魏 玲，郭新朋

（哈爾濱理工大學(xué) 管理學(xué)院，哈爾濱 150000）

0 引言

近年來貝葉斯理論在我國的概率統(tǒng)計領(lǐng)域中快速發(fā)展，影響著各行各業(yè)的學(xué)術(shù)研究發(fā)展步伐，基于貝葉斯公式而形成的圖形化網(wǎng)絡(luò)——貝葉斯網(wǎng)絡(luò)（Bayesian Network,BN），利用概率推理方式對一些變量信息進行處理，從而獲取概率數(shù)據(jù)，不僅可以解決不確定性和不完整性的問題，還能夠通過概率來推理出相關(guān)影響因素之間的潛在關(guān)系[1]。依據(jù)經(jīng)驗推斷結(jié)合貝葉斯公式產(chǎn)生的先驗概率結(jié)果，通常情況下被視為主觀概率，而這種概率結(jié)果所產(chǎn)生的結(jié)論也具有一定的主觀色彩，在網(wǎng)絡(luò)輿論危機的識別過程中，客觀性、系統(tǒng)性等特性是必然要求，所以利用貝葉斯理論中的后驗概率進行影響因素發(fā)生質(zhì)變的概率統(tǒng)計具有客觀性，其主要特性是對先驗概率的修正，從而為網(wǎng)絡(luò)輿論風(fēng)險分析提供概率統(tǒng)計基礎(chǔ)[2]。

本文提出了基于貝葉斯后驗的網(wǎng)絡(luò)輿論三角模糊數(shù)型危機識別方法。在三角模糊數(shù)型網(wǎng)絡(luò)輿論危機識別過程中，應(yīng)用貝葉斯網(wǎng)絡(luò)的概率推理技術(shù)結(jié)合貝葉斯理論中的后驗概率確定主要網(wǎng)絡(luò)輿論危機產(chǎn)生的影響因素，利用三角模糊數(shù)描述各專家對輿論危機產(chǎn)生影響因素評分的模糊性，文獻[3]利用貝葉斯網(wǎng)絡(luò)與三角模糊數(shù)相結(jié)合，分析了故障模式屬性與危害度之間的關(guān)系，但沒有進行去模糊處理，存在結(jié)果模糊的問題。根據(jù)貝葉斯網(wǎng)絡(luò)中的概率推理及信息數(shù)據(jù)處理規(guī)則對統(tǒng)計的概率進行均值化、去模糊化與歸一化，從而確定網(wǎng)絡(luò)輿論影響因素的危險指數(shù)，并對比危險等級劃分表確定各影響因素的危險等級。利用模糊綜合評價理論中的評語集給出對應(yīng)影響因素的三角模糊數(shù)評語值，對危機影響因素進行加權(quán)處理，從而確定網(wǎng)絡(luò)輿論危機發(fā)生等級。

1 理論基礎(chǔ)

1.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)的概率推理技術(shù)最先由Pearl[4]提出，用有向無環(huán)圖（DAG）表示，能夠解決不確定性的、復(fù)雜的問題，且貝葉斯公式是該概率網(wǎng)絡(luò)的理論基礎(chǔ)[5]，具體定義如下：

定義1：條件概率。假設(shè)A、B為一個隨機試驗中的兩個事件，將事件A在事件B發(fā)生的條件下的概率稱之為條件概率，表示如下：

定義2：全概率公式。若Aj,j=1,…,m，其中m表示m個互不相容的事件，且P(Aj)〉0,j=1，…，m。

定義3：貝葉斯公式。將全概率公式（2）帶入條件概率公式（1）中，即可得到貝葉斯公式：

式中，B表示隨機試驗的結(jié)果，P(Ai)為先驗概率，P（Ai|B）為后驗概率。

由貝葉斯公式可知，后驗概率公式獲得情況如下描述，假設(shè)D是訓(xùn)練對象的集合，且每個訓(xùn)練對象用n維屬性向量，基于n維屬性向量共劃分為m個類，由此得到后驗概率計算公式[6]為：

根據(jù)貝葉斯理論中的聯(lián)合概率分布可知，貝葉斯網(wǎng)絡(luò)中的每個變量（屬性）之間存在著一定的關(guān)聯(lián)性，因此可得到如下公式進行條件獨立假設(shè)：

由公式（5）可知，網(wǎng)絡(luò)中的每個節(jié)點則對應(yīng)一個變量（屬性），當(dāng)P(Bi|j)P(Aj)＞P(Bi|k)P(Ak)，1≤k≤m,1≤j≤m,j≠i且j≠k成立時，B屬于Aj。

