數(shù)字化時(shí)代高校網(wǎng)絡(luò)輿情主題分類研究

賈隆嘉

［摘 要］通過一種文本表示策略解決新浪微博主題分類研究所面臨的特征權(quán)重表示不準(zhǔn)確、模型解釋性不強(qiáng)的問題。【方法/過程】采取“選擇前預(yù)測(cè)”構(gòu)建特征加權(quán)向量，在訓(xùn)練集上通過交叉驗(yàn)證方式對(duì)特征加權(quán)向量的成效進(jìn)行評(píng)價(jià)，選擇最好評(píng)估結(jié)果對(duì)應(yīng)的特征加權(quán)向量作為測(cè)試集的特征加權(quán)向量。【結(jié)果/結(jié)論】對(duì)比傳統(tǒng)W-Max、D-Max和D-TMax三種方法，本文提出的方法在微平均F1方面分別提升4.25%、5.03%和7.10%。在網(wǎng)絡(luò)輿情主題分類中，該方法可以為數(shù)據(jù)集構(gòu)建更明確的特征加權(quán)向量，并增強(qiáng)模型的可解釋性，同時(shí)提升分類性能。

［關(guān)鍵詞］網(wǎng)絡(luò)輿情；主題分類；文本表示策略；機(jī)器學(xué)習(xí)

doi：10.3969/j.issn.1673-0194.2023.21.047

［中圖分類號(hào)］TP391；G647 ［文獻(xiàn)標(biāo)識(shí)碼］A ［文章編號(hào)］1673-0194（2023）21-0158-07

0? ? ?引 言

隨著互聯(lián)網(wǎng)在全球范圍內(nèi)的飛速發(fā)展，網(wǎng)絡(luò)媒體已被公認(rèn)為是繼報(bào)紙、廣播、電視之后的“第四媒體”，

成為思想文化信息的集散地和輿論的放大器。高校學(xué)生是網(wǎng)民中對(duì)社會(huì)熱點(diǎn)現(xiàn)象反映最積極、最活躍、最敏感的群體，極易通過互聯(lián)網(wǎng)表達(dá)自己對(duì)社會(huì)熱點(diǎn)問題的看法。在某些情況下，他們的意見和建議得不到重視或延誤解決，就可能在網(wǎng)上形成炒作，個(gè)體情緒可能傳染到群體，演變?yōu)槿后w的不滿情緒，激化矛盾，爆發(fā)形成網(wǎng)絡(luò)輿情。高校學(xué)生群體既有較強(qiáng)的公民責(zé)任感，又具備組織行動(dòng)的天然優(yōu)勢(shì)，遇到某些敏感熱門話題，一經(jīng)煽動(dòng)，極易激發(fā)他們的社會(huì)責(zé)任感和民族情懷，進(jìn)而引發(fā)大規(guī)模的網(wǎng)絡(luò)輿情。高校網(wǎng)絡(luò)輿情作為社會(huì)輿情的一個(gè)組成部分，在一定程度上反映并影響社會(huì)輿情的生成與發(fā)展。因此，面向高校網(wǎng)絡(luò)輿情安全的分析研究具有廣闊的應(yīng)用前景以及非常重要的實(shí)用價(jià)值與現(xiàn)實(shí)意義。當(dāng)前，關(guān)于網(wǎng)絡(luò)輿情安全的研究，主要有以下幾個(gè)方面。

（1）基于社會(huì)網(wǎng)絡(luò)分析方法研究網(wǎng)絡(luò)輿情安全。趙蓉英等［1］采用社會(huì)網(wǎng)絡(luò)分析方法，結(jié)合具有代表意義的突發(fā)事件案例，對(duì)其產(chǎn)生的網(wǎng)絡(luò)輿情數(shù)據(jù)加以采集與組織，并進(jìn)行突發(fā)事件網(wǎng)絡(luò)輿情傳播的定量化測(cè)度分析，挖掘識(shí)別關(guān)鍵節(jié)點(diǎn)并解釋其內(nèi)在的結(jié)構(gòu)特征與演變規(guī)律。梁曉敏等［２］提出輿論對(duì)象分析模型，利用依存句法分析，識(shí)別和抽取輿論對(duì)象與情感詞對(duì)，進(jìn)行情感分析，并對(duì)輿論對(duì)象的關(guān)系網(wǎng)絡(luò)進(jìn)行研究。王晰巍等［３］以新浪微博中霧霾話題信息為例，基于社會(huì)網(wǎng)絡(luò)分析法，從點(diǎn)度中心性、中間中心性和接近中心性3個(gè)屬性出發(fā)，對(duì)網(wǎng)絡(luò)輿情信息傳播進(jìn)行對(duì)比分析，使用Gephi和數(shù)理統(tǒng)計(jì)分析驗(yàn)證了社會(huì)網(wǎng)絡(luò)分析法在移動(dòng)環(huán)境下網(wǎng)絡(luò)輿情信息傳播研究中的有效性。

