鞏曉敏 沈惠璋 鄧莎莎

（1.上海交通大學(xué) 安泰經(jīng)濟(jì)與管理學(xué)院，上海 200030；2.上海外國語大學(xué) 國際工商管理學(xué)院，上海 200083）

1 群體事件網(wǎng)絡(luò)關(guān)注度影響因素的選取

1.1 群體事件的特征提取

一般而言，在突發(fā)性的危機(jī)事件中，會(huì)采用一種叫作元本體EMM的模型，本文就是基于該模型展開相關(guān)研究的。在研究中，本體庫的核心內(nèi)容則是群體性事件。該事件又被分為三個(gè)方面的內(nèi)容，分別是群體事件所處的狀態(tài)、決策以及產(chǎn)生的效果等。這三部分，又能被細(xì)分為事件的基本信息、過程信息和結(jié)果信息等。

（1）事件的基本信息。在本文的研究中，決策變量為事件中的四個(gè)基本屬性，分別為事件所發(fā)生的時(shí)間、地點(diǎn)、類型以及受到事件影響的人數(shù)。

事件的類型：對(duì)于群體性事件而言，其類型和覆蓋的范圍都很大，種類也不一而足。而且，各種不同類型的群體性事件，其發(fā)生的原因、發(fā)展的階段和經(jīng)過，以及最終導(dǎo)致的后果，也互有差異。鑒于此，這些事件能夠吸引到的群體也千差萬別，引起的網(wǎng)絡(luò)關(guān)注度也各有高低。

事件的發(fā)生地點(diǎn)：相比于世界上其他國家，我國幅員遼闊，人口眾多，各地區(qū)人口數(shù)量和分布，素質(zhì)和文化區(qū)別很大。所以，群體性事件也會(huì)隨著地區(qū)的差異而有所變化，比如事件發(fā)展的經(jīng)過、與之相對(duì)應(yīng)的解決方案，等等。換言之，群體事件如果發(fā)生在不同地區(qū)，其引起的網(wǎng)絡(luò)關(guān)注程度也會(huì)因?yàn)榈貐^(qū)的差異而發(fā)生一定的變化。

事件的發(fā)生時(shí)間：對(duì)群體性事件而言，其發(fā)生的時(shí)間也會(huì)在一定程度上影響該事件的網(wǎng)絡(luò)關(guān)注度。比如，如果一起群體性事件如果發(fā)生在周末，那么該事件所能引起的網(wǎng)絡(luò)關(guān)注度就會(huì)較高，而且參與該事件的人數(shù)也會(huì)較多。但是，如果該事件發(fā)生在工作日內(nèi)，那么關(guān)注該事件的人就會(huì)少一點(diǎn)，參與的人數(shù)也不會(huì)很多。同樣，如果群體性事件發(fā)生在白天，其受到的網(wǎng)絡(luò)關(guān)注度跟發(fā)生在晚上所受到的網(wǎng)絡(luò)關(guān)注度也互有差異。

受到影響的人數(shù)：在群體性事件中，圍觀者等也對(duì)群體性事件的進(jìn)程產(chǎn)生了顯著的影響。譬如，圍觀者越多，受影響的人數(shù)也就越多，那么和群體性事件相關(guān)的信息就會(huì)被更廣泛、迅速地傳播開，從而對(duì)網(wǎng)絡(luò)關(guān)注度產(chǎn)生相當(dāng)?shù)挠绊憽?/p>

（2）在事件的過程信息中，本文選用的關(guān)鍵變量是群體性事件所能持續(xù)的時(shí)間。

事件的持續(xù)時(shí)間：一般而言，如果群體性事件的持續(xù)時(shí)間很長，那么網(wǎng)民們的猜測(cè)不僅會(huì)增多，還會(huì)失控，甚至產(chǎn)生各種各樣的謠言。由此可見，對(duì)于網(wǎng)絡(luò)關(guān)注度，事件的持續(xù)時(shí)間也起到了一定的作用。

