基于價值累加理論的網絡熱點事件輿情研判及系統實現*

?

基于價值累加理論的網絡熱點事件輿情研判及系統實現*

通信地址：430022 湖北省武漢市湖北行政學院信息中心Address:Information Center,Hubei Academy of Governance,Wuhan 430022,Hubei,P.R.China

徐勇

(湖北行政學院信息中心，湖北 武漢 430022)

摘要：基于價值累加理論分析網絡熱點事件的演變過程，確定觸發因素的出現、共同信念的形成、行動動員的完成是事件演變的三個關鍵環節，設計監測模型，對事件輿情中的敏感因素、情感的形成及擴散進行分析判斷。在此基礎上，構造網絡輿情熱點信息智能監測平臺系統(NPOIMS)，以我國西部地區的x市為實例對象，架構輿情監測系統，監測與x市有關的各類輿情信息，提煉熱點詞語，進行輿情研判，提供分析報告，為相關部門提供輿情引導和事件應對的信息參考和決策支持。

關鍵詞：價值累加理論；網絡熱點事件；輿情研判

1引言

網絡熱點事件以互聯網為主陣地，參與主體多元，影響范圍廣。近年來，“廈門PX事件”“天價煙局長事件”“躲貓貓事件”“河北李剛門事件”“郭美美事件”“微笑局長事件”“陜西神木‘房姐’事件”等一系列網絡熱點事件，對我國社會產生了深刻的影響。對網絡熱點事件輿情的研判是有效應對事件的前提和基礎。

國外對網絡輿情系統已進行了多年的研究，在自然語言檢索[1～3]、海量數據信息檢索[4]以及上下文摘要[5,6]等方面有深厚的基礎。國內的網絡輿情系統在網頁抓取[7]、內容分析[8]、數據挖掘[9]、主題識別與跟蹤[10,11]等方面進行了較大密度的研究，但相關算法還不是很成熟，如輿情熱點的發現、熱點信息的情感傾向性判斷等方面，還存在諸多問題。相關研究也多是單純從技術角度進行系統的研發，很少以社會科學的相關理論為基礎，通過對輿情產生及發展的背景及相關因素等進行分析，用以指導建立輿情監測系統，以提高事件應對的針對性和有效性。

從網絡熱點事件案例可以看到，事件的發展過程以網絡輿情熱度變化為重要標志，具有典型的集群行為特征：參與人群自發無指導、無明確目的、不受通常的行為規范約束、多有狂熱行為，并且有著明顯的形成、發展、衰退的生命周期。因此，本文將網絡熱點事件的發展過程看作是一個完整的集群行為的演變過程，認為網絡熱點事件是在一定的社會背景下，由某些特定因素觸發，眾多網民以網絡為主要渠道進行情感宣泄，并可能會伴發現實世界中的集體行動，最終產生一定社會影響的網絡集群事件。

Figure 1　Public opinion evolution model of network hot events圖1　網絡熱點事件輿情演變的過程模型

美國社會學家斯梅爾塞借助經濟學描述產品價值增值的術語，提出了用于解釋集群行為的價值累加理論，認為所有的集群行為都是由六個方面的因素相互作用產生的，分別是：結構性誘因、結構性緊張、共同信念、觸發因素、行動動員和社會控制失效。本文以價值累加理論的六個條件為分析維度，選取近幾年來發生的一些網絡熱點事件作為樣本案例，對事件輿情的演變過程進行分析，把握事件演變的關鍵環節，設計構造基于價值累加理論的輿情監測研判系統，為輿情應對提供必要的決策支持。

2網絡熱點事件的輿情演變分析

通過對網絡熱點事件樣本案例的分析，可以發現網絡熱點事件的發展脈絡大體遵循著這樣一個規律：社會矛盾、社會不平等、不公正現象，經過媒體的報道，會擴大社會的不滿情緒。公眾往往因受自己的背景、學歷、年齡、價值觀、興趣、愛好，以及所處的群體環境等的影響，更愿意選擇那些與自己的既有立場和態度一致或接近的內容加以接觸、認知和記憶。這樣，當面對包含有吸引關注的有關新聞要素時，公眾極易因為心理共鳴而形成某種共同感受，產生普遍情緒和共同信念，并通過互動交流自發地完成行動動員，推動事件走向高潮。事件演變的過程模型如圖1所示。

