李玥琪，王晰巍，王楠阿雪，王小天

（1.吉林大學(xué)商學(xué)與管理學(xué)院，長(zhǎng)春 130022；2.吉林大學(xué)國(guó)家發(fā)展與安全研究院，長(zhǎng)春 130022；3.吉林大學(xué)大數(shù)據(jù)管理研究中心，長(zhǎng)春 130022）

1 引言

2021年世界氣象組織災(zāi)害統(tǒng)計(jì)報(bào)告顯示全球?yàn)?zāi)害數(shù)量激增[1]。災(zāi)害天氣事件頻率和強(qiáng)度的增加導(dǎo)致極端突發(fā)事件頻頻發(fā)生，逐漸成為國(guó)家應(yīng)急管理中關(guān)注的重要問(wèn)題之一[2]，加之新冠肺炎疫情的爆發(fā)、氣候?yàn)?zāi)害等突發(fā)事件對(duì)全球福祉及社會(huì)安全造成了威脅，國(guó)家應(yīng)急管理戰(zhàn)略部署及“十四五”數(shù)字經(jīng)濟(jì)發(fā)展規(guī)劃提出，要增強(qiáng)政府?dāng)?shù)字化治理能力，重點(diǎn)要推進(jìn)完善風(fēng)險(xiǎn)應(yīng)急響應(yīng)處置流程和機(jī)制，強(qiáng)化重大問(wèn)題研判和風(fēng)險(xiǎn)預(yù)警，切實(shí)有效防范各類(lèi)風(fēng)險(xiǎn)疊加可能引發(fā)的社會(huì)穩(wěn)定問(wèn)題[3]。中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（China Internet Network Information Center，CNNIC）發(fā)布的數(shù)據(jù)顯示[4]，截至2021年末我國(guó)網(wǎng)民規(guī)模達(dá)10.32億，互聯(lián)網(wǎng)普及率達(dá)73.0%。我國(guó)擁有龐大的互聯(lián)網(wǎng)網(wǎng)民群體，在突發(fā)事件環(huán)境下民眾越來(lái)越傾向于在社交媒體平臺(tái)上尋求信息，并進(jìn)行事件的觀點(diǎn)分享和討論。突發(fā)事件情境下的社交媒體風(fēng)險(xiǎn)管理已經(jīng)成為危機(jī)情境下應(yīng)急管理的重要部分，風(fēng)險(xiǎn)監(jiān)測(cè)識(shí)別及預(yù)警的創(chuàng)新方法受到學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注。

突發(fā)事件情境下的風(fēng)險(xiǎn)管理近年來(lái)成為新興研究熱點(diǎn)。國(guó)外的風(fēng)險(xiǎn)管理研究主要聚焦于危機(jī)期間的信息溝通研究[5]、風(fēng)險(xiǎn)因素對(duì)信息分享行為的影響[6]、基于文本分析方法研究政府危機(jī)溝通效果[7]以及基于敏捷和適應(yīng)性治理視角的危機(jī)管理案例分析等[8]。國(guó)內(nèi)學(xué)者主要關(guān)注于突發(fā)事件情境下的社交媒體風(fēng)險(xiǎn)等級(jí)評(píng)估[9]、風(fēng)險(xiǎn)識(shí)別[10]及社交媒體輿情風(fēng)險(xiǎn)的應(yīng)急管理體系[11]構(gòu)建研究等。通過(guò)對(duì)國(guó)內(nèi)外風(fēng)險(xiǎn)管理研究文獻(xiàn)的梳理可以發(fā)現(xiàn)，目前國(guó)內(nèi)外關(guān)于風(fēng)險(xiǎn)管理的研究主要是危機(jī)情境下政府網(wǎng)民的風(fēng)險(xiǎn)溝通、網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)監(jiān)測(cè)及社交媒體風(fēng)險(xiǎn)研判及態(tài)勢(shì)感知等，多采用評(píng)價(jià)指標(biāo)體系構(gòu)建對(duì)突發(fā)事件下的社交媒體輿情風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)及風(fēng)險(xiǎn)分級(jí)，以及從理論體系維度構(gòu)建風(fēng)險(xiǎn)響應(yīng)及管理框架；缺少對(duì)突發(fā)事件情報(bào)知識(shí)的挖掘，也缺乏通過(guò)構(gòu)建突發(fā)事件案例庫(kù)進(jìn)行先驗(yàn)案例知識(shí)學(xué)習(xí)后，進(jìn)行風(fēng)險(xiǎn)研判及預(yù)警的協(xié)同研究。因此，突發(fā)事件下的社交媒體風(fēng)險(xiǎn)管理研究成為熱點(diǎn)。本文采納知識(shí)圖譜方法構(gòu)建突發(fā)事件社交媒體風(fēng)險(xiǎn)圖譜，從知識(shí)表示出發(fā)，鏈接數(shù)據(jù)進(jìn)行知識(shí)推理分析，從而實(shí)現(xiàn)社交媒體的風(fēng)險(xiǎn)識(shí)別及預(yù)警。

