網絡輿情危機預警指標體系研究

網絡輿情危機預警指標體系研究

0傳統(tǒng)輿情危機預警手段的不足,導致政府形象惡化現(xiàn)在是社會的重要階段。網絡上關于人們現(xiàn)實的利益沖突、各種想想觀念、社會心理狀態(tài)和社情民意的討論最為集中。一些事情,無論大小,只要具有某種敏感特質,均會迅速形成網絡輿情,進而產生巨大的輿情影響力。在某些敏感問題上,由于政府應對不及時或者不妥當,往往陷于被動,導致局部問題全局化,簡單問題復雜化,嚴重影響了政府的工作重心,極大地損壞了政府的形象。如廈門PX事件、重慶“釘子戶”事件、山西黑磚窯事件、三聚氰胺事件、周老虎事件、烏魯木齊“7.5”事件、“躲貓貓”事件、杭州飚車案、郭美美事件、“7.23”動車事件等為代表的一系列網絡事件,這些事件在真相大白之前,已經造成了惡劣的社會影響。英國著名危機管理專家麥克爾·里杰斯特曾在《危機管理》一書中明確指出,“不管對危機的警戒和準備是自發(fā)的,還是法律所要求的,危機管理的關鍵是危機預防,預防是解決危機最好的方法?！边@已被各國處理危機的實踐所證明。對于政府來講,如果因為缺乏必要的網絡輿情危機預警手段而任由負面信息的肆意傳播,這會影響到政府的公信力和權威性。因此有必要構筑網絡輿情危機預警系統(tǒng),及時捕捉網絡輿情危機征兆,并加以分析、處理和公告,制訂危機預防措施,以爭取最大限度地控制、化解和消除網絡輿情危機。1國內外網絡輿情預警的研究現(xiàn)狀網絡輿情危機是針對某一特殊刺激事項所產生的涉及民眾利益較深較廣的輿情,在相對短時間內生成大量信息,并在一個網絡社區(qū)或更大范圍內民眾中掀起范圍更大、強度更強的社會反映,最終與事項刺激方或事項本身形成激烈的認識或觀點對抗。網絡輿情危機預警是指從危機事件的征兆出現(xiàn)到危機開始造成可感知的損失這段時間內,化解和應對危機所采取的必要、有效行動。網絡輿情的隨機性使其難以被準確預測,但是網絡輿情是一種客觀的存在,有其醞釀、發(fā)展、爆發(fā)、變化、消散的規(guī)律。同時,信息技術的快速發(fā)展和統(tǒng)計理論的不斷完善,為人們預測網絡輿情危機提供了技術保障,因此,對網絡輿情危機做出比較準確的預警是具有現(xiàn)實的可能性的。國外對網絡輿情預警的研究比國內早,從1973年開始,歐盟就一直監(jiān)測其成員國的輿論情況,為其制定決策提供依據(jù)。AntioineNaud等人將文本主題聚類算法應用于網絡輿情預警過程中的話語傾向性分析;Gil-Garcia利用動態(tài)層次文本聚類法挖掘網絡輿情預警過程中的熱點話題;CarolinKaiser等人將模糊神經網絡模型用于公司產品市場銷售狀態(tài)的預警問題,為銷售人員處理市場危機問題提供參考意見。總體而言,國外對于網絡輿情預警的研究已經比較成熟,許多研究成果已經應用或者進入政府決策參考。國內對網絡輿情危機的研究還處于起步階段,研究的內容主要有網絡輿情危機的概念、預警的方法、預警的機制和預警的利用等方面。在網絡輿情危機預警方法方面,薛圈圈將標準的BP神經網絡模型用于網絡輿情危機預警研究;王鐵套等用模糊綜合評價法量化輿情指標并進行預警;周耀明等基于云模型實現(xiàn)了預警指標到威脅狀態(tài)的轉換,并將當前威脅狀態(tài)與潛在威脅趨勢進行融合評估,得到預警等級;董堅峰將Web挖掘技術引入到突發(fā)事件網絡輿情預警中,構建了基于Web挖掘的突發(fā)事件網絡輿情預警系統(tǒng)模型。