陳蒙 李學(xué)志

摘? 要：近年來(lái)，互聯(lián)網(wǎng)的快速發(fā)展帶來(lái)了社交媒體網(wǎng)絡(luò)的激增，廣大民眾可以在網(wǎng)上分享信息、知識(shí)和觀點(diǎn)。然而，一旦出現(xiàn)突發(fā)事件，蜂擁而來(lái)的信息會(huì)對(duì)公眾造成沖擊，需要對(duì)信息的發(fā)展變化做出正確的預(yù)測(cè)并及時(shí)發(fā)現(xiàn)潛在的危機(jī)。有鑒于此，首先，構(gòu)建一個(gè)基于突發(fā)事件的網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系，通過(guò)評(píng)論家算法計(jì)算各指標(biāo)的權(quán)重，求得綜合評(píng)價(jià)值，進(jìn)而推斷網(wǎng)絡(luò)輿情預(yù)警水平;其次，利用基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)輿情預(yù)警模型;最后，以突發(fā)事件河南水災(zāi)為例進(jìn)行實(shí)證分析。

關(guān)鍵詞：BP 神經(jīng)網(wǎng)絡(luò);遺傳算法;網(wǎng)絡(luò)輿情;輿情預(yù)警;預(yù)警指標(biāo);批評(píng)家

中圖分類號(hào)：TP391.3? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）19-0018-06

Research on Network Public Opinion Early Warning Mechanism Based

on GA-BP Algorithm

CHEN Meng， LI Xuezhi

（School of Information Engineering， Xinjiang Institute of Technology， Aksu? 843100， China）

Abstract： In recent years， the rapid development of the Internet has led to the proliferation of social media networks， where vast numbers of people can share information， knowledge and opinions online. However， once an emergency occurs， the information flooding in will impact the public， so it is necessary to make a correct prediction of the development and change of information and timely discover the potential crisis. In view of this， firstly， build a network public opinion early warning index system based on emergencies， calculate the weight of each index through the critic algorithm， get the comprehensive evaluation value， and then infer the network public opinion early warning level; secondly， BP neural network based on genetic algorithm optimization is used to build network public opinion early warning model. Finally， take Henan flood as an example for empirical analysis.

Keywords： BP neural network; genetic algorithm; network public opinion; public opinion early warning; early warning index; critic

0? 引? 言

在互聯(lián)網(wǎng)時(shí)代，互聯(lián)網(wǎng)絡(luò)對(duì)個(gè)人行為模式、觀點(diǎn)、政治態(tài)度和情感傾向的影響越來(lái)越大。網(wǎng)絡(luò)輿論在其整個(gè)傳播過(guò)程中都會(huì)對(duì)社會(huì)產(chǎn)生巨大的負(fù)面影響。對(duì)任一實(shí)體任何意見(jiàn)/情緒平均傾向的計(jì)算和評(píng)估，有助于組織和個(gè)人了解當(dāng)前形勢(shì)或獲得一個(gè)對(duì)不熟悉事物的正確認(rèn)識(shí)。網(wǎng)絡(luò)輿情預(yù)警研究已引起了學(xué)術(shù)界的廣泛關(guān)注，實(shí)現(xiàn)網(wǎng)絡(luò)輿情預(yù)警的關(guān)鍵在于建立評(píng)價(jià)指標(biāo)體系和預(yù)測(cè)模型?，F(xiàn)有的研究大部分重復(fù)性較強(qiáng)，過(guò)分強(qiáng)調(diào)指標(biāo)體系的可解釋性，往往導(dǎo)致預(yù)測(cè)精度不高。構(gòu)建一個(gè)具有網(wǎng)絡(luò)輿情預(yù)警作用的指標(biāo)體系結(jié)構(gòu)[1]，需要綜合考慮其預(yù)警水平和預(yù)測(cè)方法。為此，本文采用一種客觀、嚴(yán)謹(jǐn)、可復(fù)制的方法——“批評(píng)家”方法，該方法不僅注重不同指標(biāo)之間權(quán)重的影響，還兼顧預(yù)警指標(biāo)沖突對(duì)預(yù)測(cè)效果的影響，結(jié)合遺傳算法和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)模型，用以預(yù)測(cè)網(wǎng)絡(luò)輿情水平[2]。

