點(diǎn)是對于線性可分的數(shù)據(jù)，可以畫出一條直線直接將元組分開。對于非線性不可分的數(shù)據(jù)，SVM使用一種非線性映射，將原訓(xùn)練數(shù)據(jù)映射到較高的維。從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能。在新的高維空間上，SVM會基于結(jié)構(gòu)風(fēng)險最小化理論搜索線性最佳分離超平面，即將一類元組與其他類分離的決策邊界。SVM使用支持向量（即基本訓(xùn)練元組）和邊緣（由支持向量定義）發(fā)現(xiàn)該超平面。

為了對網(wǎng)絡(luò)輿情進(jìn)行分類，需要構(gòu)建一個分類器，即：f（x）=〈w·x〉+b，〈w·x〉，表示w和x的點(diǎn)積，b為偏置。具體的研究步驟如下：

（1）選擇特征值

這里采用了開方檢驗(yàn)（CHI）的方法來獲取特征值。使用開方統(tǒng)計量來描述特征項(xiàng)與類別之間的關(guān)聯(lián)程度，開方統(tǒng)計值大則表示特征項(xiàng)與類別之間的獨(dú)立性小，對分類的貢獻(xiàn)就大。開方檢驗(yàn)的計算公式如下：

x（t，c）=AD-BC（A+B）（C+D）

其中A為類c中包含特征項(xiàng)的文檔個數(shù)；C為類c中不包含特征項(xiàng)的文檔個數(shù)；B為非類c中包含特征項(xiàng)的文檔個數(shù)；D為非類c中不包含特征項(xiàng)的文檔個數(shù)。

（2）數(shù)據(jù)集預(yù)處理

按照LIBSVM軟件包[6]所要求的格式準(zhǔn)備校驗(yàn)數(shù)據(jù)和訓(xùn)練數(shù)據(jù)。并對數(shù)據(jù)進(jìn)行歸一化處理。

（3）選擇核函數(shù)

這里考慮選用RBF核函數(shù)：K（x，y）=exp{-rx-y2}，其實(shí)質(zhì)就是算出SVM分類函數(shù)中的點(diǎn)積，即可以求得w和b的值。

（4）采用交叉驗(yàn)證方式對整個訓(xùn)練集進(jìn)行訓(xùn)練獲取支持向量機(jī)模型。

（5）利用獲取的模型進(jìn)行測試與預(yù)測。

其中，利用SVM進(jìn)行分類的策略有多種，如是否對句子進(jìn)行分句處理，就可以分成兩種思路。由于本文處理的對象為文本內(nèi)容很多的帖子，所以采用不分句的策略進(jìn)行處理。在不分句的基礎(chǔ)上我們采用一步分3類的方法，最終形成正向、中立和負(fù)向3種類別。

23 基于情感分析的輿情演變研究模型

本文結(jié)合上述的網(wǎng)絡(luò)輿情過程模型和情感分析方法，以723溫州動車追尾事件為例，用此事件所收集的數(shù)據(jù)來實(shí)證地分析輿情傳播過程中政府、新聞媒體、意見領(lǐng)袖、網(wǎng)民各自的特點(diǎn)和他們對輿情演變的影響。本文的研究模型如圖3所示。

本文通過對從互聯(lián)網(wǎng)上抓取得到的723溫州動車事件中民眾所發(fā)表的觀點(diǎn)，對該事件輿情演變過程中的各個階段結(jié)合情感分析，分析其情感極性，從而觀察媒介、政府、意見領(lǐng)袖的介入對民眾情感的影響，這些影響的出現(xiàn)又使得輿情在接下來的時間里發(fā)生了怎樣的演變。