從圖1可以看到，在事件的發展過程中，結構性誘因和結構性緊張構成了事件發生的基礎性條件，社會控制失效為事件的發生創造了良好的外部條件。觸發因素的出現、共同信念的形成和行動動員的完成刺激網絡熱點事件由初發直到爆發，事件的輿情熱度不斷高漲，是事件演變中的三個關鍵環節。

觸發因素的出現為社會緊張凝聚了濃度，為事件的發生提供了一個真切而敏感的具體刺激，契合了公眾固有的價值觀念、歷史記憶、物質利益、心理因素等，激起種種議論或產生多種情緒性表現，事件開始在網上發端，輿情在短時間內會急速上升，整個輿情態勢出現波動性變化。

共同信念的形成為網民的集體行動指明了方向。共同信念從某種意義上說是再造了、深化了甚至是夸大了公眾的怨恨、相對剝奪感和壓迫感。網民個體的怨恨相互渲染，達成對事件統一的認知，個體的怨恨被提升為群體的怨恨，產生共鳴，群體的情感能量迅速增強，事件被醞釀，輿情持續走高。

行動動員的核心是公眾情感的動員。事件的符號化標簽是增強情感的圖騰，符號以及與符號特征相關的一些信息是喚醒群體情感的源泉。個體之間、個體與群體之間形成交互的循環作用，彼此間的情感相互感染、反復加強，充分保持了符號在群體中的傳播。群體情感的價值指向不斷強化，形成“制度化”情感，情感能量不斷聚集，并達到足夠的水平，事件在網上爆發，輿情沸騰。

因此，對網絡熱點事件輿情研判的重點是對敏感因素、情感的形成及擴散進行分析判斷，把握事件演變的三個關鍵環節。

3網絡熱點事件的輿情研判

定義類NetInfoOpinion，用以表示網絡上的某個具體的輿情信息，NetInfoOpinion的數據結構定義如下：

public classNetInfoOpinion{

public stringC; //信息的內容

public stringInfo_URL;//信息的地址

public stringInfo_Type;//信息類型

public intRdNum; //報道天數

public intRfNum; //報道頻率

public intCkNum;//網民點擊數

public intDNum; //網民評論數

}

某個具體的信息可以表示為：It=〈C,RdNum,RfNum,CkNum,DNum〉。

在信息特征項的抽取中，以傳統TF*IDF算法為基礎，考慮篇章的結構信息對權重的影響，將不同位置相同的詞語同等看待，賦予同樣的權值，改進TF*IDF方法來計算特征項的權重termWeight。通過K-近鄰算法和K-means算法對信息進行分類和聚類，并根據主題關注度和主題相關度來確定話題相關信息的熱度。

(1)

其中，Ar(i,tm)表示信息的熱度，Aru(i,tm)表示在時間段tm內，公眾對信息i的關注度，即用戶關注度；Arm(i,tm)表示在時間段tm內，網絡上關于信息i的關注度，即媒體關注度；Rel(i)為主題相關度；tm可以是任意的時間段，如一周、一月等；參數α和β的主要作用是用來調節媒體關注度和用戶關注度的數值差異，以平衡各因子對整個公式的影響大小，可以根據經驗來設置其大小。

Aru(i,tm)的主要特征通過CkNum和DNum表現。一般來說，如果公眾對某一信息很感興趣，那么就會在閱讀之后留下自己的評論意見，所以設定評論人數的權重大于閱讀人數的權重。

Aru(i,tm)=log(0.5*Pri+Pci+λ)(0.5*Pri+

(2)

其中，Pri表示信息i的閱讀人數(只看不回復)的比例，Pri=CkNumi/(CkNumi+DNumi)；Pci表示信息i的回復人數的比例，Pci=DNumi/(CkNumi+DNumi)；λ為動態調整因子，用來平衡公式中相關因子對公式的影響；tmi為當前時間，tm0為主題的發布時間，(tmi-tm0)為當前時間與主題發布時間的時間差，當時間差為0時，時效性因子值為1，隨著時間差的增大，時效性因子呈指數衰減，時間越長，公眾的關注度越低。

Arm(i,tm)的主要特征通過RDNum和RfNum表現。在系統中，不區分新聞的來源，都設定相同的權重。而描述熱點信息的特征項必定會在每個新聞來源的多篇報道文檔中頻繁出現，出現得越頻繁，信息受媒體的關注程度越高。

(3)

