夏一雪 袁野 張文才 蘭月新

〔摘 要〕[目的/意義]通過(guò)對(duì)網(wǎng)絡(luò)輿情數(shù)據(jù)的動(dòng)態(tài)監(jiān)測(cè)和異常感知，及時(shí)預(yù)警輿情異常，為政府掌握輿情決策的先動(dòng)優(yōu)勢(shì)提供理論模型和可行思路。[方法/過(guò)程]分析大數(shù)據(jù)環(huán)境下激增、波動(dòng)等網(wǎng)絡(luò)輿情數(shù)據(jù)異?，F(xiàn)象，明確輿情趨勢(shì)預(yù)測(cè)、動(dòng)態(tài)感知異常等異常數(shù)據(jù)監(jiān)測(cè)機(jī)理?；诖?，首先運(yùn)用Gompertz模型進(jìn)行輿情趨勢(shì)區(qū)間預(yù)測(cè)，其次定義偏離度進(jìn)行數(shù)據(jù)異常評(píng)級(jí)，并確定預(yù)警等級(jí)，實(shí)現(xiàn)異常數(shù)據(jù)的及時(shí)捕捉和快速預(yù)警。[結(jié)論/結(jié)果]通過(guò)實(shí)例驗(yàn)證，證明了模型可行性，可以為政府輿情引導(dǎo)程度提供度量依據(jù)，也為編制智能化的輿情監(jiān)測(cè)軟件提供算法支持。

〔關(guān)鍵詞〕大數(shù)據(jù)；網(wǎng)絡(luò)輿情；異常數(shù)據(jù)；監(jiān)測(cè)；預(yù)測(cè)

DOI：10.3969/j.issn.1008-0821.2018.06.012

〔中圖分類號(hào)〕C912.6 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2018）06-0080-06

〔Abstract〕[Purpose/Significance]Through dynamic monitoring and abnormal perception of network public opinion data，it made early warning of abnormal network public opinion and provided theoretical models and practicable methods for grasping the preemptive advantage of network public opinion decision.[Method/Process]It analysed the abnormal phenomena of network public opinion data such as skyrocketing data and trend fluctuation under big data environment，made clear the monitoring mechanism of abnormal data，such as trend prediction，dynamic perception of abnormal data，etc.On this basis，the first step was using Gompertz model to predict the trend of network public opinion theoretical interval.Secondly，the deviation degree was defined for data anomaly rating，and the early warning level was determined to realize the timely capture and rapid early warning of abnormal data.[Result/Conclusion]The feasibility of the model was proved by an example，which could provide the measurement basis for the guidance degree of network public opinion，and also provided the algorithm support for compiling intelligent monitoring software of network public opinion.

〔Key words〕big data；network public opinion；abnormal data；monitoring；prediction

1 現(xiàn)狀分析

根據(jù)第41次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2017年12月，我國(guó)手機(jī)網(wǎng)民規(guī)模達(dá)7.53億，網(wǎng)民中使用手機(jī)上網(wǎng)人群的占比由2016年的96.1%提升至97.5%[1]。隨著移動(dòng)寬帶互聯(lián)網(wǎng)的普及，熱點(diǎn)輿情以及由其引發(fā)的輿情反轉(zhuǎn)、衍生輿情等各類網(wǎng)絡(luò)輿情事件層出不窮，上海外灘踩踏事故（2014）、南海仲裁（2016）、魏則西事件（2016）等輿情信息數(shù)量激增，哈爾濱天價(jià)魚(yú)（2016）、李文星事件（2017）、杭州保姆縱火（2017）等輿情的急速反轉(zhuǎn)和劇烈波動(dòng)，都蘊(yùn)含著大量的網(wǎng)絡(luò)輿情數(shù)據(jù)異常變化情況，加之受網(wǎng)絡(luò)水軍、網(wǎng)絡(luò)推手、輿論戰(zhàn)等影響，導(dǎo)致網(wǎng)絡(luò)輿情異?，F(xiàn)象頻出。在輿情監(jiān)測(cè)過(guò)程中，相較于常態(tài)輿情監(jiān)測(cè)，異常數(shù)據(jù)監(jiān)測(cè)的決策支持價(jià)值更加突出，特別是在數(shù)據(jù)異常變化初期，及時(shí)監(jiān)測(cè)并提前預(yù)警，有助于政府掌握輿情決策的先動(dòng)優(yōu)勢(shì)。分析網(wǎng)絡(luò)輿情數(shù)據(jù)異常現(xiàn)象，開(kāi)展異常數(shù)據(jù)監(jiān)測(cè)研究，是極具理論與實(shí)踐價(jià)值的研究課題。

