陳璟浩 王有峰 聶卉梓

(1.廣西大學(xué)區(qū)域社會治理創(chuàng)新研究中心,南寧,530004; 2.廣西大學(xué)公共管理學(xué)院,南寧,530004;3.武漢大學(xué)信息資源研究中心,武漢,430072)

1 引言

短視頻是指在各種新媒體平臺上播放的、長度由幾秒鐘至幾分鐘不等的視頻。 由于其制作簡單、代入感強(qiáng)、時效性高、信息量大、交互性好、易于分享，已成為當(dāng)前最具熱度和代表性的傳播形態(tài)，備受廣大網(wǎng)民青睞。 據(jù)第48次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報告》顯示，截至2021年6月，我國短視頻用戶規(guī)模達(dá)8.88億，占網(wǎng)民整體的87.8%[1]。

相較于傳統(tǒng)微博、論壇中發(fā)布的文字和圖片，短視頻可同時向受眾傳遞文字、音頻、影像等多模態(tài)信息，更便于表達(dá)、更具有沖擊力、更易于對輿論產(chǎn)生直觀影響，因此已成為輿情傳遞過程中的重要一環(huán)。

近年來，隨著短視頻的普及，在突發(fā)事件中，公眾已習(xí)慣利用短視頻平臺發(fā)布危機(jī)信息、跟蹤事態(tài)進(jìn)展、發(fā)表評論、表達(dá)情感。這為危機(jī)預(yù)警、危機(jī)響應(yīng)、危機(jī)溝通、公眾互助和災(zāi)難評估等提供了有效支持。 不少政府部門和學(xué)者開始使用定性分析[2]、敘事分析[3]、內(nèi)容分析[4]等方法對突發(fā)事件短視頻進(jìn)行加工、處理，然后對視頻中表達(dá)的輿情信息進(jìn)行總結(jié)、歸納，進(jìn)而對其發(fā)展態(tài)勢進(jìn)行研判和把握。

但是，值得注意的是，突發(fā)事件短視頻輿情具有大數(shù)據(jù)特征，如數(shù)據(jù)容量大、增長速度快、信息片段長、模態(tài)形式多等，僅僅依靠人力和傳統(tǒng)方法來收集、加工、整理、分析海量短視頻信息，往往會出現(xiàn)人力時間耗費(fèi)大、樣本覆蓋不全、分析結(jié)果粒度粗等問題，不利于快速反應(yīng)和精細(xì)化管理。 為此，如何對大量突發(fā)事件短視頻輿情進(jìn)行自動化、智能化分析，全面而準(zhǔn)確地把握輿情演化規(guī)律，從中發(fā)現(xiàn)輿情引導(dǎo)中的短板，對政府在新興輿論環(huán)境下有效引導(dǎo)突發(fā)事件輿情，提升危機(jī)管理能力，完善部門服務(wù)水平具有重要現(xiàn)實(shí)意義。

鑒于此，本文擬構(gòu)建一套突發(fā)事件短視頻輿情演化計(jì)算分析框架，利用統(tǒng)計(jì)分析、數(shù)據(jù)挖掘、自然語言處理等多種方法，對短視頻進(jìn)行淺層（如數(shù)量、類型、時長等統(tǒng)計(jì)）和深層（如影像識別、音頻識別、主題識別等）分析，進(jìn)而提出一套切實(shí)可行的智能化分析方法，揭示突發(fā)事件短視頻輿情演化規(guī)律。

2 相關(guān)研究

2.1 突發(fā)事件情景下傳統(tǒng)社交媒體輿情演化分析

突發(fā)事件發(fā)生后，用戶會在傳統(tǒng)社交媒體上發(fā)布大量的危機(jī)信息，許多學(xué)者都發(fā)現(xiàn)了這些數(shù)據(jù)的價值，嘗試對其進(jìn)行挖掘和分析，以輔助相關(guān)部門開展應(yīng)急響應(yīng)和危機(jī)溝通工作，已有成果非常豐富[5]。 Yang等[6]構(gòu)建了一個階段模型，用于分析新冠疫情期間公眾恐慌情緒的時空分布。 Pourebrahim等[7]對颶風(fēng)桑迪侵襲美國東海岸期間公眾發(fā)布在Twitter上的信息進(jìn)行了挖掘，并依據(jù)分析結(jié)果制定了相應(yīng)的救援計(jì)劃、災(zāi)害損失評估方案及災(zāi)害發(fā)展階段的識別方法。 Zhao等[8]構(gòu)建了SIR 輿情演化仿真模型，并利用新冠疫情期間網(wǎng)民發(fā)布的微博數(shù)據(jù)對模型的可靠性進(jìn)行了驗(yàn)證。 Li等[9]采用復(fù)雜系統(tǒng)仿真模型推導(dǎo)突發(fā)事件發(fā)生時政府、媒體、網(wǎng)民在輿情傳播中的作用。 Fang等[10]提出了一個采用社交媒體數(shù)據(jù)評估災(zāi)害影響的框架，如：將降雨量變化與社交媒體活動變化進(jìn)行連續(xù)時間段比較，分析社交話題與災(zāi)害變化的關(guān)系，并用2016年武漢暴雨洪澇災(zāi)害數(shù)據(jù)驗(yàn)證了該框架的有效性。 McGregor[11]分析了突發(fā)事件中公眾情緒的演化過程及公眾情緒對政府決策的影響。 Han等[12]對山東壽光洪災(zāi)期間社交媒體中的輿情進(jìn)行分析發(fā)現(xiàn),輿情主題和情感隨著災(zāi)情的演變而演變。 Gu等[13]提出了突發(fā)事件社交媒體行為情感演化的分析框架，并利用2019年無錫高架橋垮塌數(shù)據(jù)對框架進(jìn)行了驗(yàn)證。 安璐等[14]提出了融合主題及情感特征的突發(fā)事件微博輿情演化分析方法，以塞卡事件為例，揭示了輿情主題與情感的協(xié)同演化規(guī)律。 李綱等[15]對自然災(zāi)害事件情境下，社交媒體中的時空數(shù)據(jù)進(jìn)行了分析，對災(zāi)區(qū)和非災(zāi)區(qū)用戶的話題演化特點(diǎn)進(jìn)行了比較。 王晰巍等[16]利用LDA 主題模型、情感分析和社會網(wǎng)絡(luò)分析方法，構(gòu)建了公民隱私泄露的情感演化圖譜分析模型，該模型能有效揭示突發(fā)公共衛(wèi)生事件期間網(wǎng)民的情感演化特征。

