高慧

摘要：由于網(wǎng)絡輿情多維動態(tài)實際分類中，分類結(jié)果與實際情況存在一定誤差，比值比（odds ratio，OR值）較小，為此提出基于大數(shù)據(jù)的網(wǎng)絡輿情多維動態(tài)分類研究。通過對網(wǎng)絡輿情概念、網(wǎng)絡輿情特點等進行分析，構建網(wǎng)絡輿情多維動態(tài)分類指標體系、基于大數(shù)據(jù)的事件類型多維度指標聚類分析、網(wǎng)絡輿情數(shù)據(jù)分類判別，提出一種全新的分類方法。通過對比實驗證明，該分類方法OR值明顯增加，說明網(wǎng)絡輿情多維動態(tài)分類結(jié)果與實際情況更接近，分類更加精確。

關鍵詞：大數(shù)據(jù);網(wǎng)絡輿情;多維;動態(tài)分類

中圖分類號：D523? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）14-0015-03

當前網(wǎng)絡技術的快速發(fā)展，使得網(wǎng)絡環(huán)境逐漸開放，隨著網(wǎng)民數(shù)量的快速增加，產(chǎn)生了一系列由于網(wǎng)民廣泛參與和傳播造成的重大社會影響事件發(fā)生[1]。一旦突發(fā)事件上傳到網(wǎng)絡當中，極易引發(fā)網(wǎng)民的輿論熱潮。網(wǎng)絡媒體是自報紙、廣播、電視之后出現(xiàn)的第四媒體。網(wǎng)絡已經(jīng)成為反映人類社會輿情的主要載體[2]。只有在充分把握好事件發(fā)生時的本體特性和引發(fā)輿論特征之間的關系，才能夠在輿論發(fā)生及其后續(xù)產(chǎn)生的輿情波動方向進行更精準的分析。因此，對于網(wǎng)絡輿情的準確識別和分類，可以有助于為網(wǎng)絡恐怖主義的預防和控制提供實踐指導?；诖?，本文結(jié)合大數(shù)據(jù)技術，開展對網(wǎng)絡輿情多維動態(tài)分類研究。

1 網(wǎng)絡輿情分析

1.1 網(wǎng)絡輿情概念

網(wǎng)絡輿情可以看作是，在各類事件發(fā)生后，通過互聯(lián)網(wǎng)形式的傳播，使得群眾對此次事件的所有認知、態(tài)度等言論的集合[3]。在網(wǎng)絡輿情爆發(fā)的初級階段，由于發(fā)布言論者的身份在網(wǎng)絡中是隱蔽的，因此網(wǎng)絡平臺在發(fā)帖的過程中缺乏對內(nèi)容的合理監(jiān)督，網(wǎng)絡平臺成為網(wǎng)民發(fā)泄情緒、溝通交流的空間環(huán)境[4]。在現(xiàn)實生活當中，人們可以通過網(wǎng)絡與他人進行溝通和交流，因此在網(wǎng)絡環(huán)境中，極易出現(xiàn)各類不同的言論內(nèi)容。這些信息會在網(wǎng)民集聚的互聯(lián)網(wǎng)絡中得到迅速地傳播，從而使新的網(wǎng)民在群體效應下，加入傳播輿情的隊伍當中，從而使輿情的影響范圍進一步擴大，不僅在極大程度上影響著社會平穩(wěn)發(fā)展的秩序，同時還會增加網(wǎng)絡管理部門對網(wǎng)絡輿情處理難度。

1.2 網(wǎng)絡輿情特點

結(jié)合可視化分析軟件，將網(wǎng)絡中進行傳播的關鍵詞匯，屏蔽詞頻為10以下的內(nèi)容，得到如圖1所示的網(wǎng)絡輿論關鍵詞可視化圖譜示意圖。

