李 勇，劉戰(zhàn)東

(新疆師范大學(xué)網(wǎng)絡(luò)信息安全與輿情分析重點(diǎn)實(shí)驗(yàn)室，新疆烏魯木齊830054)

隨著互聯(lián)網(wǎng)的廣泛使用，網(wǎng)絡(luò)媒體作為一種新的信息傳播形式，已深入人們的日常生活。通過(guò)網(wǎng)絡(luò)來(lái)表達(dá)觀(guān)點(diǎn)、傳播思想，進(jìn)而產(chǎn)生巨大的輿論壓力，達(dá)到任何部門(mén)、機(jī)構(gòu)都無(wú)法忽視的地步。網(wǎng)絡(luò)輿情是指通過(guò)互聯(lián)網(wǎng)傳播的公眾對(duì)現(xiàn)實(shí)生活中某些熱點(diǎn)、焦點(diǎn)問(wèn)題所持的有較強(qiáng)影響力、傾向性的言論和觀(guān)點(diǎn)，主要通過(guò)論壇、微博、新聞跟貼、轉(zhuǎn)貼等實(shí)現(xiàn)并加以強(qiáng)化。網(wǎng)絡(luò)輿情形成迅速，對(duì)社會(huì)影響巨大，加強(qiáng)互聯(lián)網(wǎng)信息監(jiān)管的同時(shí)，組織力量開(kāi)展信息匯集整理和分析，對(duì)于及時(shí)應(yīng)對(duì)網(wǎng)絡(luò)突發(fā)的公共事件和全面掌握社情民意很有意義，已經(jīng)成為國(guó)家和政府了解疏導(dǎo)民意的重要手段［1］。

網(wǎng)絡(luò)輿情分析系統(tǒng)是針對(duì)一定的社會(huì)空間內(nèi)，圍繞中介性社會(huì)事件的發(fā)生、發(fā)展和變化，將民眾對(duì)社會(huì)管理者產(chǎn)生和持有的社會(huì)政治態(tài)度于網(wǎng)絡(luò)上表達(dá)出來(lái)的意愿集合，并進(jìn)行計(jì)算機(jī)分析的系統(tǒng)統(tǒng)稱(chēng)。網(wǎng)絡(luò)輿情分析系統(tǒng)一般包括熱點(diǎn)、敏感話(huà)題識(shí)別、輿情主題跟蹤、自動(dòng)摘要、輿情趨勢(shì)分析、突發(fā)事件分析和輿情報(bào)警等功能［2］。

目前國(guó)內(nèi)已經(jīng)有市場(chǎng)化的網(wǎng)絡(luò)輿情分析系統(tǒng)產(chǎn)品，如方正智思輿情預(yù)警輔助決策支持系統(tǒng)、谷尼互聯(lián)網(wǎng)輿情監(jiān)控系統(tǒng)等。但現(xiàn)有的輿情分析系統(tǒng)在采集、檢索和分析模塊中基本都是采用基于統(tǒng)計(jì)和關(guān)鍵詞的方法，沒(méi)有充分考慮詞語(yǔ)間的語(yǔ)義信息，忽略了語(yǔ)義理解，會(huì)造成網(wǎng)絡(luò)文本語(yǔ)義信息的損失，導(dǎo)致結(jié)果的不精確［3］。

近幾年，隨著語(yǔ)義網(wǎng)和本體技術(shù)的發(fā)展，本體概念被廣泛應(yīng)用到計(jì)算機(jī)領(lǐng)域特別是人工智能和知識(shí)工程研究中。本體的結(jié)構(gòu)可以定義為一個(gè)5元組O={C，R，F(xiàn)，I，A}，其中 C 是類(lèi)或概念的集合，R 是關(guān)系的集合，F(xiàn)是函數(shù)，表示該關(guān)系的前n－1個(gè)元素可以惟一確定第n個(gè)元素，I是實(shí)例，A表示本體公理。本體的目標(biāo)是捕獲相關(guān)領(lǐng)域知識(shí)的共同理解，在不同層次的形式化模式上給出特定知識(shí)領(lǐng)域內(nèi)各種對(duì)象、對(duì)象特性以及對(duì)象之間可能存在的關(guān)系。采用統(tǒng)一本體中的概念和術(shù)語(yǔ)描述知識(shí)，可以使人機(jī)之間以及機(jī)器之間的交流被準(zhǔn)確描述和解釋?zhuān)欣谥R(shí)交換和共享。目前，本體已經(jīng)被廣泛應(yīng)用于語(yǔ)義Web、智能信息檢索、自然語(yǔ)言處理、數(shù)字圖書(shū)館等領(lǐng)域［4］。