（2）基于搜索引擎的關(guān)注度指標(biāo)研究網(wǎng)絡(luò)輿情。陳濤等［４］利用搜索引擎的關(guān)注度指標(biāo)對(duì)網(wǎng)絡(luò)輿情熱度時(shí)空演變情況進(jìn)行了研究，并以“小悅悅事件”“郭美美事件”和“藥家鑫事件”作為案例，比較了谷歌趨勢(shì)和百度指數(shù)在關(guān)注度的時(shí)間和空間維度的變化特點(diǎn)。張和平等［５］根據(jù)網(wǎng)絡(luò)輿情事件的百度指數(shù)構(gòu)建發(fā)展趨勢(shì)的時(shí)間序列指標(biāo)，通過幾何平均弱化緩沖算子處理后建立改進(jìn)的灰色Verhulst模型預(yù)測(cè)，最后采用馬爾可夫模型對(duì)改進(jìn)的灰色Verhulst模型預(yù)測(cè)結(jié)果進(jìn)行修正。

（3）基于信息熵研究網(wǎng)絡(luò)輿情預(yù)測(cè)。黃亞駒等［６］通過信息熵理論控制種群初始化，利用遺傳算法的全局搜索能力和粒子群算法的局部搜索能力實(shí)現(xiàn)對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值的優(yōu)化，構(gòu)建了混合算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)模型。鄒凱等［7］基于網(wǎng)絡(luò)輿情分析了政府信息服務(wù)公眾滿意度影響因素，參考顧客滿意度模型建立了基于網(wǎng)絡(luò)輿情的政府信息服務(wù)公眾滿意度指數(shù)模型。針對(duì)指標(biāo)權(quán)重獲取的問題，構(gòu)建了基于粗糙集條件信息熵的政府信息服務(wù)公眾滿意度智能評(píng)價(jià)方法。

面向網(wǎng)絡(luò)輿情信息進(jìn)行主題分類對(duì)用戶具有重要意義。一方面，可以分類查詢和統(tǒng)計(jì)各類事件信息，形成呈送簡(jiǎn)報(bào)；另一方面，可以為用戶判斷不同來源的同一事件提供技術(shù)支持。基于新浪微博數(shù)據(jù)的高校網(wǎng)絡(luò)輿情主題分類問題是一項(xiàng)訓(xùn)練集和測(cè)試集都非常簡(jiǎn)短的特殊文檔分類任務(wù)。本文分析研究了五種表示策略，同時(shí)提出了一種表示策略O(shè)DRS（Optimal Document Representation Strategy for Supervised Term Weighting Schemes），該方法通過對(duì)比各個(gè)類別的特征加權(quán)向量對(duì)于訓(xùn)練集分類產(chǎn)生的效果，可以構(gòu)建出適用于數(shù)據(jù)集的特征加權(quán)向量。實(shí)驗(yàn)結(jié)果表明，本文提出的表示策略可以有效提升高校網(wǎng)絡(luò)輿情安全主題分類性能。

1? ? ?研究方法

在向量空間模型中，文檔可以被表示為D={t1 t2，…， tn}的形式，其中t代表數(shù)據(jù)集中的特征，n代表向量空間模型中特征的總數(shù)。可以采用特征加權(quán)方法對(duì)向量中的元素進(jìn)行加權(quán)，用以明確它們?cè)诜诸愔械呢暙I(xiàn)，從而增強(qiáng)模型的解釋性，提高系統(tǒng)分類性能。

