基于知識圖譜的網絡輿情研判系統研究

張思龍 王蘭成 婁國哲

收稿日期：2020-08-03

基金項目：全軍研究生重點課題（項目編號：2018JY62）;裝備軍內科研2019年課題和國防大學數據工程專項（項目編號：DSJGCZY19012）。

作者簡介：張思龍（1987-），男，講師，博士研究生，研究方向：計算機情報分析、網絡輿情監測。王蘭成（1962-），男，教授，博士生導師，研究方向：計算機情報分析、網絡輿情監測。婁國哲（1982-），男，講師，博士，研究方向：網絡輿情監測、政工信息化。

摘要：[目的/意義]知識圖譜基礎應用對于加強網絡輿情研判系統智能化水平具有重要意義。[方法/過程]本文在相關研究基礎上，針對知識圖譜在系統中融合路徑進行了探析，并提出了基于知識圖譜的網絡輿情研判系統模型，對網絡輿情研判系統構建實踐和應用進行了探討。[結果/結論]研究表明，基于知識圖譜的應用，有利于網絡輿情大數據的精準獲取和智能化計算，有利于統一網絡輿情信息資源和加強語義分析，有利于準確分析研判網絡輿情的風險點、矛盾點，有利于輿情自動編報、精準推薦和決策支持。

關鍵詞：知識圖譜;網絡輿情;研判系統;人工智能;融合路徑

DOI：10.3969/j.issn.1008-0821.2021.04.002

〔中圖分類號〕G203〔文獻標識碼〕A〔文章編號〕1008-0821（2021）04-0010-07

Research on Network Public Opinion Analysis and

Judgment System Based on Knowledge Graph

Zhang SilongWang LanchengLou Guozhe

（National Defense University Political College，Shanghai 200433，China）

Abstract：[Purpose/Significance]The research of knowledge graph is at the cutting edge of world information technology，and the basic application of that is of great significance to strengthen the intelligent level of network public opinion analysis and judgment system;[Method/Process]On the basis of related research，this paper discussed the fusion path of knowledge graph in the system，then put forward the network public opinion analysis and judgment system model based on knowledge graph，and discussed the construction practice and application of system;[Result/Conclusion]The research showed that the application of knowledge graph was conducive to the accurate acquisition and intelligent calculation of network public opinion big data，the unification of network public opinion information resources and the enhancement of semantic analysis，the accurate analysis and judgment of risk points and contradiction points of network public opinion，as well as the automatic public opinion reporting，accurate recommendation and decision support.

Key words：knowledge graph;network public opinion;analysis and judgment system;artificial intelligence;fusion path

知識圖譜是一種面向人工智能的高級語義建模、知識組織、知識匹配和推理計算技術。在基于知識圖譜的網絡輿情研判系統中，任務關聯的目標，例如事件、機構、地區、人物、行業、企業、產品等與領域情報相關的概念或實體，以及各類概念或實體之間的關系（比如任職、發布等），都在知識圖譜中以節點和邊的形式結構化。網絡輿情研判數據采集、分析處理、輿情編報等業務運用知識圖譜技術進行有效數據管理，同時針對業務需求中的任何分析意圖，進行細粒度的語義理解和精確匹配。

大數據時代，網絡輿情研判任務更加復雜，知識分布更加分散，有效數據獲取和精準研判更加困難。研究基于知識圖譜的網絡輿情研判系統旨在達到3個方面的期望：①在網絡輿情文本等數據語義表達和關聯上，突破傳統的關鍵詞詞袋、向量空間等模型，轉變為更立體、更全面、更開放、更規范的語義網絡模型，使得研判業務目標數據都能包含在統一的模型框架中;②在網絡輿情研判知識匹配和擴展上，借鑒人工智能技術的應用，使之更加智能化和精確化;③在輿情知識推理和智能化研判上，運用知識圖譜積累的大量知識點及其關系，機器學習自動發現隱含的知識和關系模式，提高大數據知識發現及預測的效果和可解釋性。