在網絡輿情危機預警機制方面,徐學峰等人利用層次分析法和系統(tǒng)動力學理論建立了網絡輿情預警機制的系統(tǒng)動力學模型,從定量和定性兩個方面對網絡輿情預警機制進行研究;陳晨等人宏觀地闡述了網絡輿情預警研判機制的工作流程和組成要素,構建了由輿情信息挖掘與處理系統(tǒng)、數(shù)據(jù)庫研判分析系統(tǒng)和預警聯(lián)控處置系統(tǒng)組成的網絡輿情預警研判機制;周小情和張梅貞從網絡輿情預警工作的內涵出發(fā),提出網絡輿情預警定性和定量兩種分級標準以及不同級別的響應機制,并進一步分析了建立網絡輿情預警機制五大制度化準則。在網絡輿情預警利用方面,靳曉婷受導數(shù)原理啟發(fā),建立了針對政府的負面網絡輿情分階段演化數(shù)學模型,并給出了相應的導控策略;WangZhan-ping等將代理技術和元搜索引擎技術相結合來研究高校網絡輿情危機的監(jiān)控,以便實現(xiàn)對高校網絡輿情監(jiān)控信息的智能化和高效化搜索;李建輝等采用AHP的方法構建了企業(yè)網絡輿情的測度模型,并確立了輿情信息危機預警尺度表,能夠直觀的為企業(yè)提供網絡輿情的測度。綜上所述,我國在網絡輿情預警方面風生水起,已經形成了一批專業(yè)研究機構和專家團隊,研究的內容既有基本理論的探索也有支撐技術的開發(fā),理論聯(lián)系實際,將部分研究成果運用于政府、高校和企業(yè)的網絡輿情危機預警,取得了比較好的效果。但是在網絡輿情危機預警方面還存在著許多問題,例如低水平的重復研究較多,學者之間的合作研究較少,偏重于理論研究,網絡輿情危機預警支撐技術自動化水平有待加強等。以“網絡輿情+遺傳算法+BP神經網絡”為關鍵詞在中國知網進行檢索,發(fā)現(xiàn)基于BP神經網絡的網絡輿情危機預警的相關論文只有兩篇。一篇是薛圈圈的“基于BP神經網絡的網絡輿情危機預警研究”,另一篇是張華的“基于優(yōu)化BP神經網絡的微博輿情預測模型研究”。前一篇論文使用的是標準的BP神經網絡算法,后一篇使用GSA優(yōu)化BP神經網絡算法,且兩篇論文都只對一件網絡輿情危機事件進行研究,得出來的結論的普遍性有待商榷。遺傳BP神經網絡算法已經運用于多個領域的研究中,但是運用于網絡輿情危機方面的研究還是非常少的,且本文對五件網絡輿情事件展開研究,這五件網絡輿情危機事件分別屬于官員腐敗類、司法執(zhí)法類、公共衛(wèi)生類、社會經濟類和公共安全類。由此可見,本文的研究還是有別于現(xiàn)有研究的。2網絡輿情危機預警的指標體系建立科學、系統(tǒng)、可行的預警指標體系是進行網絡輿情危機預警的關鍵。在網絡輿情危機監(jiān)測及預警指標體系的研究過程中,由于學者的專業(yè)背景、研究和觀察的角度以及內容側重點各有不同,所以形成了各具特色的預警指標體系。曾潤喜(2010)在向專家發(fā)放的74份問卷調查的基礎上,利用層次分析法構建了警源、警兆、警情三類因素和現(xiàn)象的網絡輿情突發(fā)事件預警指標體系。蘭月新(2011)基于突發(fā)事件網絡輿情作用機理和演變規(guī)律,構建了網民反應、突發(fā)事件信息特性、突發(fā)事件事態(tài)擴散三個維度的突發(fā)事件網絡輿情安全評估指標體系。劉毅(2012)利用基于三角模糊數(shù)的模糊德爾菲法和模糊層次分析法,在對網絡輿情預警指標進行初選的基礎上,分別對網絡輿情指標進行了再次篩選和權重的確定,得到了面向于某一具體公共事務或熱點話題的網絡輿情預警指標體系。朱輝和駱公志(2013)構建了由輿情要素、輿情熱度和輿情活性3個一級指標、7個二級指標以及14個三級指標共同組成的網絡輿情評估的EHA三維指標體系。賀恩鋒等(2014)從傳播媒體、傳播范圍、傳播速度、情緒傾向程度及相關度等方面對輿情潛在影響力進行探索,構建了網絡輿情潛在影響力指標體系并設計潛在影響力計算模型,對探討網絡輿論的潛在影響有一定的現(xiàn)實意義?，F(xiàn)有的網絡輿情危機預警指標體系幾乎涵蓋了網絡輿情危機的各個方面,理論上講這些預警指標是可以很好地監(jiān)測網絡輿情危機的發(fā)展過程,對網絡輿情危機預警的進一步研究具有重大意義。