本文在研究中主要解決以下3個(gè)研究問(wèn)題：①如何通過(guò)構(gòu)建突發(fā)事件社交媒體輿情風(fēng)險(xiǎn)案例知識(shí)庫(kù)進(jìn)行風(fēng)險(xiǎn)知識(shí)獲取？②如何識(shí)別突發(fā)事件社交媒體輿情風(fēng)險(xiǎn)因素及風(fēng)險(xiǎn)因素間的因果關(guān)系？③如何基于構(gòu)建的突發(fā)事件風(fēng)險(xiǎn)識(shí)別及預(yù)警模型對(duì)突發(fā)事件社交媒體風(fēng)險(xiǎn)進(jìn)行預(yù)警并給出決策支持？本文在理論層面上，結(jié)合突發(fā)事件下社交網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)研判和預(yù)警目標(biāo)，構(gòu)建基于解釋結(jié)構(gòu)模型及貝葉斯網(wǎng)絡(luò)（interpretative structural modeling-Bayesian networks，ISM-BN）的風(fēng)險(xiǎn)識(shí)別及預(yù)警模型，為突發(fā)事件環(huán)境下社交媒體風(fēng)險(xiǎn)管理提供新的理論及方法。在實(shí)踐層面上，為突發(fā)事件應(yīng)急管理體系中的風(fēng)險(xiǎn)識(shí)別及研判工作提供可參考的模型，借助模型實(shí)現(xiàn)突發(fā)事件社交網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)態(tài)勢(shì)感知，為相關(guān)輿情監(jiān)管結(jié)構(gòu)提供管理和決策支持。

2 相關(guān)理論

2.1 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)

社會(huì)學(xué)認(rèn)為風(fēng)險(xiǎn)是指社會(huì)損失的不確定性，即風(fēng)險(xiǎn)是危機(jī)事件發(fā)生的概率及其后果的函數(shù)。根據(jù)廣義層面對(duì)風(fēng)險(xiǎn)的定義，本文認(rèn)為突發(fā)事件社交媒體風(fēng)險(xiǎn)是指在突發(fā)事件發(fā)生的情境下，由外界發(fā)生的突發(fā)事件的具體特征造成的、公眾在社交媒體平臺(tái)中面對(duì)的多種風(fēng)險(xiǎn)的可能。目前社交媒體風(fēng)險(xiǎn)研究主要關(guān)注于突發(fā)事件情境下社交媒體風(fēng)險(xiǎn)溝通[12-13]、風(fēng)險(xiǎn)監(jiān)測(cè)及評(píng)價(jià)[14]、風(fēng)險(xiǎn)響應(yīng)體系構(gòu)建[15]等。突發(fā)事件情境下風(fēng)險(xiǎn)監(jiān)測(cè)與評(píng)價(jià)關(guān)注突發(fā)事件情境下網(wǎng)絡(luò)輿論的風(fēng)險(xiǎn)點(diǎn)識(shí)別[16]和風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)[17]，多數(shù)采用構(gòu)建風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系實(shí)現(xiàn)突發(fā)事件嚴(yán)重性評(píng)價(jià)，并通過(guò)風(fēng)險(xiǎn)研判過(guò)程實(shí)現(xiàn)柔性決策支持[18]。突發(fā)事件情境下風(fēng)險(xiǎn)響應(yīng)體系構(gòu)建，側(cè)重于風(fēng)險(xiǎn)響應(yīng)及預(yù)警的對(duì)策實(shí)現(xiàn)，以及風(fēng)險(xiǎn)管理體系架構(gòu)設(shè)計(jì)[19]等。