大多數(shù)研究表示在同一數(shù)據(jù)集上，有監(jiān)督的特征加權(quán)方法產(chǎn)生的分類效果普遍優(yōu)于無監(jiān)督的特征加權(quán)方法［8-10］。之所以稱為“有監(jiān)督特征加權(quán)方法”，是因?yàn)樵诙攘刻卣髦匾詴r(shí)，采用了訓(xùn)練集中的類別信息。由于在分類模型中，系統(tǒng)不能獲得測(cè)試集的任何類別信息，通過每個(gè)類別的估計(jì)分布，最初測(cè)試文檔可以被表示的向量數(shù)與數(shù)據(jù)集的類別數(shù)相同，如何在多個(gè)備選向量中構(gòu)建一個(gè)最終向量，現(xiàn)階段研究中主要有兩種策略：局部策略和全局策略。在局部表示策略中，每一篇測(cè)試文檔在獨(dú)立的二分類任務(wù)中都將會(huì)被表示為一個(gè)單獨(dú)的向量，這意味著每篇文檔的表示不是單獨(dú)的向量，而是與不同的二分類任務(wù)相對(duì)應(yīng)的向量集合，即有一個(gè)二分類任務(wù)就有一個(gè)向量與之相對(duì)應(yīng)。第二種是較為常用的全局策略，在全局策略中，每一篇文檔都將會(huì)有一個(gè)與之相對(duì)應(yīng)的全局獨(dú)立表示向量。在大多數(shù)分類任務(wù)中，文檔一般只允許被分類到一個(gè)類別中，標(biāo)記一個(gè)與當(dāng)前文檔內(nèi)容最相近的類別標(biāo)簽，因此大部分分類任務(wù)都被視為單標(biāo)簽任務(wù)并在特征加權(quán)時(shí)采用全局策略，全局策略表示方法如公式（1）所示。

在公式（1）中，TW（t）是特征t的最終權(quán)重，TW（t，ci）是特征t通過有監(jiān)督的特征加權(quán)方法在類別ci中獲得的權(quán)重，|C|為訓(xùn)練集中的類別總數(shù)。可以看出，全局策略針對(duì)構(gòu)建的特征加權(quán)向量中每一個(gè)特征的權(quán)重值都是取其在所有類別對(duì)應(yīng)的特征加權(quán)向量中相應(yīng)列的最大值，由于缺少對(duì)構(gòu)建的特征加權(quán)向量進(jìn)行評(píng)估的過程，因此不能確保最終特征加權(quán)向量的有效性［11］。

本文研究的新浪微博文檔相比正常的文本文檔存在以下四點(diǎn)特殊性：第一，微博文檔包含的詞數(shù)較少，對(duì)于分類所包含的信息量少；第二，微博文檔中的停用詞相比正常文本文檔中占比高；第三，微博文檔中含有特殊符號(hào)表情；第四，微博文檔數(shù)據(jù)短，同時(shí)由于數(shù)據(jù)量大，將導(dǎo)致數(shù)據(jù)集的特征矩陣極度稀疏。由于數(shù)據(jù)的特殊性，對(duì)于以新浪微博數(shù)據(jù)為基礎(chǔ)的高校網(wǎng)絡(luò)輿情安全主題分類問題，現(xiàn)存的文本表示策略是否仍然有效，如果有效，哪一種表示策略可以獲得最好的結(jié)果？這是我們希望在本研究中解決的第一個(gè)問題。

1.1? ?相關(guān)表示策略

在文檔分類中，由于文本文檔不能直接被分類器解釋，通常需要將原始文檔轉(zhuǎn)換為向量表示，因此，文檔表示是文檔分類的重要步驟之一。在本節(jié)中，我們簡(jiǎn)要回顧幾種文本表示策略。

Younghoong Ko［11］于2012年提出了W-Max、

D-Max和D-TMax三種表示策略，用以改進(jìn)傳統(tǒng)表示策略，提高分類性能。下面針對(duì)三種表示策略逐一介紹。

（1）W-Max。數(shù)據(jù)集特征加權(quán)向量中的每一個(gè)特征權(quán)重值，將由所有類別對(duì)應(yīng)的特征加權(quán)向量中相應(yīng)維度的最大值代替。通過與全局策略對(duì)比分析可以得知，兩種策略的核心思想是一致的。考慮到這種情況，在本文的相關(guān)對(duì)比實(shí)驗(yàn)中將只展示其中一種結(jié)果。