1相關研究現狀

1.1網絡輿情研判相關研究

1.1.1網絡輿情研判信息處理流程

網絡輿情研判屬于網絡輿情管理的研究范疇，是對網絡媒體和用戶產生的并在網絡上進行傳播的輿情信息進行價值或趨向判定的過程。在工作實踐中，網絡輿情研判的信息處理一般包括網絡輿情信息搜集、網絡輿情信息分析、網絡輿情信息編報和網絡輿情信息控制等流程，如圖1所示。

其中，信息搜集是網絡輿情研判的開始;信息分析是網絡輿情研判的關鍵，主要完成真偽判斷、分類篩選、統計分析等工作，提煉出輿情矛盾點、異化點、風險點，為網絡輿情信息編報提供數據支撐;信息編報是網絡輿情研判的重要過程，研判人員通過編報選題、材料海選、資料歸集、歸納意見形成編報內容，按照對應編輯刊物的格式編寫，審查核對后上報相關部門，網絡輿情的重要性主要通過輿情編報體現;信息控制是網絡輿情研判的反饋機制，目的是減少有害信息傳播，預防輿情危機事件發生。從業務流程上看，它并不屬于網絡輿情研判的范疇，但它卻是研判成果作用于網絡輿情發展的進一步行動，同時信息控制的效果也需要研判進行評估。

1.1.2網絡輿情研判方法和模型

網絡輿情研判相關研究主要有兩個思路：一是從輿情安全評估和預警角度研究網絡輿情評估指標和方法;二是從信息傳播角度研究網絡輿情演化模型。

網絡輿情評估指標體系相關研究主要集中在通用輿情、特定事件輿情和特定領域輿情的評估等，比如劉健等[1]面向微博信息傳播，研究設計了信息傳播者、受傳者、信息內容、傳播渠道、傳播環境屬性等指標;陳建敏等[2]引入信息空間模型，提出涉軍網絡輿情信息指標體系設計思路、原則和方法等。對應的評估方法主要有基于層次分析法（APH）和基于模糊評價法的研究方法。層次分析法廣泛應用于指標體系設計，同時基于指標體系的輿情評估也多基于層次分析法分析指標權重。基于模糊評價法即通過概率等數學手段處理模糊的評價對象，比如輿情熱點詞匯、評論意見等。近幾年兩種方法趨于結合，如王高飛等[3]將層次分析法與模糊綜合分析法相結合，構建基于AHP-模糊綜合分析的移動社交網絡輿情預警模型，通過實證說明模型的有效性和準確性。

網絡輿情演化模型及模擬仿真研究方面，早期主要基于生命周期理論對網絡輿情生命周期進行劃分。隨著大數據時代的到來，面對海量的輿情數據和復雜的網絡傳播路徑，越來越多的學者引入了復雜網絡、模擬仿真、數據挖掘、人工智能等技術研究輿情擴散機理、群體性事件預測等。如劉繼等[4]基于復雜網絡對輿情團落進行分析，利用深度學習提高輿情智能計算能力，對網絡輿情事件進行演化推理，提升網絡輿情態勢智能分析水平;彭程等[5]基于SIR傳染病模型與EGM灰色預測模型，提出一種實現輿情預警與輿情防控模型等。

1.2知識圖譜及其在網絡輿情研究中的應用

知識圖譜（Knowledge Graph，KG）由Google最先提出，目標是使其主營的搜索業務實現智能化，目前已成為人工智能領域的技術前沿。知識圖譜是指描述現實世界中概念、常識及其關系的結構化的語義知識庫，其基本組成單元是〈概念/實體，關系，概念/實體〉三元組和〈概念/實體，屬性，屬性值〉三元組。知識圖譜通過兩種基本組成單元將知識表達為圖結構，易于知識的展現、維護、檢索和推理。基于知識圖譜的應用，可以提升社交網絡的輿情分析管控能力，如馬哲坤等[6]基于突發事件網絡輿情的時間特征指標建立含有語義關系的突發話題圖譜，實現突發事件網絡輿情熱點話題傳播分析。

也有研究者基于知識圖譜構建事件類知識圖譜用于網絡輿情事件研判。如Gottschalk S等[7]提出了一種以事件為中心的多語言時序知識圖譜，從現有大型知識圖譜中抽取事件、關系，并進行了融合;彭立發[8]以事件類型的實體為例，提出并構建了一個以事件為中心、通過事件要素進行關聯擴展的網絡社區知識圖譜。