1? 網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系

1.1? 構(gòu)建網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系

進(jìn)行網(wǎng)絡(luò)輿情預(yù)警的前提條件是構(gòu)建一個(gè)科學(xué)合理的指標(biāo)體系。所構(gòu)建的基于突發(fā)事件的網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系，不僅要反映出網(wǎng)絡(luò)輿情中存在的問(wèn)題，而且能夠?qū)W(wǎng)絡(luò)輿情事件進(jìn)行預(yù)警[3]。體系中指標(biāo)維度的選擇會(huì)對(duì)輿情預(yù)警的全面性和準(zhǔn)確性產(chǎn)生直接影響，在構(gòu)建指標(biāo)體系的過(guò)程中，須參考表1中列出的六條基本原則。

考慮到突發(fā)事件發(fā)生時(shí)網(wǎng)絡(luò)輿情傳播過(guò)程的變化規(guī)律，通過(guò)前期調(diào)研以及反復(fù)整改和篩選，創(chuàng)建一個(gè)由4個(gè)一級(jí)指標(biāo)、11個(gè)二級(jí)指標(biāo)構(gòu)成的重大突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系[3]。該指標(biāo)體系中的各項(xiàng)指標(biāo)均在獲取能力范圍之內(nèi)，滿足表1的構(gòu)建原則。

最重要的一點(diǎn)是，所有這些指標(biāo)都可以量化。所構(gòu)建的網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系如表2所示。

這些指標(biāo)的數(shù)據(jù)來(lái)源于新浪微博和百度指數(shù)。微博的開(kāi)放性和快速傳播可以迅速地將大眾觀點(diǎn)轉(zhuǎn)化為網(wǎng)絡(luò)民意。百度提供了百度指數(shù)，用于查找特定主題和帖子的數(shù)量。我們將新浪微博和百度指數(shù)組合在一起進(jìn)行研究分析，梳理出的指標(biāo)體系結(jié)構(gòu)具有充分的合理性和代表性。

從表2中可以看出，指標(biāo)體系分為以下幾個(gè)維度：

（1）第一級(jí)指標(biāo)體系主要包括關(guān)注度、參與、擴(kuò)散和狀態(tài)四個(gè)維度。關(guān)注度是指網(wǎng)友和新聞媒體對(duì)話題的關(guān)注度，主要通過(guò)話題的搜索量和新聞媒體報(bào)道量來(lái)衡量。參與是指網(wǎng)友對(duì)話題的討論程度，可以用“發(fā)帖”“評(píng)論”“轉(zhuǎn)發(fā)”“點(diǎn)贊”等的數(shù)量來(lái)衡量。擴(kuò)散代表了輿論在傳播過(guò)程中的擴(kuò)散趨勢(shì)，可以用某些指標(biāo)值的變化程度來(lái)解釋。狀態(tài)描述了公眾輿論本身的一部分性質(zhì)。

（2）第二級(jí)指標(biāo)的詳細(xì)描述。關(guān)注度由兩個(gè)二級(jí)指標(biāo)組成：搜索量表示網(wǎng)友搜索話題的數(shù)量。媒體報(bào)道量是指新聞媒體報(bào)道中與之相關(guān)新聞的數(shù)量。參與包括三個(gè)二級(jí)指標(biāo)：發(fā)帖量是指網(wǎng)絡(luò)中針對(duì)該網(wǎng)絡(luò)輿情的發(fā)文量。評(píng)論量和轉(zhuǎn)發(fā)量反映了與輿情相關(guān)博文的評(píng)論和轉(zhuǎn)發(fā)的數(shù)量。點(diǎn)贊量是指博文被點(diǎn)贊的次數(shù)。擴(kuò)散包含四個(gè)二級(jí)指標(biāo)，用于描述索引的搜索量、發(fā)帖量、評(píng)論量和轉(zhuǎn)發(fā)量以及點(diǎn)贊量的變化。狀態(tài)由兩個(gè)二級(jí)索引組成?？梢暬且耘c輿論界相關(guān)的圖片和視頻的形式描述用戶發(fā)布的博文數(shù)量占博文總數(shù)量的比例。真實(shí)性是指通過(guò)實(shí)名認(rèn)證的用戶所發(fā)布有關(guān)輿情的博文數(shù)與已發(fā)布博文總數(shù)的比值。

1.2? 計(jì)算指標(biāo)的權(quán)重

通過(guò)評(píng)論家算法計(jì)算各指標(biāo)的權(quán)重，得到各指標(biāo)的綜合評(píng)價(jià)值。評(píng)論家算法基于兩個(gè)基本概念——指標(biāo)可變性和指標(biāo)沖突——確定指標(biāo)的客觀權(quán)重。

