王軍，呂廣旭，盧加奇，王小英

（1.故宮博物院保衛(wèi)處，北京 100009；2.防災(zāi)科技學(xué)院，河北 三河 065201）

關(guān)鍵字：數(shù)據(jù)挖掘；機(jī)器學(xué)習(xí)；聚類

0 引 言

微博作為輿情產(chǎn)生和爆發(fā)的主要陣地，錯(cuò)綜復(fù)雜的信息真假難以分辨，正不斷影響用戶情緒甚至于國(guó)家安全。境外勢(shì)力利用疫情熱點(diǎn)事件發(fā)動(dòng)“認(rèn)知戰(zhàn)”，引導(dǎo)輿論走向、破壞社會(huì)穩(wěn)定。信息化時(shí)代，網(wǎng)絡(luò)信息內(nèi)容同質(zhì)化加劇，虛假信息漫天飛舞、層出不窮，缺乏社會(huì)管控和自我約束。

突發(fā)事件發(fā)生后，媒體和廣大群眾都可在信息平臺(tái)第一時(shí)間發(fā)布和獲取信息，平臺(tái)成為熱點(diǎn)事件傳播的重要媒介。熱點(diǎn)事件在短時(shí)間收獲巨大流量的同時(shí)，伴隨參差不齊的巨大信息流，同樣會(huì)傳播情緒，其中不乏負(fù)面情緒，持續(xù)發(fā)酵容易造成社會(huì)恐慌和混亂局面。通過(guò)大數(shù)據(jù)分析和可視化展示，挖掘重要信息并分析網(wǎng)民情緒變化情況，為政府機(jī)關(guān)部門如何引導(dǎo)輿論提供決策支持，對(duì)于維護(hù)網(wǎng)絡(luò)環(huán)境安全、加強(qiáng)輿論管理具有重大意義。

1 研究進(jìn)展

在分析網(wǎng)民情緒的過(guò)程中，許多學(xué)者對(duì)不同時(shí)期的流行案例進(jìn)行了分析和研究。2017年，周莉等人以“巴黎暴恐”事件為例，提出使用情緒評(píng)估理論模型對(duì)網(wǎng)絡(luò)情緒進(jìn)行量化分析，分析效果重點(diǎn)關(guān)注了文化差異表達(dá)出的差異。2018年，姜金貴等人對(duì)“紅黃藍(lán)虐童事件”進(jìn)行輿情分析，運(yùn)用Word2vec模型針以基于主題和情緒之間的聯(lián)系為主要抓手，對(duì)微博情緒走向和輿情演化方向進(jìn)行分析，更好對(duì)微博情緒進(jìn)行治理。2019年，丁曉蔚等人在輿情分析中加入社會(huì)心理學(xué)內(nèi)容，借助大數(shù)據(jù)利用時(shí)間序列更加客觀對(duì)熱點(diǎn)事件風(fēng)險(xiǎn)進(jìn)行評(píng)估和監(jiān)控。2020年，郭爽等人使用SIR 演化博弈模型研究網(wǎng)民情緒和政府工作之間的風(fēng)險(xiǎn)影響關(guān)系，極大幫助政府對(duì)于網(wǎng)絡(luò)輿情的管控。2022年，王月等人以酒店安全事件為角度，利用系統(tǒng)動(dòng)力學(xué)建模方法通過(guò)仿真模擬對(duì)真實(shí)事件下輿情提供指導(dǎo)意見(jiàn)。

在疫情背景下，不僅要共同對(duì)抗疫情，還要了解疫情下的民眾情緒變化。因此，更加有必要構(gòu)建相關(guān)的網(wǎng)民情緒分析模型，研究和了解疫情背景下社交平臺(tái)網(wǎng)民情緒變化情況，并及時(shí)有效動(dòng)態(tài)分析網(wǎng)民情緒意見(jiàn)并有效引導(dǎo)。本文建立疫情下特殊情感詞典，結(jié)合TextRank 算法關(guān)鍵詞提取算法，用SO-PMI 方法進(jìn)行多維情感分析，并使用聚類方法對(duì)疫情期間相關(guān)話題下的評(píng)論和信息進(jìn)行情感分類，生成動(dòng)態(tài)情感變化曲線。

2 數(shù)據(jù)來(lái)源及研究方法

2.1 數(shù)據(jù)來(lái)源

本文數(shù)據(jù)集包括官方競(jìng)賽平臺(tái)（DataFountain）以及北京市政務(wù)數(shù)據(jù)資源網(wǎng)公開(kāi)分享數(shù)據(jù)，數(shù)據(jù)均為開(kāi)源數(shù)據(jù)且進(jìn)行脫敏處理。對(duì)于其中數(shù)據(jù)進(jìn)行手動(dòng)標(biāo)注約20 萬(wàn)條，采集對(duì)象包括官方媒體、熱門話題等。數(shù)據(jù)信息包含微博ID、評(píng)論時(shí)間、微博中文內(nèi)容、轉(zhuǎn)發(fā)次數(shù)、話題內(nèi)容等信息。

