李玥琪，王晰巍，王楠阿雪，王小天

（1.吉林大學(xué)商學(xué)與管理學(xué)院，長春 130022；2.吉林大學(xué)國家發(fā)展與安全研究院，長春 130022；3.吉林大學(xué)大數(shù)據(jù)管理研究中心，長春 130022）

1 引言

2021年世界氣象組織災(zāi)害統(tǒng)計報告顯示全球災(zāi)害數(shù)量激增[1]。災(zāi)害天氣事件頻率和強度的增加導(dǎo)致極端突發(fā)事件頻頻發(fā)生，逐漸成為國家應(yīng)急管理中關(guān)注的重要問題之一[2]，加之新冠肺炎疫情的爆發(fā)、氣候災(zāi)害等突發(fā)事件對全球福祉及社會安全造成了威脅，國家應(yīng)急管理戰(zhàn)略部署及“十四五”數(shù)字經(jīng)濟發(fā)展規(guī)劃提出，要增強政府?dāng)?shù)字化治理能力，重點要推進完善風(fēng)險應(yīng)急響應(yīng)處置流程和機制，強化重大問題研判和風(fēng)險預(yù)警，切實有效防范各類風(fēng)險疊加可能引發(fā)的社會穩(wěn)定問題[3]。中國互聯(lián)網(wǎng)絡(luò)信息中心（China Internet Network Information Center，CNNIC）發(fā)布的數(shù)據(jù)顯示[4]，截至2021年末我國網(wǎng)民規(guī)模達10.32億，互聯(lián)網(wǎng)普及率達73.0%。我國擁有龐大的互聯(lián)網(wǎng)網(wǎng)民群體，在突發(fā)事件環(huán)境下民眾越來越傾向于在社交媒體平臺上尋求信息，并進行事件的觀點分享和討論。突發(fā)事件情境下的社交媒體風(fēng)險管理已經(jīng)成為危機情境下應(yīng)急管理的重要部分，風(fēng)險監(jiān)測識別及預(yù)警的創(chuàng)新方法受到學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注。

突發(fā)事件情境下的風(fēng)險管理近年來成為新興研究熱點。國外的風(fēng)險管理研究主要聚焦于危機期間的信息溝通研究[5]、風(fēng)險因素對信息分享行為的影響[6]、基于文本分析方法研究政府危機溝通效果[7]以及基于敏捷和適應(yīng)性治理視角的危機管理案例分析等[8]。國內(nèi)學(xué)者主要關(guān)注于突發(fā)事件情境下的社交媒體風(fēng)險等級評估[9]、風(fēng)險識別[10]及社交媒體輿情風(fēng)險的應(yīng)急管理體系[11]構(gòu)建研究等。通過對國內(nèi)外風(fēng)險管理研究文獻的梳理可以發(fā)現(xiàn)，目前國內(nèi)外關(guān)于風(fēng)險管理的研究主要是危機情境下政府網(wǎng)民的風(fēng)險溝通、網(wǎng)絡(luò)輿情風(fēng)險監(jiān)測及社交媒體風(fēng)險研判及態(tài)勢感知等，多采用評價指標(biāo)體系構(gòu)建對突發(fā)事件下的社交媒體輿情風(fēng)險進行評價及風(fēng)險分級，以及從理論體系維度構(gòu)建風(fēng)險響應(yīng)及管理框架；缺少對突發(fā)事件情報知識的挖掘，也缺乏通過構(gòu)建突發(fā)事件案例庫進行先驗案例知識學(xué)習(xí)后，進行風(fēng)險研判及預(yù)警的協(xié)同研究。因此，突發(fā)事件下的社交媒體風(fēng)險管理研究成為熱點。本文采納知識圖譜方法構(gòu)建突發(fā)事件社交媒體風(fēng)險圖譜，從知識表示出發(fā)，鏈接數(shù)據(jù)進行知識推理分析，從而實現(xiàn)社交媒體的風(fēng)險識別及預(yù)警。

本文在研究中主要解決以下3個研究問題：①如何通過構(gòu)建突發(fā)事件社交媒體輿情風(fēng)險案例知識庫進行風(fēng)險知識獲?。竣谌绾巫R別突發(fā)事件社交媒體輿情風(fēng)險因素及風(fēng)險因素間的因果關(guān)系？③如何基于構(gòu)建的突發(fā)事件風(fēng)險識別及預(yù)警模型對突發(fā)事件社交媒體風(fēng)險進行預(yù)警并給出決策支持？本文在理論層面上，結(jié)合突發(fā)事件下社交網(wǎng)絡(luò)輿情的風(fēng)險研判和預(yù)警目標(biāo)，構(gòu)建基于解釋結(jié)構(gòu)模型及貝葉斯網(wǎng)絡(luò)（interpretative structural modeling-Bayesian networks，ISM-BN）的風(fēng)險識別及預(yù)警模型，為突發(fā)事件環(huán)境下社交媒體風(fēng)險管理提供新的理論及方法。在實踐層面上，為突發(fā)事件應(yīng)急管理體系中的風(fēng)險識別及研判工作提供可參考的模型，借助模型實現(xiàn)突發(fā)事件社交網(wǎng)絡(luò)輿情的風(fēng)險態(tài)勢感知，為相關(guān)輿情監(jiān)管結(jié)構(gòu)提供管理和決策支持。