目前在網(wǎng)絡(luò)輿情監(jiān)測(cè)理論與方法領(lǐng)域，國(guó)內(nèi)學(xué)術(shù)界研究成果可以分為以下4個(gè)方面：一是監(jiān)測(cè)指標(biāo)體系的構(gòu)建，包括運(yùn)用數(shù)據(jù)立方體、三角模糊數(shù)、層次分析法等方法構(gòu)建監(jiān)測(cè)指標(biāo)體系[2-3]；二是監(jiān)測(cè)分析系統(tǒng)的架構(gòu)，包括目標(biāo)定位、評(píng)判依據(jù)與運(yùn)行保障等，主要基于多Agent、基于地理空間大數(shù)據(jù)等架構(gòu)監(jiān)測(cè)分析系統(tǒng)[4-5]；三是基于監(jiān)測(cè)的預(yù)警評(píng)估研究，主要運(yùn)用事件演變動(dòng)力學(xué)建模、語(yǔ)義隸屬度模糊推理、直覺(jué)模糊推理等開(kāi)展預(yù)警評(píng)估[6-7]；四是運(yùn)用人工智能、大數(shù)據(jù)、云計(jì)算等對(duì)監(jiān)測(cè)方法和模式進(jìn)行創(chuàng)新[8-9]。相關(guān)研究的關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)如圖1所示。

綜合而言，已有研究主要針對(duì)網(wǎng)絡(luò)輿情進(jìn)行常態(tài)監(jiān)測(cè)，也有學(xué)者研究負(fù)面輿情監(jiān)測(cè)、異常行為識(shí)別等問(wèn)題[10-11]，但主要基于統(tǒng)計(jì)學(xué)理論，進(jìn)行內(nèi)容關(guān)鍵詞監(jiān)測(cè)，在異常數(shù)據(jù)感知的動(dòng)態(tài)性、前瞻性等方面仍需進(jìn)一步深入研究。由此，本文首先描述網(wǎng)絡(luò)輿情的正常傳播規(guī)律，基于規(guī)律進(jìn)行預(yù)測(cè)，通過(guò)分析監(jiān)測(cè)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的偏離度來(lái)度量網(wǎng)絡(luò)輿情的數(shù)據(jù)異常，在大數(shù)據(jù)環(huán)境下，這一監(jiān)測(cè)思路可以更敏銳捕捉到異常數(shù)據(jù)及其前兆數(shù)據(jù)，并快速預(yù)警，提前響應(yīng)，為政府掌握輿情決策的先動(dòng)優(yōu)勢(shì)提供理論基礎(chǔ)。

2 大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情異常監(jiān)測(cè)問(wèn)題

2.1 大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情數(shù)據(jù)異?，F(xiàn)象

大數(shù)據(jù)環(huán)境下，網(wǎng)絡(luò)輿情演化滿足信息生命周期理論，即輿情演化經(jīng)歷潛伏期、擴(kuò)散期、消退期等階段，在沒(méi)有外部力量干擾時(shí)，輿情演化過(guò)程中信息數(shù)量的變化滿足一定的變化規(guī)律。然而，近些年，在網(wǎng)絡(luò)水軍、網(wǎng)絡(luò)推手、輿論戰(zhàn)等外部因素干擾下，以及輿情信息異化影響下，輿情演化周期內(nèi)信息數(shù)量短時(shí)間激增或急速衰減時(shí)有發(fā)生，輿情演化周期外的衍生輿情或者輿情反轉(zhuǎn)等層出不窮。以Baidu搜索指數(shù)為例，魏則西事件搜索量在1天內(nèi)激增了20余萬(wàn)，南海仲裁輿情則在1天內(nèi)激增了300余萬(wàn)，大量輿情異常數(shù)據(jù)中蘊(yùn)含著有價(jià)值的網(wǎng)絡(luò)情報(bào)，需要快速監(jiān)測(cè)異常并通過(guò)深度研判感知網(wǎng)絡(luò)民意。通過(guò)案例分析，輿情異常主要包括數(shù)量激增異常、衰減異常、波動(dòng)異常等現(xiàn)象（見(jiàn)圖2），其中激增異常、波動(dòng)異常是最常見(jiàn)的兩種異常現(xiàn)象。

