大數據時代的社交網絡輿情主題圖譜研究

□馮子桓 梁 循 牛思敏

[中國人民大學 北京 100872]

引言

隨著互聯網的快速發展和數字時代的到來，人們傳統地獲取、分享、交流信息的方式正在發生根本性的改變，人們可以很方便地獲取與共享網絡上的資源，自由地通過網絡進行交流與溝通。人們通過互聯網的各種手段表達對社會事件的認識、態度和情感，這些手段包括微博、微信、短視頻、新聞評論等形式。由于新技術、新應用不斷出現，其傳播途徑和傳播方式更加隱蔽和復雜，能否及時掌握網絡輿論的最新動向，對于國家安全和社會穩定具有重要意義。

輿情主題圖譜是一種以大規模采集的社交網絡輿情數據為基礎并對其進行語義抽取和標注，而構建的覆蓋大規模輿情事件和實體的語義關聯覆蓋網絡。它可以實現對輿情主題圖譜數據的采集和主題圖譜的構建，為社交網絡輿情主題圖譜的挖掘提供依據和支撐，對現實輿情事件相關的一切事物及其相互關系進行形式化的描述。

從輿情數據、輿情信息到輿情主題圖譜的流程中，社交輿情大數據作為互聯網大數據的一部分，具有其特殊性。社交網絡輿情資源具有海量、分布、異構、多粒度等多種特性，為對其進行有效的數據挖掘，就需要首先對這些海量、分布、異構、多粒度的輿情資源進行知識抽取，為輿情主題圖譜的構建提供數據基礎。根據知識組織的相關性原理和有序性原理，社交網絡輿情大數據的組織可以具體化為：社交網絡輿情大數據主題圖譜的構建與社交網絡輿情大數據的分析兩個主要方面。因此，如何構建社交網絡輿情大數據主題圖譜并對其進行有效分析便成為該領域需要解決的一個關鍵性問題。

本文以輿情和知識圖譜為關鍵研究領域，針對輿情大數據多源異構性、多維關聯性、多重可用性的問題，挖掘輿情信息、構建輿情主題知識圖譜，并利用輿情主題圖譜的應用價值，自下而上地從理論和實踐多方面介紹大數據環境下社交網絡輿情主題圖譜的構建和分析調控。

一、大數據時代社交網絡輿情主題圖譜的國內外研究現狀

（一）輿情、社交網絡輿情到知識圖譜、社交網絡輿情主題圖譜

1. 社交網絡輿情

輿情是指在一定的時間空間范圍內，社會民眾對社會事件的產生與發展變化所持有的一種態度，是民眾對社會中出現的各種現象和問題集中表達出來的意見和態度的總和[1～3]。社交網絡輿情是指公眾在社交平臺上對某種社會公共問題、現象或具體事件公開表達的具有傾向性和一定影響力的言論、態度的集合。

對社交網絡輿情的有效掌控，是在新形勢下應對社會新變化新發展的必然要求。但是，由于網絡存在一定程度的虛擬性且社交網絡的覆蓋范圍越來越大，輿情傳播的途徑和形式也越來越復雜，輿情管理面臨著不小的壓力和挑戰[4]。例如，在社交網絡上，“造謠一張嘴，辟謠跑斷腿”一直是辟謠者所面臨的現實困境。要想和虛假信息做斗爭，就必須對在線社會網絡謠言進行實時檢測，針對不同類別和應用場景的網絡謠言，還需要從目標、對象和時間三個屬性入手，同時對謠言源進行檢測[5]，可見數據量之大，檢測難度之高。

2. 社交網絡輿情主題圖譜

知識圖譜是一個具有屬性的實體通過關系鏈接而成的網狀知識庫，以符號形式來描述現實世界中的實體及其相互關系[6]。其構建有兩種方式：自頂向下構建和自底向上構建。其中最典型就是Google的Knowledge Vault[7]。

構建知識圖譜的第一步是知識抽取，主要分為以下幾種方法。

（1）實體和主題抽取。實體抽取的方法分為三種[8]：基于規則和詞典的方法、基于統計機器學習的方法、混合法。面向開放域的實體抽取則是從大量的互聯網語料中采取一定的技術手段進行實體抽取[9～11]。主題抽取也稱話題檢測，話題檢測的主要任務是檢測新話題，是一種無監督聚類方法，如果爬取到的話題與之前產生的某個話題類別相關，則將其融合；否則，產生一個新的話題類別[12]。

