基于情感分析的突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型仿真

牟冬梅　靳春妍　邵琦

DOI：10 3969/j.issn.1008-0821.2021.10.007

[中圖分類號]G202 [文獻(xiàn)標(biāo)識碼]A [文章編號]1008—0821（2021）10—0059—08

社交網(wǎng)絡(luò)的重要載體“三微一端”承載了公眾情感表達(dá)及輿論傳播的重要功能。由于突發(fā)公共衛(wèi)生事件涉及公眾的健康和生命安全問題，公眾對此類信息更為敏感、關(guān)注度更高，所以在突發(fā)公共衛(wèi)生事件發(fā)生后，真假難辨的信息極易加劇公眾的恐慌形成持續(xù)發(fā)酵的網(wǎng)絡(luò)輿情。近年來，突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情頻頻發(fā)生，突發(fā)公共衛(wèi)生事件也成為網(wǎng)絡(luò)輿情研究的焦點(diǎn)之一。

網(wǎng)絡(luò)輿情研究的關(guān)注對象通常為公共事件領(lǐng)域的新聞及其評論以及電子商務(wù)領(lǐng)域的產(chǎn)品或服務(wù)評論，其主要研究內(nèi)容是對關(guān)注對象的文本內(nèi)容、行為屬性、形成機(jī)理、傳播規(guī)律等進(jìn)行深入分析。輿情預(yù)測是實(shí)現(xiàn)網(wǎng)絡(luò)輿情監(jiān)控的重要環(huán)節(jié)，對于網(wǎng)絡(luò)輿情分析具有重要的意義，也是網(wǎng)絡(luò)輿情領(lǐng)域的重要組成部分。網(wǎng)絡(luò)輿情在大量的網(wǎng)絡(luò)數(shù)據(jù)之中具有延續(xù)性、交互性和演化性，有一定的可預(yù)測性。網(wǎng)絡(luò)輿情在短時間內(nèi)會大規(guī)模、快速地擴(kuò)散，從風(fēng)險的社會放大理論看，如果突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情處理不當(dāng)，容易誘發(fā)民眾的不良情緒，導(dǎo)致漣漪效應(yīng)，引爆輿情危機(jī)。建立合適的預(yù)測模型來仿真網(wǎng)絡(luò)輿情的熱度，相關(guān)部門就可以盡快掌握社情民意，及時發(fā)現(xiàn)工作中存在的不足和對問題矛盾出現(xiàn)的影響，對負(fù)面聲音進(jìn)行正確引導(dǎo)，這對于政府相關(guān)部門有效監(jiān)管網(wǎng)絡(luò)輿情、維護(hù)社會穩(wěn)定具有一定的重要意義。突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情的發(fā)生，往往是因?yàn)楣妼浨橼厔莸奈粗斐煽只怕樱踩腥笔Ц又毓姷慕箲]恐慌情緒，用戶在網(wǎng)絡(luò)平臺上通過情感詞充分表達(dá)自身的情感，又由于網(wǎng)絡(luò)輿情的否定多于肯定，激情壓倒理性的特征，負(fù)面的情感推動輿情不斷發(fā)酵，加劇了突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情的監(jiān)管難度。

因此，本研究將情感因素引入網(wǎng)絡(luò)輿情熱度預(yù)測依據(jù)之中，針對突發(fā)公共衛(wèi)生事件構(gòu)建網(wǎng)絡(luò)輿情熱度預(yù)測模型并進(jìn)行仿真。研究將解決以下兩個問題：①構(gòu)建基于情感分析的突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型，以期優(yōu)化突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度的預(yù)測效果;②在理論模型的指導(dǎo)下，以“×××疫苗造假”事件為例進(jìn)行模型仿真，驗(yàn)證理論模型的有效性和可行性，評價加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測效果。

