王 靜 蔡詩怡

（1．江西財經大學 統(tǒng)計學院，江西 南昌 330013；2．江西財經大學 應用統(tǒng)計研究中心，江西 南昌 330013）

一、引言

近年來，公眾的維權意識不斷增強，維權訴求也不斷增加，而傳統(tǒng)維權渠道相對有限，這種供求不均衡的外部環(huán)境使人們迫切需要新型維權途徑，微博維權隨之誕生。

微博維權的出現(xiàn)，一定程度上緩解了傳統(tǒng)維權成本高、門檻高等問題。它集中了成本低、時效性強、關注度高以及輿論幫助等優(yōu)勢。成本低使每一位公民都可作為維權者或參與者聚集在這一公共話語空間內，傾訴自己的故事或發(fā)表觀點；時效性強使維權事件能夠在大眾的密切關注下得到快速發(fā)酵，并得到有效解決。在信息紛繁復雜的網絡世界中，關注度和輿論幫助作為一種催化劑，使維權者和參與者之間產生了一定程度的情感共鳴，從而促進維權事件成功解決。這也是公民選擇微博維權作為尋求權利救濟的重要原因。

微博維權的這些優(yōu)點，也為虛假維權者提供了便捷。虛假維權者只需注冊一個微博賬號就能在微博上散布虛假信息，假借維權之名，借助輿論武器，對無辜大眾或個體進行道德綁架，虛假維權，以達到自己不可告人的目的。這種“以謀利為目的”的維權行為對良好網絡環(huán)境構建、社會公信度提高以及社會和諧穩(wěn)定產生惡劣影響。同時，作為一種新興的社交平臺，微博平臺的規(guī)范使用以及微博維權相關的法律制度不夠完善。很多時候，微博平臺及政府相關部門難以遏制“以謀利為目的”的虛假維權行為。因此如何準確地判斷某一維權事件是否“以謀利為目的”成為關鍵。

現(xiàn)階段，不少學者對微博維權行為進行了深入研究。孟詡（2020）認為，微博維權是現(xiàn)階段維權方式中的新形式，解決問題的概率較高，因此成了熱門的維權渠道，但微博維權作為一種新生事物，還處于研究和探索的初步階段，存在許多問題。對于目前微博維權工作中存在的突出問題，常健和余建川（2018）認為微博維權雖然對社會監(jiān)督、權益救濟等各個方面都起著積極的推動作用，但這種維權方式一定程度上影響著社會秩序，加大了依法維權的難度。蔡彤（2014）將網絡維權行為大體分為以下幾種類型：合法合理的維權行為、合法但不合理的過度維權行為、已構成敲詐勒索罪的過度維權行為。朱鈺婷（2018）根據(jù)行為人是否存在維權理由、采用的行為方式是否非法，將維權行為分為四類，本文借鑒這一說法，將微博維權行為分為“以維權為目的”和“以謀利為目的”兩類。針對不同形式的維權行為，張玉亮（2021）提出不能采取“一刀切”的單一化評價模式，而應對各類維權行為進行深入細致的分析。長期看，網絡社會治理創(chuàng)新要致力于建立穩(wěn)定的治理秩序，消除網絡恐慌，避免“網絡起義”。因此為了建立和諧穩(wěn)定的網絡環(huán)境，應及時甄別出“以謀利為目的”的虛假微博維權行為，從源頭上遏制其傳播。