2.2 突發(fā)事件短視頻輿情分析

Southwick等[17]對新冠疫情早期發(fā)布在TikTok短視頻平臺中的視頻信息進(jìn)行了內(nèi)容分析，包括公眾觀點(diǎn)、信息類型和誤導(dǎo)信息等，并提出了相應(yīng)的公共衛(wèi)生信息傳播及引導(dǎo)策略。 Li等[18]對TikTok短視頻平臺上發(fā)布的有關(guān)新冠疫情視頻的屬性，如類型、內(nèi)容及用戶參與度指標(biāo)，還有瀏覽量、點(diǎn)贊數(shù)、評論量等展開了分析，并依此結(jié)果給出了健康信息傳播的相關(guān)策略。 Chen等[19]分析驗(yàn)證了新冠疫情期間影響公民參與公共衛(wèi)生視頻傳播的因素，包括視頻長度、標(biāo)題、對話內(nèi)容及視頻類型等。 Unni等[20]分析了美國新冠疫情大流行期間，公眾在TikTok短視頻平臺上的信息行為特點(diǎn)，發(fā)現(xiàn)相較于后期，在疫情爆發(fā)的前兩個月，人們在平臺上的交流更為活躍。 Ostrovsky 等[21]呼吁Tik-Tok短視頻平臺在新冠病毒流行期間要發(fā)揮更大的正面作用，要引導(dǎo)青少年形成對公共衛(wèi)生的正確認(rèn)識。 高存玲等[2]指出，短視頻平臺的個性化推薦功能，可能會造成災(zāi)害信息的“馬太效應(yīng)”，影響公眾對災(zāi)害的認(rèn)知程度。 劉瓊等[22]運(yùn)用文本分析方法，對BiliBili網(wǎng)站新冠疫情視頻彈幕進(jìn)行分析發(fā)現(xiàn)，“視頻+彈幕”形式會加劇個體情緒向集體情緒轉(zhuǎn)化。 呂文寶[23]對新冠疫情期間主流媒體高贊抖音短視頻進(jìn)行分析發(fā)現(xiàn)，政府對疫情的反應(yīng)、正面信息報道、回應(yīng)社會關(guān)切等內(nèi)容易獲點(diǎn)贊，并提出了相關(guān)短視頻輿論引導(dǎo)策略。 李小軍等[24]對抖音短視頻平臺中有關(guān)新冠疫情的視頻進(jìn)行了多維度分析，包括賬號類型、視頻內(nèi)容、評論情感等，揭示了新冠疫情相關(guān)短視頻的傳播特點(diǎn)。 王英杰等[25]構(gòu)建了一套短視頻平臺網(wǎng)絡(luò)輿情預(yù)警指標(biāo)，并應(yīng)用安徽六安新冠疫情短視頻數(shù)據(jù)驗(yàn)證了指標(biāo)的有效性。

2.3 研究評述

綜上可見，無論是研究方法還是分析技術(shù)，突發(fā)事件情境下傳統(tǒng)社交媒體輿情演化研究成果已相當(dāng)豐富。 話題發(fā)現(xiàn)和情感分析技術(shù)幾乎成為了此類研究的標(biāo)配，數(shù)據(jù)維度也從單一的文本維度，拓展到時間、空間維度。

相較于傳統(tǒng)社交媒體輿情演化分析，突發(fā)事件短視頻輿情分析則剛剛起步。 現(xiàn)有研究主要圍繞新冠疫情展開，對短視頻輿情進(jìn)行內(nèi)容分析、影響因素分析、預(yù)警指標(biāo)設(shè)計(jì)等。 研究對象多聚焦于短視頻評論、短視頻標(biāo)題、用戶行為，對視頻內(nèi)容信息挖掘不足，尚未形成系統(tǒng)的短視頻內(nèi)容分析模型。

針對現(xiàn)有不足，本研究將構(gòu)建突發(fā)事件短視頻輿情演化分析模型，該模型將集成視頻分類、主題分析和情感分析等功能，形成一套可操作化的短視頻輿情內(nèi)容分析方法，用于刻畫和描述突發(fā)事件短視頻輿情演化過程。

3 研究框架與方法

3.1 研究框架

本研究的總體分析框架主要包含三個部分：第一部分，數(shù)據(jù)采集與處理，主要功能包括短視頻數(shù)據(jù)采集、數(shù)據(jù)清洗和數(shù)據(jù)壓縮；第二部分，淺層數(shù)據(jù)分析，主要功能包括對短視頻輿情演化階段進(jìn)行劃分，對基礎(chǔ)數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)，對短視頻輿情進(jìn)行傳播趨勢分析和賬號類型分析等；第三部分，深層數(shù)據(jù)分析，主要功能包括對短視頻數(shù)據(jù)進(jìn)行語音識別、視頻分類、情感分析、主題識別。 具體研究框架如圖1所示。

