李成

摘要：由于各種事件的刺激而產(chǎn)生，并且通過互聯(lián)網(wǎng)傳播的人們對于各種事件的所有認(rèn)知、態(tài)度、情感和行為傾向的合集，稱為網(wǎng)絡(luò)輿情。隨著信息和網(wǎng)絡(luò)技術(shù)的發(fā)展，人們可以自由地在網(wǎng)絡(luò)新媒體中發(fā)表關(guān)于社會中各種現(xiàn)象和問題的態(tài)度與意見等，以論壇、微博、博客等為載體的網(wǎng)絡(luò)新媒體已日益成為輿論傳播和熱點聚集的重要源頭，輿論熱點的多發(fā)、突發(fā)、頻發(fā)也已成為常態(tài)。為了加強(qiáng)公共部門網(wǎng)絡(luò)的管理，開展公共部門輿情信息的監(jiān)測與分析，已經(jīng)成為目前亟需解決的現(xiàn)實問題。公共部門輿情監(jiān)測分析系統(tǒng)可以實現(xiàn)針對公共部門網(wǎng)絡(luò)海量輿情的實時監(jiān)測分析，有效地解決以傳統(tǒng)的人工方式進(jìn)行輿情監(jiān)測的很多難題。

關(guān)鍵詞：公共部門網(wǎng)絡(luò)；輿情監(jiān)測；分布式；網(wǎng)絡(luò)爬蟲

1.引言

公共部門網(wǎng)絡(luò)上，網(wǎng)絡(luò)輿論主要是從新聞回帖、網(wǎng)絡(luò)論壇、博客、網(wǎng)民聊天室等反映來的。網(wǎng)絡(luò)論壇是這其中最主要的平臺，公共部門網(wǎng)絡(luò)中也已經(jīng)形成了一批著名論壇。論壇議題涉及到政府建設(shè)建設(shè)的各個方面，其中既有一些合理化的積極建議，還有是對公共部門不正?，F(xiàn)象的披露，另有一小部分是發(fā)泄對現(xiàn)狀的不滿情緒。研發(fā)從海量公共部門網(wǎng)絡(luò)信息中及時準(zhǔn)確地發(fā)現(xiàn)和搜集到工作需要的輿情信息的監(jiān)測系統(tǒng)，可為政府部門提供了解百姓訴求的便捷渠道，可有效化解公共部門“網(wǎng)絡(luò)暴力”，有利于社會穩(wěn)定。

2.網(wǎng)絡(luò)輿情采集技術(shù)研究與實現(xiàn)

利用搜索技術(shù)自動地在網(wǎng)絡(luò)上采集信息，將節(jié)約大量的人力物力成文，大大提高輿情監(jiān)測的工作效率和時效。搜索引擎（search engine）是指根據(jù)一定策略、運用特定計算機(jī)程序從互聯(lián)網(wǎng)搜集信息，在對信息組織、處理后，為用戶提供檢索服務(wù)，將用戶檢索相關(guān)的信息展現(xiàn)給用戶的系統(tǒng)。

搜索引擎一般由索引器、檢索器、搜索器和用戶接口組成。搜索器的功能是在網(wǎng)絡(luò)中漫游，搜集和發(fā)現(xiàn)信息；檢索器的作用是根據(jù)用戶的查詢在索引庫中快速檢索，對將要輸出的結(jié)果排序，進(jìn)行相關(guān)度評價，并能按用戶的需求反饋合理信息；索引器的功能是根據(jù)搜索器搜到的信息結(jié)果，從中抽出索引項，用于生成文檔庫的索引表以及表示文檔；用戶接口的功能是接納用戶查詢、提供所需要的查詢項、顯示查詢結(jié)果等。

搜索引擎工作流程可分為三部分：爬取網(wǎng)頁、處理爬取的網(wǎng)頁、提供檢索服務(wù)。

（1）爬取網(wǎng)頁：每個獨立搜索引擎都有自己爬取網(wǎng)頁的程序（網(wǎng)絡(luò)爬蟲）。網(wǎng)絡(luò)爬蟲根據(jù)網(wǎng)頁中的超鏈接地址，不斷地抓取網(wǎng)頁。被抓取的網(wǎng)頁被稱之為網(wǎng)頁快照。因為互聯(lián)網(wǎng)中應(yīng)用超鏈接非常廣泛，理論上，給爬蟲一定范圍網(wǎng)頁，就能搜集到大部分的網(wǎng)頁。