但是這些指標體系也存在著以下一些不足之處:a.部分指標難以評估,例如輿情受眾心理承受能力這一指標,即使在心理學實驗中都難易度量;b.末級指標冗余度較高,由于導致網絡輿情危機的因數(shù)眾多,如果追求指標體系的全面性,則必將導致指標的重疊;c.不適合計算機自動化處理,許多指標的評分必須通過專家的主觀打分獲得,這就導致每一次預警都離不開專家的參與,不能實現(xiàn)計算機實時監(jiān)測的功能;d.缺乏實證研究,一些學者僅僅提出了一個指標體系,而沒有以實驗來驗證其指標的有效性,以至于提出的指標缺乏說服力。在充分考慮了網絡輿情危機產生、發(fā)展、變化的規(guī)律及特點的基礎上,綜合現(xiàn)有指標體系的優(yōu)缺點,本文構建了3個一級指標和11個二級指標的網絡輿情危機預警的指標體系,如圖1所示。在構建指標體系的過程中,力求用最少的預警指標,實現(xiàn)最大的預警效益。同時確保了所有11個二級指標都可以量化計算,以便適合計算機自動化處理。末級指標的數(shù)據(jù)來源于全球最大中文搜索引擎百度旗下的百度指數(shù)和全球最大中文微博新浪微博。其中:◆網絡搜索量:該指標用百度指數(shù)來表示,百度指數(shù)用以反映不同關鍵詞在過去一段時間內網絡的曝光率及用戶關注度,直接、客觀地反映社會熱點、網民的興趣和需求?！粼瓌?chuàng)微博發(fā)布量:指新浪微博用戶對某個事件所發(fā)布的自己的原創(chuàng)微博?！艮D發(fā)量:指某條微博被其他用戶轉發(fā)的次數(shù),用戶轉發(fā)該條微博即表示贊同該條微博的看法。◆評論量:指某條微博被其他用戶評論的次數(shù),如果某條微博被評論的次數(shù)較多,代表該條微博具有較強的吸引力?！粲^點傾向度:指用戶關于某網絡輿情事件的態(tài)度傾向,如贊同、中立、反對。該指標主要通過負面微博占全部微博的比率來表示。該比率越大,表示發(fā)生網絡輿情危機的可能性越大?！糨浨檎鎸嵭?指某個網絡輿情事件的真實性,通過新浪認證用戶的微博數(shù)占全部微博的比率來表示。因為認證用戶對自己的言論真實性負責,不會輕易散布虛假輿情?！魞热葜庇^度:通過帶有視頻和圖片的微博占全部微博的比率來表示,因為《2010年中國互聯(lián)網輿情分析報告》研究發(fā)現(xiàn),帶有突發(fā)事件相關圖片、視頻等直觀內容的網絡輿情信息,傳播擴散更為迅速?！艟W絡搜索量變化率:如果T1時刻的網絡搜索量為Q1,T2時刻的網絡搜索量為Q2,則網絡搜索量變化率為(Q2-Q1)/(T1-T2)?！粼瓌?chuàng)微博發(fā)布量變化率:如果T1時刻的原創(chuàng)微博發(fā)布量為Q1,T2時刻的原創(chuàng)微博發(fā)布量為Q2,則原創(chuàng)微博發(fā)布量變化率為(Q2-Q1)/(T1-T2)?！艮D發(fā)量變化率:如果T1時刻的某條微博被轉發(fā)量為Q1,T2時刻的該條微博被轉發(fā)量為Q2,則轉發(fā)量變化率為(Q2-Q1)/(T1-T2)?！粼u論量變化率:如果T1時刻的某條微博被評論量為Q1,T2時刻的該條微博被評論量為Q2,則評論量變化率為(Q2-Q1)/(T1-T2)。3基于遺傳算法的bp神經網絡優(yōu)化算法影響網絡輿情危機預警的因素眾多,這些因素之間存在著復雜的非線性關系,傳統(tǒng)的預警方法擅長處理線性關系,在處理非線性關系上顯得力不從心。BP神經網絡是由大量的簡單處理元件相互構成的高度并行的非線性系統(tǒng),以處理非線性問題而著稱,被廣泛應用于公司財務預警、自然災害預警、安全生產預警等方面。