圖1 突發(fā)事件短視頻輿情演化分析框架

3.2 研究方法

依據(jù)研究框架，本文分三個部分對研究所采用的主要技術(shù)方法進(jìn)行介紹。

3.2.1 數(shù)據(jù)采集與處理

首先，采用Python編寫爬蟲代碼，調(diào)用抖音、快手、西瓜視頻等API，對預(yù)設(shè)時間段內(nèi)包含檢索關(guān)鍵詞的短視頻進(jìn)行爬取，生成數(shù)據(jù)列表，并存儲視頻文件。 其次，依據(jù)生成的數(shù)據(jù)列表，編寫爬蟲，繼續(xù)獲取短視頻屬性信息和用戶行為信息，包括博主粉絲數(shù)、視頻點(diǎn)贊量、回復(fù)數(shù)等。 最后，對數(shù)據(jù)列表和短視頻進(jìn)行核查，對其中的空值、重復(fù)值進(jìn)行處理，并確保列表數(shù)據(jù)與短視頻數(shù)據(jù)一一對應(yīng)。

對下載的短視頻數(shù)據(jù)集，利用開源軟件FFmpeg（http://ffmpeg.org/）進(jìn)行批量壓縮，以減少視頻數(shù)據(jù)占用的計(jì)算機(jī)存儲空間，便于后續(xù)智能化分析（視頻占用存儲空間越大，分析速度越慢）。

3.2.2 淺層數(shù)據(jù)分析

在淺層數(shù)據(jù)分析過程中，關(guān)鍵步驟是對短視頻輿情演化階段的劃分。 依據(jù)相關(guān)文獻(xiàn)[25]，本文將突發(fā)事件劃分為四個階段，分別是起始階段、爆發(fā)階段、衰退階段和平息階段。 同時，為了保證對不同樣本劃分的一致性，本文采用Fisher最優(yōu)分割算法[26]對短視頻輿情演化階段進(jìn)行劃分。 Fisher最優(yōu)分割算法是一種常用的有序數(shù)據(jù)樣本分割方法，通過分析有序數(shù)組內(nèi)的離差分布，獲得對有序數(shù)組的自適應(yīng)分割，是一種不破壞樣品順序的聚類方法。

3.2.3 深層數(shù)據(jù)分析

深層數(shù)據(jù)分析主要實(shí)現(xiàn)對視頻進(jìn)行分類、對視頻進(jìn)行情感分析、對視頻進(jìn)行主題分析。 主要技術(shù)方法介紹如下：

（1）視頻分類

首先，本文采用百度飛漿發(fā)布的大規(guī)模視頻分類預(yù)訓(xùn)練模型videotag_tsn_lstm 對短視頻數(shù)據(jù)集打標(biāo)簽。 該模型是一個基于千萬短視頻預(yù)訓(xùn)練的視頻分類模型，可直接預(yù)測短視頻的中文標(biāo)簽。 主要步驟：一是數(shù)據(jù)處理，對需要分類的短視頻數(shù)據(jù)進(jìn)行解碼，然后將輸出的圖像幀序列輸入到videotag中進(jìn)行訓(xùn)練和預(yù)測；二是圖像建模，先從訓(xùn)練數(shù)據(jù)中，對每個類別均勻采集少量樣本數(shù)據(jù)，構(gòu)成訓(xùn)練樣本，然后使用TSN 網(wǎng)絡(luò)進(jìn)行訓(xùn)練[27]，提取所有視頻幀的TSN模型分類層前一層的特征數(shù)據(jù)。 在這個過程中，每一幀都被轉(zhuǎn)化成相應(yīng)的特征向量，視頻被轉(zhuǎn)化成特征序列；三是序列學(xué)習(xí)，采用Attclusters、LSTM 和Nextvlad對特征序列進(jìn)行建模，學(xué)習(xí)各特征之間的組合方式，進(jìn)一步提高模型的準(zhǔn)確率[28]；四是預(yù)測結(jié)果，融合多個模型結(jié)果實(shí)現(xiàn)視頻分類。 模型基于短視頻場景中的大規(guī)模數(shù)據(jù)訓(xùn)練得到，分類準(zhǔn)確率達(dá)89.9%，具有良好的泛化能力，適用于多種短視頻中文標(biāo)簽分類場景[29]。 通過視頻分類，每條短視頻都將得到一組滿足預(yù)設(shè)閾值的視頻場景標(biāo)簽。

其次，獲得短視頻場景標(biāo)簽后，本文還借鑒TF-IDF算法的思想，將每條短視頻的標(biāo)簽集轉(zhuǎn)化為TF-IDF值，為后續(xù)標(biāo)簽聚類提供支持。 具體轉(zhuǎn)化方法如下：

其中（1）式為標(biāo)簽概率的計(jì)算方法，n i,j是場景標(biāo)簽在視頻文件dj中出現(xiàn)的概率值（由飛漿視頻分類模型得到），而分母則是所有視頻場景標(biāo)簽在視頻文件dj中出現(xiàn)的概率和（該概率和不為1，因?yàn)樵陲w漿視頻分類過程中，本文設(shè)置了概率值大于一定閾值的標(biāo)簽才會保留）。

完成短視頻TF-IDF值計(jì)算后，便可將處理好的數(shù)據(jù)集輸入K-Means聚類模型，將文檔標(biāo)簽集聚合為指定的簇?cái)?shù)。

