周 歡 張培穎 黃曉怡 李軼芳

(湖南工業(yè)大學商學院 株洲 412007)

0 引 言

互聯網技術的發(fā)展,使得我國網民結構和網絡環(huán)境產生了極大的變動,網絡輿情熱點敏感事件頻發(fā),輿情事件具有突發(fā)性、不確定性和難控性等特征,易對社會和諧穩(wěn)定發(fā)展造成一定威脅。現有網絡輿情相關研究,大多僅對輿情事件中實體內部特征進行分析,未從事件整體層面全面探析網絡輿情發(fā)展態(tài)勢,導致難以較好地對網絡輿情進行監(jiān)管,社會和諧穩(wěn)定受到沖擊。而事件系統(tǒng)理論通過對事件的時間、空間和強度等要素展開分析,能夠從更全面的角度對有關事件的現象進行描述與解釋,并對事件的沖擊力進行衡量[1]。因此,從事件系統(tǒng)視角,感知網絡輿情態(tài)勢并預測其后續(xù)演化態(tài)勢,從而實現網絡輿情的有效治理,有利于保障整個社會的健康、和諧與穩(wěn)定發(fā)展?；诖?本文將網絡輿情作為研究對象,從事件系統(tǒng)視角,建立融合態(tài)勢感知理論和用戶畫像的網絡輿情態(tài)勢感知模型,通過劃分輿情演化階段開展動態(tài)性的網絡輿情研究,并通過改進預測模型實現更為科學合理的輿情態(tài)勢預測,為網絡輿情管理部門的輿情引導與治理提供參考。

1 文獻綜述

1.1 事件系統(tǒng)理論相關研究

事件系統(tǒng)理論是由Morgeson等[1]提出的一種包括事件時間、空間與強度屬性的動態(tài)系統(tǒng)性理論,其中,時間屬性涉及事件發(fā)生時機和所存在時長等,空間屬性重點關注事件效果的傳播,強度屬性主要關注事件的新穎性、顛覆性和重要性。該理論自提出以來,被廣泛應用于組織管理和個體行為研究領域。在組織管理方面,現有研究聚焦于事件對組織合作伙伴選擇、組織安全行為、組織管理能力提升等的影響[2-4];在個體行為方面,研究重點關注組織的領導者[5]、現有成員[6]以及求職者[7]的感知與行為的產生、發(fā)展及影響;隨著交叉學科研究的興起,學者們逐漸將研究擴展到信息管理領域,基于事件系統(tǒng)理論提出信息管理研究框架[8]。

事件系統(tǒng)理論的發(fā)展為連接定性研究與定量研究提供了橋梁,但現有組織管理與個體行為的研究更多采用量表研究,量表制定、采訪者、受訪者等均對研究質量具有較大影響,且研究對于事件內容的關注度不足。在信息管理領域,事件內容受到關注,但現有研究僅停留在理論框架的提出階段,尚未有研究從定量分析的角度展開。此外,將該理論應用于網絡輿情領域,有助于綜合考慮定性和定量兩個層面,結合輿情事件實際內容,從系統(tǒng)的角度分析現實中的輿情問題,然而,尚未有基于事件系統(tǒng)理論來分析網絡輿情信息的研究涌現。

1.2 網絡輿情態(tài)勢感知相關研究

網絡輿情是指針對特定網絡事件,廣大網民在平等與開放的網絡平臺中,公開、自由地發(fā)表其對該事件的態(tài)度、觀點與傾向等,也被稱作“看得見的聲音”[9]。態(tài)勢感知即在一定的時空范圍內,提取環(huán)境中的要素、理解要素內涵并預測未來可能發(fā)生的情況,包括要素感知、態(tài)勢理解和態(tài)勢預測3個層次[10]。態(tài)勢感知最初運用在航空、國防領域和網絡安全領域,能夠評估戰(zhàn)場復雜形勢從而做出預測行動[11]。隨著網絡輿情環(huán)境的復雜化,學者們開始將態(tài)勢感知理論應用于網絡輿情治理領域,研究主要包括網絡輿情態(tài)勢感知概念界定、內容分析、狀態(tài)評估與預測三個方面。在概念界定方面,現有研究認為網絡輿情態(tài)勢感知指的是分析網絡環(huán)境中存在的意識形態(tài)、思想價值觀念、道德觀念等[12];在內容分析方面,研究重點圍繞情感、主題、觀點等方面展開分析[13-14];狀態(tài)評估與預測相關研究綜合考慮了輿情所涉及的主體信息、文本內容和環(huán)境信息等,構建狀態(tài)評估數理模型,并對后續(xù)輿情演化趨勢進行預測[12,15-16]。