2 相關(guān)理論

2.1 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險

社會學(xué)認(rèn)為風(fēng)險是指社會損失的不確定性，即風(fēng)險是危機事件發(fā)生的概率及其后果的函數(shù)。根據(jù)廣義層面對風(fēng)險的定義，本文認(rèn)為突發(fā)事件社交媒體風(fēng)險是指在突發(fā)事件發(fā)生的情境下，由外界發(fā)生的突發(fā)事件的具體特征造成的、公眾在社交媒體平臺中面對的多種風(fēng)險的可能。目前社交媒體風(fēng)險研究主要關(guān)注于突發(fā)事件情境下社交媒體風(fēng)險溝通[12-13]、風(fēng)險監(jiān)測及評價[14]、風(fēng)險響應(yīng)體系構(gòu)建[15]等。突發(fā)事件情境下風(fēng)險監(jiān)測與評價關(guān)注突發(fā)事件情境下網(wǎng)絡(luò)輿論的風(fēng)險點識別[16]和風(fēng)險等級評價[17]，多數(shù)采用構(gòu)建風(fēng)險評價指標(biāo)體系實現(xiàn)突發(fā)事件嚴(yán)重性評價，并通過風(fēng)險研判過程實現(xiàn)柔性決策支持[18]。突發(fā)事件情境下風(fēng)險響應(yīng)體系構(gòu)建，側(cè)重于風(fēng)險響應(yīng)及預(yù)警的對策實現(xiàn)，以及風(fēng)險管理體系架構(gòu)設(shè)計[19]等。

目前關(guān)于突發(fā)事件風(fēng)險等級研判及預(yù)測的研究多采用在理論層面進行評價指標(biāo)體系構(gòu)建并進行預(yù)測分析的方法，對過往輿情風(fēng)險案例的學(xué)習(xí)且對風(fēng)險因子間因果關(guān)系的分析研究相對較少。輿情案例庫的知識提供了大量風(fēng)險可能發(fā)生的條件概率。因此，本文通過構(gòu)建社交網(wǎng)絡(luò)輿情案例知識庫對輿情案例進行學(xué)習(xí)，對突發(fā)事件的社交網(wǎng)絡(luò)輿情風(fēng)險進行預(yù)測，并基于預(yù)測結(jié)果給出預(yù)警決策。

2.2 信息生態(tài)理論

信息生態(tài)理論源于張新時院士提出的信息生態(tài)學(xué)概念，他指出，信息生態(tài)學(xué)不僅具有信息科學(xué)的高科技與信息理論的優(yōu)勢，而且繼承和發(fā)展了生態(tài)學(xué)的傳統(tǒng)理論，強調(diào)對人類、生態(tài)系統(tǒng)及生物圈生存有關(guān)問題的綜合分析研究、模擬與預(yù)測[20]。靖繼鵬[21]認(rèn)為，信息生態(tài)理論是利用生態(tài)學(xué)的觀點和方法，研究信息生態(tài)系統(tǒng)的構(gòu)成因子、因子之間相互作用、信息流和能量流的傳遞，以及系統(tǒng)的合理構(gòu)建和優(yōu)化等問題。多數(shù)學(xué)者采用信息生態(tài)理論對網(wǎng)絡(luò)輿情進行分析。例如，利用信息生態(tài)鏈理論構(gòu)建網(wǎng)絡(luò)輿情信息生態(tài)鏈，分析微博輿情傳播結(jié)構(gòu)[22]等；采納信息生態(tài)系統(tǒng)理論構(gòu)建微博輿論生態(tài)系統(tǒng)[23]，并對社交媒體網(wǎng)絡(luò)輿情生態(tài)[24]進行評價等。突發(fā)事件情境下社交媒體網(wǎng)絡(luò)輿情風(fēng)險的發(fā)生原因不是簡單線性或獨立的，而是系統(tǒng)性的和耦合的，需要采納系統(tǒng)學(xué)的理論及觀點對風(fēng)險發(fā)生的驅(qū)動機制進行分析。

本文采用信息生態(tài)系統(tǒng)理論，從信息、信息人、信息環(huán)境及信息技術(shù)四個信息生態(tài)因子出發(fā)，對突發(fā)事件情境下的社交媒體網(wǎng)絡(luò)輿情的風(fēng)險因素進行識別。同時，根據(jù)信息生態(tài)系統(tǒng)理論分析風(fēng)險因素間的因果關(guān)系，并分析風(fēng)險因素的功能和相互作用對整個系統(tǒng)的影響，即確定各風(fēng)險因素對突發(fā)事件社交媒體生態(tài)系統(tǒng)發(fā)生風(fēng)險的影響[25]。

2.3 貝葉斯網(wǎng)絡(luò)理論

貝葉斯網(wǎng)絡(luò)（BN）又稱信度網(wǎng)絡(luò)，是貝葉斯方法的擴展，是實現(xiàn)不確定知識的表達和知識間關(guān)系推理的有效模型之一，可以對各種因素之間的不確定性和復(fù)雜關(guān)系進行建模[26]。貝葉斯網(wǎng)絡(luò)是有向無環(huán)圖，主要包括網(wǎng)絡(luò)拓撲和條件概率表兩個部分。網(wǎng)絡(luò)拓撲是貝葉斯模型的定性描述，網(wǎng)絡(luò)拓撲中的每個節(jié)點代表一個隨機變量。節(jié)點通過有向弧連接，從而形成變量之間的依賴關(guān)系。條件概率表示變量之間的關(guān)系，子節(jié)點與其父節(jié)點之間的關(guān)系表示為有向邊并捕獲為條件概率表[27]。根節(jié)點即目標(biāo)變量節(jié)點的概率為先驗概率，其他節(jié)點（根節(jié)點除外）的概率稱為條件概率表，用于表達子節(jié)點與父節(jié)點變量之間的關(guān)系和交互強度，描述模型的量化信息。先驗概率和條件概率表是BN計算的基礎(chǔ)。