由于短視頻自動分類過程中只產(chǎn)生了標(biāo)簽集，對標(biāo)簽集聚類也只是將相似場景的視頻聚在一起，既不能判斷場景中人物的具體行為，也不能判斷場景所表達(dá)的內(nèi)容。 因此，在短視頻分類的最后階段，仍然需要人工介入，對每一類場景視頻進(jìn)行瀏覽，并對視頻具體類別進(jìn)行標(biāo)注，直至最終完成所有視頻分類工作。 具體標(biāo)注過程是由專家首先大致確定短視頻的類型，列出類型列表；然后，招募6名標(biāo)注員分2組對短視頻進(jìn)行標(biāo)注，每組由2名標(biāo)注員對短視頻內(nèi)容進(jìn)行瀏覽，判斷短視頻類型，并標(biāo)注類型標(biāo)簽；第3名標(biāo)注員負(fù)責(zé)校對前2 名標(biāo)注員的標(biāo)注結(jié)果，若出現(xiàn)不一致情況，則對結(jié)果進(jìn)行仲裁，以保證數(shù)據(jù)的一致性和準(zhǔn)確性，若出現(xiàn)3 人判斷均不一致的現(xiàn)象，就將短視頻發(fā)送專家，由專家研判是否需要劃分新的類。 短視頻分類流程如圖2所示。

圖2 短視頻分類流程圖

（2）視頻情感分析

短視頻情感包括標(biāo)題表達(dá)的情感、語音表達(dá)的情感和影像表達(dá)的情感三種類型，因此，在分析過程中，本文采用先分別測算各類情感，而后再匯總的方式進(jìn)行。 ①標(biāo)題表達(dá)的情感，本文采用棧式雙向LSTM 模型進(jìn)行情感分析，該模型可自動判斷文本的情感極性類別并給出相應(yīng)的置信度，在百度數(shù)據(jù)集上測試分類準(zhǔn)確率為90%[30]。 ②語音表達(dá)的情感，本文采用科大訊飛API來實(shí)現(xiàn)，該API基于深度全序列卷積神經(jīng)網(wǎng)絡(luò)，可將音頻數(shù)據(jù)轉(zhuǎn)換成文本數(shù)據(jù)，通用語音識別率達(dá)98%[31]。 通過語音轉(zhuǎn)文字后，本文再利用情感分析模型對語音文本進(jìn)行情感分析。 ③影像表達(dá)的情感，這是短視頻情感分析的重點(diǎn)也是難點(diǎn)，由于技術(shù)的限制，本文采用人工標(biāo)注的方式進(jìn)行，該過程與視頻分類工作同步。由6名標(biāo)注員分別對短視頻進(jìn)行標(biāo)注，每組由2名標(biāo)注員對短視頻內(nèi)容進(jìn)行瀏覽，判斷情感傾向，并對短視頻標(biāo)注正面、負(fù)面、中立三類情感標(biāo)簽（值分別為1、0、0.5）；第3名標(biāo)注員負(fù)責(zé)校對前2 名標(biāo)注員的標(biāo)注結(jié)果，若出現(xiàn)不一致情況，則對結(jié)果進(jìn)行仲裁，以保證數(shù)據(jù)的一致性和準(zhǔn)確性。

在獲得短視頻的標(biāo)題情感、語音情感和影像情感數(shù)據(jù)后，需要對情感值進(jìn)行融合。 考慮到會出現(xiàn)標(biāo)題情感與語音情感不一致、語音情感和影像情感不一致等現(xiàn)象，需要對各類情感賦權(quán)，以保證短視頻所傳達(dá)的重要情感能夠準(zhǔn)確捕捉。 為此，本文選擇層次分析法來計(jì)算標(biāo)題情感、語音情感和影像情感的權(quán)重，最終各類情感權(quán)重分別為0.10、0.45、0.45。短視頻融合情感計(jì)算公式如下：

其中S i為融合情感得分，取值為0 到1區(qū)間，該值越接近于1情感越正面，越接近于0情感越負(fù)面。T i為標(biāo)題情感概率值得分，V i為語音情感概率值得分，P i為影像情感概率值得分。 最后，依據(jù)S i融合情感得分，對短視頻情感進(jìn)行分類，其中得分大于0.6 的判定為正面輿情、0.4—0.6 的判定為中立輿情、小于0.4 的判定為負(fù)面輿情。 另外，為了對情感進(jìn)行更細(xì)粒度劃分，本文還采用大連理工大學(xué)的情感詞匯本體庫[32]（樂、好、怒、哀、懼、惡、驚），對短視頻標(biāo)題和音頻文本進(jìn)行了情緒類別分析。 視頻情感分析流程如圖3所示。

圖3 短視頻情感分析流程圖

（3）視頻主題分析

對短視頻輿情主題演化趨勢進(jìn)行分析，有助于刻畫突發(fā)事件輿情主題的演變過程，揭示危機(jī)發(fā)展的不同階段公眾的主要利益訴求及關(guān)注點(diǎn)。 本文采用LDA（Latent Dirichlet Allocation）模型對短視頻標(biāo)題和音頻文本主題進(jìn)行挖掘[33]。 LDA 模型采用了詞袋的方法，將每一篇文檔視為詞頻向量，從而將文本信息轉(zhuǎn)化為數(shù)字信息，最終構(gòu)成“文檔-主題分布”和“主題-詞分布”數(shù)據(jù)。一篇文檔隸屬于一個或多個主題，且文檔中的每個詞都有一定概率屬于某個主題，因此，LDA模型有助于挖掘大規(guī)模文檔中的潛在主題信息。

