武 燕，黃 顏，吳 維，李孟山

(贛南師范大學(xué) a.數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院;b.物理與電子信息學(xué)院，江西 贛州 341000)

?

·應(yīng)用數(shù)學(xué)·

混合神經(jīng)網(wǎng)絡(luò)的高校網(wǎng)絡(luò)輿情預(yù)測(cè)模型研究*

武 燕a，黃 顏a，吳 維b，李孟山b

(贛南師范大學(xué) a.數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院;b.物理與電子信息學(xué)院，江西 贛州 341000)

為了對(duì)高校大學(xué)生群體性事件網(wǎng)絡(luò)輿情進(jìn)行準(zhǔn)確預(yù)測(cè)并作正確引導(dǎo)，提出一種基于改進(jìn)粒子群算法的混合神經(jīng)網(wǎng)絡(luò)(HANN)的高校網(wǎng)絡(luò)輿情的發(fā)展趨勢(shì)預(yù)測(cè)模型.HANN首先采用自適應(yīng)調(diào)整策略和混沌理論對(duì)粒子群算法進(jìn)行改進(jìn)得到改進(jìn)粒子群算法(CSA-PSO)，再通過CSA-PSO算法訓(xùn)練徑向基人工神經(jīng)網(wǎng)絡(luò)(RBF ANN)得到；RBF ANN的結(jié)點(diǎn)個(gè)數(shù)通過試探法確定.通過實(shí)例測(cè)試和與其它模型比較實(shí)驗(yàn)，結(jié)果表明所提出的HANN方法具有較高的預(yù)測(cè)精確，綜合性能較好.

網(wǎng)絡(luò)輿情；群體性事件；神經(jīng)網(wǎng)絡(luò)；混沌理論；自適應(yīng)調(diào)整策略

1 引言

網(wǎng)絡(luò)輿情是公眾通過互聯(lián)網(wǎng)對(duì)某些熱點(diǎn)、焦點(diǎn)的社會(huì)問題產(chǎn)生的不同看法所發(fā)表的網(wǎng)絡(luò)輿論.主要的實(shí)現(xiàn)方式包括：QQ、論壇、微信、博客、微博等網(wǎng)絡(luò)工具.互聯(lián)網(wǎng)作為一種新興媒體已在社會(huì)信息傳播中占有主導(dǎo)地位，成為公眾發(fā)表輿論最常用的平臺(tái).公眾通過網(wǎng)絡(luò)工具對(duì)一些問題或焦點(diǎn)的輿論則在短時(shí)間內(nèi)就可以形成，信息量極其大，而且網(wǎng)絡(luò)輿論的數(shù)據(jù)特點(diǎn)具有不規(guī)則性和隨機(jī)性.因此，對(duì)網(wǎng)絡(luò)輿情的準(zhǔn)確預(yù)測(cè)和干預(yù)則尤為重要[1-4].

近年來，高校校園網(wǎng)絡(luò)的興起，越來越多的大學(xué)生通過互聯(lián)網(wǎng)借助新興媒體工具關(guān)注自己校園熱點(diǎn)和焦點(diǎn)并發(fā)表自己的觀點(diǎn)和看法.高校大學(xué)生思維活躍并樂于發(fā)表自己的見解，敏感性較強(qiáng)，成為網(wǎng)絡(luò)群體的重要參與力量.但是由于大學(xué)生對(duì)問題的分析能力尚未完全成熟，易受到迷惑，這給高校學(xué)生思想政治教育工作帶來挑戰(zhàn)[5-7].因此，對(duì)高校網(wǎng)絡(luò)輿情進(jìn)行準(zhǔn)確預(yù)測(cè)并作出引導(dǎo)，形成具有參考價(jià)值的輿情信息，有利于高校學(xué)生思想政治教育工作順利開展[8-9].