當前網(wǎng)絡輿情的特點可從圖1中六個角度分析。圖中A區(qū)域主要從信息學的角度對網(wǎng)絡輿情當前發(fā)展過程中的潛伏期、擴散期和消退期進行分析;圖中B區(qū)域從新聞傳播學角度，對網(wǎng)絡輿情的特征度進行打分并分析;C區(qū)域是從心理學角度出發(fā);D區(qū)域是從政治學角度分析;E區(qū)域是從社會學角度出發(fā);F區(qū)域是從計算機角度出發(fā)。通過六種不同角度，得出網(wǎng)絡輿論具備多元性、自由性、交互性、偏差性和突發(fā)性等特點[5-6]。

2 基于大數(shù)據(jù)的網(wǎng)絡輿情多維動態(tài)分類方法

2.1 構建網(wǎng)絡輿情多維動態(tài)分類指標體系

本文根據(jù)網(wǎng)絡輿情的自身特點以及具體變化規(guī)律，遵循公正性的原則，從事件發(fā)生類型和輿情特征兩個維度上，確定網(wǎng)絡輿情多維動態(tài)分類指標[7]。結(jié)合k-means聚類分析軟件，將事件發(fā)生類型分為以下三種：常態(tài)特征指標中包含的不同主體其行為準則與社會容忍度均不相同;事件客體是具有一定知名度或一定社會地位的人群，在社會當中具備更高的關注度;異常特征是在常態(tài)特征的基礎上，與同類型事件相比具備的特征點;網(wǎng)絡信息特征主要用于描述網(wǎng)絡輿情在爆發(fā)時所處的環(huán)境特征。

將輿情特征分為以下兩種：信息敘述形式特征主要用于描述網(wǎng)絡輿情的質(zhì)量指標;信息傳播方式特征主要用于衡量網(wǎng)絡輿情在傳播過程中的具體規(guī)模和爆發(fā)速度。

2.2 基于大數(shù)據(jù)的事件類型多維度指標聚類分析

將上述各項指標量化作為觀測值，并進行聚類分析得到聚類統(tǒng)計量。假設當前共有x個網(wǎng)絡輿情案例，結(jié)合大數(shù)據(jù)技術，采用SPSS2.0版進行聚類計算。首先，將所有涉及的x個網(wǎng)絡輿情案例分析出其對應的特征值[8]。其次，每項特征值分別進行量化，利用k-means對所有網(wǎng)絡輿情案例進程列表進行合并，最終以譜系圖形式輸出。將各個指標按照不同的特征值進行分類，對事件類型多維度指標聚類可利用如下公式表達：

[δ（l）=p（l）p（m+χn）/p（a）]? ? ? ? ? ? ? ? ? （1）

公式（1）中，[δ（l）]為多維度指標相度，l的取值范圍為l=1，2，3，...，x ;[p（a）]為多維度指標的聚類系數(shù);[p（l）]為網(wǎng)絡輿情中待分類的多維度指標個數(shù);[p（m+χn）]為相關指標個數(shù)。解讀輸出結(jié)果，合并相關性大的屬性，根據(jù)特征值確定譜系圖的分類距離，得到最終的分類方案[9]。

2.3 網(wǎng)絡輿情數(shù)據(jù)分類判別

在完成對事件類型多維度指標聚類分析后，還需要將所有網(wǎng)絡輿情案例的事件類型特征進行量化處理，并以每個案例具備的不同屬性作為觀測數(shù)值判別分析的統(tǒng)計量。具體操作步驟為：首先，對特征值進行量化處理，并將量化結(jié)果存儲在案例庫當中。其次，將案例庫當中的案例按照上述聚類方式進行分類，對分類結(jié)果依次按照A、B、C、D等命名，將實施案例的組別設置為“3”，即3組為空白變量組，采用分析—計算—判別的方式，將其他分組變量的組別分別送入相應位置，并點擊定義范圍，填入從1到最大的分組數(shù)[10]。再次，將變量全部放入到獨立分組框當中，將實施案例的特征值選入選擇變量，并單擊分類。利用網(wǎng)絡輿情案例及數(shù)據(jù)處理摘要表，查看有效處理的案例內(nèi)容;利用特征值表，查看描述分類方案中具體指標的判別力;利用判別系數(shù)表，查看用于分析的判別系數(shù);利用分類圖，查看描述聚類結(jié)果。