基于知識圖譜，Li Z等[9]于2018年提出了事理圖譜概念，描述事件之間的順承關系和因果關系，用于發現事件的演化規律和后續事件的預測。周京艷等[10]比較了概念地圖、知識圖譜、事理圖譜的概念內涵，界定了情報事理圖譜的概念，認為事理圖譜在情報理論、情報判讀和情報預測等方面均具有重要價值。單曉紅等[11]以醫療領域網絡輿情事件為例，分別構建網絡輿情事理圖譜和抽象網絡輿情事理圖譜，從兩個層次分析網絡輿情的演化路徑。

1.3研究評述

首先，大數據時代海量數據規模成為網絡輿情研判首要解決的一大難題，而當前的輿情評估方法還大多限于抽樣式的評估方法，缺乏全面的綜合評估;其次，網絡輿情研判的內容也主要以社會安全事件為主，其中應急性、個案化較多，長遠性的研究較少，輿情預警和應對也多采取人工搜索和自覺發現;最后，從輿情分析的重要目的，輿情決策的角度講，當前輿情研判的現狀還存在不足，在輿情案例研究、政策法規和領域知識等方面出現了供需不匹配的問題，尤其當前大數據環境下，網絡輿情形勢瞬息萬變，更需要即時作出輿情決策，知識需求更為迫切。

鑒于此，本文研究基于知識圖譜的網絡輿情研判系統，旨在構建各領域網絡輿情研判知識圖譜，加強大數據和人工智能聯合應用，推動網絡輿情研判工作從抽樣式模糊評估向綜合式精準評估轉變，推動網絡輿情研判工作從就事論事的應急式向統攬全局的跟蹤式轉變，推動網絡輿情研判案例庫知識庫建設，不斷強化網絡輿情研判決策支持能力。

2基于知識圖譜的網絡輿情研判系統模型

2.1知識圖譜在系統中的融合路徑探析

結合輿情研判信息處理流程，探討知識圖譜在網絡輿情研判數據管理、信息處理和知識服務過程中的融合路徑，以期更好發揮知識圖譜技術優勢，強化系統功能。

1）基于知識圖譜構建網絡輿情信息資源的分類和畫像，強化系統數據管理功能

網絡輿情信息資源分類和畫像，就是匹配輿情數據、需求數據、案例庫、業務數據等信息資源的特征和屬性，分析獲知信息資源的使用度、接受度和使用任務等。比如構建輿情事件和典型媒體主題圖譜、輿情應急響應決策圖譜[12]，借鑒知識圖譜的方法深度挖掘數據，構建基于資源畫像的社交媒體內部、外部資源聚合模型等[13]。

通過構建的信息資源的分類和畫像還可以較為精準地確定數據采集方向，加之基于知識圖譜的數據采集和存儲方案，面向不同任務自動關聯采集站點、自動確定數據格式和存儲方式也是強化輿情數據采集管理、保證輿情研判質量的重要手段。如麻友等[14]在數據主題挖掘基礎上，利用知識圖譜發掘領域實體及其關聯，實現特定領域數據的抽取。

2）基于知識圖譜創新輿情信息處理技術，強化系統智能分析能力

知識圖譜在網絡輿情研判信息處理中的融合應用是基于知識圖譜構建網絡輿情研判系統的主要目的，主要集中在事件分析、用戶分析和輿情可視化分析等方面的創新研究。事件分析任務主要有事件監測、事件摘要、事件演化追蹤、事件預測等[6-11]。用戶分析任務主要有用戶畫像[15]、用戶推薦[16]、行為分析[17]等。可視化分析任務包括可視化事件知識圖譜、事理圖譜構建和可視化輿情展示等。王晰巍等[12]構建了校園突發網絡輿情事件主題圖譜，并對“北京交通大學實驗室爆炸”事件進行可視化分析;牟冬梅等[18]構建微博輿情社會屬性與外化表現模型，并以某疫苗事件為例進行實證研究及可視化展示。

