林倩茹，王 博，劉云清，劉小煜，劉威鵬

1.長春理工大學(xué) 電子信息工程學(xué)院，長春130022

2.北京信息技術(shù)研究所，北京100089

3.哈爾濱工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，哈爾濱150000

1 引言

世界主要國家或地區(qū)的政黨輪換與領(lǐng)導(dǎo)人更替，可能會在軍事、外交、貿(mào)易、科技等方面對局部地區(qū)甚至整個世界帶來重要影響。準(zhǔn)確預(yù)測指定國家或地區(qū)的選舉結(jié)果，是制定針對性應(yīng)對策略、行動、計(jì)劃的重要支撐。然而，選舉預(yù)測的影響因素多、不確定性大、信息迭代速度快。當(dāng)前，迫切需要利用大數(shù)據(jù)等技術(shù)手段推動選情預(yù)測工作，由“人工定性分析”向“計(jì)算機(jī)輔助定量分析”轉(zhuǎn)型，由“事后分析”向“事前預(yù)測”的“預(yù)報(bào)分析”轉(zhuǎn)型。

傳統(tǒng)的選情預(yù)測研究模型主要基于經(jīng)濟(jì)數(shù)據(jù)、歷史數(shù)據(jù)或者民調(diào)數(shù)據(jù)[1-2]。2008 年田興玲等人[3]提出基于小世界網(wǎng)絡(luò)的差額選舉模型，研究了刻畫網(wǎng)絡(luò)結(jié)構(gòu)的近鄰數(shù)和重新連接概率以及選舉的差額度對選舉的影響。2015 年陳陸輝等人[4]基于民意調(diào)查數(shù)據(jù)分析臺灣選舉，利用“涵蓋率模型”結(jié)合媒體民調(diào)結(jié)果、民調(diào)中未表態(tài)或拒訪網(wǎng)民投票意向，以及無法被電話調(diào)查到的網(wǎng)民投票意向，對選前媒體民調(diào)與歷史選舉結(jié)果進(jìn)行了對比研究。Wright 等人[5]基于早期選舉和2016 年競選活動數(shù)據(jù)，采用平滑混合效應(yīng)模型進(jìn)行結(jié)果聚合。2019年Gaxiola 等人[6]采用粒子群優(yōu)化方法，預(yù)測了尼日利亞Akwa Ibom州的一次選舉活動。

隨著社交網(wǎng)絡(luò)的快速發(fā)展，越來越多的網(wǎng)民在網(wǎng)上發(fā)表政治意見并參與時(shí)事討論，出現(xiàn)了利用社交媒體信息進(jìn)行選情研究的模型[7-9]。在2008 年美國總統(tǒng)大選中，Williams 和Gulati 僅僅根據(jù)Facebook 網(wǎng)站上的支持率就成功地預(yù)測了總統(tǒng)大選結(jié)果[10]。2013 年Gaurav 等人[11]基于候選人在Twitter上的人氣預(yù)測選舉結(jié)果，利用候選人的名字在選舉前被推文提及的次數(shù)，設(shè)計(jì)了一種基于預(yù)定義的關(guān)鍵字技術(shù)，成功地預(yù)測了2013年2月至4月在拉丁美洲舉行的三次總統(tǒng)選舉的獲勝者。路凱麗[12]研究了候選人社交媒體使用情況對選舉結(jié)果的影響，發(fā)現(xiàn)候選人的網(wǎng)站價(jià)值是預(yù)測其最終得票數(shù)的有效指標(biāo)，說明候選人對競選網(wǎng)站的使用水平確實(shí)會對選舉結(jié)果產(chǎn)生影響。2018年Xie等人[13]利用Facebook、Twitter、谷歌媒體數(shù)據(jù)預(yù)測臺灣總統(tǒng)大選，從“信號”角度考慮網(wǎng)絡(luò)異構(gòu)信息，并采用卡爾曼濾波器融合多個信號以預(yù)測候選人的得票率。