大數(shù)據(jù)環(huán)境下，輿情異常破壞了其正常的演化趨勢(shì)，輿情數(shù)據(jù)量激增或者波動(dòng)導(dǎo)致實(shí)際輿情演化趨勢(shì)偏離了理論演化趨勢(shì)，通過(guò)對(duì)偏離程度的分析研判，可以挖掘蘊(yùn)含于數(shù)據(jù)之中的輿情異常。面對(duì)網(wǎng)絡(luò)輿情數(shù)據(jù)異常，依托大數(shù)據(jù)通過(guò)對(duì)輿情數(shù)據(jù)構(gòu)建監(jiān)測(cè)模型，快速感知輿情異常，可以占據(jù)治理先動(dòng)優(yōu)勢(shì)，是輔助政府智慧決策、感知民意的重要內(nèi)容（見(jiàn)圖3）。

2.2 大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情數(shù)據(jù)異常監(jiān)測(cè)機(jī)理

面對(duì)網(wǎng)絡(luò)輿情異?，F(xiàn)象，快速監(jiān)測(cè)異常的實(shí)質(zhì)就是快速度量偏離程度。解決這一問(wèn)題的關(guān)鍵有兩個(gè)：第一，輿情事件發(fā)生后，根據(jù)監(jiān)測(cè)數(shù)據(jù)構(gòu)建預(yù)測(cè)模型，預(yù)測(cè)未來(lái)演化趨勢(shì)，把握輿情原始演化態(tài)勢(shì)，以圖4為例，自輿情開(kāi)始后，經(jīng)歷少段時(shí)間后達(dá)到t時(shí)刻，應(yīng)構(gòu)建輿情演化模型，并根據(jù)t時(shí)刻之前的數(shù)據(jù)預(yù)測(cè)t時(shí)刻之后的演化趨勢(shì)，即圖中虛線所示。第二，當(dāng)新的監(jiān)測(cè)數(shù)據(jù)出現(xiàn)后，需要通過(guò)預(yù)測(cè)值和新數(shù)據(jù)構(gòu)建異常感知模型，研判新數(shù)據(jù)是否為異常數(shù)據(jù)，并隨著新數(shù)據(jù)的不斷融入，通過(guò)數(shù)據(jù)動(dòng)態(tài)研判，實(shí)現(xiàn)動(dòng)態(tài)感知過(guò)程，以圖4為例，通過(guò)t+1時(shí)刻預(yù)測(cè)值和真實(shí)值建立模型，研判該點(diǎn)的異常程度，當(dāng)其為異常數(shù)據(jù)時(shí)，則確定異常等級(jí)并進(jìn)行異常預(yù)警，反之，將其融入預(yù)測(cè)模型用于完善預(yù)測(cè)趨勢(shì)，并動(dòng)態(tài)重復(fù)這個(gè)過(guò)程。大數(shù)據(jù)的核心是預(yù)測(cè)，基于預(yù)測(cè)開(kāi)展異常監(jiān)測(cè)可以縮短監(jiān)測(cè)異常的時(shí)間，應(yīng)用預(yù)測(cè)模型和異常感知模型可以編制軟件，實(shí)現(xiàn)輿情異常感知的智能化。大數(shù)據(jù)環(huán)境下，解決以上兩個(gè)關(guān)鍵問(wèn)題需要經(jīng)過(guò)搜集、整理輿情監(jiān)測(cè)數(shù)據(jù)、輿情趨勢(shì)預(yù)測(cè)建模、輿情異常感知建模、異常數(shù)據(jù)預(yù)警、決策等核心環(huán)節(jié)。