（2）處理網(wǎng)頁：搜索引擎抓取到網(wǎng)頁后，還要做大量預(yù)處理工作，才能去提供檢索服務(wù)。其中最重要的就是建立索引文件，提取關(guān)鍵詞。其他還包括去除重復(fù)網(wǎng)頁、判別網(wǎng)頁類型、中文分詞、計算網(wǎng)頁的重要度、分析超鏈接。

（3）提供檢索服務(wù)：戶輸入關(guān)鍵字進(jìn)行檢索，搜索引擎從索引數(shù)據(jù)庫中找出匹配該關(guān)鍵字的網(wǎng)頁；為了用戶便于判斷，除了網(wǎng)頁地址和網(wǎng)頁標(biāo)題外，還會提供一段來自網(wǎng)頁的摘要及其他信息。

通用搜索引擎采用的方式是語義上的搜索，是通過關(guān)鍵字的方式實現(xiàn)的，返回的結(jié)果傾向于知識成果，比如新聞，論文，文章等等。大家經(jīng)常使用的搜索引擎如：谷歌、百度、雅虎等都是通用搜索引擎如今的杰出代表，他們?yōu)榛ヂ?lián)網(wǎng)的發(fā)展做出了重大貢獻(xiàn)。搜索引擎所提供的網(wǎng)絡(luò)搜索服務(wù)目前是互聯(lián)網(wǎng)上最重要的網(wǎng)絡(luò)服務(wù)之一，搜索引擎也早已成為人們在網(wǎng)絡(luò)中的“導(dǎo)游”[5]。

3.話題追蹤技術(shù)

話題追蹤的目的就是，事先給出一個或幾個關(guān)于某話題的新聞報道，找出關(guān)于該話題相關(guān)的后續(xù)報道。它是TDT（話題檢測與追蹤）技術(shù)的重要子任務(wù)。它能夠在眾多的信息資源中，幫助人們節(jié)約查閱和瀏覽新聞的時間，掌握一個話題的來龍去脈。話題追蹤的定義是：根據(jù)文本的內(nèi)容，在給定的追蹤體系下，自動確定文本關(guān)聯(lián)的主題。用數(shù)學(xué)方法看，話題追蹤將未標(biāo)明主題的文本映射到已有主題中，是一個映射的過程，因為一篇文本可以同多個主題相關(guān)聯(lián)，該映射可以一一映射，亦可是一對多映射。

3.1 文本分類技術(shù)

話題追蹤的基本思想是，把人工給定的幾篇報道作為訓(xùn)練樣本，采用一定的追蹤公式對訓(xùn)練樣本進(jìn)行計算和學(xué)習(xí)；當(dāng)有新報道時，按公式計算報道的分?jǐn)?shù)，根據(jù)指定的閾值，當(dāng)分?jǐn)?shù)大于閾值時，判定新報道屬于主題，否則判定報道不屬于原主題。我們可以把話題追蹤技術(shù)看為，加上以下三個約束條件的文本分類技術(shù)：

1、把事先給定的某一主題的相關(guān)報道當(dāng)作訓(xùn)練樣本。

2、當(dāng)有新的新聞文本產(chǎn)生，對于給定的主題，系統(tǒng)將立即給出一個值（是/否）追蹤判定。

3、在系統(tǒng)假設(shè)對其它事件主題不知道的前提下，對某個事件主題進(jìn)行訓(xùn)練學(xué)習(xí)。

文本分類包括了文本表達(dá)、選擇與訓(xùn)練分類器、分類結(jié)果的評價等過程，當(dāng)中的文本表達(dá)又可劃分為文本預(yù)處理、特征抽取、統(tǒng)計和索引等步驟。