其中，RfNumi(tm)表示在時間段tm內關于信息i的報道總數；RDi(tm)表示網站上的所有報道總數；N表示網站上的信息總數；RDNum(tm)表示時間段tm內，關于信息i的報道天數。通常有多篇相關報道的話題比報道量極少的話題的價值大得多，所以取指數形式來提高其權重；考慮時間因素RDNum(tm)，如果信息i在時間段tm內的報道越集中，那么信息i的關注度也越高。

Rel(i)是通過計算該主題下的回復內容與原主題內容的相關度統計得到，兩篇帖子之間相關度的計算可以通過比較兩篇文本的內容的相似度來判斷。具體計算模型如下：

(4)

(5)

其中，sim(c0,cj)為c0和cj之間的文本相似度，用向量間夾角的余弦值來計算c0和cj之間的文本相似度：wj,k為第j篇文檔中第k個特征項的權重；N是兩篇文檔中包含的特征項種類的數量。

3.1　敏感信息判斷

基于對熱點事件觸發因素類型分析，建立敏感信息基本庫。設計自適應話題跟蹤算法，基于文本的特征子集向量實現對熱點的跟蹤?？紤]到隨著時間的變化，不僅關于熱點話題會有新的內容出現，而且原話題本身也可能因為現實世界中的一些變化而發生動態的變化，即出現話題更新或漂移，如在陜西“微笑局長”事件中，楊達才由“微笑局長”變為“表哥”“表叔”就是因為公眾所關注的熱點由“微笑”變為了“名表”。當原話題出現更新或漂移時，其特征子集也可能會發生變化，如果不對特征子集進行適時調整，話題跟蹤后將難以得到與漂移后的話題相關的結果，而簡單地認為話題沒有后續新內容出現，與實際情況不相符。因此，在設計跟蹤算法時，為提高跟蹤的精度，對原話題的特征子集根據跟蹤結果進行自適應地修正。

修正特征子集的基本思路是以跟蹤到的新文本為基礎，從新文本的特征項中選擇權重最高的項，加入到原文本的特征子集中，而后以此為新的特征子集，進行后續的跟蹤工作。特征子集修正的具體過程描述如下：

步驟1抽取新文本特征項集Dnew中max(termWeight)所對應的特征項tnew；

當發現熱點輿情出現明顯的波動性變化時，表明該熱點的輿情信息中，出現了極大吸引公眾關注的信息，需判斷是否出現敏感信息。具體過程如下：

步驟2將DSUD中的特征詞與敏感信息基本庫進行匹配，判斷是否有與基本庫中的某些特征詞的信息相吻合的特征詞；

步驟3如果有吻合的特征詞，則監測系統據此認為價值累加理論中的觸發因素條件出現了，將結果提供給人工進行確認。

3.2　情感形成分析

在經過人工確認敏感因素出現后，進一步基于DSUD判斷是否出現了符號化標簽信息(或與符號化特征相關的信息)。具體算法描述如下：

步驟5將確認的符號化標簽信息寫入敏感信息基本庫，擴展基本庫。

3.3　情感擴散判斷

輿情指數的計算公式如下：

Exp_HotTopici,x=

(6)

其中，Exp_HotTopici,x為話題HotTopici在第x天的輿情指數，W_HotTopici,x為話題HotTopici在第x天的話題關注度，W_HotTopici,1為該話題第1天出現時的話題關注度。話題關注度基于話題的熱度和話題的平均相似度得到:

W_HotTopici,x=Fi(avgsim)*Ar(i,tm)

(7)

根據敏感因素輿情的發展變化，以“8%規律”(跟帖量除以總瀏覽量大于8%)作為衡量是否出現情感擴散的理論依據(“8%規律”在干群輿情信息監測工作中得到推廣應用，并取得了較好的效果)。如果超過8%，則判斷公眾關于此話題的情感呈擴散狀態，需對輿情進行重點關注并進行必要的處理，以干預網民的行動動員。否則，只需對輿情進行關注，以防出現情感的擴散。

根據輿情研判的結果，將熱點輿情分為四類：不含敏感因素；含敏感因素未形成共意；含敏感因素，形成共意但情感未擴散；含敏感因素，形成共意且情感擴散，并將研判結果報告管理人員，為輿情應對做好相應準備。