（2）D-Max。遍歷數(shù)據(jù)集中各個(gè)類別對(duì)應(yīng)的特征加權(quán)向量，逐一對(duì)各個(gè)特征加權(quán)向量中的特征權(quán)重值求和，最終最大和值對(duì)應(yīng)的特征加權(quán)向量，將作為數(shù)據(jù)集的特征加權(quán)向量。

（3）D-TMax。首先，遍歷數(shù)據(jù)集中各個(gè)類別對(duì)應(yīng)的特征加權(quán)向量，逐一對(duì)各個(gè)特征加權(quán)向量中的特征權(quán)重值求和，然后將求和后的值由大到小排序，排序列表前兩個(gè)值（即最高值和次高值）所對(duì)應(yīng)的特征向量（記為vmax1和vmax2）將被選出。遍歷兩個(gè)被選出特征向量vmax1和vmax2的每一維，在每一維度兩個(gè)特征值中較大的元素值將作為最終數(shù)據(jù)集特征加權(quán)向量相應(yīng)維度的權(quán)重值。

下面舉例說明上述三種表示策略針對(duì)同一情況的不同結(jié)果。假設(shè)有訓(xùn)練集D={d1， d2，…， dn}，包含n篇文檔，m個(gè)特征，|C|個(gè)類別，類別集C={c1， c2，…， c|C|}；當(dāng)某個(gè)類別作為正類別時(shí)，對(duì)應(yīng)的特征加權(quán)向量集合V={v1， v2，…， v|C|}。矩陣V如公式（2）所示。

在公式（2）中，tij代表類別ci作為正類時(shí)，取得特征加權(quán)向量的第j個(gè)元素。假設(shè)測(cè)試集的最終特征加權(quán)向量為vd={w1， w2，…， wm}，wk為vd的第k個(gè)元素。

（1）當(dāng)使用W-Max策略時(shí)，wk可以由公式（3）計(jì)算。

（2）當(dāng)使用D-Max策略時(shí)，首先采用公式（4）計(jì)算各個(gè)類別對(duì)應(yīng)的特征加權(quán)向量的權(quán)重和。然后，將求和后的值由大到小排序，記錄值最大的sumi對(duì)應(yīng)的i值，則此sumi對(duì)應(yīng)的特征加權(quán)向量將被選擇作為測(cè)試集的特征加權(quán)向量vd。

（3）當(dāng)使用D-TMax策略時(shí)，首先采用公式（4）計(jì)算各個(gè)類別對(duì)應(yīng)的特征加權(quán)向量的權(quán)重和，然后，將求和后的值由大到小排序，選擇出排序列表前兩個(gè)值，記為：suma與sumb，記錄對(duì)應(yīng)的下標(biāo)a、b。最終wk可以由公式（5）計(jì)算。其中，tak和tbk分別為類別a與類別b對(duì)應(yīng)特征加權(quán)向量的第k個(gè)元素。

wk=max（tak，tbk）;a≠b∈[1，k]，k∈[1，m]? ?（5）

1.2? ?有監(jiān)督特征加權(quán)方法的最優(yōu)表示策略

根據(jù)之前的分析，在不同數(shù)據(jù)集獲得好的分類性能，需要不同的表示策略［11］；即同一表示策略不能適用于所有數(shù)據(jù)集。如何在選擇文本表示策略前預(yù)測(cè)或分析它對(duì)當(dāng)前數(shù)據(jù)集帶來的效果，換句話說，對(duì)于一個(gè)待分析的數(shù)據(jù)集，我們?nèi)绾芜x擇文本表示策略？這是我們?cè)诒疚闹邢Ｍ鉀Q的第二個(gè)問題，將在文章結(jié)尾給出答案。

文本表示策略選擇不恰當(dāng)，將直接導(dǎo)致特征權(quán)重賦值不合理，對(duì)于一些類別對(duì)應(yīng)的特征加權(quán)向量，它們賦予特征的權(quán)重值對(duì)于分類沒有作用，甚至?xí)碡?fù)面效果，降低分類性能。下面舉例說明這一情況，假設(shè)有訓(xùn)練集包含19篇文檔、5個(gè)特征、5個(gè)類別；文檔、特征、類別三者之間的關(guān)系如表1所示，數(shù)字代表特征在文檔中出現(xiàn)的次數(shù)。

