溫志韜 夏一雪

(中國人民警察大學網絡輿情治理研究中心 廊坊 065000)

1 研究現狀

突發(fā)事件發(fā)生后，網絡輿情呈現主體多元化，主題多樣化，情感復雜化，傳播高速化等特征，導致網絡輿情生態(tài)格局發(fā)生深刻變化。如何深度分析海量輿情數據，快速、動態(tài)、全面感知突發(fā)事件網絡輿情態(tài)勢已成為提升政府網絡輿情治理效能的關鍵。

網絡輿情是極具中國特色的熱點研究領域，其研究主題主要圍繞網絡輿情演化機理、輿情話題內容、網民情感、輿情傳播主體等方面展開，研究方法涉及了統(tǒng)計學模型、系統(tǒng)理論方法、傳統(tǒng)機器學習方法、深度神經網絡等。a.網絡輿情演化機理方面，基于SIR模型、Logistic模型、博弈模型等[1-3]進行建模和仿真研究；b.在輿情話題內容方面，使用LDA主題模型、SVM、邏輯回歸等方式[4-6]，對輿情進行內容分析和主題發(fā)現；c.在網民情感方面，側重使用樸素貝葉斯、Single-Pass聚類算法、情感詞典等[7-9]，開展定性的情感分類和定量的情感計算；d.在輿情傳播主體方面，有通過用戶畫像、主體建模等[10-11]，對輿情傳播主體進行屬性特征刻畫、主體關系研究。

綜合上述分析，在已有研究中，網絡輿情演化機理研究與網絡輿情態(tài)勢研究(包括對輿情傳播主體、輿情話題、網民情感等的研究)往往分開進行，而實際上兩個研究方向具有內在的邏輯聯(lián)系：網絡輿情演化機理揭示了網絡輿情演化的內在規(guī)律，而網絡輿情態(tài)勢則是在規(guī)律之上，網絡輿情所呈現的外在表現形式。因此，本文基于網絡輿情演化機理對網絡輿情態(tài)勢開展研究，提出網絡輿情態(tài)勢感知模型，搭建對網絡輿情態(tài)勢演化的綜合研究框架，并開展基于階段數據累加的網絡輿情態(tài)勢動態(tài)研究，以彌補靜態(tài)研究的不足，更全面清晰地展現出網絡輿情態(tài)勢演化過程，為政府治理網絡輿情提供參考依據。

2 基于Gompertz的突發(fā)事件網絡輿情演化機理

2.1 網絡輿情演化生命周期

信息生命周期理論指出，信息是具有生命周期的資源，在其自身從產生到消亡的運動過程中，存在循環(huán)往復的過程和規(guī)律性特征[12]。網絡輿情作為公眾對公共事件所持有的多種意見、情緒、態(tài)度的總和[13]，其傳播過程實質上是以信息作為載體，因此，也就具有完整的生命周期和周期性特點。而網絡輿情在周期運動中的階段性規(guī)律，也決定了網絡輿情具有階段性特征，具體而言，體現在網絡輿情在不同階段具有不同的傳播速率、信息體量、階段時長等。

由此，網絡輿情的傳播過程，也即網絡輿情的演化具有周期性和階段性兩項基本特征。相關領域學者對網絡輿情演化過程提出了三階段劃分[14]、四階段劃分[15]、五階段劃分[16]等理論，總結已有理論成果中的相關論述，網絡輿情演化都可以描述為一個常態(tài)過程：在網絡輿情產生之初，其熱度和傳播速率均處于較低值；隨著相關事件的發(fā)酵，輿情的傳播速率逐漸加快并達到最大值，此時，輿情熱度會在短時間內迅速達到峰值；在這之后，由于政府部門的管控、相關事件的自身消亡等原因，輿情熱度會在一段時間內逐漸下降并維持在較低值，最終消亡(圖1，“搶購雙黃連”事件)。

但是，由于受多種社會因素影響，部分網絡輿情會產生異于常態(tài)過程的演化。比如對于一些突發(fā)事件，由于其波及范圍廣、影響人數多，在事件發(fā)生之初便引起公眾的高度關注，擁有極快的傳播速率，在極短時間內便達到熱度峰值，不存在事件發(fā)酵過程(圖1，“鄭州暴雨”)。此外，由于次生效應、喚醒效應的影響[20]，部分輿情事件會在一段時間內多次反復達到熱度峰值，呈現“多峰”的演化趨勢(圖1，“重慶公交墜江”事件)。盡管此類輿情事件各具演化特征，但只是從現象層面反映了周期運動中某一階段持續(xù)時間的縮短(迅速到達熱度峰值)或者新一輪周期運動的開啟(反復出現熱度峰值)，在本質上仍舊契合信息生命周期運動的周期性、階段性特征，具有同質性。