目前關(guān)于突發(fā)事件風(fēng)險(xiǎn)等級(jí)研判及預(yù)測(cè)的研究多采用在理論層面進(jìn)行評(píng)價(jià)指標(biāo)體系構(gòu)建并進(jìn)行預(yù)測(cè)分析的方法，對(duì)過(guò)往輿情風(fēng)險(xiǎn)案例的學(xué)習(xí)且對(duì)風(fēng)險(xiǎn)因子間因果關(guān)系的分析研究相對(duì)較少。輿情案例庫(kù)的知識(shí)提供了大量風(fēng)險(xiǎn)可能發(fā)生的條件概率。因此，本文通過(guò)構(gòu)建社交網(wǎng)絡(luò)輿情案例知識(shí)庫(kù)對(duì)輿情案例進(jìn)行學(xué)習(xí)，對(duì)突發(fā)事件的社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，并基于預(yù)測(cè)結(jié)果給出預(yù)警決策。

2.2 信息生態(tài)理論

信息生態(tài)理論源于張新時(shí)院士提出的信息生態(tài)學(xué)概念，他指出，信息生態(tài)學(xué)不僅具有信息科學(xué)的高科技與信息理論的優(yōu)勢(shì)，而且繼承和發(fā)展了生態(tài)學(xué)的傳統(tǒng)理論，強(qiáng)調(diào)對(duì)人類(lèi)、生態(tài)系統(tǒng)及生物圈生存有關(guān)問(wèn)題的綜合分析研究、模擬與預(yù)測(cè)[20]。靖繼鵬[21]認(rèn)為，信息生態(tài)理論是利用生態(tài)學(xué)的觀點(diǎn)和方法，研究信息生態(tài)系統(tǒng)的構(gòu)成因子、因子之間相互作用、信息流和能量流的傳遞，以及系統(tǒng)的合理構(gòu)建和優(yōu)化等問(wèn)題。多數(shù)學(xué)者采用信息生態(tài)理論對(duì)網(wǎng)絡(luò)輿情進(jìn)行分析。例如，利用信息生態(tài)鏈理論構(gòu)建網(wǎng)絡(luò)輿情信息生態(tài)鏈，分析微博輿情傳播結(jié)構(gòu)[22]等；采納信息生態(tài)系統(tǒng)理論構(gòu)建微博輿論生態(tài)系統(tǒng)[23]，并對(duì)社交媒體網(wǎng)絡(luò)輿情生態(tài)[24]進(jìn)行評(píng)價(jià)等。突發(fā)事件情境下社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)的發(fā)生原因不是簡(jiǎn)單線性或獨(dú)立的，而是系統(tǒng)性的和耦合的，需要采納系統(tǒng)學(xué)的理論及觀點(diǎn)對(duì)風(fēng)險(xiǎn)發(fā)生的驅(qū)動(dòng)機(jī)制進(jìn)行分析。

本文采用信息生態(tài)系統(tǒng)理論，從信息、信息人、信息環(huán)境及信息技術(shù)四個(gè)信息生態(tài)因子出發(fā)，對(duì)突發(fā)事件情境下的社交媒體網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)因素進(jìn)行識(shí)別。同時(shí)，根據(jù)信息生態(tài)系統(tǒng)理論分析風(fēng)險(xiǎn)因素間的因果關(guān)系，并分析風(fēng)險(xiǎn)因素的功能和相互作用對(duì)整個(gè)系統(tǒng)的影響，即確定各風(fēng)險(xiǎn)因素對(duì)突發(fā)事件社交媒體生態(tài)系統(tǒng)發(fā)生風(fēng)險(xiǎn)的影響[25]。