1相關(guān)研究

目前，國內(nèi)外學(xué)者對網(wǎng)絡(luò)輿情預(yù)測的研究大多采用的是時間序列分析或者灰色理論。輿情預(yù)測與時間序列分析相結(jié)合的研究方法，一種是利用歷史網(wǎng)絡(luò)輿情熱度來進(jìn)行網(wǎng)絡(luò)輿情預(yù)測，歷史網(wǎng)絡(luò)輿情熱度的測量多選擇百度指數(shù)、發(fā)文量等;另一種是針對網(wǎng)民的各類情感傾向性伴隨時間的轉(zhuǎn)移所發(fā)生的變化來進(jìn)行研究的。梳理輿情預(yù)測與灰色理論相結(jié)合的研究成果發(fā)現(xiàn)，一種是僅通過輿情方面的單一觀測值來實(shí)現(xiàn)網(wǎng)絡(luò)輿情的預(yù)測研究;另一種是利用多種網(wǎng)絡(luò)輿情觀測值來實(shí)現(xiàn)網(wǎng)絡(luò)輿情的預(yù)測研究。張和平等選用百度指數(shù)作為輿情熱度的衡量指標(biāo)，利用馬爾可夫修正灰色模型的預(yù)測結(jié)果。王寧等分別以微指數(shù)、百度指數(shù)、頭條指數(shù)作為事件熱度的衡量指標(biāo)，運(yùn)用灰色模型實(shí)現(xiàn)預(yù)測并運(yùn)用灰色關(guān)聯(lián)分析方法提出網(wǎng)絡(luò)輿情事件分級方案，還有學(xué)者選取多個指標(biāo)數(shù)據(jù)建立多因素灰色模型，并利用BP神經(jīng)網(wǎng)絡(luò)對多因素灰色模型的預(yù)測殘差進(jìn)行修正，實(shí)現(xiàn)網(wǎng)絡(luò)輿情的精確預(yù)測。

網(wǎng)絡(luò)輿情預(yù)測的方法還包括Logistic模型、模糊綜合評價法、馬爾科夫鏈、BP神經(jīng)網(wǎng)絡(luò)、組合預(yù)測等。有學(xué)者基于灰色關(guān)聯(lián)度方法構(gòu)建網(wǎng)絡(luò)輿情熱度模型，并在此基礎(chǔ)上構(gòu)建多維度Logistic模型對各個媒體平臺輿情信息開展預(yù)測。Chen X G等采用粗糙集理論篩選輿情指標(biāo)體系，通過層次分析法確定指標(biāo)權(quán)重，引入模糊綜合評價法預(yù)測和評估輿情發(fā)展趨勢。劉勘等采用馬爾科夫鏈對網(wǎng)絡(luò)輿情熱度進(jìn)行預(yù)測，結(jié)果表明，建模方法和預(yù)測算法是有效的。曾子明等在構(gòu)建微博輿情熱度評價指標(biāo)體系的基礎(chǔ)之上，建立了基于BP神經(jīng)網(wǎng)絡(luò)的突發(fā)傳染病輿情熱度趨勢預(yù)測模型。還有學(xué)者將常用的Logistic模型、指數(shù)平滑法模型和灰色模型結(jié)合在一起，通過層次分析法進(jìn)行權(quán)重賦值后得到最優(yōu)化網(wǎng)絡(luò)輿情數(shù)據(jù)的預(yù)測值。

對近年來國內(nèi)外相關(guān)文獻(xiàn)進(jìn)行梳理，發(fā)現(xiàn)目前國內(nèi)外學(xué)者的網(wǎng)絡(luò)輿情預(yù)測研究尚處于探索階段，已有的輿情預(yù)測研究多采用時間序列分析或者是灰色理論來實(shí)現(xiàn)研究目的。網(wǎng)絡(luò)輿情熱度預(yù)測是網(wǎng)絡(luò)輿情預(yù)測的子類。網(wǎng)絡(luò)輿情預(yù)測不僅包括網(wǎng)絡(luò)輿情熱度預(yù)測，還包括話題演化預(yù)測、觀點(diǎn)預(yù)測等。在網(wǎng)絡(luò)輿情熱度預(yù)測的相關(guān)研究中，鮮有研究人員在網(wǎng)絡(luò)輿情熱度預(yù)測模型仿真中引入情感因素。鑒于突發(fā)公共衛(wèi)生事件的影響力大、危害程度高、更容易使網(wǎng)絡(luò)輿情發(fā)酵，結(jié)合上文所述，考慮到網(wǎng)民情感對網(wǎng)絡(luò)輿情傳播的影響作用，納入情感因素不僅能夠從理論上優(yōu)化輿情熱度預(yù)測模型的精準(zhǔn)度，也具有一定的現(xiàn)實(shí)意義，為輿情應(yīng)對及監(jiān)測提供管控依據(jù)。因此，本研究將情感因素引入網(wǎng)絡(luò)輿情熱度預(yù)測之中，針對突發(fā)公共衛(wèi)生事件，實(shí)現(xiàn)基于情感分析的網(wǎng)絡(luò)輿情熱度預(yù)測模型仿真。