3 面向大數(shù)據(jù)的網(wǎng)絡(luò)輿情異常數(shù)據(jù)監(jiān)測(cè)研究

大數(shù)據(jù)環(huán)境下，網(wǎng)絡(luò)輿情異常數(shù)據(jù)監(jiān)測(cè)是一個(gè)復(fù)雜的過(guò)程。基于此，本文將這個(gè)過(guò)程分為預(yù)測(cè)建模、異常感知建模和異常數(shù)據(jù)過(guò)濾等3個(gè)步驟：第一，在輿情監(jiān)測(cè)數(shù)據(jù)基礎(chǔ)上構(gòu)建建模變量，選擇Gompertz模型作為基礎(chǔ)模型開(kāi)展區(qū)間預(yù)測(cè)；第二，異常感知建模在動(dòng)態(tài)輸入輿情監(jiān)測(cè)數(shù)據(jù)后，構(gòu)建異常感知模型；第三，開(kāi)展異常程度評(píng)級(jí)研究，對(duì)正常波動(dòng)數(shù)據(jù)和異常數(shù)據(jù)進(jìn)行區(qū)分并動(dòng)態(tài)更新，具體內(nèi)容見(jiàn)網(wǎng)絡(luò)輿情異常數(shù)據(jù)監(jiān)測(cè)過(guò)程示意圖（見(jiàn)圖5）。

3.1 網(wǎng)絡(luò)輿情數(shù)據(jù)預(yù)測(cè)模型研究

大數(shù)據(jù)的核心是預(yù)測(cè)，預(yù)測(cè)的關(guān)鍵是建模。網(wǎng)絡(luò)輿情傳播符合信息生命周期理論，一般要經(jīng)歷發(fā)酵、擴(kuò)散、平息的演化過(guò)程，這一點(diǎn)與生態(tài)科學(xué)中描述生物生長(zhǎng)的萌芽、增長(zhǎng)、消亡的生長(zhǎng)過(guò)程演化機(jī)理相似，所以，可以借鑒描述生長(zhǎng)過(guò)程的生長(zhǎng)曲線來(lái)研究網(wǎng)絡(luò)輿情演化過(guò)程。生態(tài)科學(xué)中，生長(zhǎng)曲線有很多，例如Logistic模型、Gompertz模型、Usher模型、廣義Logistic模型、Smith模型、Hallam模型、崔-Lawson模型等[12]，考慮到大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情擴(kuò)散周期短、數(shù)量多的特性，本文選擇Gompertz模型作為基礎(chǔ)模型來(lái)刻畫(huà)網(wǎng)絡(luò)輿情演化過(guò)程，并據(jù)此開(kāi)展預(yù)測(cè)研究。根據(jù)網(wǎng)絡(luò)輿情定義，假設(shè)網(wǎng)絡(luò)輿情信息量為單調(diào)遞增函數(shù)x（t），則Gompertz模型為：

3.1.1 確定模型參數(shù)

獲取原始網(wǎng)絡(luò)輿情監(jiān)測(cè)數(shù)據(jù)后，需要將其進(jìn)行累加成為建模變量。假設(shè)由網(wǎng)絡(luò)輿情監(jiān)測(cè)數(shù)據(jù)得到的信息量數(shù)據(jù)為X={x0，x1，x2，x3，…，xn-1}。通過(guò)MATALAB擬合數(shù)據(jù)驗(yàn)證Gompertz模型用于預(yù)測(cè)的方法要求數(shù)據(jù)量大且為完整的一個(gè)輿情演化周期數(shù)據(jù)，然而在實(shí)際工作中，網(wǎng)絡(luò)話題剛剛發(fā)生后往往數(shù)據(jù)量很少，所以很難通過(guò)MATLAB軟件擬合數(shù)據(jù)得出預(yù)測(cè)曲線。基于此，本文研究在少量數(shù)據(jù)情況下的網(wǎng)絡(luò)輿情數(shù)據(jù)的預(yù)測(cè)方法。