在模型的選擇上，一些學者認為采用BP神經網絡模型能夠對微博中的相關話題內容產生良好的匹配度。張華（2014）以微博新聞事件輿情預測模型為實例，分析研究了微博熱點話題，對微博新聞事件輿情預測模型的網絡結構參數(shù)進行了模型調整和改進，優(yōu)化了該模型的網絡結構參數(shù)，并通過微博新聞熱點事件分析驗證了基于模型優(yōu)化后的BP模型神經網絡的微博新聞事件輿情預測模型的準確度和有效性。該文主要使用BP神經網絡算法、遺傳算法優(yōu)化BP拓撲結構以及GSA優(yōu)化BP網絡參數(shù)，但BP神經網絡模型易受權值、閾值隨機生成的影響，文章缺少對這部分內容的改進。對于BP神經網絡模型權值、閾值的優(yōu)化，袁鳴等人（2020）在對全球氣溫進行預測時，發(fā)現(xiàn)遺傳算法優(yōu)化神經網絡（GA-BP）能夠充分利用遺傳算法在進化過程中以最大概率搜索最優(yōu)解的區(qū)域，得到全局性較好的個體，能夠提高預測的準確率。Kening Dou和Xiaoqi Sun（2021）在對日照天氣進行仿真模擬時，得到了與袁鳴等學者相似的結論，他們發(fā)現(xiàn)通過遺傳算法對BP神經網絡進行優(yōu)化后得到的預測結果與單一使用BP神經網絡相比有較大提升，預測結果的百分比誤差與精度均有提高，遺傳算法優(yōu)化后的BP神經網絡能夠改進單一BP神經網絡對權值和閾值不敏感的缺點。

綜上所述，從現(xiàn)有研究看，學者在有關微博維權的重要性與不同維權行為的差異性的研究中已取得了較豐碩的研究成果。對于微博維權的發(fā)展現(xiàn)狀和維權主體的研究表明，微博維權目前在解決維權問題、緩解社會矛盾、助力社會治理等方面發(fā)揮著非常重要的作用。但與此同時，對“以維權為目的”的真實維權信息與“以謀利為目的”的虛假維權信息的甄別、對維權主體目的性的分析目前鮮有研究。如何準確地將某一維權事件進行分類，并遏制“以維權為目的”的虛假維權信息的傳播，具有重要的現(xiàn)實意義。

本文在前人研究成果的基礎上，收集2019—2020年微博上發(fā)布的110個典型案例，首先根據(jù)微博維權事件的四種類型，將不合理不合法、合理不合法、不合理合法三種類型的維權事件歸納為“以謀利為目的”的虛假維權信息，將合理合法的維權事件歸納為“以維權為目的”的真實維權信息，隨后建立遺傳算法優(yōu)化BP神經網絡的算法來甄別不同目的的維權行為。然后將甄別結果與傳統(tǒng)BP神經網絡的甄別進行比較，結果表明，較單一使用BP神經網絡而言，優(yōu)化后的算法預測精度更高，預測結果比較穩(wěn)定，且不受BP算法權值、閾值隨機生成的影響，在甄別過程中，此方法更為有效，能夠有效地甄別出“以謀利為目的”的虛假維權信息，從源頭上減少微博上此類信息的傳播。最后根據(jù)實際，結合微博維權的特點，提出相關建議。

二、微博維權行為界定

由于微博維權的便利性，虛假維權者只需注冊一個微博賬號就能在微博上散布虛假信息，這種“以謀利為目的”的維權行為對良好網絡環(huán)境構建、社會公信度提高以及社會和諧穩(wěn)定產生惡劣影響。對于不同原因、目的的微博維權行為，本文借鑒朱鈺婷的思路，將其拆分為“目的行為”與“手段行為”的組合，主要有以下四類：

（一）不合理、不合法的維權行為

這種行為主要是指維權者的維權目的、維權手段既不合理也不合法。不合理是指維權者不存在維權依據(jù)，通常在網絡上表現(xiàn)為僅依靠發(fā)布文字微博，無法提供任何與維權事件相關的證據(jù)；不合法是指維權者所需的賠償遠遠超過維權案例應得的賠償，通常在網絡上表現(xiàn)為維權者存在過激的言論、希望得到遠超事件本身價值的賠償或者以某種不合法手段進行威脅來維護自己的權益。存在這些表現(xiàn)形式的維權事件既不合理也不合法，因此將其納入“以謀利為目的”的維權行為。