圖3 輿情演變研究模型

3 網(wǎng)絡(luò)輿情演變過程的影響因素分析

31 數(shù)據(jù)準(zhǔn)備

本文采用網(wǎng)絡(luò)爬蟲（火車頭采集器）結(jié)合人工分析的方式來獲取分析數(shù)據(jù)。筆者于2011年12月3日采用火車頭采集器對天涯論壇有關(guān)溫州動車事件的帖子，對網(wǎng)易新聞有關(guān)溫州動車事件的新聞報道進(jìn)行了采集。通過去重、去除不相關(guān)，共得天涯論壇關(guān)于動車事件的帖子325篇，網(wǎng)易新聞800篇。為了使數(shù)據(jù)更精準(zhǔn)，更有效，本次分析采用7月23至8月2日的數(shù)據(jù)。為了發(fā)現(xiàn)輿情演變整個過程中政府、新聞媒介、網(wǎng)民的特點(diǎn)，我們利用收集到的關(guān)于723溫州動車追尾事件的數(shù)據(jù)，對其進(jìn)行統(tǒng)計分析，得到政府、新聞媒體、網(wǎng)民隨著輿情演變所展現(xiàn)出來的特征。如圖4所示。圖4 輿情演變過程中網(wǎng)民、媒體和政府關(guān)注度的變化

由觀測到的數(shù)據(jù)所呈現(xiàn)的特點(diǎn)，我們可以看到整個網(wǎng)絡(luò)輿情的演變呈M-態(tài)分布。網(wǎng)民對723動車事件的關(guān)注在7月25日帖子量達(dá)到最高點(diǎn)，隨即有回落趨勢，在7月27日又重新上升，之后慢慢趨于平靜，輿情演變曲線近似M形。新聞媒體對723動車事件的關(guān)注度也呈現(xiàn)M-態(tài)分布，但是不同的是，其在7月24日的報道量達(dá)到最高點(diǎn)，在7月25日開始回落，隨即又開始回升，在7月28日又達(dá)到一次高峰點(diǎn)，并在7月30日開始漸漸淡出對723事件的關(guān)注。數(shù)據(jù)顯示政府對723的關(guān)注度也近似于M-態(tài)分布，在7月24日和7月28日分別達(dá)到兩次關(guān)注高峰，并在7月30日起關(guān)注度開始趨于零。

32 輿情生命周期的劃分

本文參考723溫州動車事件發(fā)表輿論的頻繁度來劃分此事件的生命周期。我們根據(jù)所有帖子數(shù)的變化來劃分的。圖4中顯示了帖子總數(shù)的變化曲線呈M形，圖中的A、B、C、D、E具有很明顯的轉(zhuǎn)折點(diǎn)特征，依據(jù)這5個節(jié)點(diǎn)將輿情劃分為6個階段，分別對應(yīng)各輿情演化階段，如表1所示。表1 723事件的輿情生命周期

階段時間關(guān)注度階段時間關(guān)注度潛伏期7237爆發(fā)期725-728621成長期723-724255衰退期728-730144蔓延期724-725127死亡期730-8255

從表1可看出723溫州動車事件為突發(fā)事件，潛伏期不明顯，且此事件影響廣泛，所以衰退期和死亡期時間持續(xù)較長。

33 新聞媒體的關(guān)注度對輿情的影響

通過對網(wǎng)易上從7月23日至8月2日關(guān)于723溫州動車事件的新聞報道進(jìn)行抓取，共得到800條新聞，根據(jù)圖4所展現(xiàn)出的動態(tài)，并結(jié)合輿情的生命周期理論，我們將得到的數(shù)據(jù)按照輿情的生命周期階段進(jìn)行劃分，得到的數(shù)據(jù)如表2所示。表2 新聞媒體在輿情生命周期各階段的情況

階段日期報道量階段日期報道量潛伏期7230爆發(fā)期725-728423成長期723-724198衰退期728-73098蔓延期724-72563死亡期730-8218