2突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型的構(gòu)建

本研究提出的基于情感分析的突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型包括數(shù)據(jù)處理層、情感分析層、熱度預(yù)測層3個層級，各層級之間逐層遞進(jìn)，基于數(shù)據(jù)預(yù)處理獲得文本數(shù)據(jù)的結(jié)構(gòu)化語料集，基于多特征融合的情感分析方法獲得情感傾向，基于多元時間序列分析進(jìn)行輿情熱度預(yù)測。數(shù)據(jù)的預(yù)處理部分包括數(shù)據(jù)清洗、按時間排序、分詞、去停用詞4個步驟，從而獲得結(jié)構(gòu)化的語料集。將數(shù)據(jù)處理層的結(jié)構(gòu)化數(shù)據(jù)作為情感分析層的輸入數(shù)據(jù)，情感分析層采用多特征融合情感分析方法，獲得詞典特征、表情特征、向量特征后融合成為情感分類特征，再利用機(jī)器分類算法得到情感傾向作為情感分析結(jié)果。在熱度預(yù)測層，將情感值及原創(chuàng)博文量、轉(zhuǎn)發(fā)量、評論量作為相關(guān)因素，百度指數(shù)作為輸出序列，利用LSTM實(shí)現(xiàn)突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測。所構(gòu)建的理論模型如圖1所示。

2.1數(shù)據(jù)處理層

數(shù)據(jù)的預(yù)處理是突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型的基礎(chǔ)，對原始數(shù)據(jù)進(jìn)行預(yù)處理可以將以自然語言書寫的博文轉(zhuǎn)化為方便機(jī)器學(xué)習(xí)方法識別的形式，同時也利于后續(xù)各類時間序列數(shù)據(jù)的建立。本研究所構(gòu)建的突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型的預(yù)處理部分包括以下步驟：①數(shù)據(jù)清洗環(huán)節(jié)包括刪除非原創(chuàng)的微博數(shù)據(jù)和博文噪聲，博文噪聲是指網(wǎng)址鏈接、標(biāo)簽、特殊符號（“$”“#”“@”……）等;②將所有的原創(chuàng)微博數(shù)據(jù)按照時間進(jìn)行排序;③使用Jieba分詞腳本對原創(chuàng)博文進(jìn)行分詞;④對原創(chuàng)博文去停用詞。

2.2情感分析層

本研究的創(chuàng)新點(diǎn)就是在突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測中加入情感傾向，因此情感分析方法的有效性對網(wǎng)絡(luò)輿情熱度預(yù)測來說必不可少。而《融入表情特征的網(wǎng)絡(luò)輿情情感分析方法研究》一文中所提出的網(wǎng)絡(luò)輿情情感分析方法是對以往方法的改良，所以本研究在突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型中的情感分析部分采用了融入表情特征的網(wǎng)絡(luò)輿情情感分析方法。該輿情情感分析方法是在詞典特征和向量特征的基礎(chǔ)之上融入表情特征，通過表情特征對情感的濃縮表達(dá)提升輿情表述中潛在情感的挖掘能力。在關(guān)注單一文本信息的同時還考慮了重要的情感線索——表情符號所具有的強(qiáng)烈情感表達(dá)能力對于情感傾向判斷的影響，而且避免了文字表述與表情符號的情感歧義問題，提高了網(wǎng)絡(luò)輿情情感分析效果。