態(tài)勢感知理論為網絡輿情研究提供了新的研究落腳點,然而,大部分研究關注的重點實際在于態(tài)勢理解層次,而較少涉及要素感知與態(tài)勢預測層次,且已有關于態(tài)勢預測的研究較少采用定量分析方法開展研究,削弱了網絡輿情態(tài)勢感知研究的科學性。

1.3 用戶畫像相關研究

用戶畫像是指以用戶整體為核心,基于多方面的用戶真實數據,對用戶的屬性進行分類,并抽取出用戶的屬性特征,構建能夠全方位描繪用戶的模型[17]?，F有關于用戶畫像的研究大多集中于用戶畫像構成要素、構建方法、特征等方面。在用戶畫像構成要素方面,用戶的基本信息、社交關系、用戶行為、興趣愛好等要素均為構成用戶畫像的基本要素[18-19]。除以上基本要素外,不同領域的研究構成要素有所不同,如情感傾向是構成輿情傳播領域用戶畫像的重要要素之一[20]。在構建方法方面,基于機器學習或統(tǒng)計分析的方法是構建用戶畫像最常用的方法,其中基于機器學習的構建方法著重于利用機器學習算法對目標用戶的屬性特征進行提取[21],基于統(tǒng)計分析的構建方法主要通過統(tǒng)計分析不同維度的用戶真實數據,勾畫出用戶畫像[22]。在畫像特征方面,用戶畫像具有真實性、獨特性、應用性、動態(tài)性四大基本特征[23]。

用戶畫像有助于全面實現網絡輿情態(tài)勢感知,然而,針對用戶或者群體等主體的研究較多,針對網絡輿情整體的研究還較少,且用戶畫像與網絡輿情態(tài)勢感知研究往往獨立展開,較少有研究將其結合起來。

綜上,本研究基于事件系統(tǒng)的視角,結合網絡輿情態(tài)勢感知與用戶畫像,從要素感知、態(tài)勢理解、態(tài)勢預測三個層面剖析網絡輿情事件發(fā)展的本質特征和內部規(guī)律,探究網絡輿情事件時間、空間、強度要素的屬性特征,刻畫網絡輿情發(fā)展態(tài)勢,并預測其未來發(fā)展趨勢。

2 事件系統(tǒng)視角下網絡輿情態(tài)勢感知模型構建

2.1 模型設計

本研究融合態(tài)勢感知理論和用戶畫像,構建事件系統(tǒng)視角下網絡輿情態(tài)勢感知模型,模型分為要素感知層、態(tài)勢理解層和態(tài)勢預測層3層。在要素感知層首先構建網絡輿情畫像標簽體系,再通過Python對事件時間、空間和強度要素等相關數據進行采集,并對采集后的數據進行預處理。在態(tài)勢理解層,基于預處理后的數據,通過確定輿情生命周期,實現輿情事件時間要素理解;通過統(tǒng)計微博用戶關注數、粉絲量和點贊數,博文評論數、轉發(fā)數和點贊數分別計算輿情擴散潛力和輿情擴散效果,實現輿情事件空間要素理解;通過情感分析,實現輿情事件強度要素理解;再綜合要素理解結果生成各階段的輿情畫像。在態(tài)勢預測層,界定輿情事件回應時間,構建Grey-BP神經網絡對界定時間內的空間要素和強度要素進行預測。模型框架圖如圖1所示。

圖1 事件系統(tǒng)視角下網絡輿情態(tài)勢感知模型

2.2 要素感知層

新浪微博是我國用戶量最多的一個社交網絡平臺,也是網絡輿情事件發(fā)酵的主要場所[24]。因此,本研究以微博作為數據來源,從事件系統(tǒng)視角,圍繞輿情事件時間、空間和強度要素構建網絡輿情畫像標簽體系,并以輿情生命周期作為事件時間要素的一級標簽,發(fā)博時間為其二級標簽;以輿情擴散潛力和輿情擴散效果為事件空間要素的一級標簽,關注數、粉絲量和發(fā)文量作為輿情擴散潛力的下級標簽,評論數、轉發(fā)數和點贊數作為輿情擴散效果的下級標簽;以輿情情感強度作為事件強度要素的一級標簽,博文文本為其二級標簽。再通過Python采集要素相關數據,并對其進行分詞、去停用詞、剔除無用無效信息、數據規(guī)范化等數據預處理,獲得易于處理的結構化數據。