2.3 貝葉斯網(wǎng)絡(luò)理論

貝葉斯網(wǎng)絡(luò)（BN）又稱(chēng)信度網(wǎng)絡(luò)，是貝葉斯方法的擴(kuò)展，是實(shí)現(xiàn)不確定知識(shí)的表達(dá)和知識(shí)間關(guān)系推理的有效模型之一，可以對(duì)各種因素之間的不確定性和復(fù)雜關(guān)系進(jìn)行建模[26]。貝葉斯網(wǎng)絡(luò)是有向無(wú)環(huán)圖，主要包括網(wǎng)絡(luò)拓?fù)浜蜅l件概率表兩個(gè)部分。網(wǎng)絡(luò)拓?fù)涫秦惾~斯模型的定性描述，網(wǎng)絡(luò)拓?fù)渲械拿總€(gè)節(jié)點(diǎn)代表一個(gè)隨機(jī)變量。節(jié)點(diǎn)通過(guò)有向弧連接，從而形成變量之間的依賴(lài)關(guān)系。條件概率表示變量之間的關(guān)系，子節(jié)點(diǎn)與其父節(jié)點(diǎn)之間的關(guān)系表示為有向邊并捕獲為條件概率表[27]。根節(jié)點(diǎn)即目標(biāo)變量節(jié)點(diǎn)的概率為先驗(yàn)概率，其他節(jié)點(diǎn)（根節(jié)點(diǎn)除外）的概率稱(chēng)為條件概率表，用于表達(dá)子節(jié)點(diǎn)與父節(jié)點(diǎn)變量之間的關(guān)系和交互強(qiáng)度，描述模型的量化信息。先驗(yàn)概率和條件概率表是BN計(jì)算的基礎(chǔ)。

與聚類(lèi)、決策樹(shù)和神經(jīng)元網(wǎng)絡(luò)等其他機(jī)器學(xué)習(xí)方法相比，貝葉斯網(wǎng)絡(luò)的樣本量或數(shù)據(jù)集即使很小，也具有良好的預(yù)測(cè)準(zhǔn)確性。同時(shí)，可以處理系統(tǒng)中結(jié)構(gòu)或參數(shù)的知識(shí)和不確定性之間的關(guān)系，能夠從過(guò)往數(shù)據(jù)中學(xué)習(xí)結(jié)構(gòu)以及系統(tǒng)的參數(shù)，還可以結(jié)合專(zhuān)家知識(shí)和前序分析形成舊知識(shí)和新數(shù)據(jù)的整合。貝葉斯網(wǎng)絡(luò)模型可以有效預(yù)測(cè)突發(fā)事件情境下社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)發(fā)生的可能性并分析其變量間的因果關(guān)系，其預(yù)測(cè)結(jié)果可以幫助突發(fā)事件應(yīng)急管理機(jī)構(gòu)更好地分配應(yīng)急力量及響應(yīng)對(duì)策[28]。

3 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別及預(yù)警模型

3.1 基于知識(shí)圖譜實(shí)現(xiàn)突發(fā)事件社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)獲取

本文采用知識(shí)圖譜的構(gòu)建方法實(shí)現(xiàn)社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)的知識(shí)獲取。知識(shí)圖譜是描述現(xiàn)實(shí)世界中概念、常識(shí)及其關(guān)系的結(jié)構(gòu)化語(yǔ)義知識(shí)庫(kù)，其基本組成單元是＜實(shí)體，關(guān)系，實(shí)體＞三元組和＜實(shí)體，屬性，屬性值＞三元組。與傳統(tǒng)知識(shí)庫(kù)相比，知識(shí)圖譜可以完成語(yǔ)義推理任務(wù)，通過(guò)存儲(chǔ)豐富的實(shí)例信息對(duì)數(shù)據(jù)之間的聯(lián)系進(jìn)行關(guān)系展示，并實(shí)現(xiàn)實(shí)例數(shù)據(jù)間的關(guān)系路徑發(fā)現(xiàn)及因果推理過(guò)程[29]。本文參考以往知識(shí)圖譜構(gòu)建方法采集突發(fā)事件社交媒體輿情的要素信息，完成知識(shí)收集、知識(shí)抽取和知識(shí)存儲(chǔ)與檢索三個(gè)環(huán)節(jié)的知識(shí)收集過(guò)程。