雖然BP神經網絡具有很強的自組織、自學習、自適應和非線性映射能力,但是標準的BP神經網絡的誤差函數(shù)是以Sigmoid函數(shù)為自變量的非線性函數(shù),由其構成的連接權值空間是一個存在多個局部極小點的超曲面。利用梯度下降方法進行網絡訓練時可能會產生“局部極小值”的問題。神經網絡對初始權值的選取較為敏感,初始值的改變將影響網絡的收斂速度和精度,一旦取值不當,就會引起網絡的震蕩,同時又極易陷入局部最小值。遺傳算法是一種基于自然選擇和遺傳變異等生物機制的全局搜索和優(yōu)化算法,能夠自適應控制搜索過程以求得最優(yōu)解,具有高效、并行、全局搜索特點。由于遺傳算法在學習、訓練能力上遠不如BP神經網絡,因此本文將BP神經網絡和遺傳算法有機結合起來,利用遺傳算法優(yōu)化BP神經網絡的初始權值和閥值,即首先利用遺傳算法的全局搜索性能找到問題最優(yōu)解所在區(qū)域,再利用誤差反向傳播方法找到其最優(yōu)解。BP算法一般步驟算法如下:設輸入向量為X1,X2,X3,…,Xn;對應的期望輸出向量為Y1,Y2,Y3,…,Ym;wij和wjk分別為輸入層至隱含層的連接權值和隱含層至輸出層的連接權值;n和m分別為輸出節(jié)點數(shù)和輸出節(jié)點數(shù)。a.網絡初始化。為連接權值wij、wjk及閥值a、b賦予[-1,+1]區(qū)間的隨機值。b.計算隱含層輸出。根據(jù)輸入向量X,輸入層至隱含層的連接權值wij以及隱含層閥值a,計算隱含層輸出H。公式中:l為隱含層節(jié)點數(shù);f為隱含層激勵函數(shù),本文所選函數(shù)為f(x)=1/(1+e-x)c.計算輸出層輸出。根據(jù)隱含層輸出H,連接權值wjk和閥值b,計算BP神經網絡預測輸出C。d.計算誤差。根據(jù)期望輸入Y和網絡預測輸出C,計算網絡預測誤差e。e.權值更新。根據(jù)網絡誤差e更新網絡連接權值wij,wjk。公式中:i=1,2,3,…,n;j=1,2,3,…,l;k=1,2,3,…,m;η為學習速率。f.閥值更新。根據(jù)網絡預測誤差e更新網絡節(jié)點閥值啊a,b。g.判斷全局誤差E是否滿足精度要求。若滿足,則轉至(9),否則繼續(xù)。h.更新網絡次數(shù),若學習次數(shù)小于規(guī)定的次數(shù),返回(2)。i.結束。利用遺傳算法優(yōu)化BP神經網絡的具體步驟如下:a.種群初始化。每個個體均為一個二進制串,由輸入層與隱含層連接權值、隱含層閥值、隱含層與輸出層連接權值、輸出層閥值四部分組成,每個權值和閥值使用Q位二進制編碼,將所有權值和閥值的編碼連接起來即為一個個體的編碼。對于一個具有N個輸入層,L個隱含層和M個輸出層的3層BP神經網絡而言,染色體的長度為b.適應度函數(shù)。將預測樣本的預測值與期望值的誤差矩陣的范數(shù)作為目標函數(shù)的輸出,即適應度函數(shù)采用排序的適應度函數(shù):FitnV=ranking(obj),其中obj為目標函數(shù)的輸出。誤差的絕對值和越小,表示網絡預測能力越好,但是在遺傳算法中,適應度值越大越好。因此,將目標函數(shù)的倒數(shù)作為適應度函數(shù)。c.選擇、交叉與變異。采用隨機遍歷抽樣的方式進行選擇操作;交叉算子采用最常用的單點交叉算子;變異以一定的概率產生變異基因數(shù),用隨機方法選出發(fā)生變異的基因。如果所選的基因的編碼為1,則變?yōu)?;反之,則變?yōu)?。、d.重復b和c,直到達到進化代數(shù)或者滿足誤差要求。此時,得到通過遺傳算法優(yōu)化過的BP神經網絡的連接權值和閥值。e.將優(yōu)化后的連接權值和閥值作為BP神經網絡的初始權值和閥值。f.