2.2 研究方法

2.2.1 數(shù)據(jù)預(yù)處理

預(yù)處理的過(guò)程主要是通過(guò)使用Python 第三方庫(kù)進(jìn)行數(shù)據(jù)處理，對(duì)收集到的微博有關(guān)疫情數(shù)據(jù)中的冗余數(shù)據(jù)及錯(cuò)誤數(shù)據(jù)等信息進(jìn)行修復(fù)和刪除，其中微博正文有很多特殊字符和絕大多數(shù)表情是為文本內(nèi)容服務(wù)的，起到一個(gè)加強(qiáng)文本預(yù)期的作用，可以將其處理掉，來(lái)減少后序任務(wù)的復(fù)雜性。選取近6 個(gè)月的數(shù)據(jù)，處理相關(guān)數(shù)據(jù)約43 萬(wàn)條。

首先使用基于PageRank 算法進(jìn)一步優(yōu)化的TextRank 算法對(duì)目標(biāo)語(yǔ)句關(guān)鍵詞進(jìn)行提取。其主要方法是將獲得的評(píng)論內(nèi)容進(jìn)行分詞、去停用詞等預(yù)處理步驟拆分成若干詞匯，然后利用共現(xiàn)關(guān)系構(gòu)造詞匯網(wǎng)絡(luò)即如果任意兩點(diǎn)在長(zhǎng)度為的窗口中同時(shí)出現(xiàn)，則認(rèn)為兩點(diǎn)間存在邊，不斷迭代至收斂，對(duì)詞權(quán)重排序可獲得關(guān)鍵詞順序。

公式（1）中（V）表示詞匯的權(quán)重，通過(guò)計(jì)算每個(gè)相鄰詞匯對(duì)目標(biāo)詞匯的影響程度來(lái)實(shí)現(xiàn)。表示為阻尼系數(shù)，本文設(shè)置為0.85。

2.2.2 多維情感分析

由于情感的多樣性，需要對(duì)與疫情相關(guān)的新聞、評(píng)論進(jìn)行多維分析，對(duì)熱點(diǎn)事件涉及情感進(jìn)行詳細(xì)闡述。使用SOPMI（情感點(diǎn)互信息）方法對(duì)候選詞語(yǔ)情感方向進(jìn)行甄別，SO-PMI 方法源于PMI 算法，PMI 算法基本思路是計(jì)算兩個(gè)詞語(yǔ)在文本中同時(shí)出現(xiàn)的概率，若概率越大，其相關(guān)性越緊密，則關(guān)聯(lián)程度越高。

對(duì)于詞匯，計(jì)算其情感：

其中＞0，選定詞語(yǔ)積極影響大于消極影響，具有正向情感，判定為積極詞；當(dāng)=0，將選定詞語(yǔ)認(rèn)定為中性詞；若＜0，則選定詞語(yǔ)積極影響小于消極影響，判定為消極詞，具有一定負(fù)面情緒。

情感計(jì)算需要結(jié)合情感詞表，否定詞和程度詞三方面的內(nèi)容，本文采用Boson 情感詞典展現(xiàn)情感類型和強(qiáng)度，此外基于SO-PMI 算法，對(duì)原有詞典進(jìn)行補(bǔ)充，將發(fā)現(xiàn)新詞按強(qiáng)度值為1 拓展了原有詞典。在程度詞部分：本文根據(jù)程度大小將程度副詞分為五個(gè)等級(jí)，并根據(jù)反映程度的大小設(shè)置權(quán)重，如表1所示。情感值計(jì)算需考慮情感詞之外，還需要考慮和否定詞與程度詞的組合情況來(lái)計(jì)算：

表1 程度詞權(quán)重設(shè)定

式（4）中：代表最終情感值結(jié)果；為是否定詞出現(xiàn)次數(shù)；表示為情感詞對(duì)應(yīng)的情感值；是程度副詞程度值。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