本文通過(guò)構(gòu)建突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)圖譜得到突發(fā)事件輿情風(fēng)險(xiǎn)案例庫(kù)。將輿情案例以知識(shí)圖譜的形式存儲(chǔ)，采用合并、匹配及關(guān)聯(lián)查詢(xún)等功能對(duì)典型輿情風(fēng)險(xiǎn)案例進(jìn)行圖檢索和查詢(xún)，為后續(xù)風(fēng)險(xiǎn)知識(shí)的分析和發(fā)現(xiàn)提供支撐。本文在采納知識(shí)圖譜構(gòu)建的基礎(chǔ)上，整合輿情案例的多種數(shù)據(jù)來(lái)源，學(xué)習(xí)輿情案例的知識(shí)，進(jìn)行風(fēng)險(xiǎn)知識(shí)實(shí)體發(fā)現(xiàn)，更加側(cè)重于捕捉導(dǎo)致風(fēng)險(xiǎn)發(fā)生的關(guān)鍵因素，并發(fā)現(xiàn)風(fēng)險(xiǎn)要素之間的關(guān)聯(lián)路徑及因果關(guān)系。突發(fā)事件輿情風(fēng)險(xiǎn)案例庫(kù)的構(gòu)建，一方面通過(guò)知識(shí)圖譜展示過(guò)往突發(fā)事件輿情風(fēng)險(xiǎn)案例的全貌，另一方面通過(guò)知識(shí)關(guān)聯(lián)發(fā)現(xiàn)風(fēng)險(xiǎn)因素并提供風(fēng)險(xiǎn)因素路徑關(guān)系的實(shí)例支撐。同時(shí)，還提供后續(xù)風(fēng)險(xiǎn)識(shí)別及預(yù)測(cè)的事件查詢(xún)及案例知識(shí)庫(kù)的存儲(chǔ)，幫助風(fēng)險(xiǎn)識(shí)別模型進(jìn)行實(shí)時(shí)更新和數(shù)據(jù)維護(hù)，從而提升風(fēng)險(xiǎn)識(shí)別模型的精度。突發(fā)事件下社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)圖譜構(gòu)建模式層和數(shù)據(jù)層如圖1所示，包含的實(shí)體間關(guān)系如表1所示。

表1 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)案例庫(kù)知識(shí)圖譜中的實(shí)體及實(shí)體間關(guān)系

圖1 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)圖譜構(gòu)建模式層和數(shù)據(jù)層

3.2 基于ISM識(shí)別突發(fā)事件社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因素

本文基于解釋結(jié)構(gòu)模型（interpretative structural modeling，ISM）識(shí)別社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因素之間的關(guān)系，實(shí)現(xiàn)突發(fā)事件社交網(wǎng)絡(luò)輿情知識(shí)分析；基于突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)案例庫(kù)知識(shí)圖譜構(gòu)建得到風(fēng)險(xiǎn)要素之間的關(guān)系。由于直接構(gòu)建貝葉斯網(wǎng)絡(luò)拓?fù)洳⒉豢陀^，采納ISM方法可以得到客觀的層次結(jié)構(gòu)圖并調(diào)整為貝葉斯網(wǎng)絡(luò)拓?fù)?。因此，在知識(shí)圖譜的基礎(chǔ)上，本文采納ISM進(jìn)一步對(duì)驅(qū)動(dòng)風(fēng)險(xiǎn)發(fā)生的要素之間因果關(guān)系及有向路徑進(jìn)行確定。ISM方法把待分析的系統(tǒng)，通過(guò)梳理拆分成各種因素，然后分析因素以及因素之間的直接二元關(guān)系，并把這種概念模型映射成有向圖。通過(guò)布爾邏輯運(yùn)算揭示系統(tǒng)的結(jié)構(gòu)，并在不損失系統(tǒng)整體功能前提下，以最簡(jiǎn)的層次化有向拓?fù)鋱D的方式展示系統(tǒng)結(jié)構(gòu)及因素之間的關(guān)系。

