融合事理知識(shí)圖譜與網(wǎng)絡(luò)輿情分析的突發(fā)事件情報(bào)支持路徑及實(shí)證研究
——以?；肥鹿蕿槔?/h1>
2023-08-18 01:14:28張?jiān)姮?/span>
信息資源管理學(xué)報(bào) 2023年4期
張?jiān)姮?李 陽(yáng)
(南京大學(xué)信息管理學(xué)院,南京,210023)
1 引言
情報(bào)是突發(fā)事件應(yīng)急決策的關(guān)鍵,應(yīng)急決策主體所依賴的關(guān)鍵情報(bào)信息不僅僅包括經(jīng)過(guò)加工處理的實(shí)時(shí)事件推送信息,過(guò)往的同類和相似事件所提供的處置方案、知識(shí)和經(jīng)驗(yàn)也是突發(fā)事件情報(bào)支持路徑的關(guān)鍵一環(huán)。因此,目前很多研究致力于從基礎(chǔ)情報(bào)資源、知識(shí)驅(qū)動(dòng)視角探討突發(fā)事件知識(shí)庫(kù)構(gòu)建[1],以支持復(fù)雜情境下應(yīng)急決策的快速響應(yīng)。這種從已知到未知的突發(fā)事件情報(bào)支持路徑具有很強(qiáng)的實(shí)踐意義,但在現(xiàn)代環(huán)境下,該路徑存在以下不足:第一,突發(fā)事件的知識(shí)庫(kù)構(gòu)建特別考驗(yàn)專有領(lǐng)域的特殊性,一旦知識(shí)庫(kù)過(guò)于寬泛,場(chǎng)景過(guò)于粗糙,過(guò)往事件的情報(bào)就失去了針對(duì)性的參考價(jià)值;第二,突發(fā)事件知識(shí)庫(kù)構(gòu)建多以“知識(shí)”為核心命門,以靜態(tài)化知識(shí)圖譜為主要表征,對(duì)“事件”關(guān)注不夠,也就無(wú)法根據(jù)事件邏輯關(guān)系進(jìn)行深度動(dòng)態(tài)化的推理推演等情報(bào)服務(wù)工作;第三,過(guò)往突發(fā)事件知識(shí)庫(kù)等探索多拘泥于業(yè)務(wù)空間的事件信息抽取、關(guān)聯(lián)與可視化呈現(xiàn),鮮有融合網(wǎng)絡(luò)空間相關(guān)問(wèn)題,不利于決策者從全局角度把控突發(fā)事件演化規(guī)律以及對(duì)發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)。在社交媒體廣泛應(yīng)用、開(kāi)源情報(bào)以及大眾情報(bào)興起的環(huán)境下,與業(yè)務(wù)空間平行的網(wǎng)絡(luò)空間也正成為突發(fā)事件應(yīng)對(duì)處置的重要模塊。
綜合以上,本文認(rèn)為,面向突發(fā)事件的情報(bào)支持路徑應(yīng)在專題性的事件類之下,綜合考慮事件的知識(shí)維和事理維,同時(shí)融合業(yè)務(wù)空間和網(wǎng)絡(luò)空間的情報(bào)刻畫(huà)和反應(yīng)。近年來(lái),在數(shù)智賦能、因果革命等技術(shù)的推動(dòng)下,事理圖譜的興起為邏輯推理層面的情報(bào)支持奠定了良好基礎(chǔ);同時(shí),社交媒體平臺(tái)數(shù)據(jù)的易獲取性使得情報(bào)研究可以更好把控網(wǎng)絡(luò)空間中的群眾反應(yīng)。鑒于此,本文致力于構(gòu)建一個(gè)具有推廣意義的突發(fā)事件情報(bào)支持路徑框架,綜合利用事理知識(shí)圖譜、網(wǎng)絡(luò)輿情分析等相關(guān)理論方法,以危化品事故這一專有領(lǐng)域的突發(fā)事件為場(chǎng)景實(shí)證對(duì)象,探索這一情報(bào)支持路徑的可行性和有效性。
2 相關(guān)研究綜述
2.1 事理知識(shí)圖譜相關(guān)研究
知識(shí)圖譜自2012年Google公司提出以來(lái),國(guó)內(nèi)外學(xué)者主要圍繞著知識(shí)圖譜構(gòu)建的關(guān)鍵技術(shù)和應(yīng)用開(kāi)展研究。在關(guān)鍵技術(shù)方面,學(xué)者們的研究方向包括知識(shí)抽取與組織[2]、知識(shí)融合[3]、知識(shí)推理[4-5]等;在應(yīng)用方面,現(xiàn)有的成果包括金融股權(quán)知識(shí)圖譜、醫(yī)療問(wèn)診知識(shí)圖譜等。事理圖譜從知識(shí)圖譜演變而來(lái),是描述事件演化模式的有向有環(huán)圖,節(jié)點(diǎn)代表事件,有向邊代表事件之間的邏輯關(guān)系[6]。自2017年國(guó)內(nèi)哈工大社會(huì)計(jì)算與信息檢索實(shí)驗(yàn)室提出了事理圖譜這一概念后,相關(guān)領(lǐng)域的學(xué)者開(kāi)始了事理圖譜的探索。在事理圖譜相關(guān)技術(shù)方面,有不少研究聚焦于事件對(duì)抽取[7]、事件預(yù)測(cè)[8]等技術(shù)的提升;在應(yīng)用方面,涉及通過(guò)構(gòu)建事理圖譜形成具有多維特征的網(wǎng)絡(luò)輿情事件可視化摘要[9]、將事理圖譜應(yīng)用于重大突發(fā)公共衛(wèi)生事件[10]等。另外,有也學(xué)者關(guān)注了事理知識(shí)圖譜的概念,2018年,Gottschalk等[11]提出了一種以事件為中心的多語(yǔ)言時(shí)序知識(shí)圖譜,從 DBpedia、YAGO、Wikidata 等現(xiàn)有大型知識(shí)圖譜中抽取了69萬(wàn)個(gè)當(dāng)代和歷史事件、230多萬(wàn)個(gè)時(shí)序關(guān)系,并對(duì)抽取的事件、實(shí)體和關(guān)系進(jìn)行融合。劉政昊等[12]認(rèn)為,事理知識(shí)圖譜融合了客觀知識(shí)和事理邏輯,能夠提供一個(gè)基于多模式知識(shí)關(guān)聯(lián)的邏輯推理框架?？梢钥闯?事理知識(shí)圖譜的本質(zhì)是事理圖譜與知識(shí)圖譜的融合,即謂詞性事件與名詞性實(shí)體的融合,從而形成動(dòng)態(tài)知識(shí)與靜態(tài)知識(shí)的聯(lián)動(dòng)。目前,事理知識(shí)圖譜的相關(guān)研究在國(guó)內(nèi)還處于起步階段。
2.2 面向突發(fā)事件的知識(shí)庫(kù)與決策支持相關(guān)研究
面臨“信息超載”和“知識(shí)匱乏”的雙重困境,高質(zhì)量的情報(bào)資源對(duì)于決策者而言更加重要,相關(guān)領(lǐng)域的學(xué)者們展開(kāi)了面向突發(fā)事件的知識(shí)庫(kù)研究。國(guó)內(nèi)的研究成果大致分為知識(shí)庫(kù)構(gòu)建技術(shù)與面向領(lǐng)域的知識(shí)庫(kù)構(gòu)建兩個(gè)方向。在構(gòu)建技術(shù)方面,主要有知識(shí)獲取與表示[13]、查詢與推理等[14]技術(shù);在面向領(lǐng)域的應(yīng)用方面,領(lǐng)域?qū)＜覙?gòu)建了針對(duì)特定類型突發(fā)事件的監(jiān)測(cè)預(yù)警系統(tǒng)[15]、面向藥品突發(fā)事件的應(yīng)急決策知識(shí)庫(kù)模型[16]、應(yīng)急情報(bào)系統(tǒng)的案例知識(shí)庫(kù)表示模型[17]等。隨著知識(shí)圖譜的大規(guī)模應(yīng)用和神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展,關(guān)于知識(shí)推理的研究進(jìn)入了新的階段,如基于神經(jīng)網(wǎng)絡(luò)的推理方法、混合式推理方法等,如何將知識(shí)推理與知識(shí)庫(kù)的實(shí)時(shí)更新相結(jié)合是重要的研究方向。目前來(lái)看,面向突發(fā)事件的知識(shí)庫(kù)成果越來(lái)越多,但在具體的決策支持方面仍然存在數(shù)據(jù)素材單一、知識(shí)庫(kù)語(yǔ)義分析相對(duì)粗糙化等問(wèn)題。
2.3 突發(fā)事件網(wǎng)絡(luò)輿情與決策支持相關(guān)研究
網(wǎng)絡(luò)輿情一直是情報(bào)學(xué)、新聞傳播學(xué)、政治學(xué)等學(xué)科關(guān)注的重點(diǎn)方向。在突發(fā)事件情境下,網(wǎng)絡(luò)輿情相關(guān)問(wèn)題則顯得更為特殊和重要。近年來(lái)相關(guān)方向的研究成果主要圍繞輿情演化、輿情預(yù)測(cè)和輿情治理這三個(gè)主題展開(kāi)。在輿情演化方面,有研究利用知識(shí)圖譜構(gòu)建技術(shù),基于微博平臺(tái)構(gòu)建突發(fā)公共衛(wèi)生事件輿情話題圖譜,分析輿情的演化規(guī)律和趨勢(shì)[18];在輿情預(yù)測(cè)方面,有研究構(gòu)建網(wǎng)絡(luò)輿情案例推理模型,從輿情預(yù)測(cè)的角度為突發(fā)事件應(yīng)急決策提供思路[19];在輿情治理方面,有學(xué)者提出網(wǎng)絡(luò)輿情治理模型,為突發(fā)事件網(wǎng)絡(luò)輿情精準(zhǔn)處置與動(dòng)態(tài)決策提供新思路[20]?？傮w來(lái)看,網(wǎng)絡(luò)輿情分析已經(jīng)成為突發(fā)事件尤其是重大突發(fā)事件決策支持中必不可少的內(nèi)容,但現(xiàn)有相關(guān)研究主要是沿襲著網(wǎng)絡(luò)空間的分析視角,并未將關(guān)注點(diǎn)聚焦到業(yè)務(wù)與網(wǎng)絡(luò)融合方向。
2.4 研究述評(píng)
綜上所述,針對(duì)突發(fā)事件的決策支持成為圖書(shū)情報(bào)領(lǐng)域的研究熱點(diǎn),也取得了許多有價(jià)值的成果。這些研究還存在以下不足:第一,事理圖譜已應(yīng)用于金融、政策、輿情、出行等領(lǐng)域,但在突發(fā)事件應(yīng)急管理領(lǐng)域的應(yīng)用較少,并且缺少跟知識(shí)圖譜的融合。第二,突發(fā)事件知識(shí)庫(kù)的構(gòu)建在方法層面已取得不錯(cuò)的進(jìn)展,應(yīng)急情報(bào)研究方向的不少學(xué)者也關(guān)注著知識(shí)庫(kù)的研究,但在面向領(lǐng)域的應(yīng)用層面缺少與動(dòng)態(tài)知識(shí)的結(jié)合。此外,許多研究成果只注重突發(fā)事件本身的知識(shí),忽略了網(wǎng)絡(luò)輿情這一知識(shí)源,從而導(dǎo)致知識(shí)庫(kù)的推薦解決方案僅局限于業(yè)務(wù)層面。第三,突發(fā)事件網(wǎng)絡(luò)輿情的相關(guān)研究主要側(cè)重于輿情演化動(dòng)因和演化規(guī)律,缺乏與事件業(yè)務(wù)層的結(jié)合,情報(bào)展現(xiàn)維度較為單一?；谝陨喜蛔?本文面向突發(fā)事件領(lǐng)域,利用事理圖譜、主題挖掘、情感分析等技術(shù),構(gòu)建業(yè)務(wù)空間與網(wǎng)絡(luò)空間兼?zhèn)涞那閳?bào)支持路徑。最后,以?；肥鹿蕿槔?證實(shí)該路徑的可行性和有效性。