指標(biāo)可變性是指同一指標(biāo)評(píng)價(jià)觀測(cè)值之間的差異，以標(biāo)準(zhǔn)差的形式表示。指標(biāo)之間的沖突性用相關(guān)系數(shù)來(lái)表示。若是各個(gè)指標(biāo)之間的正相關(guān)性比較高一些，表明所涉及指標(biāo)之間的沖突性比較小，指標(biāo)的權(quán)重較小。若是有N個(gè)樣本和多個(gè)評(píng)價(jià)指標(biāo)，原始數(shù)據(jù)矩陣可表示為：

（1）

一般來(lái)說(shuō)，每個(gè)指標(biāo)的維度是不同的。出于統(tǒng)一指標(biāo)方面的考慮，為了讓各個(gè)指標(biāo)具有可比性，需要對(duì)所獲取的初始糙數(shù)據(jù)進(jìn)行規(guī)范化操作。但是，不推薦使用標(biāo)準(zhǔn)化操作。原因是各個(gè)指標(biāo)被標(biāo)準(zhǔn)化之后標(biāo)準(zhǔn)差都是1，沒(méi)有可比性。毫無(wú)疑問(wèn)，此時(shí)使用評(píng)論家方法是毫無(wú)意義的。因此，為了合理使用評(píng)論家方法，區(qū)分正、負(fù)指標(biāo)，我們選擇了歸一化方法。

如果指標(biāo)為正極，則有：

（2）

如果指標(biāo)為負(fù)極，則有：

（3）

去除指標(biāo)維度對(duì)評(píng)價(jià)結(jié)果的影響后，可以分別表示指標(biāo)可變性和指標(biāo)沖突。指標(biāo)可變性為各個(gè)指標(biāo)的標(biāo)準(zhǔn)差：

（4）

（5）

指標(biāo)沖突是由不同指標(biāo)之間的系數(shù)構(gòu)成的，其中，rjk為第j個(gè)指標(biāo)選項(xiàng)與第k個(gè)指標(biāo)選項(xiàng)的系數(shù)。結(jié)合指標(biāo)可變性和指標(biāo)沖突，可以計(jì)算出各指標(biāo)的信息量：

Cj=Sj×Rj? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（6）

最后，根據(jù)信息量確定各指標(biāo)的權(quán)重：

（7）

根據(jù)指標(biāo)選項(xiàng)的權(quán)重值，可以得出每個(gè)指標(biāo)項(xiàng)的綜合評(píng)價(jià)值，進(jìn)而對(duì)其進(jìn)行分級(jí)。

2? 遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)算法可以在內(nèi)部訓(xùn)練和調(diào)節(jié)投入產(chǎn)出模型的映射關(guān)系[3]。結(jié)構(gòu)圖如圖1所示。x1，x2，…xn表示輸入層的神經(jīng)元。輸入層和隱含層之間的連接強(qiáng)度用wij表示。隱含層（hidden layer）與輸出層（output layer）之間的連接強(qiáng)度則用?jk表示。θj為隱含層節(jié)點(diǎn)的閾值。γk為輸出層節(jié)點(diǎn)的閾值。隱含層的激活函數(shù)為f。輸出層的激活函數(shù)為?。Ij為神經(jīng)元j的凈輸入值。

（8）

（9）

細(xì)胞傳輸?shù)男盘?hào)在沒(méi)有達(dá)到最大值的情況下是不會(huì)急劇增加的。Is為輸出層的輸入，Yk為輸出層的輸出。

（10）

（11）

BP神經(jīng)網(wǎng)絡(luò)的反向傳播過(guò)程和正向傳播過(guò)程構(gòu)成一個(gè)迭代，迭代在達(dá)到預(yù)測(cè)精度或滿足目標(biāo)需求時(shí)停止，此時(shí)訓(xùn)練過(guò)程結(jié)束。正向傳播是將輸入層到輸出層的數(shù)據(jù)按照相應(yīng)的權(quán)值和閾值進(jìn)行傳遞。若是在計(jì)算無(wú)誤的情況下未達(dá)到既定結(jié)點(diǎn)，將會(huì)進(jìn)行反向傳播。在反向傳播的過(guò)程中，需要不斷地動(dòng)態(tài)更新輸入層和隱含層的權(quán)值及閾值[4]，然后繼續(xù)迭代，直到滿足要求，達(dá)到預(yù)期目標(biāo)后才停止迭代。BP算法過(guò)程如圖2所示。