（2）概念和屬性抽取。屬性抽取的目標是從不同信息源中采集特定實體的屬性信息。對于非結構化的公開數據，可以利用結構化數據作為訓練集訓練模型，再將訓練出來的模型應用于非結構化的實體屬性抽取[13]；還可以采用數據挖掘的方法從大量的數據中提取實體屬性與屬性值之間的關系模式[14]。

（3）情感關系抽取。對于情感關系抽取，學者們先后構建了基于規則的Twitter情感分析系統[15]、基于層次結構多策略的情感分析框架[16]、情感極性判別分析[17]等。

實體關系抽取是圖譜構建的重要環節。關系抽取的主要方法有：基于模式匹配的方法[18～19]、基于語義詞典的方法[20～22]、基于有監督的方法[23～24]、基于種子或自舉（bootstrapping）的方法、基于遠程監督（distant supervision）的方法[25～27]等。最后通過關聯關系將離散的命名實體聯系起來，形成網狀的知識結構。

知識圖譜作為人類對理解認識的一種結構化模擬，不僅可以很好地幫助計算機進行語義的理解，應用于知識庫問答、文本生成、情感分析等多個方面，而且針對某一特定領域建立相關的知識圖譜也極大地提高了用戶的體驗。構建具有領域特色的知識圖譜，可以很好地應用于復雜分析和決策的場景，該技術在自然語言處理、推薦系統、預測分析、識別、分類等各種信息網絡中具有深厚而有影響力的應用[28]。在此，我們著重介紹針對社交網絡輿情領域知識圖譜的構建與分析。

（二）網絡輿情主題圖譜國內外研究現狀

1. 網絡輿情分析方面

在Web of Science中，檢索關鍵詞“public opinion OR public sentiment”，選擇范圍為網絡（web OR internet OR www OR network），時間跨度為1950年至今（2021-09-04），共檢索到9 965篇期刊論文和會議論文。

從學科分布來看，網絡輿情問題吸引了計算機科學、行為科學、社會學、心理學、工程、新聞與媒體等領域專家學者的密切關注。

從研究者的分布情況來看，如圖1所示，相關研究者主要集中在中國、美國、英國、西班牙、加拿大、德國等國家。

圖1 關于網絡輿情研究的國家分布狀況

從時間分布來看，這幾年網絡輿情主題越來越受到國際學者的關注，如圖2所示，盡管2021年發文量暫時還未統計完，2011～2020年一直呈上升的態勢。

圖2 關于網絡輿情研究的時間分布狀況

國內學者如蘭月新、陳福集、黃微、李國祥等對網絡輿情進行了積極探索。研究主題主要集中在網絡輿情、網絡輿論、網絡輿情應對的研究。新媒體與移動網絡的流行使輿情在豆瓣、微博、微信上傳播更加迅速，輿情往往會在多個社交平臺上聯動發酵。高校大學生作為活躍的網民群體引起了學者對高校網絡輿情的關注。“新媒體”“情感分析”“電子政務”等熱詞開始進入網絡輿情的研究領域，推動該主題的研究往縱深方向發展。

2. 知識圖譜方面

在Web of Science中，檢索主題為“Knowledge Graph”，時間跨度為1950年至今（2021-09-04），共檢索到24 251篇期刊論文。

從學科分布來看，知識圖譜吸引了計算機科學、數學、工程、商業、經濟學、醫學等領域專家學者的密切關注。從研究者的分布情況來看，如圖3所示，相關研究者主要集中在中國、美國、德國、法國、西班牙、英國、加拿大等國家。

圖3 關于知識圖譜研究的國家分布狀況

從時間分布來看，這幾年知識圖譜主題越來越受到國際學者的關注，如圖4所示，2011～2019年一直呈上升的態勢，盡管2020年發文較少，但期刊發文數仍超過2 500篇。