網(wǎng)絡(luò)輿情分析的目的是要從海量、動(dòng)態(tài)、交互的網(wǎng)絡(luò)信息中及時(shí)識(shí)別、發(fā)現(xiàn)輿情，它既與自然語(yǔ)言處理技術(shù)密切相關(guān)，也與信息組織和信息分析技術(shù)相聯(lián)系。借助領(lǐng)域本體對(duì)整個(gè)輿情分析過(guò)程進(jìn)行指導(dǎo)，通過(guò)本體對(duì)領(lǐng)域信息進(jìn)行結(jié)構(gòu)上的預(yù)處理，使數(shù)據(jù)具有語(yǔ)義的內(nèi)涵，實(shí)現(xiàn)語(yǔ)義層次的處理，可以提高輿情分析的效果。網(wǎng)絡(luò)輿情分析的核心技術(shù)是網(wǎng)絡(luò)文本語(yǔ)義標(biāo)注和挖掘等技術(shù)，目前國(guó)內(nèi)外一些學(xué)者對(duì)這些技術(shù)的研究已經(jīng)取得了不錯(cuò)的成果，但把這些研究成果與技術(shù)進(jìn)行集成應(yīng)用在網(wǎng)絡(luò)輿情分析領(lǐng)域的研究較少。

1 基于本體的網(wǎng)絡(luò)輿情分析系統(tǒng)設(shè)計(jì)

1．1 基于本體的網(wǎng)絡(luò)輿情分析基本流程

基于本體的網(wǎng)絡(luò)輿情分析基本流程是:(1)在領(lǐng)域?qū)＜业闹笇?dǎo)下構(gòu)建輿情分析本體庫(kù);(2)對(duì)獲取的網(wǎng)絡(luò)資源利用本體進(jìn)行語(yǔ)義標(biāo)注，提取Web文本內(nèi)容語(yǔ)義特征庫(kù);(3)對(duì)用戶(hù)的查詢(xún)?cè)~進(jìn)行基于本體的語(yǔ)義空間的擴(kuò)展;(4)在本體的指導(dǎo)下對(duì)提取的Web內(nèi)容語(yǔ)義特征庫(kù)進(jìn)行輿情分析，并將分析結(jié)果返回給用戶(hù)。

1．2 系統(tǒng)功能分析及設(shè)計(jì)

依據(jù)上述流程分析，基于本體的網(wǎng)絡(luò)輿情分析系統(tǒng)主要包括Web內(nèi)容獲取子系統(tǒng)、Web內(nèi)容語(yǔ)義標(biāo)注子系統(tǒng)、Web內(nèi)容輿情分析子系統(tǒng)和用戶(hù)交互子系統(tǒng)(圖1)。

圖1 基于本體的網(wǎng)絡(luò)輿情分析系統(tǒng)結(jié)構(gòu)Fig．1 Architecture of online public opinion analysis system based on ontology

Web內(nèi)容獲取子系統(tǒng)的主要任務(wù)是通過(guò)網(wǎng)絡(luò)爬蟲(chóng)獲取相關(guān)網(wǎng)頁(yè)內(nèi)容，對(duì)其進(jìn)行分句、分詞、詞性標(biāo)注、詞匯過(guò)濾，將預(yù)處理結(jié)果存儲(chǔ)到數(shù)據(jù)庫(kù)中，為基于本體的語(yǔ)義標(biāo)注做準(zhǔn)備。

在Web文本內(nèi)容語(yǔ)義標(biāo)注子系統(tǒng)中利用本體把所獲取的文本內(nèi)容表示成帶語(yǔ)義的信息，使得計(jì)算機(jī)可以直接處理。語(yǔ)義標(biāo)注的目的是建立文檔與領(lǐng)域本體的映射關(guān)系，通過(guò)預(yù)處理的文本都是非結(jié)構(gòu)化文本，系統(tǒng)直接采用本體指導(dǎo)Web內(nèi)容的語(yǔ)義標(biāo)注，通過(guò)提取文檔的特征詞，建立特征詞與本體概念的映射。

Web輿情分析子系統(tǒng)是核心，結(jié)合實(shí)際應(yīng)用，在本系統(tǒng)中主要涉及敏感話(huà)題識(shí)別、輿情主題跟蹤、輿情趨勢(shì)分析等關(guān)鍵功能。Web輿情分析實(shí)現(xiàn)的關(guān)鍵技術(shù)是Web內(nèi)容挖掘，涉及到數(shù)據(jù)挖掘中的分類(lèi)、聚類(lèi)、關(guān)聯(lián)預(yù)測(cè)等核心技術(shù)。

