基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估分析*
——以“新冠肺炎疫情”事件為例

劉 繼 武夢(mèng)嬌

(新疆財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與數(shù)據(jù)科學(xué)學(xué)院 烏魯木齊 830012)

Assessment and Analysis of Network Public Opinion Situation Based on Bayesian Network：COVID-19 as an Example

Liu Ji Wu Mengjiao

(Institute of Statistics and Data Science, Xinjiang University of Finance and Economics, Urumqi 830012)

Abstract:[Purpose/Significance]Major emergencies put forward new requirements for improving national social governance capacity, and improving the ability of network public opinion situation assessment has become an important content of innovative social governance.[Method/Process]This paper constructs network public opinion situation assessment index from the aspects of the characteristics of Internet public opinion events, the degree of concern, the degree of diffusion and the tendency of Internet users' opinions. A novel coronavirus pneumonia network epidemic situation assessment model is constructed by Bayesian network, and the situation of Internet public opinion is evaluated and analyzed with the case of COVID-19.[Result/Conclusion]The COVID-19 has been tested on the Internet public opinion event. The proposed method has better public opinion situation assessment performance, and suggestions are put forward for the COVID-19 related network public opinion governance.

Keywords：internet public opinion; Bayesian network; situation assessment; COVID-19

0 引 言

隨著互聯(lián)網(wǎng)的高速發(fā)展，我國(guó)網(wǎng)民的規(guī)模逐漸擴(kuò)大。據(jù)互聯(lián)網(wǎng)絡(luò)信息中心(CNNIC)發(fā)布的第45次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2020年3月，我國(guó)網(wǎng)民規(guī)模為9.04億，互聯(lián)網(wǎng)普及率達(dá)65.5%?；ヂ?lián)網(wǎng)大規(guī)模的普及使得網(wǎng)民在獲取信息的過(guò)程中可以跨越時(shí)間和空間的限制，當(dāng)大量的民眾在網(wǎng)絡(luò)上對(duì)社會(huì)問(wèn)題或現(xiàn)象表達(dá)其意見(jiàn)、態(tài)度、情緒時(shí)，便可能會(huì)形成網(wǎng)絡(luò)輿情。若負(fù)面、極端等消極信息成為網(wǎng)絡(luò)輿情的主流，則會(huì)產(chǎn)生網(wǎng)絡(luò)輿情危機(jī)風(fēng)險(xiǎn)。2020年的“新冠肺炎疫情”揭示了我國(guó)公共安全社會(huì)治理能力亟待提升，如何提高網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估能力是當(dāng)前亟待解決的問(wèn)題。

在網(wǎng)絡(luò)態(tài)勢(shì)分析的研究中，學(xué)者們主要從社會(huì)科學(xué)的角度對(duì)網(wǎng)絡(luò)輿情的指標(biāo)體系構(gòu)建、趨勢(shì)發(fā)展及治理方式等方面進(jìn)行分析，但隨著網(wǎng)絡(luò)數(shù)據(jù)呈指數(shù)型增長(zhǎng)，單一的宏觀定性分析已不能滿足研究者對(duì)網(wǎng)絡(luò)輿情的情景感知、傳播機(jī)制、態(tài)勢(shì)預(yù)測(cè)等方面的深入探究。隨著人工智能、機(jī)器學(xué)習(xí)等理論的不斷進(jìn)步，為輿情分析提供了更豐富的定量分析方法。由于網(wǎng)絡(luò)輿情發(fā)展過(guò)程是復(fù)雜的又是多成分的，馬捷等[1]基于利用時(shí)間、預(yù)案準(zhǔn)備情況、社會(huì)影響程度及關(guān)注人群數(shù)量四個(gè)維度構(gòu)建網(wǎng)絡(luò)輿情危機(jī)等級(jí)評(píng)價(jià)模型，通過(guò)對(duì)兩個(gè)真實(shí)事件的危機(jī)等級(jí)判定，證明了該模型是合理的。Gu等[2]則是基于節(jié)點(diǎn)間的交互關(guān)系構(gòu)建了輿情態(tài)勢(shì)評(píng)估模型，但該模型只能針對(duì)某些特定事件進(jìn)行評(píng)估，具有一定的局限性。為了避免在輿情事件劃分等級(jí)時(shí)過(guò)于主觀，有學(xué)者通過(guò)分析引發(fā)網(wǎng)絡(luò)輿情危機(jī)的影響因素，建立相應(yīng)的輿情預(yù)警評(píng)價(jià)體系，利用灰色關(guān)聯(lián)理論和聚類算法對(duì)輿情事件的危機(jī)等級(jí)進(jìn)行了評(píng)估分級(jí)[3]。王寧等[4]基于EGM模型對(duì)輿情事件預(yù)測(cè)結(jié)果的基礎(chǔ)上，利用灰色系統(tǒng)理論對(duì)輿情事件等級(jí)進(jìn)行進(jìn)一步評(píng)價(jià)，通過(guò)對(duì)不同輿情事件的輿情等級(jí)進(jìn)行預(yù)測(cè)評(píng)估，驗(yàn)證了構(gòu)建的預(yù)測(cè)及評(píng)價(jià)體系模型具有實(shí)際意義。還有學(xué)者則是通過(guò)建立模糊綜合評(píng)價(jià)模型對(duì)網(wǎng)絡(luò)輿情事件等級(jí)進(jìn)行劃分[5-6]。李文杰等[7]在構(gòu)建了網(wǎng)絡(luò)輿情綜合評(píng)估指標(biāo)體系的基礎(chǔ)上，通過(guò)利用層次分析法明確不同級(jí)指標(biāo)間權(quán)重的排序，利用多級(jí)模糊綜合評(píng)價(jià)法建立了網(wǎng)絡(luò)輿情等級(jí)評(píng)價(jià)模型。武慧娟[8]等基于生命周期理論建立網(wǎng)絡(luò)輿情綜合評(píng)估指標(biāo)體系，為了減少確定指標(biāo)權(quán)重的主觀性，提出熵權(quán)法來(lái)計(jì)算指標(biāo)權(quán)重，構(gòu)建網(wǎng)絡(luò)輿情模糊綜合評(píng)價(jià)模型。楊靛青等[9]則是構(gòu)建了網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)三級(jí)指標(biāo)評(píng)估體系，并基于有序比值方法給出指標(biāo)權(quán)重，最后建立了基于TOPSIS模糊多指標(biāo)綜合評(píng)價(jià)模型，通過(guò)輿情事件的測(cè)試，驗(yàn)證了該模型具有有效性和普適性，也為不同等級(jí)的輿情事件提供了相應(yīng)的應(yīng)對(duì)策略。