3.1.2 網(wǎng)絡(luò)輿情趨勢(shì)區(qū)間預(yù)測(cè)

3.2 網(wǎng)絡(luò)輿情異常數(shù)據(jù)感知和評(píng)級(jí)

大數(shù)據(jù)環(huán)境下，網(wǎng)絡(luò)輿情在傳播過(guò)程中，有時(shí)會(huì)出現(xiàn)小幅度波動(dòng)，引發(fā)這種波動(dòng)有兩種情況：第一種為正常的波動(dòng)現(xiàn)象；第二種是異常波動(dòng)的前兆?；诖?，本文定義正常區(qū)間（A）、觀察區(qū)間（B）、異常區(qū)間（C）來(lái)感知網(wǎng)絡(luò)輿情異常數(shù)據(jù)，其中正常區(qū)間（A）為前文的預(yù)測(cè)區(qū)間，即正常區(qū)間為：

其中j=n，n+1，n+2，…。如果預(yù)測(cè)數(shù)據(jù)j落入正常區(qū)間（A），則將其列為正常數(shù)據(jù)，并將其融入預(yù)測(cè)建模數(shù)據(jù)，更新模型參數(shù)，并更新預(yù)測(cè)未來(lái)數(shù)據(jù)；如果預(yù)測(cè)數(shù)據(jù)j落入觀察區(qū)間（B），則將其視為觀察數(shù)據(jù)，如果后續(xù)數(shù)據(jù)持續(xù)落入觀察區(qū)域（B），則說(shuō)明這是輿情異常的前兆數(shù)據(jù)，在計(jì)算偏離度P（j）之后，確定評(píng)估等級(jí)同時(shí)繼續(xù)使用原來(lái)的模型開(kāi)展預(yù)測(cè)；如果預(yù)測(cè)數(shù)據(jù)j落入異常區(qū)間（C），則將其視為異常數(shù)據(jù)，在計(jì)算偏離度P（j）之后，確定異常評(píng)估等級(jí)，然后繼續(xù)使用原來(lái)的模型開(kāi)展預(yù)測(cè)。其中異常評(píng)估等級(jí)需要結(jié)合實(shí)際情況根據(jù)大量案例數(shù)據(jù)通過(guò)計(jì)算預(yù)測(cè)區(qū)間閾值和觀察閾值后獲得。

限于篇幅，本文根據(jù)偏離度P（j）的絕對(duì)值將網(wǎng)絡(luò)輿情異常評(píng)估等級(jí)分為輕度級(jí)、中度級(jí)、高度級(jí)、嚴(yán)重級(jí)4個(gè)等級(jí)，并分別用藍(lán)、黃、橙、紅4個(gè)顏色加以區(qū)分（見(jiàn)表1），進(jìn)而確定不同評(píng)估級(jí)別的預(yù)案，為輿情治理決策提供理論支持。

4 應(yīng)用與驗(yàn)證研究

4.1 數(shù)據(jù)來(lái)源

通過(guò)清博輿情監(jiān)測(cè)軟件（http：//yuqing.gsdata.cn）獲取2017年6月至7月間的“京津冀大暴雨”事件網(wǎng)絡(luò)輿情統(tǒng)計(jì)數(shù)據(jù)，其中微輿情（微信和微博信息量之和）信息量占據(jù)60.27%，數(shù)據(jù)采集時(shí)段為2017年6月21日0點(diǎn)至2017年7月7日23點(diǎn)（詳細(xì)數(shù)據(jù)見(jiàn)圖8）。基于此，本文選取微輿情信息量開(kāi)展應(yīng)用與驗(yàn)證研究。

4.2 確定預(yù)測(cè)模型參數(shù)和區(qū)間預(yù)測(cè)范圍

將京津冀大暴雨輿情統(tǒng)計(jì)數(shù)據(jù)進(jìn)行初始化，其中6月21日為輿情起點(diǎn)，即為t=0時(shí)刻，然后應(yīng)用t=0至t=5的數(shù)據(jù)作為基礎(chǔ)歷史數(shù)據(jù)開(kāi)展數(shù)據(jù)建模，用t=6到t=16作為驗(yàn)證數(shù)據(jù)。將t=0至t=5的輿情監(jiān)測(cè)數(shù)據(jù)進(jìn)行累加后得到建模變量數(shù)據(jù)，應(yīng)用回歸分析獲得Gompertz模型為：

