利用機器學習技術防范網絡意識形態(tài)風險的理論模型與邏輯進路

〔摘要〕新媒介時代網絡日益發(fā)達，對我國意識形態(tài)的安全和治理帶來了巨大挑戰(zhàn)。現(xiàn)代機器學習技術特別是那些基于深度神經網絡的模型，能夠從大量非結構化文本數(shù)據(jù)中提取意義，應用范圍已經從簡單的圖像識別擴展到了復雜的視頻內容分析，從而為理解和預測公眾行為及其背后的意識形態(tài)提供了更為深入的視角。由于網絡傳播路徑預測依賴信息轉發(fā)預測，后者體現(xiàn)了用戶的個體行為差異，因而我們提出基于機器學習的網絡意識形態(tài)風險識別的行為傳播模型。該系統(tǒng)由信息采集層、數(shù)據(jù)分析層、預警發(fā)布層構成，可以提高對網絡意識形態(tài)發(fā)展演變狀況的實時感知能力，使相關主體能及時完成對網絡意識形態(tài)風險的評估和決策，推動解決網絡意識形態(tài)風險的智能化處置。

〔關鍵詞〕機器學習；網絡空間；意識形態(tài)；數(shù)據(jù)分析；風險管理

〔中圖分類號〕D64 〔文獻標識碼〕A 〔文章編號〕2095-8048-（2024）04-0004-10

一、研究背景

新媒介時代對我國意識形態(tài)的安全和治理帶來了前所未有的挑戰(zhàn)。新媒介通過技術革新顯著提高了互動性，特別是互聯(lián)網和手機，極大地促進了信息交流與分享，但也伴隨著諸多負面影響。為刷存在感，個別媒體開始追求流量和關注度，不惜犧牲社會責任，導致內容質量下降，對社會思想和價值觀造成巨大危害。同時，西方錯誤社會思潮通過智能技術進行隱秘滲透，加上新興智能技術的不確定性、資本與人工智能的結合，以及網絡意識形態(tài)供給側在“擬態(tài)環(huán)境”中的結構性失衡等問題，導致網絡意識形態(tài)領域的潛在風險逐漸顯現(xiàn)。“聚類算法”對信息的多重過濾與分化，削弱了主流意識形態(tài)的話語權威，逐步削弱了主流媒體的議程設置權和議題選擇權。〔1〕

在新媒介語境中，網絡輿論的形態(tài)不斷加劇意識形態(tài)的風險和斗爭，新媒介和互聯(lián)網作為控制信息和爭奪國際話語權的關鍵工具，已在國際政治中占據(jù)了核心地位。話語權和軟實力已經超越傳統(tǒng)的硬實力，成為國家間競爭的關鍵武器，網絡空間因此成為輿論斗爭和意識形態(tài)交鋒的主要戰(zhàn)場。〔2〕網絡平臺為公民表達利益和情感提供了匿名化、便捷及公開化的渠道，但其傳播過程也匯集并放大了各種政治思想和意識形態(tài)，各種社會力量在此交匯，形成尖銳的對立和激烈的斗爭。〔3〕

當前我國在網絡意識形態(tài)斗爭中面臨的劣勢主要源于新媒介技術的局限性。作為國際互聯(lián)網的主導者和信息流通的掌控者，美國對全球網絡技術規(guī)則擁有絕對影響力，具有凌駕于全球的網絡技術霸權。〔4〕ICANN負責全球互聯(lián)網域名和地址、IP地址分配及域名解析原則的管理，而我國尚未進入國際互聯(lián)網核心圈層，嚴重依賴國外資源。這暴露了我國互聯(lián)網數(shù)據(jù)的安全風險，增加了被境外勢力利用進行負面宣傳和輿論攻擊的可能，削弱了我國在國際上的意識形態(tài)話語權。

人工智能和大數(shù)據(jù)技術的迅猛發(fā)展，使傳統(tǒng)人工分析方法無法應對信息量的巨大增長。AI技術的應用，使得對文本、音頻和視頻等多種形式的信息內容進行自動化分析成為可能，極大提升了效率和準確性。因此，開發(fā)和應用高效的AI分析工具，對于準確把握和應對網絡意識形態(tài)的挑戰(zhàn)至關重要。

隨著計算能力的顯著提升和數(shù)據(jù)科學的不斷進步，機器學習特別是深度學習技術在解析復雜社會現(xiàn)象中的應用已經步入一個新的階段。在社會科學領域，這些技術不僅改變了數(shù)據(jù)處理的方法，而且重新定義了研究的邊界和可能性。針對網絡意識形態(tài)的分析，現(xiàn)代機器學習技術特別是那些基于深度神經網絡的模型，如卷積神經網絡（CNN）和循環(huán)神經網絡（RNN），已經成為自動處理和分析大規(guī)模網絡數(shù)據(jù)集的有力工具。自然語言處理（NLP）領域的最新進展尤為突出。Transformers架構的模型如BERT和GPT-4在處理語言理解和生成方面展示了前所未有的能力，能夠從大量非結構化文本數(shù)據(jù)中提取意義，識別隱含的意識形態(tài)傾向和情感色彩。這些模型的應用極大地增強了研究者對社交媒體言論、新聞報道和公共討論中意識形態(tài)動態(tài)的洞察力。進一步地，圖像和視頻識別技術也在意識形態(tài)的視覺表達分析中起到了關鍵作用。通過利用先進的圖像處理算法，研究人員能夠自動識別和分類含有政治象征和意識形態(tài)元素的視覺材料。這些技術的應用范圍已經從簡單的圖像識別擴展到了復雜的視頻內容分析，如使用深度學習進行場景重建、人物活動識別以及情感態(tài)度的解析，從而為理解和預測公眾行為及其背后的意識形態(tài)提供了更為深入的視角。