融入表情特征的網(wǎng)絡(luò)輿情情感分析方法分3個步驟：①抽取文本的情感詞、修飾詞、語氣詞和標(biāo)點(diǎn)符號，按照一定的規(guī)則進(jìn)行組合計算來提取詞典特征;在構(gòu)建表情符號集的基礎(chǔ)上，考慮積極表情、消極表情、中性表情的數(shù)量來獲取表情特征;選擇Doc2vec作為提取向量特征的手段;②將詞典特征、表情特征、向量特征進(jìn)行融合，得到情感分類特征;③將情感分類特征作為分類器的輸入，獲得文本的情感分析結(jié)果。本研究利用融入表情特征的網(wǎng)絡(luò)輿情情感分析方法獲得所有原創(chuàng)微博數(shù)據(jù)的情感分析結(jié)果后，把情感分析結(jié)果作為輿情熱度預(yù)測部分中情感值的來源。

2.3熱度預(yù)測層

屈啟興等、陳福集等、曾子明等研究者在進(jìn)行網(wǎng)絡(luò)輿情預(yù)測時都把博文量、轉(zhuǎn)發(fā)量、評論量作為輿情熱度的影響因素，研究者們普遍認(rèn)為民眾對于網(wǎng)絡(luò)輿情的關(guān)注程度可以通過發(fā)文、評論與轉(zhuǎn)載等方式來體現(xiàn)，原創(chuàng)博文量可以測度話題的曝光度，轉(zhuǎn)發(fā)量、評論量則是從受眾視角來反映輿情熱度。情感傾向作為社會屬性的一種，對突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情的傳播有重要的影響作用，所以本研究也考慮了原創(chuàng)博文量、轉(zhuǎn)發(fā)量、評論量，并在此基礎(chǔ)上加入情感值來作為輿情熱度的相關(guān)因素。百度指數(shù)是統(tǒng)計網(wǎng)民在百度上針對關(guān)鍵詞的搜索量，通過科學(xué)分析并計算關(guān)鍵詞在百度上搜索量的加權(quán)而獲得，反映網(wǎng)民的主動搜索量和某一類事件受網(wǎng)民的關(guān)注程度，由于其在搜索引擎產(chǎn)品中極高的市場占有率及數(shù)據(jù)的可獲得性，受到學(xué)者們的廣泛關(guān)注。因此，本研究選取百度指數(shù)作為網(wǎng)絡(luò)輿情熱度的衡量指標(biāo)。

多元時間序列分析指對多變量時間序列的研究，是一種將多元回歸分析與時間序列分析相結(jié)合的方法。LSTM屬于多元時間序列分析的一種實(shí)現(xiàn)方式，它是RNN的變體，內(nèi)部更為復(fù)雜，能夠處理長時依賴問題，其相比于RNN主要進(jìn)行了兩個改進(jìn)：一是在記憶狀態(tài)的基礎(chǔ)上加入了新的內(nèi)部狀態(tài)——單元狀態(tài)，讓它來儲存較長時期的記憶;二是引入了門限機(jī)制來控制信息流動。也就是說，LSTM的結(jié)構(gòu)中不但包含了RNN中所涉及的隱含層單元之間的外循環(huán)，而且包含了神經(jīng)元內(nèi)部的自循環(huán)。針對序列數(shù)據(jù)而言，LSTM的優(yōu)勢在于一方面可以提高模型的收斂速度;另一方面由于門限機(jī)制的存在可以促使模型避免局部最優(yōu)朝正確的方向進(jìn)行收斂，因此適用于序列數(shù)據(jù)的分類、處理和預(yù)測。所以，選擇LSTM來實(shí)現(xiàn)突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度的預(yù)測。

LSTM內(nèi)部隱含層由“遺忘門”“輸入門”“輸出門”和記憶單元構(gòu)成，使用“門”來有選擇地控制信息的流動。當(dāng)前時刻的輸入數(shù)據(jù)x_t和上一時刻隱含層的輸出h_t-1依次流向“遺忘門”“輸入門”和“輸出門”，通過使用激活函數(shù)將數(shù)據(jù)映射到0～1得到隱含層的輸出h_t。“遺忘門”的表達(dá)式見式（1），“輸入門”的表達(dá)式見式（2），“輸出門”的表達(dá)式見式（3）。