本文根據(jù)信息生態(tài)理論并結(jié)合構(gòu)建的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情知識(shí)圖譜，定義突發(fā)事件社交媒體系統(tǒng)的風(fēng)險(xiǎn)因素。本文認(rèn)為，突發(fā)事件社交媒體網(wǎng)絡(luò)輿情存在四類(lèi)風(fēng)險(xiǎn)因素，包括信息風(fēng)險(xiǎn)、信息人風(fēng)險(xiǎn)、信息環(huán)境風(fēng)險(xiǎn)和信息技術(shù)風(fēng)險(xiǎn)。本文用ui表示風(fēng)險(xiǎn)因素的每i個(gè)子指標(biāo)，四類(lèi)風(fēng)險(xiǎn)因素及包含的具體子指標(biāo)下的影響因素如表2所示。經(jīng)過(guò)專(zhuān)家對(duì)風(fēng)險(xiǎn)因素相互關(guān)聯(lián)的判斷獲得因素間的映射路徑并確定風(fēng)險(xiǎn)因素和子指標(biāo)后，通過(guò)建立關(guān)系矩陣、建立可達(dá)矩陣及將可達(dá)矩陣分級(jí)三個(gè)步驟得到突發(fā)事件社交媒體風(fēng)險(xiǎn)因素層次結(jié)構(gòu)與有向路徑（具體構(gòu)建公式略）。根據(jù)可達(dá)矩陣的不同層次，利用節(jié)點(diǎn)和弧形成子指標(biāo)的有向因果圖。有向因果圖旨在描述子指標(biāo)的水平相互依存關(guān)系以及子指標(biāo)在兩個(gè)相鄰層次之間的垂直影響。ISM得到的有向因果圖，顯示了所有子指標(biāo)的可視連接以及它們之間的互連，即確定了風(fēng)險(xiǎn)要素之間的層次結(jié)構(gòu)和要素之間的因果關(guān)系。

表2 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因素

3.3 基于BN方法進(jìn)行突發(fā)事件社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)預(yù)警分析

本文構(gòu)建貝葉斯網(wǎng)絡(luò)模型進(jìn)行社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)預(yù)測(cè)進(jìn)而實(shí)現(xiàn)風(fēng)險(xiǎn)預(yù)警。通過(guò)突發(fā)事件社交媒體案例知識(shí)圖譜的構(gòu)建得到導(dǎo)致突發(fā)事件風(fēng)險(xiǎn)發(fā)生的因素，通過(guò)ISM方法得到風(fēng)險(xiǎn)因素間的有向路徑及層次結(jié)構(gòu)圖。經(jīng)過(guò)上述兩個(gè)過(guò)程，可以調(diào)整貝葉斯網(wǎng)絡(luò)拓?fù)洳⑦M(jìn)行風(fēng)險(xiǎn)預(yù)警。突發(fā)事件社交媒體案例知識(shí)圖譜，經(jīng)過(guò)風(fēng)險(xiǎn)要素的補(bǔ)充過(guò)程與構(gòu)建的貝葉斯網(wǎng)絡(luò)一一對(duì)應(yīng)，將知識(shí)圖譜的案例庫(kù)知識(shí)傳入貝葉斯網(wǎng)絡(luò)，從而進(jìn)行風(fēng)險(xiǎn)預(yù)警。使用貝葉斯網(wǎng)絡(luò)進(jìn)行突發(fā)事件社交網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)分析及預(yù)警，需要訓(xùn)練貝葉斯預(yù)測(cè)模型及使用貝葉斯模型進(jìn)行預(yù)警。關(guān)于貝葉斯預(yù)警模型的訓(xùn)練，首先，輸入知識(shí)圖譜中大量案例相關(guān)知識(shí)進(jìn)行參數(shù)學(xué)習(xí)，確定貝葉斯網(wǎng)絡(luò)的條件概率表及先驗(yàn)概率；其次，通過(guò)樣本集與測(cè)試集的交叉驗(yàn)證過(guò)程，確定構(gòu)建的預(yù)測(cè)模型有效性；最后，進(jìn)入使用貝葉斯模型進(jìn)行預(yù)警環(huán)節(jié)，通過(guò)輸入待預(yù)測(cè)案例的相關(guān)知識(shí)，得到貝葉斯網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。對(duì)結(jié)果為高風(fēng)險(xiǎn)的事件進(jìn)行預(yù)警，從而實(shí)現(xiàn)完整的突發(fā)事件社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)預(yù)警過(guò)程。