目前，網(wǎng)絡(luò)輿情的分析方法主要有：一、傳統(tǒng)方法，如調(diào)查法和基于統(tǒng)計(jì)規(guī)則的方法；二、智能方法，如采用人工神經(jīng)網(wǎng)絡(luò)、聚類算法、支持向量機(jī)等.由于網(wǎng)絡(luò)輿情數(shù)據(jù)具有不規(guī)則和非線性等特點(diǎn)，并且其發(fā)展趨勢(shì)也具有復(fù)雜性等，因此采用傳統(tǒng)的統(tǒng)計(jì)方法則具有一定局限性[10-11].人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于解決復(fù)雜非線性問題，因此，人工神經(jīng)網(wǎng)絡(luò)成為對(duì)網(wǎng)絡(luò)輿情進(jìn)行預(yù)測(cè)的主要方法，研究者也提出一些基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)模型，預(yù)測(cè)結(jié)果比傳統(tǒng)方法具有一定優(yōu)勢(shì).但是人工神經(jīng)網(wǎng)絡(luò)算法也有自身的缺陷，算法容易陷入局部最優(yōu)、其訓(xùn)練結(jié)果的好壞依賴于初始權(quán)值的選擇等.為了改進(jìn)人工神經(jīng)網(wǎng)絡(luò)的性能，研究者試圖將各類智能優(yōu)化算法應(yīng)用于網(wǎng)絡(luò)訓(xùn)練，因此，將各種智能優(yōu)化算法用于改進(jìn)神經(jīng)網(wǎng)絡(luò)得到性能更好的混合神經(jīng)網(wǎng)絡(luò)[12-18].孫玲芳等[19]采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始值與閥值進(jìn)行優(yōu)化，構(gòu)建了基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)輿情預(yù)測(cè)模型；但是遺傳算法的效率比其它優(yōu)化算法低.

智能優(yōu)化算法中PSO優(yōu)化算法相對(duì)于遺傳算法和模擬退火算法則更為簡(jiǎn)單，容易實(shí)現(xiàn)且需要優(yōu)化的參數(shù)較少，是一種全局最優(yōu)搜索算法，被廣泛應(yīng)用于優(yōu)化人工神經(jīng)網(wǎng)絡(luò).如魏德志等[20]提出一種混沌理論和改進(jìn)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，用于網(wǎng)絡(luò)輿情預(yù)測(cè)，預(yù)測(cè)效果較令人滿意.PSO優(yōu)化算法雖具有較強(qiáng)的全局搜索能力，但是在搜索過程中容易陷入局部最優(yōu).如果簡(jiǎn)單將兩種算法結(jié)合建立模型，雖相比人工神經(jīng)網(wǎng)絡(luò)模型有所優(yōu)勢(shì)，但是沒有從根本上解決問題.為此，本文試圖將混沌理論和自適應(yīng)策略用于改進(jìn)PSO算法，再將改進(jìn)后的PSO算法用于BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化和參數(shù)調(diào)整，使得網(wǎng)絡(luò)能夠充分訓(xùn)練，得到一種混合神經(jīng)網(wǎng)絡(luò)(HANN)用于高校網(wǎng)絡(luò)輿情預(yù)測(cè).

2 模型理論

2.1 改進(jìn)粒子群算法(CSA-PSO)

粒子群算法(PSO)是受鳥群覓食行為啟發(fā)得到的一種智能優(yōu)化算法，被用于解決最優(yōu)化問題.假設(shè)在n維搜索空間中，由m個(gè)粒子組成n維空間的潛在解，在求解迭代過程中粒子更新自己的速度和位置是通過如下公式完成.

為了改進(jìn)PSO算法早熟收斂問題，加快算法的收斂速度，引入混沌理論和自適應(yīng)權(quán)重調(diào)整策略優(yōu)化PSO算法中的三個(gè)參數(shù)分別為：學(xué)習(xí)因子c1和c2，慣性權(quán)重因子ω，得到CSA-PSO算法.其中，慣性權(quán)重因子ω下述公式調(diào)整.

式中，權(quán)值最大值和最小值用ωmax和ωmin表示；當(dāng)前迭代次數(shù)表示為iter；itermax表示為PSO算法被允許執(zhí)行的最大迭代次數(shù).n表示的含義為非線性設(shè)置指數(shù).

在算法執(zhí)行過程中，利用Lorenz方程對(duì)學(xué)習(xí)因子c1和c2進(jìn)行調(diào)整，并進(jìn)行優(yōu)化搜索.

上式中三個(gè)控制參量a=10，r=28，b=8/3.得到學(xué)習(xí)因子c1和c2.

混沌為具有隨機(jī)性的運(yùn)動(dòng)狀態(tài)，由混沌變量來呈現(xiàn)混沌狀態(tài),具有隨機(jī)性、遍歷性和規(guī)律性特點(diǎn).學(xué)習(xí)因子c1和c2利用混沌變量的這些特征來實(shí)現(xiàn)混沌變量的演變并進(jìn)行粒子優(yōu)化搜索, 使算法不僅在進(jìn)入早熟收斂時(shí)，能促進(jìn)算法跳出局部最優(yōu)，同時(shí)在算法搜索過程中探索占優(yōu)時(shí)，提高收斂速度和收斂精度.