3 融合事理知識(shí)圖譜與網(wǎng)絡(luò)輿情分析的突發(fā)事件情報(bào)支持路徑構(gòu)建
為了詳細(xì)闡述如何構(gòu)建融合知識(shí)和事理、業(yè)務(wù)與網(wǎng)絡(luò)的突發(fā)事件情報(bào)支持路徑,本文給出了實(shí)現(xiàn)思路,如圖1所示。具體而言,第一,從相關(guān)部門的官網(wǎng)、社交媒體平臺(tái)等獲取近年來(lái)某類突發(fā)事件的真實(shí)案例及其引發(fā)的網(wǎng)絡(luò)輿情數(shù)據(jù),構(gòu)成基礎(chǔ)數(shù)據(jù)層。第二,結(jié)合應(yīng)急決策主體需求與事件特征,一方面利用事理知識(shí)圖譜從認(rèn)知智能角度真實(shí)刻畫(huà)突發(fā)事件的發(fā)展脈絡(luò),展現(xiàn)事件事理知識(shí);另一方面借助網(wǎng)絡(luò)輿情分析描述突發(fā)事件對(duì)網(wǎng)絡(luò)空間的影響,展現(xiàn)事件關(guān)鍵節(jié)點(diǎn)延伸的網(wǎng)絡(luò)輿情,從而構(gòu)建起融合事理與知識(shí)、業(yè)務(wù)與網(wǎng)絡(luò)的情報(bào)服務(wù)層。第三,基于事故摘要相似度實(shí)現(xiàn)對(duì)新事件的資源匹配。最后,將情報(bào)服務(wù)層的資源以可視化的形式展現(xiàn)給應(yīng)急決策主體,以提供決策支持。
圖1 突發(fā)事件情報(bào)支持路徑構(gòu)建整體框架
3.1 基礎(chǔ)數(shù)據(jù)層的構(gòu)建
基礎(chǔ)數(shù)據(jù)層包括業(yè)務(wù)空間數(shù)據(jù)和網(wǎng)絡(luò)空間數(shù)據(jù)。信息網(wǎng)絡(luò)化尤其是移動(dòng)互聯(lián)網(wǎng)時(shí)代的到來(lái),催生了網(wǎng)絡(luò)輿情乃至“信息疫情”。突發(fā)事件比以往任何時(shí)候都更容易映射到網(wǎng)絡(luò)上,甚至引發(fā)一系列子事件。因此,為保證基礎(chǔ)數(shù)據(jù)層的完整性,業(yè)務(wù)空間數(shù)據(jù)的來(lái)源不僅包括相關(guān)部門公布的調(diào)查結(jié)果,還包括網(wǎng)絡(luò)上媒體的報(bào)道,以補(bǔ)充調(diào)查結(jié)果中缺失的潛在子事件。網(wǎng)絡(luò)空間的數(shù)據(jù)來(lái)自以微博為代表的社交媒體,各類社交媒體為民眾提供了一個(gè)更加便利的“發(fā)聲”平臺(tái),這些輿論是網(wǎng)絡(luò)空間治理的數(shù)據(jù)基石。
3.2 情報(bào)服務(wù)層的構(gòu)建與情報(bào)資源匹配
過(guò)去同類突發(fā)事件的演化邏輯和解決方案對(duì)當(dāng)前發(fā)生的事件有著重要的參考價(jià)值,利用“歷史記憶”判斷“當(dāng)前態(tài)勢(shì)”,能夠讓決策者對(duì)此時(shí)發(fā)生的事件有一個(gè)整體的認(rèn)知。將基礎(chǔ)數(shù)據(jù)資源進(jìn)行整合,構(gòu)成情報(bào)服務(wù)層,旨在隨時(shí)為應(yīng)急決策主體提供已發(fā)生事件的發(fā)展脈絡(luò)、演變規(guī)律和模式情報(bào)。通過(guò)比較新事件與舊事件在情景上的相似程度,從情報(bào)資源庫(kù)中獲取能夠匹配當(dāng)前事件的“歷史記憶”,為新事件的應(yīng)急決策提供思路。
有學(xué)者提出基于情景相似度的突發(fā)事件情報(bào)感知思路,利用HowNet語(yǔ)義相似度計(jì)算工具WordSimilarity完成新情景要素與已有情景要素的相似度檢驗(yàn),進(jìn)而匹配出已有的情報(bào)資源[21]。本文借鑒該思路,采用TextRank算法從事故案例中提取事故摘要,計(jì)算摘要之間的余弦相似度,利用與新事故較為相似的事故情報(bào)資源為新事故的應(yīng)急決策提供支持。TextRank算法來(lái)源于網(wǎng)頁(yè)排序算法PageRank,通過(guò)構(gòu)建以句子為節(jié)點(diǎn)、以句子間相似度為邊的圖模型,計(jì)算出每個(gè)句子的PageRank得分,選取得分最高的句子作為摘要候選句?；谑鹿收嗨贫鹊那閳?bào)資源匹配算法可以表示為:
(1)
設(shè)新事故ei的摘要句子集合表示為Ai={Si1,Si2,...,Sim},案例庫(kù)中某事故ej的摘要句子集合表示為Aj={Sj1,Sj2,...,Sjn},全部事故摘要設(shè)為集合D={A1,A2,...,Ak}。公式(1)中Sim(Ai,Aj)表示事故摘要Ai和Aj之間的相似度,是情報(bào)資源匹配的依據(jù),sim(Sip,Sjq)為Ai中第p個(gè)句子Sip和Aj中第q個(gè)句子Sjq的相似度。
3.3 事理知識(shí)圖譜構(gòu)建
本文主要關(guān)注因果事理邏輯,依據(jù)生成的因果關(guān)系規(guī)則,進(jìn)行因果判定、事件對(duì)提取和事件泛化,形成具有<事件1,關(guān)系,事件2>結(jié)構(gòu)的事理圖譜。同時(shí)考慮到突發(fā)事件涉及的非人為因素和人為因素,通過(guò)命名實(shí)體識(shí)別與關(guān)系抽取構(gòu)建具有<實(shí)體,屬性,實(shí)體><實(shí)體,屬性,屬性值>結(jié)構(gòu)的知識(shí)圖譜。最后,通過(guò)Neo4j圖數(shù)據(jù)庫(kù)完成事理知識(shí)圖譜的融合,從而更好地為突發(fā)事件應(yīng)急決策提供數(shù)據(jù)支撐,為資源配置提供服務(wù)。
3.3.1 因果判定與事件對(duì)提取
明確因果句具有特殊的觸發(fā)詞,利用因果觸發(fā)詞生成句法模式,繼而設(shè)計(jì)規(guī)則模板,是判定因果句較為有效的方法。表1為因果句句法模板,包含了五種常見(jiàn)的明確因果句句法模式以及對(duì)應(yīng)的因果觸發(fā)詞和詞性。
表1 因果句句法模板[22]
為表1中每個(gè)句法模式定義一條正則表達(dá)式以識(shí)別文檔包含的明確因果句,并結(jié)合基于語(yǔ)義角色匹配和基于模式匹配這兩種方式,設(shè)計(jì)了五種規(guī)則模板以提取因果事件對(duì),見(jiàn)表2。
表2 因果對(duì)提取規(guī)則
國(guó)內(nèi)外學(xué)者提出了不同的事件表示方法,包括事件元素表示法、動(dòng)詞和名詞集合表示法、謂詞短語(yǔ)法等。本文采用Zhao等[23]提出的動(dòng)詞和名詞集合表示法來(lái)表示事件,形如ei={wi|wi∈Verbs∪Nouns},Verbs和Nouns分別表示動(dòng)詞集合和名詞集合,一個(gè)事件可以有多個(gè)動(dòng)詞和名詞?；谡Z(yǔ)義角色的提取方法將A0(施事者)看作原因事件,將A1(受事者)看作結(jié)果事件。如果一句話中存在多個(gè)A0,則原因事件為所有A0對(duì)應(yīng)的詞的拼接;同理,如果一句話中存在多個(gè)A1或者除了A0、A1還有A2時(shí),則將所有A1、A2對(duì)應(yīng)的詞按順序拼接作為結(jié)果事件。基于模式匹配的提取方法直接通過(guò)正則表達(dá)式提取出原因短句和結(jié)果短句。實(shí)驗(yàn)表明,基于語(yǔ)義角色的提取方法能夠從動(dòng)詞觸發(fā)的因果句中直接提取出動(dòng)名詞形式的因果事件對(duì),同時(shí)避免了基于模式匹配結(jié)果冗長(zhǎng)的缺點(diǎn)。對(duì)于非動(dòng)詞觸發(fā)的因果句,不易通過(guò)語(yǔ)義角色標(biāo)注來(lái)識(shí)別原因事件和結(jié)果事件,故采用基于模式匹配的方法提取這類因果句中的因果描述短句,在事件泛化階段再轉(zhuǎn)為動(dòng)名詞形式。
3.3.2 事件泛化
事件泛化是指對(duì)同一類具體的事件進(jìn)行抽象表達(dá)。無(wú)論是基于語(yǔ)義角色提取的因果事件對(duì),還是基于模式匹配提取的因果描述短句,都可能存在語(yǔ)義重復(fù)的現(xiàn)象,如兩個(gè)或兩個(gè)以上的原因事件實(shí)際是一個(gè)事件,所以需要通過(guò)共指融合、事件泛化形成語(yǔ)義明確、更具代表性的事理圖譜。當(dāng)前事件泛化的主要方法有基于選擇性編碼和基于機(jī)器聚類兩種,前者需要依靠大量的人工勞動(dòng),而后者只需要在聚類結(jié)果之上進(jìn)行少量的人工輔助[24]。選擇性編碼是尋找核心范疇,將能夠相容的事件概括為一個(gè)高層次事件,適合數(shù)據(jù)較少的情況?；跈C(jī)器聚類的事件泛化方式應(yīng)用較為廣泛,常見(jiàn)的做法是先將具體事件向量化,再用聚類算法將相似的事件向量歸為一類,最后以抽象事件歸納每一類具體事件簇,該方法在數(shù)據(jù)較多時(shí)能夠大大提高泛化效率。在具體實(shí)踐中,應(yīng)根據(jù)數(shù)據(jù)量多少和業(yè)務(wù)需要來(lái)選擇事件泛化方法。本文以危化品事故為例,綜合考量因果事件對(duì)的數(shù)目多少、事件表示的難易度、人工泛化的時(shí)間等因素,發(fā)現(xiàn)基于選擇性編碼的方法效果更好,因此采用該方法實(shí)現(xiàn)事件泛化。
3.3.3 命名實(shí)體識(shí)別與關(guān)系抽取
目前,命名實(shí)體識(shí)別主要有基于規(guī)則[25]、基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)[26]、基于深度學(xué)習(xí)[27]這三種方法?；谝?guī)則的方法能夠在特定領(lǐng)域的語(yǔ)料上獲得理想的識(shí)別效果,但領(lǐng)域移植性較差,面對(duì)新領(lǐng)域的語(yǔ)料往往需要重新制定規(guī)則?；诮y(tǒng)計(jì)機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)的方法均可以彌補(bǔ)基于規(guī)則方法的不足,并在許多語(yǔ)料上被證明具有較高的識(shí)別效果。面向突發(fā)事件領(lǐng)域,事件發(fā)生時(shí)間、發(fā)生地點(diǎn)、相關(guān)機(jī)構(gòu)名和相關(guān)人名通常是基本的命名實(shí)體,根據(jù)突發(fā)事件領(lǐng)域的不同,在此基礎(chǔ)上增加其他實(shí)體類型。本文主要與?；肥鹿氏嚓P(guān),使用基于深度學(xué)習(xí)的方法,通過(guò)封裝的LTP命名實(shí)體識(shí)別模塊提取人名和機(jī)構(gòu)名;使用基于規(guī)則的方法提取時(shí)間和?；访Q;?；肥鹿噬婕暗牡攸c(diǎn)粒度較小,因此依靠人工識(shí)別事故發(fā)生地點(diǎn)。以因果事件對(duì)為線索,反向搜索因果句,從而找出實(shí)體與實(shí)體、實(shí)體與事件之間的關(guān)系。
3.3.4 事理知識(shí)圖譜融合