事件解決的方案：在大部分的群體性事件中，研究發(fā)現(xiàn)如果對(duì)群體性事件應(yīng)對(duì)不當(dāng)，比如采用的解決方案不積極、回避問題，甚至增加沖突等，不僅不能平息事件，反倒會(huì)激起更大的反彈，讓群體行為變得更加惡性。與此用時(shí)，在解決群體性事件時(shí)，網(wǎng)民往往對(duì)解決方所持的態(tài)度，以及采用的解決方案，都極為看重。

（3）事件的結(jié)果信息：在本文中，研究所選取的主要變量為傷亡人數(shù)，依此對(duì)群體性事件所導(dǎo)致的后果進(jìn)行評(píng)定。

事件的傷亡人數(shù)：在任何一起群體性事件中，其導(dǎo)致的結(jié)果，最直觀的表現(xiàn)就是事件中所產(chǎn)生的傷亡人數(shù)。在一些研究中，通過研究和分析網(wǎng)民們的心理?？梢园l(fā)現(xiàn)，傷亡人數(shù)越多，會(huì)吸引更多的網(wǎng)友關(guān)注事件進(jìn)程并參與討論。

1.2 群體事件網(wǎng)絡(luò)關(guān)注度的計(jì)算

本文主要從三個(gè)方面對(duì)群體性事件所引起的網(wǎng)絡(luò)關(guān)注度展開了相關(guān)的衡量和評(píng)價(jià)。這三個(gè)方面分別為群體性事件所引起的新聞數(shù)量、評(píng)論數(shù)量和參與的人數(shù)。但是，對(duì)這三個(gè)方面的相關(guān)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)時(shí)，它們各自的數(shù)量級(jí)和要用到的界面，不僅差異大，而且各不相同。因此，在進(jìn)行統(tǒng)計(jì)運(yùn)算前，要先對(duì)各個(gè)數(shù)據(jù)展開標(biāo)準(zhǔn)化變換，接著對(duì)它們進(jìn)行權(quán)重的平均分配，最后再開展相關(guān)計(jì)算。在群體性事件的網(wǎng)絡(luò)關(guān)注度方面，經(jīng)常采用的量化方案如下所示：

群體事件網(wǎng)絡(luò)關(guān)注度=（新聞媒體關(guān)注度+網(wǎng)絡(luò)參與關(guān)注度+網(wǎng)絡(luò)評(píng)論關(guān)注度）／3

（1）新聞數(shù)量：在網(wǎng)上，網(wǎng)絡(luò)新聞媒體對(duì)于群體事件的關(guān)注，可通過和群體性事件相關(guān)的新聞報(bào)導(dǎo)數(shù)量直接或間接地表現(xiàn)出來。其計(jì)算公式如下所示：

某事件的新聞媒體關(guān)注度=（原始數(shù)據(jù)-min｛新聞數(shù)量｝）／（max｛新聞數(shù)量｝-min｛新聞數(shù)量｝

圖1 群體事件網(wǎng)絡(luò)關(guān)注度及其影響因素結(jié)構(gòu)

（2）新聞評(píng)論數(shù)：該條意思是指，新聞網(wǎng)頁上對(duì)新聞進(jìn)行評(píng)論的人數(shù)之和。通常，該人數(shù)之和可以反映出網(wǎng)民對(duì)某事件的關(guān)注程度。其計(jì)算公式如下所示：

某事件網(wǎng)絡(luò)評(píng)論關(guān)注度=（原始數(shù)據(jù)-min｛網(wǎng)絡(luò)評(píng)論數(shù)量｝）／（max｛網(wǎng)絡(luò)評(píng)論數(shù)量｝-min｛網(wǎng)絡(luò)評(píng)論數(shù)量｝

（3）新聞參與人數(shù)：所謂的新聞參與人數(shù)是指，有一些網(wǎng)民不會(huì)留言對(duì)事件進(jìn)行評(píng)論，他們更樂于觀看其他網(wǎng)民的評(píng)論，所以，這些只觀看不留言的網(wǎng)民，也是一種能夠觀察到的變量。其計(jì)算公式如下所示：

某事件網(wǎng)絡(luò)參與關(guān)注度=（原始數(shù)據(jù)-min｛網(wǎng)絡(luò)新聞參與人數(shù)｝）／（max｛網(wǎng)絡(luò)新聞參與人數(shù)｝-min｛網(wǎng)絡(luò)新聞參與人數(shù)｝