圖4 關于知識圖譜研究的時間分布狀況

從中國知網中的知識圖譜主題發文量來看，從2014年開始，該主題成為國內研究熱點領域之一，發文數持續攀升。目前，知識圖譜除了在圖書情報學領域得到廣泛和深入應用外，正快速地向其他學科或領域（如計算機軟件、教育理論、自動化管理、企業經濟、體育等）擴散，并且取得了非常豐富的科研成果，且研究成果呈現遞增趨勢。總體而言，知識圖譜當前應用主要集中在公開數據集的研究以及知識庫的構建，同時對各學科的研究熱點與前沿、研究主題及研究基礎等進行可視化分析。而利用知識圖譜原理和技術對網絡輿情信息進行可視化關聯分析的研究比較少。

3. 基于社交網絡分析相關技術輿情主題圖譜挖掘方面

從學術研究方面來看，現有的人工智能技術大多以數據驅動為主，目前仍停留在計算智能和感知智能。通過一系列復雜算法和大規模的數據計算去得到規律進行學習與決策，很容易造成數據依賴，導致模型的效果不佳[29]，并且這種方式的可解釋性差，不可控性凸顯。同時，越來越多的學者意識到人類對于問題的解決思路，并不像現有的基于統計的機器學習算法、深度學習技術那樣需要經過大規模的數據運算，而是簡單的通過概念之間的關系進行推理就可以得到答案。這使得研究者更加清晰地認識到人工智能不應該局限于計算智能與感知智能，要想實現智能、魯棒、可解釋、可推理多方完善的人工智能系統，將現有的技術與基于知識規則的認知智能相結合才是更好的選擇。例如，在進行表征學習時，混合知識圖譜嵌入和卷積運算或神經網絡技術的優勢，可以用于研究和提取社交網絡結構中有意義的特征，以幫助節點分類，社區檢測和鏈接預測問題[30]，并且使用這種融合技術進行嵌入相較于傳統的節點嵌入性能更好，但計算成本相對而言更高[31]；對于企業而言，結合知識圖譜與文本挖掘技術，將其業務數據和互聯網輿情數據進行對比、關聯分析，可發掘研判與應對規律，利于輿論引導、輿情應對的高效開展[32]。

4. 國內外知名企業及學者相關研究方面

我們熟知的Facebook、騰訊、微博等，無論是企業本身在知識圖譜的構建與應用，還是眾多學者在此領域進行的相關研究，都在進行不斷地嘗試與突破。

早在2013年，Facebook就推出圖譜搜索（Graph Search），Graph Search不同于Google的基于關鍵字匹配的搜索方式，Graph Search更像語義識別搜索，將與個人直接相關的事物以搜索結果的形式呈現，而非像Google搜索結果那樣僅展示相關網站鏈接。但Graph Search 還處于比較早期的開發階段，還有許多問題亟待解決。

騰訊作為國內最大的關系社區，在構建多領域特色知識圖譜方面則顯得更有建樹。騰訊知識圖譜（Tencent Knowledge Graph，TKG）是一個集成圖數據庫、圖計算引擎和圖可視化分析于一體的一站式平臺。TKG擁有豐富的應用場景，涉及金融、物聯網、安全等方方面面。例如在泛安全領域，我們可以處理結構化、半結構化、非結構化數據識別數據中隱藏模式和關系[33～34]，將從大數據中深度挖掘關聯關系，轉化為關系圖譜數據，進行司法風險與輿情風險發現[35]，有力支撐公安機關展開情報研判分析、犯罪團伙跟蹤以及重大事情預警等，從而更好地提升警民良性互動與政府公信力[36]。

新浪微博相繼推出圖譜搜索體驗服務。與此同時，為解決微博搜索中存在的一些問題，使得結果中呈現更多知識，不少研究人員也進行了多樣化的探索。例如，一些學者研究微博社區知識圖譜構建方法并針對其構建效果、演化特征、應用效果進行了多元分析[37]；通過構建微博輿情主題知識圖譜進行主題挖掘，不僅可以有效識別出主題，還可以準確定位每個主題下的意見領袖[38～39]；在文獻[40]中，作者也進一步構建微博主題識別與演變知識圖譜，進而發現微博主題演變路徑，揭示了微博輿情傳播中的主題演變情況以及發生演變的動態變化過程，可以更好地對微博輿情傳播進行實時監管；通過構建面向社交網絡用戶意見的知識圖譜，用于理解不同的用戶意見，并以知識圖譜的形式識別復雜的關系，使得社會科學研究人員可以更輕松地獲取各種視角的意見，并對數據進行進一步分析[41]。