與聚類、決策樹和神經(jīng)元網(wǎng)絡(luò)等其他機器學(xué)習(xí)方法相比，貝葉斯網(wǎng)絡(luò)的樣本量或數(shù)據(jù)集即使很小，也具有良好的預(yù)測準(zhǔn)確性。同時，可以處理系統(tǒng)中結(jié)構(gòu)或參數(shù)的知識和不確定性之間的關(guān)系，能夠從過往數(shù)據(jù)中學(xué)習(xí)結(jié)構(gòu)以及系統(tǒng)的參數(shù)，還可以結(jié)合專家知識和前序分析形成舊知識和新數(shù)據(jù)的整合。貝葉斯網(wǎng)絡(luò)模型可以有效預(yù)測突發(fā)事件情境下社交媒體網(wǎng)絡(luò)輿情風(fēng)險發(fā)生的可能性并分析其變量間的因果關(guān)系，其預(yù)測結(jié)果可以幫助突發(fā)事件應(yīng)急管理機構(gòu)更好地分配應(yīng)急力量及響應(yīng)對策[28]。

3 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險識別及預(yù)警模型

3.1 基于知識圖譜實現(xiàn)突發(fā)事件社交網(wǎng)絡(luò)輿情風(fēng)險知識獲取

本文采用知識圖譜的構(gòu)建方法實現(xiàn)社交網(wǎng)絡(luò)輿情風(fēng)險的知識獲取。知識圖譜是描述現(xiàn)實世界中概念、常識及其關(guān)系的結(jié)構(gòu)化語義知識庫，其基本組成單元是＜實體，關(guān)系，實體＞三元組和＜實體，屬性，屬性值＞三元組。與傳統(tǒng)知識庫相比，知識圖譜可以完成語義推理任務(wù)，通過存儲豐富的實例信息對數(shù)據(jù)之間的聯(lián)系進行關(guān)系展示，并實現(xiàn)實例數(shù)據(jù)間的關(guān)系路徑發(fā)現(xiàn)及因果推理過程[29]。本文參考以往知識圖譜構(gòu)建方法采集突發(fā)事件社交媒體輿情的要素信息，完成知識收集、知識抽取和知識存儲與檢索三個環(huán)節(jié)的知識收集過程。

本文通過構(gòu)建突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識圖譜得到突發(fā)事件輿情風(fēng)險案例庫。將輿情案例以知識圖譜的形式存儲，采用合并、匹配及關(guān)聯(lián)查詢等功能對典型輿情風(fēng)險案例進行圖檢索和查詢，為后續(xù)風(fēng)險知識的分析和發(fā)現(xiàn)提供支撐。本文在采納知識圖譜構(gòu)建的基礎(chǔ)上，整合輿情案例的多種數(shù)據(jù)來源，學(xué)習(xí)輿情案例的知識，進行風(fēng)險知識實體發(fā)現(xiàn)，更加側(cè)重于捕捉導(dǎo)致風(fēng)險發(fā)生的關(guān)鍵因素，并發(fā)現(xiàn)風(fēng)險要素之間的關(guān)聯(lián)路徑及因果關(guān)系。突發(fā)事件輿情風(fēng)險案例庫的構(gòu)建，一方面通過知識圖譜展示過往突發(fā)事件輿情風(fēng)險案例的全貌，另一方面通過知識關(guān)聯(lián)發(fā)現(xiàn)風(fēng)險因素并提供風(fēng)險因素路徑關(guān)系的實例支撐。同時，還提供后續(xù)風(fēng)險識別及預(yù)測的事件查詢及案例知識庫的存儲，幫助風(fēng)險識別模型進行實時更新和數(shù)據(jù)維護，從而提升風(fēng)險識別模型的精度。突發(fā)事件下社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識圖譜構(gòu)建模式層和數(shù)據(jù)層如圖1所示，包含的實體間關(guān)系如表1所示。

表1 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險案例庫知識圖譜中的實體及實體間關(guān)系

圖1 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識圖譜構(gòu)建模式層和數(shù)據(jù)層

3.2 基于ISM識別突發(fā)事件社交網(wǎng)絡(luò)輿情風(fēng)險因素

本文基于解釋結(jié)構(gòu)模型（interpretative structural modeling，ISM）識別社交網(wǎng)絡(luò)輿情風(fēng)險因素之間的關(guān)系，實現(xiàn)突發(fā)事件社交網(wǎng)絡(luò)輿情知識分析；基于突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險案例庫知識圖譜構(gòu)建得到風(fēng)險要素之間的關(guān)系。由于直接構(gòu)建貝葉斯網(wǎng)絡(luò)拓撲并不客觀，采納ISM方法可以得到客觀的層次結(jié)構(gòu)圖并調(diào)整為貝葉斯網(wǎng)絡(luò)拓撲。因此，在知識圖譜的基礎(chǔ)上，本文采納ISM進一步對驅(qū)動風(fēng)險發(fā)生的要素之間因果關(guān)系及有向路徑進行確定。ISM方法把待分析的系統(tǒng)，通過梳理拆分成各種因素，然后分析因素以及因素之間的直接二元關(guān)系，并把這種概念模型映射成有向圖。通過布爾邏輯運算揭示系統(tǒng)的結(jié)構(gòu)，并在不損失系統(tǒng)整體功能前提下，以最簡的層次化有向拓撲圖的方式展示系統(tǒng)結(jié)構(gòu)及因素之間的關(guān)系。

