◆蔡洪民 王慶香 郭偉匡

（廣州中醫(yī)藥大學(xué)醫(yī)學(xué)信息工程學(xué)院（信息中心） 廣東 510006）

基于機(jī)器學(xué)習(xí)的校園微博輿情監(jiān)控系統(tǒng)的研究

◆蔡洪民 王慶香 郭偉匡

（廣州中醫(yī)藥大學(xué)醫(yī)學(xué)信息工程學(xué)院（信息中心） 廣東 510006）

新媒體時(shí)代風(fēng)起云涌，由于具有文字短小、傳播力大等特點(diǎn)，微博已經(jīng)成為我國(guó)網(wǎng)民主要的上網(wǎng)行為之一。然而，微博上一些負(fù)面輿情信息給社會(huì)和個(gè)人帶來(lái)巨大危害，越來(lái)越受到各級(jí)部門(mén)重視。為了保障校園網(wǎng)絡(luò)的公共安全，本文設(shè)計(jì)實(shí)現(xiàn)了一個(gè)基于新浪微博的校園網(wǎng)輿情監(jiān)控系統(tǒng)，它通過(guò)關(guān)鍵字匹配和樸素貝葉斯算法相結(jié)合的方法實(shí)現(xiàn)了微博內(nèi)容的分類(lèi)，然后進(jìn)一步基于聚類(lèi)算法實(shí)現(xiàn)了微博內(nèi)容的熱點(diǎn)發(fā)現(xiàn)，最后結(jié)合輿情數(shù)據(jù)庫(kù)實(shí)現(xiàn)了微博輿情預(yù)警。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)穩(wěn)定、高效，加強(qiáng)了校園公共安全。

中文分詞；樸素貝葉斯；K均值聚類(lèi)

0 引言

據(jù)《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2016年12月，我國(guó)網(wǎng)民規(guī)模達(dá)7.31億，互聯(lián)網(wǎng)普及率達(dá)到53.2%?；ヂ?lián)網(wǎng)已經(jīng)在人民生活中扮演了一個(gè)無(wú)法替代的角色。然而，我們也看到各種網(wǎng)絡(luò)安全問(wèn)題充斥于互聯(lián)網(wǎng)環(huán)境中，比如網(wǎng)絡(luò)負(fù)面輿情信息。論壇、微博、IM軟件、QQ群、微信朋友圈等平臺(tái)在成為網(wǎng)民表達(dá)個(gè)人觀點(diǎn)、抒發(fā)個(gè)人情緒的同時(shí)，也成為小部分惡意分子煽風(fēng)點(diǎn)火、刺激網(wǎng)民負(fù)面情緒的重要工具[1]。網(wǎng)絡(luò)輿情已經(jīng)成為關(guān)乎社會(huì)安全穩(wěn)定的一個(gè)重要因素。對(duì)于高校而言，高校大學(xué)生思想尚未完全成熟，波動(dòng)大，容易受到網(wǎng)絡(luò)負(fù)面輿情信息影響。校園網(wǎng)作為高校學(xué)生日常學(xué)習(xí)生活的重要平臺(tái)，其安全性不言而喻。因此必須對(duì)高校學(xué)生上網(wǎng)行為進(jìn)行監(jiān)控，輔之以教育引導(dǎo)[2]。

微博近年來(lái)由國(guó)外模式演變而來(lái)，它集成了手機(jī)短信、博客及社交網(wǎng)站的優(yōu)點(diǎn)，是一個(gè)基于用戶關(guān)系的信息分享、傳播及獲取平臺(tái)。由于具有文字短小、傳播力大等特點(diǎn)，微博迅速成為廣大網(wǎng)民獲取信息的重要途徑，對(duì)熱點(diǎn)事件的形成和傳播更是起到了超越傳統(tǒng)媒體的趨勢(shì)。通過(guò)對(duì)近幾年發(fā)生的諸如演藝明星吸毒被抓事件、趙薇電影涉臺(tái)獨(dú)演員事件、王寶強(qiáng)離婚等事件的觀察，可以發(fā)現(xiàn)微博已經(jīng)成為不少社會(huì)熱點(diǎn)事件的源頭所在[3]。同時(shí)，微博內(nèi)容少、口語(yǔ)化等特點(diǎn)往往會(huì)造成信息的無(wú)組織現(xiàn)象，從而導(dǎo)致難以分類(lèi)監(jiān)控[4]。因此，如何實(shí)現(xiàn)從微博大數(shù)據(jù)中發(fā)現(xiàn)熱點(diǎn)話題、追蹤其發(fā)展態(tài)勢(shì)并有效引導(dǎo)是微博信息傳播中亟待解決的問(wèn)題。

