張利民 鄒姝陽

摘 要：本研究以新浪微博為主要輿情采集平臺(tái)，對(duì)微博系統(tǒng)內(nèi)海量信息進(jìn)行日常性和持續(xù)性的抓取、跟蹤與搜集。本論文針對(duì)微博信息傳播特點(diǎn)，充分利用網(wǎng)絡(luò)信息挖掘技術(shù)、計(jì)算機(jī)中文信息處理技術(shù)、數(shù)據(jù)挖掘技術(shù)等應(yīng)用技術(shù)，研究微博輿情監(jiān)測(cè)關(guān)鍵技術(shù)及實(shí)施方案，力求構(gòu)建適應(yīng)微博特點(diǎn)的網(wǎng)絡(luò)輿情預(yù)警機(jī)制。

關(guān)鍵詞：微博；輿情；研判；預(yù)警

1 引言

近年來我國各類突發(fā)事件頻發(fā)，社會(huì)穩(wěn)定性顯著降低，這不僅直接導(dǎo)致社會(huì)經(jīng)濟(jì)生活及人身財(cái)產(chǎn)安全的重大損失，也極大地危害到社會(huì)的穩(wěn)定與發(fā)展。中國社科院在其出版的《社會(huì)藍(lán)皮書》一書中，將微博定義為"殺傷力最強(qiáng)的輿論載體"，體現(xiàn)了微博輿論的強(qiáng)大影響力。

本研究來源于北京市大學(xué)生科研創(chuàng)新項(xiàng)目《基于微博的社會(huì)輿情研判與預(yù)警》的子項(xiàng)目，試圖以新浪微博為對(duì)象，研究微博輿情監(jiān)測(cè)關(guān)鍵技術(shù)及實(shí)施方案，具體內(nèi)容包括：博文自動(dòng)抽取、中文分詞、文檔清洗（去停用詞）、中文計(jì)算機(jī)表達(dá)、文檔情感傾向判別、意見領(lǐng)袖識(shí)別、綜合輿情判斷等內(nèi)容。

2 研究過程

2.1 微博數(shù)據(jù)的自動(dòng)獲取

網(wǎng)絡(luò)輿情數(shù)據(jù)獲取是網(wǎng)絡(luò)輿情分析的前提。面對(duì)互聯(lián)網(wǎng)的海量信息，迫切需要一種技術(shù)來幫助人們自動(dòng)從網(wǎng)絡(luò)上獲取相關(guān)信息，從而可以極大地提高人們獲取信息的速度和廣度。網(wǎng)絡(luò)爬蟲（WEB Crawler）是搜索引擎的重要組成部分之一，其作用是為搜索引擎從網(wǎng)絡(luò)中下載所需的網(wǎng)頁。相比網(wǎng)絡(luò)爬蟲，新浪微博的開放API接口可以更加簡潔的獲取相應(yīng)的數(shù)據(jù)，本研究即采用新浪微博的API接口作為數(shù)據(jù)挖掘工具。

① OAUTH認(rèn)證：使用新浪API前首先須完成用戶認(rèn)證。新浪微博API采用OAUTH認(rèn)證為用戶提供了一個(gè)安全的、開放而又簡易的標(biāo)準(zhǔn)。

② 新浪微博API接口定義：新浪微博API調(diào)用接口形如：http： //api.t.sina.com.cn/statuses/followers.json？ source=appkey&user_id=11051&count=200&cursor=1200。該命令分別指定了新浪API服務(wù)器地址、接口信息具體內(nèi)容及方法；OAUTH認(rèn)證信息、用戶數(shù)字ID、返回記錄的首位置及記錄條數(shù)。

③ 微博數(shù)據(jù)抽取器的主要功能包括：用戶登錄驗(yàn)證，獲取follower微博列表，獲取回復(fù)列表，獲取私信列表，獲取收藏列表等。

2.2 文本分詞處理及矢量化表示

① 中文分詞及詞性標(biāo)注：由于英文文本每個(gè)單詞間用空格分開，計(jì)算機(jī)很容易識(shí)別。但對(duì)于中文文本，詞語之間無區(qū)分字符，需根據(jù)語義語法來分?jǐn)?。中科院的中文分詞系統(tǒng)ICTCLAS（Institute of Computing Technology， Chinese Lexical Analysis System）分詞準(zhǔn)確率較高，本研究選取ICTCLAS進(jìn)行分詞。