上述方法雖然在一定程度上刻畫了真實(shí)民意，但影響選舉結(jié)果的因素是多方面的，采用單一的經(jīng)濟(jì)數(shù)據(jù)、歷史數(shù)據(jù)、民調(diào)數(shù)據(jù)或社交媒體數(shù)據(jù)預(yù)測選舉結(jié)果，并不能全面反映選民的政治傾向，為此，本文提出基于民調(diào)與網(wǎng)民情感傾向性的選情預(yù)測模型。針對民調(diào)數(shù)據(jù)，由于不同民意調(diào)查機(jī)構(gòu)具有不同的傾向性，為避免機(jī)構(gòu)傾向性導(dǎo)致的誤差，建立基于時(shí)間序列的數(shù)據(jù)修正模型和反向歸一化方法對數(shù)據(jù)進(jìn)行修正；針對社交網(wǎng)絡(luò)數(shù)據(jù)，基于Facebook上網(wǎng)民對黨派候選人的評論建立網(wǎng)民情感分類量化模型以分析網(wǎng)民的情感傾向性。最后，為提高選舉預(yù)測的準(zhǔn)確性，利用熵值法融合修正后的民調(diào)結(jié)果和網(wǎng)民情感傾向性分析結(jié)果。

圖1 選情預(yù)測模型總體框架

2 總體模型框架

選情預(yù)測模型總體框架如圖1所示，主要包括三個部分：民調(diào)數(shù)據(jù)歸一化修正模型、網(wǎng)民情感分類量化模型和基于熵值法的選情融合預(yù)測模型。

其中，民調(diào)數(shù)據(jù)歸一化修正模型包含基于時(shí)間序列的數(shù)據(jù)修正模型和反向歸一化方法，其作用是分別對民調(diào)機(jī)構(gòu)數(shù)據(jù)的傾向性進(jìn)行糾偏以及對未表態(tài)人群的政治態(tài)度進(jìn)行推理。網(wǎng)民情感分類量化模型主要包含詞典創(chuàng)建、情感分類和情感量化三個部分，其首先將輸入的社交媒體數(shù)據(jù)進(jìn)行預(yù)處理，并結(jié)合情感詞典、否定詞詞典和程序詞詞典進(jìn)行情感傾向性計(jì)算，然后進(jìn)行情感分類，最后對情感分類結(jié)果進(jìn)行量化分析得到網(wǎng)民情感傾向性分析結(jié)果。基于熵值法的選情融合預(yù)測模型則是將修正后的民調(diào)預(yù)測結(jié)果與網(wǎng)民情感傾向性分析結(jié)果通過信息熵進(jìn)行融合，從而得出最終的選情預(yù)測結(jié)果。

3 民調(diào)數(shù)據(jù)歸一化修正模型

民調(diào)數(shù)據(jù)歸一化修正模型包含基于時(shí)間序列的數(shù)據(jù)修正模型和反向歸一化方法兩部分。

3.1 基于時(shí)間序列的數(shù)據(jù)修正模型

利用多家民調(diào)機(jī)構(gòu)數(shù)據(jù)，分析不同民調(diào)機(jī)構(gòu)對于同一黨派候選人的民調(diào)結(jié)果偏差。將多家民調(diào)機(jī)構(gòu)結(jié)果的平均值作為民調(diào)結(jié)果的基準(zhǔn)值，并以此計(jì)算各個民調(diào)機(jī)構(gòu)的歷史偏差序列，再利用時(shí)間序列方法，預(yù)測當(dāng)前時(shí)刻各民調(diào)機(jī)構(gòu)對該黨派候選人的偏差，對民調(diào)結(jié)果進(jìn)行修正。

3.1.1 時(shí)間序列方法

移動平均（MA）是給定m個數(shù)據(jù)點(diǎn)組成的序列{x1,x2,…,xm}和移動平均參數(shù)n，通過滑動窗口方式計(jì)算得到新的序列，如式（1）：

式（1）中，xi(i=1,2,…,m)表示原始序列第i個值，則移動平均模型的輸出序列為{x1,x2,…,xn,x'n+1,x'n+2,…,x'm}。

指數(shù)移動平均（EMA）是以指數(shù)式遞減加權(quán)的移動平均[14]：

式（2）中，參數(shù)p為指數(shù)衰減因子，給定m個數(shù)據(jù)點(diǎn)組成的序列{x1,x2,…,xm}和移動平均參數(shù)n，則：

3.1.2 民調(diào)數(shù)據(jù)修正模型

為減少不同的民調(diào)機(jī)構(gòu)orgk(k=1,2,…,K)對不同的黨派候選人parr(r=1,2,…,R)的傾向性，采用時(shí)間序列方法對民調(diào)數(shù)據(jù)進(jìn)行修正，如表1所示。

表1 民調(diào)機(jī)構(gòu)數(shù)據(jù)