事理邏輯與實(shí)體關(guān)系的融合足以為一個(gè)突發(fā)事件的業(yè)務(wù)層面聚合起豐富的信息點(diǎn),同時(shí)為決策者大大節(jié)省了搜集情報(bào)的時(shí)間,利用Neo4j圖數(shù)據(jù)庫(kù)建立事理知識(shí)圖譜,使得突發(fā)事件業(yè)務(wù)空間的知識(shí)在一張圖上完整呈現(xiàn)。首先增加一個(gè)帶有突發(fā)事件名稱的中心節(jié)點(diǎn),再建立以原因事件為源節(jié)點(diǎn)、結(jié)果事件為目標(biāo)節(jié)點(diǎn)、因果關(guān)系為邊的有向圖,將所有原因節(jié)點(diǎn)與中心節(jié)點(diǎn)相連,由此形成脈絡(luò)清晰的事理演化邏輯圖。隨后將提取出的時(shí)間、地點(diǎn)等實(shí)體作為節(jié)點(diǎn),將這些節(jié)點(diǎn)與相關(guān)的事件節(jié)點(diǎn)進(jìn)行連接,最終完成圖數(shù)據(jù)庫(kù)中事理知識(shí)圖譜的構(gòu)建。原因事件和結(jié)果事件揭示了事理層面的動(dòng)態(tài)知識(shí),實(shí)體代表了特征層面的靜態(tài)知識(shí),以實(shí)體與事件之間的關(guān)聯(lián)關(guān)系為紐帶,達(dá)到事理與知識(shí)融合的目的。
3.4 網(wǎng)絡(luò)輿情分析
突發(fā)事件發(fā)生后,群眾的情感很容易受到輿論的影響,再加上網(wǎng)絡(luò)推手刻意制造恐慌氣氛,極易形成輿情風(fēng)暴。同一類突發(fā)事件所引起的網(wǎng)絡(luò)輿情往往具有相似的特征和演化趨勢(shì),對(duì)于新事件的網(wǎng)絡(luò)輿情預(yù)警和治理工作有一定的參考價(jià)值。
3.4.1 主題挖掘
主題挖掘技術(shù)是在網(wǎng)絡(luò)輿情分析中被廣泛使用的一種技術(shù),通過(guò)對(duì)語(yǔ)料進(jìn)行聚類,能夠獲得網(wǎng)民討論的話題數(shù)量,總結(jié)出話題類型,從宏觀上反映出網(wǎng)絡(luò)輿情的熱點(diǎn)。最為常用的主題模型是LDA,該模型是基于“文檔-主題-詞”的貝葉斯概率模型,具有高效的抽樣推理算法和模型泛化能力。本文采用LDA模型對(duì)不同階段的輿情語(yǔ)料進(jìn)行主題聚類分析,得到詞匯-主題分布,再由人工總結(jié)主題。
3.4.2 情感分析
情感分析是網(wǎng)絡(luò)輿情分析中關(guān)鍵的一環(huán),大眾情感和情緒是網(wǎng)絡(luò)輿情的“牽引繩”,情緒的爆發(fā)很容易帶動(dòng)輿論節(jié)奏朝惡化的方向發(fā)展,進(jìn)而影響整個(gè)網(wǎng)絡(luò)空間的秩序。自社交媒體興起以來(lái),許多學(xué)者都致力于研究網(wǎng)民情感演化特征[28-30],以及網(wǎng)絡(luò)輿情引導(dǎo)策略[31]。國(guó)內(nèi)外學(xué)者的研究?jī)?nèi)容包括情感的主客觀分析、情感極性分析和多情感分類等,使用的方法主要是無(wú)監(jiān)督的基于情感詞典的方法和有監(jiān)督的基于機(jī)器學(xué)習(xí)方法。
本文采用無(wú)監(jiān)督的方法,首先利用SnowNLP計(jì)算不同階段輿情語(yǔ)料的情感分?jǐn)?shù),再基于大連理工大學(xué)的情感詞匯本體庫(kù)[32]對(duì)輿情語(yǔ)料進(jìn)行分類,最后進(jìn)行可視化以揭示突發(fā)事件網(wǎng)絡(luò)輿情的情感演化規(guī)律。SnowNLP的情感計(jì)算以樸素貝葉斯分類器為原理,對(duì)新數(shù)據(jù)的情感值做預(yù)測(cè),計(jì)算公式為:
(2)
SnowNLP的計(jì)算結(jié)果區(qū)間為[0,1],分?jǐn)?shù)越接近1代表情感越偏正向,越接近0代表情感越偏負(fù)向。大連理工大學(xué)的情感詞匯本體庫(kù)將情感分為“樂(lè)”“好”“怒”“哀”“懼”“惡”“驚”7個(gè)大類和21個(gè)小類,依據(jù)情感詞典,統(tǒng)計(jì)每條語(yǔ)料所包含的情感詞典中的詞,進(jìn)而統(tǒng)計(jì)出每個(gè)階段不同情感類別的語(yǔ)料所占比重。
4 實(shí)證研究
危險(xiǎn)化學(xué)品事故是指由易燃、易爆、帶有腐蝕性、毒性和放射性等危險(xiǎn)特性的化學(xué)品引發(fā)的災(zāi)害事故,具有突發(fā)性強(qiáng)、擴(kuò)散速度快、救援困難等特點(diǎn)[33]?！笆濉逼陂g(2016—2020年),全國(guó)共發(fā)生化工和危險(xiǎn)化學(xué)品事故929起,導(dǎo)致1176人死亡,其中2017—2019年,每年至少發(fā)生2起重大及以上事故[34]。這類突發(fā)事件一旦發(fā)生,極易造成巨大的經(jīng)濟(jì)損失和人員傷亡。經(jīng)過(guò)對(duì)近年來(lái)典型?；肥鹿拾咐牧私獍l(fā)現(xiàn),事故涉及的?；贰⒁l(fā)事故的因素以及事故經(jīng)過(guò)有一定的規(guī)律可循。為了能最大程度地減少?；肥鹿实陌l(fā)生,將事故帶來(lái)的損失降至最低,本文以?；肥鹿蕿槔?從中央和各個(gè)地方的應(yīng)急管理部門官網(wǎng)獲取2016—2021年典型?；肥鹿拾咐?53個(gè),以中毒窒息類和爆炸類事故為主,構(gòu)成情報(bào)資源案例庫(kù)。利用已有的知識(shí)分析相似事件的發(fā)展脈絡(luò)和網(wǎng)絡(luò)影響,從而為相關(guān)部門在類似事件的預(yù)防和快速應(yīng)對(duì)方面提供支持。
4.1 基于事故摘要相似度的情報(bào)資源匹配
某一類突發(fā)事件的典型案例往往包含了該類事件的共同情景特征,如經(jīng)濟(jì)損失、傷亡人數(shù)、涉及的?；返?包含這些特征的事故經(jīng)過(guò)是判斷不同事故相似性的基礎(chǔ)。首先,對(duì)事故經(jīng)過(guò)文檔進(jìn)行分句、分詞、去停用詞,使用預(yù)訓(xùn)練的中文維基百科詞向量獲取每句話的句向量;然后,以文檔的每句話作為節(jié)點(diǎn),以句子之間的相似度作為邊的權(quán)重構(gòu)建圖模型,求出每個(gè)句子的PageRank得分;最后,將PageRank得分降序排列,抽取出前五個(gè)重要度較高的句子形成該文檔的摘要。為了確保每篇摘要都包含重要的事故情景特征,對(duì)于不太理想的自動(dòng)文摘,輔以人工處理。
本文選取2021年傷亡情況最嚴(yán)重的湖北省十堰市張灣區(qū)艷湖社區(qū)集貿(mào)市場(chǎng)“6·13”重大燃?xì)獗ㄊ鹿首鳛樾率鹿蔱1。需要說(shuō)明的是,在實(shí)際情報(bào)支持運(yùn)行系統(tǒng)中,新事故e1應(yīng)是實(shí)時(shí)發(fā)生的新事件,需實(shí)現(xiàn)快速應(yīng)急響應(yīng)。以艷湖社區(qū)集貿(mào)市場(chǎng)事件為示范,基于公式(1)計(jì)算出事故摘要間的相似度,結(jié)果見(jiàn)表3。
表3 事故摘要相似度匹配結(jié)果
從表3中可以看出,匹配到相似度最高的事故為大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿?利用該事故的事理知識(shí)圖譜分析其引發(fā)的網(wǎng)絡(luò)輿情,為新事故e1的應(yīng)急決策提供情報(bào)支持。
4.2 事理知識(shí)圖譜構(gòu)建
以大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿实氖鹿收{(diào)查報(bào)告為主要數(shù)據(jù)源,以“大連金州燃?xì)獗ā睘殛P(guān)鍵詞搜索微博話題,得到各個(gè)話題下的微博博文1063條,去重去噪后剩418條,對(duì)調(diào)查報(bào)告和微博博文進(jìn)行分句、分詞、去停用詞等預(yù)處理工作。
根據(jù)表2的規(guī)則模板提取出因果對(duì)47對(duì),事故調(diào)查報(bào)告和微博博文中存在一樣的因果對(duì),去重后得到38對(duì)。以表4為例,針對(duì)這些因果事件進(jìn)行編碼,將同類的具體事件用同一個(gè)范疇表示。經(jīng)過(guò)共指融合和事件泛化,剩下因果事件對(duì)共21對(duì),將其導(dǎo)入圖數(shù)據(jù)庫(kù)。
表4 事件泛化示例
以這些因果對(duì)為線索,在事故調(diào)查報(bào)告和微博博文中尋找相關(guān)知識(shí)如時(shí)間、地點(diǎn)、機(jī)構(gòu)、涉及?；返?將這些知識(shí)鏈接到事理圖譜中對(duì)應(yīng)的事件節(jié)點(diǎn)上,完成事理與知識(shí)的融合。本文將突發(fā)事件相關(guān)實(shí)體分為企業(yè)、責(zé)任人、時(shí)間、地點(diǎn)四類,利用LTP的命名實(shí)體模塊識(shí)別人名、企業(yè)名,對(duì)不準(zhǔn)確、不完整的識(shí)別結(jié)果輔以人工識(shí)別?；谡齽t匹配和語(yǔ)義角色標(biāo)注結(jié)合的方式來(lái)識(shí)別時(shí)間,如“23時(shí)至24時(shí)”“下星期”“23日上午”等時(shí)間描述,無(wú)法通過(guò)一個(gè)正則表達(dá)式匹配出來(lái),而LTP的語(yǔ)義角色標(biāo)注模塊能夠識(shí)別出包括上文列舉字符在內(nèi)的絕大部分的時(shí)間類型,缺點(diǎn)是速度較慢。故采用二者相結(jié)合的方式,編寫(xiě)匹配標(biāo)準(zhǔn)年月日時(shí)分秒格式的正則表達(dá)式,若匹配結(jié)果為空,再用LTP做語(yǔ)義角色標(biāo)注。以中華人民共和國(guó)應(yīng)急管理部2015年發(fā)布的《危險(xiǎn)化學(xué)品目錄》作為詞典,基于規(guī)則匹配的方式提取事故涉及的?；访Q。對(duì)于地點(diǎn)實(shí)體,突發(fā)事件中的地點(diǎn)既包括該事件發(fā)生的省、市、縣,又包括子事件發(fā)生的小地點(diǎn)如“XX小區(qū)”“XX餐館”等,這些小地點(diǎn)不易被現(xiàn)有工具直接識(shí)別,故本文采用人工識(shí)別的方式。
企業(yè)與責(zé)任人實(shí)體的識(shí)別與關(guān)系抽取是同步進(jìn)行的,責(zé)任人作為企業(yè)的屬性,與企業(yè)一起形成例如<企業(yè),法定代表人,人名>這樣的三元組結(jié)構(gòu)。時(shí)間和地點(diǎn)實(shí)體與突發(fā)事件的因果事件對(duì)相關(guān)聯(lián),從原因事件或結(jié)果事件所在的句子中抽取時(shí)間和地點(diǎn),與子事件組成<子事件,時(shí)間,具體時(shí)間><子事件,地點(diǎn),具體地點(diǎn)>的三元組結(jié)構(gòu)。
圖2融合了大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿实氖录莼壿嬇c相關(guān)實(shí)體,綠色節(jié)點(diǎn)表示原因事件,粉色節(jié)點(diǎn)表示結(jié)果事件,相關(guān)機(jī)構(gòu)存在的問(wèn)題屬于引發(fā)該事故的間接原因,所以也標(biāo)為綠色。