3實(shí)驗(yàn)及結(jié)果分析

3.1數(shù)據(jù)預(yù)處理

在百度指數(shù)官網(wǎng)獲取某突發(fā)公共衛(wèi)生事件“×××疫苗造假”2018年7月15日—2018年10月31日的百度指數(shù)，形成百度指數(shù)時間序列作為預(yù)測模型的輸出序列。以新浪微博作為網(wǎng)絡(luò)輿情數(shù)據(jù)的獲取渠道，利用Python自編網(wǎng)絡(luò)爬蟲得到新浪微博上該事件2018年7月15日—2018年10月31日的相關(guān)微博，部分原始數(shù)據(jù)如圖2所示。獲得的原始數(shù)據(jù)經(jīng)過數(shù)據(jù)清洗、按時間排序、分詞、去停用詞的預(yù)處理后，剩余87860條原創(chuàng)博文。計算該事件對應(yīng)時間段內(nèi)的原創(chuàng)博文量、轉(zhuǎn)發(fā)量、評論量分別形成原創(chuàng)博文量時間序列、轉(zhuǎn)發(fā)量時間序列、評論量時間序列。

3.2網(wǎng)絡(luò)輿情情感分析

詞典特征規(guī)則模板的輸入為微博文本集合M，輸出為每條文本的詞典特征。詞典特征的具體構(gòu)建方式包括如下步驟：

1）讀取文本數(shù)據(jù)，對每條文本進(jìn)行分句。

2）查找每個分句中的詞語，若該詞在積極詞典中出現(xiàn)，則賦值為“+1”，若在消極詞典中出現(xiàn)，則賦值為“-1”，沒有出現(xiàn)，則賦值為“0”。

3）在程度級別詞詞典、否定詞詞典中比對修飾詞，若在情感詞前出現(xiàn)則賦予對應(yīng)的權(quán)值。

4）在語氣詞詞典中比對語氣詞，若出現(xiàn)則賦予相應(yīng)的權(quán)值，沒有出現(xiàn)則賦值為“0”。

5）標(biāo)點(diǎn)符號按照標(biāo)點(diǎn)符號詞典給予對應(yīng)的權(quán)值。

6）將情感詞和修飾詞的分?jǐn)?shù)相乘，再對句子中依存關(guān)系的分?jǐn)?shù)進(jìn)行累加，然后乘以語氣詞和標(biāo)點(diǎn)符號的權(quán)值。累加各分句的情感傾向分?jǐn)?shù)，最終得到該博文的詞典特征，記為SCOl'e，如式（4）所示。

其中，n是微博文本集合M中某個博文包含的分句數(shù)，m是句子包含的依存關(guān)系數(shù)，basescore是情感詞的基本分值（+1、-1或0），modifiers是句i的程度詞權(quán)重或否定詞權(quán)值，mood是語氣詞權(quán)值，punctuation是標(biāo)點(diǎn)符號權(quán)值。

以人工選擇的方式篩選新浪微博平臺的169個常用表情符號，構(gòu)建表情符號集。將篩選后的表情符號劃分為積極、消極、中性3種類型。表情特征使用三維特征[e1，e2，e3]表示，3個維度從左到右分別對應(yīng)積極表情個數(shù)、消極表情個數(shù)、中性表情個數(shù)。

Doc2vec包括Distributed Memory（DM）、Dis-tributed Bag-of-Words（DBOW）兩種方式。由于DBOW在訓(xùn)練中只需要存儲Softmax參數(shù)，更加節(jié)省存儲空間。所以，選擇DBOW作為獲得向量特征的方式。利用Python中的Gensim庫提取向量特征，經(jīng)過反復(fù)試驗(yàn)，維度設(shè)置為200維時效果最佳。

相關(guān)領(lǐng)域的現(xiàn)有研究中大多使用拼接的方式實(shí)現(xiàn)多特征融合，所以本研究亦采用拼接的方式將詞典特征、表情特征、向量特征融合后得到情感分類特征，情感分類特征=[詞典特征+表情特征+向量特征]。選擇One-Versus-One SVM作為分類方法，核函數(shù)選用高斯核函數(shù)來實(shí)現(xiàn)網(wǎng)絡(luò)輿情的情感三分類。