此外，跨模態(tài)分析，即結合文本、音頻和視頻數(shù)據(jù)的綜合研究，也正在開辟意識形態(tài)研究的新領域。這種方法允許研究人員獲得更全面的數(shù)據(jù)視角，更準確地描繪和預測社會輿論的變化。例如，混合模型可以在分析政治演講的視頻時，同時處理演講者的語言、聲音的調性和背景中的視覺符號，為解釋和預測政治事件的影響提供了多維度的分析框架。機器學習和人工智能技術的這些應用不僅展示了其在社會科學研究中的潛力，而且對公共政策制定和國家治理結構的優(yōu)化提供了實質性的支持。在全球意識形態(tài)斗爭日益復雜的今天，這些技術的進一步發(fā)展和應用將對維護社會穩(wěn)定、促進健康的公共討論以及防止意識形態(tài)操縱具有決定性的影響。

二、既往研究的優(yōu)點與不足

縱觀國內外研究的多年發(fā)展，意識形態(tài)治理與新媒介網絡輿情相關研究在理論與實踐上都取得了大量成果，圍繞公共危機預警這一目標對網絡輿情分析已經做了大量工作，取得了一定的成果，為本文的研究提供了一定基礎。近五年來，利用機器學習技術防范涉外網絡輿情和意識形態(tài)風險的研究日益增多，涵蓋了多個方面，包括但不限于網絡安全、惡意軟件檢測、入侵檢測系統(tǒng)、對抗性機器學習以及深度學習技術的應用。

就國內研究來看，成果主要分為三類。第一類是人工智能在思想政治教育中的應用。劉簫鋒等指出生成式人工智能對高校思政教育帶來的挑戰(zhàn)，并探討了其對思政教育者角色、安全隱患和信息傳播等方面的影響。〔5〕藍江討論了ChatGPT等生成式人工智能在人文社會科學中的歷史使命，并提出了應對這一挑戰(zhàn)的路徑。〔6〕袁周南則從嵌入角度分析了人工智能在思想政治教育中的背景、依據(jù)和路徑，強調了構建優(yōu)質大數(shù)據(jù)庫和思政教育設計團隊的重要性。〔7〕段虹認為深度學習能夠對高校意識形態(tài)安全工作產生重要作用并促進認同感的建立。〔8〕第二類是人工智能對政黨執(zhí)政安全的影響。孫會巖討論了人工智能技術對政治安全的挑戰(zhàn)，并提出了從頂層設計、治理實踐和國際合作等方面維護政黨政治安全的啟示。〔9〕孫會巖與唐蓮英分析了國外政黨在人工智能時代應對政治安全挑戰(zhàn)的策略，強調了政黨利用人工智能技術進行政治動員、內部治理和政治傳播的重要性。〔10〕第三類是人工智能對意識形態(tài)安全的影響。楊愛華討論了人工智能對社會意識形態(tài)帶來的政治、法律和倫理風險，并提出了應對策略。〔11〕徐景一從勞動過程理論視角分析了算法機器與資本控制之間的關系，強調了平臺資本對勞動過程的控制和資本積累的重構。〔12〕劉章儀與李鋼探討了人工智能賦能網絡意識形態(tài)風險防控的背景、向度和進路，提出了構建機制、完善政策、培養(yǎng)人才等方面的建議。〔13〕汪青與李明則分析了人工智能時代主流意識形態(tài)話語權建設的現(xiàn)狀和挑戰(zhàn)，強調了強化主流引領、優(yōu)化內容供給等方面的重要性。〔14〕此外，還有幾篇文獻探討了深度學習對意識形態(tài)安全工作的價值和網絡左翼的特點。

關于網絡安全與機器學習方面，Luca Pajola et al探討了機器學習技術在無線網絡應用中的威脅及其防范措施，強調了保護敏感機器學習應用免受可能威脅的重要性。〔15〕M. Ahsan et al.則從更廣泛的角度審視了機器學習在網絡安全中的應用，如通過減少人工干預來提升惡意軟件檢測的可行性、可擴展性和有效性。通過回顧機器學習在網絡安全中的應用，特別是在提高惡意軟件檢測能力方面，展示了機器學習相對于傳統(tǒng)方法的優(yōu)勢。〔16〕在對抗性機器學習方面，Bhargav Kuchipudi et al.研究了對抗性機器學習技術如何通過欺騙機器學習模型，影響基于機器學習的機制（如電子垃圾郵件過濾器）的安全性。〔17〕Raniah和Haitham通過探討機器學習和深度學習在識別和防止網絡入侵方面的作用，凸顯了這些技術相比其他入侵檢測系統(tǒng)的優(yōu)越性。〔18〕Козлова和Довгаль分析了人工智能和機器學習在網絡安全中的使用，為對抗網絡犯罪提供了策略和解決方案。〔19〕在具體技術應用方面，Sudhakar和Kaliyamurthie討論了回歸、聚類和分類等機器學習算法在網絡安全中的應用，以保護網絡安全免受威脅。〔20〕Goyal和Sharma則探討了機器學習在網絡安全中識別復雜模式和預測基于數(shù)據(jù)的威脅的能力，目標是預測、識別和防止復雜的網絡安全威脅。〔21〕