圖2 事理知識(shí)圖譜示例
傳統(tǒng)的事件脈絡(luò)梳理方式以經(jīng)驗(yàn)性總結(jié)為主,這往往會(huì)忽視細(xì)節(jié)化的次生衍生事件或節(jié)點(diǎn)信息?；谑吕碇R(shí)圖譜的事件脈絡(luò)梳理可以更加系統(tǒng)且直觀地聚焦和展現(xiàn)事件的全景節(jié)點(diǎn),并強(qiáng)調(diào)從數(shù)據(jù)驅(qū)動(dòng)視角實(shí)現(xiàn)事件演化演變的智能化自動(dòng)化輸出,便于應(yīng)急決策者快速提煉出事件發(fā)展脈絡(luò)和影響鏈。為了更好地刻畫(huà)相關(guān)實(shí)證研究突發(fā)事件的事理發(fā)展邏輯,基于事理知識(shí)圖譜進(jìn)一步梳理出事故的發(fā)展脈絡(luò),具體見(jiàn)圖3。
4.3 網(wǎng)絡(luò)輿情分析
在輿情情報(bào)資源庫(kù)中,主要是選取了新浪微博平臺(tái)相關(guān)數(shù)據(jù),獲取了大連金州爆炸事故的一級(jí)、二級(jí)微博評(píng)論,刪除重復(fù)的、評(píng)論時(shí)間為空的記錄,最終留下具有代表性的評(píng)論共計(jì)1448條。結(jié)合上述基于事理知識(shí)圖譜分析而出的關(guān)鍵事故脈絡(luò),根據(jù)事件關(guān)鍵節(jié)點(diǎn)和輿情發(fā)展情況,對(duì)應(yīng)刻畫(huà)出三個(gè)關(guān)鍵子事件輿情全景,包括爆炸、確認(rèn)傷亡、平息(1)輿情節(jié)點(diǎn)劃分可根據(jù)事件具體情況而定,本文中的事件影響范圍相對(duì)較小,僅刻畫(huà)出三個(gè)節(jié)點(diǎn)。對(duì)于輿情影響較大的突發(fā)事件,可根據(jù)事件情況劃分輿情周期以及關(guān)鍵節(jié)點(diǎn)并做出輿情刻畫(huà)。。
4.3.1 主題挖掘結(jié)果分析
利用LDA主題聚類模型分別對(duì)三個(gè)子事件輿情節(jié)點(diǎn)的評(píng)論建模,根據(jù)各節(jié)點(diǎn)的主題詞分布,總結(jié)出爆炸、確認(rèn)傷亡和平息對(duì)應(yīng)的輿情話題,如表5所示。
大連金州爆炸事故造成了較大的人員傷亡,事故消息一經(jīng)發(fā)布,網(wǎng)絡(luò)輿情迅速爆發(fā),網(wǎng)友們紛紛祈禱傷者平安。新華社于爆炸發(fā)生7小時(shí)后報(bào)道了傷亡情況,此后信息傳播速度加快,輿論進(jìn)一步發(fā)酵。第二天事故逐漸平息,相關(guān)微博數(shù)量大大減少,群眾訴求也從“祈求平安”轉(zhuǎn)變?yōu)椤白肪控?zé)任”?？傮w來(lái)看,爆炸類?；吠话l(fā)事件容易造成網(wǎng)絡(luò)輿情的突然爆發(fā),輿情規(guī)模、平息速度與事故傷亡情況有一定的相關(guān)性,輿情熱點(diǎn)往往會(huì)從傷亡情況變?yōu)橐鹗鹿实脑蚝蜕媸缕髽I(yè)。
4.3.2 情感演化結(jié)果分析
利用SnowNLP和大連理工大學(xué)情感詞匯本體庫(kù)分析三個(gè)節(jié)點(diǎn)評(píng)論的情感正負(fù)極性和類別,先計(jì)算每條評(píng)論的情感分?jǐn)?shù),分別統(tǒng)計(jì)正向和負(fù)向評(píng)論占相應(yīng)節(jié)點(diǎn)總評(píng)論數(shù)的比例,見(jiàn)圖4;然后統(tǒng)計(jì)各節(jié)點(diǎn)評(píng)論所包含的屬于情感七大類的情感詞個(gè)數(shù),對(duì)每一類的情感詞進(jìn)行加總并計(jì)算百分比,見(jiàn)圖5。
圖4 大連金州爆炸事故的網(wǎng)絡(luò)輿情情感傾向圖
圖5 大連金州爆炸事故的網(wǎng)絡(luò)輿情情緒演變圖
縱觀整個(gè)網(wǎng)絡(luò)輿情的關(guān)鍵節(jié)點(diǎn),從情感傾向上看,情感由正向轉(zhuǎn)為負(fù)向,最終以負(fù)向情感主導(dǎo)收尾;從情緒類別上看,情緒由“好”轉(zhuǎn)“惡”,主要由“好”“樂(lè)”“惡”三種情緒主導(dǎo)。在爆炸節(jié)點(diǎn),主題挖掘結(jié)果中的“希望”“安好”等詞對(duì)應(yīng)了情緒分類中“好”和“樂(lè)”兩大類別;在確認(rèn)傷亡節(jié)點(diǎn),“好”和“樂(lè)”的情緒比例下降,“惡”的比例上升;在平息節(jié)點(diǎn),“惡”的比例繼續(xù)上升,不少責(zé)怪涉事企業(yè)的評(píng)論正對(duì)應(yīng)了“惡”。
從大連金州爆炸事故的主題挖掘和情感演化結(jié)果中可以看出,該類事故的網(wǎng)絡(luò)輿情有著特殊的規(guī)律。與諸多突發(fā)事件網(wǎng)絡(luò)輿情相比,?；奉愅话l(fā)事件所引發(fā)的輿情在一開(kāi)始就隨著事故的發(fā)生迅速爆發(fā),大眾情緒與熱點(diǎn)話題相互影響,相互牽動(dòng)。面對(duì)?；肥鹿试斐傻妮^大傷亡,最初的關(guān)注點(diǎn)通常都是生命安全,隨著事故原因的水落石出,關(guān)注點(diǎn)會(huì)變?yōu)槭鹿氏嚓P(guān)的責(zé)任人、責(zé)任企業(yè)等,大眾情緒也隨之惡化。
4.4 決策支持相關(guān)評(píng)估分析
從官方公布的湖北省十堰市張灣區(qū)艷湖社區(qū)集貿(mào)市場(chǎng)“6·13”重大燃?xì)獗ㄊ鹿收{(diào)查報(bào)告來(lái)看,該事故與大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿实陌l(fā)生原因存在不少相似點(diǎn)。第一,管道腐蝕是這兩個(gè)事故發(fā)生的根本原因,電化學(xué)腐蝕導(dǎo)致管道出現(xiàn)裂縫或是穿孔,進(jìn)而導(dǎo)致天然氣泄漏。第二,聚集的爆炸性氣體遇到火是二者共同的直接原因。第三,這兩個(gè)事故涉及的企業(yè)有著共同的問(wèn)題,如違規(guī)建設(shè)管道形成安全隱患、未及時(shí)整改隱患問(wèn)題等,這些問(wèn)題是事故發(fā)生的間接原因。由此可見(jiàn),大連金州爆炸事故在業(yè)務(wù)空間上準(zhǔn)確地反映出了湖北十堰市“6·13”爆炸事故的部分原因。
為評(píng)估二者在網(wǎng)絡(luò)空間上的相似程度,另獲取#十堰燃?xì)獗ㄒ阎?5人死亡##十堰發(fā)生燃?xì)獗ㄊ鹿?等話題下的微博評(píng)論,對(duì)評(píng)論進(jìn)行輿情分析發(fā)現(xiàn),該事件的主題與情感方面與大連金州事故有著相似的趨勢(shì)。在主題方面,群眾在事故剛發(fā)生時(shí)的討論話題都是與傷亡情況、經(jīng)濟(jì)損失相關(guān);隨著事故調(diào)查的推進(jìn),群眾關(guān)心的主題逐漸變?yōu)槭鹿试颉⑸婕暗呢?zé)任人等。在情感方面,都是由正向情感主導(dǎo)轉(zhuǎn)為負(fù)向情感主導(dǎo)。因此,針對(duì)?；奉愂鹿室l(fā)的網(wǎng)絡(luò)輿情,相似事件的歷史輿情情報(bào)對(duì)于新事件網(wǎng)絡(luò)輿情的預(yù)防和治理具有一定的借鑒價(jià)值。
5 小結(jié)
情報(bào)是應(yīng)對(duì)突發(fā)事件的重要支撐,在數(shù)智化環(huán)境下,如何打造出更加系統(tǒng)、集成化的情報(bào)服務(wù)成為應(yīng)急情報(bào)領(lǐng)域關(guān)注的重點(diǎn)。本文提出了融合事理知識(shí)圖譜與網(wǎng)絡(luò)輿情分析的突發(fā)事件情報(bào)支持路徑,認(rèn)為兩者的結(jié)合能夠更好地為應(yīng)急決策主體提供決策支持服務(wù)。同時(shí),以?；肥鹿蕿槔?基于事故摘要相似度實(shí)現(xiàn)情報(bào)資源的感知匹配,通過(guò)構(gòu)造大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿实氖吕碇R(shí)圖譜,用以闡明突發(fā)事件事實(shí)情報(bào)層;通過(guò)主題聚類、情感計(jì)算、情緒分類等技術(shù)對(duì)該事故的網(wǎng)絡(luò)輿情進(jìn)行分析,用以描述突發(fā)事件輿情情報(bào)層。
本文的研究貢獻(xiàn)體現(xiàn)在三個(gè)方面:第一,理念上,跳出了傳統(tǒng)單一維的情報(bào)支持邏輯,提出了融合業(yè)務(wù)空間和網(wǎng)絡(luò)空間的情報(bào)支持路徑,以更加全面地支持應(yīng)急管理部門響應(yīng)突發(fā)事件,對(duì)特定領(lǐng)域的知識(shí)庫(kù)構(gòu)建有一定的理論指導(dǎo)意義;第二,方法上,提出了一種融合事理知識(shí)圖譜構(gòu)建方法與網(wǎng)絡(luò)輿情分析方法的集成技術(shù)框架和細(xì)節(jié)化實(shí)現(xiàn)路徑,可以支持特定領(lǐng)域的情報(bào)支持研究;第三,實(shí)踐上,經(jīng)過(guò)實(shí)證研究與相關(guān)評(píng)估分析,本文提出的情報(bào)支持路徑可以支持?；奉I(lǐng)域突發(fā)事件管理決策,同時(shí)也可為其他領(lǐng)域?qū)嵺`提供參考,具有一定的實(shí)踐指導(dǎo)意義。
本文的研究仍存在著以下局限:一是信息源不夠多樣化,盡管本文在實(shí)證研究中已盡可能多地從不同渠道獲取數(shù)據(jù),但仍有可能因?yàn)閿?shù)據(jù)量不足而影響情報(bào)支持路徑的有效性;二是突發(fā)事件的應(yīng)急管理離不開(kāi)相應(yīng)領(lǐng)域?qū)＜业闹С?在事理知識(shí)圖譜構(gòu)建過(guò)程中應(yīng)該加入專家討論、專家評(píng)判等環(huán)節(jié);三是事理知識(shí)圖譜的相關(guān)研究還處于起步階段,尤其是因果事件對(duì)的提取和事件泛化技術(shù)還有待改進(jìn)。這些問(wèn)題將成為下一步研究的重點(diǎn)。
猜你喜歡
情報(bào)現(xiàn)代裝飾(2022年5期)2022-10-13 08:49:18 情報(bào)現(xiàn)代裝飾(2022年4期)2022-08-31 01:42:30 情報(bào)現(xiàn)代裝飾(2022年3期)2022-07-05 05:59:04 闡釋現(xiàn)象 揭示事理——說(shuō)明文寫(xiě)作六步曲新世紀(jì)智能(高一語(yǔ)文)(2021年4期)2021-07-28 02:12:56 語(yǔ) 絲中外文摘(2020年13期)2020-11-12 13:05:19 突發(fā)事件的輿論引導(dǎo)領(lǐng)導(dǎo)科學(xué)論壇(2016年10期)2016-06-05 09:02:11 清朝三起突發(fā)事件的處置文史春秋(2016年8期)2016-02-28 17:41:32 交接情報(bào)小天使·一年級(jí)語(yǔ)數(shù)英綜合(2015年10期)2015-10-14 06:37:12 突發(fā)事件小說(shuō)月刊(2014年10期)2014-04-23 08:53:40 一語(yǔ)中的月讀(2013年11期)2013-08-15 00:48:32