2.2 混合神經(jīng)網(wǎng)絡(luò)(HANN)

將CSA-PSO算法用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，對(duì)RBF-ANN的基函數(shù)中心及擴(kuò)展常數(shù)、網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化，得到基于CSA-PSO算法和RBF ANN的混合神經(jīng)網(wǎng)絡(luò).CSA-PSO執(zhí)行過程中每個(gè)粒子的位置向量與相應(yīng)的參數(shù)相對(duì)應(yīng)，網(wǎng)絡(luò)適應(yīng)度函數(shù)采用網(wǎng)絡(luò)輸出誤差衡量，誤差越小則表示適應(yīng)值越好，粒子的性能則更好.網(wǎng)絡(luò)的權(quán)值是通過粒子位置的改變而作更新，在搜索空間內(nèi)粒子進(jìn)行搜索使得網(wǎng)絡(luò)的輸出誤差最小.在每次搜索迭代過程中，全局最優(yōu)的粒子為最小誤差的粒子.

圖1 優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練結(jié)果圖

本文采用三層RBF神經(jīng)網(wǎng)絡(luò)，根據(jù)“兩會(huì)”作為輿情信息關(guān)鍵字預(yù)測(cè)問題，主要是分析按照時(shí)間序列對(duì)這個(gè)網(wǎng)絡(luò)輿情關(guān)鍵字的訪問量.所以網(wǎng)絡(luò)使用一個(gè)輸入結(jié)點(diǎn)，一個(gè)輸出結(jié)點(diǎn).隱含層中結(jié)點(diǎn)個(gè)數(shù)是通過試探法確定其個(gè)數(shù)，個(gè)數(shù)從3增加到11，其得到9個(gè)HANN模型，通過計(jì)算模型的MSE來確定隱含層結(jié)點(diǎn)的最佳個(gè)數(shù)，如圖1所示.

從圖中可以得出，選擇MSE較小的網(wǎng)絡(luò)作為最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，據(jù)圖1所示，隱含層結(jié)點(diǎn)數(shù)為5時(shí)網(wǎng)絡(luò)模型最優(yōu).所以本文建立了基于CSA-PSO的3層結(jié)構(gòu)為1-5-1的HANN模型.

在CSA-PSO算法用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中，PSO算法的參數(shù)選擇直接影響算法的性能.通常情況下，根據(jù)問題規(guī)模來確定算法的參數(shù)，本文中參數(shù)的確定如表1所示.

表1 CSA-PSO算法參數(shù)描述

圖2 “兩會(huì)”百度指數(shù)趨勢(shì)圖

3 預(yù)測(cè)實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)

實(shí)驗(yàn)數(shù)據(jù)是通過百度公司開發(fā)的百度指數(shù)應(yīng)用統(tǒng)計(jì)得到，它是以海量網(wǎng)民行為數(shù)據(jù)庫為基礎(chǔ)的數(shù)據(jù)分享平臺(tái)，統(tǒng)計(jì)結(jié)果比較客觀和全面.選擇“兩會(huì)”作為輿情信息關(guān)鍵字，統(tǒng)計(jì)出從2015年2月1日到2015年4月30日產(chǎn)生的90個(gè)分量的時(shí)間序列數(shù)據(jù)，建立一個(gè)包含90組數(shù)據(jù)的數(shù)據(jù)庫,如圖2所示.將數(shù)據(jù)庫中的數(shù)據(jù)隨機(jī)分成訓(xùn)練集、驗(yàn)證集和測(cè)試集三個(gè)子集.

模型采用計(jì)算平均相對(duì)誤差(Average relative Deviation,ARD)、預(yù)測(cè)均方根誤差(root mean square error of prediction，RMSEP)和平方相關(guān)系數(shù)(Squared Correlation Coefficient,R2)進(jìn)行精度和可靠性評(píng)價(jià)，其中ARD和RMESP定義為：

其中，樣本個(gè)數(shù)用N表示，網(wǎng)絡(luò)模型預(yù)測(cè)值采用Pre(i)表示，Exp(i)為實(shí)驗(yàn)實(shí)際值，x是N個(gè)樣本數(shù)據(jù)xi的平均值.

圖3 實(shí)驗(yàn)值與模型預(yù)測(cè)值對(duì)比圖

圖4 測(cè)試集中實(shí)驗(yàn)值與模型預(yù)測(cè)值對(duì)比圖

3.2 實(shí)驗(yàn)結(jié)果

使用數(shù)據(jù)庫中的訓(xùn)練集數(shù)據(jù)用于網(wǎng)絡(luò)訓(xùn)練，通過建立的HANN模型進(jìn)行訓(xùn)練.圖3為使用40組訓(xùn)練樣本對(duì)混合網(wǎng)絡(luò)進(jìn)行訓(xùn)練所得到的預(yù)測(cè)值和實(shí)際值的對(duì)比圖；直線表示預(yù)測(cè)值等于實(shí)際值的理想模型，藍(lán)色星型符號(hào)和紅色的圓圈符號(hào)分別表示在訓(xùn)練集和驗(yàn)證集中的預(yù)測(cè)值.