本文根據(jù)信息生態(tài)理論并結(jié)合構(gòu)建的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情知識圖譜，定義突發(fā)事件社交媒體系統(tǒng)的風(fēng)險因素。本文認(rèn)為，突發(fā)事件社交媒體網(wǎng)絡(luò)輿情存在四類風(fēng)險因素，包括信息風(fēng)險、信息人風(fēng)險、信息環(huán)境風(fēng)險和信息技術(shù)風(fēng)險。本文用ui表示風(fēng)險因素的每i個子指標(biāo)，四類風(fēng)險因素及包含的具體子指標(biāo)下的影響因素如表2所示。經(jīng)過專家對風(fēng)險因素相互關(guān)聯(lián)的判斷獲得因素間的映射路徑并確定風(fēng)險因素和子指標(biāo)后，通過建立關(guān)系矩陣、建立可達矩陣及將可達矩陣分級三個步驟得到突發(fā)事件社交媒體風(fēng)險因素層次結(jié)構(gòu)與有向路徑（具體構(gòu)建公式略）。根據(jù)可達矩陣的不同層次，利用節(jié)點和弧形成子指標(biāo)的有向因果圖。有向因果圖旨在描述子指標(biāo)的水平相互依存關(guān)系以及子指標(biāo)在兩個相鄰層次之間的垂直影響。ISM得到的有向因果圖，顯示了所有子指標(biāo)的可視連接以及它們之間的互連，即確定了風(fēng)險要素之間的層次結(jié)構(gòu)和要素之間的因果關(guān)系。

表2 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險因素

3.3 基于BN方法進行突發(fā)事件社交網(wǎng)絡(luò)輿情風(fēng)險預(yù)警分析

本文構(gòu)建貝葉斯網(wǎng)絡(luò)模型進行社交網(wǎng)絡(luò)輿情風(fēng)險預(yù)測進而實現(xiàn)風(fēng)險預(yù)警。通過突發(fā)事件社交媒體案例知識圖譜的構(gòu)建得到導(dǎo)致突發(fā)事件風(fēng)險發(fā)生的因素，通過ISM方法得到風(fēng)險因素間的有向路徑及層次結(jié)構(gòu)圖。經(jīng)過上述兩個過程，可以調(diào)整貝葉斯網(wǎng)絡(luò)拓撲并進行風(fēng)險預(yù)警。突發(fā)事件社交媒體案例知識圖譜，經(jīng)過風(fēng)險要素的補充過程與構(gòu)建的貝葉斯網(wǎng)絡(luò)一一對應(yīng)，將知識圖譜的案例庫知識傳入貝葉斯網(wǎng)絡(luò)，從而進行風(fēng)險預(yù)警。使用貝葉斯網(wǎng)絡(luò)進行突發(fā)事件社交網(wǎng)絡(luò)輿情的風(fēng)險分析及預(yù)警，需要訓(xùn)練貝葉斯預(yù)測模型及使用貝葉斯模型進行預(yù)警。關(guān)于貝葉斯預(yù)警模型的訓(xùn)練，首先，輸入知識圖譜中大量案例相關(guān)知識進行參數(shù)學(xué)習(xí)，確定貝葉斯網(wǎng)絡(luò)的條件概率表及先驗概率；其次，通過樣本集與測試集的交叉驗證過程，確定構(gòu)建的預(yù)測模型有效性；最后，進入使用貝葉斯模型進行預(yù)警環(huán)節(jié)，通過輸入待預(yù)測案例的相關(guān)知識，得到貝葉斯網(wǎng)絡(luò)的預(yù)測結(jié)果。對結(jié)果為高風(fēng)險的事件進行預(yù)警，從而實現(xiàn)完整的突發(fā)事件社交網(wǎng)絡(luò)輿情風(fēng)險預(yù)警過程。

3.4 ISM-BN模型

經(jīng)過上述步驟，本文構(gòu)建了基于ISM-BN的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險識別及預(yù)警模型，如圖2所示。模型實現(xiàn)了對突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險的知識獲取、知識分析及風(fēng)險預(yù)警三個步驟的全流程閉環(huán)，保障風(fēng)險識別過程的精準(zhǔn)與客觀。模型主要分為三大模塊，在知識獲取模塊，采納突發(fā)事件社交媒體網(wǎng)絡(luò)輿情的風(fēng)險知識庫對風(fēng)險案例進行可視化，同時存儲風(fēng)險案例知識及風(fēng)險因素；在知識分析模塊，通過解釋結(jié)構(gòu)模型對風(fēng)險因素之間的因果關(guān)系與層級結(jié)構(gòu)進行分析，確定風(fēng)險要素之間的驅(qū)動關(guān)系；在決策支持模塊，建立貝葉斯網(wǎng)絡(luò)用于突發(fā)事件社交媒體的風(fēng)險結(jié)果預(yù)警及分析。與以往風(fēng)險監(jiān)測模型[35-36]相比，模型構(gòu)建的風(fēng)險案例庫知識獲取環(huán)節(jié)，在后續(xù)模型的使用過程中可以對社交網(wǎng)絡(luò)輿情的風(fēng)險案例進行持續(xù)更新和補充，進一步提升模型的準(zhǔn)確率及精度。模型使用的解釋結(jié)構(gòu)方程模型ISM及貝葉斯網(wǎng)絡(luò)（BN），是確定風(fēng)險因素之間耦合和相互作用路徑的關(guān)鍵，也是確定突發(fā)事件社交媒體風(fēng)險系統(tǒng)中信息、信息人、信息環(huán)境及信息技術(shù)耦合時對風(fēng)險發(fā)生的作用的關(guān)鍵。經(jīng)過上述ISM-BN模型風(fēng)險識別及預(yù)警的過程可以有效識別輿情風(fēng)險，同時保障了風(fēng)險識別模型的精度完善功能。