表1 中，設(shè)在選區(qū)c，民調(diào)機(jī)構(gòu)orgk調(diào)查出ta時(shí)刻支持黨派候選人parr的選民比例為，未選擇支持任何黨派候選人的選民比例為wbtk?；跁r(shí)間序列對以上結(jié)果進(jìn)行修正，得到修正后的黨派候選人parr支持率為。修正的過程分為5個步驟：

（1）將所有民調(diào)機(jī)構(gòu)orgk(k=1,2,…,K)對黨派候選人parr的支持率取平均值：

式（4）中，表示民調(diào)機(jī)構(gòu)orgk給出的黨派候選人parr的支持率，表示將所有民調(diào)機(jī)構(gòu)對parr調(diào)查結(jié)果的平均值作為民調(diào)基準(zhǔn)值。

（2）對民調(diào)機(jī)構(gòu)orgk，黨派候選人parr歷史支持率序列為：{(t1,pollk,1),(t2,pollk,2),…,(tA,pollk,A)}，由式（1），得到修正后的新序列：{(t1,poll'k,1),(t2,poll'k,2),…,(tA,poll'k,A)}。

（3）對于民調(diào)機(jī)構(gòu)orgk，計(jì)算ta時(shí)刻對黨派候選人parr的偏差：Biask,a=poll'k,a-，則所有時(shí)間的偏差組成一個序列：B={(t1,Biask,1),(t2,Biask,2),…,(tA,Biask,A)}。

（4）對于偏差序列B，利用式（2）和式（3），得到新的偏差序列B′={(t1,Bias'k,1),(t2,Bias'k,2),…,(tA,Bias'k,A)}。

（5）ta時(shí)刻的民調(diào)數(shù)據(jù)修正：k,a+Bias'k,a，為民調(diào)機(jī)構(gòu)orgk對黨派候選人parr修正后的支持率。

3.2 反向歸一化方法

設(shè)未表態(tài)受訪者符合沉默螺旋理論的推論[15]，即選民對黨派候選人parr支持率與未表態(tài)選民對黨派候選人parr支持率，呈反比關(guān)系?；谠摷僭O(shè)，本文采用反向歸一化方法，對未表態(tài)選民的傾向性進(jìn)行推理，過程如下：

（1）設(shè)在選區(qū)c，ta時(shí)刻民調(diào)機(jī)構(gòu)orgk對各黨派的修正數(shù)據(jù)序列為{}，未表態(tài)數(shù)據(jù)為wbtk，按降序排列，得到新序列：{}。

（2）將未表態(tài)數(shù)據(jù)wbtk通過公式（5）分加給R個黨派候選人，得到所有黨派候選人的推理支持率：{}。

式（5）中，dt_sortR-r+1表示分加給黨派候選人parr的未表態(tài)比重，表示考慮未表態(tài)選民的傾向性后，選民對黨派候選人parr的支持率。

（3）將K個民調(diào)機(jī)構(gòu)對黨派候選人parr的推理支持率求平均值，并做歸一化處理，如式（6）、式（7）所示。

4 網(wǎng)民情感分類量化模型

網(wǎng)民情感分類量化模型包括3個部分，首先構(gòu)建情感詞典、否定詞詞典和程度詞詞典，在此基礎(chǔ)上，將爬取的評論語料進(jìn)行預(yù)處理；然后基于情感詞典、否定詞詞典和程度詞詞典進(jìn)行情感傾向性計(jì)算，將網(wǎng)民情感分為積極情感和消極情感；最后，通過移動平均累計(jì)概率（MAPP）方法將網(wǎng)民情感進(jìn)行量化，得到選民情感傾向性預(yù)測結(jié)果。

4.1 詞典構(gòu)建

將知網(wǎng)HowNet 詞典中的正負(fù)情感詞典、清華大學(xué)李軍中文褒貶詞典、大連理工大學(xué)情感詞匯本體（DUTIR）和臺灣大學(xué)情感詞典（NTUSD）中的積極詞和消極詞去重后融合[16]，得到通用情感詞典WT。程度詞詞典來自于知網(wǎng)詞典庫（表2）。由于社交媒體評論中存在表情符號，對積極含義的表情符號和消極含義的表情符號構(gòu)建表情符號詞典WE，部分表情符號情感極性如表3所示。