（二）合理、不合法的維權行為

這種行為主要是指維權者的維權目的合理，維權手段不合法。通常表現(xiàn)為維權者能夠提供出維權案件相關的證據(jù)，如照片、證明等，但在維權過程中存在過激的言論、希望得到遠超事件本身價值的賠償或者以某種不合法手段進行威脅來維護自己的權益。因此雖然維權事件合理，但維權者在維權過程中采取了不當?shù)氖侄?，因此將這種維權行為納入“以謀利為目的”的維權行為。

（三）不合理、合法的維權行為

這種行為主要是指維權者的維權目的不合理，但維權手段合法。通常表現(xiàn)為維權者不存在維權依據(jù)，僅依靠發(fā)布文字微博，無法提供任何與維權事件相關的證據(jù)，但在申請獲得賠償時，采用合法的方式，不存在過激言論、超額賠償以及威脅等手段。因此將這種維權行為納為“以謀利為目的”的維權行為。

（四）合理、合法的維權行為

這種維權行為是本文倡導的維權方式，主要是指維權者的維權目的、維權手段合理、合法。維權者不僅能夠提供維權案件相關的證據(jù)，且在申請獲得賠償時，采用合法的方式，不存在過激言論、超額賠償以及威脅等手段。具有這些表現(xiàn)形式的維權事件其目的、手段均合理合法，因此本文將這種維權行為納為“以維權為目的”的維權行為。

四種類型的維權事件中，合理、合法的維權行為是本文所倡導的，因此本文將其定義為“以維權為目的”的真實維權信息，將剩余三種定義為“以謀利為目的”的虛假維權信息。

三、遺傳算法優(yōu)化BP神經網絡模型

BP神經網絡雖然能夠有效地適用于分類、擬合等任務，但在尋求最優(yōu)解的時候，很有可能陷入局部最優(yōu)、預測誤差較大的情況；而遺傳算法則是一種通過對自然進化過程模擬來尋求最優(yōu)解的方法。目前有關遺傳算法與神經網絡相結合的文獻主要包括優(yōu)化連接權、優(yōu)化結構和優(yōu)化學習規(guī)則三個方面。本文通過對遺傳算法和BP神經網絡兩者優(yōu)勢的結合，構建遺傳算法優(yōu)化BP神經網絡模型，對BP神經網絡的初始權值、閾值進行優(yōu)化，使被優(yōu)化后的BP神經網絡可以較好地實現(xiàn)對函數(shù)的輸出。其流程如圖1所示。

圖1 遺傳算法優(yōu)化BP算法流程

該流程主要劃分為兩個部分，分別是BP神經網絡部分和遺傳算法部分。在該算法的具體工作流程中，首先依據(jù)擬合函數(shù)輸入、輸出參數(shù)個數(shù)確定BP神經網絡結構，并初步確定出BP神經網絡權值、閾值長度，進而確定遺傳算法中每一個個體的長度。遺傳算法的優(yōu)化部分主要利用遺傳算法優(yōu)化BP神經網絡模型的初始權值和閾值，首先對初始值進行編碼，并據(jù)此得到一個初始種群，種群中的每一個體都包含了一個網絡權值和閾值，接著通過適應度函數(shù)計算每一個初始個體的全部適應度，通過遺傳算法的數(shù)據(jù)選擇、交叉和變異這三個操作找到最優(yōu)適應度值所對應的個體。最后，用遺傳算法獲取的最優(yōu)個體對網絡初始權值和閾值進行賦值，利用BP神經網絡對該網絡進行訓練并預測其函數(shù)輸出。