3.2 常用文本分類算法簡介

文本分類的算法多種多樣，下面我們簡單介紹幾種常見算法：

Rocchio（中心向量）算法，是出現(xiàn)較早的一種基于統(tǒng)計的文本分類方法，是經(jīng)典的向量空間模型中反饋學(xué)習(xí)算法。中心向量算法，首先為每個類建立一個原型向量（類所有樣本的平均向量），然后通過計算每一個原型向量與待分類文本向量的距離進(jìn)行分類。距離可以通過余弦距離、歐氏距離或內(nèi)積來計算。Rocchio算法的突出優(yōu)點是學(xué)習(xí)速度快，計算簡單，但效果比較差，因此分類系統(tǒng)采用這種算法較少，Rocchio算法更多的是作為衡量分類系統(tǒng)性能的基準(zhǔn)。

樸素貝葉斯（Naive Bayes）算法[19]是一種基于特征獨立性假設(shè)建立起來的，簡單有效的分類方法；其實質(zhì)是首先利用貝葉斯條件概率公式，計算在已經(jīng)知道文本文檔特征向量的條件下，該文檔屬于不同文本類別的后驗（條件）概率；最后，依據(jù)最大似然原理將該文檔歸結(jié)為具有最大條件概率的那一類；由于該算法假設(shè)構(gòu)成特征向量的各特征相互獨立，所以稱其為樸素的。

決策樹（DT）是一種數(shù)據(jù)分類技術(shù)，它類似流程圖的樹結(jié)構(gòu)。決策樹每個內(nèi)部節(jié)點代表一個屬性測試，分枝代表一個測試輸出，每個樹葉存放一個類標(biāo)，它的最頂層節(jié)點是根節(jié)點。在建立決策樹時，選擇樣本劃分成不同的類的屬性采用屬性選擇度量方法，一些分枝還能反映訓(xùn)練數(shù)據(jù)中的離群點或噪聲。采用樹剪枝可剪去這類分枝，從而提高未知數(shù)據(jù)分類的準(zhǔn)確率。

4.公共部門網(wǎng)絡(luò)輿情監(jiān)測與信息處理平臺總體結(jié)構(gòu)

4.1 分布式結(jié)構(gòu)介紹

分布式技術(shù)是一種基于網(wǎng)絡(luò)的，與集中式相對應(yīng)的計算機(jī)處理技術(shù)[25]。分布式結(jié)構(gòu)，就是將各種應(yīng)用部署在不同的平臺和機(jī)器上，這些機(jī)器和平臺共同工作，相互之間通過網(wǎng)絡(luò)連在一起，并運行一系列相關(guān)功能的結(jié)構(gòu)[26]。采用分布式結(jié)構(gòu)的系統(tǒng)，模糊了服務(wù)器和客戶端的概念，所有的應(yīng)用都被轉(zhuǎn)化成對象的概念，任一對象都可通過指定接口去調(diào)用其它對象所提供的服務(wù)[27]；分布式結(jié)構(gòu)可以被看作是一種多層的C/S（客戶端/服務(wù)器）結(jié)構(gòu)。

在分布式系統(tǒng)中，對開發(fā)和使用者來說，網(wǎng)絡(luò)和傳輸?shù)募?xì)節(jié)是透明的，網(wǎng)絡(luò)資源可以被看作是龐大、統(tǒng)一的平臺；在這種環(huán)境下，對其它計算機(jī)資源的訪問與訪問本機(jī)上的資源沒有差別。由于分布式系統(tǒng)這種在位置、平臺和編程語言選擇等方面的獨立性，所以與集中式系統(tǒng)相比，它在可靠性、可擴(kuò)展性、經(jīng)濟(jì)型、速度等方面都有著顯著的優(yōu)點[28]。