圖1 網絡輿情事件演化趨勢

2.2 基于Gompertz的突發(fā)事件網絡輿情演化建模

在網絡信息環(huán)境中，各類可統(tǒng)計信息(如：話題傳播量、網絡搜索量、媒體發(fā)布量等)可用于度量某一網絡輿情的演化，假設這些信息量是關于時間的連續(xù)可微函數，則生態(tài)學中的種群生長模型適用于網絡輿情演化建模。常見的生長曲線如：Logistic曲線、林德諾曲線、Gompertz曲線等，均可以用于模型構建，但是，在自媒體充斥互聯(lián)網、網絡社交平臺高度普及的環(huán)境下，網民參與討論的活躍度與信息傳播的速度前所未有，各類信息會在短時間內形成共振效應與聚集效應[17]，因此，突發(fā)事件輿情信息在網絡上的傳播會有如下特點：

a.“輿情爆發(fā)如山倒”。在短時間內，相關輿情信息會在網絡上迅速增長，輿情熱度迅速達到峰值，網絡輿情爆發(fā)時間靠前，絕大多數輿情信息集中于輿情爆發(fā)之初的一段時間內，要求政府相關部門在“黃金4小時”原則下做出迅速的反應。

b.“輿情消亡如抽絲”。在度過輿情峰值時間點后，對輿情事件的關注熱度會逐漸下降，但是，網絡環(huán)境中會有對輿情事件的持續(xù)關注，致使其熱度在之后較長一段時間內呈現低水平狀態(tài)。

以上兩個特征，使得突發(fā)事件輿情信息在分布上呈現“長尾分布”。考慮到此，本文選擇了非對稱的、拐點偏前的Gompertz模型對突發(fā)事件網絡輿情演化進行建模，并對模型進行三階段劃分，即：

(1)

其中，定義X為網絡輿情的網絡搜索量(搜索指數)，r為輿情傳播的固有增長率，K為增長上限,X0為初值。

圖2 突發(fā)事件網絡輿情演化三階段劃分

(2)

其中，△X(t)=X(t)-X(t-1),可以看出，△X(t)是關于XlnX和X的多元函數，通過多元線性回歸即可擬合得到參數-r和rlnK的取值，進而解出參數r、K的取值。

3 基于演化建模的突發(fā)事件網絡輿情態(tài)勢感知方法

3.1 突發(fā)事件網絡輿情態(tài)勢量化

已有突發(fā)事件網絡輿情研究文獻中，不同學者對網絡輿情有不同定義，為提煉共性認識，對眾多定義進行詞頻統(tǒng)計分析，詞節(jié)點可分為3類：一是關于網絡輿情中參與主體的，如：“主體”“民眾”“公眾”等；二是關于網絡輿情主題的，如：“事件”“內容”“本體”等；三是關于參與主體情感的，如：“情緒”“情感”“態(tài)度”等?？煽闯?，主體、主題、情感是網絡輿情研究的3個主要角度，基于此，本文將網絡輿情態(tài)勢定義為網絡輿情在演化過程中在上述3個角度下所呈現的形態(tài)，這種形態(tài)是突發(fā)事件網絡輿情演化在其本質規(guī)律之上的外在表現，需要基于演化機理從主體、主題、情感3個層面進行量化和感知：

a.對主體的量化。主體是指關注并通過網絡平臺參與輿情討論的實體，包括了個人用戶、媒體用戶等，用戶畫像可用于對主體信息特征、興趣偏好、需求信息等的描述。統(tǒng)計學方法被普遍用于用戶畫像，可對主體的地域分布特征和性別分布特征進行量化。

b.對主題的量化。輿情主題是在一定時間段內，網民對網絡輿情的關注熱點。單個輿情在發(fā)展過程中，受網民觀點表達、官方更新報道、其他相關輿情出現等因素的影響，網民對輿情的關注熱點會隨時間的推移而變化。LDA模型可用于對輿情主題的量化，其在貝葉斯框架下，用詞在主題中的概率分布(主題-詞模型)和主題在文檔中的概率分布(文檔-主題模型)來描述給定文檔，推測其主題的概率分布[19]。

c.對情感的量化。在網絡輿情環(huán)境下，網民通過發(fā)文將主體情感“映射”到了文本信息上，因此，對主體情感的量化需要對文本信息進行情感分析。基于情感詞典的文本情感分析技術是一種常用的方法，該方法提取文本中的情感詞語與情感詞典中的情感詞相匹配，展開情感極性、細粒度分析等研究。