結(jié)合表2和圖4我們可以看到媒體的關(guān)注度對輿情的影響是顯著的，在成長期時媒體關(guān)注度驟然上升，從7月23日的零報道量到7月24日的第一次報道量高峰，使民眾的注意力集聚723溫州動車事件上，促進(jìn)輿情進(jìn)入蔓延期，并繼續(xù)發(fā)展，之后在7月25日至7月28日間持續(xù)高密度的報道723事件，使輿情順勢進(jìn)入爆發(fā)期。

我們也可以看到民眾的關(guān)注度對媒體的報道量也是有影響的，7月23日民眾對動車事件開始發(fā)表評論，媒體在7月24日便密切關(guān)注事件的發(fā)展動向，7月28日以后民眾的關(guān)注度降低，媒體的報道量也隨即下降。因此媒體與民眾之間相互影響，互為彼此信息的來源，并促使著輿情不斷演變。

34 意見領(lǐng)袖在網(wǎng)絡(luò)輿情演變過程中的作用

“虛擬意見領(lǐng)袖”就是那些在虛擬網(wǎng)絡(luò)中，熱衷于傳播消息和表達(dá)意見的人，他們或是比同伴更多地接觸媒介或消息源，或者同時是某一方面的專家，他們的意見往往左右周圍的人。從事件的發(fā)展來看，意見領(lǐng)袖幾乎推動著每一個網(wǎng)絡(luò)熱點(diǎn)事件的發(fā)展。他們的意見左右著民眾的意見，并被民眾不斷傳播、放大。從傳播信息的角度看，意見領(lǐng)袖形成了一層控制層。意見領(lǐng)袖是在人際傳播網(wǎng)絡(luò)中經(jīng)常為他人提供信息，同時對他人施加影響的“積極分子”，在民眾傳播效果形成過程中起著中介或過濾作用[7]。從受眾的角度看，網(wǎng)絡(luò)意見領(lǐng)袖不僅影響網(wǎng)上輿論主題，更影響輿論走向，對于突發(fā)事件網(wǎng)上討論焦點(diǎn)及方式都會產(chǎn)生極大的影響。

網(wǎng)絡(luò)意見領(lǐng)袖在輿情演變過程中產(chǎn)生著重要作用，研究突發(fā)事件網(wǎng)絡(luò)輿情演變中意見領(lǐng)袖的構(gòu)成特點(diǎn)能夠?qū)?shí)踐的變化進(jìn)行更多、更準(zhǔn)確的預(yù)測。

以723溫州動車追尾事件為例，我們從所有帖子中整理意見領(lǐng)袖的帖子，按輿情的生命周期進(jìn)行分類，分析各階段中意見領(lǐng)袖的典型行為特征如表3所示。

表3 領(lǐng)袖意見行為特征

階 段熱議話題時間節(jié)點(diǎn)行為特征潛伏期告知“723動車”事件的發(fā)生2011723？22：53事實(shí)陳述，內(nèi)容不帶情感極性成長期追問事故發(fā)生原因2011724焦點(diǎn)單一，情緒宣泄蔓延期事故原因分析，各界對事故的態(tài)度及反應(yīng)2011725焦點(diǎn)擴(kuò)散，爭奪話語權(quán)爆發(fā)期剖析事故發(fā)生原因2011726焦點(diǎn)集中，立場堅(jiān)定衰退期事故后期處理工作（死傷家屬賠償?shù)龋?011729焦點(diǎn)開始分化死亡期事故追憶2011731焦點(diǎn)消散，經(jīng)驗(yàn)總結(jié)

根據(jù)我們獲取的領(lǐng)袖意見的數(shù)據(jù)發(fā)現(xiàn)，在突發(fā)事件網(wǎng)絡(luò)輿情的潛伏期，主要是新聞媒介作為意見領(lǐng)袖，將事件的發(fā)生傳向民眾，告知民眾事件的發(fā)生，此時意見領(lǐng)袖一般只陳述事件，并不發(fā)表意見。