用戶(hù)交互子系統(tǒng)主要實(shí)現(xiàn)用戶(hù)和整個(gè)系統(tǒng)的交互功能。在系統(tǒng)中引入用戶(hù)查詢(xún)?cè)~擴(kuò)展技術(shù)，構(gòu)造基于本體的查詢(xún)?cè)~語(yǔ)義空間，可以最大限度地提高系統(tǒng)的查全率和查準(zhǔn)率。

2 系統(tǒng)實(shí)現(xiàn)中本體技術(shù)的應(yīng)用

2．1 網(wǎng)絡(luò)輿情領(lǐng)域本體庫(kù)構(gòu)建

領(lǐng)域?qū)＜以诒倔w構(gòu)建方法學(xué)的指導(dǎo)下，構(gòu)建網(wǎng)絡(luò)輿情領(lǐng)域本體庫(kù)。Tom Gruber給出了設(shè)計(jì)本體的基本準(zhǔn)則:(1)明確性和客觀(guān)性，本體應(yīng)該有效地傳達(dá)所定義的術(shù)語(yǔ)內(nèi)涵;(2)一致性，即由本體推斷出來(lái)的概念定義應(yīng)該與本體中的概念定義一致;(3)可擴(kuò)展性，指本體提供的共享詞匯集，應(yīng)該在不改變?cè)x的前提下能夠單調(diào)地進(jìn)行擴(kuò)展;(4)最小編碼偏差，本體應(yīng)該處于知識(shí)的層次，而與特定的符號(hào)級(jí)編碼無(wú)關(guān);(5)最小本體承諾，一個(gè)本體在提供必須的共享知識(shí)條件下，要求有最小的本體承諾。

本體建立的方法目前沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，一般都是參考軟件工程的方法。參考常用的本體開(kāi)發(fā)方法后，在本系統(tǒng)中采用的本體建立方法如下:(1)確定輿情分析本體應(yīng)用的目的和范圍;(2)進(jìn)行本體概念和關(guān)系的初步選取;(3)形式化表示及評(píng)價(jià);(4)建立本體。

由于領(lǐng)域知識(shí)龐大而復(fù)雜，不可能對(duì)其進(jìn)行全面建模，在實(shí)際系統(tǒng)中應(yīng)緊貼特定主題輿情分析的需要，選擇相關(guān)的領(lǐng)域建立領(lǐng)域本體庫(kù)［5］。如在分析騰訊與360客戶(hù)端“二選一”互聯(lián)網(wǎng)熱點(diǎn)事件時(shí)建立的領(lǐng)域本體示意圖(圖2)。

圖2 騰訊與360客戶(hù)端“二選一”事件領(lǐng)域本體示意圖Fig．2 Domain ontology of Tencent＆ 360 event

建立好的本體庫(kù)在網(wǎng)絡(luò)輿情分析系統(tǒng)中處于核心位置，為Web內(nèi)容語(yǔ)義標(biāo)注、輿情分析等提供基礎(chǔ)。構(gòu)造本體時(shí)是以 OWL來(lái)進(jìn)行描述的，在對(duì)Web內(nèi)容進(jìn)行語(yǔ)義標(biāo)注和基于語(yǔ)義的輿情分析過(guò)程中會(huì)頻繁地訪(fǎng)問(wèn)本體中的概念、實(shí)例、屬性及各種關(guān)系，所以需要將本體存入數(shù)據(jù)庫(kù)，以實(shí)現(xiàn)對(duì)本體的快速訪(fǎng)問(wèn)。在實(shí)際使用中可以采用圖形化的工具來(lái)構(gòu)建領(lǐng)域本體，如斯坦福大學(xué)開(kāi)發(fā)的Protégé軟件，而且可以方便地與數(shù)據(jù)庫(kù)連接，實(shí)現(xiàn)領(lǐng)域本體的持久化。

2．2 網(wǎng)絡(luò)文本語(yǔ)義標(biāo)注

語(yǔ)義標(biāo)注的目的是通過(guò)本體為網(wǎng)絡(luò)文本增加計(jì)算機(jī)可以理解的語(yǔ)義信息，也就是為本體中的概念尋找文本中的實(shí)例或者為本體中的實(shí)例尋找相匹配實(shí)例的過(guò)程。在輿情分析系統(tǒng)中可以采用如下方案來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)文本內(nèi)容的語(yǔ)義標(biāo)注:

(1)網(wǎng)絡(luò)文檔特征詞提取。在傳統(tǒng)的空間向量模型文本表示方法中，特征選擇和權(quán)值計(jì)算忽略了文本的語(yǔ)義信息，所以在本系統(tǒng)中通過(guò)遍歷輿情分析本體庫(kù)進(jìn)行文檔特征詞選擇，形成特征詞集合。

(2)基于輿情分析本體庫(kù)進(jìn)行特征詞權(quán)值計(jì)算，形成文檔與領(lǐng)域本體的映射關(guān)系。文檔dj表示成特征向量:dj={(t1，w1j)，…，(ts，wsj)}，其中t1…ts表示經(jīng)過(guò)本體進(jìn)行匹配后特征詞，w1j…wsj表示經(jīng)過(guò)在本體計(jì)算后得到的概念權(quán)值［6］。

采用這種方案不僅可以揭示文檔的隱含語(yǔ)義信息，而且能較準(zhǔn)確地劃分文檔與所屬類(lèi)別，為輿情分析中的熱點(diǎn)話(huà)題發(fā)現(xiàn)提供基礎(chǔ)。

2．3 基于語(yǔ)義相似度的熱點(diǎn)話(huà)題發(fā)現(xiàn)

Web文本挖掘的目的是對(duì)文本內(nèi)容進(jìn)行分析，發(fā)現(xiàn)有價(jià)值的模式和規(guī)則，并進(jìn)行預(yù)測(cè)。而現(xiàn)有的文本挖掘都是基于語(yǔ)法層面，沒(méi)有進(jìn)行語(yǔ)義層面的挖掘，準(zhǔn)確率不高。在輿情分析系統(tǒng)中，熱點(diǎn)、敏感話(huà)題發(fā)現(xiàn)主要是采用文本挖掘的聚類(lèi)來(lái)實(shí)現(xiàn)，在本系統(tǒng)中提出基于語(yǔ)義的熱點(diǎn)、敏感話(huà)題發(fā)現(xiàn)，實(shí)現(xiàn)流程如下:(1)在上述語(yǔ)義標(biāo)注的結(jié)果上進(jìn)行基于本體庫(kù)的文檔與文檔之間的語(yǔ)義相似度和相關(guān)度計(jì)算;(2)按照預(yù)設(shè)的閾值進(jìn)行聚類(lèi)處理，形成相應(yīng)的簇;(3)形成文檔集合的劃分后，再次利用上述基于本體的語(yǔ)義特征詞概念權(quán)值計(jì)算方法進(jìn)行文檔集合的特征提取，從而形成輿情分析中的熱點(diǎn)、敏感話(huà)題，在本體庫(kù)的支持下進(jìn)行情感傾向性分析。

在該過(guò)程中多次涉及到語(yǔ)義概念特征的相似度與相關(guān)度計(jì)算，對(duì)于概念的語(yǔ)義相似度［7］

其中:α(x)是以x為起點(diǎn)向上可達(dá)的結(jié)點(diǎn)集合;α(x)∩α(y)是以x和y為起點(diǎn)，向上可達(dá)的結(jié)點(diǎn)集合的交集;ρ∈［0，1］是可調(diào)參數(shù)。式(1)充分考慮了概念間的語(yǔ)義重合度、概念層次深度和相似度的不對(duì)稱(chēng)性。

在領(lǐng)域本體中任意2個(gè)概念特征相關(guān)度

其中，ShortPath(x，y)表示從x到y(tǒng)的最短路徑距離，當(dāng)x和y不相通時(shí)該值為∞，λ為可調(diào)參數(shù)。

2．4 查詢(xún)?cè)~語(yǔ)義空間擴(kuò)展

基于本體的查詢(xún)?cè)~擴(kuò)展方法的基本思想是:在用戶(hù)初始查詢(xún)的基礎(chǔ)上抽取概念來(lái)建立用戶(hù)查詢(xún)空間，以保證加入的擴(kuò)展詞不再局限于相似度高或者同時(shí)出現(xiàn)概率高的詞，基于準(zhǔn)確性的考慮，對(duì)擴(kuò)展詞進(jìn)行分組查詢(xún)擴(kuò)展并對(duì)查詢(xún)結(jié)果整合排序以提高查準(zhǔn)率［8］。也就是對(duì)查詢(xún)?cè)~在領(lǐng)域本體中進(jìn)行概念級(jí)別的語(yǔ)義擴(kuò)展，按照不同權(quán)重的擴(kuò)展查詢(xún)?cè)~組提高用戶(hù)查詢(xún)的語(yǔ)義表達(dá)能力。