② 中文文本表示模型：常見的文本表示模型主要有布爾模型、向量空間模型、概率語言模型等。布爾模型采用布爾向量來表示文本，但不能定量反映特征項(xiàng)對(duì)于文本的貢獻(xiàn)程度；概率模型用概率值來表示詞在各類文本中出現(xiàn)的概率，但無法處理語言中的長距離依賴；向量空間模型采取TF-IDF值表示特征項(xiàng)的權(quán)值。詞頻TF（Term Frequency）指某一特征詞在當(dāng)前文本出現(xiàn)的相對(duì)次數(shù)；逆文檔頻率IDF（Inverse Document Frequency）用于評(píng)估特征詞的重要性。由于該模型簡易高效，本研究即采用此法表示中文文本。

2.3 文本清洗（去停用詞）

停用詞是指文本中出現(xiàn)頻率很高，但實(shí)際意義又不大的詞。停用詞大致有兩類，第一類包括語氣助詞、介詞等，如常見的“的”、“地”之類；另一種是在所有文檔中大量出現(xiàn)的詞，如“頂”之類。本研究中使用停用詞表實(shí)現(xiàn)對(duì)停用詞的過濾功能。

2.4 文本情感傾向判斷

輿情立場判別可通過判斷博文的感情傾向得到，最常見的是根據(jù)其包含的褒貶詞匯來進(jìn)行計(jì)算。為獲得文本的情感極性，需首先提取情感詞，本研究基于情感詞詞典的方法來提取情感詞。

① 極性詞典的構(gòu)建：詞語除可表達(dá)特有的概念外，還能傳達(dá)一定的感情色彩。感情色彩大體分為褒義和貶義兩種，褒義如“好，聰明、優(yōu)秀”等，貶義如“壞、鄙夷、惡魔”等。具有褒貶義的詞語集合稱為極性詞典，本研究的極性詞典主要取自《知網(wǎng)》 （HowNet），包括程度級(jí)別詞語、正負(fù)面評(píng)價(jià)詞語、正負(fù)面情感詞語等。

② 傾向性分析算法與實(shí)現(xiàn)過程：詞語中還有些極性修飾詞，處理時(shí)，可給這些修飾詞設(shè)置不同的強(qiáng)度系數(shù)。如定義極性褒義、貶義的原始強(qiáng)度分別為：+1，-1，再定義極性修飾詞“極其/最”的強(qiáng)度系數(shù)為2，則總的情感極性=詞語極性*強(qiáng)度系數(shù)。另有些特殊情況需考慮：句式反轉(zhuǎn)規(guī)則，適用于漢語中表示否定和反問句式，如：“不、不是、非、并非、難道、豈不”引導(dǎo)的句子，另遇到雙引號(hào)或單引號(hào)括起的情感詞，均應(yīng)對(duì)原話中的褒貶義進(jìn)行反轉(zhuǎn)。感情強(qiáng)化規(guī)則：漢語的感嘆號(hào)等可表示情感的增強(qiáng)，故可用感嘆號(hào)的數(shù)量來表示感情色彩的強(qiáng)度。

2.5 意見領(lǐng)袖識(shí)別

社會(huì)突發(fā)事件發(fā)生后，微博中會(huì)往往會(huì)產(chǎn)生群體情緒，其間意見領(lǐng)袖對(duì)群體情緒的演化及輿情研判影響極大。據(jù)拉扎菲爾德的定義，意見領(lǐng)袖指在某一主題內(nèi)特別活躍且有極大影響力的用戶，所以本研究從如下兩個(gè)方面分析微博意見領(lǐng)袖：用戶影響力和用戶活躍度。

① 用戶影響力：微博中有三種交互行為可以作為影響力考慮因素。轉(zhuǎn)發(fā)行為，信息被轉(zhuǎn)發(fā)的次數(shù)越多，產(chǎn)生的影響越大；評(píng)論行為，信息得到的評(píng)論越多，意味著信息影響的范圍越廣； “@“行為，一個(gè)用戶被提及的次數(shù)越多，意味著這個(gè)用戶對(duì)其他用戶的吸引力越大。