在突發(fā)事件網(wǎng)絡(luò)輿情的成長期，草根意見領(lǐng)袖成為網(wǎng)絡(luò)輿情擴(kuò)散和發(fā)展的主要構(gòu)成，網(wǎng)絡(luò)版主、VIP用戶等通過發(fā)帖和轉(zhuǎn)文，將事件進(jìn)一步傳播開來，使受眾的規(guī)模進(jìn)一步擴(kuò)大。在傳播過程中，意見領(lǐng)袖為了吸引眼球，對事件的描述主觀性的加入自己的感情色彩，從而產(chǎn)生更多的網(wǎng)絡(luò)輿情。

在突發(fā)時間網(wǎng)絡(luò)輿情的蔓延期，此時突發(fā)事件已經(jīng)受到一定程度的關(guān)注，而突發(fā)事件新的進(jìn)展提供了新的討論話題。在這一階段除了草根意見領(lǐng)袖，一些專家、明星、學(xué)者開始加入到意見領(lǐng)袖中，他們有的利用自己的專業(yè)知識從不同角度對事件的發(fā)生原因、性質(zhì)、發(fā)展進(jìn)行剖析。

在突發(fā)事件網(wǎng)絡(luò)輿情的爆發(fā)期，輿情受到意見領(lǐng)袖的推動下，關(guān)注人群不斷增多，網(wǎng)絡(luò)輿情開始偏向一個或少數(shù)幾個焦點(diǎn)，輿情走向集中化，明朗化。（如723動車事件，最終民眾的輿論焦點(diǎn)都落在動車事故的發(fā)生原因上。）

在突發(fā)事件網(wǎng)絡(luò)輿情的衰退期和死亡期，意見領(lǐng)袖的言論減少，隨著新的突發(fā)事件和熱點(diǎn)話題進(jìn)入公眾視野，人們的關(guān)注點(diǎn)開始分散，同時由于事件開始得到解決和控制，網(wǎng)絡(luò)關(guān)注度開始下降。相關(guān)網(wǎng)絡(luò)輿情減少，突發(fā)事件開始淡出公共視野，網(wǎng)民主要以突發(fā)事件造成的影響及總結(jié)經(jīng)驗(yàn)教訓(xùn)為關(guān)注點(diǎn)，但是，很多突發(fā)事件并不會真正從民眾的議論中消失，如723溫州動車事件，此類事件一旦有新的波動，有可能會重新成為民眾熱議的話題。

35 政府關(guān)注度對輿情演變的影響

根據(jù)上圖4所展現(xiàn)出的動態(tài)，并結(jié)合輿情的生命周期階段，我們將得到的政府方面回應(yīng)的數(shù)據(jù)按照輿情的生命周期階段進(jìn)行劃分，得到的數(shù)據(jù)如表4所示。表4 政府在輿情生命周期各階段的回應(yīng)情況

階段日期報道量階段日期報道量潛伏期7230爆發(fā)期725-728106成長期723-72424衰退期728-73019蔓延期724-72513死亡期730-825

結(jié)合表4和圖4我們可以看到政府的回應(yīng)對輿情演變的影響。在成長期和蔓延期時政府方面的新聞報道量很少，但在723動車輿情發(fā)展到爆發(fā)期時，政府開始積極響應(yīng)，新聞報道量較之前倍增，最終使得輿情得以控制開始步入衰退期，進(jìn)而進(jìn)入死亡期。

民眾參與輿情的頻繁度直接影響到政府的響應(yīng)程度，當(dāng)民眾的參與演變成大規(guī)模的群體性事件時，政府就必須做出回應(yīng)，而且其出面響應(yīng)的效果會直接影響輿情的下一步發(fā)展，處理不當(dāng)，將會激起輿情進(jìn)一步高漲。

