潘夏暉 虞欣平 鄒軍

摘要：由于網(wǎng)絡(luò)數(shù)據(jù)覆蓋領(lǐng)域廣、信息量大的特征，通過在線話題聚類得到的話題數(shù)量仍然繁多，并且話題重要程度也不同，其中大多數(shù)話題都無關(guān)緊要。那些涉及敏感問題，具有爆發(fā)力的話題往往決定了整個網(wǎng)絡(luò)輿情的發(fā)展趨勢，才是需要研究的重點。通過對話題熱度的計算可以有效地發(fā)現(xiàn)網(wǎng)絡(luò)輿情的熱點話題。

關(guān)鍵詞：話題；聚類；熱度

就目前對話題熱度計算的研究，主要都是從話題的媒體關(guān)注度和用戶關(guān)注度這兩方面考慮的。話題的媒體關(guān)注度是從輿情數(shù)據(jù)的發(fā)送方來考察話題的熱度，其主要包括話題的報道頻率和分布率等信息。而話題的用戶關(guān)注度則是從輿情數(shù)據(jù)的接收方來考察話題的熱度，其主要包括瀏覽報道的次數(shù)、評論的次數(shù)等一些用戶的行為信息。一般來說，網(wǎng)絡(luò)應(yīng)用上的信息發(fā)送方對熱點話題的形成起到了主導(dǎo)作用，因為只有網(wǎng)絡(luò)上出現(xiàn)了一個新的報道，才會有用戶去瀏覽、評論，引發(fā)該報道的關(guān)注，從而形成有大規(guī)模報道的話題，使該話題成為熱點話題。而對于論壇、微博一些應(yīng)用，信息的接收方在網(wǎng)絡(luò)傳播中占到主導(dǎo)地位，用戶的轉(zhuǎn)發(fā)、評論使得話題傳播越來越迅速，因此用戶關(guān)注度對話題的熱度影響將更大。本文根據(jù)層次化在線話題聚類的方法，從媒體關(guān)注度來評估新聞話題熱度，從媒體關(guān)注度和用戶關(guān)注度來評估論壇和微博話題熱度。

1話題熱度特征

通過對一般熱點話題的考察與分析，并結(jié)合網(wǎng)絡(luò)輿情傳播模式的特點，一個話題在成為熱點的過程中一般都具備如下特征：

（1）在話題發(fā)生的初期，話題受關(guān)注程度并不高，相關(guān)的報道數(shù)量較少，用戶瀏覽數(shù)回復(fù)數(shù)也少，有的甚至不被人注意。

（2）在某個時間段內(nèi)，該話題被廣泛關(guān)注，網(wǎng)絡(luò)上出現(xiàn)大量的相關(guān)報道，報道的數(shù)量迅速上升，用戶的關(guān)注度也迅速上升，網(wǎng)絡(luò)用戶大量瀏覽回復(fù)轉(zhuǎn)發(fā)相關(guān)內(nèi)容。

（3）在引起廣泛關(guān)注后，有關(guān)該話題的報道會大量轉(zhuǎn)載，甚至與話題相關(guān)的人、事件都會一一被報道，相關(guān)網(wǎng)站或媒體也會持續(xù)跟進的進行大量的報道，話題在此時是整個話題生命周期最熱的時候。

（4）熱度在達到一定高度之后，由于媒和網(wǎng)民的官方關(guān)注，熱度會持續(xù)一段時間的高峰值，然隨著關(guān)注的減少，熱度開始下降，話題逐漸消失在關(guān)注視野中，最后開始消亡。

這整個過程就是一個熱點話題的生命周期，從生長到發(fā)展，從巔峰到最后的消亡，而話題的熱度也會伴隨著這些過程進行演化。

2話題熱度量化

基于熱點話題的上述特征分別用下面幾個不同的參數(shù)進行刻畫[1][2][3]，其中話題的持續(xù)時間是指該話題有報道的天數(shù)：

1、報道數(shù)rn（report number）：表示話題在持續(xù)時間內(nèi)的報道數(shù)；2、持續(xù)天數(shù)rd（report days）：話題持續(xù)時間的天數(shù)；3、點擊數(shù)hn（hitting number）：表示論壇話題的點擊數(shù)；4、回帖數(shù)an（answer number）：表示論壇話題的回帖數(shù)；5、轉(zhuǎn)發(fā)數(shù)fn（forwarding number）：表示微博話題的轉(zhuǎn)發(fā)數(shù)；6、評論數(shù)cn（comment number）：表示微博話題的回復(fù)數(shù)；