微博的飛速發(fā)展引起了中外學(xué)者的注意，美國(guó)的謝爾·以色列所著《微博力》已翻譯成中文出版。國(guó)內(nèi)對(duì)于微博輿情的研究較多，杜松源從情報(bào)學(xué)的角度，借助信息傳播經(jīng)典理論，結(jié)合近期微博輿情案例進(jìn)行深度挖掘，對(duì)微博輿情的成因、特點(diǎn)等進(jìn)行剖析，總結(jié)出微博輿情擴(kuò)散的一般路徑[5]；單月光提出包括特征提取、文本表示、文本聚類(lèi)和觀點(diǎn)挖掘的文本聚類(lèi)模型，從而抽取出熱點(diǎn)話題[6]；碩士陳彥舟和曹金璇基于微博大數(shù)據(jù)進(jìn)行挖掘、分析，實(shí)現(xiàn)對(duì)輿情熱點(diǎn)話題的發(fā)現(xiàn)及追蹤[7]、對(duì)微博的社會(huì)網(wǎng)絡(luò)分析?；贖adoop的微博輿情監(jiān)控系統(tǒng)，將開(kāi)源網(wǎng)絡(luò)爬蟲(chóng)Nutch應(yīng)用到基于微博的公安輿情監(jiān)控系統(tǒng)中，并對(duì)Nutch進(jìn)行了二次開(kāi)發(fā)，增加虛擬登錄的功能使其實(shí)現(xiàn)對(duì)微博平臺(tái)的信息爬取。碩士張華在其碩士論文中，對(duì)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)。并用遺傳模擬退火算法(GSA)對(duì) BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，在用四種輿情預(yù)測(cè)模型進(jìn)行輿情預(yù)測(cè)對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，用GSA優(yōu)化的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的輿情預(yù)測(cè)模型能夠取得較好的預(yù)測(cè)效果。碩士張華研究的高校微博輿情監(jiān)控系統(tǒng)對(duì)于高校公共安全具有重大意義，且將成為未來(lái)高校信息公開(kāi)監(jiān)控和輿情管理工作的重要工具。

本文基于網(wǎng)絡(luò)爬蟲(chóng)技術(shù)、中文分詞技術(shù)、樸素貝葉斯算法以及Kmeans聚類(lèi)算法，實(shí)現(xiàn)一個(gè)校園網(wǎng)新浪微博輿情監(jiān)控系統(tǒng)。實(shí)驗(yàn)結(jié)果表明它能夠發(fā)現(xiàn)微博熱點(diǎn)，能夠結(jié)合輿情特征庫(kù)對(duì)校園微博輿情進(jìn)行有效識(shí)別并預(yù)警。

1 中文分詞技術(shù)與機(jī)器學(xué)習(xí)分類(lèi)算法

1.1 Jieba中文分詞

中文分詞是自然語(yǔ)言處理中最基本、最底層的模塊，分詞精度對(duì)后續(xù)模塊影響很大。比較著名的分詞系統(tǒng)有北京理工大學(xué)張華平博士開(kāi)發(fā)的 ICTCLAS系統(tǒng)、哈爾濱大學(xué)的語(yǔ)言云系統(tǒng)等。jieba分詞系統(tǒng)是基于Python的分詞組件，它占用資源較小，對(duì)常識(shí)類(lèi)文檔的分詞精度較高。

本文使用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)[9]來(lái)獲取微博內(nèi)容后，為了實(shí)現(xiàn)對(duì)微博內(nèi)容的結(jié)構(gòu)化表示，使用 jieba分詞系統(tǒng)對(duì)微博內(nèi)容進(jìn)行中文分詞[10]。

1.2 基于Scikit-Learn庫(kù)的樸素貝葉斯分類(lèi)算法和Kmeans聚類(lèi)算法

Scikit-Learn是一個(gè)用于機(jī)器學(xué)習(xí)的Python庫(kù)，它包括了數(shù)據(jù)預(yù)處理、數(shù)據(jù)降維、分類(lèi)、聚類(lèi)、回歸等內(nèi)容。

（1）樸素貝葉斯分類(lèi)基于貝葉期定理，樸素貝葉斯分類(lèi)器基于一個(gè)簡(jiǎn)單的假定：給定目標(biāo)值時(shí)屬性之間相互條件獨(dú)立。樸素貝葉斯分類(lèi)的定義如下：