4網絡熱點事件的輿情監測預警

構造網絡輿情熱點信息智能監測平臺系統(NPOIMS)，針對互聯網上的輿情信息進行輿情監測、采集、處理，發現輿情熱點，并對熱點進行跟蹤，預測其發展趨勢，研判網絡熱點事件發生的三個關鍵環節，為事件的應對工作提供技術支持。系統框架如圖2所示。

Figure 2　Framework of the NPOIMS圖2　智能監測系統(NPOIMS)的框架

以我國西部地區的x市為對象，基于NPOIMS，根據x市的實際情況，架構“x市網絡輿情監測系統”。系統可以實時監測各類網站、微博、論壇上與“x市”的各級領導、各行政區域、職能單位、重點企業等有關的各類輿情信息，發現熱點輿情，并通過對敏感信息的研判、熱點輿情情感形成及擴散的研判，為有關部門提供輿情引導和網絡熱點事件應對的信息參考和決策支持。

系統監測的主要輿情載體的范圍分為主要新聞類、區域性門戶類、商業類、社交類、微博客類，每類預先設定一些主要站點的網址。其中，主要新聞類預設的有：人民網、新華網、鳳凰網等；區域性門戶類預設的有：古城熱線、西部網、每經網等；商業類預設的有：新浪、網易、TOM等；社交類預設的有：百度貼吧、天水在線、天涯社區等；微博客類預設的有：新浪微博、網易微博、騰訊微博等。通過對預設網站的定向信息采集，確保重要信息優先采集不丟失，并同時通過向主流搜索引擎進行搜索補充，確保信息收集的全面性。

知識庫用于存放詞典和各類規則。知識庫中的所有詞典書寫分為詞典別名跟詞典規則兩個部分，詞典別名是顯示在系統中的詞語，詞典規則是實際搜索的關鍵詞語。

敏感信息基本庫存放一些為公眾所關注的敏感類信息，添加“警察”“干部”“公務員”“食品安全”“污染”“PX”“官二代”“富二代”“房叔”“釘子戶”等為敏感信基本庫詞條。

規則庫設置系統的匹配規則，使用符號“*”表示“與”，“+”表示“或”，“-”表示“非”，“()”表示“優先級”；定義先后順序為：與、或、非。設置規則，如：公務員*考試*(干涉+暗箱操作+設限+限制+貓膩+量身+內定+泄題)。

系統運行后(運行時間段為：2015年4月15日~2015年5月25日)，按照預先的設置，自動搜索與x市有關的最新輿情信息，對采集到的輿情信息進行熱點分析，將分析結果按本月熱點、本周熱點、今日熱點分類顯示，并按日期進行比較分析，進行輿情提示(如圖3所示)。同時，提煉熱點詞語，以熱詞聚焦列表顯示，進行輿情研判。對需重點關注、及時應對的敏感輿情，以圖表形式對載體傳播態勢和各媒體的傳播情況進行預警提示(如圖4所示)，并自動生成輿情專題報告，存儲為Word文檔(如圖5所示)。

Figure 3　Analysis of today’s public opinions圖3　今日輿情分析

Figure 4　Warning prompts of public opinion carrier dissemination trends圖4　輿情載體傳播態勢預警提示

Figure 5　Public opinion report generated by system automatically圖5　系統自動生成的輿情專題報告

NPOIMS通過主題自動識別，智能過濾、聚類，專題聚焦，實現多角度、多層次展示信息，揭示網絡輿情規律，幫助用戶研判及預警網絡輿情趨勢，進而幫助用戶及時、全面、準確地掌握網絡輿情動態，為決策層做出正確輿論引導提供必要的理論依據，從而提高其公關應變能力和重大事件的網絡輿情處置能力。

5結束語

本文以社會學的價值累加理論為基礎，通過案例分析確定網絡熱點事件發展演變的關鍵環節，并以此為指導，構建網絡輿情熱點智能監測系統，獲取網絡熱點信息，分析研判敏感因素、情感的形成及擴散，并根據研判結果對輿情進行分類，指導相關部門進行網絡熱點事件的應對。本文的研究對豐富網絡熱點事件的輿情監測，具有探索性的意義。

參考文獻:附中文

[1]DeneekeK.Usingsentiwordnetformultilingualsentimentanalysis[C]∥ProcoftheIEEEInternationalConferenceonDataEngineering(ICDE2008),2008:507-512.

[2]Aleman-MezaB,NagarajanM,DingL.Scalablesemanticanalyticsonsocialnetworksforaddressingtheproblemofconflictofinterestdetection[J].ACMTransactionsonWeb,2008,2(1):1-29.