貝葉斯網(wǎng)絡(luò)存在兩種結(jié)構(gòu)，一種是用有向無環(huán)圖進行表示的結(jié)構(gòu)，其中每個節(jié)點表示一種變量（屬性），且每個變量之間的弧表示變量（屬性）之間存在的因果關(guān)系，如圖1給出簡單貝葉斯網(wǎng)絡(luò)有向無環(huán)圖結(jié)構(gòu)。另一種則是條件概率表（Conditional Probability Table,CPT），可用該表表示每個節(jié)點變量對父節(jié)點變量的所有可能性。

圖1 簡單貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

貝葉斯網(wǎng)絡(luò)概率推理技術(shù)不僅包含將靜態(tài)和動態(tài)結(jié)合分析，有效辨析專家經(jīng)驗和問題變化情況的正向推理，還包含后驗概率統(tǒng)計得出的結(jié)構(gòu)逆向獲取信息的推理方式，找到事件發(fā)展變化的原因。由于網(wǎng)絡(luò)輿論演化過程中的影響因素之間形成的條件概率數(shù)據(jù)有所缺失，故需將獲取的專家評分的先驗概率作為研究基礎(chǔ)，結(jié)合貝葉斯的概率推理技術(shù)進一步研究[7]。

（1）正向推理。正向推理是貝葉斯網(wǎng)絡(luò)概率推理技術(shù)中的因果推理，即通過對網(wǎng)絡(luò)輿論中危機風(fēng)險影響因素發(fā)生的條件概率進行統(tǒng)計，從而對網(wǎng)絡(luò)輿論危機發(fā)生進行預(yù)測。

（2）逆向推理。逆向推理在貝葉斯網(wǎng)絡(luò)概率推理中也是診斷推理，通常指對已知的危機結(jié)果，利用逆向推理進行運算，即在計算出先驗概率的情況下，得出該變量（屬性）的后驗概率。

（3）雙向推理。雙向推理則利用部分正向推理的結(jié)果，在逆向推理過程中，對導(dǎo)致危機結(jié)果的原因進行逆向推理，從而實現(xiàn)對原因與結(jié)果的解釋。

在網(wǎng)絡(luò)輿論危機產(chǎn)生過程中，每個階段都是不同的狀態(tài)，通常表現(xiàn)為多階段與多影響因素。在多階段中主要包含了網(wǎng)絡(luò)輿論危機潛伏期、過渡期、爆發(fā)期，每個時期相關(guān)聯(lián)的影響因素也是不同的，例如潛伏期中有潛在輿論驅(qū)動群體、隱性利益。而網(wǎng)絡(luò)輿論危機形成的整個周期有著共同的影響因素，政府公信力降低、媒體輿論信息傳播失真、網(wǎng)民關(guān)注度偏移等。貝葉斯網(wǎng)絡(luò)的多狀態(tài)離散處理系統(tǒng)可以將不同的狀態(tài)進行關(guān)聯(lián)分析，即將每個影響因素之間的界限進行模糊化處理，從而提高分析各影響因素發(fā)生概率的準(zhǔn)確值。

1.2 三角模糊數(shù)

1.2.1 三角模糊數(shù)定義

根據(jù)傳統(tǒng)的三角模糊數(shù)理論可知，一個三角模糊數(shù)中包含三個可能值，即較低可能值、可能值、較高可能值，按照概率分布函數(shù)確定三角模糊數(shù)的隸屬函數(shù)，給定一個隨機三角模糊數(shù)，且已知 0≤Al≤Am≤Au，則變量b屬于?的隸屬度公式為：

1.2.2 三角模糊數(shù)運算法則[8]

（1）加法交換律

（4）除法運算

（5）數(shù)乘運算（給定任意實數(shù)β）

式（9）中，Aj（j=l,m,u）與Bi（i=l,m,u）中至少有一個大于零；式（10）中，Bi（i=l,m,u）大于零。

三角模糊數(shù)理論應(yīng)用于網(wǎng)絡(luò)輿論危機識別過程，由于網(wǎng)絡(luò)輿論危機的表現(xiàn)極具模糊化，且依據(jù)其三個發(fā)展階段可以看出，影響輿論變質(zhì)化的因素體現(xiàn)在網(wǎng)民、事件、政府、媒體等類別，因此針對某一個公共事件的網(wǎng)絡(luò)輿論危機識別的過程中必須依照專家的經(jīng)驗進行初步判斷，才能確定貝葉斯網(wǎng)絡(luò)的危機評定的基礎(chǔ)。