2.3 態(tài)勢理解層

網絡輿情隨著時間的推移而呈現不同的特征,因此,本研究以事件系統(tǒng)理論為基石,利用時間序列分析方法對用戶發(fā)博時間進行分析,從而確定輿情生命周期,探究網絡輿情事件時間要素特征。同時,網絡輿情事件涉及輿情用戶、輿情信息以及輿情發(fā)生行為,而用戶的關注數、粉絲數和發(fā)博量,輿情內容的情感傾向,輿情內容的評論數、轉發(fā)數和點贊數能夠在一定程度上體現輿情事件在發(fā)酵過程中的影響力、情緒性和傳播性,因此,本研究通過統(tǒng)計用戶的關注數(d1)、粉絲數(d2)和發(fā)博量(d3)計算輿情擴散潛力(D),通過統(tǒng)計輿情內容的評論數(o1)、轉發(fā)數(o2)和點贊數(o3)計算輿情擴散效果(O),通過基于情感詞典的文本情感分析方法計算輿情內容的情感強度(E)。最后,綜合輿情生命周期劃分結果、D、O和E計算結果,生成不同階段的輿情畫像。

第一,D和O的計算方法如下:

D=wd1*d1+wd2*d2+wd3*d3

(1)

O=wo1*o1+wo2*o2+wo3*o3

(2)

表1 二級標簽數據矩陣X

其次,根據公式(3)對數據矩陣X進行歸一化處理,得到計算矩陣Y:

(3)

其中,max(xj)表示X中第j列的最大值,min(xj)表示第j列最小值。

再通過公式(4)構造母序列Hj:

hi=max(yi1,yi2,…,yim)

(4)

其中,i為第i階段,m為指標數。

接著,根據公式(5)計算兩級最小差a和最大差b:

(5)

然后,通過公式(6)計算指標的灰色關聯度:

(6)

(7)

(8)

(9)

(10)

對于wj,利用基于博弈論的組合權重確定模型,實現納什均衡,獲得最優(yōu)標簽權重:

首先構建優(yōu)化模型計算最小組合權重與基本權重的差值:

min‖α1w1+α2w2-wf‖2,(αf>0,f=1,2)

(11)

其中,α1w1+α2w2為主客觀權重的線性組合,α1+α2=1。

然后獲得滿足模型一階導數條件最優(yōu)的線性方程組:

(12)

(13)

最后得到各標簽的組合權重wj:

(14)

第二,E通過基于BosonNLP情感詞典的文本情感分析方法計算,該情感詞典中的情感詞來源于微博、新聞以及論壇等,更符合微博文本分析情境。首先,整合百度、哈爾濱工業(yè)大學、四川大學機器智能實驗室和中文停用詞表及人工添加無意義的emoji符號,形成更全面的停用詞表;然后,采用Jieba對所獲取的博文文本進行分詞處理,結合停用詞表去除無用詞;最后,計算博文文本的情感得分,并對其進行加總與平均得到各階段的E。

第三,建立輿情事件處于不同階段的輿情畫像如圖2所示,包括該階段時間范圍、數據總量、數據來源、輿情擴散潛力、輿情擴散效果和輿情情感強度,根據畫像結果,探究各要素在不同階段對輿情事件的沖擊力特征。

圖2 輿情畫像模型

2.4 態(tài)勢預測層

對輿情事件發(fā)展態(tài)勢進行預測,能及時地發(fā)現事件可能存在的風險因素,幫助有關部門制定及時、科學且合理的應對方案。高容錯性、自學習性與自適應性使BP神經網絡[29]成為預測研究中的常用模型之一。從微博中獲取湖南省高校網絡輿情事件數據,并對其預處理后輸入傳統(tǒng)的BP神經網絡模型進行訓練,訓練結果如圖3所示。結果表明,當實際結果數據為離散數據時,其分布具有較大的隨機性,易導致預測結果與實際結果的差異較大,致使預測結果的可信度存疑。