情感分析方法的有效性為網(wǎng)絡(luò)輿情熱度預(yù)測的順利開展奠定基礎(chǔ)。經(jīng)過上述過程，得到尚未進(jìn)行情感標(biāo)注的79860條原創(chuàng)博文的情感分析結(jié)果。接著在對應(yīng)時間段內(nèi)對原創(chuàng)博文的情感傾向取絕對值后進(jìn)行累加得到情感值，形成情感值時間序列，用情感值來代表對應(yīng)時間段微博網(wǎng)民對該事件的整體情感傾向。

3.3網(wǎng)絡(luò)輿情熱度預(yù)測

3.3.1序列平穩(wěn)性檢查及評價指標(biāo)

研究采用多元時間序列分析方法進(jìn)行輿情熱度的預(yù)測，多元時間序列分析的各個時間序列必須滿足以下兩個條件之一：①輸入序列和輸出序列均平穩(wěn);②雖然序列非平穩(wěn)，但是具有協(xié)整關(guān)系。平穩(wěn)序列必須滿足3點(diǎn)要求：第一個要求為整體序列的均值保持不變，是一個與時間無關(guān)的常數(shù)。即隨時間的發(fā)展，數(shù)據(jù)在均值范圍內(nèi)上下波動;第二個要求是方差與時間無關(guān)。即意味著數(shù)據(jù)在圍繞均值上下波動的范圍是相同的;第三個要求是協(xié)方差只與時間間隔相關(guān)，而與具體的時間點(diǎn)無關(guān)。即數(shù)據(jù)隨著時間波動的兩個波峰或者波谷之間的距離是相等的。序列的平穩(wěn)性檢查包括時序圖檢驗(yàn)、偏相關(guān)函數(shù)圖與自相關(guān)函數(shù)圖檢驗(yàn)、單位根檢驗(yàn)3種方式，單位根檢驗(yàn)又可分為DF檢驗(yàn)、ADF檢驗(yàn)、PP檢驗(yàn)。協(xié)整檢驗(yàn)方法包括EG檢驗(yàn)和Johansen檢驗(yàn)。本研究選用被廣泛使用的ADF檢驗(yàn)對序列數(shù)據(jù)的平穩(wěn)性進(jìn)行檢查，通過Eviews軟件來實(shí)現(xiàn)。若Eviews軟件的結(jié)果中P值小于0.05且t值為負(fù)值，則該時間序列為平穩(wěn)時間序列數(shù)據(jù)。

根據(jù)本研究的數(shù)據(jù)量按照8：2劃分訓(xùn)練集和測試集。為了評價模型的擬合效果，以及方便將預(yù)測結(jié)果與現(xiàn)實(shí)數(shù)據(jù)做量化比較，本文引入了兩種評價指標(biāo)，分別是均方根誤差（Root Mean Square Er-roy，RMSE）和平均絕對百分比誤差（Mean Abso-lute Percentage Error，MAPE）。RMSE指的是預(yù)測值與真實(shí)值偏差的平方與觀測次數(shù)N比值的平方根，其計算方式見式（5）。MAPE指的是偏差與真實(shí)值比值的平均絕對值百分?jǐn)?shù)，其計算方式見式（6）。同種誤差的誤差值越小就表示預(yù)測值與真實(shí)值的差值越小，模型的預(yù)測效果越好。

分別對百度指數(shù)時間序列、原創(chuàng)博文量時間序列、轉(zhuǎn)發(fā)量時間序列、評論量時間序列和情感值時間序列進(jìn)行平穩(wěn)性檢查，ADF檢驗(yàn)的結(jié)果如表1所示。如表1所示，百度指數(shù)時間序列、原創(chuàng)博文量時間序列、轉(zhuǎn)發(fā)量時間序列、評論量時間序列和情感值時間序列的p值都小于0.05且1%、5%、10%置信區(qū)間均為負(fù)值，因此這5個序列都是平穩(wěn)時間序列數(shù)據(jù)。