本文采用困惑度（perplexity）來確定最優(yōu)主題數(shù)量[34]，困惑度常用來度量一個概率分布或概率模型預(yù)測樣本的優(yōu)劣程度。 理論上，困惑度值越小，主題模型的準(zhǔn)確度越高，但也存在主題數(shù)量越多值越小的情況，一般來說，困惑度值的拐點(diǎn)對應(yīng)的主題數(shù)為最佳主題數(shù)。 困惑度計(jì)算公式為：

其中，D表示文檔中所有詞的集合，M表示文檔的數(shù)量；W d表示文檔d中的詞；N d表示每個文檔中d的詞數(shù)；P(w d)表示文檔中詞出現(xiàn)的概率。

另外，為了獲得主題的演化規(guī)律，本文在得到主題數(shù)后，還會將文檔-主題分布數(shù)據(jù)按分析時間段進(jìn)行計(jì)算，獲得每個主題在連續(xù)的時間窗口內(nèi)的分布強(qiáng)度，依據(jù)不同時間窗口內(nèi)主題強(qiáng)度的變化情況，分析視頻主題的演化過程。

4 案例選擇與數(shù)據(jù)來源

4.1 案例選取

2021年7月鄭州遭遇罕見特大暴雨，共造成292人遇難，47 人失蹤，據(jù)中央氣象臺監(jiān)測數(shù)據(jù)顯示，7 月19 日鄭州單日降雨量突破歷史極值（氣象站建站以來）[35]。 2021年7月19日21時59分，鄭州氣象局發(fā)布暴雨紅色預(yù)警信號，次日上午又連續(xù)簽發(fā)三次暴雨紅色預(yù)警信號，20日，“河南大雨”“鄭州地鐵4號線成水簾洞”等多個鄭州暴雨話題登上各大短視頻平臺熱搜榜，引發(fā)3032.33萬次網(wǎng)絡(luò)討論[36]。 因此，本文選取鄭州特大暴雨事件作為典型案例進(jìn)行研究。

4.2 數(shù)據(jù)來源

本研究的短視頻數(shù)據(jù)集，來自抖音、快手、西瓜、今日頭條等短視頻平臺。 采集關(guān)鍵字為“鄭州暴雨”，采集時間為2021 年7月19日至2021年8月3日。 通過對采集數(shù)據(jù)進(jìn)行排重、空值處理后，共保留有效短視頻數(shù)據(jù)1102條，經(jīng)壓縮后視頻文件共5G。 數(shù)據(jù)內(nèi)容包含短視頻文件、短視頻大小、短視頻時長、短視頻點(diǎn)贊量、短視頻評論量、發(fā)布時間、博主類型、標(biāo)題、作者等。 另外，為了考察災(zāi)害程度與短視頻發(fā)布量的關(guān)系，本文還收集了同期鄭州市每日降雨量數(shù)據(jù)。

5 數(shù)據(jù)分析結(jié)果

5.1 短視頻輿情總體傳播趨勢分析

對2021 年7 月19 日至2021 年8 月3日，短視頻平臺發(fā)布的視頻數(shù)量、正面視頻數(shù)量、負(fù)面視頻數(shù)量、中立視頻數(shù)量、點(diǎn)贊量、評論量、降雨量進(jìn)行時序分析，如圖4所示?？紤]到該案例持續(xù)時間相對較短，為了更細(xì)致展示短視頻輿情傳播的趨勢，本文將時間軸進(jìn)一步劃分為上午（0 點(diǎn)—12 點(diǎn)）、下午（13點(diǎn)—24點(diǎn)）。

由圖4 可見，短視頻輿情發(fā)布具有很強(qiáng)的時間特征，即下午發(fā)布的視頻數(shù)量明顯比上午發(fā)布的視頻數(shù)量要多。 輿情數(shù)據(jù)在上下午之間呈現(xiàn)波浪起伏狀。 同時，短視頻輿情發(fā)布數(shù)量也與災(zāi)害嚴(yán)重程度相關(guān)，災(zāi)害最嚴(yán)重時（降雨量最大的時間段），也即是短視頻發(fā)布的最高峰，相應(yīng)地，此時負(fù)面輿情數(shù)量、視頻點(diǎn)贊、回復(fù)數(shù)量也最多，甚至，短視頻發(fā)布量的上下午起伏波動幅度在此時也最小，側(cè)面說明災(zāi)情相對嚴(yán)重，影響到了公眾正常的生活，促使其向平臺發(fā)布更多的信息，以獲取更大關(guān)注。 隨著救援工作的展開和災(zāi)害的緩解，正面輿情迅速上升，并成為主流。

圖4 鄭州特大暴雨短視頻輿情總體傳播趨勢圖

5.2 賬號類型分布及變化趨勢分析

（1）賬號類型分布特征

依據(jù)短視頻博主賬號所屬機(jī)構(gòu)的不同，本文將博主賬號分為中央媒體、地方媒體、政務(wù)媒體、自媒體（企業(yè)）、自媒體（個人）五類賬號。 同時，考慮到不同賬號的影響力，本文還按照賬號粉絲數(shù)將其劃分為有少許影響力的賬號、有一定影響力的賬號、有較大影響力的賬號和有重要影響力的賬號四類，劃分方法為對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，取所有賬號粉絲數(shù)4分位數(shù)，即104、1210、11000，將其劃分為4個數(shù)據(jù)段，每一數(shù)據(jù)段對應(yīng)一類賬號，如0—104粉絲量的賬號為有少許影響力的賬號，105—1210粉絲量的賬號為有一定影響力的賬號，依此類推，得到各類賬號影響力分類。