二、大數據驅動的社交網絡輿情主題圖譜研究定位

輿情主題圖譜的概念來源于知識圖譜，針對社交網絡輿情信息的大數據化、動態化、多維度等特征，從社交網絡輿情大數據獲取的新方法和新工具研究出發，對社會安全、突發事件預警等某一特定領域、特定需求進行實踐，就是本文探索構建大數據驅動的社交網絡輿情主題圖譜的出發點所在。

輿情主題圖譜是輿情信息工作的有效方法體系，探索構建大數據驅動的社交網絡輿情主題圖譜的構建理論方法和技術，以此為基礎研究基于社交網絡輿情主題圖譜的輿情分析和推理方法，進而從輿情點、輿情鏈路、輿情主題、全局層面等多個維度討論社交網絡輿情主題圖譜的調控策略，實現社交網絡輿情的動態收集與監控工作，編制行業輿情調研報告，為各級政府部門提供決策參考。

三、大數據驅動的社交網絡輿情主題圖譜知識表示

社會網絡中輿情傳播來源多、傳播速度快、傳播范圍廣，使得網絡中輿論的監控和管理更加困難。大量積累的、復雜的數據也給查詢、處理等帶來了挑戰，并且隨著時間的推移、數據的更新，圖中蘊含的節點和邊的數量可能越來越龐大。任何一種復雜網絡圖系統都具有一定的特殊性，這給研究增加了難度。大規模圖結構數據中的節點數量已經可以達到百萬甚至數億的級別，并且呈現多樣化、異質化和動態性等特征[42]。這些特征豐富了表示學習的內容。

知識表示學習的代表模型主要包括距離模型、雙線性模型、神經張量神經網絡模型、矩陣分解模型、翻譯模型等[43～47]。知識表示的方法主要是將實體與關系嵌入到低維向量空間中，如TransE模型。研究人員在TransE模型的基礎上進行拓展或改進，從不同角度嘗試解決復雜關系建模問題[48～50]，采用多種數學方法來表示實體及實體之間的關系，如使用高斯分布的均值表示實體或關系在語義空間中的中心位置，使用協方差表示實體或關系的不確定度[51]。

四、大數據驅動的社交網絡輿情主題圖譜更新推理

（一）圖譜的知識更新

網絡輿情中存在的信息和知識量隨時間的變化呈指數式增長，因此輿情主題知識圖譜的內容也需要不斷更新，與時俱進，其構建過程是一個不斷迭代更新的過程。

從邏輯上看，知識庫的更新主要包括模式層的更新與數據層的更新。模式層的更新包括但不限于增加、刪除或修改本體中元素的概念，同時還需更新元素的概念屬性以及概念之間上下級關系等。其中，概念屬性的更新操作將直接影響到所有與實體有直接或間接聯系子概念和實體[52]。模式層的增量更新方式多數情況下是在人工干預的情況下完成的。數據層的更新指的是實體元素的更新，比如修改實體的基本信息和屬性值。由于數據層的更新一般影響面較小，因此通常以自動的方式完成。

（二）圖譜的知識推理

知識推理是知識圖譜構建與發展的重要手段和關鍵環節。知識推理是指從知識庫中已有的多對實體關系數據出發，經過計算機復雜推理，從舊知識中發現新的知識，發現并建立已有實體間的新聯系，形成新的三元組，從而拓展和豐富知識網絡。通過知識推理，不斷擴大知識庫的覆蓋范圍。

知識庫推理可以分為基于符號邏輯的推理和基于圖的推理。基于符號的推理一般是基于經典邏輯或者經典邏輯的變體。基于符號的推理可以利用一定的規則從一個已有的知識圖譜中推理出新的實體間關系，還可以對知識圖譜進行邏輯的沖突檢測。基于圖的推理方法主要基于神經網絡模型或Path Ranking算法。例如，可以根據兩個實體間的連通路徑來判斷兩個實體是否屬于某個關系。

