周 歡 張培穎 黃曉怡 李軼芳

(湖南工業(yè)大學(xué)商學(xué)院 株洲 412007)

0 引 言

互聯(lián)網(wǎng)技術(shù)的發(fā)展,使得我國(guó)網(wǎng)民結(jié)構(gòu)和網(wǎng)絡(luò)環(huán)境產(chǎn)生了極大的變動(dòng),網(wǎng)絡(luò)輿情熱點(diǎn)敏感事件頻發(fā),輿情事件具有突發(fā)性、不確定性和難控性等特征,易對(duì)社會(huì)和諧穩(wěn)定發(fā)展造成一定威脅?，F(xiàn)有網(wǎng)絡(luò)輿情相關(guān)研究,大多僅對(duì)輿情事件中實(shí)體內(nèi)部特征進(jìn)行分析,未從事件整體層面全面探析網(wǎng)絡(luò)輿情發(fā)展態(tài)勢(shì),導(dǎo)致難以較好地對(duì)網(wǎng)絡(luò)輿情進(jìn)行監(jiān)管,社會(huì)和諧穩(wěn)定受到?jīng)_擊。而事件系統(tǒng)理論通過(guò)對(duì)事件的時(shí)間、空間和強(qiáng)度等要素展開(kāi)分析,能夠從更全面的角度對(duì)有關(guān)事件的現(xiàn)象進(jìn)行描述與解釋,并對(duì)事件的沖擊力進(jìn)行衡量[1]。因此,從事件系統(tǒng)視角,感知網(wǎng)絡(luò)輿情態(tài)勢(shì)并預(yù)測(cè)其后續(xù)演化態(tài)勢(shì),從而實(shí)現(xiàn)網(wǎng)絡(luò)輿情的有效治理,有利于保障整個(gè)社會(huì)的健康、和諧與穩(wěn)定發(fā)展?；诖?本文將網(wǎng)絡(luò)輿情作為研究對(duì)象,從事件系統(tǒng)視角,建立融合態(tài)勢(shì)感知理論和用戶(hù)畫(huà)像的網(wǎng)絡(luò)輿情態(tài)勢(shì)感知模型,通過(guò)劃分輿情演化階段開(kāi)展動(dòng)態(tài)性的網(wǎng)絡(luò)輿情研究,并通過(guò)改進(jìn)預(yù)測(cè)模型實(shí)現(xiàn)更為科學(xué)合理的輿情態(tài)勢(shì)預(yù)測(cè),為網(wǎng)絡(luò)輿情管理部門(mén)的輿情引導(dǎo)與治理提供參考。

1 文獻(xiàn)綜述

1.1 事件系統(tǒng)理論相關(guān)研究

事件系統(tǒng)理論是由Morgeson等[1]提出的一種包括事件時(shí)間、空間與強(qiáng)度屬性的動(dòng)態(tài)系統(tǒng)性理論,其中,時(shí)間屬性涉及事件發(fā)生時(shí)機(jī)和所存在時(shí)長(zhǎng)等,空間屬性重點(diǎn)關(guān)注事件效果的傳播,強(qiáng)度屬性主要關(guān)注事件的新穎性、顛覆性和重要性。該理論自提出以來(lái),被廣泛應(yīng)用于組織管理和個(gè)體行為研究領(lǐng)域。在組織管理方面,現(xiàn)有研究聚焦于事件對(duì)組織合作伙伴選擇、組織安全行為、組織管理能力提升等的影響[2-4];在個(gè)體行為方面,研究重點(diǎn)關(guān)注組織的領(lǐng)導(dǎo)者[5]、現(xiàn)有成員[6]以及求職者[7]的感知與行為的產(chǎn)生、發(fā)展及影響;隨著交叉學(xué)科研究的興起,學(xué)者們逐漸將研究擴(kuò)展到信息管理領(lǐng)域,基于事件系統(tǒng)理論提出信息管理研究框架[8]。

事件系統(tǒng)理論的發(fā)展為連接定性研究與定量研究提供了橋梁,但現(xiàn)有組織管理與個(gè)體行為的研究更多采用量表研究,量表制定、采訪者、受訪者等均對(duì)研究質(zhì)量具有較大影響,且研究對(duì)于事件內(nèi)容的關(guān)注度不足。在信息管理領(lǐng)域,事件內(nèi)容受到關(guān)注,但現(xiàn)有研究?jī)H停留在理論框架的提出階段,尚未有研究從定量分析的角度展開(kāi)。此外,將該理論應(yīng)用于網(wǎng)絡(luò)輿情領(lǐng)域,有助于綜合考慮定性和定量?jī)蓚€(gè)層面,結(jié)合輿情事件實(shí)際內(nèi)容,從系統(tǒng)的角度分析現(xiàn)實(shí)中的輿情問(wèn)題,然而,尚未有基于事件系統(tǒng)理論來(lái)分析網(wǎng)絡(luò)輿情信息的研究涌現(xiàn)。