目前，遺傳算法的全局搜索最優(yōu)特征可以彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)算法在具體應(yīng)用過(guò)程中受初始權(quán)值影響的不足。遺傳算法的主要步驟包括編碼變量、生成初始集或初始解空間、分配適應(yīng)度值、復(fù)制、交叉、變異、迭代，直到訓(xùn)練結(jié)束。采用GA-BP神經(jīng)網(wǎng)絡(luò)算法對(duì)網(wǎng)絡(luò)輿情水平進(jìn)行預(yù)測(cè)，GA-BP算法的過(guò)程如圖3所示。

圖3中的N表示初始解空間的數(shù)量，這些初始解空間是在確定編碼方法后隨機(jī)生成的。這些末端的染色體具有極高的適應(yīng)性，用于進(jìn)一步去學(xué)習(xí)和訓(xùn)練，N還將作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)重參與到運(yùn)算當(dāng)中。這種方法可以減小對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值的影響。

GA-BP算法的運(yùn)算過(guò)程包含以下6個(gè)步驟：

（1）選用一個(gè)碼串來(lái)表示所研究問(wèn)題的解，每個(gè)碼串表示一個(gè)解。

（2）隨機(jī)生成初始種群，即研究問(wèn)題的初始解空間。

（3）將編碼字符串轉(zhuǎn)換為優(yōu)化參數(shù)，根據(jù)編碼的目標(biāo)函數(shù)計(jì)算初始種群適應(yīng)度值。

（4）根據(jù)適應(yīng)度值依次進(jìn)行復(fù)制、交叉和變異，這樣做的目的是找到最優(yōu)個(gè)體。

（5）回到步驟3和步驟4，直到滿足終止要求。之前編碼的個(gè)體不斷進(jìn)化得到研究問(wèn)題的最優(yōu)解。

（6）在網(wǎng)絡(luò)模型中引入初始權(quán)值和閾值進(jìn)行訓(xùn)練，直到達(dá)到要求的訓(xùn)練次數(shù)或是要求的誤差上限。

3? 實(shí)證分析

據(jù)官方統(tǒng)計(jì)，河南省鄭州地區(qū)自2021年7月17日至7月20日三天的降雨量就已經(jīng)達(dá)到往年一整年的降雨總量。并且自高強(qiáng)度降雨以來(lái)，已造成全省139個(gè)縣（市、區(qū)）累計(jì)1 464個(gè)鄉(xiāng)鎮(zhèn)受災(zāi)[5]。在這樣一個(gè)公共事件中，關(guān)于災(zāi)情更新、支援救援信息在網(wǎng)絡(luò)中不斷傳播，形成一股輿情。本文選取河南水災(zāi)作為網(wǎng)絡(luò)輿情事件的案例進(jìn)行研究，7月17日至7月23日熱度趨勢(shì)如圖4所示。

3.1? 數(shù)據(jù)采集和預(yù)處理

網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系中，引入微博平臺(tái)和百度指標(biāo)的二級(jí)指標(biāo)數(shù)據(jù)。大部分二級(jí)索引數(shù)據(jù)可以通過(guò)微博高級(jí)搜索和百度指數(shù)直接獲得，也可以通過(guò)其他二級(jí)索引計(jì)算得到。有一部分索引數(shù)據(jù)需要借助于其他技術(shù)獲取。下面使用的數(shù)據(jù)集是通過(guò)網(wǎng)絡(luò)中的數(shù)據(jù)共享獲取的，接下來(lái)我們將詳細(xì)介紹有關(guān)新浪微博輿情數(shù)據(jù)集的構(gòu)建方法。

第一步是建立并動(dòng)態(tài)維護(hù)一個(gè)高度機(jī)密的活躍微博用戶池，在所有用戶中只占據(jù)很小的比例。若要構(gòu)建微博活躍用戶池，首先建立一個(gè)包含2.5億微博用戶的池，然后根據(jù)四條規(guī)則篩選出活躍的微博用戶池，過(guò)濾規(guī)則如表3所示。由此形成了2 000萬(wàn)的微博活躍用戶池，占微博用戶總數(shù)的8%。