報道數(shù)和持續(xù)天數(shù)都屬于媒體關(guān)注度范疇，而點擊數(shù)、回帖數(shù)、轉(zhuǎn)發(fā)數(shù)和評論數(shù)屬于網(wǎng)民關(guān)注度范疇。

因為報道數(shù)和持續(xù)天數(shù)都和話題的關(guān)注度成正比，并且話題的關(guān)注度還和話題的分布率成正比，所以一定時間內(nèi)站點上話題的媒體關(guān)注度用下述公式來定量描述：

式（3.10）

其中，rn是該話題在持續(xù)時間內(nèi)的報道的文檔的數(shù)量，RN是在這段時間里所有話題報道的文檔的總數(shù)，N是這段時間里出現(xiàn)還在活躍的話題的數(shù)目，前一個分式的比值反映的正是相對的話題的文檔頻率。rd是該話題持續(xù)被關(guān)注的天數(shù)，而RD是所有話題被關(guān)注的天數(shù)的和，后一個分式衡量的是話題持續(xù)的天數(shù)和每個話題平均持續(xù)天數(shù)的相對比值。

另外，對于論壇來說網(wǎng)民的一次點擊瀏覽和一次回帖評論所表現(xiàn)的關(guān)注程度是不同的，網(wǎng)民進行回復(fù)帖子比網(wǎng)民只是點擊瀏覽更加值得關(guān)注。定義論壇網(wǎng)民關(guān)注度衡量公式為：

式（3.11）

由于論壇中網(wǎng)民對話題的回帖比只瀏覽更表現(xiàn)網(wǎng)民對其的關(guān)心，因此對進行了倍加權(quán)，取對數(shù)是為了使其值在（0，1）之間。

而對于微博來說，微博獨特的用戶瀏覽模式不能將用戶的瀏覽行為記錄下來，能夠記錄下來的用戶行為只有轉(zhuǎn)發(fā)或者回復(fù)。對于一個用戶來說，轉(zhuǎn)發(fā)一條微博所能表現(xiàn)的關(guān)注程度遠遠沒有回復(fù)此條微博來的強烈。所以定義微博網(wǎng)民關(guān)注度衡量公式為：

式（3.12）

由于微博中網(wǎng)民對微博的評論比轉(zhuǎn)發(fā)更表現(xiàn)網(wǎng)民對其的關(guān)心，因此的值小于0.5，式子前面乘了0.5是因為使關(guān)注度的其值在（0，1）之間。

對于所有的網(wǎng)民關(guān)注度，通過調(diào)節(jié)參數(shù)使網(wǎng)民關(guān)注度和媒體關(guān)注度在同一個數(shù)量級并具有不同的權(quán)重。因而，綜合所有網(wǎng)絡(luò)應(yīng)用，本文定義話題的熱度計算公式為：

式（3.13）

在實際情況下，對于新聞數(shù)據(jù)而言，話題的熱度只有媒體關(guān)注度，而對于論壇和微博數(shù)據(jù)，則既有媒體關(guān)注度，又有網(wǎng)民關(guān)注度，而且網(wǎng)民關(guān)注度更具有參考價值。

3 結(jié)束語

層次化的話題聚類在每一批的文本話題聚類完成，話題得到調(diào)整后，將從新對每一個話題進行熱度計算，并根據(jù)其熱度值進行排名，將熱度值排名靠前的話題作為熱點話題。不難看出，隨著時間的往前推移，文檔數(shù)多的話題一直可以保持較高的熱度，話題報道天數(shù)多的時間也可以一直保持較高的熱度。但是此公式考察話題的熱度演化有缺陷，而且較難發(fā)現(xiàn)話題生命周期初期文檔數(shù)量相對較少的突發(fā)熱點話題，未來可考慮基于衰減因子的熱度演化來分析熱點話題進行研究。

參考文獻：

[1] 殷風(fēng)景，肖衛(wèi)東，葛斌，李芳芳.一種面向網(wǎng)絡(luò)話題發(fā)現(xiàn)的增量文本聚類算法[J].計算機應(yīng)用研究，2011.1：54-57

[2] 何婷婷，朱惹，張勇，任函.基于詞語屬性的計算機輔助獲取流行詞語研究[J].中文信息學(xué)報，2006，6（06）：38-45.

[3] Tingting He，Guozhong Qu，Xinhui Tu，Yong Zhang，Han Ren.Semi-automatic Hot Event Detection.AMDA 2006：1008-1016.

（作者單位：中國華藝廣播公司）