構(gòu)造基于本體的語(yǔ)義空間擴(kuò)展流程見(jiàn)圖3。

圖3 基于本體的語(yǔ)義空間擴(kuò)展流程Fig．3 Flowchart for ontology-based semantic space expansion

在進(jìn)行查詢(xún)?cè)~語(yǔ)義空間擴(kuò)展后，如針對(duì)圖2所示的領(lǐng)域本體片段，騰訊與360客戶(hù)端“二選一”互聯(lián)網(wǎng)熱點(diǎn)事件屬于“互聯(lián)網(wǎng)科技熱點(diǎn)事件”概念的實(shí)例，可以從本體中提取出該實(shí)例的各種屬性，如時(shí)間、起因等，計(jì)算和相關(guān)概念的相似度與相關(guān)度后，還可以找到相關(guān)的人物或事件的演變結(jié)果，如“周鴻祎”、“工信部和公安部已介入360騰訊之爭(zhēng)”等，豐富了查詢(xún)語(yǔ)義信息。實(shí)際應(yīng)用中最經(jīng)常使用的擴(kuò)展還是查詢(xún)概念的同義概念擴(kuò)展、上下位概念擴(kuò)展和概念與實(shí)例的擴(kuò)展［9］。

3 結(jié)語(yǔ)

在構(gòu)建網(wǎng)絡(luò)輿情分析系統(tǒng)中引入本體技術(shù)，建立概念共享空間，可以有效地挖掘網(wǎng)絡(luò)內(nèi)容的語(yǔ)義信息，提高輿情分析的準(zhǔn)確率。本文中給出了基于本體的網(wǎng)絡(luò)輿情分析系統(tǒng)結(jié)構(gòu)，并對(duì)系統(tǒng)實(shí)現(xiàn)中的本體應(yīng)用技術(shù)進(jìn)行了一些實(shí)驗(yàn)性的研究。由于在系統(tǒng)的實(shí)際使用中需要大型網(wǎng)絡(luò)輿情本體庫(kù)的支持，下一步的研究重點(diǎn)是結(jié)合自然語(yǔ)言處理、機(jī)器學(xué)習(xí)等技術(shù)提高網(wǎng)絡(luò)輿情分析領(lǐng)域本體的自動(dòng)或半自動(dòng)化構(gòu)建。

［1］ 百度百科．網(wǎng)絡(luò)輿情監(jiān)測(cè)系統(tǒng)［EB/OL］．［2012-12-05］．http://baike．baidu．com/view/2416058．htm．

［2］ Goonie．Goonie 輿論情報(bào)專(zhuān)家［EB/OL］．［2012-12-10］．http://www．goonie．cn/．

［3］ 陳憶金，曹樹(shù)金，陳少馳，等．網(wǎng)絡(luò)輿情信息監(jiān)測(cè)研究進(jìn)展［J］．圖書(shū)情報(bào)知識(shí)，2011，20(6):41-49．CHEN Yi-jin，CAO Shu-jin，CHEN Shao-chi，et al．Survey on online public opinion information monitoring［J］．Document，Information ＆ Knowledge，2011，20(6):41-49．

［4］ 鄭慶華，劉均，田峰，等．Web知識(shí)挖掘［M］．北京:科學(xué)出版社，2010．6．

［5］ 王蘭成，徐震．基于本體的主題網(wǎng)絡(luò)輿情知識(shí)模型構(gòu)建研究［J］．信息工程大學(xué)學(xué)報(bào)，2012，13(2):229-233．WANG Lan-cheng，XU Zhen．Research on ontology-based knowledge modeling of thematic networks of public opinion［J］．Journal of Information Engineering University，2012，13(2):229-233．

［6］ 時(shí)念云，楊晨．基于領(lǐng)域本體的語(yǔ)義標(biāo)注方法研究［J］．計(jì)算機(jī)工程與設(shè)計(jì)，2007，28(24):5985-5987．SHI Nian-yun，YANG Chen．Towards domain ontologybased semantic annotation research［J］．Computer Engineering and Design，2007，28(24):5985-5987．

［7］ Andreasen T，Bulskov H，F(xiàn)rom Ontology over Similarity to Query Evaluation［C］．Elsevier Science，2003．

［8］ 甘建候，姜躍，夏幼明．本體方法及其應(yīng)用［M］．北京:科學(xué)出版社，2011．

［9］ 劉恒文．基于網(wǎng)絡(luò)語(yǔ)義挖掘的典情監(jiān)測(cè)預(yù)警研究［D］．武漢:武漢理工大學(xué)，2010．