第二步是使用Python抓取活躍用戶在指定時(shí)間內(nèi)發(fā)布的與河南水災(zāi)相關(guān)的博文，建立微博輿情數(shù)據(jù)集，接下來(lái)就可以從數(shù)據(jù)集中過(guò)濾提取出對(duì)應(yīng)的二級(jí)指標(biāo)數(shù)據(jù)?；诤幽纤疄?zāi)的發(fā)展態(tài)勢(shì)，初步選取并收集自2021年7月20日至7月30日時(shí)間段的網(wǎng)絡(luò)輿情數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。由于各指標(biāo)間差異較大，為便于后續(xù)研究，將各指標(biāo)數(shù)據(jù)按照式（2）或式（3）進(jìn)行歸一化處理。

3.2? 設(shè)置early警告級(jí)別

對(duì)網(wǎng)絡(luò)輿情的水平進(jìn)行劃分，主要目的是更好地對(duì)突發(fā)事件進(jìn)行網(wǎng)絡(luò)預(yù)警。根據(jù)前面介紹的評(píng)論家方法，計(jì)算出的權(quán)重twj（j=1，2，…，11），如表4所示。

根據(jù)各指標(biāo)的權(quán)重可計(jì)算出各時(shí)間節(jié)點(diǎn)的綜合評(píng)價(jià)指標(biāo)（CEI）。每個(gè)時(shí)間節(jié)點(diǎn)的綜合評(píng)價(jià)指標(biāo)值等于每個(gè)指標(biāo)在該時(shí)間節(jié)點(diǎn)的評(píng)價(jià)指標(biāo)權(quán)重值之和。例如，第1個(gè)時(shí)間節(jié)點(diǎn)的CEI為：

（12）

其中，為第i個(gè)時(shí)間節(jié)點(diǎn)第j個(gè)指標(biāo)歸一化后的值;為第i個(gè)時(shí)間節(jié)點(diǎn)第j個(gè)指標(biāo)的評(píng)價(jià)指標(biāo)。

因此，可以獲得每個(gè)時(shí)間節(jié)點(diǎn)的CEI。為便于輿情分級(jí)，將計(jì)算得到的CEI進(jìn)行適當(dāng)轉(zhuǎn)換，使其取值范圍在0～100之間。變換公式為：

（13）

根據(jù)突發(fā)公共事件可能的危機(jī)程度，劃分出一些預(yù)警等級(jí)：Ⅰ級(jí)（特別嚴(yán)重）、Ⅱ級(jí)（嚴(yán)重）、Ⅲ級(jí)（較重）和Ⅳ級(jí)（一般）[2]，根據(jù)實(shí)際情況將預(yù)警等級(jí)劃分為5個(gè)等級(jí)，分別為1級(jí)（特別重大預(yù)警）、2級(jí)（重大預(yù)警）、3級(jí)（較大預(yù)警）、4級(jí)（一般預(yù)警）和5級(jí)（安全預(yù)警）。預(yù)警等級(jí)分類如表5所示。

3.3? 預(yù)警等級(jí)預(yù)測(cè)

采用GA-BP方法，要確定網(wǎng)絡(luò)的層數(shù)以及每層的節(jié)點(diǎn)數(shù)[6]。涉及到網(wǎng)絡(luò)結(jié)構(gòu)的輸入層（Input layer）、隱含層（hidden layer）、輸出層（output layer）。由于前面討論的網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系中有11個(gè)二級(jí)指標(biāo)，因此輸入層的節(jié)點(diǎn)數(shù)設(shè)為11[7]。網(wǎng)絡(luò)輿情預(yù)警等級(jí)化分為5級(jí)，因此輸出層的節(jié)點(diǎn)數(shù)設(shè)為5。通常，隱含層節(jié)點(diǎn)的數(shù)量沒(méi)有確定的值，在這種情況下，使用以下公式來(lái)計(jì)算隱含層節(jié)點(diǎn)的數(shù)量：

N=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （14）

其中，N為隱含層節(jié)點(diǎn)數(shù)，m為輸入層節(jié)點(diǎn)數(shù)，m=11;n為輸出層節(jié)點(diǎn)數(shù)，n=5;a是一個(gè)常數(shù)，范圍為（0，10]。顯然，為了確定隱含層節(jié)點(diǎn)的數(shù)量，必須確定a的值。為此，神經(jīng)網(wǎng)絡(luò)從[0，10]開(kāi)始遍歷，通過(guò)比較BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能來(lái)選擇人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)值。在進(jìn)行擬合BP神經(jīng)網(wǎng)絡(luò)操作之前，對(duì)所有數(shù)據(jù)進(jìn)行上文討論的操作處理。數(shù)據(jù)分為兩類：訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。預(yù)測(cè)結(jié)果的擬合曲線如圖5所示。