4 實證研究

4.1 數(shù)據(jù)來源及平臺選擇

本文通過網(wǎng)絡(luò)爬蟲代碼及手工抓取兩種方式收集微博及短視頻平臺的相關(guān)輿情案例數(shù)據(jù)，共收集到29條數(shù)據(jù)作為突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險識別與預(yù)警模型訓(xùn)練的樣本案例，通過訓(xùn)練并計算貝葉斯網(wǎng)絡(luò)的條件概率。本文選取“河南7·20暴雨”事件作為具體的實證案例進行突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識圖譜輿情事件案例庫構(gòu)建，并實現(xiàn)突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險識別及預(yù)警過程。“河南7·20暴雨”社交網(wǎng)絡(luò)輿情是典型的自然災(zāi)害類輿情事件，突發(fā)程度高且事件持續(xù)時間較久，波及范圍較廣，是突發(fā)事件中社交媒體網(wǎng)絡(luò)輿情的典型代表，在我國的微博及短視頻平臺上引起了廣泛關(guān)注[42]。

本文分別采集了微博及抖音平臺中該輿情事件的全生命周期話題數(shù)據(jù)，時間為2021年7月20日至2021年7月30日，同時構(gòu)建輿情分析語料庫。采集內(nèi)容包括視頻發(fā)布文本內(nèi)容，視頻轉(zhuǎn)評贊數(shù)據(jù)，視頻發(fā)布用戶名，發(fā)布用戶獲贊、關(guān)注與粉絲數(shù)量，用戶地址，發(fā)布時間，視頻評論文本內(nèi)容、評論時間、評論用戶名、評論用戶地址，以及評論用戶的獲贊、關(guān)注與粉絲數(shù)量。經(jīng)過數(shù)據(jù)清洗及無效數(shù)據(jù)清除等步驟，最終從微博平臺獲取了總計163687條原創(chuàng)、轉(zhuǎn)發(fā)及評論有效數(shù)據(jù)，抖音平臺獲取了總計132634條原創(chuàng)及評論有效數(shù)據(jù)。手工抓取了該社交網(wǎng)絡(luò)輿情事件百度搜索指數(shù)、事件持續(xù)時長等無法批量獲取的數(shù)據(jù)。輿情事件風(fēng)險因素數(shù)據(jù)的收集方法及量化指標(biāo)如表3所示。

4.2 河南暴雨網(wǎng)絡(luò)輿情的風(fēng)險知識圖譜構(gòu)建

研究采用開源知識圖譜工具Neo4j構(gòu)建突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識圖譜，并構(gòu)建突發(fā)事件案例知識庫，構(gòu)建結(jié)果如圖3所示。圖3a展示了突發(fā)事件案例知識庫中自然災(zāi)害、公共衛(wèi)生、核電和緊急事件以及社會安全四個類別下存儲的突發(fā)事件知識圖譜實例，展現(xiàn)了突發(fā)事件社交網(wǎng)絡(luò)輿情知識圖譜中事件和事件類別之間的關(guān)系。本文選取“河南暴雨”突發(fā)事件進行突發(fā)事件社交媒體網(wǎng)絡(luò)輿情知識圖譜的實例展示。在查詢節(jié)點數(shù)量有限的基礎(chǔ)上，以事件中“人民日報”用戶節(jié)點進行路徑查詢，展示局部的突發(fā)事件下社交網(wǎng)絡(luò)輿情風(fēng)險知識圖譜，如圖3b所示?！昂幽?·20暴雨”突發(fā)事件下的風(fēng)險知識圖譜，清晰展現(xiàn)了河南暴雨事件發(fā)生過程中與事件存在關(guān)系路徑的相關(guān)實體，包括該輿情事件的發(fā)布人、發(fā)布時間、信息發(fā)布結(jié)構(gòu)、事件種類、事件高頻詞和輿情事件的空間信息等，同時也展示了事件發(fā)生過程中的實體之間的關(guān)聯(lián)關(guān)系及最短路徑。根據(jù)案例事件風(fēng)險知識圖譜可以初步確定導(dǎo)致突發(fā)事件輿情風(fēng)險發(fā)生的重點要素分別為用戶要素、事件要素、地理位置要素、信息要素等，為風(fēng)險要素的識別及風(fēng)險要素之間的因果關(guān)系確定提供了實例支撐。

圖3 抖音平臺“河南7·20暴雨”事件網(wǎng)絡(luò)輿情風(fēng)險知識庫

圖3構(gòu)建的知識圖譜涵蓋了社交網(wǎng)絡(luò)輿情事件中的關(guān)鍵節(jié)點發(fā)現(xiàn)和社區(qū)發(fā)現(xiàn)，同時突出了知識圖譜風(fēng)險要素之間的知識關(guān)聯(lián)分析。在知識圖譜單層和多層關(guān)聯(lián)分析中，圖4展現(xiàn)了知識圖譜輿情事件關(guān)聯(lián)分析的結(jié)果。其中，圖4a展現(xiàn)了“事件之間語義”的單層關(guān)聯(lián)，確定了河南暴雨輿情事件的高頻關(guān)鍵詞語義網(wǎng)絡(luò)，整體輿論內(nèi)容以“河南加油”“平安保佑”“河南難關(guān)”等正面觀點為主。圖4b和圖4c展示了“事件-人物-時間”及“事件-人物-信息結(jié)構(gòu)”實體關(guān)聯(lián)的查詢結(jié)果。圖4d展示了“事件-時間-空間-人物”實體關(guān)聯(lián)的查詢結(jié)果。分析結(jié)果顯示，7月20及7月21日中該輿情事件的信息發(fā)布人空間位置集中在廣州、上海、臺州和蘇州等地點。