1.2 網(wǎng)絡(luò)輿情態(tài)勢(shì)感知相關(guān)研究

網(wǎng)絡(luò)輿情是指針對(duì)特定網(wǎng)絡(luò)事件,廣大網(wǎng)民在平等與開(kāi)放的網(wǎng)絡(luò)平臺(tái)中,公開(kāi)、自由地發(fā)表其對(duì)該事件的態(tài)度、觀點(diǎn)與傾向等,也被稱(chēng)作“看得見(jiàn)的聲音”[9]。態(tài)勢(shì)感知即在一定的時(shí)空范圍內(nèi),提取環(huán)境中的要素、理解要素內(nèi)涵并預(yù)測(cè)未來(lái)可能發(fā)生的情況,包括要素感知、態(tài)勢(shì)理解和態(tài)勢(shì)預(yù)測(cè)3個(gè)層次[10]。態(tài)勢(shì)感知最初運(yùn)用在航空、國(guó)防領(lǐng)域和網(wǎng)絡(luò)安全領(lǐng)域,能夠評(píng)估戰(zhàn)場(chǎng)復(fù)雜形勢(shì)從而做出預(yù)測(cè)行動(dòng)[11]。隨著網(wǎng)絡(luò)輿情環(huán)境的復(fù)雜化,學(xué)者們開(kāi)始將態(tài)勢(shì)感知理論應(yīng)用于網(wǎng)絡(luò)輿情治理領(lǐng)域,研究主要包括網(wǎng)絡(luò)輿情態(tài)勢(shì)感知概念界定、內(nèi)容分析、狀態(tài)評(píng)估與預(yù)測(cè)三個(gè)方面。在概念界定方面,現(xiàn)有研究認(rèn)為網(wǎng)絡(luò)輿情態(tài)勢(shì)感知指的是分析網(wǎng)絡(luò)環(huán)境中存在的意識(shí)形態(tài)、思想價(jià)值觀念、道德觀念等[12];在內(nèi)容分析方面,研究重點(diǎn)圍繞情感、主題、觀點(diǎn)等方面展開(kāi)分析[13-14];狀態(tài)評(píng)估與預(yù)測(cè)相關(guān)研究綜合考慮了輿情所涉及的主體信息、文本內(nèi)容和環(huán)境信息等,構(gòu)建狀態(tài)評(píng)估數(shù)理模型,并對(duì)后續(xù)輿情演化趨勢(shì)進(jìn)行預(yù)測(cè)[12,15-16]。

態(tài)勢(shì)感知理論為網(wǎng)絡(luò)輿情研究提供了新的研究落腳點(diǎn),然而,大部分研究關(guān)注的重點(diǎn)實(shí)際在于態(tài)勢(shì)理解層次,而較少涉及要素感知與態(tài)勢(shì)預(yù)測(cè)層次,且已有關(guān)于態(tài)勢(shì)預(yù)測(cè)的研究較少采用定量分析方法開(kāi)展研究,削弱了網(wǎng)絡(luò)輿情態(tài)勢(shì)感知研究的科學(xué)性。

1.3 用戶(hù)畫(huà)像相關(guān)研究

用戶(hù)畫(huà)像是指以用戶(hù)整體為核心,基于多方面的用戶(hù)真實(shí)數(shù)據(jù),對(duì)用戶(hù)的屬性進(jìn)行分類(lèi),并抽取出用戶(hù)的屬性特征,構(gòu)建能夠全方位描繪用戶(hù)的模型[17]。現(xiàn)有關(guān)于用戶(hù)畫(huà)像的研究大多集中于用戶(hù)畫(huà)像構(gòu)成要素、構(gòu)建方法、特征等方面。在用戶(hù)畫(huà)像構(gòu)成要素方面,用戶(hù)的基本信息、社交關(guān)系、用戶(hù)行為、興趣愛(ài)好等要素均為構(gòu)成用戶(hù)畫(huà)像的基本要素[18-19]。除以上基本要素外,不同領(lǐng)域的研究構(gòu)成要素有所不同,如情感傾向是構(gòu)成輿情傳播領(lǐng)域用戶(hù)畫(huà)像的重要要素之一[20]。在構(gòu)建方法方面,基于機(jī)器學(xué)習(xí)或統(tǒng)計(jì)分析的方法是構(gòu)建用戶(hù)畫(huà)像最常用的方法,其中基于機(jī)器學(xué)習(xí)的構(gòu)建方法著重于利用機(jī)器學(xué)習(xí)算法對(duì)目標(biāo)用戶(hù)的屬性特征進(jìn)行提取[21],基于統(tǒng)計(jì)分析的構(gòu)建方法主要通過(guò)統(tǒng)計(jì)分析不同維度的用戶(hù)真實(shí)數(shù)據(jù),勾畫(huà)出用戶(hù)畫(huà)像[22]。在畫(huà)像特征方面,用戶(hù)畫(huà)像具有真實(shí)性、獨(dú)特性、應(yīng)用性、動(dòng)態(tài)性四大基本特征[23]。