此外，Giulio Zizzo et al.討論了機器學習系統(tǒng)對微小擾動的脆弱性，尤其是在網絡攻擊檢測方面的嚴重關切，并提出了將對抗性機器學習技術應用于網絡領域以增強安全性的建議。〔22〕在惡意軟件檢測與預防方面，D. Nisha et al.討論了如何利用機器學習技術預測和防范機器學習模型中的惡意軟件，包括研究不同類型的攻擊和實施數(shù)據(jù)清理、算法魯棒性增強以及隱私保護技術等對策。〔23〕在入侵檢測系統(tǒng)方面，Chenniappanadar et al.指出機器學習減少了對人類專家進行入侵檢測的依賴，通過使用各種算法和特征分析信息包，提高了網絡防御的檢測能力。〔24〕在深度學習與網絡安全方面，K. Sathya et al.探討了深度學習技術如何與機器學習技術結合，提供保護敏感信息、數(shù)據(jù)網絡和計算機免受未經授權的網絡攻擊的解決方案，增強了網絡世界的安全性。〔25〕這些研究表明，機器學習技術在網絡安全領域的應用日益廣泛，尤其在檢測和防范涉外網絡輿情和意識形態(tài)風險方面顯示出其潛力。通過利用機器學習的模式識別和預測能力，可以大大提高對網絡威脅的檢測速度和準確性，從而為網絡安全領域帶來了新的機遇和挑戰(zhàn)。

其他涉及此話題的研究大致分為現(xiàn)狀綜述、變量分析，以及問題與對策這三類。其一，現(xiàn)狀綜述的研究往往從網絡意識形態(tài)和輿情的特定類型、社會領域、平臺、視角等特定方面展開綜合梳理，多運用內容分析及扎根理論等方法，雖能有效分類及構建核心范疇，但卻無法探究現(xiàn)象背后的因果機制。其二，變量分析類的研究則關注到了網絡輿情與意識形態(tài)治理之間的中間變量，以及和其他研究對象之間的相關性。一些變量系統(tǒng)模型被建構起來，但因為網絡意識形態(tài)及其輿論的話題很難獲取高質量的觀察型數(shù)據(jù)，導致后期的分析結果充滿不確定性與風險。其三，問題與對策性的研究立意較高，多個學科均有參與，提出了諸如強頂層設計、健全監(jiān)管體系、培育受眾心理、利用耗散結構、培養(yǎng)意見領袖等多方面的現(xiàn)實對策，具有很強的問題導向；但也正由于參與該類研究的學科視野眾多，缺乏自我反思和互動交流，重復性研究較多，尚未建筑起共通性的學術話語。

從研究內容來看，既往研究主要體現(xiàn)在意識形態(tài)安全的情勢與策略、高校意識形態(tài)系列問題、輿情分析的意義、建立預警機制的迫切性、基于網絡輿情分析的預警體系構建機制等理論性問題的探討，但是，涉及分析操作和預警實施細節(jié)的成果并不多；在分析方法上沒有形成系統(tǒng)的方法論，尤其是在語義分析方面進展不大導致信息采集及分析深度不夠。從理論和實踐的現(xiàn)狀看，目前關于新媒介下網絡意識形態(tài)和輿情分析仍缺乏成體系的研究，存在如下問題。一是缺乏深入、系統(tǒng)的基礎理論研究。大多數(shù)研究成果只對網絡意識形態(tài)與輿情的定義以及在危機管理中的作用進行淺層次的分析，缺乏對網絡輿情功能和作用的深入探討，也尚未形成系統(tǒng)的面向公共危機預警的輿情分析方法論。二是缺乏對網絡意識形態(tài)的深層次、智能化的分析研究。目前的分析方法主要是將信息處理方法與傳統(tǒng)領域特有的技術分析方法相結合，重采集和處理，輕分析，盡管目前已經開始研究如何借助于計算機工具實現(xiàn)網絡輿情分析，但大部分研究主要從文本層次對網絡輿情外部特征進行簡單的零碎統(tǒng)計處理，沒有深入分析網絡輿情信息內容中所隱含的知識邏輯關聯(lián)和輿情傳播中所涉及的復雜主體關系，從而影響了網絡輿情分析的效果和結果信度。三是理論思辨與實際應用之間的相對割裂依然是突出問題。學科交叉融合不足，本土化創(chuàng)新不夠，以及系統(tǒng)性分析框架的缺失等在很大程度上制約著該領域研究的進一步深化。從政治學、社會學、法學等學科角度的研究多集中于宏觀層面的宏大敘事，缺少實證和復雜的變量分析。公共管理學、新聞傳播學及信息科學等領域研究成熟，但該類領域所建立的因果模型往往是高度理想化的，很難解釋復雜的社會現(xiàn)實。此外，深度、廣度和意義不足也是這類看似科學類型研究的短板。