2 基于本體關(guān)系的ID3算法描述

2.1 基于本體關(guān)系的數(shù)據(jù)挖掘算法研究

利用屬性的本體關(guān)系進(jìn)行分類的算法已有不少，大體上主要有建立本體規(guī)則的方法和對(duì)屬性值分類的方法。本文所采用的方法是借鑒Zhang Jun的利用本體關(guān)系進(jìn)行分類思想的基礎(chǔ)上，與ID3算法相結(jié)合的方法。

2.1.1 算法的優(yōu)點(diǎn)

傳統(tǒng)的決策樹算法主要通過數(shù)據(jù)庫二維表對(duì)群體事件案例進(jìn)行表示，語義表達(dá)能力較弱，同時(shí)每個(gè)變量實(shí)例都最終會(huì)產(chǎn)生一個(gè)節(jié)點(diǎn)，形成的決策樹規(guī)模大，復(fù)雜性高，不便于理解和操作。

基于本體的決策樹算法通過對(duì)本體的運(yùn)用，首先能夠增強(qiáng)群體事件案例的語義表達(dá)能力，提升決策樹檢索和分類的有效程度。其次，用決策樹表示更加簡單，容易理解，同時(shí)在分類方面更加精確、可信。分析和統(tǒng)計(jì)有限的數(shù)據(jù)時(shí)，從具體數(shù)據(jù)層面入手的方式，并沒有從抽象概念層面入手的方式顯得準(zhǔn)確和可靠。最后，基于本體的決策樹算法還為解決數(shù)據(jù)挖掘中的過度擬合現(xiàn)象提供了一個(gè)新的解決思路。

2.1.2 算法描述

第一步：構(gòu)建測(cè)試屬性本體。

第二步：依次構(gòu)建各測(cè)試屬性的本體關(guān)系。

第三步：頻數(shù)統(tǒng)計(jì)。

（1）按照詞頻進(jìn)行統(tǒng)計(jì)；

（2）自下而上，將子節(jié)點(diǎn)的頻數(shù)加到父節(jié)點(diǎn)上；

（3）自上而下，將抽象節(jié)點(diǎn)的頻數(shù)按照子節(jié)點(diǎn)分布規(guī)律分配到子節(jié)點(diǎn)上；

第四步：生成決策樹。

（1）構(gòu)造向量p，p向量的各分量指向各屬性的一個(gè)節(jié)點(diǎn)；

（2）計(jì)算p向量所指的屬性的熵增，將最大信息熵增p分量作為決策屬性；

（3）構(gòu)造P向量組，由決策屬性的子節(jié)點(diǎn)代替p向量中的父節(jié)點(diǎn)，形成新的p向量；

（4）循環(huán)以上三步，直至p向量分項(xiàng)值均為空。

2.1.3 算法實(shí)現(xiàn)

算法實(shí)現(xiàn)通過.NET平臺(tái)的進(jìn)行開發(fā)，運(yùn)用的C＃語言實(shí)現(xiàn)了基本算法功能。

2.2 群體事件特征本體的構(gòu)建

本研究采用的算法是一種基于本體的ID3算法，該算法要求對(duì)上述群體事件中所選取的特征建立起各自相應(yīng)的領(lǐng)域本體。同時(shí)，還要對(duì)本體領(lǐng)域中存在的知識(shí)結(jié)構(gòu)進(jìn)行相當(dāng)程度的考量，然后再對(duì)群體事件中的七個(gè)特征做如下的本體表述：

（1）事件的類型：我國的群體性事件，按發(fā)生的起因和所在的領(lǐng)域，可以具體地被劃分為下列十種類型：一、公共衛(wèi)生事件引發(fā)的群體行為；二、公關(guān)管理與執(zhí)法不公沖突引發(fā)的群體行為；三、勞資沖突引發(fā)的群體行為；四、人為事故災(zāi)害引發(fā)的群體行為；五、社會(huì)安全事件引發(fā)的群體行為；六、征地拆遷沖突引發(fā)的群體行為；七、資源與環(huán)境沖突引發(fā)的群體行為；八、自然災(zāi)害引發(fā)的群體行為；九、族群矛盾與境外勢(shì)力沖突引發(fā)的群體行為；十、以網(wǎng)絡(luò)與微博為載體的群體行為。上述分類較為詳細(xì)，包容面廣，在案例信息的搜集和整理方面能起到很大的貢獻(xiàn)。具體見圖2。