4 輿情演變過程中的情感性分析

41 基于SVM的網(wǎng)絡(luò)輿情的情感性分析

本文通過對采集帖子的內(nèi)容按照前述第三節(jié)內(nèi)容介紹的思路和流程使用SVM支持向量機(jī)進(jìn)行訓(xùn)練和分類，得出民眾輿情的情感極性。我們將搜集到的723溫州動車追尾事件的數(shù)據(jù)作為測試數(shù)據(jù)，對其進(jìn)行預(yù)處理（去重、去與主題不相關(guān)、中文的分詞處理、文本的特征表示等[8]）后，利用SVM進(jìn)行了分類訓(xùn)練，用前200個數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，選取了13個特征值。使用matlab進(jìn)行分類的部分程序如下：

最終的結(jié)果如表5中所示，訓(xùn)練數(shù)據(jù)的精度為Accuracy=815%，測試數(shù)據(jù)的精度為Accuracy=576%，由于網(wǎng)絡(luò)語言的復(fù)雜、多樣性，所以要準(zhǔn)確預(yù)測情感極性很困難，576%的準(zhǔn)確度是可以被采納的。表5 輿情演變各階段民眾的情感極性分析表

階段情感極性極性個數(shù)比例（%）觸發(fā)事件潛伏期正面10中立6100負(fù)面00網(wǎng)民微博報道動車事件成長期正面1303中立151818負(fù)面177879動車事件媒體報道蔓延期正面6784中立142353負(fù)面316863報道掩埋動車車頭事件爆發(fā)期正面141522中立281956負(fù)面506522政府公布初步調(diào)查報告，稱獲救女孩為生命奇跡等衰退期正面92105中立101053負(fù)面196842相關(guān)部門慰問傷亡家屬，事故后續(xù)安排等死亡期正面1952中立82381負(fù)面126627政府承諾給民眾事故真相

42 影響因素對輿情情感極性的影響

由于723溫州動車事件是一起突發(fā)性的災(zāi)難事件，輿情的總體情感極性是偏負(fù)面的，如表5所示，這里選取正面、中立、負(fù)面占各階段帖子數(shù)的比例來研究民眾的情感極性，為了清楚表示民眾的情感性變化，我們繪制了各階段民眾輿情的情感性變化，如圖5所示。

圖5 各階段民眾輿情的情感性變化

對比分析圖4與圖5的信息，由圖4我們可以看出在整個輿情生命周期里民眾的負(fù)面情緒占主導(dǎo)，在潛伏期和成長期時，隨著媒體新聞量的增加，意見領(lǐng)袖的介入，中立情緒所占比例不斷下降，正、負(fù)面情緒逐漸上升，情感極性開始顯現(xiàn)，負(fù)面情緒在成長期、蔓延期時達(dá)到至高點(diǎn)，但隨著政府的關(guān)注度增加（見圖5），負(fù)面情緒有所降低，在爆發(fā)期后期開始走向低谷，而與此同時正面情緒在衰退期時達(dá)到最高點(diǎn)，這說明政府的回應(yīng)起到一定的作用，在一定程度上抑制了輿情負(fù)面情緒的發(fā)展態(tài)勢，后期由于政府部門響應(yīng)積極性降低，負(fù)面情緒又有所回升，但伴隨著輿情進(jìn)入死亡期，也就沒有進(jìn)一步發(fā)展下去。數(shù)據(jù)可以顯示網(wǎng)民、媒體、政府之間對輿情的關(guān)注度是相互影響的，而且在一定程度上促進(jìn)輿情向前發(fā)展。