圖3 離散數據預測結果對比

為解決上述問題,本文借助灰色系統(tǒng)理論[30],發(fā)掘數據之間的特定聯系,提出了一個Grey-BP神經網絡模型,從系統(tǒng)的角度對輸入神經元數據進行整理,弱化數據的隨機性,探求數據的整體規(guī)律,從而提高BP神經網絡預測結果的科學性。較傳統(tǒng)BP神經網絡,本文提出的Grey-BP神經網絡包含離散數據處理層、輸入層、隱含層和輸出層四個部分(見圖4):

圖4 Grey-BP神經網絡模型

模型的改進步驟為:

Step2:對輸入的原始節(jié)點數據進行加和化處理,將離散數據連續(xù)化:

(15)

輸入原始離散數據x(0),經離散數據處理后輸出節(jié)點值x(1),再將其傳至輸入層,得到輸入層的輸出信息,將其傳至隱含層,再將隱含層輸出的信息傳至輸出層,將輸出層的輸出結果與期望閾值進行對比,若未達到期望閾值,則將不滿足精度要求的誤差信號向前反饋至各層單元,對各層神經元之間聯系的權重wij和wjk以及期望閾值進行調整,經過多次反饋調整后得到最終期望輸出。

3 實證分析

高校網絡輿情是一種典型的網絡輿情類型,由于高校網絡輿情的主要群體為學生,其正處于價值觀的構建時期,對事件的認知與分辨能力尚且不足,容易造成輿論焦點不實、病毒式傳播以及從眾或極端現象的出現,若不及時且恰當地處理高校網絡輿情,則易對學生的學習與心理狀態(tài)、高校的正常教育教學以及社會的穩(wěn)定發(fā)展造成不良影響。因此,對高校網絡輿情的演化態(tài)勢進行研究,具有重要的意義。本研究以湖南省本科院校官方微博博文下的微博評論和轉發(fā)信息作為輿情信息來源,應用所構建事件系統(tǒng)視角下網絡輿情態(tài)勢感知模型,對湖南省本科院校網絡輿情事件發(fā)展態(tài)勢進行感知與預測。

3.1 高校網絡輿情要素感知

首先,根據百度指數工具確定湖南省高校網絡輿情事件的發(fā)生范圍為2022年2月20日至6月21日;然后,通過python爬蟲,從湖南省本科院校官方微博博文中爬取相關輿情事件數據共1 442條,包括官方微博ID、微博博文ID、博文文本、博文評論與轉發(fā)用戶ID及用戶粉絲,關注和發(fā)博量、博文評論與轉發(fā)文本及文本評論,轉發(fā)和點贊量、博文評論與轉發(fā)時間等;經過分詞、去停用詞、去除無效文本等數據預處理操作后,獲得相關輿情數據共1 350條。

3.2 高校網絡輿情態(tài)勢理解

3.2.1輿情事件時間要素理解

對預處理后的輿情數據進行統(tǒng)計分析獲得其分布特征,并劃分輿情生命周期如圖5所示,高校輿情生命周期分為為潛伏期(2月20日至3月11日)、爆發(fā)期(3月12日至3月14日)、震蕩期(3月15日至5月31日)、消退期(6月01日至6月21日)。

圖5 高校網絡輿情生命周期

3.2.2輿情事件空間要素理解

a.權重確定

①客觀權重確定

表2 二級標簽矩陣

②主觀權重確定

表3 專家-標簽評價矩陣

③組合權重確定

b.輿情擴散潛力計算

根據公式(1)得到輿情演化各階段的D如表4所示,結果清晰地刻畫了D的變化趨勢,隨著高校網絡輿情熱度的上升,輿情相關用戶及其行為的增加,使得D從潛伏期到爆發(fā)期得到巨大提升,而從爆發(fā)期到震蕩期又得到了進一步增長,在震蕩期時達到巔峰,而震蕩期過后,隨著相關輿情用戶對輿情事件的關注度下降,D又顯現出急遽下降的趨勢。