四、數(shù)據(jù)來源與預處理

（一）數(shù)據(jù)來源

由于沒有現(xiàn)成的數(shù)據(jù)庫，為了避免收集維權數(shù)據(jù)的主觀性，本文按照時間順序選取2019年1月1日至2020年12月31日兩年內發(fā)生的微博維權事件，對每一條維權信息進行整理。整理發(fā)現(xiàn)，消費者維權案例占絕大多數(shù)，在構成數(shù)據(jù)集時樣本重合，因此再按照熱度排名，選取熱度較高的110件案例（剔除大部分屬性相似的消費者維權案例），選取的案例涵蓋了兩年間的所有維權類型，且在數(shù)量分布上合理，滿足代表性。經整理后數(shù)據(jù)集共有110條記錄，共分為8個屬性，分別是：維權者類型、維權者是否實名制、維權者是否被納入失信名單、維權者是否列出證據(jù)、維權是否損害他人利益、維權過程中是否恐嚇辱罵毆打被維權對象、是否有多方介入、維權出發(fā)點。

（二）歸一化處理

由于本文數(shù)據(jù)中的量綱單位并不完全相同，為了消除數(shù)據(jù)由于不同量綱導致的偏差，首先對其進行歸一化處理，將所有具備量綱的數(shù)據(jù)轉化為［0，1］區(qū)間的無量綱單位數(shù)據(jù)。最后，再對這些數(shù)據(jù)進行反歸一化還原處理。本文采用的是mapminmax（）函數(shù)對數(shù)據(jù)進行歸一化處理，用ymax、xmax、xmin分別表示每一列數(shù)據(jù)中的最大值和最小值，計算方式是：

（三）參數(shù)設定

在關于BP神經網絡各種參數(shù)的選擇中，本文采用最基本的三層BP神經網絡，即由輸入層、隱含層和輸出層三個部分組成。根據(jù)該微博維權數(shù)據(jù)集的特點，輸入層選取8個神經元；輸出層選取1個神經元。隱含層個數(shù)的選擇上，考慮既要滿足精度要求，又要盡可能減少訓練學習的時間，故本文設定一個隱含層。對于隱含層節(jié)點數(shù)的選擇，本文參考公式：

確定隱含層節(jié)點數(shù)的范圍，最終確定為10個節(jié)點數(shù)。其中m表示隱含層節(jié)點數(shù)，n表示輸入層節(jié)點數(shù)，l表示輸出層節(jié)點數(shù)，α為1—10之間的常數(shù)。

遺傳算法優(yōu)化BP網絡模型的參數(shù)設定主要包括了種群規(guī)模數(shù)、進化次數(shù)、交叉概率和變異概率。在參數(shù)的選擇上，若種群規(guī)模過于小，則會出現(xiàn)近親交配，產生一個病態(tài)的基因；而規(guī)模過大，又會出現(xiàn)難以收斂且穩(wěn)健性下降的問題。種群進化的次數(shù)過少，算法不易收斂，種群尚未成熟；進化次數(shù)過大，算法已經熟練或者種群過于早熟，繼續(xù)進化則沒有意義。交叉概率過大容易破壞已有的有利模型，隨機性增大，容易造成最優(yōu)個體的錯失；而交叉概率過小無法有效地更新種群。變異概率過小，會使種群中的多樣性減少太快，容易造成有效基因的迅速丟失且不容易被修補；而變異概率過大時，又可能會增加高階模式被破壞的概率。本文通過多次試驗，設置網絡甄別模型參數(shù)如下：種群規(guī)模為3，進化次數(shù)為10，交叉概率為0.9，變異概率為0.2。

五、實證結果與分析

（一）不同屬性分類的描述性統(tǒng)計

觀察表1可知，本文所用的110個案例均為實名發(fā)布，實名性使在微博上隨意發(fā)布虛假維權信息的網民會有所忌憚，因此在公民發(fā)布維權信息時，可將實名制列為必要條件；在失信名單一行中，3個維權者納入失信名單的案例均為“以謀利為目的”，因此檢測出維權者被納入失信名單后，微博平臺須加大審核力度，再予以發(fā)布；在是否列出證據(jù)一行中，其中有17個案例沒有給出證據(jù)，僅有3個案例為“以維權為目的”，故微博平臺可將需要證據(jù)列為必要條件，如相關照片、購物憑證、與相關人員聊天記錄、報警回執(zhí)單等，而不是一味地只看維權者的敘述；從維權出發(fā)點一行來看，自身利益未受損的案例個數(shù)有19條，但其中僅有36.84%為“以維權為目的”，因此當維權者表達自身利益未受損時，微博平臺亦應加大審核力度，再予以發(fā)布。