（三）圖譜質量評估

質量評估也是知識庫構建技術的重要組成部分。公開數據雜亂無規則，而且受當前階段中文處理技術水平限制，有時從互聯網公開數據中抽取到的知識元素有可能存在一些問題，如數據錯誤，獲取到的知識元素準確率并不高，經過知識推理得到的知識同樣也是沒有質量保證的。因此在將其加入知識庫之前，需要有一個質量評估的過程。通過質量評估，設定一定的規則量化圖譜中存在的知識可信度，舍棄置信度較低的知識，來保障知識庫的質量以提高知識圖譜的推理能力[53]。隨著社交網絡復雜性的提高和實體數的增多，數據間的沖突日益增多，對圖譜質量進行評估，對于全局知識圖譜的構建起著重要的作用。

五、大數據驅動的社交網絡輿情主題圖譜構建

圖譜構建是大數據驅動的社會網絡輿情主題圖譜構建和分析的起點，通過對社會網絡輿情大數據的語義揭示和語義關聯，對社會網絡輿情大數據進行知識組織，形成語義關聯的覆蓋網絡，為圖譜挖掘提供高質量的數據資源，為圖譜分析提供研究框架。以大規模采集的社交網絡輿情數據為基礎，對輿情數據進行語義抽取和標注，構建一個覆蓋大規模輿情事件和實體的語義關聯覆蓋網絡，實現對輿情主題圖譜數據的采集和主題圖譜的構建，為社交網絡輿情主題圖譜的挖掘提供依據和支撐。

（一）數據采集與語義內容識別

借助行為追蹤法、增量獲得法、不同平臺匹配法等方法進行數據的采集，為社交網絡輿情主題圖譜的構建提供更為豐富、有效、及時的數據支撐。數據預處理后，應用自然語言處理、文本挖掘、命名實體識別等方法和技術，對基于頻繁詞組挖掘的命名實體的識別技術和概念描述方法進行研究，以達到有效識別社交網絡輿情大數據的實體名稱技術性、實體關系、實體類別等語義內容。

其中，命名實體識別和分類是社交網絡輿情主題圖譜構建過程中的關鍵性技術。英文的命名實體識別相對容易，實體邊界也比較容易確定，在英文文本中專有名詞的第一個字符一般為大寫。中文的專有名詞識別就存在很大的困難，中文中的專有名詞沒有特殊標識。利用深度學習方法，盡可能地提取專有名詞的特點，同時利用上下文的知識，充分利用這些技術和資源解決中文實體邊界識別問題。

（二）語義關聯與語義標注

借助形式化描述、實體關聯、屬性映射、類映射和機器學習等方法和技術，構建社交網絡輿情大數據的語義數據，對社交網絡輿情事件中的實體、屬性等對象之間的順序關系、因果關系、時間關系、相似關系、參考關系等多類型邏輯關系進行標注。標注完成后，基于相似度計算、規則推理等方法和技術，根據語義標注的結果，對社交網絡輿情大數據的語義關聯進行研究，從而生成一個社交網絡輿情大數據關聯網絡。

六、大數據驅動的社交網絡輿情主題圖譜分析

圖譜分析是大數據驅動的社交網絡輿情主題圖譜構建和調控策略的基礎環節，主要通過對社交網絡輿情主題圖譜的分析和推理方法的研究，從關鍵節點、關鍵路徑、網絡結構影響力分析和趨勢預測等多個維度對社交網絡輿情主題圖譜進行全面深入的挖掘，達到將數據轉化為知識的目的。依據語義關聯覆蓋網絡，在對社交網絡輿情主題圖譜關鍵節點、關鍵路徑、網絡結構影響力分析和趨勢預測等多個維度進行挖掘的基礎上，探索大規模輿情事件和實體的綜合分析和推理方法，達到面向大規模輿情事件和實體的、針對用戶需求的社交網絡輿情主題圖譜知識發現的目的。

（一）關鍵節點分析

政企對網絡輿情的及時發現與快速收集所需輿情信息并做出“適時、適實、適勢”的響應，離不開對輿情事件傳播過程中的關鍵節點的分析。準確找到事件的核心并針對事件進行有效引導，以確保輿情傳播朝著健康的社會輿論方向發展是關鍵所在。