圖4 突發(fā)事件風(fēng)險知識圖譜關(guān)聯(lián)查詢圖示

4.3 河南暴雨網(wǎng)絡(luò)輿情的風(fēng)險因素關(guān)系識別

在確定了風(fēng)險因素的基礎(chǔ)上，結(jié)合文獻[43]采用6位專家評分的方式得到該突發(fā)事件下社交網(wǎng)絡(luò)輿情的風(fēng)險因素關(guān)系矩陣，如表4所示。根據(jù)關(guān)系矩陣表計算可達性矩陣，并將可達性矩陣劃分為不同層級，最后得到突發(fā)事件下社交媒體網(wǎng)絡(luò)輿情的風(fēng)險因素之間因果路徑及層級關(guān)系，并構(gòu)建風(fēng)險因素之間的有向路徑拓撲圖，如圖5所示。

表4 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險因素關(guān)系矩陣表

圖5顯示了基于ISM方法的因素分層結(jié)果。突發(fā)事件下社交媒體網(wǎng)絡(luò)輿情的風(fēng)險因素，根據(jù)其對輿情風(fēng)險發(fā)生的直接或者間接驅(qū)動關(guān)系可劃分為四個層級（L1～L4）。其中，直接導(dǎo)致輿情風(fēng)險是否發(fā)生的要素層級是L1，即最直接要素層級，包含用戶參與度（u7）、用戶風(fēng)險感知（u10）、事件突發(fā)程度（u11）、突發(fā)事件熱度（u12）、突發(fā)事件持續(xù)時長（u13）、官方機構(gòu)干預(yù)程度（u14）及社交平臺響應(yīng)對策（u15）。這些要素之間對于風(fēng)險發(fā)生的驅(qū)動關(guān)系是并列作用的。L1層級要素成為突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險是否發(fā)生的根節(jié)點，受L2、L3、L4層級要素的影響后，直接作用于風(fēng)險是否發(fā)生的結(jié)果。

圖5 基于ISM的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險有向圖

L2層級和L3層級為中間要素層級，對風(fēng)險發(fā)生的結(jié)果具有調(diào)節(jié)作用。L1層級逐個要素的狀態(tài)受到L2層級要素的直接調(diào)控，例如，用戶參與度（u7）受突發(fā)事件信息情感負面程度（u3）、信息真實性（u4）、信息危害性（u5）要素的直接影響，用戶風(fēng)險感知（u10）受信息情感負面程度（u3）、信息真實性（u4）、信息危害性（u5）、用戶級別（u8）及用戶數(shù)據(jù)素養(yǎng)（u9）的直接影響，以及突發(fā)事件熱度（u12）受到L2層級全部要素的調(diào)控等。

L2層級的部分要素的狀態(tài)受到L3層級要素的直接調(diào)控。例如，信息情感負面程度（u3）受到用戶類型（u6）、社交媒體平臺的信息監(jiān)測技術(shù)（u17）及信息審核技術(shù)（u19）的直接影響，平臺突發(fā)事件監(jiān)管體系的全面性（u16）受到平臺信息監(jiān)測技術(shù)（u17）、信息安全技術(shù)（u18）及基礎(chǔ)設(shè)施建設(shè)技術(shù)（u20）的直接影響。L4層級為最根本要素層級，僅包含信息內(nèi)容（u2）一個要素，即影響突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險發(fā)生的最根本要素為信息內(nèi)容本身，L4層級直接調(diào)節(jié)L3層級的要素狀態(tài)，并通過L3層級及L2層級對L1層級要素實現(xiàn)間接調(diào)節(jié)作用。

4.4 貝葉斯網(wǎng)絡(luò)構(gòu)建及事件預(yù)測

本文采納ISM分析得到的因果路徑及層級結(jié)果構(gòu)建貝葉斯網(wǎng)絡(luò)模型。ISM分析得到的有向拓撲結(jié)構(gòu)較為復(fù)雜，其中一些子指標(biāo)之間存在循環(huán)連接。去除網(wǎng)絡(luò)中的冗余鏈接并刪除圓弧鏈接，修剪后得到最終的貝葉斯網(wǎng)絡(luò)（BN）預(yù)測模型，如圖6所示。

圖6 貝葉斯網(wǎng)絡(luò)（BN）預(yù)測模型（彩圖請見http://qbxb.istic.ac.cn/）

得到貝葉斯網(wǎng)絡(luò)模型后，需要輸入突發(fā)事件案例數(shù)據(jù)供貝葉斯網(wǎng)絡(luò)模型進行學(xué)習(xí)，以得到條件概率表及先驗概率。從突發(fā)事件的特征[44]出發(fā)，參考知微事見平臺[42]及百度指數(shù)的輿情指數(shù)的數(shù)據(jù)后，共選取了具有強烈代表性的16個輿情事件作為突發(fā)事件案例。分別采集16個突發(fā)事件在微博及抖音兩個平臺的輿情數(shù)據(jù)供貝葉斯網(wǎng)絡(luò)模型進行學(xué)習(xí)，包括微博平臺數(shù)據(jù)16條及對應(yīng)的短視頻平臺數(shù)據(jù)13條。

本文使用案例庫數(shù)據(jù)進行學(xué)習(xí)并驗證。為客觀評價并細化輿情事件風(fēng)險的級別[28]，將預(yù)警結(jié)果劃分為低風(fēng)險、中風(fēng)險及高風(fēng)險，并進行事件輿情風(fēng)險等級的預(yù)測。為保證模型的精度并保證數(shù)據(jù)驗證過程具有可重復(fù)性[41]，本文將案例數(shù)據(jù)劃分為25條訓(xùn)練數(shù)據(jù)和4條測試數(shù)據(jù)，進行6次交叉驗證。第一次驗證選取事件1～事件4作為測試集，其他樣本作為訓(xùn)練集；第二次驗證選取事件5～事件8作為測試集，其他樣本作為訓(xùn)練集，以此類推進行仿真驗證。

