劉 娟，郝云強(qiáng)，尹雪雪

（山東醫(yī)學(xué)高等?？茖W(xué)校 山東 臨沂 276000）

1 引言

網(wǎng)絡(luò)輿情信息挖掘是指借助相關(guān)信息處理技術(shù)，識(shí)別、提取輿情文本中的熱點(diǎn)詞匯、傾向性詞匯，為輿情引導(dǎo)工作提供依據(jù)的信息挖掘活動(dòng)。借助挖掘活動(dòng)配套關(guān)鍵技術(shù)，能夠增強(qiáng)信息挖掘質(zhì)量，提高輿情工作效果，因此，應(yīng)對(duì)關(guān)鍵技術(shù)予以深入分析，并總結(jié)出優(yōu)質(zhì)的技術(shù)應(yīng)用方案，促進(jìn)輿情工作水平的發(fā)展。

2 TFIDF權(quán)重計(jì)算法

TFIDF權(quán)重計(jì)算法的應(yīng)用常見于搜索引擎的信息挖掘，但在網(wǎng)絡(luò)輿情信息挖掘中，則一般用于信息檢索權(quán)重計(jì)算。其中，TFIDF中的TF代表詞頻、IDF代表反文檔頻率，由此可以看出，該項(xiàng)關(guān)鍵技術(shù)的主要思想為，若某一詞、字在某一篇文本中的詞頻較高，而在其他文章中出現(xiàn)頻率明顯減少，那么即可認(rèn)為該字、詞，具備良好的區(qū)分能力，可以用于分類文章?；诖耍诰W(wǎng)絡(luò)輿情信息挖掘中，該項(xiàng)技術(shù)的應(yīng)用原理為，利用統(tǒng)計(jì)的形式，評(píng)估某個(gè)字、詞，在一份網(wǎng)絡(luò)文件內(nèi)容中的重要程度，以便于工作者識(shí)別該篇文本的輿情關(guān)鍵字、詞，實(shí)現(xiàn)網(wǎng)絡(luò)輿情信息的收集、提取，為輿情引導(dǎo)工作提供依據(jù)。在輿情信息挖掘中，TFIDF權(quán)重計(jì)算法會(huì)按照字詞出現(xiàn)的具體位置，來(lái)評(píng)估其的重要性，例如：在詞匯重要性評(píng)估中，該算法會(huì)認(rèn)定標(biāo)題、首尾處出現(xiàn)的詞匯，其重要性高于正文段落中出現(xiàn)的詞匯，以準(zhǔn)確找出表現(xiàn)該文章輿情傾向的關(guān)鍵詞，達(dá)到輿情信息挖掘的目的。

3 文本聚類法

在網(wǎng)絡(luò)輿情信息挖掘中，文本聚類法是一項(xiàng)常用的信息挖掘關(guān)鍵技術(shù)，其應(yīng)用機(jī)理為，基于文本數(shù)據(jù)的不同特征，將文本群劃分為不同數(shù)據(jù)類型的小文本群，以達(dá)到數(shù)據(jù)挖掘的效果，使同類輿情內(nèi)容、傾向的文本被歸納到一起，方便工作者全面了解網(wǎng)絡(luò)輿情狀態(tài)，促進(jìn)輿情工作決策活動(dòng)的準(zhǔn)確開展。從本質(zhì)上來(lái)說(shuō)，該項(xiàng)技術(shù)的運(yùn)行方式，類似于無(wú)監(jiān)督的學(xué)習(xí)機(jī)，無(wú)需工作者對(duì)算法程序進(jìn)行訓(xùn)練，也不用提前標(biāo)注文檔類別，因此，其在實(shí)際的信息挖掘應(yīng)用中，呈現(xiàn)出了較高的靈活性與自動(dòng)化水平，提高了網(wǎng)絡(luò)輿情信息挖掘效率。就目前來(lái)看，該算法的運(yùn)行步驟為，首先，收集網(wǎng)絡(luò)輿情信息文檔。其次，采用詞頻統(tǒng)計(jì)、停用詞去除等方法，構(gòu)建出所收集文檔的文本表示。第三，基于文本表示，結(jié)合對(duì)相似度的衡量，搭建聚類模型，對(duì)文本加以分類。第四，對(duì)分類結(jié)果進(jìn)行驗(yàn)證分析，得出最終的輿情信息聚類挖掘結(jié)果。