通過采用訓(xùn)練集和驗(yàn)證集對(duì)所提出的HANN進(jìn)行訓(xùn)練，從對(duì)比結(jié)果可見， HANN達(dá)到較理想的模擬效果，預(yù)測(cè)值和實(shí)驗(yàn)值吻合性較好.通過訓(xùn)練集對(duì)HANN模型進(jìn)行訓(xùn)練得到的訓(xùn)練結(jié)果可見，HANN模型已被充分訓(xùn)練；通過驗(yàn)證集對(duì)HANN模型進(jìn)行訓(xùn)練得到的驗(yàn)證結(jié)果可見，預(yù)測(cè)結(jié)果都非常接近理想值，因此可知HANN模型預(yù)測(cè)能力可靠且預(yù)測(cè)精度較高.

圖4繪制了測(cè)試集中的預(yù)測(cè)效果，從圖可以看出，預(yù)測(cè)值分布均勻，模型的預(yù)測(cè)能力優(yōu)良，具有實(shí)際參考價(jià)值.

為了進(jìn)一步評(píng)估得到模型的精度和可靠性，將本文提出的算法(CSA-PSO RBF ANN)與經(jīng)典的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法(RBF ANN)和粒子群優(yōu)化算法(PSO ANN)進(jìn)行比較，通過計(jì)算各算法模型的平均相對(duì)誤差(Average relative Deviation,ARD)、預(yù)測(cè)均方根誤差(root mean square error of prediction，RMSEP)和平方相關(guān)系數(shù)(Squared Correlation Coefficient,R2)進(jìn)行精度和可靠性比較.

通過表2所得到結(jié)果可知，CSA-PSO RBF ANN 的平均相對(duì)誤差和均方根誤差明顯小于RBF ANN和PSO ANN算法的平均相對(duì)誤差,則說明預(yù)測(cè)精度更準(zhǔn)確；在相關(guān)性上，平方相關(guān)系數(shù)表明，CSA-PSO RBF ANN模型的預(yù)測(cè)值與實(shí)驗(yàn)值吻合度較高.

表2 各模型統(tǒng)計(jì)數(shù)據(jù)表

4 結(jié)論

高校大學(xué)生群體性事件網(wǎng)絡(luò)輿情受到多種不確定因素的影響，信息表現(xiàn)出無規(guī)則、隨機(jī)性和復(fù)雜性等特性，是一種復(fù)雜的非線性問題，給高校思想政治教育工作者帶來挑戰(zhàn).采用傳統(tǒng)方法進(jìn)行預(yù)測(cè)，結(jié)果不令人滿意.本文構(gòu)建了基于CSA-PSO RBF ANN 模型(即混合經(jīng)網(wǎng)絡(luò)模型(HANN))，通過上述實(shí)驗(yàn)可知模型預(yù)測(cè)能力強(qiáng)，易于操作.預(yù)測(cè)結(jié)果為高校教育工作者進(jìn)行高校網(wǎng)絡(luò)輿情監(jiān)測(cè)和干預(yù)提供參考價(jià)值.

[1] 鄭巖.高校網(wǎng)絡(luò)輿情監(jiān)測(cè)系統(tǒng)的目標(biāo)定位、評(píng)判依據(jù)與運(yùn)行保障研究[J].情報(bào)科學(xué),2015,(6):81-85.

[2] 王海濤,張福蒸,王義,等.通過信息技術(shù)提高高校網(wǎng)絡(luò)輿情引導(dǎo)能力[J].華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,(S1):18-23.

[3] 任娟玲,王志泉.高校網(wǎng)絡(luò)輿情危機(jī)的應(yīng)對(duì)策略研究[J].學(xué)校黨建與思想教育,2013,(21):31-33.

[4] 曾潤(rùn)喜,王國華,徐曉林.高校網(wǎng)絡(luò)輿情的控制與引導(dǎo)[J].情報(bào)理論與實(shí)踐,2009,(11):79-82.

[5] 許靜,李亞平,方志耕.高校網(wǎng)絡(luò)輿情危機(jī)演化GERT模型及其應(yīng)對(duì)機(jī)制和策略[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2015,(5):75-82.

[6] 閭春飛,張鵬超.基于思想政治教育視角的高校網(wǎng)絡(luò)輿情引導(dǎo)機(jī)制探討[J].學(xué)校黨建與思想教育,2015,(2):90-92.