在已有的情感詞典中，大連理工大學中文情感詞匯本體庫[20]應用較廣，將其作為基礎詞典，能夠匹配到大多數常用情感詞。但是，在實際應用中會存在一類特殊情感詞，其情感屬性只有在特定事件的特定語境下才會明顯顯現，而這一類情感詞基礎詞典無法匹配。為了正確匹配該類詞匯，本文采用了篩選特定事件情感詞并擴展基礎詞典的方法，以提升文本情感評分的準確性。

3.2 突發(fā)事件網絡輿情態(tài)勢感知模型

隨著網絡輿情的規(guī)律性演化，網絡輿情態(tài)勢也將呈現演化特征，以Gompertz輿情演化三階段建模為基礎，結合網絡輿情態(tài)勢的主體、主題、情感3個層面，構建網絡輿情態(tài)勢感知模型，如圖3所示。模型定義變量s為感知態(tài)，表示某一特定輿情態(tài)勢。從感知階段角度出發(fā)，定義s(i=1,2,3)為感知階段態(tài)，分別表示輿情發(fā)展的潛伏期、擴展期和消退期的感知態(tài)。從感知層面角度出發(fā)，定義s[j](j=1,2,3)為感知層面態(tài)，分別表示主體層面、主題層面和情感層面的感知態(tài)?；谏鲜龆x，構建了九個獨立的感知態(tài)，分別從3方面開展網絡輿情態(tài)勢研究:

圖3 網絡輿情態(tài)勢感知模型

a.對任意感知階段、任意感知層面下的網絡輿情態(tài)勢開展獨立研究，即對s[j](i=1,2,3;j=1,2,3)開展研究。

4 實證研究

4.1 案例來源和階段劃分

2020年“杭州女子失蹤案”在全網引起了廣泛的關注，連續(xù)多日登上微博熱搜。7月初，網絡平臺上開始出現以“杭州女子失蹤”為話題的未經官方證實的信息，在小范圍內引起了網民的關注，討論主題集中于對該事件真實性的懷疑。至7月25日杭州警方正式通報相關案情，證實了事件的真實性，輿情事件迅速發(fā)酵，負面評論和消極情緒在網絡上迅速傳播。面對此種情況，地方政府、公安部門和各大官方媒體采取措施，通過及時公布案件調查進展、報道辦案民警連夜作戰(zhàn)等方式，積極引導網絡輿論，安撫網民的負面情緒?？梢钥闯?，在該輿情事件的整個演化過程中，網絡輿情態(tài)勢在主體、主題、情感層面都出現了明顯的變化。因此，本文以該事件為研究對象，利用百度指數數據，通過多元差分回歸法擬合Gompertz模型，得到該輿情事件傳播的固有增長率為0.33623，增長上限為661612.07915,擬合優(yōu)度R2為0.8185。按照3.1中提出的網絡輿情傳播三階段劃分法，將輿情事件發(fā)生后的第4日(t1=4.42898)與第7日(t2=7.25734)作為關鍵時間節(jié)點，第1日到第4日劃為潛伏期，第4日到第7日劃為擴散期，第7日后進入消退期。擬合結果如表1和圖5所示。

圖5 網絡輿情態(tài)勢可視化框架

表1 相關參數擬合結果

圖5 Gompertz模型擬合

4.2 數據來源及處理

以4.1中得出的時間節(jié)點為劃分依據，分別爬取該輿情事件潛伏期、擴散期和消退期的微博數據，共獲取了約8 000條微博評論數據和213條微博用戶信息數據。其中，擴散期集中了絕大多數數據，約占總數據量的68%，潛伏期和消退期數據量占比分別約為4%和28%。將評論數據和用戶信息數據按輿情發(fā)展階段劃分，分別存儲到3個文檔中。其中，每條用戶信息包括了用戶名、地域、性別3個屬性，用做地域和性別分布分析，評論數據用做主題建模和情感分析。

在進行主題建模時，對評論數據分詞后去除停用詞，保留出現頻次大于5次的分詞。每個文檔生成對應的BOW稀疏向量，并在此基礎上計算各個分詞的TF-IDF數值，將BOW稀疏向量作為文檔特征進行LDA建模。

在進行情感分析時，首先構建特定事件情感詞典，對所有評論數據進行詞頻統(tǒng)計后，在前300個詞中篩選具有情感傾向的詞匯64個，并通過多人標注投票和取平均值的方式確定詞匯的情感分類和強度，部分特定事件情感詞如表2所示。將特定事件情感詞擴展到基礎情感詞典中，對評論文本中分詞進行逐一匹配后計算文本情感值。文本情感評分計算公式如式(3)所示