4 ICTCLAS分詞法

該技術(shù)是由中國(guó)科學(xué)院計(jì)算機(jī)技術(shù)研究所研發(fā)的，其運(yùn)行主要依賴于ICTCLAS系統(tǒng)，該系統(tǒng)作為當(dāng)前在網(wǎng)絡(luò)輿情信息挖掘中，應(yīng)用比較廣泛的中分詞系統(tǒng)，使ICTCLAS分詞法逐漸成為了網(wǎng)絡(luò)輿情信息挖掘關(guān)鍵技術(shù)。其中，該技術(shù)的信息挖掘機(jī)理為，利用層疊型隱式馬爾科夫模型，對(duì)本文信息進(jìn)行切分、標(biāo)注、命名等操作，以達(dá)到詞匯識(shí)別的效果，為后續(xù)的深度挖掘奠定基礎(chǔ)。目前，已經(jīng)有專家對(duì)該系統(tǒng)進(jìn)行了測(cè)評(píng)，結(jié)果顯示，該系統(tǒng)的分詞準(zhǔn)確率可達(dá)97.58%，分詞與標(biāo)注處理速度可達(dá)534.5KB/S，由此可見，ICTCLAS分詞法具有良好的使用性能，有助于網(wǎng)絡(luò)輿情信息挖掘水平的提升。此外，該技術(shù)的應(yīng)用系統(tǒng)，以及動(dòng)態(tài)鏈接庫(kù)、概率詞典，都能在官網(wǎng)上找到免費(fèi)下載鏈接，因此，基于該技術(shù)的信息挖掘工作成本也比較低。

5 粗粒度情感傾向性分析技術(shù)

在網(wǎng)絡(luò)輿情信息挖掘中，粗粒度情感傾向性分析技術(shù)主要用于文本的輿情傾向分析，相較于上述信息挖掘關(guān)鍵技術(shù)，該技術(shù)的挖掘?qū)哟胃?。在此過(guò)程中，該技術(shù)的信息挖掘機(jī)理為使用語(yǔ)義角色標(biāo)注對(duì)文本中的各個(gè)句子進(jìn)行語(yǔ)義識(shí)別，得出句子中情感詞的布局狀態(tài)、句子與主題的關(guān)聯(lián)程度，最終得出文本的輿情情感傾向信息，實(shí)現(xiàn)信息挖掘。在此過(guò)程中，該技術(shù)會(huì)借助相應(yīng)的算法與程序，將文本中所有的干擾句、客觀句進(jìn)行篩除，然后針對(duì)剩下的句子，按照上述信息挖掘機(jī)理，進(jìn)行逐句的輿情傾向分析，整合出整篇文本的輿情傾向狀態(tài)，幫助工作者快速地了解網(wǎng)絡(luò)輿情狀態(tài)，以便于其采取相應(yīng)的輿情引導(dǎo)措施，來(lái)改善網(wǎng)絡(luò)輿情情況，凈化網(wǎng)絡(luò)輿論環(huán)境[1]。

6 細(xì)粒度情感傾向性分析技術(shù)

細(xì)粒度情感傾向性分析技術(shù)也屬于一種網(wǎng)絡(luò)輿情傾向信息挖掘關(guān)鍵技術(shù)，該技術(shù)的信息挖掘程序?yàn)椋紫?，基于常?guī)的領(lǐng)域，建立相應(yīng)的領(lǐng)域特征庫(kù)，然后采用相似度計(jì)算的方法，結(jié)合現(xiàn)有同義詞資源，充實(shí)每個(gè)特征下的相關(guān)詞匯庫(kù)。若所提出領(lǐng)域非常規(guī)，那么則需要對(duì)基本特征類進(jìn)行自定義，再對(duì)其配套詞匯庫(kù)，予以詞匯擴(kuò)充。其次，以句子為單位，定位每個(gè)特征類的輿情傾向，再基于此，計(jì)算出文本信息中每句話的情感傾向值。最后，得出文本整體的情感傾向值，實(shí)現(xiàn)情感傾向的挖掘，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)輿情信息的深度挖掘。從整體上來(lái)看，該項(xiàng)技術(shù)的信息挖掘過(guò)程，相較于粗粒度情感傾向性分析技術(shù)更加復(fù)雜，但該技術(shù)能夠分析出更加精細(xì)的輿情信息，因此，現(xiàn)階段該技術(shù)的應(yīng)用更為廣泛[2]。

7 結(jié)論

綜上所述，增強(qiáng)信息挖掘技術(shù)應(yīng)用效果，有助于網(wǎng)絡(luò)輿情工作的穩(wěn)健推進(jìn)。在網(wǎng)絡(luò)輿情方面，采取網(wǎng)絡(luò)輿情信息挖掘關(guān)鍵技術(shù)措施可以找準(zhǔn)輿情關(guān)鍵詞、實(shí)現(xiàn)輿情信息分類、降低信息挖掘成本、提高輿情現(xiàn)狀掌握效率、精細(xì)化輿情傾向分析結(jié)果，從而確保網(wǎng)絡(luò)輿情工作得以順利達(dá)到預(yù)期效果。