表4 輿情擴散潛力D

c.輿情擴散效果計算

表5展示了輿情演化各階段O,結果表明,O的變化趨勢總體與D的變化趨勢相同,隨著高校網絡輿情信息的增多,O從潛伏期到爆發(fā)期得到一定增長,再從爆發(fā)期到震蕩期實現“爆發(fā)式”增長,而隨著輿情熱度的下降,又顯露出“斷崖式”下跌現象。不同的是,O從爆發(fā)期到震蕩期的增長幅度較D的增長幅度更大,輿情得到了廣泛的擴散。

表5 輿情擴散效果O

3.2.3輿情事件強度要素理解

使用基于BosonNLP情感詞典的文本情感分析方法計算高校網絡輿情演化各階段的情感強度E,并通過可視化的形式展示強度的變化趨勢,可視化結果如圖6所示:

圖6 輿情情感強度E變化趨勢

E呈現先升后降趨勢,其中潛伏期時,E較弱,此時為高校網絡輿情事件的初始階段,輿情相關主體對事件產生的原因以及事件的危害性等尚未明晰,因此未產生易影響高校和諧與社會穩(wěn)定的相關言論。爆發(fā)期時,高校網絡輿情情感傾向為強正向,E達到最高,這與輿情事件發(fā)生后,高校方針對網絡輿情事件,立刻召開會議、制定方案并實施應對措施等行為緊密相關。震蕩期時,經過上一階段的有效處理后,高校網絡輿情情感傾向仍為正,但E有所下降,直至消退期時,高校網絡輿情情感傾向逐漸趨向于中性,E趨向于0。

3.2.4高校網絡輿情畫像生成

根據輿情事件系統(tǒng)的要素感知和態(tài)勢感知結果,分別獲得高校網絡輿情于潛伏期、爆發(fā)期、震蕩期和消退期的輿情畫像如圖7-10所示,其中R表示評論數據,P表示轉發(fā)數據。

圖7 潛伏期高校網絡輿情畫像

圖7表明,高校網絡輿情的潛伏期較長,有效數據較少,且均勻分布于評論與轉發(fā)數據。此外,此時期的D、O與E均較弱,輿情擴散的程度較差,輿情事件的發(fā)生尚未引發(fā)網絡用戶的激烈討論,大多數人仍對事件本身保持沉默態(tài)度。由此可知,潛伏期時,空間與強度要素均對高校網絡輿情事件具有較弱的沖擊力,與之相反,時間要素的沖擊力極強。

由圖8可知,高校網絡輿情事件爆發(fā)期很短,但有效數據量卻是最多的,這與其他網絡輿情事件中爆發(fā)期的特征一致,且此階段的評論數據約為轉發(fā)數據的2.93倍,可知高校網絡輿情事件中,造成事件爆發(fā)的主體主要為評論用戶。此外,此階段D與O均較高,E極高且達到了整體最高狀態(tài),輿情事件已擴散到了一定的程度,且此時輿情事件所處的網絡環(huán)境較為正向,大多數人選擇以積極的態(tài)度在微博上對輿情事件展開討論。由此可知,在爆發(fā)期時,時間要素對高校網絡輿情事件的沖擊力較弱,空間要素的沖擊力較強,強度要素沖擊力極強。

圖9 震蕩期高校網絡輿情畫像

圖10 消退期高校網絡輿情畫像

結合震蕩期高校網絡輿情畫像可知,高校網絡輿情事件的震蕩期極長,產生的有效數據也較多,且此階段評論數據為轉發(fā)數據的9.84倍,進一步驗證了高校網絡輿情事件發(fā)展的主要推動力來源于評論用戶。在此期間,D與O得到了“火箭式”提升,輿情事件擴散的程度達到了整體峰值,而此時的E卻在削弱,表明輿情事件所處于積極的網絡環(huán)境,但持正向觀點的網絡用戶卻在減少。由此可知,震蕩期時的高校網絡輿情事件受時間和強度要素的沖擊力影響較大,而受空間要素的沖擊力影響極大。

消退期期高校網絡輿情畫像顯示,該階段持續(xù)時間較長,有效數據量較少,且以5∶1的比例分布于評論數據和轉發(fā)數據。此外,D、O、E三者均大幅度下降,大量用戶退出此輿情事件,致使輿情事件發(fā)展形勢的關注度急劇減少,擴散程度較弱,網絡輿情事件中所充斥的個人情緒較少,網絡環(huán)境趨于穩(wěn)定。此時,時間要素對高校網絡輿情事件的沖擊力較強,空間要素上的沖擊力較弱,強度要素的沖擊力極弱。