（2）事件的發(fā)生地點(diǎn)：本文主要對(duì)我國境內(nèi)發(fā)生的群體性事件進(jìn)行研究，并著重于它們的一般特征。所以，在事件的發(fā)生地點(diǎn)上，本研究構(gòu)建了一種具有三層結(jié)構(gòu)的繼承關(guān)系。比如，先按照地域，如東北、西北、西南、華中、華北、華南、華東、華西等，將群體性事件的發(fā)生地點(diǎn)劃分為四大類型；接著，再根據(jù)地域所在的省市細(xì)分這四大類型，最終獲得本體。

（3）事件發(fā)生的時(shí)間：根據(jù)群體性事件中參與的人數(shù)特點(diǎn)，以及該特點(diǎn)在事件進(jìn)程各時(shí)間段的不同表現(xiàn)，還對(duì)群體傳播中時(shí)間所發(fā)揮的影響展開了相關(guān)分析。在本文中，研究者為事件發(fā)生的時(shí)間構(gòu)建了具有三層結(jié)構(gòu)的繼承關(guān)系，這是一種本體結(jié)構(gòu)。該本體的構(gòu)建分為兩個(gè)步驟：第一，根據(jù)工作日和非工作日對(duì)群體事件進(jìn)行劃分；第二，基于白天和黑夜兩個(gè)時(shí)段中群體性事件的不同特點(diǎn)，對(duì)事件進(jìn)行更加詳細(xì)的分類，如非工作日白天、非工作日夜晚、工作日白天、工作日夜晚。具體見圖3。

圖3 事件發(fā)生時(shí)間的本體關(guān)系分解

（4）事故解決方采取的解決方案：根據(jù)事故解決方對(duì)群體性事件所采取的解決態(tài)度，解決方案可以被劃分為兩種類型，即主動(dòng)反應(yīng)和被動(dòng)反應(yīng)。其中，主動(dòng)反應(yīng)又可以依據(jù)案例分析的結(jié)論，具體細(xì)分為8種類型的解決方案，分別為：包庇既得利益者、執(zhí)法不當(dāng)、不當(dāng)言論、武力威懾、對(duì)抗、封鎖消息、調(diào)解疏導(dǎo)、協(xié)商解決。而被動(dòng)反應(yīng)又能被細(xì)分為下述5種行為，分別為：敷衍民眾、故意拖延、反應(yīng)遲鈍、無作為、直接妥協(xié)。鑒于此，所獲得的事故解決方之繼承本體應(yīng)如下述內(nèi)容，見圖4。

圖4 事故解決方的措施本體關(guān)系分解

（5）事件的持續(xù)時(shí)間：群體性事件引起的網(wǎng)絡(luò)關(guān)注度，受到該事件持續(xù)時(shí)間的顯著影響。本研究中，群體性事件只是簡單地根據(jù)事件的持續(xù)時(shí)間被劃分為三個(gè)類別，分別為：“＜1天”“＞7天”和“1～7天”。

（6）事件中的傷亡人數(shù)：根據(jù)全部群體性事件中傷亡的人數(shù)展開數(shù)字排序，把前面三分之一的傷亡人數(shù)定義為“大”，后面三分之一的傷亡人數(shù)定義為“小”，中間三分之一的傷亡人數(shù)定義為“中”。通過這樣的劃分，構(gòu)建起一種具有兩層結(jié)構(gòu)的繼承關(guān)系本體。

（7）受影響的人數(shù)：根據(jù)全部的群體性事件案例中受到影響的人數(shù)展開數(shù)字排序，把前面受影響人數(shù)的三分之一定義為“多”，后面的三分之一定義為“少”，中間的三分之一定義為“中”。通過這樣的分類，構(gòu)建起一種適用于受影響人數(shù)的具有兩層結(jié)構(gòu)的繼承關(guān)系本體。