用戶(hù)畫(huà)像有助于全面實(shí)現(xiàn)網(wǎng)絡(luò)輿情態(tài)勢(shì)感知,然而,針對(duì)用戶(hù)或者群體等主體的研究較多,針對(duì)網(wǎng)絡(luò)輿情整體的研究還較少,且用戶(hù)畫(huà)像與網(wǎng)絡(luò)輿情態(tài)勢(shì)感知研究往往獨(dú)立展開(kāi),較少有研究將其結(jié)合起來(lái)。

綜上,本研究基于事件系統(tǒng)的視角,結(jié)合網(wǎng)絡(luò)輿情態(tài)勢(shì)感知與用戶(hù)畫(huà)像,從要素感知、態(tài)勢(shì)理解、態(tài)勢(shì)預(yù)測(cè)三個(gè)層面剖析網(wǎng)絡(luò)輿情事件發(fā)展的本質(zhì)特征和內(nèi)部規(guī)律,探究網(wǎng)絡(luò)輿情事件時(shí)間、空間、強(qiáng)度要素的屬性特征,刻畫(huà)網(wǎng)絡(luò)輿情發(fā)展態(tài)勢(shì),并預(yù)測(cè)其未來(lái)發(fā)展趨勢(shì)。

2 事件系統(tǒng)視角下網(wǎng)絡(luò)輿情態(tài)勢(shì)感知模型構(gòu)建

2.1 模型設(shè)計(jì)

本研究融合態(tài)勢(shì)感知理論和用戶(hù)畫(huà)像,構(gòu)建事件系統(tǒng)視角下網(wǎng)絡(luò)輿情態(tài)勢(shì)感知模型,模型分為要素感知層、態(tài)勢(shì)理解層和態(tài)勢(shì)預(yù)測(cè)層3層。在要素感知層首先構(gòu)建網(wǎng)絡(luò)輿情畫(huà)像標(biāo)簽體系,再通過(guò)Python對(duì)事件時(shí)間、空間和強(qiáng)度要素等相關(guān)數(shù)據(jù)進(jìn)行采集,并對(duì)采集后的數(shù)據(jù)進(jìn)行預(yù)處理。在態(tài)勢(shì)理解層,基于預(yù)處理后的數(shù)據(jù),通過(guò)確定輿情生命周期,實(shí)現(xiàn)輿情事件時(shí)間要素理解;通過(guò)統(tǒng)計(jì)微博用戶(hù)關(guān)注數(shù)、粉絲量和點(diǎn)贊數(shù),博文評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)和點(diǎn)贊數(shù)分別計(jì)算輿情擴(kuò)散潛力和輿情擴(kuò)散效果,實(shí)現(xiàn)輿情事件空間要素理解;通過(guò)情感分析,實(shí)現(xiàn)輿情事件強(qiáng)度要素理解;再綜合要素理解結(jié)果生成各階段的輿情畫(huà)像。在態(tài)勢(shì)預(yù)測(cè)層,界定輿情事件回應(yīng)時(shí)間,構(gòu)建Grey-BP神經(jīng)網(wǎng)絡(luò)對(duì)界定時(shí)間內(nèi)的空間要素和強(qiáng)度要素進(jìn)行預(yù)測(cè)。模型框架圖如圖1所示。

圖1 事件系統(tǒng)視角下網(wǎng)絡(luò)輿情態(tài)勢(shì)感知模型

2.2 要素感知層

新浪微博是我國(guó)用戶(hù)量最多的一個(gè)社交網(wǎng)絡(luò)平臺(tái),也是網(wǎng)絡(luò)輿情事件發(fā)酵的主要場(chǎng)所[24]。因此,本研究以微博作為數(shù)據(jù)來(lái)源,從事件系統(tǒng)視角,圍繞輿情事件時(shí)間、空間和強(qiáng)度要素構(gòu)建網(wǎng)絡(luò)輿情畫(huà)像標(biāo)簽體系,并以輿情生命周期作為事件時(shí)間要素的一級(jí)標(biāo)簽,發(fā)博時(shí)間為其二級(jí)標(biāo)簽;以輿情擴(kuò)散潛力和輿情擴(kuò)散效果為事件空間要素的一級(jí)標(biāo)簽,關(guān)注數(shù)、粉絲量和發(fā)文量作為輿情擴(kuò)散潛力的下級(jí)標(biāo)簽,評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)和點(diǎn)贊數(shù)作為輿情擴(kuò)散效果的下級(jí)標(biāo)簽;以輿情情感強(qiáng)度作為事件強(qiáng)度要素的一級(jí)標(biāo)簽,博文文本為其二級(jí)標(biāo)簽。再通過(guò)Python采集要素相關(guān)數(shù)據(jù),并對(duì)其進(jìn)行分詞、去停用詞、剔除無(wú)用無(wú)效信息、數(shù)據(jù)規(guī)范化等數(shù)據(jù)預(yù)處理,獲得易于處理的結(jié)構(gòu)化數(shù)據(jù)。