張?jiān)姮?李 陽(yáng)
(南京大學(xué)信息管理學(xué)院,南京,210023)
1 引言
情報(bào)是突發(fā)事件應(yīng)急決策的關(guān)鍵,應(yīng)急決策主體所依賴的關(guān)鍵情報(bào)信息不僅僅包括經(jīng)過(guò)加工處理的實(shí)時(shí)事件推送信息,過(guò)往的同類和相似事件所提供的處置方案、知識(shí)和經(jīng)驗(yàn)也是突發(fā)事件情報(bào)支持路徑的關(guān)鍵一環(huán)。因此,目前很多研究致力于從基礎(chǔ)情報(bào)資源、知識(shí)驅(qū)動(dòng)視角探討突發(fā)事件知識(shí)庫(kù)構(gòu)建[1],以支持復(fù)雜情境下應(yīng)急決策的快速響應(yīng)。這種從已知到未知的突發(fā)事件情報(bào)支持路徑具有很強(qiáng)的實(shí)踐意義,但在現(xiàn)代環(huán)境下,該路徑存在以下不足:第一,突發(fā)事件的知識(shí)庫(kù)構(gòu)建特別考驗(yàn)專有領(lǐng)域的特殊性,一旦知識(shí)庫(kù)過(guò)于寬泛,場(chǎng)景過(guò)于粗糙,過(guò)往事件的情報(bào)就失去了針對(duì)性的參考價(jià)值;第二,突發(fā)事件知識(shí)庫(kù)構(gòu)建多以“知識(shí)”為核心命門,以靜態(tài)化知識(shí)圖譜為主要表征,對(duì)“事件”關(guān)注不夠,也就無(wú)法根據(jù)事件邏輯關(guān)系進(jìn)行深度動(dòng)態(tài)化的推理推演等情報(bào)服務(wù)工作;第三,過(guò)往突發(fā)事件知識(shí)庫(kù)等探索多拘泥于業(yè)務(wù)空間的事件信息抽取、關(guān)聯(lián)與可視化呈現(xiàn),鮮有融合網(wǎng)絡(luò)空間相關(guān)問(wèn)題,不利于決策者從全局角度把控突發(fā)事件演化規(guī)律以及對(duì)發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)。在社交媒體廣泛應(yīng)用、開(kāi)源情報(bào)以及大眾情報(bào)興起的環(huán)境下,與業(yè)務(wù)空間平行的網(wǎng)絡(luò)空間也正成為突發(fā)事件應(yīng)對(duì)處置的重要模塊。
綜合以上,本文認(rèn)為,面向突發(fā)事件的情報(bào)支持路徑應(yīng)在專題性的事件類之下,綜合考慮事件的知識(shí)維和事理維,同時(shí)融合業(yè)務(wù)空間和網(wǎng)絡(luò)空間的情報(bào)刻畫(huà)和反應(yīng)。近年來(lái),在數(shù)智賦能、因果革命等技術(shù)的推動(dòng)下,事理圖譜的興起為邏輯推理層面的情報(bào)支持奠定了良好基礎(chǔ);同時(shí),社交媒體平臺(tái)數(shù)據(jù)的易獲取性使得情報(bào)研究可以更好把控網(wǎng)絡(luò)空間中的群眾反應(yīng)。鑒于此,本文致力于構(gòu)建一個(gè)具有推廣意義的突發(fā)事件情報(bào)支持路徑框架,綜合利用事理知識(shí)圖譜、網(wǎng)絡(luò)輿情分析等相關(guān)理論方法,以危化品事故這一專有領(lǐng)域的突發(fā)事件為場(chǎng)景實(shí)證對(duì)象,探索這一情報(bào)支持路徑的可行性和有效性。
2 相關(guān)研究綜述
2.1 事理知識(shí)圖譜相關(guān)研究
知識(shí)圖譜自2012年Google公司提出以來(lái),國(guó)內(nèi)外學(xué)者主要圍繞著知識(shí)圖譜構(gòu)建的關(guān)鍵技術(shù)和應(yīng)用開(kāi)展研究。在關(guān)鍵技術(shù)方面,學(xué)者們的研究方向包括知識(shí)抽取與組織[2]、知識(shí)融合[3]、知識(shí)推理[4-5]等;在應(yīng)用方面,現(xiàn)有的成果包括金融股權(quán)知識(shí)圖譜、醫(yī)療問(wèn)診知識(shí)圖譜等。事理圖譜從知識(shí)圖譜演變而來(lái),是描述事件演化模式的有向有環(huán)圖,節(jié)點(diǎn)代表事件,有向邊代表事件之間的邏輯關(guān)系[6]。自2017年國(guó)內(nèi)哈工大社會(huì)計(jì)算與信息檢索實(shí)驗(yàn)室提出了事理圖譜這一概念后,相關(guān)領(lǐng)域的學(xué)者開(kāi)始了事理圖譜的探索。在事理圖譜相關(guān)技術(shù)方面,有不少研究聚焦于事件對(duì)抽取[7]、事件預(yù)測(cè)[8]等技術(shù)的提升;在應(yīng)用方面,涉及通過(guò)構(gòu)建事理圖譜形成具有多維特征的網(wǎng)絡(luò)輿情事件可視化摘要[9]、將事理圖譜應(yīng)用于重大突發(fā)公共衛(wèi)生事件[10]等。另外,有也學(xué)者關(guān)注了事理知識(shí)圖譜的概念,2018年,Gottschalk等[11]提出了一種以事件為中心的多語(yǔ)言時(shí)序知識(shí)圖譜,從 DBpedia、YAGO、Wikidata 等現(xiàn)有大型知識(shí)圖譜中抽取了69萬(wàn)個(gè)當(dāng)代和歷史事件、230多萬(wàn)個(gè)時(shí)序關(guān)系,并對(duì)抽取的事件、實(shí)體和關(guān)系進(jìn)行融合。劉政昊等[12]認(rèn)為,事理知識(shí)圖譜融合了客觀知識(shí)和事理邏輯,能夠提供一個(gè)基于多模式知識(shí)關(guān)聯(lián)的邏輯推理框架?？梢钥闯?事理知識(shí)圖譜的本質(zhì)是事理圖譜與知識(shí)圖譜的融合,即謂詞性事件與名詞性實(shí)體的融合,從而形成動(dòng)態(tài)知識(shí)與靜態(tài)知識(shí)的聯(lián)動(dòng)。目前,事理知識(shí)圖譜的相關(guān)研究在國(guó)內(nèi)還處于起步階段。
2.2 面向突發(fā)事件的知識(shí)庫(kù)與決策支持相關(guān)研究
面臨“信息超載”和“知識(shí)匱乏”的雙重困境,高質(zhì)量的情報(bào)資源對(duì)于決策者而言更加重要,相關(guān)領(lǐng)域的學(xué)者們展開(kāi)了面向突發(fā)事件的知識(shí)庫(kù)研究。國(guó)內(nèi)的研究成果大致分為知識(shí)庫(kù)構(gòu)建技術(shù)與面向領(lǐng)域的知識(shí)庫(kù)構(gòu)建兩個(gè)方向。在構(gòu)建技術(shù)方面,主要有知識(shí)獲取與表示[13]、查詢與推理等[14]技術(shù);在面向領(lǐng)域的應(yīng)用方面,領(lǐng)域?qū)＜覙?gòu)建了針對(duì)特定類型突發(fā)事件的監(jiān)測(cè)預(yù)警系統(tǒng)[15]、面向藥品突發(fā)事件的應(yīng)急決策知識(shí)庫(kù)模型[16]、應(yīng)急情報(bào)系統(tǒng)的案例知識(shí)庫(kù)表示模型[17]等。隨著知識(shí)圖譜的大規(guī)模應(yīng)用和神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展,關(guān)于知識(shí)推理的研究進(jìn)入了新的階段,如基于神經(jīng)網(wǎng)絡(luò)的推理方法、混合式推理方法等,如何將知識(shí)推理與知識(shí)庫(kù)的實(shí)時(shí)更新相結(jié)合是重要的研究方向。目前來(lái)看,面向突發(fā)事件的知識(shí)庫(kù)成果越來(lái)越多,但在具體的決策支持方面仍然存在數(shù)據(jù)素材單一、知識(shí)庫(kù)語(yǔ)義分析相對(duì)粗糙化等問(wèn)題。
2.3 突發(fā)事件網(wǎng)絡(luò)輿情與決策支持相關(guān)研究
網(wǎng)絡(luò)輿情一直是情報(bào)學(xué)、新聞傳播學(xué)、政治學(xué)等學(xué)科關(guān)注的重點(diǎn)方向。在突發(fā)事件情境下,網(wǎng)絡(luò)輿情相關(guān)問(wèn)題則顯得更為特殊和重要。近年來(lái)相關(guān)方向的研究成果主要圍繞輿情演化、輿情預(yù)測(cè)和輿情治理這三個(gè)主題展開(kāi)。在輿情演化方面,有研究利用知識(shí)圖譜構(gòu)建技術(shù),基于微博平臺(tái)構(gòu)建突發(fā)公共衛(wèi)生事件輿情話題圖譜,分析輿情的演化規(guī)律和趨勢(shì)[18];在輿情預(yù)測(cè)方面,有研究構(gòu)建網(wǎng)絡(luò)輿情案例推理模型,從輿情預(yù)測(cè)的角度為突發(fā)事件應(yīng)急決策提供思路[19];在輿情治理方面,有學(xué)者提出網(wǎng)絡(luò)輿情治理模型,為突發(fā)事件網(wǎng)絡(luò)輿情精準(zhǔn)處置與動(dòng)態(tài)決策提供新思路[20]?？傮w來(lái)看,網(wǎng)絡(luò)輿情分析已經(jīng)成為突發(fā)事件尤其是重大突發(fā)事件決策支持中必不可少的內(nèi)容,但現(xiàn)有相關(guān)研究主要是沿襲著網(wǎng)絡(luò)空間的分析視角,并未將關(guān)注點(diǎn)聚焦到業(yè)務(wù)與網(wǎng)絡(luò)融合方向。
2.4 研究述評(píng)
綜上所述,針對(duì)突發(fā)事件的決策支持成為圖書(shū)情報(bào)領(lǐng)域的研究熱點(diǎn),也取得了許多有價(jià)值的成果。這些研究還存在以下不足:第一,事理圖譜已應(yīng)用于金融、政策、輿情、出行等領(lǐng)域,但在突發(fā)事件應(yīng)急管理領(lǐng)域的應(yīng)用較少,并且缺少跟知識(shí)圖譜的融合。第二,突發(fā)事件知識(shí)庫(kù)的構(gòu)建在方法層面已取得不錯(cuò)的進(jìn)展,應(yīng)急情報(bào)研究方向的不少學(xué)者也關(guān)注著知識(shí)庫(kù)的研究,但在面向領(lǐng)域的應(yīng)用層面缺少與動(dòng)態(tài)知識(shí)的結(jié)合。此外,許多研究成果只注重突發(fā)事件本身的知識(shí),忽略了網(wǎng)絡(luò)輿情這一知識(shí)源,從而導(dǎo)致知識(shí)庫(kù)的推薦解決方案僅局限于業(yè)務(wù)層面。第三,突發(fā)事件網(wǎng)絡(luò)輿情的相關(guān)研究主要側(cè)重于輿情演化動(dòng)因和演化規(guī)律,缺乏與事件業(yè)務(wù)層的結(jié)合,情報(bào)展現(xiàn)維度較為單一?；谝陨喜蛔?本文面向突發(fā)事件領(lǐng)域,利用事理圖譜、主題挖掘、情感分析等技術(shù),構(gòu)建業(yè)務(wù)空間與網(wǎng)絡(luò)空間兼?zhèn)涞那閳?bào)支持路徑。最后,以?；肥鹿蕿槔?證實(shí)該路徑的可行性和有效性。