本文以GeNIe軟件的K2算法作為推理算法，得到條件概率表。由于篇幅原因，僅列出6次驗證結(jié)果的部分對比數(shù)據(jù)，如表5所示。經(jīng)過6次交叉驗證后，有2個事件的測試結(jié)果和實際結(jié)果不一致，如事件6，低風(fēng)險（low）、中風(fēng)險（medium）及高風(fēng)險（high）的概率均為33%，由于概率非常接近導(dǎo)致了結(jié)果錯誤，事件15也是同樣的原因。針對這樣的誤差，可以通過進一步細化風(fēng)險分類等級來優(yōu)化模型準(zhǔn)確率。總體上，構(gòu)建的風(fēng)險預(yù)測模型的預(yù)測準(zhǔn)確率為93.10%，與未采納ISM方法構(gòu)建的風(fēng)險預(yù)警模型的研究[31,37]相比，準(zhǔn)確率的精度有所提升。

表5 部分仿真交叉驗證對比數(shù)據(jù)

采用河南暴雨事件的抖音平臺數(shù)據(jù)及微博數(shù)據(jù)進行實例驗證，結(jié)果如表6所示。驗證結(jié)果與實際結(jié)果一致，證明本文構(gòu)建的貝葉斯網(wǎng)絡(luò)模型在社交媒體網(wǎng)絡(luò)輿情風(fēng)險的預(yù)警應(yīng)用中是可靠的。

表6 河南暴雨事件指標(biāo)數(shù)據(jù)和預(yù)測結(jié)果

5 討論

5.1 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識庫

突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識圖譜的構(gòu)建，可以幫助輿情管理機構(gòu)進行輿情事件事態(tài)發(fā)展的追蹤并為風(fēng)險識別提供知識庫[45]。本文提出的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險預(yù)警模型，通過知識圖譜構(gòu)建獲取社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識并進行存儲。一方面，風(fēng)險識別知識庫可為后續(xù)社交網(wǎng)絡(luò)輿情風(fēng)險因素的識別提供支撐；另一方面，采用圖挖掘技術(shù)和語義匹配方式構(gòu)建突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險識別知識庫，包含全部實體要素及實體要素間的關(guān)聯(lián)關(guān)系，便于突發(fā)事件社交網(wǎng)絡(luò)輿情全景態(tài)勢的把控和輿情風(fēng)險敏感節(jié)點的洞察。同時，與貝葉斯網(wǎng)絡(luò)形成從知識獲取到風(fēng)險預(yù)警的完整閉環(huán)，實現(xiàn)社交網(wǎng)絡(luò)輿情風(fēng)險態(tài)勢層級的研判以及異常輿情風(fēng)險點的發(fā)現(xiàn)[46]。構(gòu)建的多層和多維突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險識別知識庫，提供了實體關(guān)聯(lián)查詢功能，可實現(xiàn)事件的知識發(fā)現(xiàn)，并從時間維、空間維、語義維和用戶維對知識進行單維度的輿情事件關(guān)聯(lián)分析，以及對事件發(fā)展過程態(tài)勢的切片式追蹤?；谥R圖譜構(gòu)建的風(fēng)險識別知識庫，還可從關(guān)聯(lián)關(guān)系角度進行單層和多層輿情事件關(guān)系分析，從而全面立體地展示突發(fā)事件發(fā)生時的輿論多維面貌及具體行動路徑[25]。

5.2 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險因果關(guān)系

突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險因素之間的關(guān)系具有一定因果關(guān)系。突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險存在的因果關(guān)系，說明了突發(fā)事件下社交媒體網(wǎng)絡(luò)輿情風(fēng)險發(fā)生的過程是一個系統(tǒng)性過程。從實證數(shù)據(jù)分析的結(jié)果來看，信息人、信息、信息環(huán)境及信息技術(shù)四種風(fēng)險類別中，信息環(huán)境的風(fēng)險是影響社交媒體網(wǎng)絡(luò)輿情發(fā)生的最直接風(fēng)險因素，同時信息本身的風(fēng)險是影響社交媒體網(wǎng)絡(luò)輿情風(fēng)險發(fā)生的最底層因素。突發(fā)事件中社交媒體網(wǎng)絡(luò)輿情的風(fēng)險因素存在的因果關(guān)系路徑，為相關(guān)機構(gòu)提供了社交媒體網(wǎng)絡(luò)輿情風(fēng)險規(guī)避的溯源方法。社交媒體發(fā)生網(wǎng)絡(luò)輿情風(fēng)險時，風(fēng)險規(guī)避的根本是追溯輿情風(fēng)險發(fā)生時的輿情事件源頭，并關(guān)注不同社交媒體平臺的敏感信息識別，以及通過采納多模態(tài)信息融合技術(shù)手段[47]對不同信息結(jié)構(gòu)的內(nèi)容進行整合，從而實現(xiàn)智能情報挖掘和情感監(jiān)測。同時，進一步實現(xiàn)敏感人群監(jiān)測等[48]，實現(xiàn)科學(xué)輿情監(jiān)測向智能輿情監(jiān)測的轉(zhuǎn)變。輿情監(jiān)管機構(gòu)要重視如何利用多模態(tài)信息間深層次的因果關(guān)聯(lián)進行信息的深度挖掘，從而有效發(fā)現(xiàn)突發(fā)事件的嚴(yán)重程度、宏觀態(tài)勢和驅(qū)動因素等事件的隱藏信息，揭示社交媒體信息與事件態(tài)勢之間的關(guān)聯(lián)關(guān)系及映射機制，為突發(fā)事件下的社交網(wǎng)絡(luò)輿情應(yīng)急管理提供更加可靠的決策支持[49]。