在此背景下，本論文的研究通過構建基于機器學習的網絡意識形態(tài)與輿情治理模型，不僅彌補了國內外相關研究在理論與實踐應用之間的不足，而且提供了具體的實施框架。本論文的優(yōu)勢在于其綜合使用先進的技術手段和嚴謹?shù)睦碚摲治觯詫崿F(xiàn)更有效的意識形態(tài)管理和輿情調控。此外，研究還強調了在技術應用過程中堅持社會主義核心價值觀，確保技術應用與國家的長期發(fā)展戰(zhàn)略相符合，這不僅有助于推動技術創(chuàng)新，還有助于形成更加和諧的社會治理模式。

三、構建網絡意識形態(tài)與輿情治理模型的理論假設

基于國內外的前期相關成果，本文將從以下部分進行模型建構。

首先是在數(shù)據(jù)收集與現(xiàn)狀分析的階段，本文致力于構建一個多維度、全景式的理解框架，旨在深度挖掘網絡輿情和意識形態(tài)的現(xiàn)狀以及其背后復雜的形成機制。這要求采取雙軌并行的策略。一方面，通過大規(guī)模的數(shù)據(jù)搜集，捕捉和分析網絡輿情的宏觀圖景，包括但不限于社交媒體動態(tài)、論壇討論、新聞報道及博客評論等多種形式的表達。須運用高級的數(shù)據(jù)爬取技術和自動化工具，以確保數(shù)據(jù)的全面性和時效性。另一方面，對于選定的關鍵個案采取定性深入分析，透過表面現(xiàn)象探究網絡輿情的深層次成因和動力機制，如社會事件的引發(fā)、公眾情緒的波動及其對社會意識形態(tài)的長遠影響。通過精細化的案例研究，揭示網絡輿情形成和發(fā)展的內在邏輯，以及它們如何在不同社會、政治背景下被解讀和響應。為實現(xiàn)該目標，不僅依賴現(xiàn)有的大數(shù)據(jù)資源，如政府輿情監(jiān)測數(shù)據(jù)庫和人民網輿情頻道等，還計劃引入先進的數(shù)據(jù)挖掘和分析技術，包括但不限于自然語言處理（NLP）、機器學習（ML）、情感分析和復雜網絡分析等。這些技術將使我們能夠從海量無結構數(shù)據(jù)中提取有價值的信息，如關鍵詞提取、話題識別、情感傾向分析和輿情趨勢預測等。這些結果的分析將進一步用于理解當前網絡輿情和意識形態(tài)的現(xiàn)狀提供支撐，而且也為后續(xù)的信息傳播預測模型和策略制定提供數(shù)據(jù)基礎，同時還將為政府和社會組織在輿情引導、危機管理和意識形態(tài)穩(wěn)定中提供有力的決策參考，促進社會和諧與穩(wěn)定發(fā)展。

其次是在信息傳播預測與意識形態(tài)風險預警的關鍵階段，研究的目標是開發(fā)和應用高度精確的預測模型，這些模型能深入分析并預測社交媒體和傳統(tǒng)媒體中信息的傳播模式。此任務要求我們準確把握信息在不同媒體平臺上的傳播方式，包括傳播速度、覆蓋范圍、傳播深度以及可能的社會影響力。因此，我們將利用先進的計算模型，如基于復雜網絡分析的傳播模型，并結合最新的機器學習技術，來分析大規(guī)模用戶行為數(shù)據(jù)。這將使我們能夠精確預測信息在特定群體中的傳播路徑及其對群體意識形態(tài)的潛在影響，從而構建一個動態(tài)的信息傳播預測模型。進一步地，研究還通過結合社會情緒分析、輿情趨勢監(jiān)測和公共意見分析，旨在及時識別那些可能引發(fā)社會矛盾和沖突的信息。一旦識別出潛在的風險點，將采取一系列預防措施，包括發(fā)布權威性和穩(wěn)定性信息以進行積極引導，加強輿論監(jiān)控以便及時調整策略，以及啟動危機干預機制以減輕潛在的負面影響。此外，還應開發(fā)一個綜合的信息管理平臺，整合信息傳播預測模型和意識形態(tài)風險預警系統(tǒng)，使政策制定者、媒體監(jiān)管機構和社會組織能夠在必要時采取更加有針對性和有效的行動。通過系統(tǒng)化的方法，研究不僅旨在有效應對當前的輿情挑戰(zhàn)，還可預見并避免潛在的社會矛盾和沖突，為社會的和諧與穩(wěn)定提供堅實的信息支持。