3 融合事理知識(shí)圖譜與網(wǎng)絡(luò)輿情分析的突發(fā)事件情報(bào)支持路徑構(gòu)建
為了詳細(xì)闡述如何構(gòu)建融合知識(shí)和事理、業(yè)務(wù)與網(wǎng)絡(luò)的突發(fā)事件情報(bào)支持路徑,本文給出了實(shí)現(xiàn)思路,如圖1所示。具體而言,第一,從相關(guān)部門的官網(wǎng)、社交媒體平臺(tái)等獲取近年來(lái)某類突發(fā)事件的真實(shí)案例及其引發(fā)的網(wǎng)絡(luò)輿情數(shù)據(jù),構(gòu)成基礎(chǔ)數(shù)據(jù)層。第二,結(jié)合應(yīng)急決策主體需求與事件特征,一方面利用事理知識(shí)圖譜從認(rèn)知智能角度真實(shí)刻畫(huà)突發(fā)事件的發(fā)展脈絡(luò),展現(xiàn)事件事理知識(shí);另一方面借助網(wǎng)絡(luò)輿情分析描述突發(fā)事件對(duì)網(wǎng)絡(luò)空間的影響,展現(xiàn)事件關(guān)鍵節(jié)點(diǎn)延伸的網(wǎng)絡(luò)輿情,從而構(gòu)建起融合事理與知識(shí)、業(yè)務(wù)與網(wǎng)絡(luò)的情報(bào)服務(wù)層。第三,基于事故摘要相似度實(shí)現(xiàn)對(duì)新事件的資源匹配。最后,將情報(bào)服務(wù)層的資源以可視化的形式展現(xiàn)給應(yīng)急決策主體,以提供決策支持。
圖1 突發(fā)事件情報(bào)支持路徑構(gòu)建整體框架
3.1 基礎(chǔ)數(shù)據(jù)層的構(gòu)建
基礎(chǔ)數(shù)據(jù)層包括業(yè)務(wù)空間數(shù)據(jù)和網(wǎng)絡(luò)空間數(shù)據(jù)。信息網(wǎng)絡(luò)化尤其是移動(dòng)互聯(lián)網(wǎng)時(shí)代的到來(lái),催生了網(wǎng)絡(luò)輿情乃至“信息疫情”。突發(fā)事件比以往任何時(shí)候都更容易映射到網(wǎng)絡(luò)上,甚至引發(fā)一系列子事件。因此,為保證基礎(chǔ)數(shù)據(jù)層的完整性,業(yè)務(wù)空間數(shù)據(jù)的來(lái)源不僅包括相關(guān)部門公布的調(diào)查結(jié)果,還包括網(wǎng)絡(luò)上媒體的報(bào)道,以補(bǔ)充調(diào)查結(jié)果中缺失的潛在子事件。網(wǎng)絡(luò)空間的數(shù)據(jù)來(lái)自以微博為代表的社交媒體,各類社交媒體為民眾提供了一個(gè)更加便利的“發(fā)聲”平臺(tái),這些輿論是網(wǎng)絡(luò)空間治理的數(shù)據(jù)基石。
3.2 情報(bào)服務(wù)層的構(gòu)建與情報(bào)資源匹配
過(guò)去同類突發(fā)事件的演化邏輯和解決方案對(duì)當(dāng)前發(fā)生的事件有著重要的參考價(jià)值,利用“歷史記憶”判斷“當(dāng)前態(tài)勢(shì)”,能夠讓決策者對(duì)此時(shí)發(fā)生的事件有一個(gè)整體的認(rèn)知。將基礎(chǔ)數(shù)據(jù)資源進(jìn)行整合,構(gòu)成情報(bào)服務(wù)層,旨在隨時(shí)為應(yīng)急決策主體提供已發(fā)生事件的發(fā)展脈絡(luò)、演變規(guī)律和模式情報(bào)。通過(guò)比較新事件與舊事件在情景上的相似程度,從情報(bào)資源庫(kù)中獲取能夠匹配當(dāng)前事件的“歷史記憶”,為新事件的應(yīng)急決策提供思路。
有學(xué)者提出基于情景相似度的突發(fā)事件情報(bào)感知思路,利用HowNet語(yǔ)義相似度計(jì)算工具WordSimilarity完成新情景要素與已有情景要素的相似度檢驗(yàn),進(jìn)而匹配出已有的情報(bào)資源[21]。本文借鑒該思路,采用TextRank算法從事故案例中提取事故摘要,計(jì)算摘要之間的余弦相似度,利用與新事故較為相似的事故情報(bào)資源為新事故的應(yīng)急決策提供支持。TextRank算法來(lái)源于網(wǎng)頁(yè)排序算法PageRank,通過(guò)構(gòu)建以句子為節(jié)點(diǎn)、以句子間相似度為邊的圖模型,計(jì)算出每個(gè)句子的PageRank得分,選取得分最高的句子作為摘要候選句?；谑鹿收嗨贫鹊那閳?bào)資源匹配算法可以表示為:
(1)
設(shè)新事故ei的摘要句子集合表示為Ai={Si1,Si2,...,Sim},案例庫(kù)中某事故ej的摘要句子集合表示為Aj={Sj1,Sj2,...,Sjn},全部事故摘要設(shè)為集合D={A1,A2,...,Ak}。公式(1)中Sim(Ai,Aj)表示事故摘要Ai和Aj之間的相似度,是情報(bào)資源匹配的依據(jù),sim(Sip,Sjq)為Ai中第p個(gè)句子Sip和Aj中第q個(gè)句子Sjq的相似度。
3.3 事理知識(shí)圖譜構(gòu)建
本文主要關(guān)注因果事理邏輯,依據(jù)生成的因果關(guān)系規(guī)則,進(jìn)行因果判定、事件對(duì)提取和事件泛化,形成具有<事件1,關(guān)系,事件2>結(jié)構(gòu)的事理圖譜。同時(shí)考慮到突發(fā)事件涉及的非人為因素和人為因素,通過(guò)命名實(shí)體識(shí)別與關(guān)系抽取構(gòu)建具有<實(shí)體,屬性,實(shí)體><實(shí)體,屬性,屬性值>結(jié)構(gòu)的知識(shí)圖譜。最后,通過(guò)Neo4j圖數(shù)據(jù)庫(kù)完成事理知識(shí)圖譜的融合,從而更好地為突發(fā)事件應(yīng)急決策提供數(shù)據(jù)支撐,為資源配置提供服務(wù)。
3.3.1 因果判定與事件對(duì)提取
明確因果句具有特殊的觸發(fā)詞,利用因果觸發(fā)詞生成句法模式,繼而設(shè)計(jì)規(guī)則模板,是判定因果句較為有效的方法。表1為因果句句法模板,包含了五種常見(jiàn)的明確因果句句法模式以及對(duì)應(yīng)的因果觸發(fā)詞和詞性。
表1 因果句句法模板[22]
為表1中每個(gè)句法模式定義一條正則表達(dá)式以識(shí)別文檔包含的明確因果句,并結(jié)合基于語(yǔ)義角色匹配和基于模式匹配這兩種方式,設(shè)計(jì)了五種規(guī)則模板以提取因果事件對(duì),見(jiàn)表2。
表2 因果對(duì)提取規(guī)則
國(guó)內(nèi)外學(xué)者提出了不同的事件表示方法,包括事件元素表示法、動(dòng)詞和名詞集合表示法、謂詞短語(yǔ)法等。本文采用Zhao等[23]提出的動(dòng)詞和名詞集合表示法來(lái)表示事件,形如ei={wi|wi∈Verbs∪Nouns},Verbs和Nouns分別表示動(dòng)詞集合和名詞集合,一個(gè)事件可以有多個(gè)動(dòng)詞和名詞?；谡Z(yǔ)義角色的提取方法將A0(施事者)看作原因事件,將A1(受事者)看作結(jié)果事件。如果一句話中存在多個(gè)A0,則原因事件為所有A0對(duì)應(yīng)的詞的拼接;同理,如果一句話中存在多個(gè)A1或者除了A0、A1還有A2時(shí),則將所有A1、A2對(duì)應(yīng)的詞按順序拼接作為結(jié)果事件。基于模式匹配的提取方法直接通過(guò)正則表達(dá)式提取出原因短句和結(jié)果短句。實(shí)驗(yàn)表明,基于語(yǔ)義角色的提取方法能夠從動(dòng)詞觸發(fā)的因果句中直接提取出動(dòng)名詞形式的因果事件對(duì),同時(shí)避免了基于模式匹配結(jié)果冗長(zhǎng)的缺點(diǎn)。對(duì)于非動(dòng)詞觸發(fā)的因果句,不易通過(guò)語(yǔ)義角色標(biāo)注來(lái)識(shí)別原因事件和結(jié)果事件,故采用基于模式匹配的方法提取這類因果句中的因果描述短句,在事件泛化階段再轉(zhuǎn)為動(dòng)名詞形式。
3.3.2 事件泛化
事件泛化是指對(duì)同一類具體的事件進(jìn)行抽象表達(dá)。無(wú)論是基于語(yǔ)義角色提取的因果事件對(duì),還是基于模式匹配提取的因果描述短句,都可能存在語(yǔ)義重復(fù)的現(xiàn)象,如兩個(gè)或兩個(gè)以上的原因事件實(shí)際是一個(gè)事件,所以需要通過(guò)共指融合、事件泛化形成語(yǔ)義明確、更具代表性的事理圖譜。當(dāng)前事件泛化的主要方法有基于選擇性編碼和基于機(jī)器聚類兩種,前者需要依靠大量的人工勞動(dòng),而后者只需要在聚類結(jié)果之上進(jìn)行少量的人工輔助[24]。選擇性編碼是尋找核心范疇,將能夠相容的事件概括為一個(gè)高層次事件,適合數(shù)據(jù)較少的情況?；跈C(jī)器聚類的事件泛化方式應(yīng)用較為廣泛,常見(jiàn)的做法是先將具體事件向量化,再用聚類算法將相似的事件向量歸為一類,最后以抽象事件歸納每一類具體事件簇,該方法在數(shù)據(jù)較多時(shí)能夠大大提高泛化效率。在具體實(shí)踐中,應(yīng)根據(jù)數(shù)據(jù)量多少和業(yè)務(wù)需要來(lái)選擇事件泛化方法。本文以危化品事故為例,綜合考量因果事件對(duì)的數(shù)目多少、事件表示的難易度、人工泛化的時(shí)間等因素,發(fā)現(xiàn)基于選擇性編碼的方法效果更好,因此采用該方法實(shí)現(xiàn)事件泛化。
3.3.3 命名實(shí)體識(shí)別與關(guān)系抽取
目前,命名實(shí)體識(shí)別主要有基于規(guī)則[25]、基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)[26]、基于深度學(xué)習(xí)[27]這三種方法?；谝?guī)則的方法能夠在特定領(lǐng)域的語(yǔ)料上獲得理想的識(shí)別效果,但領(lǐng)域移植性較差,面對(duì)新領(lǐng)域的語(yǔ)料往往需要重新制定規(guī)則?；诮y(tǒng)計(jì)機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)的方法均可以彌補(bǔ)基于規(guī)則方法的不足,并在許多語(yǔ)料上被證明具有較高的識(shí)別效果。面向突發(fā)事件領(lǐng)域,事件發(fā)生時(shí)間、發(fā)生地點(diǎn)、相關(guān)機(jī)構(gòu)名和相關(guān)人名通常是基本的命名實(shí)體,根據(jù)突發(fā)事件領(lǐng)域的不同,在此基礎(chǔ)上增加其他實(shí)體類型。本文主要與?；肥鹿氏嚓P(guān),使用基于深度學(xué)習(xí)的方法,通過(guò)封裝的LTP命名實(shí)體識(shí)別模塊提取人名和機(jī)構(gòu)名;使用基于規(guī)則的方法提取時(shí)間和?；访Q;?；肥鹿噬婕暗牡攸c(diǎn)粒度較小,因此依靠人工識(shí)別事故發(fā)生地點(diǎn)。以因果事件對(duì)為線索,反向搜索因果句,從而找出實(shí)體與實(shí)體、實(shí)體與事件之間的關(guān)系。
3.3.4 事理知識(shí)圖譜融合