其中回歸分析的可決系數(shù)為0.9960，絕對(duì)相對(duì)誤差為3.54%，擬合效果好，可以用于預(yù)測(cè)未來(lái)趨勢(shì)。在開(kāi)展預(yù)測(cè)的同時(shí)，取波動(dòng)閾值α=3.54%，觀察閾值k=2，確定觀察區(qū)間、正常區(qū)間的上、下限（見(jiàn)圖9）。

4.3 結(jié)果分析

依次對(duì)t=6到t=16開(kāi)展異常監(jiān)測(cè)感知測(cè)試，驗(yàn)證模型合理性，計(jì)算結(jié)果見(jiàn)表2。觀察結(jié)果發(fā)現(xiàn)：t=6、t=7、t=8時(shí)刻對(duì)應(yīng)的偏離度較小，異常評(píng)估結(jié)果為正常，所以將新數(shù)據(jù)依次融入建模數(shù)據(jù)，重置參數(shù)開(kāi)展持續(xù)預(yù)測(cè)；t=9時(shí)，異常評(píng)估結(jié)果為觀察，所以暫停更新數(shù)據(jù)，持續(xù)觀察；t=10以后，異常評(píng)估結(jié)果均為異常，且預(yù)警等級(jí)由橙色變?yōu)槌掷m(xù)紅色。

對(duì)比模型計(jì)算結(jié)果與實(shí)際輿情監(jiān)測(cè)數(shù)據(jù)（見(jiàn)圖10），圖中正常區(qū)間、觀察區(qū)間范圍是由t=0至t=8的數(shù)據(jù)經(jīng)過(guò)建模得到。觀察發(fā)現(xiàn)：實(shí)際輿情監(jiān)測(cè)數(shù)據(jù)（未累加）曲線上，t=2到t=8曲線持續(xù)單調(diào)遞減，輿情熱度逐步回落，但t=9時(shí)，有微微向上波動(dòng)的趨勢(shì)，這一點(diǎn)被模型及時(shí)捕捉到，將其列為觀察數(shù)據(jù)，而在峰值t=12來(lái)臨之前，連續(xù)在t=10、t=11處及時(shí)進(jìn)行輿情異常紅色預(yù)警，模型計(jì)算結(jié)果和輿情實(shí)際演化結(jié)果基本吻合。為進(jìn)一步提升輿情異常感知的及時(shí)性，應(yīng)將監(jiān)測(cè)數(shù)據(jù)由按天統(tǒng)計(jì)變?yōu)榘葱r(shí)統(tǒng)計(jì)，以第一個(gè)紅色異常點(diǎn)t=10為例，按天預(yù)警則只能在當(dāng)天晚上24點(diǎn)以后進(jìn)行，而應(yīng)用按小時(shí)統(tǒng)計(jì)數(shù)據(jù)之后，可以將預(yù)警時(shí)間提前4～5個(gè)小時(shí)，這段時(shí)間在治理網(wǎng)絡(luò)輿情時(shí)是極為重要的。如果將本文構(gòu)建的預(yù)測(cè)模型和異常監(jiān)測(cè)機(jī)理編制成監(jiān)測(cè)軟件，隨著動(dòng)態(tài)融入新數(shù)據(jù)，將實(shí)現(xiàn)監(jiān)測(cè)智能化并節(jié)省人力資源，為輔助網(wǎng)絡(luò)輿情治理決策提供及時(shí)的輿情異常等情報(bào)信息。

5 總結(jié)與展望

隨著新媒體的發(fā)展，網(wǎng)絡(luò)輿情態(tài)勢(shì)呈現(xiàn)出數(shù)量多、產(chǎn)生速度快、信息類型多、蘊(yùn)含大量民意等大數(shù)據(jù)特征。但網(wǎng)絡(luò)輿情受網(wǎng)絡(luò)水軍、網(wǎng)絡(luò)推手等主體的諸多干擾，以及信息異化等信息層面的影響，導(dǎo)致輿情異?，F(xiàn)象時(shí)有發(fā)生。