最后是利用大數(shù)據(jù)分析熱點事件和話題，從宏觀角度洞察社會輿情的動態(tài)變化，識別引發(fā)廣泛關注的核心議題。這一分析過程涵蓋三個關鍵步驟。第一，通過社交媒體和網絡平臺檢索熱點事件和話題的相關文本，利用高級的數(shù)據(jù)爬取技術和自然語言處理工具，確保廣泛且深入的數(shù)據(jù)收集。第二，對這些文本進行深度分析，采用高級的文本分析技術，如自然語言處理（NLP）和情感分析，抽取關鍵話題和事件，構建文本數(shù)據(jù)庫。這不僅包括識別主題詞匯和表達情緒的詞匯，還涉及理解文本中的隱含意義和情感傾向，為后續(xù)的分析提供豐富的數(shù)據(jù)資源。第三，運用文本聚類技術和機器學習算法，將文本按主題分類，通過算法識別相似或重復的內容，揭示輿情的主要趨勢和社會關注點。該步驟不僅幫助理解公眾對不同事件的關注度，還能揭示不同社會群體之間的意見差異和共鳴點。結合文本挖掘和信息傳播模型，研究對收集到的文本進行綜合評估，引入媒體報道指數(shù)、用戶檢索指數(shù)、社交媒體互動指數(shù)等評判指標，深入分析影響社會意識形態(tài)的核心問題和社會矛盾。包括使用復雜的數(shù)據(jù)分析方法，如情感分析、趨勢分析和網絡分析去理解不僅是輿情的表面現(xiàn)象而是更深層次的社會動態(tài)和意識形態(tài)變遷。通過這種方法，不僅能夠識別當前的輿論熱點，還能預測未來可能出現(xiàn)的趨勢和潛在的社會矛盾，從而為政策制定、社會治理和公共關系管理提供有力的數(shù)據(jù)支持和策略建議。此外，通過分析不同社會群體對特定事件或話題的反應，研究能夠揭示潛在的社會裂痕和統(tǒng)一的社會力量，為緩解社會矛盾和促進社會和諧提供科學依據(jù)。

四、構建網絡意識形態(tài)與輿情治理模型的方法與技術

在當今信息化社會，網絡輿情的影響力愈發(fā)顯著，其中潛在的意識形態(tài)風險不可忽視。為了精準掌握網絡輿情動態(tài)并有效識別潛在的意識形態(tài)風險，深入研究信息傳播機制顯得尤為關鍵。信息傳播研究為觀測網絡輿情中的意識形態(tài)風險提供了堅實的理論支撐。在社交網絡中，用戶通過層層轉發(fā)，使信息呈現(xiàn)出瀑布式擴散的特征。從語義角度來看，意識形態(tài)的檢測極為復雜，即便對于人類來說也是一項挑戰(zhàn)——這不僅需要深厚的政治知識，還需具備捕捉語言使用中微妙之處的能力。由于傳播路徑的預測依賴于信息轉發(fā)的預測，而后者體現(xiàn)了用戶的個體差異，因此，本研究提出了一種基于行為傳播模型的方法。以下內容將詳細探討該模型及其在網絡輿情意識形態(tài)風險識別中的應用。

（一）構建社交網絡。在社交網絡G＜U中，節(jié)點U代表用戶，邊（u，v）表示用戶u與v之間的關注關系，用戶轉發(fā)來自關注節(jié)點的信息，由此構成的網絡構成了整體用戶關系網絡的子網。在信息r、用戶網絡G＜U、歷史轉發(fā)消息集合M確定的情況下，就可以建立模型，預測某一用戶轉發(fā)信息的概率。用戶轉發(fā)行為分轉發(fā)和不轉發(fā)兩種，是典型的二分類。因此，本研究采用邏輯回歸（logistic regression）模型進行預測。具體如下：

p=（yu=（1|x））=11+exp（-ω（1+Fu（r，G）））

在模型中Fu為影響用戶u轉發(fā)行為的特征集；表示用戶u的轉發(fā)行為，的值為1或0，1表示是，0表示否。是權值向量，用戶u利用N條歷史文本數(shù)據(jù)，形成訓練集。{r，用戶u形成N個觀測值，{y1u，y2u，…，i是轉發(fā)數(shù)。N個觀測值的似然函數(shù)為

1（ω）=∏Ni=1（1-p（yu=（1|x）））（1-yiu）p（yu=（1|x））yiu

當dl（ω）dω時求得的ω值即為要求的權值。

利用收集的數(shù)據(jù)訓練信息預測的邏輯回歸模型，建立基于用戶行為預測的網絡傳播模型。模型建立以后，我們需要對社交網絡中熱點話題進行提取。

（二）信息文本分類。本研究所采集的社交網絡中的文本，具有實時性、海量性、稀疏性、多樣性、高維性、不規(guī)范性、主題分布不均勻等特征。因此，研究的首要步驟是對這些信息文本進行分類。樸素貝葉斯（Native Bayes）因其穩(wěn)定的數(shù)學基礎和分類效率，將被應用在文本分類中。〔27〕具體步驟如下：

·設X={q1，q2，…，qm}為一個待分類項，其中q是X的一個特征屬性。

·研究將要把文本分為n個集合A=|a1，a2，…，an|

·計算概率P（a，|x），P（a2|x），…，P（an|x）|

·如果有P（a，|x），max（z1|x），P（a2|x），…，P（an|x）|則P（an|x）x∈ykc，

研究通過樸素貝葉斯計算以上中的各個條件概率，具體計算步驟如下：

·基于文獻研究，找到已知分類意識形態(tài)的集合作為一個訓練樣本集

·通過統(tǒng)計得到各類別下各個特征屬性的條件概率：

P（q1|a1），P（q2|a1），…，P（qm|a1）;P（q1|a2），P（q2|a2），…，P（qm|a2）;P（q1|an），P（q2|an），…，P（qm|an）