由貝葉斯網(wǎng)絡(luò)的先驗概率公式與專家經(jīng)驗結(jié)合計算可得，三角模糊數(shù)均值化公式如下：

基于上述三角模糊運算法則，給定任意一個正整數(shù)η和三角模糊數(shù)，則將該三角模糊數(shù)去模糊化的公式如下：

給定M位專家的評語，按照下頁表1給出的三角模糊數(shù)評語值進行如下計算，第i個變量（屬性）B的三角模糊數(shù)概率矩陣可用，其中j=1,2,…,m。三角模糊數(shù)歸一化公式如下：

在式（13）與式（14）的聯(lián)合基礎(chǔ)上進行危機等級公式處理，如式（15）：

表1 變量危機程度評語及其對應(yīng)的三角模糊數(shù)[9]

2 三角模糊數(shù)型網(wǎng)絡(luò)輿論危機識別

網(wǎng)絡(luò)輿論在不同的網(wǎng)絡(luò)平臺中已經(jīng)成為了人們進行及時獲取、交流與傳遞信息的一種方式。本文主要以2016年上半年發(fā)生的重大醫(yī)療事故事件——“魏則西事件”作為依據(jù)進行分析。該事件發(fā)生后不僅引起了政府對醫(yī)療的關(guān)注，還引起了一場網(wǎng)絡(luò)輿論浪潮，針對醫(yī)療機構(gòu)與百度搜索排名相關(guān)討論大幅度增加，造成的輿論導(dǎo)向群體極化現(xiàn)象也是比較嚴(yán)重的，因此對此事件應(yīng)用貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)下的三角模糊數(shù)進行網(wǎng)絡(luò)輿論危機識別是有必要的。

研究過程中向?qū)＜胰后w征求意見，按照專家經(jīng)驗總結(jié)分析，并對收集回來的問卷進行模糊化處理，得到具體的評估值，應(yīng)用于貝葉斯網(wǎng)絡(luò)后驗概率的計算和三角模糊數(shù)的確定。問卷獲取來源的各個專家群體主要包含醫(yī)學(xué)領(lǐng)域的各大高校教授、互聯(lián)網(wǎng)競價排名領(lǐng)域的專家、高校科研管理部門主管以及政府相關(guān)處理部門的領(lǐng)導(dǎo)的意見，共發(fā)放了150份，回收有效問卷數(shù)量為138份。具體的危機識別過程如下：

2.1 網(wǎng)絡(luò)輿論貝葉斯網(wǎng)絡(luò)的構(gòu)建

貝葉斯網(wǎng)絡(luò)的構(gòu)建過程中首先需要確定網(wǎng)絡(luò)中的根節(jié)點和葉節(jié)點，其次是確定連接變量之間的有向關(guān)聯(lián)弧，因此通過對專家進行調(diào)查訪問得到表2的網(wǎng)絡(luò)輿論中主要影響因素及類別，并給出如圖2所示的網(wǎng)絡(luò)結(jié)構(gòu)圖。

從圖2中可以看出，貝葉斯網(wǎng)絡(luò)中有5個根節(jié)點，其余均為葉節(jié)點，且其中包含4個類別節(jié)點。其中根節(jié)點集合為{b1,b2,b6,b12,b14}，葉節(jié)點為“網(wǎng)絡(luò)輿論”，而其余均為中間節(jié)點。

2.2 模糊概率計算及處理

圖2 網(wǎng)絡(luò)輿論貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

表2 網(wǎng)絡(luò)輿論貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)說明

依據(jù)動態(tài)分析理論，確定模糊概率需要將同一影響因素在不同的時間段內(nèi)產(chǎn)生的不同結(jié)果進行統(tǒng)計，以每個影響因素的數(shù)值對比率作為變量后驗概率驗算基礎(chǔ)。依據(jù)式（4）確定每個變量的后驗概率，并根據(jù)專家對每個影響因素可能存在發(fā)生給出其先驗概率，應(yīng)用式（3）的條件概率進行計算。在問卷調(diào)查的專家中具有權(quán)威性的專家人數(shù)為5人，因此根據(jù)表1中給出的模糊語義值表述對問卷調(diào)查中這5位專家對影響因素的評價進行整合，給出根節(jié)點和中間節(jié)點的三角模糊數(shù)值矩陣，如下所示：

同理，根據(jù)專家對每個變量的觀點，如“還行”、“差不多”、“很可能”等模糊詞進行三角模糊處理，并利用式（12）、式（13）、式（14）對其進行操作。當(dāng)η=2時，有如下結(jié)果。