2.3 態(tài)勢(shì)理解層

網(wǎng)絡(luò)輿情隨著時(shí)間的推移而呈現(xiàn)不同的特征,因此,本研究以事件系統(tǒng)理論為基石,利用時(shí)間序列分析方法對(duì)用戶(hù)發(fā)博時(shí)間進(jìn)行分析,從而確定輿情生命周期,探究網(wǎng)絡(luò)輿情事件時(shí)間要素特征。同時(shí),網(wǎng)絡(luò)輿情事件涉及輿情用戶(hù)、輿情信息以及輿情發(fā)生行為,而用戶(hù)的關(guān)注數(shù)、粉絲數(shù)和發(fā)博量,輿情內(nèi)容的情感傾向,輿情內(nèi)容的評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)和點(diǎn)贊數(shù)能夠在一定程度上體現(xiàn)輿情事件在發(fā)酵過(guò)程中的影響力、情緒性和傳播性,因此,本研究通過(guò)統(tǒng)計(jì)用戶(hù)的關(guān)注數(shù)(d1)、粉絲數(shù)(d2)和發(fā)博量(d3)計(jì)算輿情擴(kuò)散潛力(D),通過(guò)統(tǒng)計(jì)輿情內(nèi)容的評(píng)論數(shù)(o1)、轉(zhuǎn)發(fā)數(shù)(o2)和點(diǎn)贊數(shù)(o3)計(jì)算輿情擴(kuò)散效果(O),通過(guò)基于情感詞典的文本情感分析方法計(jì)算輿情內(nèi)容的情感強(qiáng)度(E)。最后,綜合輿情生命周期劃分結(jié)果、D、O和E計(jì)算結(jié)果,生成不同階段的輿情畫(huà)像。

第一,D和O的計(jì)算方法如下:

D=wd1*d1+wd2*d2+wd3*d3

(1)

O=wo1*o1+wo2*o2+wo3*o3

(2)

表1 二級(jí)標(biāo)簽數(shù)據(jù)矩陣X

其次,根據(jù)公式(3)對(duì)數(shù)據(jù)矩陣X進(jìn)行歸一化處理,得到計(jì)算矩陣Y:

(3)

其中,max(xj)表示X中第j列的最大值,min(xj)表示第j列最小值。

再通過(guò)公式(4)構(gòu)造母序列Hj:

hi=max(yi1,yi2,…,yim)

(4)

其中,i為第i階段,m為指標(biāo)數(shù)。

接著,根據(jù)公式(5)計(jì)算兩級(jí)最小差a和最大差b:

(5)

然后,通過(guò)公式(6)計(jì)算指標(biāo)的灰色關(guān)聯(lián)度:

(6)

(7)

(8)

(9)

(10)

對(duì)于wj,利用基于博弈論的組合權(quán)重確定模型,實(shí)現(xiàn)納什均衡,獲得最優(yōu)標(biāo)簽權(quán)重:

首先構(gòu)建優(yōu)化模型計(jì)算最小組合權(quán)重與基本權(quán)重的差值:

min‖α1w1+α2w2-wf‖2,(αf>0,f=1,2)

(11)

其中,α1w1+α2w2為主客觀權(quán)重的線(xiàn)性組合,α1+α2=1。

然后獲得滿(mǎn)足模型一階導(dǎo)數(shù)條件最優(yōu)的線(xiàn)性方程組:

(12)

(13)

最后得到各標(biāo)簽的組合權(quán)重wj:

(14)

第二,E通過(guò)基于BosonNLP情感詞典的文本情感分析方法計(jì)算,該情感詞典中的情感詞來(lái)源于微博、新聞以及論壇等,更符合微博文本分析情境。首先,整合百度、哈爾濱工業(yè)大學(xué)、四川大學(xué)機(jī)器智能實(shí)驗(yàn)室和中文停用詞表及人工添加無(wú)意義的emoji符號(hào),形成更全面的停用詞表;然后,采用Jieba對(duì)所獲取的博文文本進(jìn)行分詞處理,結(jié)合停用詞表去除無(wú)用詞;最后,計(jì)算博文文本的情感得分,并對(duì)其進(jìn)行加總與平均得到各階段的E。

第三,建立輿情事件處于不同階段的輿情畫(huà)像如圖2所示,包括該階段時(shí)間范圍、數(shù)據(jù)總量、數(shù)據(jù)來(lái)源、輿情擴(kuò)散潛力、輿情擴(kuò)散效果和輿情情感強(qiáng)度,根據(jù)畫(huà)像結(jié)果,探究各要素在不同階段對(duì)輿情事件的沖擊力特征。

圖2 輿情畫(huà)像模型

2.4 態(tài)勢(shì)預(yù)測(cè)層

對(duì)輿情事件發(fā)展態(tài)勢(shì)進(jìn)行預(yù)測(cè),能及時(shí)地發(fā)現(xiàn)事件可能存在的風(fēng)險(xiǎn)因素,幫助有關(guān)部門(mén)制定及時(shí)、科學(xué)且合理的應(yīng)對(duì)方案。高容錯(cuò)性、自學(xué)習(xí)性與自適應(yīng)性使BP神經(jīng)網(wǎng)絡(luò)[29]成為預(yù)測(cè)研究中的常用模型之一。從微博中獲取湖南省高校網(wǎng)絡(luò)輿情事件數(shù)據(jù),并對(duì)其預(yù)處理后輸入傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,訓(xùn)練結(jié)果如圖3所示。結(jié)果表明,當(dāng)實(shí)際結(jié)果數(shù)據(jù)為離散數(shù)據(jù)時(shí),其分布具有較大的隨機(jī)性,易導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的差異較大,致使預(yù)測(cè)結(jié)果的可信度存疑。