5 結(jié) 論

通過對突發(fā)事件網(wǎng)絡(luò)輿情的研究，可見政府對待輿情的態(tài)度非常重要，隨著網(wǎng)絡(luò)輿情的不斷發(fā)展，其越來越影響政府的對外形象，所以政府應(yīng)正視輿情，并盡力處理好輿情所引起的事件。根據(jù)上述輿情演變規(guī)律，政府應(yīng)對網(wǎng)絡(luò)輿情時應(yīng)該采取如下策略：（1）及時響應(yīng)，在輿情發(fā)生后第一時間發(fā)布信息，搶占輿論先機(jī)，避免負(fù)面輿情占據(jù)主導(dǎo)；（2）實(shí)事求是，事件發(fā)生后不封堵信息，說真話，提供真實(shí)的情況是輿論引導(dǎo)的關(guān)鍵，這樣才能贏得公眾的信任；（3）積極引導(dǎo)，網(wǎng)絡(luò)輿情通常以個人的觀念和信仰為基礎(chǔ)，以情緒化形式表現(xiàn)，需要通過引導(dǎo)使輿論向有益的、促進(jìn)社會和諧的方向發(fā)展，尤其對意見領(lǐng)袖的言論，更要關(guān)注。

本文在總結(jié)前人研究的基礎(chǔ)上，以723溫州動車事件為例說明輿情的演變受到民眾、媒介、政府、意見領(lǐng)袖四個方面的影響，并分別對每一方面按照網(wǎng)絡(luò)輿情的生命周期，分階段進(jìn)行了分析，分析過程中采用了情感分析方法，通過判斷民眾的情感性偏向，希望能夠更全面的對突發(fā)事件的網(wǎng)絡(luò)輿情進(jìn)行研究。在了解各方面對輿情演變的影響后，我們還針對某些方面提出了一些控制和疏導(dǎo)輿情的策略。但是由于本文列舉的事件是個典型的突發(fā)事件，可能不能全面覆蓋現(xiàn)今出現(xiàn)的各種輿情所展現(xiàn)的特點(diǎn)，而且由于語言自身的易變性、復(fù)雜性，本文對民眾的情感性分類的精度可能不是很高，不能精確表達(dá)受眾們的情感極性，所以本文的一些結(jié)論還需在后續(xù)階段不斷補(bǔ)充和修正。

參考文獻(xiàn)

[1]劉毅.網(wǎng)絡(luò)輿情研究概論[M].天津：天津人民出版社，2007：53.

[2]丁菊玲，勒中堅(jiān)，王根生.我國網(wǎng)絡(luò)輿情危機(jī)預(yù)警研究探討[J].情報雜志，2010，29（10）：5-6.

[3]王國華，張劍，畢帥輝.突發(fā)事件網(wǎng)絡(luò)輿情演變中意見領(lǐng)袖研究[J].情報雜志，2011，30（12）：1-4.

[4]方付建，王國華，徐曉林.突發(fā)事件網(wǎng)絡(luò)輿情“片面化呈現(xiàn)”的形成機(jī)理——基于網(wǎng)民的視角[J].情報雜志，2010，29（4）：26-30.

[5]李綱，董琦.Web20環(huán)境下企業(yè)網(wǎng)絡(luò)輿情傳播過程的研究及實(shí)證分析[J].情報科學(xué)，2011，29（12）：1180-1184.

[6]Chang C C，Lin C J，LIBSVM..A library for support vector machines[OL].2009.11.

[7]Lazarafeld P F，et al.The People s Choice：How the Votes Makes Up His Mind in a Presidential Election[J].New York：Columbia University Press，1948：151.

[8]朱嫣嵐，閔錦，周雅倩，等.基于Hownet的詞匯語義傾向計算[J].中文信息學(xué)報，2006，20（1）：14-20.

[9]許鑫，章成志.互聯(lián)網(wǎng)輿情分析及應(yīng)用研究[J].情報科學(xué)，2008，26（8）：1194-1200.

[10]MQHu and BLiu.Mining and Summarizing Customer Reviews[C].In ACM SIGKDD，2004：168-177.

[11]Bo Pang and Lillian Lee.Opinion mining and sentiment analysis[J].Foundations and Trends in Information Retrieval，2008，2（1-2）：1-135.

（本文責(zé)任編輯：馬 卓）