3）基于知識圖譜強化系統知識管理、知識檢索和服務能力

基于知識圖譜為網絡輿情研判業務提供知識管理和優化，比如面向重大主題輿情監控構建重大輿情主題知識圖譜;面向事件演變追蹤構建網絡輿情事理圖譜;面向關鍵組織和人物分析構建組織或人物圖譜等。

當前，網絡輿情知識檢索服務面臨3個難題，極大限制了系統效能：一是海量的半結構化和非結構化數據無法自動建立有效的標簽或索引;二是存在大量冗余數據;三是語義解析和檢索能力不足。針對以上問題，知識圖譜等語義網技術提供了研究思路。如王丹等[19]針對數據冗余和語義解析問題，提出了基于元數據的信息知識組織智能檢索系統設計方法等。

2.2系統模型設計

基于知識圖譜技術并融合大數據處理理論設計網絡輿情研判系統模型，包括輿情知識庫（知識圖譜）、數據源及其獲取、網絡輿情大數據資源管理、網絡輿情圖譜分析、分析結果展示和決策支持等功能模塊，如圖2所示。該模型中各模塊之間信息和知識互通，形成有機整體。

圖2基于知識圖譜的網絡輿情研判系統模型

1）輿情知識庫（知識圖譜）模塊。該模塊主要用于整合業務知識、提煉知識需求、指導數據獲取、輿情知識匹配、知識管理服務等。本文設計輿情知識庫包括領域知識庫、業務知識庫、輿情事件庫、用戶行為庫、輿情案例庫和決策支持庫等。這里需要注意的是，知識圖譜技術并非是所有用于研判的輿情信息和知識的最佳組織方案，比如研判系統中的業務流程知識使用工作流更合適，體量較大的輿情數據（照片、長視頻、軟件、文件等）使用組織好的文件系統更合適，但輿情處理時這些信息的摘要或索引數據需要添加到知識圖譜中，便于輿情知識檢索利用。

2）數據源及其獲取模塊。該模塊主要用于輿情研判數據篩選和獲取。大數據時代網絡輿情信息涉及的范圍十分廣泛，網絡輿情研判系統數據來源不僅包括網絡新聞媒體、社交網絡、論壇博客、網絡直播以及微博、微信自媒體，還包括電子政務網站、輿情工作部門的業務數據等。根據不同領域、不同類型的研判任務，其數據源的選擇和各數據源的價值評價是不同的，此時輿情知識庫必須為數據源選擇和數據獲取提供業務指導，既能保證研判信息全面無遺漏，又能保證精準避免不必要的數據冗余和資源浪費，從而構建包含媒體報道、網民意見、政府工作等全角度、全方位、立體化的輿情數據來源。

3）網絡輿情大數據資源管理模塊。數據獲取后首先解決的是快速存取、檢索和計算問題，研究基于Hadoop+Spark等大數據存儲和計算架構，構建網絡輿情大數據資源管理平臺，研究構建網絡輿情內容數據倉庫和用戶行為數據倉庫，進行初步的數據融合和特征計算，為后續分析工作提供數據支撐。

4）網絡輿情圖譜分析模塊。該模塊借助知識圖譜將網絡輿情研判目標各類信息都集中到知識圖譜構建及應用的統一架構中。從數據、信息和知識的關系上來看，知識往往是對數據和信息進行組織、總結、體系化歸納而得到的，而這個過程需要借助語義分析的能力。網絡輿情圖譜分析借助知識圖譜語義表達的優勢強化輿情研判信息的組織、集成和分析，首先針對輿情研判任務，可以從事件（內容傳播）和人物（用戶行為）兩個角度對信息進行組織，構建網絡輿情事件知識圖譜和網絡輿情人物知識圖譜。具體的，綜合運用數據融合、文本分析、深度語義挖掘、智能信息處理等大數據處理技術，同時結合輿情知識庫中相關領域知識、業務知識和輿情案例等知識保障，實現網絡輿情大數據的數據整合、信息要素提取、事件抽取和人物畫像等圖譜構建任務，根據圖譜分析的方法完成態勢分析、專題分析、熱點發現、預警等輿情事件分析任務，完成人物畫像、軌跡識別、情感分析和行為預測等輿情用戶行為分析任務，且兩者之間存在關聯分析。另外，通過跟蹤式圖譜分析還可以專門針對某一特定事件進行監控，探索其演化規律和傳播效應，為輿情監督和管控等提供必要的案例素材。