[3]AbbasiA,ChenH,SalemA.Sentimentanalysisinmultiplelanguages:FeatureselectionforopinionclassificationinWebforums[J].ACMTransactionsonInformationSystems,2008,26(3):1-34.

[4]GuerrieroA,RagniF,MartinesC.AdynamicURLassignmentmethodforparallelwebcrawler[C]∥ComputationalIntelligenceforMeasurementSystemsandApplications(CIMSA),2010:110-123.

[5]ZhugeH.Communitiesandemergingsemanticsinsemanticlinknetwork:Discoveryandlearning[J].IEEETransactionsonKnowledgeandDataEngineering,2009,21(6):785-799.

[6]SelamatA,Ahmadi-AbkenariF.ApplicationofclickstreamanalysisasWebpageimportancemetricinparallelcrawlers[J].InformationTechnology(ITSim),2010(1):1-6.

[7]WangYa-xuan,XuCong.Applicationresearchontheagent-basedpersonalizedintelligentinformationretrievalsystem[C]∥Procofthe2ndAsia-PacificConferenceonInformationTheory(APCIT2011),2011:24-26.(inChinese)

[8]PengXue-shi,SunChun-hua.Paradigmwordsselectingmethodbasedonwordclusteringforsentimentsanalysis[J].ApplicationResearchofComputers,2011,28(1):114-116.(inChinese)

[9]HanZhong-ming,ChenNi.Anefficientandeffectiveclusteringalgorithmfortimeseriesofhottopics[J].ChineseJournalofComputers,2012,35(11):2337-2347.(inChinese)

[10]WangWei,YangWu,QiHai-feng.Networkhotspottopicdetectionalgorithmbasedonmulti-centermodel[J].JournalofNanjingUniversityofScienceandTechnology(NaturalScience),2009,33(4):422-426.(inChinese)

[11]XueFeng,ZhouYa-dong,GaoFeng.Anonlinedetectionandtrackingmethodforburstytopics[J].JournalofXi’anJiaotongUniversity,2011,45(12):64-69.(inChinese)

[7]王雅軒,頊聰.基于Agent的個性化智能信息檢索系統應用研究[C]∥The2ndAsia-PacificConferenceonInformationTheory(APCIT2011),2011:24-26.

[8]彭學仕,孫春華.面向傾向性分析的基于詞聚類的基準詞選擇方法[J].計算機應用研究,2011,28(1):114-116.

[9]韓忠明,陳妮.面向熱點話題時間序列的有效聚類算法研究[J].計算機學報,2012,35(11):2337-2347.

[10]王巍,楊武,齊海鳳.基于多中心模型的網絡熱點話題發現算法[J].南京理工大學學報(自然科學版),2009,33(4):422-426.

[11]薛峰,周亞東,高峰.一種突發性熱點話題在線發現與跟蹤方法[J].西安交通大學學報,2011,45(12):64-69.

徐勇(1974-),男，湖北荊門人，博士，副教授，研究方向為網絡輿情和計算機仿真。E-mail:hfxing@sohu.com

XUYong,bornin1974,PhD,associateprofessor,hisresearchinterestsincludenetworkpublicopinion,andsimulation.

Public opinion analysis and implementation of networkhot events based on value added theory

XU Yong

(Information Center,Hubei Academy of Governance,Wuhan 430022,China)

Abstract:We analyze the evolution of the network hot events based on the value added theory. The emergence of the precipitating factors, the formation of generalized belief, and the completion of mobilization for actions are three crucial phases of the evolution of the events. We also design a monitoring model to analyze sensitive factors, the formation and diffusion of the emotions of public opinions in the events. Based on this, we develop a network public opinion intelligent monitoring system (NPOIMS). And the public opinion monitoring system is built up by takes the X city in the west of China as the instance object. All kinds of public opinion information of the X city are monitored. The hot words are refined, and the public opinion is analyzed. And the analysis results are provided to the government departments as a decision support to guard public opinions and dispose the events.

Key words:value added theory;network hot events;public opinion analysis

作者簡介:

doi:10.3969/j.issn.1007-130X.2015.12.010

中圖分類號：TP393

文獻標志碼：A

基金項目：國家社會科學基金資助項目(11CGL092)

收稿日期：修回日期：2015-10-25

文章編號：1007-130X(2015)12-2256-06