事理邏輯與實(shí)體關(guān)系的融合足以為一個(gè)突發(fā)事件的業(yè)務(wù)層面聚合起豐富的信息點(diǎn),同時(shí)為決策者大大節(jié)省了搜集情報(bào)的時(shí)間,利用Neo4j圖數(shù)據(jù)庫(kù)建立事理知識(shí)圖譜,使得突發(fā)事件業(yè)務(wù)空間的知識(shí)在一張圖上完整呈現(xiàn)。首先增加一個(gè)帶有突發(fā)事件名稱的中心節(jié)點(diǎn),再建立以原因事件為源節(jié)點(diǎn)、結(jié)果事件為目標(biāo)節(jié)點(diǎn)、因果關(guān)系為邊的有向圖,將所有原因節(jié)點(diǎn)與中心節(jié)點(diǎn)相連,由此形成脈絡(luò)清晰的事理演化邏輯圖。隨后將提取出的時(shí)間、地點(diǎn)等實(shí)體作為節(jié)點(diǎn),將這些節(jié)點(diǎn)與相關(guān)的事件節(jié)點(diǎn)進(jìn)行連接,最終完成圖數(shù)據(jù)庫(kù)中事理知識(shí)圖譜的構(gòu)建。原因事件和結(jié)果事件揭示了事理層面的動(dòng)態(tài)知識(shí),實(shí)體代表了特征層面的靜態(tài)知識(shí),以實(shí)體與事件之間的關(guān)聯(lián)關(guān)系為紐帶,達(dá)到事理與知識(shí)融合的目的。
3.4 網(wǎng)絡(luò)輿情分析
突發(fā)事件發(fā)生后,群眾的情感很容易受到輿論的影響,再加上網(wǎng)絡(luò)推手刻意制造恐慌氣氛,極易形成輿情風(fēng)暴。同一類突發(fā)事件所引起的網(wǎng)絡(luò)輿情往往具有相似的特征和演化趨勢(shì),對(duì)于新事件的網(wǎng)絡(luò)輿情預(yù)警和治理工作有一定的參考價(jià)值。
3.4.1 主題挖掘
主題挖掘技術(shù)是在網(wǎng)絡(luò)輿情分析中被廣泛使用的一種技術(shù),通過(guò)對(duì)語(yǔ)料進(jìn)行聚類,能夠獲得網(wǎng)民討論的話題數(shù)量,總結(jié)出話題類型,從宏觀上反映出網(wǎng)絡(luò)輿情的熱點(diǎn)。最為常用的主題模型是LDA,該模型是基于“文檔-主題-詞”的貝葉斯概率模型,具有高效的抽樣推理算法和模型泛化能力。本文采用LDA模型對(duì)不同階段的輿情語(yǔ)料進(jìn)行主題聚類分析,得到詞匯-主題分布,再由人工總結(jié)主題。
3.4.2 情感分析
情感分析是網(wǎng)絡(luò)輿情分析中關(guān)鍵的一環(huán),大眾情感和情緒是網(wǎng)絡(luò)輿情的“牽引繩”,情緒的爆發(fā)很容易帶動(dòng)輿論節(jié)奏朝惡化的方向發(fā)展,進(jìn)而影響整個(gè)網(wǎng)絡(luò)空間的秩序。自社交媒體興起以來(lái),許多學(xué)者都致力于研究網(wǎng)民情感演化特征[28-30],以及網(wǎng)絡(luò)輿情引導(dǎo)策略[31]。國(guó)內(nèi)外學(xué)者的研究?jī)?nèi)容包括情感的主客觀分析、情感極性分析和多情感分類等,使用的方法主要是無(wú)監(jiān)督的基于情感詞典的方法和有監(jiān)督的基于機(jī)器學(xué)習(xí)方法。
本文采用無(wú)監(jiān)督的方法,首先利用SnowNLP計(jì)算不同階段輿情語(yǔ)料的情感分?jǐn)?shù),再基于大連理工大學(xué)的情感詞匯本體庫(kù)[32]對(duì)輿情語(yǔ)料進(jìn)行分類,最后進(jìn)行可視化以揭示突發(fā)事件網(wǎng)絡(luò)輿情的情感演化規(guī)律。SnowNLP的情感計(jì)算以樸素貝葉斯分類器為原理,對(duì)新數(shù)據(jù)的情感值做預(yù)測(cè),計(jì)算公式為:
(2)
SnowNLP的計(jì)算結(jié)果區(qū)間為[0,1],分?jǐn)?shù)越接近1代表情感越偏正向,越接近0代表情感越偏負(fù)向。大連理工大學(xué)的情感詞匯本體庫(kù)將情感分為“樂(lè)”“好”“怒”“哀”“懼”“惡”“驚”7個(gè)大類和21個(gè)小類,依據(jù)情感詞典,統(tǒng)計(jì)每條語(yǔ)料所包含的情感詞典中的詞,進(jìn)而統(tǒng)計(jì)出每個(gè)階段不同情感類別的語(yǔ)料所占比重。
4 實(shí)證研究
危險(xiǎn)化學(xué)品事故是指由易燃、易爆、帶有腐蝕性、毒性和放射性等危險(xiǎn)特性的化學(xué)品引發(fā)的災(zāi)害事故,具有突發(fā)性強(qiáng)、擴(kuò)散速度快、救援困難等特點(diǎn)[33]?！笆濉逼陂g(2016—2020年),全國(guó)共發(fā)生化工和危險(xiǎn)化學(xué)品事故929起,導(dǎo)致1176人死亡,其中2017—2019年,每年至少發(fā)生2起重大及以上事故[34]。這類突發(fā)事件一旦發(fā)生,極易造成巨大的經(jīng)濟(jì)損失和人員傷亡。經(jīng)過(guò)對(duì)近年來(lái)典型?；肥鹿拾咐牧私獍l(fā)現(xiàn),事故涉及的?；贰⒁l(fā)事故的因素以及事故經(jīng)過(guò)有一定的規(guī)律可循。為了能最大程度地減少?；肥鹿实陌l(fā)生,將事故帶來(lái)的損失降至最低,本文以?；肥鹿蕿槔?從中央和各個(gè)地方的應(yīng)急管理部門官網(wǎng)獲取2016—2021年典型?；肥鹿拾咐?53個(gè),以中毒窒息類和爆炸類事故為主,構(gòu)成情報(bào)資源案例庫(kù)。利用已有的知識(shí)分析相似事件的發(fā)展脈絡(luò)和網(wǎng)絡(luò)影響,從而為相關(guān)部門在類似事件的預(yù)防和快速應(yīng)對(duì)方面提供支持。
4.1 基于事故摘要相似度的情報(bào)資源匹配
某一類突發(fā)事件的典型案例往往包含了該類事件的共同情景特征,如經(jīng)濟(jì)損失、傷亡人數(shù)、涉及的?；返?包含這些特征的事故經(jīng)過(guò)是判斷不同事故相似性的基礎(chǔ)。首先,對(duì)事故經(jīng)過(guò)文檔進(jìn)行分句、分詞、去停用詞,使用預(yù)訓(xùn)練的中文維基百科詞向量獲取每句話的句向量;然后,以文檔的每句話作為節(jié)點(diǎn),以句子之間的相似度作為邊的權(quán)重構(gòu)建圖模型,求出每個(gè)句子的PageRank得分;最后,將PageRank得分降序排列,抽取出前五個(gè)重要度較高的句子形成該文檔的摘要。為了確保每篇摘要都包含重要的事故情景特征,對(duì)于不太理想的自動(dòng)文摘,輔以人工處理。
本文選取2021年傷亡情況最嚴(yán)重的湖北省十堰市張灣區(qū)艷湖社區(qū)集貿(mào)市場(chǎng)“6·13”重大燃?xì)獗ㄊ鹿首鳛樾率鹿蔱1。需要說(shuō)明的是,在實(shí)際情報(bào)支持運(yùn)行系統(tǒng)中,新事故e1應(yīng)是實(shí)時(shí)發(fā)生的新事件,需實(shí)現(xiàn)快速應(yīng)急響應(yīng)。以艷湖社區(qū)集貿(mào)市場(chǎng)事件為示范,基于公式(1)計(jì)算出事故摘要間的相似度,結(jié)果見(jiàn)表3。
表3 事故摘要相似度匹配結(jié)果
從表3中可以看出,匹配到相似度最高的事故為大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿?利用該事故的事理知識(shí)圖譜分析其引發(fā)的網(wǎng)絡(luò)輿情,為新事故e1的應(yīng)急決策提供情報(bào)支持。
4.2 事理知識(shí)圖譜構(gòu)建
以大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿实氖鹿收{(diào)查報(bào)告為主要數(shù)據(jù)源,以“大連金州燃?xì)獗ā睘殛P(guān)鍵詞搜索微博話題,得到各個(gè)話題下的微博博文1063條,去重去噪后剩418條,對(duì)調(diào)查報(bào)告和微博博文進(jìn)行分句、分詞、去停用詞等預(yù)處理工作。
根據(jù)表2的規(guī)則模板提取出因果對(duì)47對(duì),事故調(diào)查報(bào)告和微博博文中存在一樣的因果對(duì),去重后得到38對(duì)。以表4為例,針對(duì)這些因果事件進(jìn)行編碼,將同類的具體事件用同一個(gè)范疇表示。經(jīng)過(guò)共指融合和事件泛化,剩下因果事件對(duì)共21對(duì),將其導(dǎo)入圖數(shù)據(jù)庫(kù)。
表4 事件泛化示例
以這些因果對(duì)為線索,在事故調(diào)查報(bào)告和微博博文中尋找相關(guān)知識(shí)如時(shí)間、地點(diǎn)、機(jī)構(gòu)、涉及?；返?將這些知識(shí)鏈接到事理圖譜中對(duì)應(yīng)的事件節(jié)點(diǎn)上,完成事理與知識(shí)的融合。本文將突發(fā)事件相關(guān)實(shí)體分為企業(yè)、責(zé)任人、時(shí)間、地點(diǎn)四類,利用LTP的命名實(shí)體模塊識(shí)別人名、企業(yè)名,對(duì)不準(zhǔn)確、不完整的識(shí)別結(jié)果輔以人工識(shí)別?；谡齽t匹配和語(yǔ)義角色標(biāo)注結(jié)合的方式來(lái)識(shí)別時(shí)間,如“23時(shí)至24時(shí)”“下星期”“23日上午”等時(shí)間描述,無(wú)法通過(guò)一個(gè)正則表達(dá)式匹配出來(lái),而LTP的語(yǔ)義角色標(biāo)注模塊能夠識(shí)別出包括上文列舉字符在內(nèi)的絕大部分的時(shí)間類型,缺點(diǎn)是速度較慢。故采用二者相結(jié)合的方式,編寫(xiě)匹配標(biāo)準(zhǔn)年月日時(shí)分秒格式的正則表達(dá)式,若匹配結(jié)果為空,再用LTP做語(yǔ)義角色標(biāo)注。以中華人民共和國(guó)應(yīng)急管理部2015年發(fā)布的《危險(xiǎn)化學(xué)品目錄》作為詞典,基于規(guī)則匹配的方式提取事故涉及的?；访Q。對(duì)于地點(diǎn)實(shí)體,突發(fā)事件中的地點(diǎn)既包括該事件發(fā)生的省、市、縣,又包括子事件發(fā)生的小地點(diǎn)如“XX小區(qū)”“XX餐館”等,這些小地點(diǎn)不易被現(xiàn)有工具直接識(shí)別,故本文采用人工識(shí)別的方式。
企業(yè)與責(zé)任人實(shí)體的識(shí)別與關(guān)系抽取是同步進(jìn)行的,責(zé)任人作為企業(yè)的屬性,與企業(yè)一起形成例如<企業(yè),法定代表人,人名>這樣的三元組結(jié)構(gòu)。時(shí)間和地點(diǎn)實(shí)體與突發(fā)事件的因果事件對(duì)相關(guān)聯(lián),從原因事件或結(jié)果事件所在的句子中抽取時(shí)間和地點(diǎn),與子事件組成<子事件,時(shí)間,具體時(shí)間><子事件,地點(diǎn),具體地點(diǎn)>的三元組結(jié)構(gòu)。
圖2融合了大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿实氖录莼壿嬇c相關(guān)實(shí)體,綠色節(jié)點(diǎn)表示原因事件,粉色節(jié)點(diǎn)表示結(jié)果事件,相關(guān)機(jī)構(gòu)存在的問(wèn)題屬于引發(fā)該事故的間接原因,所以也標(biāo)為綠色。