對于最常用的搜索引擎Google和Baidu來說，當用戶在搜索引擎中查找某個具體人物或事件信息時，由于網絡上的信息龐雜，還存在著大量的虛假和垃圾信息，使得有價值的信息被湮沒，有時查詢到的結果并不理想。為了得到想要的信息，只能采取人工方式，逐個瀏覽搜索到的網頁，費時又費力。

將知識圖譜引入人物畫像分析，能夠自動地從大量的無規則互聯網數據中抽取和整理出人物的全局信息，將零散的、碎片化的數據匯集起來形成人物畫像，并以結構化的形式存儲和顯示，極大地提高了研究人員分析人物全貌信息的效率，為精準營銷、制定數據驅動產品提供了便利。Fader等以新聞文本為數據集，介紹了一種人物畫像挖掘技術，從人物社會關系、參與事件、人物熱度及情感分析三個維度進行研究，其研究成果可應用于熱門人物探測、人物搜索和特定目標追蹤等領域[54]。

針對關鍵節點進行基于知識圖譜的人物畫像挖掘，便于對高輿情風險人群進行動態跟蹤。例如，從情感分析角度來看，通過聚類和分類得出個體情感傾向和群體情感傾向，便于政企掌握情感異動，以便及時采取相關措施，疏導負面輿情。

（二）關鍵路徑分析

關鍵路徑分析主要指的是網絡路徑分析與網絡社區分析。社會網絡分析的核心是社會網絡中的節點，這些節點可以代表社會中的任何單位，例如個人、組織、群體等。節點之間的連接被稱為節點之間的關系，節點以及它們的關系就構成了社會網絡。在社交網絡社區中，個人觀點會受到多個鄰居同時影響，但系統中所有節點的意見最終會趨向一致[55]。目前的研究中，既有探索如何讓算法更高效地對數據進行處理，提高算法的執行效率，也有考慮社交網絡節點和網絡連接中的社會屬性[56～58]。

常見的關鍵路徑分析場景有輿情事件傳播路徑分析、敏感信息溯源分析等。

（三）網絡結構影響力分析

社交網絡影響力可以通過用戶之間的社交活動體現出來，表現為用戶的行為和思想等受他人影響發生改變以及用戶行為和思想對他人的影響情況。在社交網絡分析中，引入社會屬性權重來表示節點的社會屬性差異，給節點和邊賦予相應的屬性權重，來表示信息在社交網絡中傳播的特點和規律，可以提高關鍵節點挖掘算法執行效率[59]。

網站影響力的評價方法可以分為定性和定量兩種。定性的評價方法主要有問卷調查法和效益評價。定量的評價方法主要有鏈接分析和流量分析兩種。一個站點被鏈接的次數越多，證明該站點影響越大。網站的訪問量越大，則網站影響力越大，該網站所蘊含的信息價值越高。

（四）趨勢模型分析：輿情預測

借助輿情主題圖譜是進行輿情預測的一種有效表現方式。對于網絡輿情信息進行有效獲取，正確分析和統計、預測，對于政府應對輿論危機將十分有利。網絡輿情的發展一般存在蟄伏期、爆發期、持續期、消亡期四個階段。對于網絡輿情的有效預測，協助政企準確判定輿情走向，進而制定相應的應對管理辦法。以企業輿情管理為例，傳統的輿情管理方式已不再適用，企業輿情也需要現代化的技術形式進行管理。在新型的企業輿情管理中，企業輿情部門的決策必須緊緊結合社會網絡的結構、內容和用戶三個核心點，完善企業輿情管理制度，及時應對突發事件。

有效的網絡輿情預測有利于輿情危機蟄伏期的預防預警、有利于輿情危機爆發期的應急反應和干預、有利于輿情危機持續期的信息分析與研判、有利于輿情危機消亡期的信息再跟蹤與反饋。

現有的網絡輿情預測分析，主要是在時間序列模型分析的基礎上，采用數學方法建立預測模型，是一種定量分析的方法。網絡輿情預測相關數學模型主要有基于統計學的預測模型和基于機器學習的預測模型兩種。圖5是網絡輿情預測分析遵循的主要路線。