5.3 風(fēng)險識別及預(yù)警模型對輿情風(fēng)險預(yù)警的作用

本文提出的基于ISM-BN突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險識別及預(yù)警模型，可以有效實現(xiàn)突發(fā)事件下的社交網(wǎng)絡(luò)輿情風(fēng)險分析及預(yù)警的聯(lián)動功能。社交媒體網(wǎng)絡(luò)空間自身具有信息的生態(tài)性，網(wǎng)絡(luò)輿情研判與預(yù)警主要任務(wù)就是基于知識進行風(fēng)險感知，預(yù)判網(wǎng)絡(luò)空間生態(tài)環(huán)境的不穩(wěn)定因素。因此，結(jié)合信息生態(tài)視角構(gòu)建的社交網(wǎng)絡(luò)輿情風(fēng)險識別因素，對突發(fā)事件社交媒體網(wǎng)絡(luò)輿情的事件傳播進行全要素的多維分析，進而對輿情事件的態(tài)勢進行評估，并對存在的輿情風(fēng)險進行預(yù)警，從而全面強化突發(fā)事件下社交網(wǎng)絡(luò)輿情風(fēng)險的警覺性、敏感度和鑒別力[16]。通過知識圖譜進行實體要素之間的情景展示，結(jié)合ISM-BN模型進行風(fēng)險預(yù)警，實現(xiàn)了社交網(wǎng)絡(luò)輿情風(fēng)險評估結(jié)果對相關(guān)機構(gòu)決策過程的支持[50]。模型預(yù)警的結(jié)果及事例知識，反過來將繼續(xù)存儲于社交網(wǎng)絡(luò)輿情風(fēng)險預(yù)警的知識庫，并進一步形成新的輿情案例知識。這一過程加速形成了要素齊全的突發(fā)事件網(wǎng)絡(luò)輿情案例的情報感知訓(xùn)練集，完成了突發(fā)事件風(fēng)險知識庫的迭代和更新，為下一次的突發(fā)事件社交網(wǎng)絡(luò)輿情的風(fēng)險預(yù)警提供了先驗知識[51]。同時，基于ISM-BN模型構(gòu)建的知識圖譜可以快速識別輿情風(fēng)險因素節(jié)點，當(dāng)輿情監(jiān)管機構(gòu)得知特定節(jié)點存在高風(fēng)險時，直接以節(jié)點為中心通過知識圖中的路徑快速獲取前序案例中的資源部署配置方式[52]，可以實現(xiàn)輿情預(yù)警的快速部署和輿情疏導(dǎo)，從而實現(xiàn)“知識獲取-知識分析-風(fēng)險預(yù)警”的邏輯分析閉環(huán)，實現(xiàn)突發(fā)事件社交媒體網(wǎng)絡(luò)輿情監(jiān)測向突發(fā)事件輿情態(tài)勢感知的轉(zhuǎn)變，提高輿情風(fēng)險的“發(fā)現(xiàn)力”，強化跨輿論場多維量化分析的“計算力”，實現(xiàn)突發(fā)事件輿情整體態(tài)勢的“感知力”。

6 研究結(jié)論

本文在理論層面上，構(gòu)建基于ISM-BN的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險識別及預(yù)警模型。通過構(gòu)建突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險知識圖譜形成突發(fā)事件案例庫，基于信息生態(tài)理論進行社交網(wǎng)絡(luò)輿情風(fēng)險因素識別，基于ISM方法進行突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險要素之間的因果路徑及層級關(guān)系分析；通過ISM得到的有向路徑拓撲圖，經(jīng)過修剪獲得貝葉斯網(wǎng)絡(luò)模型，實現(xiàn)突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險預(yù)警。本文為突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險研判及預(yù)警提供了新的理論視角及研究方法。

在實踐貢獻方面，本文提出的風(fēng)險識別及預(yù)警模型可為相關(guān)機構(gòu)進行突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險研判提供具體的手段及路徑。同時可根據(jù)本文提出的模型，創(chuàng)新完善突發(fā)事件風(fēng)險研判及應(yīng)急管理態(tài)勢感知體系，實現(xiàn)突發(fā)事件情境下社交媒體網(wǎng)絡(luò)輿情風(fēng)險的有效識別。研究結(jié)果表明，基于知識圖譜構(gòu)建的風(fēng)險識別知識庫，可從關(guān)聯(lián)關(guān)系角度進行單層和雙層輿情事件關(guān)系分析，從而全面立體地展示突發(fā)事件發(fā)生時的多維面貌及具體輿情傳播路徑。同時，突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險因素之間的關(guān)系具有一定因果關(guān)系，可幫助輿情監(jiān)管機構(gòu)進行輿情信息間深層次的因果關(guān)聯(lián)挖掘。構(gòu)建的基于ISM-BN風(fēng)險識別及預(yù)警模型，可幫助有效實現(xiàn)突發(fā)事件下的社交網(wǎng)絡(luò)輿情風(fēng)險分析及預(yù)警的聯(lián)動功能。

本文也存在一定的局限性。出于數(shù)據(jù)特征的需求及案例知識庫構(gòu)建的復(fù)雜難度，本次案例收集的數(shù)據(jù)集較少，將在未來的研究中逐漸擴充案例的數(shù)據(jù)集，進行案例知識庫實時更新和進一步的豐富，并將創(chuàng)新不同的風(fēng)險監(jiān)測方法對風(fēng)險預(yù)警的結(jié)果做進一步對比，以便更加確定本文模型的有效性。