5）分析結果展示和決策支持模塊。該模塊功能面向的是網絡輿情研判工作人員或輿情決策者，主要用于針對特定時期和特定任務條件下，根據輿情圖譜分析結果進行可視化展示，比如輿情態勢圖譜、輿情指數發展曲線、用戶情緒分布等，同時還需要支持輿情信息的即時查詢，支持針對特定用戶的輿情信息精準推薦，支持輿情行動決策的智力支持。另外，通過人機交互，實現輿情研判系統與輿情決策者的交互，交互方式力求簡單明了，能夠對輿情決策者的知識需求進行實時的準確傳遞和反饋，發揮輿情決策者通過自身業務知識對網絡輿情的把控優勢。

3基于知識圖譜的網絡輿情研判系統建構和探討

3.1新冠疫情條件下涉政網絡輿情研判系統建構實踐

基于知識圖譜的網絡輿情研判系統能力還需要不斷地實踐應用，進行檢驗。2020年春節前突發新型冠狀病毒肺炎疫情，相關部門十分警惕由此產生的網絡空間信息疫情，即針對疫情產生的虛假、恐慌、不穩定的危害性信息傳播。即使當前國內已然進入了后疫情時期，但仍需關注國際疫情發展狀況以及潛在的輿情風險，并做好應對和治理工作。

本文對基于知識圖譜的新冠疫情條件下涉政網絡輿情研判進行了研究，認為系統研究核心任務在于對輿情應對業務的理解和疫情輿情知識圖譜的設計。本文結合業務工作，設定應用場景為新冠疫情條件下涉政網絡輿情事件發現、跟蹤和應對的研判任務，主要從網絡輿情研判和應對業務問題、事件解析、數據獲取、知識圖譜構建和應用等方面介紹相關工作。

3.1.1網絡輿情研判和應對業務問題

政府應對新冠疫情的發生、發現、防控等工作過程中涉及政策法規、行政監督、科學研究、社區防控和群眾工作等方方面面，牽扯各級政府機關、各地區社會組織和團體、公民個體等復雜關系，任何矛盾問題都有可能在互聯網、社會化媒體環境下被曝光放大，演變為涉政輿情危機。同時，自媒體時代信息發布較為自由，起點較低，任何不實的舉報、虛假的宣傳、曲解的報道都有可能浪費行政力量，造成社會恐慌情緒。比如武漢市青山區“垃圾車送肉”事件、“武漢9日夜轉運病人一幕”事件、“火神山醫院漏水”事件等。因此新冠疫情條件下網絡輿情應對業務的核心是發現疫情防控中的矛盾問題并提出解決這些矛盾問題的應對意見。具體的，通過監控網絡上主流媒體、微博微信等社會化媒體平臺信息流，以輿情事件為切入點，構建新冠疫情條件下網絡輿情知識圖譜，跟蹤和發現新的輿情事件，解析事件背后利益訴求，在符合政策法規、行業規程以及一定情理條件下給出解決問題的意見。

3.1.2網絡輿情研判事件解析

事件是在時間和空間中發生的事情，具有一定的時序特征和發展規律。在傳統的研究中，通常運用“5W1H”分析法，即何事（What）、何人（Who）、何時（When）、何地（Where）、何故（Why）和如何（How）6個要素的有機組合表示事件。將“5W1H”描述為事情、對象（人物、機構或物體等對象）、時間、地點、動機、動作等要素，圖3為事件要素解析示例。

