張利民 鄒姝陽

摘 要：本研究以新浪微博為主要輿情采集平臺，對微博系統(tǒng)內(nèi)海量信息進行日常性和持續(xù)性的抓取、跟蹤與搜集。本論文針對微博信息傳播特點，充分利用網(wǎng)絡信息挖掘技術、計算機中文信息處理技術、數(shù)據(jù)挖掘技術等應用技術，研究微博輿情監(jiān)測關鍵技術及實施方案，力求構建適應微博特點的網(wǎng)絡輿情預警機制。

關鍵詞：微博；輿情；研判；預警

1 引言

近年來我國各類突發(fā)事件頻發(fā)，社會穩(wěn)定性顯著降低，這不僅直接導致社會經(jīng)濟生活及人身財產(chǎn)安全的重大損失，也極大地危害到社會的穩(wěn)定與發(fā)展。中國社科院在其出版的《社會藍皮書》一書中，將微博定義為"殺傷力最強的輿論載體"，體現(xiàn)了微博輿論的強大影響力。

本研究來源于北京市大學生科研創(chuàng)新項目《基于微博的社會輿情研判與預警》的子項目，試圖以新浪微博為對象，研究微博輿情監(jiān)測關鍵技術及實施方案，具體內(nèi)容包括：博文自動抽取、中文分詞、文檔清洗（去停用詞）、中文計算機表達、文檔情感傾向判別、意見領袖識別、綜合輿情判斷等內(nèi)容。

2 研究過程

2.1 微博數(shù)據(jù)的自動獲取

網(wǎng)絡輿情數(shù)據(jù)獲取是網(wǎng)絡輿情分析的前提。面對互聯(lián)網(wǎng)的海量信息，迫切需要一種技術來幫助人們自動從網(wǎng)絡上獲取相關信息，從而可以極大地提高人們獲取信息的速度和廣度。網(wǎng)絡爬蟲（WEB Crawler）是搜索引擎的重要組成部分之一，其作用是為搜索引擎從網(wǎng)絡中下載所需的網(wǎng)頁。相比網(wǎng)絡爬蟲，新浪微博的開放API接口可以更加簡潔的獲取相應的數(shù)據(jù)，本研究即采用新浪微博的API接口作為數(shù)據(jù)挖掘工具。

① OAUTH認證：使用新浪API前首先須完成用戶認證。新浪微博API采用OAUTH認證為用戶提供了一個安全的、開放而又簡易的標準。

② 新浪微博API接口定義：新浪微博API調用接口形如：http： //api.t.sina.com.cn/statuses/followers.json？ source=appkey&user_id=11051&count=200&cursor=1200。該命令分別指定了新浪API服務器地址、接口信息具體內(nèi)容及方法；OAUTH認證信息、用戶數(shù)字ID、返回記錄的首位置及記錄條數(shù)。

③ 微博數(shù)據(jù)抽取器的主要功能包括：用戶登錄驗證，獲取follower微博列表，獲取回復列表，獲取私信列表，獲取收藏列表等。

2.2 文本分詞處理及矢量化表示

① 中文分詞及詞性標注：由于英文文本每個單詞間用空格分開，計算機很容易識別。但對于中文文本，詞語之間無區(qū)分字符，需根據(jù)語義語法來分斷。中科院的中文分詞系統(tǒng)ICTCLAS（Institute of Computing Technology， Chinese Lexical Analysis System）分詞準確率較高，本研究選取ICTCLAS進行分詞。

② 中文文本表示模型：常見的文本表示模型主要有布爾模型、向量空間模型、概率語言模型等。布爾模型采用布爾向量來表示文本，但不能定量反映特征項對于文本的貢獻程度；概率模型用概率值來表示詞在各類文本中出現(xiàn)的概率，但無法處理語言中的長距離依賴；向量空間模型采取TF-IDF值表示特征項的權值。詞頻TF（Term Frequency）指某一特征詞在當前文本出現(xiàn)的相對次數(shù)；逆文檔頻率IDF（Inverse Document Frequency）用于評估特征詞的重要性。由于該模型簡易高效，本研究即采用此法表示中文文本。

2.3 文本清洗（去停用詞）

停用詞是指文本中出現(xiàn)頻率很高，但實際意義又不大的詞。停用詞大致有兩類，第一類包括語氣助詞、介詞等，如常見的“的”、“地”之類；另一種是在所有文檔中大量出現(xiàn)的詞，如“頂”之類。本研究中使用停用詞表實現(xiàn)對停用詞的過濾功能。

2.4 文本情感傾向判斷

輿情立場判別可通過判斷博文的感情傾向得到，最常見的是根據(jù)其包含的褒貶詞匯來進行計算。為獲得文本的情感極性，需首先提取情感詞，本研究基于情感詞詞典的方法來提取情感詞。