·如果各個特征的屬性是獨立的，根據(jù)貝葉斯定理可以得出：

P（qi|x）=P（x|ai）P（ai）P（x）

因為P（x）對應所有的意識形態(tài)分類，所以是一個常數(shù)，對P（ai|x）最大化只要對P（x|ai）P（ai）最大化，因為各特征屬性是條件獨立的，可以得出：

P（x|ai）P（ai）=P（x1|ai）P（x2|ai）…P（xm|ai）=P（ai）∏mi=1P（xj|ai）

最后采用P（z|ai）P（ai）的最大項作為最終的網絡意識形態(tài)分類的類別。

（三）利用遞歸神經網絡捕捉句法和語義。遞歸神經網絡（Recursive neural networks， RNN）是一種捕捉句法和語義組合的機器學習模型，在各種句子級NLP任務上取得了最先進的性能，包括情感分析、復述檢測和解析。這部分將運用一個用于偏見檢測的有監(jiān)督的RNN模型，且與以前的類似項目中在訓練程序和初始化方面有差異。由于大多數(shù)意識形態(tài)偏見只有在句子樹的較高層次上才變得可識別，所以主要依靠詞級分布統(tǒng)計的模型說是不可取的。通過考慮語言的層次性質，RNN可以對語義組合進行建模，即一個短語的意義是該短語內的詞的意義和結合這些詞的句法的組合原則。雖然語義構成并不普遍適用（例如，諷刺和成語），但大多數(shù)語言都遵循這一原則。標準RNN模型背后的基本思想是，句子中的每個單詞w都與基于解析樹的向量表示xw∈Rd相關聯(lián)，這些單詞形成短語p。短語的每個也有一個與單詞向量相同維度的關聯(lián)向量xw∈Rd。這些短語向量應該表示由單個單詞組成的短語的含義。隨著短語本身合并為完整的句子，基礎向量表示被訓練以保留句子的完整含義。難度在于描述向量如何組合形成完整的表達。如果兩個詞wa和wb合并形成短語p，則假設短語級向量為

xp=f（WL·xa+WR·xb+b1）（1）

其中WL和WR是樹中所有節(jié)點共享的d×d左右組合矩陣，b1是偏置項，f是非線性激活函數(shù)，如tanh。詞級向量xa和xb來自于d × V維詞嵌入矩陣We，其中V是詞匯量的大小。學習表征是重要的，因為這些表征可以在給定的標記數(shù)據(jù)中區(qū)分出政治極性。如果這個向量空間的一個元素xd表示一個帶有歷史虛無主義傾向的句子，那么它的向量應該與保守主義傾向句子的向量xr不同。

有監(jiān)督的RNN通過應用回歸來實現(xiàn)這一區(qū)別，該回歸將節(jié)點的向量xp作為輸入，并產生預測值y＾p。這是一個softmax層

p=softmax（Wcat·xp+b2），

其中softmax函數(shù)為

softmax（q）=exp q∑kj=1exp qj

Wcat是一個k × d矩陣，用于具有k維標簽的數(shù)據(jù)集。我們希望softmax層的預測與我們的注釋數(shù)據(jù)相匹配；分類預測和注釋之間的差異可以通過交叉熵損失來衡量。所以可以繼續(xù)優(yōu)化模型參數(shù)，使語料庫中所有句子的交叉熵損失最小。單個句子的交叉熵損失是該句子中真實標簽yi的總和。

（s）=∑kp=1yp*log（p）

這就在所有句子中歸納出了一個監(jiān)督目標函數(shù)：對訓練集中歸一化的節(jié)點數(shù)N的所有節(jié)點損失的正則化求和，

C=1N∑Ni（predi）+λ2||θ||2

我們使用帶參數(shù)平均的L-BFGS （Hashimoto et al.，2013）來優(yōu)化模型參數(shù)θ=（WL， WR， Wcat， We， b1， b2）。如下面的公式所示，目標的梯度是通過結構反向傳播來計算的（Goller and Kuchler， 1996），

Cθ=1N∑Ni（i）θ+λθ

（四）網絡意識形態(tài)風險預警。基于機器學習的網絡意識形態(tài)預警系統(tǒng)是由信息采集層、數(shù)據(jù)分析層、預警發(fā)布層的三層式結構組成，如圖1所示。

基于機器學習的網絡意識形態(tài)風險預警的分析平臺采用機器學習分析技術處理，將大數(shù)據(jù)與云計算相結合，建立專家模型庫，多維度、全方位地分析挖掘海量的網絡輿情意識形態(tài)風險數(shù)據(jù)，并通過云平臺發(fā)布預警信息，培養(yǎng)和提高網絡意識形態(tài)演變發(fā)展的實時感知，使相關主體迅速有效地完成網絡意識形態(tài)風險的評價和決策，推動解決網絡意識形態(tài)風險的智能化處置。