表1 “以維權為目的”案例個數(shù)在不同類別中占比情況

（二）遺傳算法優(yōu)化BP計算結果

遺傳算法優(yōu)化過程中個體適應度值變化如圖2所示。進化過程中，隨著進化代數(shù)的增加，平均適應度與最佳適應度呈現(xiàn)出增長的趨勢，能夠對原算法進行優(yōu)化。結果表明，當進化次數(shù)達到6時，個體達到最佳適應度。

圖2 個體適應度值變化

圖3中，（a）為訓練集預測結果，（b）為測試集預測結果，記“以維權為目的”的維權事件為1，以“謀利為目的”的虛假維權事件為0。從88個訓練集樣本的預測結果來看，76個樣本被判定為“以維權為目的”的真實維權信息，12個樣本被判定為“以謀利為目的”的虛假維權信息，與運用“目的行為”及“手段行為”的判斷相一致，預測準確率達到100%；從22個測試集樣本的預測結果來看，18個樣本被判定為“以維權為目的”的真實維權信息，4個樣本被判定為“以謀利為目的”的虛假維權信息，與運用“目的行為”及“手段行為”的判斷對比，其中有兩個樣本被誤判為“以謀利為目的”的虛假維權信息，預測值的準確率為90.91%。但預測準確率仍達到90%以上，預測結果較好。

圖3 訓練集、測試集預測結果

重復五次實驗得到的各次準確率及平均準確率如表2所示，該結果預測精度較高，訓練集樣本的準確率均達到90%以上，測試集樣本的準確率均在90%以上，且預測結果比較穩(wěn)定，波動不大。實驗結果證明，該方法在對兩種不同目的的微博維權行為的甄別上具有可行性。

表2 五次重復準確率結果

六、傳統(tǒng)算法與優(yōu)化算法的甄別效果對比

（一）BP神經網絡甄別結果

抽取數(shù)據(jù)集的80%，共計88條數(shù)據(jù)進行訓練，將剩下的20%，共計22條數(shù)據(jù)作為測試集。運用BP神經網絡算法進行五次重復實驗，得到結果如表3所示。

表3 五次訓練參數(shù)結果

根據(jù)表中結果，可計算得到甄別正確平均準確率為80.91%，雖然平均準確率較高（大于80%），但甄別的精度不高，準確率最高時能達到90.91%，但最低時只有68.18%，原因可能是甄別結果易受BP神經網絡初始生成的權值、閾值的影響，因此BP神經網絡不太適合對不同目的微博維權行為的甄別。

（二）兩種算法甄別結果對比

對于甄別兩種不同目的微博維權類型，BP神經網絡算法的五次網絡訓練結果均能達到收斂。但比較五次結果的準確率，結果相差較大，精度和穩(wěn)定性不高。由于BP神經網絡網絡初始化時權值和閾值是隨機生成的，這個結果對收斂的影響比較大，且可能在訓練過程中找不到解，陷入局部較小的情況。本案例中，BP神經網絡對不同目的微博維權類型的甄別精確度波動太大，因此不太適合甄別不同目的的維權信息。而本文研究設計的遺傳算法優(yōu)化BP算法，將遺傳算法與BP神經網絡結合，能夠有效地優(yōu)化BP神經網絡的結構和參數(shù)，以便于得到最佳的網絡結構以及該結構對應的初始權值、閾值和學習速率，甄別結果的準確率與精度也更高。