隨著近年突發(fā)事件的頻發(fā)，特別是諸如“新冠肺炎疫情”重大公共突發(fā)事件引發(fā)的網(wǎng)絡(luò)輿情呈現(xiàn)更強(qiáng)的復(fù)雜性和不確定性，雖然利用機(jī)器學(xué)習(xí)提高了輿情特征提取和熱點(diǎn)發(fā)現(xiàn)計(jì)算能力，但如何將機(jī)器學(xué)習(xí)和輿情專業(yè)知識(shí)背景下的輿情推理能力結(jié)合起來(lái)成為當(dāng)前輿情態(tài)勢(shì)評(píng)估新的研究路徑。在人工智能領(lǐng)域中，貝葉斯網(wǎng)絡(luò)在不確定性表達(dá)以及因果推理方面有較大的優(yōu)勢(shì)，已有學(xué)者利用貝葉斯網(wǎng)絡(luò)模型對(duì)網(wǎng)絡(luò)輿情的危機(jī)節(jié)點(diǎn)診斷[10]、危機(jī)態(tài)勢(shì)預(yù)測(cè)[11-12]等方面進(jìn)行了研究，并取得了一定的研究成果。本文試圖通過(guò)引入貝葉斯網(wǎng)絡(luò)模型將輿情領(lǐng)域的專家知識(shí)和輿情客觀數(shù)據(jù)結(jié)合起來(lái)，構(gòu)建網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估指標(biāo)，對(duì)網(wǎng)絡(luò)輿情態(tài)勢(shì)進(jìn)行判定，為政府有效進(jìn)行輿情數(shù)據(jù)治理提供新的智力支持。

1 網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估指標(biāo)的構(gòu)建

網(wǎng)絡(luò)輿情態(tài)勢(shì)發(fā)展是一個(gè)較為復(fù)雜的過(guò)程，它受到許多因素的影響，構(gòu)建網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估指標(biāo)體系是其中關(guān)鍵的環(huán)節(jié)。陳震[11]在準(zhǔn)則層從話題的內(nèi)容、發(fā)布者、傳播媒體和網(wǎng)民四個(gè)方面對(duì)網(wǎng)絡(luò)輿情態(tài)勢(shì)進(jìn)行判定。楊靜[13]將網(wǎng)絡(luò)輿情危機(jī)等級(jí)預(yù)測(cè)指標(biāo)體系分為目標(biāo)層、準(zhǔn)則層和指標(biāo)層，指標(biāo)層又分為一級(jí)指標(biāo)和二級(jí)指標(biāo)，通過(guò)指標(biāo)層量化準(zhǔn)則層的客體屬性、媒體效力和主體結(jié)構(gòu)。曾潤(rùn)喜[14]則將網(wǎng)絡(luò)輿情突發(fā)事件的預(yù)警指標(biāo)分為了三類，分別為警源、警兆、警情，其中這三個(gè)指標(biāo)下還包括30個(gè)二級(jí)指標(biāo)。董堅(jiān)峰[15]等人針對(duì)旅游突發(fā)事件的網(wǎng)絡(luò)輿情構(gòu)建了以輿情主體、輿情客體和輿情本體為一級(jí)指標(biāo)的指標(biāo)體系，其中包含9個(gè)二級(jí)指標(biāo)、34個(gè)三級(jí)指標(biāo)，對(duì)旅游網(wǎng)絡(luò)輿情進(jìn)行了更為全面綜合的評(píng)價(jià)?？偟膩?lái)說(shuō)，在目前網(wǎng)絡(luò)輿情的研究中，學(xué)術(shù)界還未能出現(xiàn)統(tǒng)一的確定性指標(biāo)體系，由于網(wǎng)絡(luò)輿情是網(wǎng)絡(luò)事件、網(wǎng)民、媒體等多個(gè)主體動(dòng)態(tài)交互的復(fù)雜演化過(guò)程，因此在指標(biāo)選取中，本文充分考慮了輿情態(tài)勢(shì)評(píng)估的特定屬性和輿情數(shù)據(jù)的可獲取性，將網(wǎng)絡(luò)輿情的評(píng)價(jià)指標(biāo)體系構(gòu)建為目標(biāo)變量、一級(jí)指標(biāo)和二級(jí)指標(biāo)。