五、總結：優(yōu)勢與展望

網絡輿論帶來的意識形態(tài)危機對我國的綜合性影響是復雜而充滿不確定性的復合型科學問題，蘊藏各類復雜因素，同時又受到難以確定的各種內外環(huán)境影響，給風險預測造成了很大困難，依靠單一學科和視角難以解決。隨著數(shù)據(jù)源的增長和方法的改進，爆發(fā)節(jié)點、話題發(fā)現(xiàn)和危機識別等會變得更加可被預測。本文充分利用大數(shù)據(jù)收集和機器學習技術等計算分析領域的最新成果，在底層數(shù)據(jù)捕捉非線性關系，達到更高水平的樣本外準確度，力爭實現(xiàn)不用于擬合模型的事件預測，比現(xiàn)有的基于語義的詞匯判斷的計算模型以及詞袋模型TF-IDF算法等方法更具優(yōu)勢。

在研究方法方面本文有兩個突破。其一，本研究把機器學習技術引入到網絡意識形態(tài)預警系統(tǒng)中。建立社交網絡信息傳播模型，利用社交網絡數(shù)據(jù)分析用戶轉發(fā)行為，實現(xiàn)對用戶行為的預測，有助于實現(xiàn)意識形態(tài)風險的及早實時發(fā)現(xiàn)和及時化解，維護社會穩(wěn)定。其二，運用整體性、交融性思路，采用結構—功能分析方法，將網絡輿情意識形態(tài)治理作為集輿情監(jiān)測、研判、預警、回應、引導、宣傳、治理等為一體的完整體系，著重探討預警及防范措施。

此外，本文還做出了平衡經驗研究與人工智能的學術嘗試。預測在數(shù)據(jù)分析技術與人工智能科技高速發(fā)展的當下變得容易實現(xiàn)了，但人類社會和政治生態(tài)的或然性、復雜性、自反性（self-reference）與不可重復性，為準確預測更加長期的時間和更宏觀的局面帶來了巨大挑戰(zhàn)。網絡輿情瞬息萬變，數(shù)據(jù)失真度高，因此某些前提假設存在多種可能選擇；意識形態(tài)與人的情感等深層思維密切相關，建立在高度理想化層面上的因果模型難以反應人的意識形態(tài)的豐富內涵，準行為主義的變量分析有脫離復雜社會現(xiàn)實的危險。本研究盡可能在大數(shù)據(jù)層面展開方法應用，通過海量樣本直接發(fā)現(xiàn)和展示網絡輿情中的意識形態(tài)規(guī)律，避免控制變量來檢驗關聯(lián)可能造成的失真，也避免個案研究可能造成的失聯(lián)，帶來更有說服力的證據(jù)鏈。就理論意義而言，本研究將為網絡意識形態(tài)及其治理提供增量性研究成果。隨著網絡化程度加深，社會的網絡化與網絡的社會化已經是必然。對作為社會空間的網絡中的輿情與意識形態(tài)展開專題研究，可為進一步理解網絡的社會作用和功能，網絡社會中的多元主體行為方式、動機，以及網絡影響現(xiàn)實社會的渠道、程度等問題提供有意義的分析進路和理論參考，并為網絡輿情協(xié)同治理提供可靠的解決路徑。在國家治理體系和治理能力現(xiàn)代化的相關研究中，網絡輿情與意識形態(tài)治理逐漸成為顯學，同時也彌補了網絡輿情研究的不足。就應用價值而言，本研究跳出以往宏觀的、概括性的對策研究模式，更關注實際問題的解決，在新媒介背景下，分析網絡輿情和意識形態(tài)，研究社會矛盾的形成和化解，為有關部門分析研判意識形態(tài)風險、解決社會矛盾提供借鑒。

總的來說，在綜合層面，本研究有利于將不同學科的研究進行交叉與整合，學科的交叉點和融合處往往可以生長出創(chuàng)新的知識，成為理論創(chuàng)新的新突破口，也將為實踐操作提供新的方法技術。在理論層面，本文著力于探索網絡輿情意識形態(tài)，對其進行風險評估，以便更好制定應急對策，尤其是對一般性、底層性規(guī)律進行摸索，旨在預測未來可能的發(fā)展趨勢，為類似的意識形態(tài)管理與輿情疏導提供一定的理論模型和依據(jù)。在實踐層面，本文充分利用人工智能、大數(shù)據(jù)等技術為應用基礎，提升我國意識形態(tài)安全的防衛(wèi)能力。研究獲得的網絡輿情及其治理的相關成果，可用來提供先導性服務，便于政府理解、介入、引導、干預，以及預測網絡突發(fā)事件，并根據(jù)主體和要素多元化特征和輿情演化階段性特點，充分把握，準確研判，實現(xiàn)有效應對和積極治理。

〔參考文獻〕

〔1〕洪曉楠，劉媛媛.人工智能時代網絡意識形態(tài)安全建設的發(fā)展契機、潛在風險與調適進路〔J〕.思想教育研究，2022，（10）.

〔2〕聞言.為全面建設社會主義現(xiàn)代化國家、全面推進中華民族偉大復興凝聚強大精神力量——學習《習近平關于社會主義精神文明建設論述摘編》〔N〕.人民日報，2023-01-16.