圖3 離散數(shù)據(jù)預(yù)測(cè)結(jié)果對(duì)比

為解決上述問(wèn)題,本文借助灰色系統(tǒng)理論[30],發(fā)掘數(shù)據(jù)之間的特定聯(lián)系,提出了一個(gè)Grey-BP神經(jīng)網(wǎng)絡(luò)模型,從系統(tǒng)的角度對(duì)輸入神經(jīng)元數(shù)據(jù)進(jìn)行整理,弱化數(shù)據(jù)的隨機(jī)性,探求數(shù)據(jù)的整體規(guī)律,從而提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的科學(xué)性。較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò),本文提出的Grey-BP神經(jīng)網(wǎng)絡(luò)包含離散數(shù)據(jù)處理層、輸入層、隱含層和輸出層四個(gè)部分(見(jiàn)圖4):

圖4 Grey-BP神經(jīng)網(wǎng)絡(luò)模型

模型的改進(jìn)步驟為:

Step2:對(duì)輸入的原始節(jié)點(diǎn)數(shù)據(jù)進(jìn)行加和化處理,將離散數(shù)據(jù)連續(xù)化:

(15)

輸入原始離散數(shù)據(jù)x(0),經(jīng)離散數(shù)據(jù)處理后輸出節(jié)點(diǎn)值x(1),再將其傳至輸入層,得到輸入層的輸出信息,將其傳至隱含層,再將隱含層輸出的信息傳至輸出層,將輸出層的輸出結(jié)果與期望閾值進(jìn)行對(duì)比,若未達(dá)到期望閾值,則將不滿(mǎn)足精度要求的誤差信號(hào)向前反饋至各層單元,對(duì)各層神經(jīng)元之間聯(lián)系的權(quán)重wij和wjk以及期望閾值進(jìn)行調(diào)整,經(jīng)過(guò)多次反饋調(diào)整后得到最終期望輸出。

3 實(shí)證分析

高校網(wǎng)絡(luò)輿情是一種典型的網(wǎng)絡(luò)輿情類(lèi)型,由于高校網(wǎng)絡(luò)輿情的主要群體為學(xué)生,其正處于價(jià)值觀的構(gòu)建時(shí)期,對(duì)事件的認(rèn)知與分辨能力尚且不足,容易造成輿論焦點(diǎn)不實(shí)、病毒式傳播以及從眾或極端現(xiàn)象的出現(xiàn),若不及時(shí)且恰當(dāng)?shù)靥幚砀咝＞W(wǎng)絡(luò)輿情,則易對(duì)學(xué)生的學(xué)習(xí)與心理狀態(tài)、高校的正常教育教學(xué)以及社會(huì)的穩(wěn)定發(fā)展造成不良影響。因此,對(duì)高校網(wǎng)絡(luò)輿情的演化態(tài)勢(shì)進(jìn)行研究,具有重要的意義。本研究以湖南省本科院校官方微博博文下的微博評(píng)論和轉(zhuǎn)發(fā)信息作為輿情信息來(lái)源,應(yīng)用所構(gòu)建事件系統(tǒng)視角下網(wǎng)絡(luò)輿情態(tài)勢(shì)感知模型,對(duì)湖南省本科院校網(wǎng)絡(luò)輿情事件發(fā)展態(tài)勢(shì)進(jìn)行感知與預(yù)測(cè)。

3.1 高校網(wǎng)絡(luò)輿情要素感知

首先,根據(jù)百度指數(shù)工具確定湖南省高校網(wǎng)絡(luò)輿情事件的發(fā)生范圍為2022年2月20日至6月21日;然后,通過(guò)python爬蟲(chóng),從湖南省本科院校官方微博博文中爬取相關(guān)輿情事件數(shù)據(jù)共1 442條,包括官方微博ID、微博博文ID、博文文本、博文評(píng)論與轉(zhuǎn)發(fā)用戶(hù)ID及用戶(hù)粉絲,關(guān)注和發(fā)博量、博文評(píng)論與轉(zhuǎn)發(fā)文本及文本評(píng)論,轉(zhuǎn)發(fā)和點(diǎn)贊量、博文評(píng)論與轉(zhuǎn)發(fā)時(shí)間等;經(jīng)過(guò)分詞、去停用詞、去除無(wú)效文本等數(shù)據(jù)預(yù)處理操作后,獲得相關(guān)輿情數(shù)據(jù)共1 350條。

3.2 高校網(wǎng)絡(luò)輿情態(tài)勢(shì)理解

3.2.1輿情事件時(shí)間要素理解

對(duì)預(yù)處理后的輿情數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析獲得其分布特征,并劃分輿情生命周期如圖5所示,高校輿情生命周期分為為潛伏期(2月20日至3月11日)、爆發(fā)期(3月12日至3月14日)、震蕩期(3月15日至5月31日)、消退期(6月01日至6月21日)。