(3)

其中，scorei分別代表對文本中怒、惡、恐、悲、驚、好、喜七類情感的評分；αij是文本中匹配到的具有第i類情感的第j個情感詞的情感強度，取值由情感詞典給出。最后，將驚、好、喜三類情感評分之和作為積極情感評分，將怒、惡、恐、悲四類情感評分之和作為消極情感評分。

表2 部分特定事件情感詞匯

4.3 網絡輿情主體態(tài)勢感知與可視化

由于輿情事件在發(fā)生地點、輿情內容等方面的不同，參與討論的主體在地域分布、性別分布上會呈現出宏觀特征，并且，隨著輿情的發(fā)展，相關特征會出現動態(tài)的演化。通過統(tǒng)計微博用戶的地域屬性和性別屬性可描述地域分布和性別分布的演化特征。

圖6中，統(tǒng)計了網民分布數量最多15個省份或地區(qū)，左圖展示了在靜態(tài)可視化下，網民在3個輿情階段的地域分布情況，右圖是數據累加后的動態(tài)可視化展示，顏色越深表明網民分布數量越多?？梢钥闯?，該事件中網民的地域分布存在總體上的特征，網民較多分布于符合以下特征的地域：

a.輿情發(fā)生省份及其鄰省，如：浙江省、江蘇??；

b.經濟較為發(fā)達的地區(qū)，如：北京市、廣東??；

c.人口較多的省份，如：山東省、四川省。

分析靜態(tài)熱力圖可看出地域分布的階段性特征，在輿情潛伏期和消退期，參與討論的網民相對較少；在輿情的擴散期，參與討論的網民迅速增多并且分布于全國各個地區(qū)。而動態(tài)熱力圖則顯示了同一地域分布特征的變化趨勢，隨著輿情的發(fā)展，各個地區(qū)熱力值逐漸上升，本質上體現出輿情信息的動態(tài)傳播過程。

圖6 靜態(tài)、動態(tài)網民地域分布熱力圖對比

對該輿情事件中網民性別占比分別進行靜態(tài)數據統(tǒng)計和動態(tài)數據統(tǒng)計。靜態(tài)數據統(tǒng)計顯示，在輿情發(fā)展的各個階段，參與討論的女性用戶占比均高于男性用戶占比，說明了在該輿情事件中女性網民群體對該輿情事件投入了更多的關注，更進一步而言，說明了在進行輿論引導時，對女性網民給予關注的重要性。同時，動態(tài)數據統(tǒng)計顯示，隨著輿情的發(fā)展，女性用戶的數量占比逐漸下降趨勢，由潛伏期的74.3%降為消退期的68.6%，這說明了在輿情發(fā)生之初，有大量女性網民在短時間內參與了討論，而隨著輿情進入擴散期、消退期，后續(xù)新參與討論的網民中，男性網民數量高于女性網民數量。

4.4 網絡輿情主題態(tài)勢感知與可視化

通過python提供的LdaModel API分別對3個階段的評論數據文檔進行主題建模。為了使不同階段下的主題產生直接對比，設置各個文檔下的主題數為1，每個主題的關鍵詞數為10，模型迭代次數為500。由于對各個文檔中主題及主題詞的分布沒有先驗知識，因此采用API推薦值，α設置為1，β設置為0.1。部分主題建模的結果如表3所示，其中敏感詞匯通過拼音首字母代替。

表3 主題建模部分結果及原始評論數據

基于建模得出的數據，繪制了靜態(tài)可視化和動態(tài)可視化下的詞云對比圖，如圖7所示。圖7(a)-(c)圖顯示了靜態(tài)可視化下該輿情在3個階段的主題層面的特征，可看出，在各個輿情階段，網民對輿情事件的的關注熱點有所不同：在潛伏期，由于官方尚未對此事件有正式通告，網民對案件的真實性尚存疑，因此出現了“造謠”詞節(jié)點，同時，網民的關注點集中在了對死者子女、繼承權等問題上，因此出現了“兒子”“女兒”“繼承權”等節(jié)點；在擴散期，央視新聞官微于7月25日以“杭州警方通報女子失蹤案偵破細節(jié)”為題報道了死者丈夫許某具有重大作案嫌疑，評論中“sr”等節(jié)點成為較大節(jié)點，表明了網民對該輿情事件真相的一致性認知；在消退期，央視新聞官微于8月6日以“杭州殺妻案嫌疑人被批捕”為題發(fā)表后續(xù)報道，“死刑”節(jié)點成為最大節(jié)點，表達出了大多數網民希望將嫌疑人判處死刑觀點。