① 極性詞典的構建：詞語除可表達特有的概念外，還能傳達一定的感情色彩。感情色彩大體分為褒義和貶義兩種，褒義如“好，聰明、優(yōu)秀”等，貶義如“壞、鄙夷、惡魔”等。具有褒貶義的詞語集合稱為極性詞典，本研究的極性詞典主要取自《知網(wǎng)》 （HowNet），包括程度級別詞語、正負面評價詞語、正負面情感詞語等。

② 傾向性分析算法與實現(xiàn)過程：詞語中還有些極性修飾詞，處理時，可給這些修飾詞設置不同的強度系數(shù)。如定義極性褒義、貶義的原始強度分別為：+1，-1，再定義極性修飾詞“極其/最”的強度系數(shù)為2，則總的情感極性=詞語極性*強度系數(shù)。另有些特殊情況需考慮：句式反轉規(guī)則，適用于漢語中表示否定和反問句式，如：“不、不是、非、并非、難道、豈不”引導的句子，另遇到雙引號或單引號括起的情感詞，均應對原話中的褒貶義進行反轉。感情強化規(guī)則：漢語的感嘆號等可表示情感的增強，故可用感嘆號的數(shù)量來表示感情色彩的強度。

2.5 意見領袖識別

社會突發(fā)事件發(fā)生后，微博中會往往會產(chǎn)生群體情緒，其間意見領袖對群體情緒的演化及輿情研判影響極大。據(jù)拉扎菲爾德的定義，意見領袖指在某一主題內(nèi)特別活躍且有極大影響力的用戶，所以本研究從如下兩個方面分析微博意見領袖：用戶影響力和用戶活躍度。

① 用戶影響力：微博中有三種交互行為可以作為影響力考慮因素。轉發(fā)行為，信息被轉發(fā)的次數(shù)越多，產(chǎn)生的影響越大；評論行為，信息得到的評論越多，意味著信息影響的范圍越廣； “@“行為，一個用戶被提及的次數(shù)越多，意味著這個用戶對其他用戶的吸引力越大。

② 用戶活躍度：意見領袖要對其他人施加影響，僅僅發(fā)布信息而不參與互動交流是無法影響到人們的觀點和意見。包括：原創(chuàng)微博數(shù)量，代表用戶表達自己思想的愿望；自回帖行為，反映用戶之間的交流活躍度；回復他人帖子數(shù)，反映對其他用戶的言論關注度；活躍天數(shù)，反映用戶對事件的關注持久度。

2.6 輿情指標體系

由網(wǎng)絡的海量個體信息中發(fā)掘群體行為規(guī)律，對確定突發(fā)事件的發(fā)展狀態(tài)以及對衍生事件的預警具有重要價值，可以實現(xiàn)對社會事件高效的輔助決策。本研究將指標評價體系劃分為：輿情主體、輿情信息、輿情傳播和輿情受眾4個指標，細述如下：

輿情主體指標：是指微博所有者的相關個人身份信息指標。

輿情信息指標：輿情信息指標反映了該輿情的敏感程度、危害程度以及受到關注的程度。

輿情傳播指標：輿情傳播指標反映了該輿情在傳播過程中的擴散效果。

輿情受眾指標：輿情的受眾指標反映了受眾所處的地域，對輿情的共鳴及回應態(tài)度。

3 結論

本文依據(jù)微博傳播特點，借助網(wǎng)絡信息挖掘、計算機中文信息處理等原理及技術，構建了一個微博輿情自動監(jiān)測系統(tǒng)的實施方案，并對其關鍵技術進行研究。該方案涉及到博文自動抽取、中文分詞、文檔清洗（去停用詞）、中文計算機表達、文檔情感傾向判別、意見領袖識別、綜合輿情判斷等各專項技術，從而可為基于微博內(nèi)容的網(wǎng)絡輿情自動監(jiān)測及預警提供準確的依據(jù)。

參考文獻

[1]王曉龍，關毅.計算機自然語言處理[M].北京：清華大學出版社，2005.

[2]劉豐；基于微博的突發(fā)事件檢測和信息傳播建模[D]；哈爾濱工業(yè)大學；2011年

[3]曉龍；突發(fā)事件的互聯(lián)網(wǎng)信息傳播規(guī)律研究[D]；哈爾濱工業(yè)大學；2011年

[4]陳友，程學旗，楊森. 面向網(wǎng)絡論壇的突發(fā)話題發(fā)現(xiàn)[J]. 中文信息學報. 2010（03）

作者簡介

張利民，（1964-），女，甘肅蘭州人，1986年畢業(yè)于西北師范大學政法學院，獲得學士學位，副教授；主要研究方向：汽車技術服務與營銷。

鄒姝陽，（1990-），女，甘肅蘭州人，2013年畢業(yè)于中央財經(jīng)大學，獲得學士學位，目前碩士就讀于香港中文大學新聞與傳播學院，主要研究方向：財經(jīng)新聞，企業(yè)傳播。