圖5 高校網(wǎng)絡(luò)輿情生命周期

3.2.2輿情事件空間要素理解

a.權(quán)重確定

①客觀權(quán)重確定

表2 二級(jí)標(biāo)簽矩陣

②主觀權(quán)重確定

表3 專(zhuān)家-標(biāo)簽評(píng)價(jià)矩陣

③組合權(quán)重確定

b.輿情擴(kuò)散潛力計(jì)算

根據(jù)公式(1)得到輿情演化各階段的D如表4所示,結(jié)果清晰地刻畫(huà)了D的變化趨勢(shì),隨著高校網(wǎng)絡(luò)輿情熱度的上升,輿情相關(guān)用戶(hù)及其行為的增加,使得D從潛伏期到爆發(fā)期得到巨大提升,而從爆發(fā)期到震蕩期又得到了進(jìn)一步增長(zhǎng),在震蕩期時(shí)達(dá)到巔峰,而震蕩期過(guò)后,隨著相關(guān)輿情用戶(hù)對(duì)輿情事件的關(guān)注度下降,D又顯現(xiàn)出急遽下降的趨勢(shì)。

表4 輿情擴(kuò)散潛力D

c.輿情擴(kuò)散效果計(jì)算

表5展示了輿情演化各階段O,結(jié)果表明,O的變化趨勢(shì)總體與D的變化趨勢(shì)相同,隨著高校網(wǎng)絡(luò)輿情信息的增多,O從潛伏期到爆發(fā)期得到一定增長(zhǎng),再?gòu)谋l(fā)期到震蕩期實(shí)現(xiàn)“爆發(fā)式”增長(zhǎng),而隨著輿情熱度的下降,又顯露出“斷崖式”下跌現(xiàn)象。不同的是,O從爆發(fā)期到震蕩期的增長(zhǎng)幅度較D的增長(zhǎng)幅度更大,輿情得到了廣泛的擴(kuò)散。

表5 輿情擴(kuò)散效果O

3.2.3輿情事件強(qiáng)度要素理解

使用基于BosonNLP情感詞典的文本情感分析方法計(jì)算高校網(wǎng)絡(luò)輿情演化各階段的情感強(qiáng)度E,并通過(guò)可視化的形式展示強(qiáng)度的變化趨勢(shì),可視化結(jié)果如圖6所示:

圖6 輿情情感強(qiáng)度E變化趨勢(shì)

E呈現(xiàn)先升后降趨勢(shì),其中潛伏期時(shí),E較弱,此時(shí)為高校網(wǎng)絡(luò)輿情事件的初始階段,輿情相關(guān)主體對(duì)事件產(chǎn)生的原因以及事件的危害性等尚未明晰,因此未產(chǎn)生易影響高校和諧與社會(huì)穩(wěn)定的相關(guān)言論。爆發(fā)期時(shí),高校網(wǎng)絡(luò)輿情情感傾向?yàn)閺?qiáng)正向,E達(dá)到最高,這與輿情事件發(fā)生后,高校方針對(duì)網(wǎng)絡(luò)輿情事件,立刻召開(kāi)會(huì)議、制定方案并實(shí)施應(yīng)對(duì)措施等行為緊密相關(guān)。震蕩期時(shí),經(jīng)過(guò)上一階段的有效處理后,高校網(wǎng)絡(luò)輿情情感傾向仍為正,但E有所下降,直至消退期時(shí),高校網(wǎng)絡(luò)輿情情感傾向逐漸趨向于中性,E趨向于0。

3.2.4高校網(wǎng)絡(luò)輿情畫(huà)像生成

根據(jù)輿情事件系統(tǒng)的要素感知和態(tài)勢(shì)感知結(jié)果,分別獲得高校網(wǎng)絡(luò)輿情于潛伏期、爆發(fā)期、震蕩期和消退期的輿情畫(huà)像如圖7-10所示,其中R表示評(píng)論數(shù)據(jù),P表示轉(zhuǎn)發(fā)數(shù)據(jù)。

圖7 潛伏期高校網(wǎng)絡(luò)輿情畫(huà)像

圖7表明,高校網(wǎng)絡(luò)輿情的潛伏期較長(zhǎng),有效數(shù)據(jù)較少,且均勻分布于評(píng)論與轉(zhuǎn)發(fā)數(shù)據(jù)。此外,此時(shí)期的D、O與E均較弱,輿情擴(kuò)散的程度較差,輿情事件的發(fā)生尚未引發(fā)網(wǎng)絡(luò)用戶(hù)的激烈討論,大多數(shù)人仍對(duì)事件本身保持沉默態(tài)度。由此可知,潛伏期時(shí),空間與強(qiáng)度要素均對(duì)高校網(wǎng)絡(luò)輿情事件具有較弱的沖擊力,與之相反,時(shí)間要素的沖擊力極強(qiáng)。