〔3〕李俊卿，張澤一.互聯(lián)網背景下我國意識形態(tài)表征、安全風險及防范〔J〕.思想理論教育導刊，2016，（10）.

〔4〕杜雁蕓.科學技術與國家安全〔M〕.北京：社會科學文獻出版社，2016：152.

〔5〕劉簫鋒，張錦霖.生成式人工智能沖擊高校思政教育的三維探賾〔J〕.國家教育行政學院學報，2023，（12）.

〔6〕藍江.生成式人工智能與人文社會科學的歷史使命——從ChatGPT智能革命談起〔J〕.思想理論教育，2023，（4）.

〔7〕袁周南.人工智能嵌入思想政治教育：背景、依據(jù)與路徑〔J〕思想理論教育，2020，（8）.

〔8〕段虹，徐苗苗.深度學習對意識形態(tài)安全工作的重要價值〔J〕.馬克思主義與現(xiàn)實，2019，（4）.

〔9〕孫會巖.人工智能技術視野下黨的政治安全：機遇、風險與治理〔J〕.毛澤東鄧小平理論研究，2019，（9）.

〔10〕孫會巖，唐蓮英.人工智能時代國外政黨的執(zhí)政安全：挑戰(zhàn)、調適及啟示〔J〕.南京政治學院學報，2018，（4）.

〔11〕楊愛華.人工智能中的意識形態(tài)風險與應對〔J〕.求索，2021，（1）.

〔12〕徐景一.算法機器與資本控制：勞動過程理論視域下的平臺勞資關系與資本積累〔J〕.社會主義研究，2022，（3）.

〔13〕劉章儀，李鋼.人工智能賦能網絡意識形態(tài)風險防控：背景、向度與進路〔J〕.當代傳播，2022，（3）.

〔14〕汪青，李明.從疏離到彌合：人工智能時代主流意識形態(tài)話語權建設〔J〕.當代傳播，2022，（4）.

〔15〕Luca Pajola， Luca Pasa， and Mauro Conti. 2019. Threat is in the Air： Machine Learning for Wireless Network Applications. In Proceedings of the ACM Workshop on Wireless Security and Machine Learning （WiseML 2019）. Association for Computing Machinery， New York， NY， USA， 16–21.

〔16〕Ahsan， Mostofa， Kendall E. Nygard， Rahul Gomes， Md Minhaz Chowdhury， Nafiz Rifat and Jayden F Connolly. “Cybersecurity Threats and Their Mitigation Approaches Using Machine Learning - A Review.” J. Cybersecur. Priv. 2 （2022）： 527-555.

〔17〕Bhargav Kuchipudi， Ravi Teja Nannapaneni， and Qi Liao. 2020. Adversarial machine learning for spam filters. In Proceedings of the 15th International Conference on Availability， Reliability and Security （ARES '20）. Association for Computing Machinery， New York， NY， USA， Article 38， 1–6.

〔18〕Ali， Raniah & Salman， Haitham. （2023）. Subject review： Cyber security using machine learning and deep learning techniques. Global Journal of Engineering and Technology Advances. 16. 212-219.

〔19〕Козлова， Н.Ш & Довгаль， В.А. （2023）. Analysis of the use of artificial intelligence and machine learning in cybersecurity. Bulletin of Adyghe State University. Series： Natural-Mathematical and Technical Sciences. 2023. Iss. 3 （326）， pp65-72.

〔20〕M. Sudhakar and K. P. Kaliyamurthie， “Machine Learning Algorithms and Approaches used in Cybersecurity，” 2022 IEEE 3rd Global Conference for Advancement in Technology （GCAT）， Bangalore， India， 2022， pp. 1-5.

〔21〕Y. Goyal and A. Sharma， “A Semantic Approach for Cyber Threat Prediction Using Machine Learning，” 2019 3rd International Conference on Computing Methodologies and Communication （ICCMC）， Erode， India， 2019， pp. 435-438.

〔22〕Giulio Zizzo， Chris Hankin， Sergio Maffeis， and Kevin Jones. 2019. Adversarial Machine Learning Beyond the Image Domain. In Proceedings of the 56th Annual Design Automation Conference 2019 （DAC '19）. Association for Computing Machinery， New York， NY， USA， Article 176， 1–4.

〔23〕D. Nisha， E. Sivaraman and P. B. Honnavalli， “Predicting and Preventing Malware in Machine Learning Model，” 2019 10th International Conference on Computing， Communication and Networking Technologies （ICCCNT）， Kanpur， India， 2019， pp. 1-7.

〔24〕Chenniappanadar， S. K. .， Gnanamurthy， S. .， Sakthivelu， V. K. .， & Kaliappan， V. K. . （2022）. A Supervised Machine Learning Based Intrusion Detection Model for Detecting Cyber-Attacks Against Computer System. International Journal of Communication Networks and Information Security （IJCNIS）， 14（3）， 16–25.

〔25〕K. Sathya， J. Premalatha and S. Suwathika， “Reinforcing Cyber World Security with Deep Learning Approaches，” 2020 International Conference on Communication and Signal Processing （ICCSP）， Chennai， India， 2020， pp. 0766-0769.

【責任編輯：劉彥武】