圖7 靜態(tài)、動態(tài)詞云對比

圖7(d)-(f)為動態(tài)可視化下的詞云展示。可以看出，動態(tài)詞云除了展示出了上述靜態(tài)詞云在各個輿情階段下的主題詞外，還體現出了貫穿輿情始終的主題詞。比如“兒子”“女兒”節(jié)點出現在了每一動態(tài)可視化圖中，表明了網民對受害者子女的關注，這一主題詞出現于輿情潛伏期，在輿情發(fā)展過程中，該主題詞有被其他主題詞沖淡，但是其潛在影響卻是貫穿整個輿情期間的，在動態(tài)可視化下，此類“潛在信息”被體現出來，而靜態(tài)可視化則忽略了該種信息。

4.5 網絡輿情情感態(tài)勢感知與可視化

基于上文提出的文本情感評分算法和擴展后的情感詞典，對采集的微博評論文本進行情感評分，并分別在靜態(tài)可視化和動態(tài)可視化下，統(tǒng)計得出網民情感傾向占比圖與網民情感傾向變化趨勢圖，結果如表4和圖8所示。從情感占比角度講，不論是靜態(tài)的各階段的情感傾向占比，還是動態(tài)累加的情感傾向占比，都表明消極情感是整個輿情期間的主導情感。在潛伏期，由于相關報道的不確切性、非官方性，消極情感占比為3個時期中最大，達到了73.65%；在擴散期，隨著有關部門的正面引導、事件細節(jié)逐漸明晰等原因，積極情感達到3個時期中的最大占比，為34.07%。

表4 靜態(tài)、動態(tài)網民情感傾向占比 %

從情感傾向變化趨勢角度講，由動態(tài)趨勢曲線可以看出，在整個事件期間，雖然網民情感的負面傾向一直占據主導，但總體上負面情緒呈小幅度、持續(xù)下降趨勢，相比于潛伏期負面情緒占比約74%，后兩個動態(tài)累加階段的負面情緒占比分別下降到了約68%和66%。從靜態(tài)趨勢曲線可知，在單獨研究各輿情階段的情況下，負面情緒變化趨勢呈現出“V”形，擴散期數據與潛伏期數據相比，負向情感占比下降了約8個百分點，說明了有關部門在此期間的正向引導，是使得負面情感在總體上呈現下降的主要原因。

圖8 網民情感傾向變化趨勢圖

5 總 結

精確感知突發(fā)事件網絡輿情態(tài)勢是政府部門進行輿情治理的前提，為此，本文通過突發(fā)事件網絡輿情演化機理研究和Gompertz演化建模，描述了突發(fā)事件網絡輿情演化的周期性和階段性特征，進而構建了突發(fā)事件網絡輿情態(tài)勢感知模型。該模型基于3個感知層面和3個感知階段，將網絡輿情態(tài)勢的研究對象劃分為九個獨立的感知態(tài)，同時，模型給出了靜態(tài)融合與動態(tài)融合兩種態(tài)勢感知模式及可視化方法。實證研究表明：a.靜態(tài)的態(tài)勢感知模式與可視化方法，可以較好地刻畫突發(fā)事件網絡輿情在各個階段的階段性特征(如：在“潛伏期”，從主題模型中“兒子”“謠言”“繼承權”等詞語的概率分布可看出，主題建模較好地反映了“潛伏期”內網民的關注點)，但缺點是忽略了一些在整個輿情期間具有時間連續(xù)性和整體性影響的特征(如：整個輿情期間呈小幅度、持續(xù)下降的負向情感動態(tài)演化趨勢)；b.動態(tài)的態(tài)勢感知模式與可視化方法有效彌補上述缺點，通過數據累加確保了輿情信息的連續(xù)性和全面性，突發(fā)事件網絡輿情的周期性演化特征得以凸顯；c.感知模型從感知層面和感知時間兩個維度，對突發(fā)事件網絡輿情態(tài)勢感知問題進行切割，規(guī)范化了問題的研究角度，研究結果較為直觀地展現出參與主體、輿情主題和主體情感在各個階段的演化態(tài)勢，可為政府相關部門的輿情管控與引導工作提供理論依據，具有一定參考價值。

在未來的研究中，可從以下方面進行突破：a.本文僅研究了突發(fā)事件網絡輿情演化在“三階段”劃分方式下的態(tài)勢感知，在“四階段”“五階段”劃分下的態(tài)勢感知需進一步研究；b.構建的網絡輿情態(tài)勢感知模型對網絡輿情態(tài)勢的描述是從主體、主題、情感3個層面進行的，在以后研究中，可引入其他指標以豐富模型內涵。