以特征加權(quán)方法tf *rf = tf *log（2+a/max（1，c））為例［9］，其中a代表特征在正類別文檔中出現(xiàn)的次數(shù)，c代表特征在負(fù)類別文檔中出現(xiàn)的次數(shù)。當(dāng)類別1至類別5分別作為正類時(shí)，計(jì)算得到的對(duì)應(yīng)特征權(quán)重值如表2所示。

當(dāng)不同類別作為正類時(shí)，每個(gè)特征被賦予的權(quán)重值不同，如何綜合各個(gè)類別分布特點(diǎn)，為數(shù)據(jù)集構(gòu)建恰當(dāng)?shù)奶卣骷訖?quán)向量，基于D-Max和D-TMax策略的思想，我們首先根據(jù)公式（4）計(jì)算類別C1至C5對(duì)應(yīng)的特征加權(quán)向量的權(quán)重和，然后依次選擇前1個(gè)至前5個(gè)最高和值對(duì)應(yīng)的向量，最后按照公式（6）分別構(gòu)建特征加權(quán)向量。

在公式（6）中，selected C代表根據(jù)特征權(quán)重和值排序后，選擇的對(duì)應(yīng)向量數(shù)量。當(dāng)選擇前1個(gè)或前2個(gè)和值對(duì)應(yīng)的向量時(shí)，為D-Max策略或D-TMax策略；我們將選擇前3個(gè)、4個(gè)及5個(gè)和值對(duì)應(yīng)的向量，然后構(gòu)建特征加權(quán)向量的策略，分別稱為“D-3Max” “D-4Max”和“D-5Max”。對(duì)于更多類別時(shí)，我們統(tǒng)一稱為“D-NMax”（Document Number Max），其中“N”指的是選擇向量的數(shù)量。各個(gè)類別對(duì)應(yīng)的特征加權(quán)向量的權(quán)重和值排序結(jié)果如表3所示。表4展示了采用不同表示策略時(shí)，特征t1至t5所獲得的權(quán)重值。

通過分析表1中文檔、特征和類別三者間的關(guān)系，相比特征t3和t5的特征權(quán)重值，特征t1，t2和t4的特征權(quán)重值應(yīng)該較高，同時(shí)在t1，t2和t4三個(gè)特征中，t1的特征權(quán)重值應(yīng)該最小，t2的特征權(quán)重值應(yīng)該最大。原因主要有以下三點(diǎn)：一是相比特征t1，t2和t4，特征t3和t5在5個(gè)類別的文檔中，分布相對(duì)均勻，不具備明顯區(qū)分度，因此相比特征t1，t2和t4，特征t3和t5的特征權(quán)重值應(yīng)該較小。二是相比特征t2和t4，特征t1在各個(gè)文檔中出現(xiàn)的頻次較低，同時(shí)特征t1在類別C1的部分文檔（d4）和類別C2的部分文檔（d9）中出現(xiàn)的頻次與在類別C5的文檔（d17，d18和d19）中出現(xiàn)的頻次相同，因此相比特征t2和t4，t1不具備明顯區(qū)分度，在t1，t2和t4三個(gè)特征中，t1的特征權(quán)重值應(yīng)該最小。三是相比其他特征，特征t2集中出現(xiàn)在類別C4的文檔中，并且頻次較高，是一個(gè)具備明顯區(qū)分度的特征，因此在5個(gè)特征中t2的特征權(quán)重值應(yīng)該最大。

通過總結(jié)以上實(shí)例和傳統(tǒng)文本表示策略，本文提出了ODRS方法。通過循環(huán)遍歷每個(gè)類別對(duì)應(yīng)的特征權(quán)重值，依次根據(jù)公式（6）重新組合形成新的特征加權(quán)向量，然后在訓(xùn)練集上比較、驗(yàn)證各個(gè)新生成特征加權(quán)向量的加權(quán)效果，最終選擇適合于當(dāng)前數(shù)據(jù)集的特征加權(quán)向量。循環(huán)遍歷的思想主要是受到Y(jié)un-Qian Miao［12］等人的啟發(fā)，他們提出了一個(gè)成對(duì)優(yōu)化的Rocchio算法，算法中通過在訓(xùn)練集上動(dòng)態(tài)調(diào)整介于兩個(gè)類別間的原始分類線位置，記錄每一次調(diào)整后的分類結(jié)果，最終遍歷所有結(jié)果，選擇最適合當(dāng)前兩個(gè)類別的分類線位置。