4.2 分布式結(jié)構(gòu)層次劃分

分布式系統(tǒng)根據(jù)不同功能組件形成的層次，可劃分為三種模式：

C/S（客戶端/服務(wù)器）結(jié)構(gòu)。在這種模式下，客戶端是網(wǎng)絡(luò)的基礎(chǔ)，服務(wù)器是網(wǎng)絡(luò)的核心。服務(wù)器為客戶機(jī)提供網(wǎng)絡(luò)必須的資源，而客戶機(jī)依靠服務(wù)器獲得所需要的網(wǎng)絡(luò)資源。隨著互聯(lián)網(wǎng)的飛速發(fā)展，C/S結(jié)構(gòu)也暴露出它的缺點：可擴(kuò)展性差、對客戶端操作系統(tǒng)要求比較嚴(yán)格以及高昂的投資和維護(hù)成本。

2、三層結(jié)構(gòu)。這種結(jié)構(gòu)下，分布式系統(tǒng)被劃分成三個邏輯層次：用戶界面層、業(yè)務(wù)邏輯層和數(shù)據(jù)訪問層[29]。

在這種三層結(jié)構(gòu)下：用戶界面層和業(yè)務(wù)邏輯層之間可以相互訪問，業(yè)務(wù)邏輯層和數(shù)據(jù)訪問層也能相互訪問，但用戶界面層和數(shù)據(jù)訪問層不能直接訪問；表明這種模式各個層次之間的隔離做得更出色。所以三層結(jié)構(gòu)模式在可擴(kuò)展性、靈活性、健壯性等方面都有很大的提高。

多層結(jié)構(gòu)分布式系統(tǒng)。就是在三層結(jié)構(gòu)基礎(chǔ)上，根據(jù)用戶需要，再設(shè)計出用于指定組件的層次。

4.3 常用分布式結(jié)構(gòu)

公共部門網(wǎng)絡(luò)輿情監(jiān)測與信息處理平臺結(jié)構(gòu)整體包括四個子系統(tǒng)，即網(wǎng)絡(luò)爬蟲子系統(tǒng)（綠色部分）、網(wǎng)頁檢索子系統(tǒng)（紅色部分）、信息處理子系統(tǒng)（藍(lán)色部分）和實時顯示子系統(tǒng)（灰色部分）。四個子系統(tǒng)相互關(guān)聯(lián)，形成有機(jī)整體。

網(wǎng)絡(luò)爬蟲根據(jù)配置信息捕獲指定網(wǎng)站網(wǎng)頁信息，將數(shù)據(jù)存儲于數(shù)據(jù)服務(wù)器。數(shù)據(jù)檢索程序?qū)?shù)據(jù)服務(wù)器信息進(jìn)行實時檢索，獲取當(dāng)前最新捕獲網(wǎng)頁，將網(wǎng)頁URL、本地存儲路徑、更新時間等信息發(fā)送到數(shù)據(jù)檢索程序服務(wù)端。服務(wù)端接收數(shù)據(jù)檢索信息，對其URL等進(jìn)行判斷，如果為用戶所需網(wǎng)頁，則將數(shù)據(jù)檢索信息存儲于指定文件。信息處理子系統(tǒng)對數(shù)據(jù)檢索信息進(jìn)行實時掃描，提取網(wǎng)頁標(biāo)題正文，進(jìn)行編碼轉(zhuǎn)換，并進(jìn)行標(biāo)題和正文進(jìn)行分詞，將處理結(jié)果寫入到數(shù)據(jù)庫。實時顯示子系統(tǒng)對數(shù)據(jù)庫信息進(jìn)行統(tǒng)計，并實時顯示。

參考文獻(xiàn)

[1]殷風(fēng)景.面向網(wǎng)絡(luò)輿情監(jiān)控的熱點話題發(fā)現(xiàn)技術(shù)研究[D].長沙：國防科學(xué)技術(shù)大學(xué).2010

[2]齊海鳳.輿情熱點發(fā)現(xiàn)與事件跟蹤技術(shù)研究.哈爾濱[D]：哈爾濱工程大學(xué).2008

[3]李恒訓(xùn)，張華平.基于主題詞的網(wǎng)絡(luò)熱點話題發(fā)現(xiàn)[J].第五屆全國信息檢索學(xué)術(shù)會議（CCIR2009）.上海.2009-11

（作者單位：鄭州市公安局公共信息網(wǎng)絡(luò)安全監(jiān)察支隊）