鄭秀月

（福州黎明職業(yè)技術(shù)學(xué)院，福州 350001）

微博傳播速度快、范圍廣、多中心、碎片化的特點可以將校園事件通過網(wǎng)絡(luò)爆料、網(wǎng)絡(luò)傳播，迅速吸引大量網(wǎng)民關(guān)注，在相對短時間內(nèi)，形成大量不利于學(xué)校和個人正常發(fā)展的信息，讓學(xué)?；騻€人迅速推到輿論壓力漩渦的中心，形成網(wǎng)絡(luò)危機(jī)。網(wǎng)絡(luò)危機(jī)的危害集中體現(xiàn)在：學(xué)?；騻€人面對網(wǎng)絡(luò)質(zhì)疑時，顯得力不從心，引發(fā)不信任感，從而降低對個人的信用力和學(xué)校的公信力，而且這種負(fù)面影響力持續(xù)深遠(yuǎn)，甚至可以將累計上百年的學(xué)校名譽毀于一旦。對于校園網(wǎng)絡(luò)輿情危機(jī)的處理重點是要建立校園網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系，并且通過科學(xué)的計算進(jìn)行評估。本文擬在構(gòu)建校園網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系的基礎(chǔ)上，引入BP神經(jīng)網(wǎng)絡(luò)的算法，進(jìn)而實現(xiàn)網(wǎng)絡(luò)危機(jī)事件的定量評估。最后通過計算機(jī)模擬仿真實驗，結(jié)合“某高校王某恢復(fù)招研資格”的事件對該模型進(jìn)行檢測與分析。

1 案例簡介

2018年3月31日，生于1992年的高校研究生陶某在學(xué)校出現(xiàn)意外。學(xué)校立即成立專班調(diào)查和處置相關(guān)事宜并且發(fā)布通報稱，王某存在與學(xué)生認(rèn)義子關(guān)系等與科研無關(guān)的行為，以及指導(dǎo)學(xué)生升學(xué)就業(yè)過程中方式方法欠妥等情況，于是校方暫定了王某的研究生招生資格。2020年11月20日，某高校研究生院公示王某招生資格。某高校部分學(xué)生從25日以來開始行動，呼吁社會公眾、校內(nèi)學(xué)生和教職工通過實名簽署聯(lián)名信的形式（以下簡稱“聯(lián)署活動”），抵制王某恢復(fù)研究生招生資格，這封聯(lián)名信將在研究生招生資格公示期間（2020年11月27日17:00前）以書面形式上交學(xué)校相關(guān)部門，引發(fā)進(jìn)一步的網(wǎng)絡(luò)輿情危機(jī)。

在新浪微博的搜索引擎中，把時間范圍控制在2020年11月20日到2020年12月1之間，輸入關(guān)鍵字“某高校王某恢復(fù)招研資格”即了解到這個時間段內(nèi)微博關(guān)于該事件的關(guān)注情況。

2 基于BP神經(jīng)網(wǎng)絡(luò)的校園網(wǎng)絡(luò)輿情危機(jī)預(yù)警研究

2.1 校園網(wǎng)絡(luò)輿情危機(jī)預(yù)警模型

2.1.1 校園網(wǎng)絡(luò)輿情危機(jī)預(yù)警模型的指標(biāo)體系與算法

（1）指標(biāo)體系的搭建（表1）。真實度（X1）得分在0到1之間。0表示某校園輿情危機(jī)主題是假的，1表示是真實的，100%真實發(fā)生，0.5表示部分真實，0.7表示大部分真實。敏感度X2得分在0到1之間。根據(jù)校園危機(jī)的敏感詞匯進(jìn)行打分。敏感詞匯的等級越高，打分越高。