表2 部分詞典類型及權(quán)重示例

表3 部分表情符號情感極性

由于通用情感詞典對情感詞的概括是有限的，缺乏部分選情領(lǐng)域的情感詞，還需對選情評論中出現(xiàn)頻數(shù)較高的詞進(jìn)行情感識別。本文利用點(diǎn)互信息（Pointwise Mutual Information，PMI）算法對通用情感詞典進(jìn)行擴(kuò)充[16]，計(jì)算選情領(lǐng)域新詞與已知情感詞之間的語義正相關(guān)度，確定新詞的情感極性。利用互信息找到與新詞最正相關(guān)的情感詞，然后將該詞的情感極性作為新詞的情感極性，詞語w1、w2之間的互信息的計(jì)算公式如下：

式（8）中，p(w1,w2)表示(w1,w2)兩個詞共同出現(xiàn)的概率，{p(w1),p(w2)} 分別表示w1、w2單獨(dú)出現(xiàn)的概率。PMI(w1,w2)表示{w1,w2}之間的互信息，若PMI(w1,w2)＞0 ，則p(w1,w2)＞p(w1)p(w2) ，說明兩個詞語具有相關(guān)性，值越大，相關(guān)性越大。本文從選情領(lǐng)域網(wǎng)民評論數(shù)據(jù)中選取了30對高頻情感詞，構(gòu)成正向情感詞集合WP和負(fù)向情感詞集合WN，并利用這30對種子詞，計(jì)算未包含于通用情感詞典的詞語w?WT的情感極性，判斷公式如（9）所示：

式（9）中，若SO_PMI(w)的值大于0，新詞w的極性為正向；等于0，新詞w的極性為中性；小于0，新詞w的極性為負(fù)向。

最終的情感詞典是通用情感詞典、領(lǐng)域情感詞典、表情符號詞典的并集。情感詞典的種類及積極詞、消極詞數(shù)量如表4所示。

表4 情感詞典種類及積極詞、消極詞數(shù)量 個

4.2 網(wǎng)民情感分類

利用網(wǎng)民在社交媒體Facebook 上對各黨派候選人的評論數(shù)據(jù)，將網(wǎng)民的情感分為積極和消極兩類，步驟如下：

（1）評論文本預(yù)處理。將同一賬號針對黨派候選人parr的評論去重、合并，利用“jieba庫”進(jìn)行分詞，并采用哈工大停用詞庫，將對情感分析無影響的詞過濾掉，得到每個賬號的關(guān)鍵詞集合。

（2）反向遍歷關(guān)鍵詞集合，將當(dāng)前詞wi與情感詞典進(jìn)行匹配，若為積極詞，則情感值為1；若為消極詞，則情感值為-1。再以wi為基準(zhǔn)向前尋找程度詞和否定詞，若含有否定詞和程度詞，則詞wi的情感得分ei為情感值與否定詞、程度詞權(quán)重之積。

（3）計(jì)算每個賬號評論的情感得分：

式（10）中，如果a ＞0 表示此網(wǎng)民對黨派候選人parr的情感極性為積極；a=0 表示其情感極性為中性；a ＜0表示其情感極性為消極。

4.3 網(wǎng)民情感量化

網(wǎng)民情感量化處理詳細(xì)步驟如下：

（1）計(jì)算黨派候選人parr在時(shí)間t獲得網(wǎng)民的支持率：

式（11）中，supr,t表示黨派候選人parr在時(shí)間t獲得網(wǎng)民的支持率，posr,t表示黨派候選人parr在時(shí)間t情感極性為積極的網(wǎng)民數(shù)，totalr,t表示黨派候選人parr在時(shí)間t的總評論數(shù)。

（2）計(jì)算移動平均累積概率MAPP，將黨派候選人parr在某一時(shí)間段[t-T,t-1]內(nèi)網(wǎng)民的平均支持率作為其在t時(shí)刻選民支持率的估計(jì)[14]：

5 基于熵值法的選情融合預(yù)測模型

為盡可能提升模型的預(yù)測精度，本文將基于民調(diào)的預(yù)測結(jié)果和基于網(wǎng)民情感傾向性的預(yù)測結(jié)果進(jìn)行融合，利用熵值法[17]確定各個模型的權(quán)重，以克服人工賦權(quán)無法避免的主觀性，以及解決多變量間的信息重疊問題。基于熵值法的選情融合預(yù)測過程如圖2所示。

圖2 基于熵值法的選情融合預(yù)測過程

如圖2所示，基于熵值法的融合預(yù)測過程如下：

（1）將第j個模型對黨派候選人parr的支持率預(yù)測結(jié)果歸一化：

（3）計(jì)算信息熵冗余度：

式（13）至（17）中，hrj表示第j個模型對黨派候選人parr的支持率預(yù)測結(jié)果，J為模型個數(shù)，黨派候選人個數(shù)R ＞1，常數(shù)q=1/lnR。