①設(shè) x ={a1，a2，…am }為待分類(lèi)項(xiàng)，而每個(gè)a為x的一個(gè)特征屬性。

②有類(lèi)別集合C ={y1，y2，...，yn}。

③計(jì)算P(y1|x)， P(y2|x)…，P(yn|x)。

④如果P(yk|x)=max{ P(y1|x)， P(y2|x)…，P(yn|x)}，則x∈yk。

樸素貝葉斯算法實(shí)現(xiàn)簡(jiǎn)單、效率高，且分類(lèi)效果好，目前在文本分類(lèi)中應(yīng)用較多。本文研究過(guò)程中文本分類(lèi)部分就是使用Scikit-Learn庫(kù)中的樸素貝葉斯算法實(shí)現(xiàn)的。

（2）Mini Batch K-Means算法是K-Means算法的變種，采用小批量的數(shù)據(jù)子集減小計(jì)算時(shí)間，同時(shí)仍試圖優(yōu)化目標(biāo)函數(shù)。小批量 k-均值產(chǎn)生的結(jié)果，一般只略差于標(biāo)準(zhǔn)算法。該算法的迭代步驟有兩步：

①?gòu)臄?shù)據(jù)集中隨機(jī)抽取一些數(shù)據(jù)形成小批量，把他們分配給最近的質(zhì)心。

②更新質(zhì)心。

本文微博熱點(diǎn)發(fā)現(xiàn)中的子類(lèi)進(jìn)一步劃分部分就是使用Scikit-Learn庫(kù)中的Mini Batch K-means聚類(lèi)算法實(shí)現(xiàn)的。

2 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

本文研究以高校大學(xué)生微博用戶群體為研究對(duì)象，運(yùn)用微博信息采集、微博內(nèi)容中文分詞、微博內(nèi)容向量化、樸素貝葉斯分類(lèi)、聚類(lèi)等技術(shù)，結(jié)合微博熱點(diǎn)話題的特點(diǎn)和傳播模式，匹配輿情特征庫(kù)，從而實(shí)現(xiàn)了對(duì)微博輿情信息的預(yù)警和微博熱點(diǎn)話題的發(fā)現(xiàn)。

2.1 系統(tǒng)設(shè)計(jì)

根據(jù)需求分析與系統(tǒng)設(shè)計(jì)，本文研究的總體框架分為微博數(shù)據(jù)采集模塊、微博數(shù)據(jù)存儲(chǔ)模塊、Jieba中文分詞模塊、詞頻統(tǒng)計(jì)模塊、微博內(nèi)容文本分類(lèi)模塊、微博熱點(diǎn)發(fā)現(xiàn)模塊、輿情監(jiān)控報(bào)警模塊等部分，具體如圖1所示：

圖1 系統(tǒng)總體框架

其中：

（1）微博數(shù)據(jù)采集模塊使用模擬登錄的方式，利用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)獲取微博內(nèi)容及評(píng)論。

（2）數(shù)據(jù)存儲(chǔ)模塊用于將微博內(nèi)容及其評(píng)論保存在 SQLite數(shù)據(jù)庫(kù)中，本文設(shè)計(jì)weibo表存儲(chǔ)抓取的微博內(nèi)容，具體設(shè)計(jì)字段如表1所示：

表1 weibo表

（3）Jieba中文分詞模塊用于對(duì)微博內(nèi)容的結(jié)構(gòu)化表示。

（4）詞頻統(tǒng)計(jì)模塊用于計(jì)算文本的權(quán)重向量：本文研究過(guò)程中使用TF-IDF權(quán)重策略過(guò)濾掉常見(jiàn)的詞語(yǔ)，保留重要的詞語(yǔ)，從而生成微博內(nèi)容的向量空間模型[11]。

（5）文本分類(lèi)模塊使用樸素貝葉斯算法對(duì)微博內(nèi)容的向量空間模型進(jìn)行處理，從而對(duì)微博內(nèi)容進(jìn)行分類(lèi)預(yù)測(cè)。

（6）微博熱點(diǎn)發(fā)現(xiàn)模塊在使用關(guān)鍵字匹配技術(shù)對(duì)微博內(nèi)容初步分類(lèi)的基礎(chǔ)上進(jìn)一步基于Mini Batch Kmeans聚類(lèi)算法進(jìn)行二次分類(lèi)，再結(jié)合回復(fù)數(shù)、評(píng)論數(shù)計(jì)算得出一定時(shí)間段內(nèi)的微博熱點(diǎn)。