表1 網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估指標(biāo)體系結(jié)構(gòu)

a.目標(biāo)變量：即網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)。國(guó)家通過(guò)考慮突發(fā)事件所造成的損失情況、影響力大小等因素對(duì)事件劃分了級(jí)別，分別為特別重大、重大、較大、一般4個(gè)級(jí)別，并將其標(biāo)注為特別重大(R)、重大(O)、較大(Y)、一般(B)。

b.一級(jí)指標(biāo)：即對(duì)網(wǎng)絡(luò)輿情態(tài)勢(shì)的細(xì)分，包括輿情事件特征、輿情關(guān)注度、輿情傳播擴(kuò)散度及網(wǎng)民觀點(diǎn)傾向四個(gè)層面。

c.二級(jí)指標(biāo)：是對(duì)一級(jí)指標(biāo)的細(xì)分，一共有10個(gè)指標(biāo)，并通過(guò)抓取的數(shù)據(jù)進(jìn)行量化。同時(shí)，該指標(biāo)也是貝葉斯網(wǎng)絡(luò)模型中的證據(jù)變量。

一級(jí)指標(biāo)中的輿情事件特征表示該輿情事件所具有的屬性及特點(diǎn)，其中包括該事件類別屬性、事件敏感度及事件公共危害度3個(gè)指標(biāo)。事件類別屬性指標(biāo)是將事件分為自然災(zāi)害類、公共安全類以及系列事件類，根據(jù)專家評(píng)價(jià)對(duì)輿情事件進(jìn)行分類標(biāo)注。事件敏感度則表示事件包含某些敏感因素，該事件會(huì)產(chǎn)生較大影響力，該指標(biāo)分為高、中、低三個(gè)等級(jí)。事件公共危害度表示該輿情事件的影響面和網(wǎng)民安全利益的相關(guān)程度。當(dāng)事件公共危害的程度越高，那么它對(duì)社會(huì)的影響力也就越大，該指標(biāo)分為高、中、低三個(gè)等級(jí)。

輿情關(guān)注度表示在輿情事件發(fā)生后，社會(huì)各界對(duì)其的關(guān)注程度，對(duì)輿情事件受關(guān)注度的考量主要從網(wǎng)民關(guān)注度和媒體關(guān)注度兩個(gè)指標(biāo)進(jìn)行分析。網(wǎng)絡(luò)輿情的主體網(wǎng)民會(huì)在網(wǎng)絡(luò)空間上發(fā)布表達(dá)其情緒、意見(jiàn)、態(tài)度的言論。通過(guò)輿情事件微博話題的閱讀量和討論量加權(quán)平均可以表示網(wǎng)民關(guān)注度，并將其標(biāo)注為高、中、低三個(gè)等級(jí)。媒體關(guān)注度主要指在微博平臺(tái)上的官方媒體與自媒體對(duì)輿情事件的關(guān)注程度。對(duì)該指標(biāo)的量化主要是統(tǒng)計(jì)官方媒體和自媒體對(duì)輿情事件所發(fā)布微博數(shù)的總量。

輿情傳播擴(kuò)散度表示該輿情自產(chǎn)生以來(lái)在網(wǎng)絡(luò)空間傳播的程度。該指標(biāo)的考量主要關(guān)注時(shí)間跨度與單位時(shí)間轉(zhuǎn)發(fā)率兩個(gè)因素。時(shí)間跨度表示該輿情事件從產(chǎn)生到結(jié)束的時(shí)間長(zhǎng)度，時(shí)間跨度越大，說(shuō)明該事件擴(kuò)散的就越廣。因此定義1天以內(nèi)的輿情事件為短期輿情事件，并標(biāo)識(shí)為低級(jí)；在1～3天之間的事件標(biāo)記為中期輿情事件，標(biāo)度為中級(jí)；3天以上標(biāo)記為長(zhǎng)期輿情事件，標(biāo)記為高級(jí)。單位時(shí)間轉(zhuǎn)發(fā)率則是指統(tǒng)計(jì)關(guān)于該輿情事件的新聞信息，并計(jì)算在單位時(shí)間段內(nèi)該事件信息平均被轉(zhuǎn)發(fā)的速率，將其標(biāo)識(shí)為高、中、低等級(jí)。