相比傳統(tǒng)方法，本文提出方法有三點(diǎn)改進(jìn)。一是針對(duì)有監(jiān)督特征加權(quán)方法，不再是根據(jù)研究人員的經(jīng)驗(yàn)采用某種文本表示策略對(duì)文本進(jìn)行表示，而是根據(jù)當(dāng)前數(shù)據(jù)集，智能構(gòu)建特征加權(quán)向量，進(jìn)一步對(duì)數(shù)據(jù)集進(jìn)行表示。二是提出的方法引入了循環(huán)遍歷思想，重新構(gòu)建特征加權(quán)向量的備選向量不再受局限，可以根據(jù)各個(gè)類別分布的實(shí)際情況，構(gòu)建出適合當(dāng)前數(shù)據(jù)集的特征加權(quán)向量。三是提出的方法實(shí)行“選擇前預(yù)測(cè)”，在構(gòu)建特征加權(quán)向量時(shí)，采用類似交叉驗(yàn)證的方式，在訓(xùn)練集上測(cè)試特征加權(quán)向量的效果，根據(jù)文檔、特征以及類別之間的關(guān)系構(gòu)建特征加權(quán)向量。方法描述如下。

在本文提出的方法中，采用Micro F1作為交叉驗(yàn)證結(jié)果的評(píng)價(jià)指標(biāo)，而沒有采用精確率、召回率等評(píng)價(jià)指標(biāo)，主要原因是精確率和召回率是互相影響的，一般情況下精確率高，召回率就低；召回率高，精確率就低。本文采用了綜合兩者的評(píng)價(jià)指標(biāo)Micro F1。

2? ? ?實(shí)驗(yàn)與分析

2.1? ?實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證提出算法的有效性，本文應(yīng)用網(wǎng)絡(luò)爬蟲技術(shù)，從新浪微博抓取20 000條高校微博文檔數(shù)據(jù)。根據(jù)以下規(guī)則從源數(shù)據(jù)中抽取出具有分類價(jià)值的微博文檔：第一，選取純文本類型的微博文檔；第二，選取大于120個(gè)字符的微博文檔。通過這兩條規(guī)則，共篩選出了13 079條微博文檔。根據(jù)《2016年中國高校政務(wù)新媒體發(fā)展報(bào)告》，校園學(xué)生發(fā)微博排在前10位的類型分別是：休閑娛樂、人文藝術(shù)、科技科普、教育、交通服務(wù)、新聞資訊、讀書寫作、運(yùn)動(dòng)健身、公益、情感。實(shí)驗(yàn)中將以上10個(gè)類別作為目標(biāo)類別，采用以下方式對(duì)抽取到的數(shù)據(jù)進(jìn)行標(biāo)注：對(duì)所有數(shù)據(jù)進(jìn)行兩次標(biāo)注，工作由4人完成，將兩次標(biāo)注的結(jié)果逐一核對(duì)，微博內(nèi)容相同但是標(biāo)注類別不同的文檔需篩選出來，進(jìn)行單獨(dú)討論，同時(shí)，丟棄難以確認(rèn)類別的微博文檔。經(jīng)過標(biāo)注后的數(shù)據(jù)集共包含9 183條微博文檔，每個(gè)類別中包含的文檔數(shù)詳見表5。

2.2? ?評(píng)價(jià)標(biāo)準(zhǔn)及分類器

考慮到本文實(shí)驗(yàn)數(shù)據(jù)集為失衡數(shù)據(jù)集，在度量結(jié)果時(shí)，將采用微平均作為評(píng)價(jià)指標(biāo)，同時(shí)采用了主題分類中常用的支持向量機(jī)分類器。由于支持向量機(jī)采用了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，使其在分類的時(shí)候常常展現(xiàn)出較好的性能，Leopold和Kindermann［13］指出相比改變核函數(shù)，應(yīng)用特征加權(quán)方法可以有效地提高支持向量機(jī)的性能。一些文獻(xiàn)也指出支持向量機(jī)的線性核函數(shù)性能優(yōu)于非線性核函數(shù)［14］。此外，考慮到實(shí)驗(yàn)數(shù)據(jù)的特征數(shù)目和樣本數(shù)目都較大，本文在使用支持向量機(jī)的時(shí)候選用了線性核函數(shù)，并且將其他參數(shù)設(shè)置為默認(rèn)，實(shí)驗(yàn)中采用LibSVM工具包［15-16］。