[7] 楊敏.網(wǎng)絡(luò)輿情視閾下高校網(wǎng)絡(luò)文化安全問題研究[D].武漢:華中師范大學(xué),2014.

[8] 王超,王磊,李楠.大數(shù)據(jù)時(shí)代高校網(wǎng)絡(luò)輿情管理主體的能動(dòng)性研究[J].管理現(xiàn)代化,2015,(4):100-102.

[9] 呂娟.高校大學(xué)生網(wǎng)絡(luò)輿情的監(jiān)管與疏導(dǎo)研究[D].上海:華東政法大學(xué),2013.

[10] 王少鵬.基于LDA的文本聚類在高校網(wǎng)絡(luò)輿情分析中的應(yīng)用研究[D].北京:首都師范大學(xué),2014.

[11] 阮芳.新時(shí)期高校網(wǎng)絡(luò)輿情管理存在的問題及對(duì)策研究[D].武漢:湖北工業(yè)大學(xué),2012.

[12] Zhao, X. C., Liu, Z. Y., Yang, X. J. A multi-swarm cooperative multistage perturbation guiding particle swarm optimizer[J].Applied Soft Computing,2014,22:77-93.

[13] Zhang, Y., Gong, D. W., Sun, X. Y., et al. Adaptive bare-bones particle swarm optimization algorithm and its convergence analysis[J].Soft Computing,2014,18(7):1337-1352.

[14] Zhai, S. J., Jiang, T. A novel particle swarm optimization trained support vector machine for automatic sense-through-foliage target recognition system[J].Knowledge-based Systems,2014,65:50-59.

[15] Wang, L., Yang, B., Chen, Y. H. Improving particle swarm optimization using multi-layer searching strategy[J].Information Sciences,2014,274:70-94.

[16] Nguyen, T. T., Li, Z. Y., Zhang, S. W., et al. A hybrid algorithm based on particle swarm and chemical reaction optimization[J].Expert Systems With Applications,2014,41(5):2134-2143.

[17] Campos, M., Krohling, R. A., Enriquez, I. Bare Bones Particle Swarm Optimization With Scale Matrix Adaptation[J].IEEE Transactions on Cybernetics,2014,44(9):1567-1578.

[18] Hu, M. Q., Wu, T., Weir, J. D. An Adaptive Particle Swarm Optimization With Multiple Adaptive Methods[J].Ieee Transactions On Evolutionary Computation,2013,17(5):705-720.

[19] 孫玲芳,周加波,林偉健,等.基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的網(wǎng)絡(luò)輿情危機(jī)預(yù)警研究[J].情報(bào)雜志,2014,(11):18-24.

[20] 魏德志,陳福集,鄭小雪.基于混沌理論和改進(jìn)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)方法[J].物理學(xué)報(bào),2015,64(11):11053.

Research on College Internet Public Opinion Prediction based on Hybrid Artificial Neural Network

WU Yana, HUANG Yana, WU Weib, LI Mengshanb

(a.SchoolofMathematics&ComputerScience;b.SchoolofPhysicsandElectronicInformation,GannanNormalUniversity,Ganzhou341000,China)

In order to accurately predict and guide internet public opinion of college students group event, in this paper, a hybrid neural network (HANN) model based on improved particle swarm optimization algorithm is proposed to predict the development trend of network public opinion in universities. The Model forecasts the development trend of internet public opinion in Colleges and Universities. Firstly, the particle swarm optimization algorithm is improved by the adaptive adjustment strategy and the chaos theory, and the improved particle swarm optimization algorithm (CSA-PSO) is proposed. CSA-PSO algorithm is used to train RBF ANN, and the number of nodes in the hidden layer is determined by the heuristic method. Finally, HANN is proposed and used to predict the samples. Compared with other models, the experimental results show that the proposed HANN has a high degree of accuracy and has good performance.

internet public opinion; group event; neural network; Chaos theory; adaptive adjustment strategy

2016-06-14

10.13698/j.cnki.cn36-1346/c.2016.06.005

國家自然科學(xué)基金項(xiàng)目(51663001)；江西省教育廳科學(xué)技術(shù)研究項(xiàng)目(GJJ150983, GJJ151012)；校級(jí)教改項(xiàng)目(GSJG-2015)

武燕(1986-)，女，內(nèi)蒙古包頭人，贛南師范大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院講師，研究方向：數(shù)據(jù)挖掘及應(yīng)用.

http://www.cnki.net/kcms/detail/36.1037.C.20161209.1500.012.html

TP183;TP393

A

1004-8332(2016)06-0023-04