從數(shù)量上看，中央媒體占總數(shù)7%、地方媒體占總數(shù)13%、政務(wù)媒體占總數(shù)7%、自媒體（含企業(yè)和個人）占總數(shù)73%；從影響力分布看，占比并不高的中央媒體、地方媒體和政務(wù)媒體（共占總數(shù)27%）卻有很強(qiáng)的影響力，三類賬號中屬于“有重要影響力”的賬號占比達(dá)95.20%，自媒體賬號（含企業(yè)和個人）雖數(shù)量眾多，但“有重要影響力”的賬號只占4.80%（“賬號類型分布特征圖”見：https://docs.qq.com/doc/DY2ZVSFBYaXNZ Q3BW）。

（2）賬號類型變化趨勢分析

依據(jù)3.2 節(jié)輿情演化階段劃分方法，采用Fisher最優(yōu)分割算法對每日短視頻輿情數(shù)據(jù)進(jìn)行聚類，將其劃分為四個階段，分別為起始階段（7月19日下午至20日下午）、爆發(fā)階段（21 日上午至22 日上午）、衰退階段（22日下午至26日上午）、平息階段（26日下午至8月3日下午）。 各類型賬號在各演化階段分布見圖5。

由圖5 可見，在鄭州特大暴雨事件的起始階段，參與視頻發(fā)布的賬號主要為自媒體（個人），及地方媒體，他們發(fā)布了該階段83.62%的視頻。 這一方面，是因?yàn)檫@類賬號距離災(zāi)害發(fā)生地近，對災(zāi)害天然敏感；另一方面，相對于其他類型賬號，他們視頻的制作及發(fā)布流程相對簡單。 在爆發(fā)階段，中央媒體、地方媒體和政務(wù)媒體顯著發(fā)力，他們發(fā)布視頻的比重明顯增多，起到了重要的輿論監(jiān)督和引導(dǎo)作用。 在衰退和平息階段，災(zāi)害基本得到緩解，中央媒體的職能已在前期階段發(fā)揮，快速退場，視頻發(fā)布主要由自媒體（個人）和地方媒體主導(dǎo)。

圖5 賬號類型變化趨勢分析圖

5.3 短視頻輿情類型分布及變化趨勢分析

（1）視頻時長分布及變化趨勢分析

對短視頻播放時長進(jìn)行統(tǒng)計(jì)，將其劃分為四類，分別為小于30秒（911條）、大于30秒小于1分鐘（116 條）、大于1 分鐘小于2分鐘（54 條）、大于2 分鐘（21 條）。 四類不同播放時長的短視頻，在不同演化階段的分布具有如下特征，即在災(zāi)害的起始階段，由于事態(tài)的緊急性和突發(fā)性，為了快速向外界傳遞危機(jī)信息，視頻以30秒以下的小微視頻為主。 在爆發(fā)階段和衰退階段，隨著災(zāi)害的不斷發(fā)展，一些先進(jìn)事跡、典型案例開始涌現(xiàn)，一些以記敘為主的短視頻開始增多，短視頻的時長也相對增長，在平息階段，災(zāi)害得到妥善處置，各類短視頻迅速減少（“短視頻時長分布及變化趨勢圖”見：https://docs.qq.com/doc/DY2ZVSFBYaXNZQ3BW）。

（2）視頻畫面分布及變化趨勢分析

依據(jù)3.2 節(jié)自動分類方法，設(shè)置分類閾值為0.1，對各條短視頻中出現(xiàn)的場景打標(biāo)簽，形成短視頻標(biāo)簽集。 對集合中的場景標(biāo)簽進(jìn)行分階段統(tǒng)計(jì)，將各階段排名前10的標(biāo)簽列表展示，如表1所示。

由表1可見，在起始階段（該階段視頻總量為232條），短視頻輿情發(fā)布了大量的洪災(zāi)場景，如雨、內(nèi)澇、洪水等，并且標(biāo)簽集中度非常高，大量視頻都被標(biāo)注在少部分標(biāo)簽，從側(cè)面說明了，災(zāi)害嚴(yán)重程度較大。 在爆發(fā)階段（該階段視頻總量為422條），標(biāo)簽有了顯著的變化，集中度變低，視頻內(nèi)容開始分化。但是從標(biāo)簽名稱來看，主要反映的還是災(zāi)害場景。 在衰退階段（該階段視頻總量為327條），標(biāo)簽集中度進(jìn)一步降低，內(nèi)容開始多元。 在平息階段（該階段視頻總量為121條），災(zāi)害場景標(biāo)簽稀少，娛樂化場景增多。

表1 視頻畫面標(biāo)簽分布及變化趨勢表

（3）視頻類型分布及變化趨勢分析

依據(jù)3.2 節(jié)短視頻內(nèi)容分類方法，對短視頻數(shù)據(jù)進(jìn)行分類，各類視頻各演化階段分布情況及變化趨勢如圖6所示。

由圖6可見，與標(biāo)簽分類一致，在起始階段，大量賬號發(fā)布了受災(zāi)情況的視頻，如城市內(nèi)澇、洪水淹沒房屋、車輛、行人被困街道、地鐵等。 在爆發(fā)階段，除了受災(zāi)情況視頻，應(yīng)急救援和贊揚(yáng)祈福的視頻也占了相當(dāng)比重，如部隊(duì)、警察、消防員對受災(zāi)群眾的救援、受災(zāi)者互助自救、對救援人員及公民勇于擔(dān)當(dāng)、不懼艱險行為的贊許，以及為災(zāi)區(qū)人民祈福、保佑平安等。 在衰退階段，災(zāi)后重建和個人感悟類視頻明顯增多，如大雨過后人們在城市中穿行、社會秩序恢復(fù)，以及個人對災(zāi)難的感悟、思考等。 該階段視頻內(nèi)容開始分化，其他類視頻明顯增多。 在平息階段，災(zāi)后重建和對逝者的哀悼成為主旋律，如新聞報道遇難者信息等。 總的來看，隨著突發(fā)事件的不斷演進(jìn)，短視頻輿情類型也逐漸從單一轉(zhuǎn)向多元。