網(wǎng)民觀點(diǎn)傾向表示用戶群體對(duì)該輿情事件的自我主觀態(tài)度。通過(guò)微博評(píng)論數(shù)、情感極化程度來(lái)測(cè)度，微博評(píng)論數(shù)指標(biāo)來(lái)源于數(shù)據(jù)統(tǒng)計(jì)，它反映了網(wǎng)民意見(jiàn)的規(guī)模，因此將其標(biāo)注為高、中、低等級(jí)。網(wǎng)民的情感傾向是利用SNOWNLP對(duì)網(wǎng)民針對(duì)輿情事件在社交平臺(tái)上發(fā)布帶有自我主觀情感傾向的文本進(jìn)行量化，通過(guò)建立相應(yīng)的情感詞典來(lái)提高量化的準(zhǔn)確度。網(wǎng)民的情感傾向可以分為正面情感傾向(P)和負(fù)面情感傾向(N)；情感極化程度又可以分為正面情感極化和負(fù)面情感極化，其中負(fù)面情感極化是指大量網(wǎng)民的意見(jiàn)出現(xiàn)了負(fù)面一致性，該性質(zhì)較大程度上影響了網(wǎng)絡(luò)輿情事件的態(tài)勢(shì)等級(jí)。由于SNOWNLP劃分的情感值在(0，1)區(qū)間內(nèi)，因此，本文將情感值小于0.3或大于0.7的評(píng)論標(biāo)記為極端情感文本，統(tǒng)計(jì)該類評(píng)論文本數(shù)量在總評(píng)論數(shù)的占比，若超過(guò)0.5則標(biāo)注為T，即該事件存在情感極化現(xiàn)象，反之標(biāo)注為F。

2 基于貝葉斯網(wǎng)絡(luò)的輿情態(tài)勢(shì)評(píng)估模型構(gòu)建

在以貝葉斯網(wǎng)絡(luò)為基礎(chǔ)模型的研究中，首先需要確定各網(wǎng)絡(luò)節(jié)點(diǎn)間的關(guān)系，然后將存在依賴關(guān)系的各個(gè)節(jié)點(diǎn)相連接，得到一個(gè)有向無(wú)環(huán)圖。本文通過(guò)不同因素之間的關(guān)系及專業(yè)知識(shí)來(lái)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，然后利用參數(shù)學(xué)習(xí)將客觀數(shù)據(jù)和網(wǎng)絡(luò)結(jié)構(gòu)相結(jié)合，構(gòu)建具有網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估功能的貝葉斯網(wǎng)絡(luò)模型，并將各節(jié)點(diǎn)間的關(guān)系直觀地展現(xiàn)出來(lái)，便于對(duì)變量之間的邏輯因果關(guān)系進(jìn)行推理以及對(duì)網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)的判定。

2.1貝葉斯網(wǎng)絡(luò)理論貝葉斯網(wǎng)絡(luò)是一種利用有向無(wú)環(huán)圖描述變量間概率關(guān)系的理論，它通常被應(yīng)用于受多種因素影響的概率性問(wèn)題，并利用概率處理各變量間因條件相關(guān)性而產(chǎn)生的不確定性，從而從不確定性知識(shí)和信息中做出相應(yīng)的推理。貝葉斯網(wǎng)絡(luò)是由有向圖和條件概率表組成，有向圖表示模型的結(jié)構(gòu)屬性，其中的節(jié)點(diǎn)對(duì)應(yīng)于模型中的變量，有向邊表示變量間的條件依賴關(guān)系；條件概率表則表示為模型中每個(gè)節(jié)點(diǎn)的條件概率。具體表示為：B=，其中，G=(V，E)表示有向無(wú)環(huán)圖模型，V={x1,x2,x3,…xn}是隨機(jī)變量的集合，即G中的節(jié)點(diǎn)集合，E則表示節(jié)點(diǎn)間的相互依賴關(guān)系，在輿情網(wǎng)絡(luò)中就表示各個(gè)指標(biāo)間的因果關(guān)系；P表示模型中的條件概率表(CPT)，量化了各節(jié)點(diǎn)間的依賴程度。因此，根據(jù)概率的鏈?zhǔn)揭?guī)則，貝葉斯網(wǎng)絡(luò)的聯(lián)合概率分布表示為：

(1)

由馬爾可夫理論可知，在給定其父節(jié)點(diǎn)集的條件下，任意節(jié)點(diǎn)都獨(dú)立于其所有非后繼節(jié)點(diǎn)，即：

P(Xi|X1,X2,…,Xi-1)=P(Xi|π(Xi))

(2)

根據(jù)公式1和2，便可得到如下公式：

(3)