2.3? ?結(jié)果與分析

本文將使用tf *rf有監(jiān)督特征加權(quán)方法，結(jié)合W-Max、D-Max、D-TMax以及本文提出的ODRS方法進(jìn)行比較。實(shí)驗(yàn)中ODRS方法得到的selected C值為5。對(duì)比采用W-Max、D-Max和D-TMax三種策略，本文提出的ODRS方法結(jié)合tf *rf特征加權(quán)方法獲得了最優(yōu)結(jié)果。

圖1展示了采用tf *rf特征加權(quán)方法，應(yīng)用四種文本表示策略，使用支持向量機(jī)分類器取得的微平均F1值結(jié)果。橫軸代表不同的文本表示策略，縱軸代表取得的相應(yīng)微平均F1值。從中可以看出，ODRS方法獲得微平均F1值結(jié)果明顯高于其他文本表示策略得到的結(jié)果。為充分展示ODRS方法的有效性，除圖1中的結(jié)果外，表6中列出了其他情況對(duì)應(yīng)的結(jié)果。

通過觀察表6可以得知，針對(duì)微博短文檔失衡數(shù)據(jù)集選擇文本表示策略時(shí)，傳統(tǒng)的文本表示策略并不是最優(yōu)選擇，相比之下，ODRS方法表示的數(shù)據(jù)集可以獲得較好的分類結(jié)果。主要原因?yàn)槲⒉┪臋n相比常規(guī)文檔包含特征詞少了許多，由于數(shù)據(jù)量較大，使得數(shù)據(jù)集特征矩陣極度稀疏，傳統(tǒng)文本表示策略不能依據(jù)數(shù)據(jù)集實(shí)際特點(diǎn)構(gòu)建恰當(dāng)?shù)奶卣骷訖?quán)向量；ODRS方法通過“選擇前預(yù)測(cè)”方式，在構(gòu)建數(shù)據(jù)集的特征加權(quán)向量時(shí)，首先在訓(xùn)練集上采取交叉驗(yàn)證方式對(duì)當(dāng)前特征加權(quán)向量的效果進(jìn)行充分評(píng)價(jià)，然后從所有待選擇的特征加權(quán)向量中，選擇最好評(píng)估結(jié)果對(duì)應(yīng)的特征加權(quán)向量作為測(cè)試集的特征加權(quán)向量。

在文章結(jié)尾，我們對(duì)之前提出的兩個(gè)問題給出答案。

（1）對(duì)于以新浪微博數(shù)據(jù)為基礎(chǔ)的高校網(wǎng)絡(luò)輿情安全主題分類問題，現(xiàn)存的文本表示策略是否仍然有效，如果有效，哪一種表示策略可以獲得最好的結(jié)果？

通過在實(shí)際數(shù)據(jù)集上對(duì)現(xiàn)存的文本表示策略進(jìn)行性能評(píng)估，我們發(fā)現(xiàn)各個(gè)文本表示策略性能差異顯著，W-Max（全局策略）取得的結(jié)果優(yōu)于D-Max和D-TMax策略。

（2）如何在選擇文本表示策略前預(yù)測(cè)或分析它對(duì)當(dāng)前數(shù)據(jù)集帶來的效果，換句話說，對(duì)于一個(gè)待分析的數(shù)據(jù)集，我們?nèi)绾芜x擇文本表示策略？

為使得數(shù)據(jù)集獲得恰當(dāng)?shù)奈臋n表示，本文提出了ODRS方法。方法在構(gòu)建特征加權(quán)向量過程中，通過循環(huán)遍歷方式，為最終確定的特征加權(quán)向量提供了多個(gè)備選特征加權(quán)向量，根據(jù)各類別的分布特點(diǎn)，在訓(xùn)練集上對(duì)備選特征加權(quán)向量采用交叉驗(yàn)證方式評(píng)價(jià)其加權(quán)效果，最終將評(píng)價(jià)效果最好的特征加權(quán)向量作為測(cè)試集的特征加權(quán)向量。