表1 校園網(wǎng)絡(luò)網(wǎng)絡(luò)輿情危機(jī)指標(biāo)體系

影響力X3得分在0到1之間。發(fā)布者負(fù)面影響力越高，校園輿情危機(jī)就愈加嚴(yán)重，打分越高。

支持評論數(shù)量（X4），對于某條涉及校園信息的微博，支持評論數(shù)量越高，校園輿情危機(jī)也就愈加嚴(yán)重。

否定評論數(shù)（X5），此指標(biāo)用負(fù)值來表示，否定評論數(shù)越多，校園輿情危機(jī)壓力就相對減輕。

發(fā)帖數(shù)（X6）發(fā)帖數(shù)越高，校園輿情危機(jī)也就愈加嚴(yán)重。

轉(zhuǎn)發(fā)數(shù)（X7），轉(zhuǎn)發(fā)數(shù)越高，受眾越多，校園輿情危機(jī)也就愈加嚴(yán)重。

點贊數(shù)（X8），因為關(guān)注的焦點是對校園存在危害的微博，點贊數(shù)量越高，校園輿情危機(jī)也就愈加嚴(yán)重。

（2）算法簡介。大致三個階段：輸入、處理和輸出。輸入包括樣本采集。處理包括歸一化處理，確定輸入、輸出、隱含層，設(shè)置訓(xùn)練參數(shù)，創(chuàng)建BP網(wǎng)絡(luò)模型，調(diào)用函數(shù)等。輸出包括訓(xùn)練樣本和測試樣本的輸出，如果測試樣本的輸出符合訓(xùn)練樣本的預(yù)期則學(xué)習(xí)結(jié)束，如果不符合訓(xùn)練樣本的預(yù)期，則再次學(xué)習(xí)，調(diào)整閾值，直到符合預(yù)期為止，如圖1所示。

圖1 算法設(shè)計

總之，步驟就是整個BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，將輸入——處理——輸出貫徹其中，不斷調(diào)試閾值，不斷逼近期望值，完成預(yù)警分析。

2.2.2 校園網(wǎng)絡(luò)輿情危機(jī)預(yù)警模型的實證過程

（1）信息采集與歸一化處理。通過新浪微博搜索統(tǒng)計和專家打分的方法，獲得原始數(shù)據(jù)，將原始采集數(shù)據(jù)歸一化處理（保留3位小數(shù)）如圖2所示。

圖2 歸一化后的樣本數(shù)據(jù)

（3）確定訓(xùn)練樣本和測試樣本期望輸出值（圖3,4）。

圖3 訓(xùn)練樣本期望輸出

圖4 測試樣本期望輸出

（4）設(shè)置訓(xùn)練參數(shù)與調(diào)用訓(xùn)練函數(shù)。不同的訓(xùn)練參數(shù)，對測試結(jié)果有著重要影響，經(jīng)過筆者多次嘗試，最后設(shè)置參數(shù)數(shù)如下。

圖5 訓(xùn)練參數(shù)

誤差曲線圖說明，經(jīng)過388次訓(xùn)練后，誤差值接近，在誤差范圍內(nèi)，達(dá)到訓(xùn)練目的（圖6）。

圖6 誤差曲線圖

（5）檢測。通過檢測，表明實際輸出的結(jié)果與期望結(jié)果一直，輸出結(jié)果為1 000，表示藍(lán)色預(yù)警信號，表明當(dāng)檢測到第22個時間段時，校園網(wǎng)絡(luò)輿情危機(jī)已經(jīng)消除。實驗結(jié)果證明，本文構(gòu)建的校園網(wǎng)絡(luò)輿情危機(jī)指標(biāo)體系基本合理，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到校園網(wǎng)絡(luò)輿情危機(jī)預(yù)警切實可行。

3 結(jié)論

本文根據(jù)校園網(wǎng)絡(luò)輿情傳播規(guī)律特征建立網(wǎng)絡(luò)危機(jī)預(yù)警指標(biāo)體系，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型的仿真實驗，驗證了該模型的功能性和有效性。在應(yīng)對校園網(wǎng)絡(luò)輿情危機(jī)問題上提供了預(yù)警的方法和對策。下一步就是完善指標(biāo)，提高數(shù)據(jù)采集的及時性和有效性，最終實現(xiàn)網(wǎng)絡(luò)實時監(jiān)控和自動預(yù)警。