其中，π(Xi)表示節(jié)點(diǎn)Xi的父節(jié)點(diǎn)集。

貝葉斯網(wǎng)絡(luò)由于各個(gè)隨機(jī)變量的條件獨(dú)立性，簡(jiǎn)化了聯(lián)合概率的計(jì)算過(guò)程，這也使得在處理相關(guān)問(wèn)題時(shí)，降低了計(jì)算復(fù)雜度。另外，該模型以嚴(yán)格概率推導(dǎo)的條件概率表將隨機(jī)變量之間抽象的因果關(guān)系用數(shù)學(xué)形式表達(dá)出來(lái)，便于對(duì)最后的目標(biāo)節(jié)點(diǎn)進(jìn)行判定。

參數(shù)學(xué)習(xí)也是貝葉斯網(wǎng)絡(luò)學(xué)習(xí)中的一個(gè)重要內(nèi)容，當(dāng)網(wǎng)絡(luò)的節(jié)點(diǎn)少、結(jié)構(gòu)較為簡(jiǎn)單時(shí)，可以結(jié)合專家意見(jiàn)及實(shí)例數(shù)據(jù)得到網(wǎng)絡(luò)結(jié)構(gòu)的條件概率表。但當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜時(shí)，該方法不再適用。目前常采用的EM算法是一種具有較好魯棒性的數(shù)值計(jì)算法，該算法可以對(duì)各節(jié)點(diǎn)的條件概率進(jìn)行計(jì)算推理。在網(wǎng)絡(luò)輿情的樣本數(shù)據(jù)中，已知Z為觀測(cè)數(shù)據(jù)，Y為未知數(shù)據(jù)集，全部訓(xùn)練數(shù)據(jù)集為T，Qi表示數(shù)據(jù)集Y的概率分布。EM算法是由E步(Expection-step)和M步(Maximization-step)交替完成。

(4)

貝葉斯網(wǎng)絡(luò)模型結(jié)合了網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)，當(dāng)構(gòu)建好網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練得到各節(jié)點(diǎn)的條件概率時(shí)，便可以通過(guò)輸入證據(jù)變量的狀態(tài)對(duì)目標(biāo)變量的狀態(tài)進(jìn)行評(píng)判。另外，該模型可以根據(jù)不同的應(yīng)用背景融合相關(guān)領(lǐng)域的專業(yè)知識(shí)，提高模型的適用范圍。

圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

2.2貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建貝葉斯網(wǎng)絡(luò)模型的建立主要由貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的建立和各個(gè)節(jié)點(diǎn)條件概率的計(jì)算這兩個(gè)部分組成，其中結(jié)構(gòu)學(xué)習(xí)是重點(diǎn)也是難點(diǎn)，網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建是否合理對(duì)最后模型的結(jié)果有重要影響。目前，貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的算法主要是基于條件獨(dú)立性測(cè)試的算法、基于評(píng)分搜索的算法以及混合學(xué)習(xí)算法。這些算法雖然可以從數(shù)據(jù)中學(xué)習(xí)得到

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，但是需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練才能得到較優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。本文在構(gòu)建網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估模型的結(jié)構(gòu)時(shí)，利用變量之間的因果關(guān)系和輿情專業(yè)知識(shí)來(lái)建立網(wǎng)絡(luò)結(jié)構(gòu)。其中，貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)中的節(jié)點(diǎn)為網(wǎng)絡(luò)輿情指標(biāo)體系中的各個(gè)指標(biāo)。

在貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建過(guò)程中，網(wǎng)絡(luò)節(jié)點(diǎn)確定后，便需要確定節(jié)點(diǎn)與節(jié)點(diǎn)間的弧和弧的方向。節(jié)點(diǎn)間的關(guān)系如圖1所示，一級(jí)指標(biāo)中的四個(gè)節(jié)點(diǎn)與網(wǎng)絡(luò)輿情態(tài)勢(shì)存在因果關(guān)系，這四個(gè)節(jié)點(diǎn)直接決定了網(wǎng)絡(luò)輿情態(tài)勢(shì)的發(fā)展趨勢(shì)；在一級(jí)指標(biāo)中，輿情關(guān)注度又與輿情傳播擴(kuò)散度存在因果關(guān)系；指標(biāo)層中的節(jié)點(diǎn)分別與一級(jí)指標(biāo)中的節(jié)點(diǎn)存在因果關(guān)系，事件類別屬性、事件敏感度及事件公共危害度是輿情事件特征的決定因素，網(wǎng)民關(guān)注度、媒體關(guān)注度是輿情關(guān)注度的決定因素，時(shí)間跨度、單位時(shí)間轉(zhuǎn)發(fā)率是輿情傳播擴(kuò)散度的決定因素，微博評(píng)論數(shù)、網(wǎng)民情感傾向以及情感極化程度是網(wǎng)民觀點(diǎn)傾向的決定因素，同時(shí)事件公共危害度對(duì)情感極化程度也有影響。