3.3.2預(yù)測模型仿真結(jié)果

對經(jīng)過平穩(wěn)性檢驗(yàn)后的各個時間序列數(shù)據(jù)進(jìn)行Min-max標(biāo)準(zhǔn)化方式處理后，采用LSTM進(jìn)行多元時間序列分析，從而實(shí)現(xiàn)突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測。在時間窗口的選擇方面，部分進(jìn)行網(wǎng)絡(luò)輿情預(yù)測研究的學(xué)者們選擇的最長滯后范圍為4～6天。因此，本研究的時間窗口選擇為滯后1～5天。圖3展示了滯后1天時的真實(shí)值與預(yù)測值，圖4展示了滯后2天時的真實(shí)值與預(yù)測值，圖5展示了滯后3天時的真實(shí)值與預(yù)測值，圖6展示了滯后4天時的真實(shí)值與預(yù)測值，圖7展示了滯后5天時的真實(shí)值與預(yù)測值。

網(wǎng)絡(luò)輿情熱度預(yù)測模型仿真結(jié)果的RMSE和MAPE如表2所示。表2顯示，滯后1天時，加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型RMSE為270.413、MAPE為0.163，均低于未加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型;滯后2天時，加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型RMSE為289.440、MAPE為0.169，均低于未加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型;滯后3天時，加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型RMSE為285.601、MAPE為n 174，均低于未加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型;滯后4天時，加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型RMSE為283.762、MAPE為0.175，均低于未加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型;滯后5天時，加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型RMSE為223.089、MAPE為0.150，均低于未加人情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型。可見，無論時間窗口選擇的滯后天數(shù)是哪種情況，加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型效果優(yōu)于未加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測模型，且時間窗口選擇的滯后天數(shù)為5天時加入情感值的網(wǎng)絡(luò)輿情熱度預(yù)測效果最好。因此，將情感因素引入突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測之中可以顯著提高其預(yù)測效果。

4結(jié)論與展望

本研究的目的是突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測，而較少有研究人員將網(wǎng)民情感引入網(wǎng)絡(luò)輿情熱度預(yù)測之中，因此確立了基于情感分析進(jìn)行突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測的研究主題。在研究設(shè)計中，以大多數(shù)學(xué)者選用的百度指數(shù)作為網(wǎng)絡(luò)輿情熱度衡量指標(biāo)，在考慮了網(wǎng)絡(luò)用戶的原創(chuàng)博文量、轉(zhuǎn)發(fā)量、評論量等網(wǎng)絡(luò)輿情熱度相關(guān)因素之外，增加情感因素，利用多個指標(biāo)更為全面地實(shí)現(xiàn)突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測。獲得情感傾向時，采用了融入表情特征的網(wǎng)絡(luò)輿情情感分析方法。本研究的模型仿真結(jié)果也顯示了情感因素對于突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測的重要性。

本研究提出了基于情感分析的突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型，并選取某一突發(fā)公共衛(wèi)生事件的新浪微博數(shù)據(jù)進(jìn)行預(yù)測模型仿真。雖然在研究思路和方法上有了一些創(chuàng)新性，但由于時間因素以及現(xiàn)實(shí)條件的限制，研究仍然存在著一定的不足之處：僅選擇了單一突發(fā)公共衛(wèi)生事件。未來可選擇更多的突發(fā)公共衛(wèi)生事件進(jìn)行實(shí)證研究，以驗(yàn)證基于情感分析的突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型的普適性。

基于情感分析的突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情熱度預(yù)測模型為輿情監(jiān)管部門的工作提供了新思路。網(wǎng)民通過網(wǎng)絡(luò)針對突發(fā)公共衛(wèi)生事件發(fā)表自己觀點(diǎn)的過程中產(chǎn)生大量具有感情色彩的文本信息，體現(xiàn)出的情感傾向展現(xiàn)網(wǎng)民所持的態(tài)度。突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情的監(jiān)管中，要考慮到網(wǎng)民情感對網(wǎng)絡(luò)輿情傳播的影響作用，充分了解網(wǎng)民的態(tài)度和意見，將情感因素納入網(wǎng)絡(luò)輿情熱度預(yù)測依據(jù)之中。同時也要注意網(wǎng)民情感的疏導(dǎo)，定位網(wǎng)民負(fù)面情緒的根源，及時準(zhǔn)確地發(fā)布事件相關(guān)的各種信息，以公開透明的方式解答網(wǎng)民的質(zhì)疑，消除焦慮與恐慌，避免引爆輿情危機(jī)。

（責(zé)任編輯：孫國雷）