通過(guò)對(duì)時(shí)間跨度為6 個(gè)月的43 萬(wàn)條數(shù)據(jù)進(jìn)行分析，使用聚類方法快速精準(zhǔn)判斷疫情事件熱門話題，為疫情防控和輿論引導(dǎo)提供決策方向。由于大量和疫情相關(guān)詞匯含有較為特殊的情緒，需要在原有詞匯情緒分類中生成疫情下特殊情緒詞典，結(jié)合特殊情緒詞典進(jìn)行多維情感值計(jì)算，使用聚類方法精準(zhǔn)判斷和預(yù)測(cè)疫情事件下熱點(diǎn)內(nèi)容及情緒情感劃分。若在文本句子中含有疫情下特殊詞典內(nèi)容，則在計(jì)算多維情感值基礎(chǔ)上重構(gòu)情感之，相應(yīng)方向情感值增加5%。文本中多次出現(xiàn)詞典內(nèi)容時(shí)，需要進(jìn)行累加，積極情感為正向，消極情感為負(fù)向，公共安全事件下特殊情緒詞典如表2所示。

表2 公共安全事件下特殊情緒詞典

使用Agglomerative 層次聚類、K-means 算 法、DBSCAN 密度聚類等聚類方法對(duì)對(duì)情緒進(jìn)行分類，為了對(duì)比區(qū)分不同聚類數(shù)對(duì)于上述算法的影響，分別對(duì)其計(jì)算了輪廓系數(shù)（Silhouette Coefficient），CH 分?jǐn)?shù)（Calinski Harabasz Score）和戴維森堡丁指數(shù)（DBI，davies_bouldin_score）。

3.2 實(shí)驗(yàn)結(jié)果分析

通過(guò)對(duì)Agglomerative 層次聚類、K-means 算法、DBSCAN 密度聚類三種方法進(jìn)行分析，實(shí)驗(yàn)結(jié)果如圖1所示。

圖1 不同聚類方法評(píng)價(jià)指數(shù)變化圖

可以從上圖看出，在層次聚類中：DBI 指數(shù)在聚類數(shù)設(shè)置為3或6時(shí)較低，CH值在2或3時(shí)較高，輪廓系數(shù)較為明顯，呈現(xiàn)先增加后減少的趨勢(shì)，總之聚類數(shù)選3比較適宜。K-means聚類算法容易陷入局部最優(yōu)陷阱，有關(guān)疫情情感數(shù)據(jù)分布不均衡，對(duì)值選取影響較大。圖中分別取2，3，5 時(shí)的聚類效果中，可以看出取2 時(shí)分類效果較好。DBSCAN 算法是一種基于密度的聚類算法，它在聚類前不需要預(yù)先指定簇的個(gè)數(shù)，所以最終簇的個(gè)數(shù)也不確定，它認(rèn)為樣本數(shù)據(jù)點(diǎn)的周圍的數(shù)據(jù)點(diǎn)同屬一類，即將緊密相連的樣本劃分為一類，就得到了一個(gè)簇。此類算法需要不斷的調(diào)整參數(shù)eps 以求得最好的效果，發(fā)現(xiàn)DBI 值呈明顯上升趨勢(shì)，而CH 值和輪廓系數(shù)效果不明顯，所以DBSCAN 聚類算法參數(shù)eps 暫取0.01。

將上文中分析好的情感分析數(shù)據(jù)進(jìn)行匯總，統(tǒng)計(jì)了話題下的情感變化，制作情感變化曲線和匯總餅圖，如圖2所示，可以看到在本次疫情事件中網(wǎng)民情緒中“悲傷”和“恐懼”占絕大部分。

圖2 情感變化曲線展示

4 結(jié) 論

本文通過(guò)對(duì)微博等社交平臺(tái)數(shù)據(jù)進(jìn)行挖掘，對(duì)于微博環(huán)境下疫情事件對(duì)網(wǎng)民情緒的影響及熱點(diǎn)話題影響力進(jìn)行了分析。首先進(jìn)行微博平臺(tái)的數(shù)據(jù)挖掘，利用TextRank 算法進(jìn)行關(guān)鍵詞的提取，并使用SO-PMI 方法對(duì)候選詞語(yǔ)極性進(jìn)行判斷，建立微博疫情語(yǔ)境下特殊情緒詞典，進(jìn)行多維情感分析，最后使用多種聚類方法對(duì)情感及熱門話題進(jìn)行分類，并對(duì)疫情期間情感變化進(jìn)行分析。針對(duì)分析內(nèi)容可幫助相關(guān)部門利用社交平臺(tái)數(shù)據(jù)精準(zhǔn)判斷熱門話題，更好了解熱點(diǎn)事件下民眾情緒變化，做好輿情管理。除此之外，通過(guò)設(shè)定閾值提高發(fā)現(xiàn)虛假、暴力、誘導(dǎo)等內(nèi)容信息在民眾間的傳播程度能力，及時(shí)進(jìn)行疏導(dǎo)和管控。