利用式（12）對每個變量的在貝葉斯網(wǎng)絡(luò)中的概率進行三角模糊數(shù)均值化處理如下頁表3所示。

按照式（13）進行去模糊化操作，實現(xiàn)將概率值精準(zhǔn)化，使其變?yōu)閷崝?shù)，此時根據(jù)專家數(shù)可以確定η的取值為3，可得結(jié)果如下頁表4所示。

表3 三角模糊數(shù)均值化處理結(jié)果

表4 三角模糊數(shù)去模糊化處理結(jié)果

歸一化作為一種無量綱處理手段，不僅可以消除無關(guān)影響因素，還能進一步精確變量的概率準(zhǔn)確度，利用式（3）和式（14）對各根節(jié)點和中間節(jié)點進行處理，從而得到歸一化的處理結(jié)果，如表5所示。

表5 無量綱歸一化處理結(jié)果

2.3 網(wǎng)絡(luò)輿論危險等級確定

當(dāng)專家數(shù)量M確定為5時，依據(jù)式（15）計算各個影響因素的危險指數(shù)，計算結(jié)果如表6所示。

表6 變量危險指數(shù)

根據(jù)網(wǎng)絡(luò)輿情專家系統(tǒng)中給出的危險級別的劃分，如表7所示，可以將上述變量進行危險定級。

表7 危險級別劃分

根據(jù)式（6）的隸屬度公式對均值化后的三角模糊數(shù)進行操作，確定每個變量屬于哪一具體類別，為網(wǎng)絡(luò)輿論危機等級確定的結(jié)果提供類別劃分依據(jù)，使得分析的結(jié)果更具有簡單性。

例如，計算變量b1～b5的隸屬度，確定其是否屬于圖1給出的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)中的類別，計算結(jié)果如表8所示。

表8 變量b1～b5隸屬度

當(dāng)隸屬度值大于零時才能說明該變量屬于對應(yīng)的類別，具有的風(fēng)險類型接近于實際情況，而隸屬度值等于零則表明該變量有非常大的可能不屬于該類別，或說與該類別的貼近度較低，因此一定程度上加大了該變量轉(zhuǎn)化成危機因素的風(fēng)險，即在原有風(fēng)險等級上增加10%的可能度[10]。

3 結(jié)束語

本文提出的網(wǎng)絡(luò)輿論危機識別方法，不僅可以實現(xiàn)對公眾輿論的影響因素分析，還能利用貝葉斯網(wǎng)絡(luò)的概率推理技術(shù)對每個影響因素的發(fā)生概率及危險化程度進行計算，將定性變量以定量的方式進行表示，從而提高三角模糊數(shù)與貝葉斯網(wǎng)絡(luò)的有效利用率，充分地分析突發(fā)事件的網(wǎng)絡(luò)輿論演化成危機的主體影響因素。為了進一步提高網(wǎng)絡(luò)危機識別速度，在未來的學(xué)術(shù)研究工作中將應(yīng)用分布式處理方式與快速檢索算法聯(lián)合處理，彌補本文在危機識別速度上存在的局限性。

參考文獻：

[1]Jensen F V,Nielsen T D.Bayesian Networks and Decision Graphs[J].Springer Berlin,2015,50(3).

[2]相麗玲，王晴.信息公開背景下網(wǎng)絡(luò)輿情危機演化特征及治理機制研究[J].情報科學(xué),2014,(4).

[3]翟勝，師五喜，修春波.基于模糊貝葉斯網(wǎng)的危害性分析方法[J].計算機應(yīng)用,2014,34(12).

[4]胡玉勝，涂序彥，崔曉瑜等.基于貝葉斯網(wǎng)絡(luò)的不確定性知識的推理方法[J].計算機集成制造系統(tǒng)，2001，7(12).

[5]岳超源.決策理論與方法[M].北京：科學(xué)出版社，2003.

[6]馬賓，殷立峰.一種基于Hadoop平臺的并行樸素貝葉斯網(wǎng)絡(luò)輿情快速分類算法[J].現(xiàn)代圖書情報技術(shù)，2015，(2).

[7]韓磊，吳樹芳，王子賢.貝葉斯網(wǎng)絡(luò)[J].電腦知識與技術(shù)，2009，5(21).

[8]江文奇.基于FVIKOR的三角模糊數(shù)型多準(zhǔn)則決策方法[J].控制與決策，2016，31(7).

[9]王君,樊治平.知識管理者能力的一種模糊多指標(biāo)評價方法[J].系統(tǒng)管理學(xué)報，2003，12(3).

[10]黃智力，羅鍵.三角模糊數(shù)型不確定多指標(biāo)決策的可能度關(guān)系法[J].控制與決策，2015，30(8).