3 實(shí)驗(yàn)與分析

本實(shí)驗(yàn)共搜集有效案例612個(gè)，其中80%的案例作為訓(xùn)練集，通過對(duì)原始數(shù)據(jù)的訓(xùn)練，獲得初始決策樹；另外20%的案例作為測(cè)試集，通過測(cè)試判別決策樹的有效程度。

3.1 原始數(shù)據(jù)的搜集

通過查閱相關(guān)數(shù)據(jù)和統(tǒng)計(jì)，在我國，每天有超過五百起群體性事件發(fā)生，給人民群眾的財(cái)產(chǎn)帶去了巨大的損失。而且，這種群體事件有逐年上升的趨勢(shì)，從最初的幾萬起，到現(xiàn)在的二十多萬起，嚴(yán)重影響了社會(huì)的正常生活和生產(chǎn)秩序。本文所做的研究，案例、素材均取自互聯(lián)網(wǎng)，共收集和整理了2011—2013年，三年間的我國各類群體事件案例共計(jì)612起。新聞報(bào)道也主要取自六家既能發(fā)布新聞?dòng)帜茏尵W(wǎng)民對(duì)新聞進(jìn)行互動(dòng)評(píng)論的網(wǎng)站，比如騰訊新聞、鳳凰資訊、新浪新聞、網(wǎng)易新聞、人民網(wǎng)和中國新聞網(wǎng)。本文案例中，所引用的基礎(chǔ)數(shù)據(jù)如表1所示。

表1 群體事件部分案例庫

3.2 構(gòu)建決策樹

基于上述分析和本體的ID3算法，本文對(duì)決策樹進(jìn)行了構(gòu)建。其中，選擇群體性事件的七個(gè)變量，比如事件發(fā)生的類型、時(shí)間、地點(diǎn)，事件所持續(xù)的時(shí)間、受到事件影響的人數(shù)、出現(xiàn)的傷亡人數(shù)，以及解決方所采取的解決方案等，作為測(cè)試變量。同時(shí)，又將群體性事件所引起的網(wǎng)絡(luò)關(guān)注度當(dāng)作分類變量，從而使用改進(jìn)后的決策樹算法展開相關(guān)計(jì)算。本文研究中構(gòu)造的決策樹模型，正如圖5所示。

圖5 群體事件網(wǎng)絡(luò)關(guān)注度分類樹

3.3 分類規(guī)則

根據(jù)決策樹生成的分類規(guī)則得到：

（1）IF受影響人數(shù)=“多”and傷亡人數(shù)=“多”THEN網(wǎng)絡(luò)關(guān)注度=“高”

（2）IF受影響人數(shù)=“多”and傷亡人數(shù)=“中”THEN網(wǎng)絡(luò)關(guān)注度=“中”

（3）IF受影響人數(shù)=“多”and傷亡人數(shù)=“低”and發(fā)生時(shí)間=“工作日”THEN網(wǎng)絡(luò)關(guān)注度=“中”

（4）IF受影響人數(shù)=“多”and傷亡人數(shù)=“低”and發(fā)生時(shí)間=“非工作日”THEN網(wǎng)絡(luò)關(guān)注度=“低”

（5）IF受影響人數(shù)=“中”and事件類型=“公共管理與執(zhí)法不公”THEN網(wǎng)絡(luò)關(guān)注度=“中”

（6）IF受影響人數(shù)=“中”and事件類型=“公共衛(wèi)生事件”THEN網(wǎng)絡(luò)關(guān)注度=“中”

（7）IF受影響人數(shù)=“中”and事件類型=“以網(wǎng)絡(luò)與微博為載體的群體事件”THEN網(wǎng)絡(luò)關(guān)注度=“中”

（8）IF受影響人數(shù)=“中”and事件類型=“其他類型”and事故解決方的措施=“協(xié)商解決”THEN網(wǎng)絡(luò)關(guān)注度=“低”

（9）IF受影響人數(shù)=“中”and事件類型=“其他類型”and事故解決方的措施=“武力對(duì)抗”THEN網(wǎng)絡(luò)關(guān)注度=“高”

（10）IF受影響人數(shù)=“少”and事件持續(xù)時(shí)間=“＜1天”THEN網(wǎng)絡(luò)關(guān)注度=“中”