由圖8可知,高校網(wǎng)絡(luò)輿情事件爆發(fā)期很短,但有效數(shù)據(jù)量卻是最多的,這與其他網(wǎng)絡(luò)輿情事件中爆發(fā)期的特征一致,且此階段的評(píng)論數(shù)據(jù)約為轉(zhuǎn)發(fā)數(shù)據(jù)的2.93倍,可知高校網(wǎng)絡(luò)輿情事件中,造成事件爆發(fā)的主體主要為評(píng)論用戶(hù)。此外,此階段D與O均較高,E極高且達(dá)到了整體最高狀態(tài),輿情事件已擴(kuò)散到了一定的程度,且此時(shí)輿情事件所處的網(wǎng)絡(luò)環(huán)境較為正向,大多數(shù)人選擇以積極的態(tài)度在微博上對(duì)輿情事件展開(kāi)討論。由此可知,在爆發(fā)期時(shí),時(shí)間要素對(duì)高校網(wǎng)絡(luò)輿情事件的沖擊力較弱,空間要素的沖擊力較強(qiáng),強(qiáng)度要素沖擊力極強(qiáng)。

圖9 震蕩期高校網(wǎng)絡(luò)輿情畫(huà)像

圖10 消退期高校網(wǎng)絡(luò)輿情畫(huà)像

結(jié)合震蕩期高校網(wǎng)絡(luò)輿情畫(huà)像可知,高校網(wǎng)絡(luò)輿情事件的震蕩期極長(zhǎng),產(chǎn)生的有效數(shù)據(jù)也較多,且此階段評(píng)論數(shù)據(jù)為轉(zhuǎn)發(fā)數(shù)據(jù)的9.84倍,進(jìn)一步驗(yàn)證了高校網(wǎng)絡(luò)輿情事件發(fā)展的主要推動(dòng)力來(lái)源于評(píng)論用戶(hù)。在此期間,D與O得到了“火箭式”提升,輿情事件擴(kuò)散的程度達(dá)到了整體峰值,而此時(shí)的E卻在削弱,表明輿情事件所處于積極的網(wǎng)絡(luò)環(huán)境,但持正向觀點(diǎn)的網(wǎng)絡(luò)用戶(hù)卻在減少。由此可知,震蕩期時(shí)的高校網(wǎng)絡(luò)輿情事件受時(shí)間和強(qiáng)度要素的沖擊力影響較大,而受空間要素的沖擊力影響極大。

消退期期高校網(wǎng)絡(luò)輿情畫(huà)像顯示,該階段持續(xù)時(shí)間較長(zhǎng),有效數(shù)據(jù)量較少,且以5∶1的比例分布于評(píng)論數(shù)據(jù)和轉(zhuǎn)發(fā)數(shù)據(jù)。此外,D、O、E三者均大幅度下降,大量用戶(hù)退出此輿情事件,致使輿情事件發(fā)展形勢(shì)的關(guān)注度急劇減少,擴(kuò)散程度較弱,網(wǎng)絡(luò)輿情事件中所充斥的個(gè)人情緒較少,網(wǎng)絡(luò)環(huán)境趨于穩(wěn)定。此時(shí),時(shí)間要素對(duì)高校網(wǎng)絡(luò)輿情事件的沖擊力較強(qiáng),空間要素上的沖擊力較弱,強(qiáng)度要素的沖擊力極弱。

3.3 高校網(wǎng)絡(luò)輿情態(tài)勢(shì)預(yù)測(cè)

考慮樣本量大小對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果的影響及網(wǎng)絡(luò)輿情日益變化的特點(diǎn),本文以輿情全生命周期所涉及的1 350條數(shù)據(jù)作為樣本數(shù)據(jù),根據(jù)國(guó)務(wù)院辦公廳頒布的相關(guān)輿情回應(yīng)通知,官方對(duì)輿情事件的回應(yīng)最遲不超過(guò)2天,將輿情事件回應(yīng)時(shí)間界定為2天,并通過(guò)增減法遍歷預(yù)期范圍內(nèi)的隱含層神經(jīng)元個(gè)數(shù),再計(jì)算最小平均均方誤差,確定各預(yù)測(cè)單元最終的隱含神經(jīng)元個(gè)數(shù)。

3.3.1D預(yù)測(cè)

隱含神經(jīng)元個(gè)數(shù)lu取值范圍為[3,12],通過(guò)計(jì)算取值范圍內(nèi)的最小平均均方誤差,確定lu=4,在此基礎(chǔ)上對(duì)D進(jìn)行預(yù)測(cè),結(jié)果為Dt1=39 663.97,Dt2=39 669.45。如圖11所示,D的預(yù)測(cè)值與真實(shí)值對(duì)比結(jié)果呈現(xiàn)高度一致?tīng)顟B(tài),僅有極少部分的預(yù)測(cè)值與真實(shí)值有較大差異,預(yù)測(cè)結(jié)果具有強(qiáng)可信度。

圖11 D預(yù)測(cè)結(jié)果對(duì)比

3.3.2O預(yù)測(cè)