（7）輿情監(jiān)控報(bào)警模塊結(jié)合敏感詞數(shù)據(jù)庫(kù)、微博熱點(diǎn)實(shí)現(xiàn)對(duì)微博輿情的預(yù)警，一旦檢測(cè)到敏感信息，就會(huì)以聲音和發(fā)送郵件兩種方式發(fā)出警報(bào)。

2.2 系統(tǒng)實(shí)現(xiàn)

本系統(tǒng)基于Python語(yǔ)言開(kāi)發(fā)實(shí)現(xiàn)，編程環(huán)境為Anaconda，數(shù)據(jù)庫(kù)為SQLite。整個(gè)系統(tǒng)流程分為使用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)爬取新浪微博內(nèi)容、使用關(guān)鍵字匹配技術(shù)進(jìn)行微博內(nèi)容初步分類(lèi)[12]、使用Jieba中文分詞系統(tǒng)對(duì)微博內(nèi)容進(jìn)行中文分詞、使用TF-IDF算法對(duì)微博內(nèi)容進(jìn)行詞頻統(tǒng)計(jì)、使用樸素貝葉斯算法進(jìn)行分類(lèi)預(yù)測(cè)、使用Mini Batch Kmeans聚類(lèi)算法進(jìn)行二次分類(lèi)、結(jié)合輿情數(shù)據(jù)庫(kù)實(shí)現(xiàn)微博輿情預(yù)警等一系列過(guò)程。具體實(shí)現(xiàn)流程如圖2所示。

3 實(shí)驗(yàn)結(jié)果與分析

本系統(tǒng)在某大學(xué)校園網(wǎng)進(jìn)行測(cè)試，將系統(tǒng)部署在一臺(tái)服務(wù)器上。系統(tǒng)運(yùn)行后，首先基于模擬登錄的方式使用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)在微博上爬取所關(guān)注微博的內(nèi)容，內(nèi)容保存在SQLite數(shù)據(jù)庫(kù)中，然后進(jìn)行微博內(nèi)容熱點(diǎn)發(fā)現(xiàn)和輿情監(jiān)控。經(jīng)過(guò)半年多的運(yùn)行觀測(cè)與數(shù)據(jù)分析，它能夠?qū)π吕宋⒉﹥?nèi)容進(jìn)行爬取、保存和分類(lèi)。圖3顯示了系統(tǒng)對(duì)微博內(nèi)容進(jìn)行分類(lèi)預(yù)測(cè)情況。

圖2 微博監(jiān)控系統(tǒng)流程圖

圖3 本系統(tǒng)在某校園網(wǎng)運(yùn)行測(cè)試圖

之后本文使用Mini Batch Kmeans算法對(duì)各類(lèi)別進(jìn)一步劃分子類(lèi)，對(duì)子類(lèi)中的大類(lèi)進(jìn)行熱點(diǎn)計(jì)算，計(jì)算結(jié)果得出一段時(shí)間內(nèi)微博的熱點(diǎn)信息。圖4和圖5顯示了系統(tǒng)對(duì)微博熱點(diǎn)信息的熱點(diǎn)發(fā)現(xiàn)。最后結(jié)合輿情數(shù)據(jù)庫(kù)實(shí)現(xiàn)了對(duì)新浪微博的輿情監(jiān)控。

經(jīng)過(guò)實(shí)驗(yàn)測(cè)試，得到了以下結(jié)果：

（1）本文研發(fā)的系統(tǒng)能夠通過(guò)模擬登錄的方式登錄新浪微博，在輸入關(guān)注的微博ID后，能夠使用基于Python的網(wǎng)絡(luò)爬蟲(chóng)技術(shù)獲得所有微博內(nèi)容及其評(píng)論。

（2）能夠使用Jieba中文分詞系統(tǒng)對(duì)微博內(nèi)容進(jìn)行分詞，并存入SQLite數(shù)據(jù)庫(kù)。

圖4 本系統(tǒng)微博熱點(diǎn)發(fā)現(xiàn)統(tǒng)計(jì)