面對(duì)網(wǎng)絡(luò)輿情異?，F(xiàn)象，如何智慧應(yīng)急、科學(xué)治理，是政府輿情決策的重要內(nèi)容，也是更深入把握網(wǎng)絡(luò)輿情演化時(shí)、度、效的必經(jīng)之路。基于此，本文基于動(dòng)態(tài)預(yù)測(cè)模型嘗試解決輿情異常的感知問(wèn)題，通過(guò)理論研究和實(shí)證研究證明了模型的可行性，為輿情引導(dǎo)程度提供度量依據(jù)，也為編制智能化的輿情監(jiān)測(cè)軟件提供算法支持。然而限于篇幅，本文僅僅解決了部分機(jī)理性、宏觀性的異常監(jiān)測(cè)問(wèn)題，而對(duì)于輿論戰(zhàn)、網(wǎng)絡(luò)謠言、多個(gè)輿情競(jìng)爭(zhēng)等復(fù)雜環(huán)境下的異常監(jiān)測(cè)以及預(yù)測(cè)還有待進(jìn)一步研究。

參考文獻(xiàn)

[1]中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心.第41次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[R/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201801/t20180131_70190.htm，2018-02-06.

[2]宋余超，陳福集.基于數(shù)據(jù)立方體的網(wǎng)絡(luò)輿情監(jiān)測(cè)指標(biāo)體系構(gòu)建[J].情報(bào)科學(xué)，2016，34（6）：31-36.

[3]蘭月新，董希琳，陳成鑫.地方政府應(yīng)對(duì)網(wǎng)絡(luò)輿情能力評(píng)估和危機(jī)預(yù)警研究[J].現(xiàn)代情報(bào)，2012，32（5）：8-12.

[4]于衛(wèi)紅.基于多Agent的高校網(wǎng)絡(luò)輿情監(jiān)測(cè)與分析系統(tǒng)[J].現(xiàn)代情報(bào)，2017，37（10）：53-57.

[5]楊宗亮，張玉茜，李建飛.一種基于地理空間大數(shù)據(jù)的網(wǎng)絡(luò)輿情監(jiān)測(cè)軟件架構(gòu)[J].測(cè)繪通報(bào)，2017，（3）：96-100.

[6]徐勇.網(wǎng)絡(luò)輿情事件演變的動(dòng)力學(xué)建模及預(yù)警監(jiān)測(cè)[J].現(xiàn)代情報(bào)，2016，36（4）：14-19，56.

[7]張艷豐，李賀，彭麗徽，等.基于語(yǔ)義隸屬度模糊推理的網(wǎng)絡(luò)輿情監(jiān)測(cè)預(yù)警實(shí)證研究[J].情報(bào)理論與實(shí)踐，2017，40（9）：82-89.

[8]鄢睿.人工智能視域下網(wǎng)絡(luò)輿情監(jiān)測(cè)的變革之道[J].傳媒，2017，（20）：51-53.

[9]儲(chǔ)節(jié)旺，朱玲玲.基于大數(shù)據(jù)分析的突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警研究[J].情報(bào)理論與實(shí)踐，2017，40（8）：61-66.

[10]孫飛顯，程世輝，倪天林，等.基于新浪微博的負(fù)面網(wǎng)絡(luò)輿情監(jiān)測(cè)研究——針對(duì)政府的負(fù)面網(wǎng)絡(luò)輿情研究系列之一[J].情報(bào)雜志，2015，34（4）：81-84，115.

[11]曹樹(shù)金，鄭凌，陳憶金.網(wǎng)絡(luò)輿情突發(fā)異常識(shí)別及關(guān)鍵算法研究[J].圖書(shū)情報(bào)知識(shí)，2012，（1）：43-51.

[12]Fred Brauer，Carlos Castillo-Chavez.生物數(shù)學(xué)——種群生物學(xué)與傳染病中的數(shù)學(xué)模型[M].金成桴，譯.北京：清華大學(xué)出版社，2013.

（責(zé)任編輯：孫國(guó)雷）