進行標準的BP神經網絡的訓練,直到達到最大訓練次數(shù)或者滿足誤差要求,此時,保存神經網絡的權值和閥值。g.將通過遺傳算法優(yōu)化后的BP神經網絡用于網絡輿情危機預警。遺傳算法優(yōu)化BP神經網絡的本質就是用個體代表網絡的初始權值和閥值,把預測樣本的BP神經網絡的測試誤差的范數(shù)作為目標函數(shù)的輸出,進而計算該個體的適應度值,通過遺傳操作尋找最優(yōu)個體,即最優(yōu)的BP神經網絡初始權值和閥值。4網絡模型的建立根據(jù)上述介紹的遺傳BP神經網絡算法基本原理,筆者采用MATLABR2009a編制程序,利用MAT-LAB神經網絡工具箱建立網絡模型,并將建立的網絡模型用于網絡輿情危機預警研究。4.1網絡輿情危機預警層次不同類型的網絡輿情危機事件通常遵循著一個特定的生命周期,曾潤喜等人將現(xiàn)有的網絡輿情傳播階段劃分為三階段、四階段、五階段和六階段模型。本文采取醞釀期①、爆發(fā)期②、緩解期③和消退期④的四階段模型。根據(jù)網絡輿情事件的不同階段,抽取一定數(shù)量的樣本作為遺傳BP神經網絡的訓練和預測樣本。目前并沒有標準的網絡輿情預警分級體系,因此根據(jù)《國家突發(fā)公共事件總體應急預案》將預警級別劃分為四級:I級(特別嚴重)、II級(嚴重)、Ⅲ級(較重)和IV級(一般),分別用1000、0100、0010、0001對應輸出的四個預警等級狀態(tài)。將網絡輿情危機等級與網絡輿情傳播階段相關聯(lián)而沒有與危機大小直接相關聯(lián),原因在于網絡輿情具有極強的隨機性與復雜性,導致不同事件以及同一事件的不同階段網絡輿情危機的大小難以準確量化,而不少學者對網絡輿情生命周期進行定性研究認為,輿情醞釀期,負能量不斷積聚,引發(fā)輿情危機的可能性較大;輿情爆發(fā)期,網民的關注度處于最高水平,醞釀期積聚的負能量集中釋放,對社會的危害性最強;輿情緩解期,網民關注度下降,但負能量還處于較高水平;消退期,網民關注度較低且負能量基本釋放完。因此本文將輿情醞釀期定為較重級,爆發(fā)期定為特別嚴重級,緩解期定為嚴重級,消退期定為一般級。依據(jù)圖1所建立的指標體系,從百度指數(shù)和新浪微博抓取了“上海法官集體嫖娼事件”“曾成杰被執(zhí)行死刑”“黃浦江死豬漂浮事件”“農夫山泉‘質量門’事件”“廈門公交大火事件”5個案例的數(shù)據(jù),按照網絡輿情事件不同生命周期階段共36個樣本。由于末級指標的量綱不一樣,為了方便處理和比較,本文將原始數(shù)據(jù)進行了[0,1]歸一化處理(保留4位小數(shù)),標準化后的數(shù)據(jù)如表1所示。4.2基于lengermart的訓練算法a.BP神經網絡算法:本文采用3層BP神經網絡結構,輸入節(jié)點數(shù)為11,輸出節(jié)點數(shù)為4,隱含層節(jié)點數(shù)為30,隱含層傳遞函數(shù)為S型函數(shù)“tansig”,輸出層函數(shù)為S函數(shù)“l(fā)ogsig”,訓練算法采用LevenbergMarquart算法,最大訓練次數(shù)為1000,訓練目標誤差為0.01,學習速率為0.05,動量因子為0.9。b.遺傳算法:種群大小45,最大遺傳代數(shù)20,變量的二進制位數(shù)10,交叉率0.7,變異率0.01,代溝0.95,權值變化范圍[-1,1]。4.3遺傳算法優(yōu)化網絡輿情危機預警將樣本1、4、7、10、13、16、19、22、25、28、31作為BP神經網絡的測試樣本,其余樣本作為BP神經網絡的訓練樣本。首先利用遺傳算法優(yōu)化BP神經網絡的初始權值與閥值,由圖2可以看出,經過15代的遺傳進化后得到了最佳的初始權值與閥值。其次將最佳初始權值與閥值回帶入BP神經網絡,得出測試樣本的預警結果