圖2 事理知識(shí)圖譜示例
傳統(tǒng)的事件脈絡(luò)梳理方式以經(jīng)驗(yàn)性總結(jié)為主,這往往會(huì)忽視細(xì)節(jié)化的次生衍生事件或節(jié)點(diǎn)信息?；谑吕碇R(shí)圖譜的事件脈絡(luò)梳理可以更加系統(tǒng)且直觀地聚焦和展現(xiàn)事件的全景節(jié)點(diǎn),并強(qiáng)調(diào)從數(shù)據(jù)驅(qū)動(dòng)視角實(shí)現(xiàn)事件演化演變的智能化自動(dòng)化輸出,便于應(yīng)急決策者快速提煉出事件發(fā)展脈絡(luò)和影響鏈。為了更好地刻畫(huà)相關(guān)實(shí)證研究突發(fā)事件的事理發(fā)展邏輯,基于事理知識(shí)圖譜進(jìn)一步梳理出事故的發(fā)展脈絡(luò),具體見(jiàn)圖3。
4.3 網(wǎng)絡(luò)輿情分析
在輿情情報(bào)資源庫(kù)中,主要是選取了新浪微博平臺(tái)相關(guān)數(shù)據(jù),獲取了大連金州爆炸事故的一級(jí)、二級(jí)微博評(píng)論,刪除重復(fù)的、評(píng)論時(shí)間為空的記錄,最終留下具有代表性的評(píng)論共計(jì)1448條。結(jié)合上述基于事理知識(shí)圖譜分析而出的關(guān)鍵事故脈絡(luò),根據(jù)事件關(guān)鍵節(jié)點(diǎn)和輿情發(fā)展情況,對(duì)應(yīng)刻畫(huà)出三個(gè)關(guān)鍵子事件輿情全景,包括爆炸、確認(rèn)傷亡、平息(1)輿情節(jié)點(diǎn)劃分可根據(jù)事件具體情況而定,本文中的事件影響范圍相對(duì)較小,僅刻畫(huà)出三個(gè)節(jié)點(diǎn)。對(duì)于輿情影響較大的突發(fā)事件,可根據(jù)事件情況劃分輿情周期以及關(guān)鍵節(jié)點(diǎn)并做出輿情刻畫(huà)。。
4.3.1 主題挖掘結(jié)果分析
利用LDA主題聚類模型分別對(duì)三個(gè)子事件輿情節(jié)點(diǎn)的評(píng)論建模,根據(jù)各節(jié)點(diǎn)的主題詞分布,總結(jié)出爆炸、確認(rèn)傷亡和平息對(duì)應(yīng)的輿情話題,如表5所示。
大連金州爆炸事故造成了較大的人員傷亡,事故消息一經(jīng)發(fā)布,網(wǎng)絡(luò)輿情迅速爆發(fā),網(wǎng)友們紛紛祈禱傷者平安。新華社于爆炸發(fā)生7小時(shí)后報(bào)道了傷亡情況,此后信息傳播速度加快,輿論進(jìn)一步發(fā)酵。第二天事故逐漸平息,相關(guān)微博數(shù)量大大減少,群眾訴求也從“祈求平安”轉(zhuǎn)變?yōu)椤白肪控?zé)任”?？傮w來(lái)看,爆炸類?；吠话l(fā)事件容易造成網(wǎng)絡(luò)輿情的突然爆發(fā),輿情規(guī)模、平息速度與事故傷亡情況有一定的相關(guān)性,輿情熱點(diǎn)往往會(huì)從傷亡情況變?yōu)橐鹗鹿实脑蚝蜕媸缕髽I(yè)。
4.3.2 情感演化結(jié)果分析
利用SnowNLP和大連理工大學(xué)情感詞匯本體庫(kù)分析三個(gè)節(jié)點(diǎn)評(píng)論的情感正負(fù)極性和類別,先計(jì)算每條評(píng)論的情感分?jǐn)?shù),分別統(tǒng)計(jì)正向和負(fù)向評(píng)論占相應(yīng)節(jié)點(diǎn)總評(píng)論數(shù)的比例,見(jiàn)圖4;然后統(tǒng)計(jì)各節(jié)點(diǎn)評(píng)論所包含的屬于情感七大類的情感詞個(gè)數(shù),對(duì)每一類的情感詞進(jìn)行加總并計(jì)算百分比,見(jiàn)圖5。
圖4 大連金州爆炸事故的網(wǎng)絡(luò)輿情情感傾向圖
圖5 大連金州爆炸事故的網(wǎng)絡(luò)輿情情緒演變圖
縱觀整個(gè)網(wǎng)絡(luò)輿情的關(guān)鍵節(jié)點(diǎn),從情感傾向上看,情感由正向轉(zhuǎn)為負(fù)向,最終以負(fù)向情感主導(dǎo)收尾;從情緒類別上看,情緒由“好”轉(zhuǎn)“惡”,主要由“好”“樂(lè)”“惡”三種情緒主導(dǎo)。在爆炸節(jié)點(diǎn),主題挖掘結(jié)果中的“希望”“安好”等詞對(duì)應(yīng)了情緒分類中“好”和“樂(lè)”兩大類別;在確認(rèn)傷亡節(jié)點(diǎn),“好”和“樂(lè)”的情緒比例下降,“惡”的比例上升;在平息節(jié)點(diǎn),“惡”的比例繼續(xù)上升,不少責(zé)怪涉事企業(yè)的評(píng)論正對(duì)應(yīng)了“惡”。
從大連金州爆炸事故的主題挖掘和情感演化結(jié)果中可以看出,該類事故的網(wǎng)絡(luò)輿情有著特殊的規(guī)律。與諸多突發(fā)事件網(wǎng)絡(luò)輿情相比,?；奉愅话l(fā)事件所引發(fā)的輿情在一開(kāi)始就隨著事故的發(fā)生迅速爆發(fā),大眾情緒與熱點(diǎn)話題相互影響,相互牽動(dòng)。面對(duì)?；肥鹿试斐傻妮^大傷亡,最初的關(guān)注點(diǎn)通常都是生命安全,隨著事故原因的水落石出,關(guān)注點(diǎn)會(huì)變?yōu)槭鹿氏嚓P(guān)的責(zé)任人、責(zé)任企業(yè)等,大眾情緒也隨之惡化。
4.4 決策支持相關(guān)評(píng)估分析
從官方公布的湖北省十堰市張灣區(qū)艷湖社區(qū)集貿(mào)市場(chǎng)“6·13”重大燃?xì)獗ㄊ鹿收{(diào)查報(bào)告來(lái)看,該事故與大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿实陌l(fā)生原因存在不少相似點(diǎn)。第一,管道腐蝕是這兩個(gè)事故發(fā)生的根本原因,電化學(xué)腐蝕導(dǎo)致管道出現(xiàn)裂縫或是穿孔,進(jìn)而導(dǎo)致天然氣泄漏。第二,聚集的爆炸性氣體遇到火是二者共同的直接原因。第三,這兩個(gè)事故涉及的企業(yè)有著共同的問(wèn)題,如違規(guī)建設(shè)管道形成安全隱患、未及時(shí)整改隱患問(wèn)題等,這些問(wèn)題是事故發(fā)生的間接原因。由此可見(jiàn),大連金州爆炸事故在業(yè)務(wù)空間上準(zhǔn)確地反映出了湖北十堰市“6·13”爆炸事故的部分原因。
為評(píng)估二者在網(wǎng)絡(luò)空間上的相似程度,另獲取#十堰燃?xì)獗ㄒ阎?5人死亡##十堰發(fā)生燃?xì)獗ㄊ鹿?等話題下的微博評(píng)論,對(duì)評(píng)論進(jìn)行輿情分析發(fā)現(xiàn),該事件的主題與情感方面與大連金州事故有著相似的趨勢(shì)。在主題方面,群眾在事故剛發(fā)生時(shí)的討論話題都是與傷亡情況、經(jīng)濟(jì)損失相關(guān);隨著事故調(diào)查的推進(jìn),群眾關(guān)心的主題逐漸變?yōu)槭鹿试颉⑸婕暗呢?zé)任人等。在情感方面,都是由正向情感主導(dǎo)轉(zhuǎn)為負(fù)向情感主導(dǎo)。因此,針對(duì)?；奉愂鹿室l(fā)的網(wǎng)絡(luò)輿情,相似事件的歷史輿情情報(bào)對(duì)于新事件網(wǎng)絡(luò)輿情的預(yù)防和治理具有一定的借鑒價(jià)值。
5 小結(jié)
情報(bào)是應(yīng)對(duì)突發(fā)事件的重要支撐,在數(shù)智化環(huán)境下,如何打造出更加系統(tǒng)、集成化的情報(bào)服務(wù)成為應(yīng)急情報(bào)領(lǐng)域關(guān)注的重點(diǎn)。本文提出了融合事理知識(shí)圖譜與網(wǎng)絡(luò)輿情分析的突發(fā)事件情報(bào)支持路徑,認(rèn)為兩者的結(jié)合能夠更好地為應(yīng)急決策主體提供決策支持服務(wù)。同時(shí),以?；肥鹿蕿槔?基于事故摘要相似度實(shí)現(xiàn)情報(bào)資源的感知匹配,通過(guò)構(gòu)造大連金普新區(qū)“1·25”較大燃?xì)庑孤┍ㄊ鹿实氖吕碇R(shí)圖譜,用以闡明突發(fā)事件事實(shí)情報(bào)層;通過(guò)主題聚類、情感計(jì)算、情緒分類等技術(shù)對(duì)該事故的網(wǎng)絡(luò)輿情進(jìn)行分析,用以描述突發(fā)事件輿情情報(bào)層。
本文的研究貢獻(xiàn)體現(xiàn)在三個(gè)方面:第一,理念上,跳出了傳統(tǒng)單一維的情報(bào)支持邏輯,提出了融合業(yè)務(wù)空間和網(wǎng)絡(luò)空間的情報(bào)支持路徑,以更加全面地支持應(yīng)急管理部門響應(yīng)突發(fā)事件,對(duì)特定領(lǐng)域的知識(shí)庫(kù)構(gòu)建有一定的理論指導(dǎo)意義;第二,方法上,提出了一種融合事理知識(shí)圖譜構(gòu)建方法與網(wǎng)絡(luò)輿情分析方法的集成技術(shù)框架和細(xì)節(jié)化實(shí)現(xiàn)路徑,可以支持特定領(lǐng)域的情報(bào)支持研究;第三,實(shí)踐上,經(jīng)過(guò)實(shí)證研究與相關(guān)評(píng)估分析,本文提出的情報(bào)支持路徑可以支持?；奉I(lǐng)域突發(fā)事件管理決策,同時(shí)也可為其他領(lǐng)域?qū)嵺`提供參考,具有一定的實(shí)踐指導(dǎo)意義。
本文的研究仍存在著以下局限:一是信息源不夠多樣化,盡管本文在實(shí)證研究中已盡可能多地從不同渠道獲取數(shù)據(jù),但仍有可能因?yàn)閿?shù)據(jù)量不足而影響情報(bào)支持路徑的有效性;二是突發(fā)事件的應(yīng)急管理離不開(kāi)相應(yīng)領(lǐng)域?qū)＜业闹С?在事理知識(shí)圖譜構(gòu)建過(guò)程中應(yīng)該加入專家討論、專家評(píng)判等環(huán)節(jié);三是事理知識(shí)圖譜的相關(guān)研究還處于起步階段,尤其是因果事件對(duì)的提取和事件泛化技術(shù)還有待改進(jìn)。這些問(wèn)題將成為下一步研究的重點(diǎn)。
猜你喜歡
現(xiàn)代裝飾(2022年5期)2022-10-13 08:49:18
現(xiàn)代裝飾(2022年4期)2022-08-31 01:42:30
現(xiàn)代裝飾(2022年3期)2022-07-05 05:59:04
新世紀(jì)智能(高一語(yǔ)文)(2021年4期)2021-07-28 02:12:56
中外文摘(2020年13期)2020-11-12 13:05:19
領(lǐng)導(dǎo)科學(xué)論壇(2016年10期)2016-06-05 09:02:11
文史春秋(2016年8期)2016-02-28 17:41:32
小天使·一年級(jí)語(yǔ)數(shù)英綜合(2015年10期)2015-10-14 06:37:12
小說(shuō)月刊(2014年10期)2014-04-23 08:53:40
月讀(2013年11期)2013-08-15 00:48:32