“事情”可以理解為事件的發生情況、發展情況、結果影響等;“對象”指事件參與或涉及的主體或客體，能反映事件涉及群體范圍及相互關系;“時間”指事件發生的時間，能反映事件影響時間;“地點”指事件發生的地域或行政區劃，能反映事件影響空間;“動機”指對象采取動作的原因或考慮，可以借此考察事件因果或順承關系;“動作”指事件發生的方式，一般為動詞或名詞，一定程度上能夠反映事件本體特征;主題事件是由一系列元事件組成，元事件一般由觸發詞區分，同一主題下元事件具有關聯性，其關系一般包括因果、順承、并發、組成等關系。為便于元事件分類，ACE評測會議定義了8種事件類型和33種子類型。本文借鑒“5W1H”分析法和ACE評測，認為輿情事件可以表示為事件要素的組合Event=（類型，{觸發詞}，{屬性：屬性值}，{關系}），其中類型、觸發詞、屬性及屬性值等都是事件要素的存在方式。

3.1.3網絡輿情研判數據獲取

對于新冠疫情條件下涉政網絡輿情應對，需要實時跟隨疫情的發展，包括國內外新冠肺炎確診和疑似病例數、臨床醫療研究進展情況、可用的防護指南、各地現行的防控政策、網民在各媒體平臺的討論話題等，這些數據網絡上基本得到很好的公開，目前借助在用系統，初步具備系統采集功能。網民熱議的政策問題、熱點事件均應成為輿情發現和應對的關鍵點，并且相對應的涉及政府工作的政策及后續、民間問題反映應列入知識圖譜中，以便后期查詢和推理。

3.1.4網絡輿情研判知識圖譜構建

本文以《國家突發公共事件總體應急預案》《國家突發公共衛生事件應急預案》提出的突發公共事件、突發公共衛生事件所屬關系，并結合當前普遍關注的疫情防控情況，依次定義事件、突發公共事件等6個上層概念。結合網絡輿情領域普遍關注的國際關系層面、國家政策層面、政府機關行政層面、基層工作層面等相關事件設計新冠肺炎疫情通報及防控的下層概念，包括國際疫情通報、國內疫情通報、國際疫情防控、國內疫情防控等，如圖4所示。

3.2新冠疫情條件下涉政網絡輿情研判系統應用啟示

面對重大疫情輿情，輿情研判和應對需要切實找準業務問題，直指疫情防控矛盾焦點。重大疫情背景下，要以解決實際問題為基礎，將風險防控的關口前移，同時亟需在疫情認知的維度研判網絡輿情風險，提出針對疫情輿情風險的防范化解之策。新冠疫情爆發后，網絡成為最大的信息集散地，重大疫情表現為全國性的，各地區疫情輿情在網絡空間都會集中呈現，這首先考驗各地應急處置能力，輿情事件的發展走向，很大取決于官方的處置措施。

面對重大疫情輿情，輿情研判和應對需要切實找準“時度效”。輿情研判和應對，首先要在“時”上下功夫，網絡輿情信息發布門檻不高、傳播快速、網民接收信息又容易先入為主，因此輿情研判和應對的窗口期十分有限，必須基于正確的輿情態勢的研判，理清頭緒，第一時間發聲，闡明事實要緊扣群眾訴求、開誠布公地做好信息公開;把握好宣傳的“度”，同時跟進后續報道，梳理群眾意見、社會呼聲，提高輿情應對“效能”，同時防止片面或負面信息出現。

面對重大疫情輿情，輿情研判和應對需要切實找準疫情應急響應與輿情研判風險應對的契合點。高等級的輿情研判風險一般會與高等級的疫情應急響應對應，包括輿情主體、區域、話題等都有趨同性，尤其在疫情爆發之初尤為明顯。當前，國內已進入常態化疫情防控的后疫情時期，各地均有降低疫情應急響應等級，但這不能代表網絡空間輿情風險的減少，相反，應急響應等級的降低容易使得社會一定程度上放松警惕，之前嚴禁聚餐等人員的聚集活動開始出現，甚至聚眾賭博等高風險事件也在網上爆出，增加了輿情燃點爆點，也引起了輿論擔憂。因此，疫情應急響應與輿情研判風險應對并不是同步的，隨著疫情防控呈現“總體平穩”態勢，先前網絡空間不斷積累的未完全化解的矛盾問題和風險因素有可能再次爆發，后疫情時代網絡疫情輿情仍可能帶來一系列波次的輿情破壞事件。