隱含神經(jīng)元個(gè)數(shù)ls取值范圍為[3,12],ls=9時(shí),平均均方誤差最小。因此,設(shè)置ls=6,對(duì)O進(jìn)行預(yù)測(cè),結(jié)果為Ot1=-170.543,Ot2=-170.543。預(yù)測(cè)對(duì)比結(jié)果如圖12所示,結(jié)果表明預(yù)測(cè)值與實(shí)際值總體變化趨勢(shì)相同,預(yù)測(cè)值的出入較小,因此,預(yù)測(cè)結(jié)果是可靠的。

圖12 O預(yù)測(cè)結(jié)果對(duì)比

3.3.3E預(yù)測(cè)

將博文文本的正向情感強(qiáng)度(e1)、中性情感強(qiáng)度(e2)、負(fù)向情感強(qiáng)度(e3)作為E預(yù)測(cè)單元的輸入神經(jīng)元,E作為輸出神經(jīng)元,計(jì)算得到隱含神經(jīng)元個(gè)數(shù)le取值范圍為[3,12]。le=9時(shí),平均均方誤差最小,此時(shí)的預(yù)測(cè)結(jié)果為Et1=2.1915,Et2=2.1917。預(yù)測(cè)對(duì)比結(jié)果如圖13所示,結(jié)果表明經(jīng)調(diào)整后,情感得分預(yù)測(cè)值與實(shí)際值變化的趨勢(shì)保持高度一致,數(shù)值之間的差異較小,預(yù)測(cè)結(jié)果具有可靠性。

圖13 E預(yù)測(cè)結(jié)果對(duì)比

由預(yù)測(cè)結(jié)果可知,消退期之后,高校網(wǎng)絡(luò)輿情事件后續(xù)的D將與消退期時(shí)的狀態(tài)保持一致,而O將朝負(fù)向發(fā)展,E將由消退期的中性情緒向正向情緒轉(zhuǎn)變,即下一階段,高校網(wǎng)絡(luò)輿情事件的沖擊力又將表現(xiàn)出極其不一樣的特征,若直接實(shí)施以往的輿情治理措施,則可能導(dǎo)致無(wú)效治理甚至反向治理的后果。

4 結(jié) 語(yǔ)

本研究以湖南省高校網(wǎng)絡(luò)輿情事件為例,分析了事件的時(shí)間、空間與強(qiáng)度要素特征的演化過(guò)程?？偟膩?lái)說(shuō),事件時(shí)間、空間與強(qiáng)度要素呈現(xiàn)不同的變化特征,且不同演化階段的時(shí)間、空間與強(qiáng)度要素沖擊力特征也截然不同。由此建議:高校網(wǎng)絡(luò)輿情事件相關(guān)管理部門(mén)需:a.提前構(gòu)建預(yù)警與研判機(jī)制,及時(shí)察覺(jué)輿情事件產(chǎn)生以及事件可能經(jīng)歷的發(fā)展階段及各階段持續(xù)的時(shí)長(zhǎng),并根據(jù)沖擊力特征研判結(jié)果,制定個(gè)性化治理對(duì)策;b.找到輿情事件擴(kuò)散潛力較大的評(píng)論用戶(hù),聯(lián)合相關(guān)調(diào)查部門(mén)與權(quán)威機(jī)構(gòu),鼓勵(lì)并引導(dǎo)其在最佳擴(kuò)散時(shí)機(jī)對(duì)輿情事件中的事實(shí)性與科普性信息以及政府與高校相關(guān)政策進(jìn)行解讀;c.加大“疏”的力度,減少“堵”的行為,協(xié)同多個(gè)部門(mén)共同發(fā)聲與行動(dòng),并將責(zé)任與權(quán)力分配到個(gè)人,做到及時(shí)發(fā)現(xiàn)、分析與解決問(wèn)題,避免網(wǎng)絡(luò)輿情情緒轉(zhuǎn)移線(xiàn)下而造成的一系列社會(huì)問(wèn)題,以免小問(wèn)題演化為大危機(jī);d.重視對(duì)事件發(fā)展趨勢(shì)的預(yù)測(cè)與演練,提前預(yù)測(cè)下一階段情況,并進(jìn)行演練,避免輿情危機(jī)事件的發(fā)生。

本文所構(gòu)建的事件系統(tǒng)視角下網(wǎng)絡(luò)輿情態(tài)勢(shì)感知模型能夠有效地理解網(wǎng)絡(luò)輿情態(tài)勢(shì),并準(zhǔn)確地預(yù)測(cè)出網(wǎng)絡(luò)輿情各屬性的未來(lái)演變態(tài)勢(shì)。但本文囿于數(shù)據(jù)來(lái)源的單一性問(wèn)題,僅針對(duì)微博中特定的網(wǎng)絡(luò)輿情事件展開(kāi)研究,未能充分利用到微信、快手、抖音等網(wǎng)絡(luò)平臺(tái)中多種類(lèi)型的輿情數(shù)據(jù)。因此,在未來(lái)的研究中,擬結(jié)合多個(gè)平臺(tái)的輿情事件數(shù)據(jù),擴(kuò)大輿情事件的范圍,提高研究成果的普適性與科學(xué)性。