在兩種算法得到的五次結果中隨機抽取一次甄別結果，如表4所示，其中1代表“以維權為目的”的維權事件，0代表“以謀利為目的”的虛假維權事件。結果顯示，遺傳算法改進后的算法與原始BP神經網絡算法相比較，甄別精度更高。且根據(jù)上文中的五次實驗結果，比較兩種算法的穩(wěn)定性，改進后的算法優(yōu)于原算法。因此該算法是一種更優(yōu)的算法，可運用此算法來甄別“以謀利為目的”的虛假維權信息。

表4 實際值與兩種算法甄別結果對比

七、結論與政策建議

（一）結論

微博維權案例日益普遍，本文將微博維權案例的四種基本類型（不合理不合法的維權事件、合理不合法的維權事件、不合理合法的維權事件、合理合法的維權事件）最終歸結為“以謀利為目的”的虛假維權事件以及“以維權為目的”的真實維權事件兩大類。目前鮮有對“以謀利為目的”的虛假維權信息的甄別及遏制，導致“以謀利為目的”的虛假維權信息盛行。由于目前對于BP神經網絡結構和權值、閾值的選取沒有一套完整確定的理論，一般都是憑借人們的經驗去選擇，因此本文借助于遺傳算法，優(yōu)化了BP神經網絡的結構和參數(shù)，在一定程度上彌補了BP神經網絡隨機生成權值、閾值的不足，使甄別機制更加適合。

通過運用優(yōu)化后的算法甄別，結果顯示訓練集樣本中，甄別結果的準確率均在95%以上，測試集樣本甄別結果的準確率都大于90%。甄別的精度、穩(wěn)定性均高于BP神經網絡的甄別結果，能夠穩(wěn)定、有效地甄別出“以謀利為目的”的虛假維權事件。因此遺傳算法優(yōu)化BP神經網絡在對于不同目的維權事件的甄別，是比較有效的。

綜上所述，本文在甄別微博維權事件的目的性問題上具有較強的甄別能力，有效地彌補了前人研究的不足，能夠在初期就遏制“以謀利為目的”的虛假維權信息的發(fā)布。

（二）政策建議

本文根據(jù)數(shù)據(jù)集的8個屬性，為微博平臺及維權者提供以下建議：

1.完善實名制度，讓“虛假”現(xiàn)形

本文搜集到的數(shù)據(jù)中，維權者均為實名維權，但微博上仍有匿名發(fā)布維權信息的情況。匿名發(fā)布者易因為匿名而隨意發(fā)布或真或假的言論，導致虛假言論難以溯源。微博雖然是虛擬空間，但每個人都應對自己的網絡言論、行為負責。若微博平臺實施強制實名制，可以約束網民行為，在微博上隨意發(fā)布虛假維權信息的人會有所忌憚。

2.強化執(zhí)法力度，維護網絡秩序

若通過甄別過程，確定某個賬號發(fā)布的是“以謀利為目的”的虛假維權信息，微博平臺應及時清理虛假信息，并按照傳播影響，輕則對該賬號進行禁言、封號等處理，重則通過司法程序對發(fā)布者進行處罰，同時應降低該用戶的信用等級，在該用戶下一次發(fā)布維權信息時著重審查。

3.上傳有效證據(jù)，供網友辨別

根據(jù)本文建立的甄別機制，在維權過程中如若一味地敘述，沒有列出證據(jù)，很有可能被列為“以謀利為目的”的虛假維權而不予發(fā)布。因此維權者在發(fā)布維權信息時應盡可能多地列出證據(jù)，如貼出相關照片、購物憑證、與相關人員聊天記錄以及報警回執(zhí)單等。

4.合理合法維權，勿讓維權成侵權

維權過程中，不少維權者會有恐嚇、辱罵、毆打被維權對象，損害他人正當利益的行為，這種行為一般是處于強勢方才會采取的措施，因此在甄別過程中也很有可能被列為“以謀利為目的”的虛假維權而不予發(fā)布。故維權者在維權時要注意控制情緒，保證維權用詞、維權方法得當，勿讓維權成侵權。