4結束語

本文在分析網絡輿情研判和知識圖譜及其在輿情研究中應用等相關工作后，提出基于知識圖譜的網絡輿情研判系統模型，針對知識圖譜在系統中融合路徑進行了討論，對網絡輿情研判系統構建實踐和應用進行了探討。本文認為，基于知識圖譜的應用，有利于網絡輿情大數據的精準獲取和智能化計算，有利于統一網絡輿情信息資源，有利于準確分析研判網絡輿情的風險點、矛盾點，有利于做到自動編報、精準推薦和決策支持。知識圖譜等人工智能技術在網絡輿情研判中的基礎性應用，可以提升網絡空間的輿情安全態勢分析管控能力，是提高國家政府部門突發應急響應能力的關鍵路徑和重要體現，也是響應國家戰略切實提高執政能力的必然要求。

參考文獻

[1]劉健，畢強，李瑞.微博輿情信息傳播效果評價指標體系構建研究——基于模糊數據包絡分析法[J].情報理論與實踐，2016，39（12）：31-38.

[2]陳建敏，余遵成.涉軍網絡輿情安全評估指標體系研究[J].圖書情報研究，2018，（1）：29-36.

[3]王高飛，李明.基于AHP-模糊綜合分析的移動社交網絡輿情預警模型研究[J].現代情報，2017，37（1）：41-44.

[4]劉繼，李磊.大數據背景下網絡輿情智能預警機制分析[J].情報雜志，2019，38（12）：92-97，183.

[5]彭程，祁凱，黎冰雪.基于SIR-EGM模型的復雜網絡輿情傳播與預警機制研究[J].情報科學，2020，38（3）：145-153.

[6]馬哲坤，涂艷.基于知識圖譜的網絡輿情突發話題內容監測研究[J].情報科學，2019，37（2）：33-39.

[7]Gottschalk S，Demidova E.Event KG：A Multilingual Event-centric Temporal Knowledge Graph[C]//European Semantic Web Conference，2018：272-287.

[8]彭立發.網絡社區事件知識圖譜構建[D].武漢：華中科技大學，2019.

[9]Li Z，Ding X，Liu T.Constructing Narrative Event Evolutionary Graph for Script Event Extraction[C]//Proceedings of the 27th International Joint Conference on Artificial Intelligence，2018：4201-4207.

[10]周京艷，劉如，李佳娛，等.情報事理圖譜的概念界定與價值分析[J].情報雜志，2018，37（5）：31-36，42.

[11]單曉紅，龐世紅，劉曉燕，等.基于事理圖譜的網絡輿情演化路徑分析——以醫療輿情為例[J].情報理論與實踐，2019，42（9）：85，99-103.

[12]王晰巍，張柳，韋雅楠，等.社交網絡輿情中意見領袖主題圖譜構建及關系路徑研究——基于網絡謠言話題的分析[J].情報資料工作，2020，41（2）：47-55.

[13]徐海玲，張海濤，魏明珠，等.社交媒體用戶畫像的構建及資源聚合模型研究[J].圖書情報工作，2019，63（9）：109-115.

[14]麻友，岳昆，張子辰，等.基于知識圖譜和LDA模型的社會媒體數據抽取[J].華東師范大學學報：自然科學版，2018，（5）：183-194.

[15]王杰.基于公安知識圖譜的用戶畫像研究[D].武漢：武漢理工大學，2019.

[16]張興宇.基于知識圖譜構建的微博話題推薦研究[D].淮南：安徽理工大學，2019.

[17]侯位昭，張欣海，宋凱磊，等.融合知識圖譜及貝葉斯網絡的智能推薦方法[J].中國電子科學研究院學報，2020，15（5）：488-494.

[18]牟冬梅，邵琦，韓楠楠，等.微博輿情多維度社會屬性分析與可視化研究——以某疫苗事件為例[J].圖書情報工作，2020，64（3）：111-118.

[19]王丹，張祥合，趙浩宇.基于元數據的信息知識組織智能檢索系統設計[J].情報科學，2019，37（9）：113-116.

（責任編輯：郭沫含）