使用Matlab R2016a軟件進(jìn)行操作，訓(xùn)練集和測(cè)試集的預(yù)測(cè)精度和誤差如表6所示。

如表6所示，當(dāng)a=4時(shí)，性能最好。根據(jù)式（14），設(shè)隱含層節(jié)點(diǎn)數(shù)N為8。因此，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由11個(gè)節(jié)點(diǎn)的輸入層、8個(gè)節(jié)點(diǎn)的隱含層和5個(gè)節(jié)點(diǎn)的輸出層組成[8]。根據(jù)11-8-5的網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)具有11×8+8=96個(gè)初始權(quán)值和8+5=13個(gè)初始閾值，共計(jì)96+13=109個(gè)初始參數(shù)，亦為遺傳算法的個(gè)體編碼長(zhǎng)度。利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差構(gòu)造適應(yīng)度函數(shù)F：

（15）

其中，K為訓(xùn)練集的樣本數(shù)，為預(yù)測(cè)預(yù)警等級(jí)，yi為實(shí)際預(yù)警等級(jí)。利用適應(yīng)度函數(shù)F生成高質(zhì)量的解。亦可以借助于最優(yōu)的個(gè)體編碼值提高網(wǎng)絡(luò)模型的預(yù)測(cè)能力。為了充分利用所有數(shù)據(jù)集，對(duì)程序進(jìn)行20次的循環(huán)，以獲得平均輸出，如圖6所示。該預(yù)測(cè)模型可以達(dá)到較高的精度，誤差極小。

4? 結(jié)? 論

本文通過(guò)反復(fù)整改、篩選、分析以及調(diào)研，構(gòu)建突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系，通過(guò)提出評(píng)論家方法，確定出指標(biāo)體系中所涉及的各個(gè)指標(biāo)的權(quán)重值，進(jìn)而去劃分每個(gè)時(shí)間點(diǎn)的網(wǎng)絡(luò)輿情預(yù)警的級(jí)別?；谶z傳算法的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)輿情的預(yù)警模型，并且對(duì)今年夏季的突發(fā)事件河南水災(zāi)進(jìn)行實(shí)例預(yù)測(cè)，結(jié)果表明，構(gòu)建出的網(wǎng)絡(luò)輿情預(yù)警模型在預(yù)測(cè)精度和均方誤差上均達(dá)到最優(yōu)水平。

參考文獻(xiàn)：

[1] 馮江平，張?jiān)拢w舒貞，等.網(wǎng)絡(luò)輿情評(píng)價(jià)指標(biāo)體系的構(gòu)建與應(yīng)用 [J].云南師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2014，46（2）：75-84.

[2] 李中亞，徐朝，袁旭峰.基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的年負(fù)荷預(yù)測(cè)與分析 [J].貴州電力技術(shù)，2014，17（2）：19-21.

[3] 侯萍，催孟杰.基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)警研究 [J].電子商務(wù)，2020（12）：70-73.

[4] 王卓然，王曉雨，王博，等.微型色譜柱制備及其GC譜線分離性能的優(yōu)化 [J].微納電子技術(shù)，2021，58（5）：433-438+451.

[5] 徐雯.基于GA-BP網(wǎng)絡(luò)的高校創(chuàng)業(yè)人數(shù)預(yù)測(cè)研究 [J].長(zhǎng)春工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2020，21（4）：90-93+116.

[6] 朱晨飛，黃淑華，何杭松，等.基于BP_Adaboost算法的網(wǎng)絡(luò)輿情危機(jī)預(yù)警 [J].中國(guó)公共安全（學(xué)術(shù)版），2017（4）：95-101.

[7] 朱小波，次晉芳.基于改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)算法在一般盜竊犯罪預(yù)測(cè)中的應(yīng)用 [J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（1）：37-42+75.

[8] 孫玲芳，周加波，林偉健，等.基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的網(wǎng)絡(luò)輿情危機(jī)預(yù)警研究 [J].情報(bào)雜志，2014，33（11）：18-24.

作者簡(jiǎn)介：陳蒙（1991—），女，漢族，河南南陽(yáng)人，講師，碩士研究生，研究方向：網(wǎng)絡(luò)輿情。