6 實(shí)驗(yàn)

6.1 數(shù)據(jù)集

民調(diào)數(shù)據(jù)來源于維基百科“某地區(qū)直轄市長及縣市長選舉”網(wǎng)站，時(shí)間范圍為2017 年5 月4 日至2018 年11月13日，民調(diào)機(jī)構(gòu)個數(shù)為30，本文重點(diǎn)研究了其中的14個選區(qū)。對于社交媒體數(shù)據(jù)，編寫爬蟲定向采集Facebook上網(wǎng)民對14 個選區(qū)的30 個黨派候選人的評論，評論發(fā)布 時(shí) 間 為2018 年9 月1 日 至2018 年11 月23 日，共 計(jì)458 217條數(shù)據(jù)。數(shù)據(jù)集信息如表5所示。

表5 數(shù)據(jù)集信息

6.2 實(shí)驗(yàn)設(shè)置

每個選區(qū)每個黨派只考慮一個候選人。民調(diào)數(shù)據(jù)修正模型中，只對民意調(diào)查次數(shù)大于4的民調(diào)機(jī)構(gòu)數(shù)據(jù)進(jìn)行修正（小于5次不做修正），移動平均模型和指數(shù)移動平均模型的滑動窗口n大小設(shè)為3，指數(shù)衰減因子p設(shè)為0.7。情感量化過程中，移動平均累積概率的窗口T設(shè)為5?；陟刂捣ǖ倪x情融合預(yù)測模型中，模型數(shù)為3（民調(diào)數(shù)據(jù)修正模型、反向歸一化方法和情感分類量化模型），每個選區(qū)包括3個黨派的候選人。

本文采用準(zhǔn)確率和相對誤差兩種指標(biāo)衡量選情預(yù)測的效果，準(zhǔn)確率定義為預(yù)測正確的選區(qū)個數(shù)與總選區(qū)個數(shù)的比值，用Accuracy表示；預(yù)測結(jié)果與真實(shí)結(jié)果之間的差異程度用相對誤差(RE)和平均相對誤差(MRE)評價(jià)。

式（18）至（20）中，Acurracy表示模型j的預(yù)測準(zhǔn)確率，Ctrue表示預(yù)測正確的選區(qū)個數(shù)，C表示選區(qū)總數(shù)；yc,r表示模型j在選區(qū)c對黨派候選人parr的預(yù)測結(jié)果，bc,r表示在選區(qū)c黨派候選人parr的真實(shí)結(jié)果；REc,r表示模型j在選區(qū)c對黨派候選人parr預(yù)測的相對誤差，MREr表示模型j在所有選區(qū)對黨派候選人parr預(yù)測的平均相對誤差。

6.3 實(shí)驗(yàn)結(jié)果及分析

6.3.1 民調(diào)數(shù)據(jù)預(yù)測結(jié)果對比分析

原始民調(diào)數(shù)據(jù)如表6所示，基于時(shí)間序列的數(shù)據(jù)修正模型預(yù)測結(jié)果如表7所示，反向歸一化方法預(yù)測結(jié)果如表8所示。其中，par1、par2、par3分別表示黨派1、黨派2、黨派3；“—”表示未參選；在準(zhǔn)確性一列中，1 表示預(yù)測結(jié)果與真實(shí)結(jié)果相同，0則反之；后文與此相同。

表6 原始民調(diào)預(yù)測結(jié)果

表7 基于時(shí)間序列的數(shù)據(jù)修正模型預(yù)測結(jié)果

表8 反向歸一化方法預(yù)測結(jié)果

由表6、表7 和表8 可知，在研究的14 個選區(qū)中，原始民調(diào)、基于時(shí)間序列的數(shù)據(jù)修正模型均在相同的2個選區(qū)出現(xiàn)錯誤預(yù)測，準(zhǔn)確率為85.71%，但后者的相對誤差有所減小。反向歸一化方法對1個選區(qū)預(yù)測錯誤，準(zhǔn)確率提升到92.86%。