圖5 本系統(tǒng)微博熱點(diǎn)發(fā)現(xiàn)內(nèi)容

（3）能夠基于關(guān)鍵字匹配方法對(duì)微博進(jìn)行預(yù)分類(lèi)，能夠?qū)χ形姆衷~后的微博內(nèi)容及其評(píng)論進(jìn)行向量化，能夠基于樸素貝葉斯分類(lèi)方法進(jìn)一步分類(lèi)預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果調(diào)整類(lèi)別。

（4）對(duì)各個(gè)子類(lèi)別使用Mini Batch Kmeans聚類(lèi)方法進(jìn)行進(jìn)一步分類(lèi)，能夠?qū)ζ渲凶畲蟮淖宇?lèi)利用計(jì)算方法計(jì)算出一定時(shí)期內(nèi)的微博熱點(diǎn)，并予以呈現(xiàn)。

（5）由于新浪微博本身已具有對(duì)重要輿情的過(guò)濾功能，在校園網(wǎng)實(shí)際環(huán)境中長(zhǎng)達(dá)數(shù)月的監(jiān)控中未發(fā)現(xiàn)反動(dòng)類(lèi)輿情出現(xiàn)。

4 結(jié)束語(yǔ)

眾所周知，微博等新媒體平臺(tái)的負(fù)面輿情信息已經(jīng)危及大學(xué)生的心理健康甚至高校校園的安全穩(wěn)定，高校網(wǎng)絡(luò)輿情形勢(shì)日趨嚴(yán)峻。本文基于機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)了新浪微博輿情監(jiān)控系統(tǒng)的建立，實(shí)驗(yàn)表明本系統(tǒng)能夠?qū)π吕宋⒉﹥?nèi)容進(jìn)行分類(lèi)、熱點(diǎn)發(fā)現(xiàn)和輿情監(jiān)控預(yù)警，從而為加強(qiáng)校園公共安全提供一種解決方案。

由于微博本身的短文本等特點(diǎn)，本方研究過(guò)程中對(duì)新浪微博的分類(lèi)方面存在分類(lèi)不準(zhǔn)確的情況。另外，微博內(nèi)容不僅有文字還有圖片等內(nèi)容，而本文研究尚未涉及這些內(nèi)容，這將是我們下一步的工作。

[1]劉穎，李欲曉．網(wǎng)絡(luò)輿情傳播特征分析[J]．北京郵電大學(xué)學(xué)報(bào)( 社會(huì)科學(xué)版) ，2011．

[2]張思行．高校網(wǎng)絡(luò)輿情的話題演變過(guò)程研究[J]．北京郵電大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2011．

[3]趙璐．網(wǎng)絡(luò)輿情監(jiān)控系統(tǒng)關(guān)鍵技術(shù)研究[D]．西安：西安電子科技大學(xué)，2014．

[4]丁菊玲，勒中堅(jiān)．基于觀點(diǎn)樹(shù)的網(wǎng)絡(luò)輿情危機(jī)預(yù)警方法[J]．計(jì)算機(jī)應(yīng)用研究，2011．

[5]杜松源．基于微博的網(wǎng)絡(luò)輿情信息擴(kuò)散及其預(yù)警機(jī)制研究[D]．綿陽(yáng)：西南科技大學(xué)，2015．

[6]單月光．基于微博的網(wǎng)絡(luò)輿情關(guān)鍵技術(shù)的研究與實(shí)現(xiàn)[D]．成都：電子科技大學(xué)，2013．

[7]陳彥舟，曹金璇．基于Hadoop的微博輿情監(jiān)控系統(tǒng)[J]．計(jì)算機(jī)系統(tǒng)應(yīng)用，2013．

[8]張東霞．基于高校學(xué)生微博的網(wǎng)絡(luò)熱點(diǎn)發(fā)現(xiàn)及輿情分析研究[D]．廣州：華南理工大學(xué)，2013．

[9]程志強(qiáng)．基于新浪微博主題的用戶影響力研究[D]．沈陽(yáng)：東北大學(xué)，2013．

[10]陳險(xiǎn)峰．微博輿情分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]．廣州：華南理工大學(xué)，2015．

[11]何佳，周長(zhǎng)勝， 石顯鋒．網(wǎng)絡(luò)輿情監(jiān)控系統(tǒng)的實(shí)現(xiàn)方法[J]．鄭州大學(xué)學(xué)報(bào)( 理學(xué)版) ，2010．

[12] 江黎黎．網(wǎng)絡(luò)輿情突發(fā)事件的處置機(jī)制研究[J]．杭州電子科技大學(xué)學(xué)報(bào)( 社會(huì)科學(xué)版) ，2010．