② 用戶活躍度：意見領(lǐng)袖要對(duì)其他人施加影響，僅僅發(fā)布信息而不參與互動(dòng)交流是無法影響到人們的觀點(diǎn)和意見。包括：原創(chuàng)微博數(shù)量，代表用戶表達(dá)自己思想的愿望；自回帖行為，反映用戶之間的交流活躍度；回復(fù)他人帖子數(shù)，反映對(duì)其他用戶的言論關(guān)注度；活躍天數(shù)，反映用戶對(duì)事件的關(guān)注持久度。

2.6 輿情指標(biāo)體系

由網(wǎng)絡(luò)的海量個(gè)體信息中發(fā)掘群體行為規(guī)律，對(duì)確定突發(fā)事件的發(fā)展?fàn)顟B(tài)以及對(duì)衍生事件的預(yù)警具有重要價(jià)值，可以實(shí)現(xiàn)對(duì)社會(huì)事件高效的輔助決策。本研究將指標(biāo)評(píng)價(jià)體系劃分為：輿情主體、輿情信息、輿情傳播和輿情受眾4個(gè)指標(biāo)，細(xì)述如下：

輿情主體指標(biāo)：是指微博所有者的相關(guān)個(gè)人身份信息指標(biāo)。

輿情信息指標(biāo)：輿情信息指標(biāo)反映了該輿情的敏感程度、危害程度以及受到關(guān)注的程度。

輿情傳播指標(biāo)：輿情傳播指標(biāo)反映了該輿情在傳播過程中的擴(kuò)散效果。

輿情受眾指標(biāo)：輿情的受眾指標(biāo)反映了受眾所處的地域，對(duì)輿情的共鳴及回應(yīng)態(tài)度。

3 結(jié)論

本文依據(jù)微博傳播特點(diǎn)，借助網(wǎng)絡(luò)信息挖掘、計(jì)算機(jī)中文信息處理等原理及技術(shù)，構(gòu)建了一個(gè)微博輿情自動(dòng)監(jiān)測(cè)系統(tǒng)的實(shí)施方案，并對(duì)其關(guān)鍵技術(shù)進(jìn)行研究。該方案涉及到博文自動(dòng)抽取、中文分詞、文檔清洗（去停用詞）、中文計(jì)算機(jī)表達(dá)、文檔情感傾向判別、意見領(lǐng)袖識(shí)別、綜合輿情判斷等各專項(xiàng)技術(shù)，從而可為基于微博內(nèi)容的網(wǎng)絡(luò)輿情自動(dòng)監(jiān)測(cè)及預(yù)警提供準(zhǔn)確的依據(jù)。

參考文獻(xiàn)

[1]王曉龍，關(guān)毅.計(jì)算機(jī)自然語言處理[M].北京：清華大學(xué)出版社，2005.

[2]劉豐；基于微博的突發(fā)事件檢測(cè)和信息傳播建模[D]；哈爾濱工業(yè)大學(xué)；2011年

[3]曉龍；突發(fā)事件的互聯(lián)網(wǎng)信息傳播規(guī)律研究[D]；哈爾濱工業(yè)大學(xué)；2011年

[4]陳友，程學(xué)旗，楊森. 面向網(wǎng)絡(luò)論壇的突發(fā)話題發(fā)現(xiàn)[J]. 中文信息學(xué)報(bào). 2010（03）

作者簡介

張利民，（1964-），女，甘肅蘭州人，1986年畢業(yè)于西北師范大學(xué)政法學(xué)院，獲得學(xué)士學(xué)位，副教授；主要研究方向：汽車技術(shù)服務(wù)與營銷。

鄒姝陽，（1990-），女，甘肅蘭州人，2013年畢業(yè)于中央財(cái)經(jīng)大學(xué)，獲得學(xué)士學(xué)位，目前碩士就讀于香港中文大學(xué)新聞與傳播學(xué)院，主要研究方向：財(cái)經(jīng)新聞，企業(yè)傳播。