6.3.2 情感分類量化預(yù)測與民調(diào)預(yù)測結(jié)果對比分析

網(wǎng)民情感分類量化結(jié)果如表9所示，在研究的14個選區(qū)中，5 個出現(xiàn)預(yù)測錯誤，預(yù)測準(zhǔn)確率約為64%，相較于基于民調(diào)的結(jié)果而言，準(zhǔn)確率偏低。此外，如圖3 所示，M1表示民調(diào)歸一化修正模型，M2表示網(wǎng)民情感分類量化模型，M1par1、M1par2、M1par3表示民調(diào)歸一化修正模型對黨派parr的相對誤差；M2par1、M2par2、M2par3表示情感分類量化模型對黨派parr的相對誤差。其總體相對誤差比民調(diào)歸一化修正模型大。該模型預(yù)測效果不佳，一方面可能是社交媒體信息搜集不全或“網(wǎng)絡(luò)水軍”帶政治風(fēng)向?qū)е?；另一方面是本文方法對社交媒體數(shù)據(jù)的處理仍存在一定的缺陷性，需要進(jìn)一步考慮評論中的語義關(guān)系及優(yōu)化網(wǎng)民政治情感傾向的計(jì)算方法。

表9 網(wǎng)民情感分類量化模型預(yù)測結(jié)果

圖3 M1 模型與M2 模型的相對誤差比較

表10 選情融合預(yù)測模型準(zhǔn)確性和相對誤差

6.3.3 民調(diào)和網(wǎng)民情感傾向性融合預(yù)測結(jié)果

民調(diào)和網(wǎng)民情感傾向性融合預(yù)測結(jié)果如表10 所示。對比表8、表9和表10，可知反向歸一化方法在選區(qū)A9預(yù)測錯誤，而在其他13個選區(qū)均預(yù)測正確；網(wǎng)民情感分類量化模型在選區(qū)A9 預(yù)測正確，而在其他選區(qū)的預(yù)測效果不佳；基于熵值法的選情融合預(yù)測模型則在研究的14 個選區(qū)中均預(yù)測正確，說明選情融合預(yù)測模型實(shí)現(xiàn)了不同模型之間的優(yōu)勢互補(bǔ)，有效地提高了選舉預(yù)測的準(zhǔn)確率。

6.3.4 預(yù)測結(jié)果對比分析

表11 對比了5 種模型的預(yù)測準(zhǔn)確率和平均相對誤差。在平均相對誤差指標(biāo)上，5種模型對所有黨派的預(yù)測誤差都在22%以下，基于熵值法的選情融合預(yù)測模型最小；par3的平均相對誤差小于par1和par2，可能是par3的樣本數(shù)量較少導(dǎo)致的。在預(yù)測準(zhǔn)確率指標(biāo)上，基于熵值法的選情融合預(yù)測模型的準(zhǔn)確率最高，達(dá)到了100%。綜合而言，利用熵值法融合修正后的民調(diào)信息與網(wǎng)民情感傾向性信息，可以有效地提升選舉預(yù)測準(zhǔn)確率及減小平均相對誤差。

表11 5種模型預(yù)測準(zhǔn)確率和相對誤差對比

7 結(jié)束語

針對基于單一來源數(shù)據(jù)預(yù)測選情不能全面反映選民政治傾向的問題，本文提出了包括基于時(shí)間序列的數(shù)據(jù)修正模型、反向歸一化方法、網(wǎng)民情感分類量化模型和基于熵值法的選情融合預(yù)測模型在內(nèi)的基于民調(diào)與網(wǎng)民情感傾向性的選情模型框架。以某地區(qū)真實(shí)歷史選舉結(jié)果為基準(zhǔn)的實(shí)驗(yàn)表明，利用基于時(shí)間序列的數(shù)據(jù)修正模型和反向歸一化方法修正后的民調(diào)數(shù)據(jù)，能夠有效地提升預(yù)測準(zhǔn)確率；根據(jù)社交媒體信息得到的網(wǎng)民情感傾向性分析結(jié)果較差，不能很好地支持選舉預(yù)測；相對比于民調(diào)結(jié)果和社交媒體情感傾向性分析結(jié)果，基于熵值法的選情融合預(yù)測模型將二者的部分結(jié)果進(jìn)行了優(yōu)化，減小了平均相對誤差，提升了總體預(yù)測準(zhǔn)確率。

下一步工作包括擴(kuò)充社交媒體語料庫、進(jìn)一步豐富詞典、考慮評論中的語義關(guān)系、探索新的情感分類方法和網(wǎng)民政治傾向性計(jì)算方法等，以有效提升基于社交媒體信息的網(wǎng)民情感傾向性預(yù)測效果，從而提升選情融合預(yù)測模型的總體預(yù)測效果。