王陽

[摘要]互聯(lián)網(wǎng)的飛躍發(fā)展，既孕育著機(jī)遇，同時也帶來了前所未有的挑戰(zhàn)。網(wǎng)絡(luò)輿情的特點使其成為一把雙刃劍。為此，本文通過對微博文本的獲取與處理，得到關(guān)于該微博熱門話題的基于時間序列的離散數(shù)據(jù)序列，然后采用萬有引力算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)對微博輿情進(jìn)行預(yù)測。通過微博輿情的時間序列進(jìn)行實證研究，在預(yù)測性能上與現(xiàn)有的預(yù)測模型進(jìn)行對比，證明該模型在該預(yù)測領(lǐng)域的可行性和有效性。

[關(guān)鍵詞]RBF神經(jīng)網(wǎng)絡(luò)；微博輿情；萬有引力算法；預(yù)測模型

[中圖分類號]TP183 [文獻(xiàn)標(biāo)識碼]A 文章編號：1671-0037（2016）12-32-4

1引言

隨著網(wǎng)絡(luò)的興起和網(wǎng)絡(luò)技術(shù)的普及，微博走人更多普通大眾的生活，影響力越來越大。社會各界越來越重視微博上的輿情。由于在微博上發(fā)布消息具有及時性、任意性，并且信息傳播很迅速，傳播的范圍廣泛，造成微博上的信息既有真實的，也有虛假的。一些人利用微博傳播謠言，污染社會環(huán)境，對人民生活造成很大的負(fù)面影響。但是，由于微博平臺用戶數(shù)量巨大、每天產(chǎn)生海量輿情信息量，靠人工被動檢測無法滿足監(jiān)管要求。因此，研究微博輿情預(yù)測模型具有重要的現(xiàn)實意義。

目前，可以用于網(wǎng)絡(luò)輿情發(fā)展趨勢預(yù)測分析的方法有最小均方算法差分、混沌系統(tǒng)、自回歸移動平均（ARIMA）、動力系統(tǒng)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。由于網(wǎng)絡(luò)輿情發(fā)展趨勢的預(yù)測具有復(fù)雜性和非線性、采用傳統(tǒng)統(tǒng)計學(xué)的方法具有一定的局限性，機(jī)器學(xué)習(xí)方法中支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)是目前用于非線性系統(tǒng)預(yù)測最主要的兩種方法。支持向量機(jī)是基于統(tǒng)計學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法，它在解決非線性問題中表現(xiàn)出很多優(yōu)勢，但是對比神經(jīng)網(wǎng)絡(luò)類的算法在預(yù)測準(zhǔn)確性沒有太大的優(yōu)勢，而且算法對參數(shù)的選擇很大程度上依賴于人工。人工神經(jīng)網(wǎng)絡(luò)經(jīng)過長時間的訓(xùn)練，對非線性函數(shù)可以達(dá)到任意精度。

目前RBF神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它結(jié)構(gòu)簡單、可塑性強(qiáng)，并且具有全局最優(yōu)逼近能力與良好的推廣能力，但是在進(jìn)行輿情預(yù)測的時候，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的準(zhǔn)確性與神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心，方差（寬度）以及隱含層到輸出層的權(quán)值有著密切的聯(lián)系。傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)選擇限制了在網(wǎng)輿情預(yù)測中的應(yīng)用。

引力搜索算法（gravitational search algorithm，GSA）是伊朗科爾曼大學(xué)的Rashedi等于2009年底提出的一種種群優(yōu)化算法，算法的提出基于萬有引力定律和牛頓第二定律。文獻(xiàn)[18]驗證了相比遺傳算法等，在全局尋優(yōu)能力上，GSA的性能有明顯的優(yōu)勢。目前，GSA已經(jīng)成功應(yīng)用于機(jī)器學(xué)習(xí)、電力系統(tǒng)優(yōu)化、模式識別等領(lǐng)域。

在對微博輿情的預(yù)測中，本文引入了萬有引力算法來優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)隱層單元數(shù)通過聚類算法確定后，采用GSA優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)。仿真實驗證明算法具有較好的非線性擬合能力和較高的預(yù)測精度。

2 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種前饋型式神經(jīng)網(wǎng)絡(luò)，其結(jié)果如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

類似于多層前向網(wǎng)絡(luò)，RBF網(wǎng)絡(luò)是由三層網(wǎng)絡(luò)組成的。第一層輸入層由感知單元組成；第二層為隱含層，根據(jù)實際問題的需要，隱單元的個數(shù)選取會相應(yīng)不同，徑向基函數(shù)是隱單元的轉(zhuǎn)換函數(shù)；第三層為輸出層，是對隱單元輸出的線性加權(quán)和，學(xué)習(xí)速度快。