圖6 視頻類型分布及變化趨勢分析

5.4 短視頻輿情情感主題演化分析

短視頻輿情類型分布及變化趨勢分析，在一定程度上揭示了輿情內(nèi)容的變化特點(diǎn)，但若要探尋突發(fā)事件中公眾關(guān)注的焦點(diǎn)及情緒變化狀態(tài)，以便有針對性地開展輿情處置和引導(dǎo)工作，仍需要從更細(xì)粒度層面對數(shù)據(jù)進(jìn)行挖掘。 為此，本節(jié)運(yùn)用3.2節(jié)介紹的短視頻主題分析方法，對各類情感傾向的短視頻文本進(jìn)行挖掘，從而刻畫不同類別輿情情感主題演化過程。

（1）正面情感主題演化分析

利用LDA模型對短視頻正面情感輿情進(jìn)行主題挖掘，得到四個主題，各主題意義及演化趨勢如圖7和表2所示。 其中參與正面輿情主題挖掘的視頻數(shù)為506篇，表2中視頻數(shù)代表該主題分布概率大于0.5的數(shù)據(jù)數(shù)量。

由圖7和表2可見，正面情感主題主要集中于爆發(fā)階段，討論內(nèi)容與視頻分類結(jié)果有一定的重疊，如對互助行為的贊許和給災(zāi)區(qū)人民加油，而LDA 還挖掘出了一些典型話題，這在視頻分類中是很難單獨(dú)描述的，如消防人員救援困在鄭州地鐵中的群眾。 正面主題發(fā)布時間主要集中于輿情爆發(fā)階段，該階段災(zāi)害已有所緩解（降雨量數(shù)據(jù)呈下降趨勢），情緒表達(dá)以“好”“樂”為主，相關(guān)主題輿論場正能量充盈。

表2 正面情感輿情主題

圖7 正面情感各主題演化趨勢

（2）負(fù)面情感主題演化分析

與正面情感主題分析方法一樣，對負(fù)面情感主題進(jìn)行挖掘，得到六個主題，各主題意義及演化趨勢如圖8和表3所示，其中，參與負(fù)面輿情主題挖掘的視頻數(shù)為456個。

由圖8和表3可見，負(fù)面情感主題大部分集中爆發(fā)于起始階段，后續(xù)階段隨著一些災(zāi)害衍生事件的發(fā)生也會出現(xiàn)小幅波峰，如受大雨影響居民的正常生活被打亂，對災(zāi)后城市一片狼藉的感慨等。 總的來看，在鄭州暴雨事件中，公眾關(guān)注的焦點(diǎn)主要集中在災(zāi)害嚴(yán)重程度（如城市內(nèi)澇程度）及災(zāi)害造成的衍生焦點(diǎn)事件上（如群眾被困地鐵）。 同時，負(fù)面輿情爆發(fā)的時間點(diǎn)相對集中，即降雨量最大時段，該階段災(zāi)害造成的影響呈并發(fā)態(tài)勢，是救援的真空期，此時，危機(jī)信息尚未匯總，災(zāi)害情況不斷發(fā)生，相關(guān)災(zāi)情態(tài)勢尚不明朗，情感相對負(fù)面，視頻中表達(dá)“怒”“懼”“惡”等情緒占有一定比重。

圖8 負(fù)面情感各主題演化趨勢

表3 負(fù)面情感輿情主題

（3）中立情感主題演化分析

與上述分析方法一樣，對中立情感主題視頻數(shù)據(jù)共140條進(jìn)行挖掘，得到兩個主題，各主題意義及演化趨勢如圖9和表4所示。

由圖9和表4可見，中立主題主要集中在災(zāi)情爆發(fā)階段和衰退階段，主要為自救知識宣傳和衛(wèi)生知識宣傳。 從主題情緒分布來看，短視頻情緒表達(dá)比較正面，以“好”“樂”兩類為主。

表4 中立情感輿情主題

圖9 中立情感各主題演化趨勢

6 討論分析

6.1 短視頻輿情演化的內(nèi)容特征

從“鄭州特大暴雨事件”短視頻輿情演化分析中發(fā)現(xiàn)，隨著時間的推移，短視頻內(nèi)容具有明顯的變化。 在危機(jī)初期，短視頻主要反應(yīng)的是現(xiàn)場災(zāi)害實(shí)況，內(nèi)容相對聚焦，視頻的點(diǎn)贊量、回復(fù)數(shù)也最多，集聚了大量網(wǎng)民關(guān)注；隨著危機(jī)發(fā)展，內(nèi)容開始分化，實(shí)況視頻開始減少，救災(zāi)事跡、加油鼓勁的視頻開始涌現(xiàn)；最后危機(jī)消退，內(nèi)容進(jìn)一步分化，娛樂化、反思式的內(nèi)容開始增多。 同時，從視頻發(fā)布的數(shù)量來看，上午發(fā)布的視頻數(shù)明顯比下午發(fā)布的視頻數(shù)要少。