3 實(shí)證分析

3.1數(shù)據(jù)描述本文通過(guò)網(wǎng)絡(luò)爬蟲(chóng)抓取了2020年2月1日至2020年4月26日這期間的100件輿情事件數(shù)據(jù)作為網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估模型的訓(xùn)練與測(cè)試，并利用數(shù)據(jù)計(jì)算貝葉斯網(wǎng)絡(luò)的條件概率，得到最終的網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)估模型。為了簡(jiǎn)化貝葉斯網(wǎng)絡(luò)的概率推理，所有節(jié)點(diǎn)所對(duì)應(yīng)的數(shù)據(jù)都是離散的，若采集的數(shù)據(jù)為連續(xù)型數(shù)據(jù)，還需對(duì)其進(jìn)行離散化處理。在網(wǎng)絡(luò)結(jié)構(gòu)中共有14個(gè)節(jié)點(diǎn)，其中網(wǎng)絡(luò)輿情態(tài)勢(shì)、網(wǎng)絡(luò)事件特征、輿情關(guān)注度、輿情傳播擴(kuò)散度、網(wǎng)民觀點(diǎn)傾向根據(jù)專家打分及評(píng)議離散化為特別重大(R)、重大(O)、較大(Y)、一般(B)。事件敏感度、事件公共危害度、網(wǎng)民關(guān)注度、媒體關(guān)注度、時(shí)間跨度、單位時(shí)間轉(zhuǎn)發(fā)率、微博評(píng)論數(shù)指標(biāo)離散化為H(高)、M(中)、L(低)，事件類別屬性則根據(jù)劃分的類別定義為X(系列事件)、Z(自然災(zāi)害)、G(公共安全)，網(wǎng)民評(píng)論情感值則通過(guò)算法劃分為P(積極)、N(消極)，情感極化程度通過(guò)算法劃分為T、F。由于上述指標(biāo)都為連續(xù)型數(shù)據(jù)，本文對(duì)其先進(jìn)行Z-score標(biāo)準(zhǔn)化處理，然后根據(jù)標(biāo)準(zhǔn)化后的數(shù)據(jù)劃分相應(yīng)的區(qū)間，通過(guò)區(qū)間來(lái)劃分不同等級(jí)。具體離散化標(biāo)準(zhǔn)如表2所示，離散化后的部分樣本數(shù)據(jù)如表3所示。

表2 數(shù)據(jù)量化標(biāo)準(zhǔn)

表3 樣本數(shù)據(jù)的離散化

3.2模型測(cè)試本文采用Netica軟件進(jìn)行貝葉斯網(wǎng)絡(luò)仿真，利用EM算法進(jìn)行參數(shù)學(xué)習(xí)，為了解決小規(guī)模數(shù)據(jù)集的訓(xùn)練不充分、模型出現(xiàn)過(guò)擬合的問(wèn)題，本文采用10折交叉驗(yàn)證法來(lái)對(duì)模型進(jìn)行訓(xùn)練與測(cè)試。首先設(shè)定訓(xùn)練集中樣本量為90%，測(cè)試集的樣本量為10%，如第一組測(cè)試集為事件1到事件10，其他事件則為訓(xùn)練集，以此類推，樣本數(shù)據(jù)集訓(xùn)練后的貝葉斯網(wǎng)絡(luò)如圖2。

圖2 訓(xùn)練后的貝葉斯網(wǎng)絡(luò)圖

根據(jù)訓(xùn)練后的貝葉斯網(wǎng)絡(luò)模型，將測(cè)試集中每一個(gè)事件的樣本數(shù)據(jù)I1，I2，…，I10作為證據(jù)變量輸入到訓(xùn)練好的模型中，然后判定該事件的網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)(C)。由于篇幅有限，本文只展示部分測(cè)試集的測(cè)試結(jié)果，如表4所示。

表4 網(wǎng)絡(luò)輿情事件評(píng)估結(jié)果和實(shí)際結(jié)果對(duì)比

以往的研究中，往往是根據(jù)貝葉斯網(wǎng)絡(luò)模型推理得到的目標(biāo)變量概率最大隸屬于哪一類來(lái)決定網(wǎng)絡(luò)輿情態(tài)勢(shì)的評(píng)估等級(jí)，該方法可以適用于各個(gè)等級(jí)的概率之間具有較大差距的情況，但是當(dāng)?shù)燃?jí)概率之間的差距較小甚至相等時(shí)，該方式可能會(huì)導(dǎo)致最后的判定結(jié)果出現(xiàn)偏差。因此，為了避免結(jié)果出現(xiàn)較大的誤差，本文將樣本根據(jù)實(shí)際網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)劃分為R、O、Y和B四類，并利用訓(xùn)練后的模型得到每一種等級(jí)的概率最小值，最后以此值作為進(jìn)一步評(píng)價(jià)網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)的判定條件，其中R、O、Y和B等級(jí)的最小概率值分別為38.43%、31.2%、30.2%、32.5%。