3.3 高校網絡輿情態(tài)勢預測

考慮樣本量大小對神經網絡預測效果的影響及網絡輿情日益變化的特點,本文以輿情全生命周期所涉及的1 350條數據作為樣本數據,根據國務院辦公廳頒布的相關輿情回應通知,官方對輿情事件的回應最遲不超過2天,將輿情事件回應時間界定為2天,并通過增減法遍歷預期范圍內的隱含層神經元個數,再計算最小平均均方誤差,確定各預測單元最終的隱含神經元個數。

3.3.1D預測

隱含神經元個數lu取值范圍為[3,12],通過計算取值范圍內的最小平均均方誤差,確定lu=4,在此基礎上對D進行預測,結果為Dt1=39 663.97,Dt2=39 669.45。如圖11所示,D的預測值與真實值對比結果呈現高度一致狀態(tài),僅有極少部分的預測值與真實值有較大差異,預測結果具有強可信度。

圖11 D預測結果對比

3.3.2O預測

隱含神經元個數ls取值范圍為[3,12],ls=9時,平均均方誤差最小。因此,設置ls=6,對O進行預測,結果為Ot1=-170.543,Ot2=-170.543。預測對比結果如圖12所示,結果表明預測值與實際值總體變化趨勢相同,預測值的出入較小,因此,預測結果是可靠的。

圖12 O預測結果對比

3.3.3E預測

將博文文本的正向情感強度(e1)、中性情感強度(e2)、負向情感強度(e3)作為E預測單元的輸入神經元,E作為輸出神經元,計算得到隱含神經元個數le取值范圍為[3,12]。le=9時,平均均方誤差最小,此時的預測結果為Et1=2.1915,Et2=2.1917。預測對比結果如圖13所示,結果表明經調整后,情感得分預測值與實際值變化的趨勢保持高度一致,數值之間的差異較小,預測結果具有可靠性。

圖13 E預測結果對比

由預測結果可知,消退期之后,高校網絡輿情事件后續(xù)的D將與消退期時的狀態(tài)保持一致,而O將朝負向發(fā)展,E將由消退期的中性情緒向正向情緒轉變,即下一階段,高校網絡輿情事件的沖擊力又將表現出極其不一樣的特征,若直接實施以往的輿情治理措施,則可能導致無效治理甚至反向治理的后果。

4 結 語

本研究以湖南省高校網絡輿情事件為例,分析了事件的時間、空間與強度要素特征的演化過程?？偟膩碚f,事件時間、空間與強度要素呈現不同的變化特征,且不同演化階段的時間、空間與強度要素沖擊力特征也截然不同。由此建議:高校網絡輿情事件相關管理部門需:a.提前構建預警與研判機制,及時察覺輿情事件產生以及事件可能經歷的發(fā)展階段及各階段持續(xù)的時長,并根據沖擊力特征研判結果,制定個性化治理對策;b.找到輿情事件擴散潛力較大的評論用戶,聯合相關調查部門與權威機構,鼓勵并引導其在最佳擴散時機對輿情事件中的事實性與科普性信息以及政府與高校相關政策進行解讀;c.加大“疏”的力度,減少“堵”的行為,協(xié)同多個部門共同發(fā)聲與行動,并將責任與權力分配到個人,做到及時發(fā)現、分析與解決問題,避免網絡輿情情緒轉移線下而造成的一系列社會問題,以免小問題演化為大危機;d.重視對事件發(fā)展趨勢的預測與演練,提前預測下一階段情況,并進行演練,避免輿情危機事件的發(fā)生。

本文所構建的事件系統(tǒng)視角下網絡輿情態(tài)勢感知模型能夠有效地理解網絡輿情態(tài)勢,并準確地預測出網絡輿情各屬性的未來演變態(tài)勢。但本文囿于數據來源的單一性問題,僅針對微博中特定的網絡輿情事件展開研究,未能充分利用到微信、快手、抖音等網絡平臺中多種類型的輿情數據。因此,在未來的研究中,擬結合多個平臺的輿情事件數據,擴大輿情事件的范圍,提高研究成果的普適性與科學性。