3? ? ?結(jié)束語

隨著微博的快速發(fā)展，對(duì)于微博文檔主題分類已經(jīng)有了迫切需求，然而，微博文檔作為特殊的短文本文檔，每條微博包含的特征詞較少，不確定當(dāng)前文本表示策略對(duì)其是否有效。在本文中，我們研究了幾個(gè)應(yīng)用較為廣泛的文本表示策略，與此同時(shí)，提出了一種新的文本表示策略，對(duì)高校網(wǎng)絡(luò)輿情主題分類帶來的效果明顯。方法采取“選擇前預(yù)測(cè)”方式構(gòu)建特征加權(quán)向量，避免了傳統(tǒng)依據(jù)經(jīng)驗(yàn)選擇文本表示策略造成的分類效果不理想問題。

本文提出的方法在一定程度上滿足了網(wǎng)絡(luò)輿情主題分類中文本表示問題的現(xiàn)實(shí)需求，可以為高校網(wǎng)絡(luò)輿情分析提供一定的技術(shù)方法支持。然而，高校網(wǎng)絡(luò)輿情安全正處于探索階段，本文僅研究主題分類中文本表示技術(shù)，對(duì)于主題分類中其他相關(guān)步驟有待進(jìn)一步研究。

主要參考文獻(xiàn)

［1］趙蓉英，王旭.突發(fā)事件網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識(shí)別及導(dǎo)控對(duì)策研究：以“大賢村遭洪災(zāi)事件”為例［J］.現(xiàn)代情報(bào)，2018，38（1）：19-24，30.

［2］梁曉敏，徐健.輿情事件中評(píng)論對(duì)象的情感分析及其關(guān)系網(wǎng)絡(luò)研究［J］.情報(bào)科學(xué)，2018，36（2）：37-42.

［3］王晰巍，邢云菲，趙丹，等.基于社會(huì)網(wǎng)絡(luò)分析的移動(dòng)環(huán)境下網(wǎng)絡(luò)輿情信息傳播研究：以新浪微博“霧霾”話題為例［J］.圖書情報(bào)工作，2015，59（7）：14-22.

［4］陳濤，林杰.基于搜索引擎關(guān)注度的網(wǎng)絡(luò)輿情時(shí)空演化比較分析：以谷歌趨勢(shì)和百度指數(shù)比較為例［J］.情報(bào)雜志，2013，32（3）：7-10，16.

［5］張和平，陳齊海.基于灰色馬爾可夫模型的網(wǎng)絡(luò)輿情預(yù)測(cè)研究［J］.情報(bào)科學(xué)，2018，36（1）：75-79.

［6］黃亞駒，陳福集，游丹丹.基于混合算法和BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)研究［J］.情報(bào)科學(xué)，2018，36（2）：24-29.

［7］鄒凱，左珊，陳旸，等.基于網(wǎng)絡(luò)輿情的政府信息服務(wù)公眾滿意度評(píng)價(jià)研究［J］.情報(bào)科學(xué)，2016，34（2）：45-49.

［8］LAN M，SUNG S Y，LOW H B，et al. A comparative study on term weighting schemes for text categorization[C]//，Proceedings of IEEE International Joint Conference on Neural Networks. 2005：546-551.

［9］LAN M，TAN C L，SU J，et al. Supervised and traditional term weighting methods for automatic text categorization［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31（4）：721-735.

［10］QUAN X，WENYIN L，QIU B. Term weighting schemes for question categorization［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（5）：1009-1021.

［11］KO Y. A study of term weighting schemes using class information for text classification[C]//Proceedings of the 35th international ACM SIGIR conference on Research and development in information retrieval，2012：1029-1030.

［12］MIAO Y Q，KAMEL M. Pairwise optimized Rocchio algorithm for text categorization［J］. Pattern Recognition Letters， 2011，32（2）：375-382.

［13］LEOPOLD E，KINDERMANN J. Text categorization with support vector machines：How to represent texts in input space？［J］. Machine Learning，2002，46（1-3）：423-444.

［14］CAI D，HE X. Manifold adaptive experimental design for text categorization［J］. IEEE Transactions on Knowledge and Data Engineering，2012，24（4）：707-719.

［15］ChANG C C，LIN C J. LIBSVM： A library for support vector machines［J］. ACM Transactions on Intelligent Systems and Technology（TIST），2011，2（3）：27-33.

［16］田梅，朱學(xué)芳. 基于支持向量機(jī)的大學(xué)生網(wǎng)絡(luò)信息偶遇影響因素研究［J］. 圖書情報(bào)工作，2018，62（8）：84-92.