由表4可以發(fā)現(xiàn)，除了事件42和事件95的測(cè)試結(jié)果與實(shí)際不相符外，其余事件的態(tài)勢(shì)評(píng)估等級(jí)與實(shí)際等級(jí)一致。在對(duì)測(cè)試集進(jìn)行推理的過(guò)程中，以最小值作為判定條件得到的態(tài)勢(shì)等級(jí)基本準(zhǔn)確，但還是會(huì)存在極端情況導(dǎo)致網(wǎng)絡(luò)輿情事件的等級(jí)出現(xiàn)誤差，例如事件31，由表4可以發(fā)現(xiàn)，該事件的等級(jí)R與等級(jí)O的概率分別為39.7%和39.5%，兩種等級(jí)之間的概率十分接近，并且二者都大于該等級(jí)的最小值，因此，為了減少誤差，當(dāng)出現(xiàn)這種情況時(shí)，本文用下四分位數(shù)來(lái)進(jìn)一步判定網(wǎng)絡(luò)輿情態(tài)勢(shì)的等級(jí)。由于等級(jí)R與等級(jí)O的下四分位數(shù)為44.25%和38.5%，而事件31的等級(jí)R概率小于其下四分位數(shù)，所以最后該事件的態(tài)勢(shì)等級(jí)為O，與真實(shí)的網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)一致。

通過(guò)10次的交叉驗(yàn)證，其中有2次判定結(jié)果與實(shí)際值不符，分別是事件42和事件95。因此本文構(gòu)造的貝葉斯網(wǎng)絡(luò)評(píng)估模型在判定網(wǎng)絡(luò)輿情事件態(tài)勢(shì)等級(jí)的準(zhǔn)確率達(dá)到了98%。由此證明了本模型在網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)評(píng)價(jià)應(yīng)用中的有效性，說(shuō)明本文通過(guò)網(wǎng)絡(luò)輿情評(píng)價(jià)指標(biāo)體系構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)以及各節(jié)點(diǎn)間的因果關(guān)系是合理的。由于貝葉斯網(wǎng)絡(luò)模型中各節(jié)點(diǎn)的依賴關(guān)系及條件概率是清晰直觀的，因此當(dāng)輿情事件發(fā)生時(shí)，通過(guò)對(duì)指標(biāo)數(shù)據(jù)的收集，不僅可以對(duì)網(wǎng)絡(luò)輿情事件的發(fā)展態(tài)勢(shì)進(jìn)行評(píng)估，還能將指標(biāo)間的因果關(guān)系及條件概率表結(jié)合起來(lái)，對(duì)不同態(tài)勢(shì)等級(jí)的輿情事件提供相應(yīng)的決策支持。

3.3“新冠肺炎疫情”事件分析“新冠肺炎疫情”事件是自2019年底突然爆發(fā)以來(lái)一直持續(xù)至今的一個(gè)重大公共衛(wèi)生安全事件。該事件自發(fā)生初期就受到人們關(guān)注，同時(shí)以該事件為背景，又衍生出一系列相關(guān)事件，同樣都受到了廣泛的關(guān)注。本文選取“新型冠狀病毒”“COVID-19”等為關(guān)鍵詞，通過(guò)爬蟲(chóng)軟件從微博上抓取了相應(yīng)的數(shù)據(jù)信息作為案例分析數(shù)據(jù)，其中網(wǎng)民評(píng)論41 500條。

“新冠肺炎疫情” 事件是一個(gè)突發(fā)的公共衛(wèi)生安全事件，本文通過(guò)利用網(wǎng)絡(luò)抓取以及專家評(píng)價(jià)獲得指標(biāo)I1，I2，…，I10的樣本數(shù)據(jù)，然后對(duì)該樣本數(shù)據(jù)進(jìn)行清洗及離散化，并將其作為證據(jù)變量帶入到圖2中的貝葉斯網(wǎng)絡(luò)模型中，最后得到如圖3所示的“新冠肺炎疫情”事件的貝葉斯網(wǎng)絡(luò)模型。由圖3的貝葉斯網(wǎng)絡(luò)模型可以發(fā)現(xiàn)，當(dāng)把證據(jù)變量的狀態(tài)等級(jí)帶入到模型后，得到的目標(biāo)變量等級(jí)概率為79.3%、3.6%、5.84%和11.3%，由此可以判定“新冠肺炎疫情”事件的網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)是一件特別重大事件。通過(guò)該事件的現(xiàn)實(shí)輿論影響力驗(yàn)證了“新冠肺炎疫情”事件是一個(gè)特別重大事件，也證明該模型具有較高的適用性。

圖3 新冠肺炎疫情事件的貝葉斯網(wǎng)絡(luò)