RBF神經(jīng)網(wǎng)絡(luò)主要由以下兩個部分構(gòu)成，如下式

（1）、（2）所示：

RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測性能取決于對這些參數(shù)的選取。因此，必須采用合適的優(yōu)化算法，選取最優(yōu)的參數(shù)，以用來在預(yù)測時提高模型的性能。

3萬有引力算法

3.1改進(jìn)的萬有引力算法

3.1.1改進(jìn)引力系數(shù)。對于GSA來說，引力系數(shù)G（t）是一個重要的參數(shù)。在尋優(yōu)的開始階段，GSA需要一個較大的G（t）去引導(dǎo)種群快速地探索尋優(yōu)區(qū)域；但是在尋優(yōu)的后期過程中，算法需要較小的G（t）在搜索空間中執(zhí)行局部搜索。在標(biāo)準(zhǔn)GSA中，G（t）是指數(shù)函數(shù)，下降速度很快，導(dǎo)致GSA的全局搜索能力迅速衰退，降低全局收斂速度。

為了使GSA探索最優(yōu)解空間更快更準(zhǔn)確，使用線性函數(shù)對引力系數(shù)G（t）進(jìn)行改進(jìn)，公式如下所示：

在每一代中，當(dāng)一個新位置的適應(yīng)度值小于原先的那個時，它就可以取代當(dāng)前個體的位置。

4基于改進(jìn)GSA算法的RBF神經(jīng)網(wǎng)絡(luò)算法的設(shè)計

將RBF神經(jīng)網(wǎng)絡(luò)的主要參數(shù)，編碼成每個粒子的位置。種群按照引力算法尋優(yōu)過程不斷優(yōu)化直至找到最優(yōu)個體。將萬有引力算法得到的最優(yōu)個體對RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行賦值。

算法的基本步驟如下：

①使用K-均值方法確定聚類中心的位置和個數(shù)；

②設(shè)定算法的參數(shù)：種群規(guī)模N，引力系數(shù)G₀以及β，最大迭代次數(shù)。并將神經(jīng)網(wǎng)絡(luò)參數(shù)作為GSA和IGSA的位置進(jìn)行優(yōu)化；

③計算每個個體此時的適應(yīng)度值；

④計算個體的M_i（t），根據(jù)公式更新G（t）；

⑤計算每個個體所受力的總和，根據(jù)公式計算粒子的加速度；

⑥更新個體的速度和位置；

⑦判斷是否滿足收斂條件，滿足，輸出結(jié)果；否則，執(zhí)行③。

5仿真實驗

5.1微博輿情時間序列的獲取

獲取實驗數(shù)據(jù)的步驟：首先通過調(diào)用新浪微博開放平臺接口，采集微博數(shù)據(jù)，存入數(shù)據(jù)庫；然后采用聚類方法獲取時間段內(nèi)的微博熱點話題；最后統(tǒng)計出微博話題時間數(shù)據(jù)序列，得到實驗數(shù)據(jù)。

5.2輿情預(yù)測模型驗證

將“雙十一”等網(wǎng)絡(luò)輿情發(fā)展趨勢時間序列數(shù)據(jù)從2015年11月1日到12月5日產(chǎn)生的35個分量的時間序列數(shù)據(jù)分成兩個樣本數(shù)據(jù)集，分別用來訓(xùn)練和預(yù)測神經(jīng)網(wǎng)絡(luò)模型。表1為各種算法的預(yù)測精度對比。圖3給出了不同算法在“雙十一”網(wǎng)絡(luò)輿情發(fā)展趨勢在10個預(yù)測樣本中的預(yù)測實驗結(jié)果分析。

實驗主要分為兩個部分，第一部分驗證了文本聚類算法的有效性；第二部分驗證改進(jìn)萬有引力算法優(yōu)化的微博輿情預(yù)測模型的有效性。在實驗中，通過對三個模型的實驗結(jié)果進(jìn)行對比發(fā)現(xiàn)，模型3對微博輿情的預(yù)測精度及速度最好。本文的算法模型可以更好地預(yù)測網(wǎng)絡(luò)話題的發(fā)展趨勢，預(yù)測結(jié)果有利于政府對輿情信息的監(jiān)控和引導(dǎo)，也有利于社會的和諧穩(wěn)定。

6結(jié)論

由于預(yù)測的目標(biāo)、內(nèi)容、范圍不同，形成了多樣化的預(yù)測方法。一般預(yù)測方法的模型構(gòu)建是非常有難度的。本文運(yùn)用改進(jìn)神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型，實現(xiàn)更好地描述網(wǎng)絡(luò)輿情的發(fā)展趨勢，預(yù)測結(jié)果利于政府對輿情信息的監(jiān)控和引導(dǎo)，也有利于社會的和諧穩(wěn)定。