圖5 網絡輿情預測分析路線圖

七、大數據驅動的社交網絡輿情調控與應用前景

輿情調控是輿情主題圖譜構建和調控策略的橋梁。基于社交網絡輿情主題圖譜，動態提取社交網絡輿情特征，并構建社交網絡輿情預警模型，然后針對不同的輿情主體、傳播路徑和輿情主題，提出自適應的輿情點調控、輿情鏈路調控和輿情主題調控策略，并在三者的基礎上，提出輿情全局精準調控策略。利用爬蟲、信息檢索以及專家知識庫等技術，構建輿情特征—調控策略知識庫，然后以此為基礎，針對社交網絡輿情的不同特征，提出社交網絡輿情自適應的點調控策略、鏈路調控策略和主題調控策略，最后在三者的基礎上提出全局精準調控策略，達到對社交網絡輿情主題圖譜從點、線、面，全局精準調控的目的。

與輿情圖譜結合，在信息推送和場景應用等方面建立相應的功能模塊，為個人用戶、企業和政府提供強大的輿情分析服務。以大數據思維檢測和分析海量的社交網絡上的海量輿情數據，通過構建社交網絡輿情主題圖譜，為各級政府或相關機構提供民生熱點、熱點事件、熱點話題等重點關注輿情的發現與分析服務，以幫助政府或相關機構了解特定輿情事件的傳播路徑、傳播態勢并把握其發展趨勢。依據不同場景，可分為經濟網絡監控、面向輿情的政府知識管理、突發事件預警。

（一）經濟網絡監控

經濟網絡輿情監測的基本類別包括用戶消費類、投資類、創業類、生態環保類。用戶消費類主要包括線上消費數據分析和市場價格分析，從網民反映的消費問題、生活消費等數據監測反映當地物價走勢，判斷當前經濟形勢和預測未來經濟發展；投資類分析主要包括金融投資分析和房地產投資分析，從企業投資和投資金融服務等方面反映民眾對當前投資環境的判斷和評價，監測民眾最關注的住房、投資輿情；創業類分析主要是分析民眾對創新創業的熱情程度，以此反映整個社會創新創業的情況；生態環保監測社交網絡上的生態環保熱點話題，從網民反映的生態環保問題、對環保關注程度等方面監測生態環保情況。

（二）面向輿情的政府知識管理

政府輿情知識管理可以分為三個部分：事件知識管理、決策類知識管理和響應類知識管理。事件知識管理主要針對網絡輿情本體，探究事件發生的性質，勾畫人物和相關機構關系脈絡。大致相當于給政府闡述“何人何地何時間發生何事”。在靜態描述完畢后，對輿情進行跟蹤，持續跟進事件發展動態和變化，讓政府可以獲取事件的演化機理和相關影響。決策類知識管理主要通過信息的收集、加工和分類，幫助政府做出決策和判斷。響應類知識管理則包括政府針對事態變化需要進行調度的機構，做出行動的部門和獲取的資源。構建面向輿情的政府知識管理的目的在于引導和控制輿情變化，降低不良信息對社會造成的損害，防止別有用心之人對社會的正常秩序產生干擾。

（三）突發事件預警

社會突發事件可能會造成嚴重社會危害，需要實時對重點輿情話題進行檢測，及時采取應急處置措施予以應對。輿情主題圖譜中的數據來源非常廣闊，因此能從中發掘出各種不同的事件和關系。針對突發事件的危害性，有必要專門將這一部分提取出來進行相應的分析和策劃。根據輿情主題敏感度、發展趨勢和危害程度等級，提前向有關部門發出實時預警。

八、總結與展望

本文首先對大數據時代的社交網絡輿情主題圖譜的研究現狀進行了較為全面的總結，并在研究基礎上對社交網絡輿情主題圖譜構建、分析與調控等開展了詳細的介紹。從關鍵節點、關鍵路徑、趨勢模型等不同維度進行社交網絡輿情主題圖譜的多元分析。挖掘更深層次的知識關聯與更廣范圍的知識范疇。對社交網絡輿情態勢感知與“適時、適實、適勢”的響應與引導具有一定的理論意義和實用價值。