（11）IF受影響人數(shù)=“少”and事件持續(xù)時(shí)間=“1～7天”THEN網(wǎng)絡(luò)關(guān)注度=“少”

3.4 數(shù)據(jù)檢驗(yàn)

我們將獲得的612份數(shù)據(jù)分為10份，然后將其中9份的數(shù)據(jù)作為訓(xùn)練集，還有一份作為測(cè)試集。具體來說，9個(gè)訓(xùn)練集共擁有540個(gè)案例，測(cè)試集內(nèi)有62個(gè)案例。使用交叉驗(yàn)證法對(duì)數(shù)據(jù)集分別進(jìn)行10次驗(yàn)證，最終得到表2所示的基于決策樹的驗(yàn)證準(zhǔn)確率，并以此對(duì)算法的精度進(jìn)行估算，得到表2所示的對(duì)決策樹效果的校驗(yàn)結(jié)論。

表2 10次交叉驗(yàn)證結(jié)果

由表2我們可知，此分類樹的查準(zhǔn)率較高，為88.78%，預(yù)測(cè)準(zhǔn)確性很高，能夠作為參考依據(jù)。

3.5 實(shí)驗(yàn)結(jié)果分析

本文通過群體事件網(wǎng)絡(luò)關(guān)注度的分類規(guī)則深入了解群體事件網(wǎng)絡(luò)關(guān)注的驅(qū)動(dòng)因素，為群體事件的治理提出了可行性建議?；谝陨蠜Q策規(guī)則，總結(jié)群體事件網(wǎng)絡(luò)關(guān)注度影響因素的規(guī)律：

（1）受影響人數(shù)是群體事件網(wǎng)絡(luò)關(guān)注度的主要影響因素之一，隨著受影響人數(shù)的增加，群體事件網(wǎng)絡(luò)關(guān)注度普遍升高。因此，建議在處理群體事件的過程中，相關(guān)單位需要憂患意識(shí)，在群體事件集化程度較低時(shí)妥善處置，避免事件影響范圍擴(kuò)大。

（2）與非工作日相比，工作日發(fā)生的群體事件的網(wǎng)絡(luò)關(guān)注度普遍偏低。因此，對(duì)于非工作日組織或自發(fā)的群體行為要重視并做好引導(dǎo)和協(xié)調(diào)工作，避免事態(tài)的擴(kuò)大升級(jí)。

（3）對(duì)于參與人數(shù)達(dá)到100～1 000人的，即受影響人數(shù)中等的，對(duì)于不同類型的事件需要采用不同的處置措施。從決策樹規(guī)則可以看出，對(duì)于勞資糾紛、征地拆遷沖突等事件，采用武力解決會(huì)對(duì)群體事件網(wǎng)絡(luò)關(guān)注度產(chǎn)生促進(jìn)作用，吸引媒體和公眾的關(guān)注，未來在群體事件治理過程中，建議采用協(xié)商解決的方式積極表態(tài)和處理，避免直接沖突。

（4）對(duì)于受影響人數(shù)低于100人的，側(cè)重于觀察事件的持續(xù)時(shí)間，建議在應(yīng)對(duì)群體事件的過程中，盡量能夠在一周內(nèi)解決群體事件產(chǎn)生的最尖銳矛盾，將群體事件帶來的危害降到最低。

4 結(jié)論

綜上所述，本文的成果和進(jìn)一步展望如下：

（1）傳統(tǒng)數(shù)據(jù)挖掘方法語義表達(dá)能力較弱，基于本體的數(shù)據(jù)挖掘算法在傳統(tǒng)算法的基礎(chǔ)上增強(qiáng)了語義表達(dá)能力，生成的決策樹更加精簡，具有更高的檢索效率。

（2）得到群體性事件所引起的網(wǎng)絡(luò)關(guān)注度、群體性事件特點(diǎn)的分類規(guī)則，并對(duì)以后預(yù)警群體性事件和對(duì)群體性事件進(jìn)行有效決策，提供了充足的數(shù)據(jù)支持。

（3）未來可以建立群體事件案例決策支持系統(tǒng)，案例的數(shù)量可以通過滾動(dòng)式的積累進(jìn)行進(jìn)一步拓展和補(bǔ)充。