針對以上情況，本研究認(rèn)為，依據(jù)突發(fā)事件短視頻輿情內(nèi)容演化特征，管理部門可根據(jù)不同類型短視頻的發(fā)布數(shù)量，來評估災(zāi)情所處的階段、受災(zāi)范圍及嚴(yán)重程度，并且還可通過短視頻內(nèi)容的集中度來間接測度災(zāi)后恢復(fù)水平。 另外，短視頻發(fā)布數(shù)量的時間趨勢也可作為預(yù)判危機(jī)的一個重要參考，如短期內(nèi)相關(guān)信息迅速爆發(fā)、違反發(fā)布時間規(guī)律等，出現(xiàn)上述情況則需要警惕事故的嚴(yán)重性。

6.2 短視頻輿情演化的來源特征

從“鄭州特大暴雨事件”短視頻信息來源看，大量短視頻來自于自媒體創(chuàng)作，在危機(jī)事件中，自媒體賬號占到賬號總數(shù)的73%，且在演化的不同階段，賬號分布比例具有顯著差異。 在危機(jī)初期，短視頻信息主要來自自媒體，在危機(jī)全面爆發(fā)階段，主流媒體賬號開始大量介入報道，賬號占比顯著增多，待事態(tài)平息后，自媒體賬號再次成為主要信息來源。

自媒體賬號具有主觀性、業(yè)余性、片面化等特點(diǎn)，危機(jī)初期大量自媒體賬號在網(wǎng)絡(luò)中發(fā)布短視頻，易產(chǎn)生信息迷霧，進(jìn)而為謠言和虛假信息提供溫床。 因此，危機(jī)爆發(fā)后，一方面，主流媒體應(yīng)第一時間跟進(jìn)事態(tài)，發(fā)布權(quán)威信息；另一方面，管理部門還應(yīng)積極與短視頻平臺合作，在特殊時段，降低自媒體賬號信息推送權(quán)重，減緩非權(quán)威信息的擴(kuò)散速度和擴(kuò)散范圍，保障輿論場整體信息質(zhì)量。

6.3 短視頻輿情演化的情感特征

對“鄭州特大暴雨事件”短視頻輿情情感特征演化過程進(jìn)行分析發(fā)現(xiàn)，在危機(jī)初期，夾帶負(fù)面情緒的短視頻較多，這些視頻主題以播報災(zāi)害情況為主，情緒中包含較多的“懼”“惡”“怒”等特征詞。 危機(jī)全面爆發(fā)后，應(yīng)急部門和主流媒體大量介入，短視頻中的正能量明顯增多，“好”“樂”兩類情緒表達(dá)更頻繁。 總體來看，在整個突發(fā)事件短視頻輿情演化過程中，正面情感一直都是輿論場中的主流基調(diào)。

突發(fā)自然災(zāi)害事件發(fā)生后，由于事態(tài)的突發(fā)性、緊急性、不可控性等原因，易導(dǎo)致群體認(rèn)知失調(diào)，造成社會情緒的應(yīng)急反應(yīng)，即出現(xiàn)普遍的恐慌、焦慮、緊張等情緒。 此時，若短視頻中表達(dá)的情緒相對負(fù)面，便會進(jìn)一步強(qiáng)化這類負(fù)面情緒，引起情緒極化，造成社會恐慌。 為此，在突發(fā)事件發(fā)生后，管理部門應(yīng)密切關(guān)注短視頻輿情情緒波動情況，及時干預(yù)，減緩不良情緒帶來的負(fù)面影響。

7 研究結(jié)論

在理論層面，本研究提出了一個包含數(shù)據(jù)采集與處理、淺層數(shù)據(jù)分析、深層數(shù)據(jù)分析的突發(fā)事件短視頻輿情演化的分析模型，該模型融合了多種信息處理技術(shù)，如視頻壓縮、視頻分類、音頻分析、情感分析、主題發(fā)現(xiàn)等，能有效刻畫短視頻情境下突發(fā)事件輿情的演化過程，把握輿情發(fā)展態(tài)勢。 同時，本研究還揭示了一些短視頻情境下輿情的獨(dú)有特征，如不同類型賬號在不同危機(jī)階段發(fā)布內(nèi)容的頻次、主題差異，以及不同時間段短視頻數(shù)量的變化趨勢等。

在實(shí)踐層面，本文提出的演化分析模型為相關(guān)部門提供了一套可操作的短視頻輿情分析方法，為研判危機(jī)發(fā)展態(tài)勢，了解公眾訴求，開展救援工作提供了方法論上的支持。同時，通過對危機(jī)發(fā)展不同階段，短視頻輿情賬號類型、主題內(nèi)容和情緒變化的分析，有助于管理部門復(fù)盤突發(fā)事件輿情演化的過程，評估引導(dǎo)效果，為發(fā)現(xiàn)管理癥結(jié)、優(yōu)化引導(dǎo)策略提供支持。

研究過程中，本研究仍有一些局限，首先，在視頻分類上，機(jī)器分類尚不能完全取代人工，一些場景、歌曲、行為給人帶來的氛圍感目前機(jī)器分類還難以識別；其次，由于短視頻由標(biāo)題、音頻和影像組成，因此，情感判斷就需要融合三種模態(tài)的信息，而本文采用的融合方式相對簡單，對于一些特異性情感表達(dá)把握不準(zhǔn)，如語音表達(dá)的是正面情緒，背景影像卻是負(fù)面的，這對于自動化情緒識別就會造成干擾。 如何采取更高效、準(zhǔn)確的方法來對短視頻情緒進(jìn)行分析，是未來的重要方向。