由于該事件是一個(gè)高敏感度、高公共危害度的事件，因此對(duì)其的輿情引導(dǎo)與治理具有較大的挑戰(zhàn)，如果在輿情應(yīng)對(duì)過(guò)程中處理不當(dāng)便會(huì)造成網(wǎng)絡(luò)輿情危機(jī)。在該模型中，當(dāng)網(wǎng)民關(guān)注度與媒體關(guān)注度都處于高水平狀態(tài)情況下，輿情關(guān)注度有72.7%的概率為“特別重大”等級(jí)，意味著在如此高關(guān)注度的背景下，政府的觀點(diǎn)以及對(duì)輿情治理的措施都會(huì)影響該輿情事件的發(fā)展走向。在收集的數(shù)據(jù)中，與“新冠肺炎疫情”相關(guān)話題的微博數(shù)量、評(píng)論數(shù)量、討論次數(shù)、轉(zhuǎn)發(fā)數(shù)量都較高，單位時(shí)間內(nèi)的轉(zhuǎn)發(fā)率也很高，反映了網(wǎng)絡(luò)輿情傳播速度之快、傳播范圍之廣。在模型中輿情傳播擴(kuò)散度有97.5%的概率為“特別重大”，而高等級(jí)的傳播擴(kuò)散度也會(huì)加速信息的蔓延，對(duì)輿情治理增加一定的難度。隨著政府快速做出防疫決策及治理方案，同時(shí)全國(guó)各地醫(yī)院援助武漢，一系列的正面事件使得網(wǎng)民的負(fù)面情緒得到逐步平復(fù)，阻止了負(fù)面極端情緒的擴(kuò)散。網(wǎng)民觀點(diǎn)傾向有81.2%的概率為“特別重大”等級(jí)，表示還需要對(duì)用戶群體進(jìn)行一定的心理與行為上有效引導(dǎo)，避免轉(zhuǎn)變高危態(tài)勢(shì)。當(dāng)媒體關(guān)注度為高等級(jí)時(shí)，輿情關(guān)注度發(fā)展為“特別重大”等級(jí)的概率由46.8%上升至67.8%，當(dāng)網(wǎng)民關(guān)注度為高等級(jí)時(shí)，則上升為52.1%。因此主流媒體要強(qiáng)化正面報(bào)道，及時(shí)緩解人們的負(fù)面情緒積累，并在出現(xiàn)負(fù)面事件初期主動(dòng)發(fā)聲，在第一時(shí)間進(jìn)行報(bào)道，充分發(fā)揮輿論監(jiān)督的作用，給公眾提供可信度高的信息，將謠言扼殺于搖籃之中，最大程度上避免網(wǎng)絡(luò)輿情危機(jī)。

在全面媒體時(shí)代下，提高對(duì)輿情事件的應(yīng)對(duì)能力是治理能力現(xiàn)代化的重要內(nèi)容。因此在輿情治理過(guò)程中，一方面要防范網(wǎng)民出現(xiàn)極端負(fù)面情緒，另一方面要防止負(fù)面情緒的規(guī)模化。極端負(fù)面情緒會(huì)增加人們有意或無(wú)意傳謠的概率，甚至?xí)⒇?fù)面情緒轉(zhuǎn)化為線下行為，而規(guī)模化的負(fù)面情緒積累會(huì)影響輿情社會(huì)影響面，增加輿情有效引導(dǎo)的難度。因此，在輿情治理過(guò)程中，需加強(qiáng)主流媒體對(duì)輿論的及時(shí)正面引導(dǎo)，重點(diǎn)關(guān)注對(duì)主體情感傾向的干預(yù)，及時(shí)解決群眾的擔(dān)憂與疑問(wèn)，充分利用視頻、現(xiàn)場(chǎng)直播等方式傳遞真實(shí)有效的信息，有效平復(fù)民眾的負(fù)面情緒，防止負(fù)面情緒記憶積累，進(jìn)而降低網(wǎng)絡(luò)輿情危機(jī)發(fā)生的概率。

4 結(jié) 語(yǔ)

本文通過(guò)構(gòu)建貝葉斯網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)輿情態(tài)勢(shì)等級(jí)進(jìn)行分析，首先構(gòu)建網(wǎng)絡(luò)輿情態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系，并確定各指標(biāo)值之間的依賴關(guān)系，然后結(jié)合專家知識(shí)和已知數(shù)據(jù)構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，利用EM算法計(jì)算網(wǎng)絡(luò)結(jié)構(gòu)中各節(jié)點(diǎn)的條件概率，最后通過(guò)測(cè)試集驗(yàn)證了該模型的有效性?！靶鹿诜窝滓咔椤笔峭话l(fā)公共衛(wèi)生事件，本文通過(guò)收集的實(shí)例數(shù)據(jù)利用貝葉斯網(wǎng)絡(luò)模型對(duì)該事件的輿情態(tài)勢(shì)進(jìn)行了評(píng)估分析，結(jié)合變量的依賴關(guān)系和條件概率提出了一定的輿情治理建議。本文還存在一定的不足，在未來(lái)進(jìn)一步的研究中，一是要增加樣本量，利用算法對(duì)網(wǎng)絡(luò)輿情結(jié)構(gòu)進(jìn)行學(xué)習(xí)，更客觀地探尋各節(jié)點(diǎn)間的依賴關(guān)系；二是加入時(shí)間片，通過(guò)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)來(lái)預(yù)測(cè)網(wǎng)絡(luò)輿情事件的發(fā)展態(tài)勢(shì)。