3 實驗驗證分析

3.1 實驗條件

實驗隨機選取中華網(wǎng)輿情案例庫中的10個輿情案例為實驗對象，利用此次設計方法與傳統(tǒng)方法對該10個輿情案例進行多維動態(tài)分類。首先根據(jù)表一對各個輿情的主體、客體、時間類型進行劃分;然后對輿情的多項指標進行聚類分析，設置輿情案例特征值，將特征值輸入到spss，并利用公式（1）計算多維指標相度，表1為輿情案例特征值及多維指標相度值。

根據(jù)表1內(nèi)容為各個輿情案例數(shù)據(jù)判別分析，得到最終的分析結(jié)果。比較分析結(jié)果與實際值，利用GJIF軟件計算出OR值，OR值大于1，則說明分析結(jié)果與實際情況相符，OR值小于1，則說明分析結(jié)果與實際情況不符。將OR值作為實驗結(jié)果，對兩種分析方法對比。

3.2 實驗結(jié)果解讀

實驗根據(jù)OR值結(jié)算結(jié)果，對兩種方法進行對比，實驗結(jié)果如表2所示。

從上表可以看出，此次設計方法OR值均大于1，平均值為1.624，而傳統(tǒng)方法OR值平均值為0.681，十個網(wǎng)絡輿情多維動態(tài)分析，僅有兩個案例分析結(jié)果與實際相符，因此實驗證明了此次設計的基于大數(shù)據(jù)的網(wǎng)絡輿情多維動態(tài)分析在準確性方面優(yōu)于傳統(tǒng)方法。

4 結(jié)束語

本文結(jié)合大數(shù)據(jù)技術，設計了一套新的網(wǎng)絡輿情多維動態(tài)分類方法，并通過實驗驗證了該分類方法具有良好的可行性和適用性，有助于實現(xiàn)復雜的網(wǎng)絡輿情問題數(shù)字化，為網(wǎng)絡輿情分析提供有利數(shù)據(jù)依據(jù)。但是此次研究尚且存在一些不足之處，從網(wǎng)絡輿情發(fā)展的潛伏規(guī)律來看，建立的指標體系不夠全面，在該方面還有待完善。

參考文獻：

[1] 張京坤，王怡怡.基于Spark的均值漂移算法在網(wǎng)絡輿情聚類中的應用[J].軟件導刊，2020，19（9）：190-195.

[2] 王晰巍，邢云菲，韋雅楠，等.大數(shù)據(jù)驅(qū)動的社交網(wǎng)絡輿情用戶情感主題分類模型構建研究——以“移民”主題為例[J].信息資源管理學報，2020，10（1）：29-38，48.

[3] 胡欣杰，路川，齊斌.基于SOM神經(jīng)網(wǎng)絡的網(wǎng)絡輿情信息分類模型[J].兵器裝備工程學報，2019，40（3）：108-111.

[4] 賈隆嘉，張邦佐.高校網(wǎng)絡輿情安全中主題分類方法研究——以新浪微博數(shù)據(jù)為例[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2018，2（7）：55-62.

[5] 杜少波.基于Hadoop平臺的并行kNN網(wǎng)絡輿情分類算法[J].電視技術，2018，42（3）：58-62.

[6] 穆亭鈺.媒介融合與網(wǎng)絡輿情的多維生成——基于“視覺中國”事件的樣本考察[J].視聽，2020（6）：185-187.

[7] 夏立新，陳健瑤，余華娟.基于事理圖譜的多維特征網(wǎng)絡輿情事件可視化摘要生成研究[J].情報理論與實踐，2020，43（10）：157-164.

[8] 陳思詩.新冠肺炎疫情公共危機事件網(wǎng)絡輿情治理的多維審視[J].西部學刊，2020（9）：131-133.

[9] 畢宏音.網(wǎng)絡輿情的基本共識及其動態(tài)規(guī)律再認識：多維視角考察[J].重慶社會科學，2019（1）：6-16.

[10] 連芷萱，蘭月新，夏一雪，等.面向大數(shù)據(jù)的網(wǎng)絡輿情多維動態(tài)分類與預測模型研究[J].情報雜志，2018，37（5）：123-133，140.

【通聯(lián)編輯：張薇】