3.4 ISM-BN模型

經(jīng)過(guò)上述步驟，本文構(gòu)建了基于ISM-BN的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別及預(yù)警模型，如圖2所示。模型實(shí)現(xiàn)了對(duì)突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)的知識(shí)獲取、知識(shí)分析及風(fēng)險(xiǎn)預(yù)警三個(gè)步驟的全流程閉環(huán)，保障風(fēng)險(xiǎn)識(shí)別過(guò)程的精準(zhǔn)與客觀。模型主要分為三大模塊，在知識(shí)獲取模塊，采納突發(fā)事件社交媒體網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)知識(shí)庫(kù)對(duì)風(fēng)險(xiǎn)案例進(jìn)行可視化，同時(shí)存儲(chǔ)風(fēng)險(xiǎn)案例知識(shí)及風(fēng)險(xiǎn)因素；在知識(shí)分析模塊，通過(guò)解釋結(jié)構(gòu)模型對(duì)風(fēng)險(xiǎn)因素之間的因果關(guān)系與層級(jí)結(jié)構(gòu)進(jìn)行分析，確定風(fēng)險(xiǎn)要素之間的驅(qū)動(dòng)關(guān)系；在決策支持模塊，建立貝葉斯網(wǎng)絡(luò)用于突發(fā)事件社交媒體的風(fēng)險(xiǎn)結(jié)果預(yù)警及分析。與以往風(fēng)險(xiǎn)監(jiān)測(cè)模型[35-36]相比，模型構(gòu)建的風(fēng)險(xiǎn)案例庫(kù)知識(shí)獲取環(huán)節(jié)，在后續(xù)模型的使用過(guò)程中可以對(duì)社交網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)案例進(jìn)行持續(xù)更新和補(bǔ)充，進(jìn)一步提升模型的準(zhǔn)確率及精度。模型使用的解釋結(jié)構(gòu)方程模型ISM及貝葉斯網(wǎng)絡(luò)（BN），是確定風(fēng)險(xiǎn)因素之間耦合和相互作用路徑的關(guān)鍵，也是確定突發(fā)事件社交媒體風(fēng)險(xiǎn)系統(tǒng)中信息、信息人、信息環(huán)境及信息技術(shù)耦合時(shí)對(duì)風(fēng)險(xiǎn)發(fā)生的作用的關(guān)鍵。經(jīng)過(guò)上述ISM-BN模型風(fēng)險(xiǎn)識(shí)別及預(yù)警的過(guò)程可以有效識(shí)別輿情風(fēng)險(xiǎn)，同時(shí)保障了風(fēng)險(xiǎn)識(shí)別模型的精度完善功能。

4 實(shí)證研究

4.1 數(shù)據(jù)來(lái)源及平臺(tái)選擇

本文通過(guò)網(wǎng)絡(luò)爬蟲(chóng)代碼及手工抓取兩種方式收集微博及短視頻平臺(tái)的相關(guān)輿情案例數(shù)據(jù)，共收集到29條數(shù)據(jù)作為突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別與預(yù)警模型訓(xùn)練的樣本案例，通過(guò)訓(xùn)練并計(jì)算貝葉斯網(wǎng)絡(luò)的條件概率。本文選取“河南7·20暴雨”事件作為具體的實(shí)證案例進(jìn)行突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)圖譜輿情事件案例庫(kù)構(gòu)建，并實(shí)現(xiàn)突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別及預(yù)警過(guò)程?！昂幽?·20暴雨”社交網(wǎng)絡(luò)輿情是典型的自然災(zāi)害類(lèi)輿情事件，突發(fā)程度高且事件持續(xù)時(shí)間較久，波及范圍較廣，是突發(fā)事件中社交媒體網(wǎng)絡(luò)輿情的典型代表，在我國(guó)的微博及短視頻平臺(tái)上引起了廣泛關(guān)注[42]。

本文分別采集了微博及抖音平臺(tái)中該輿情事件的全生命周期話題數(shù)據(jù)，時(shí)間為2021年7月20日至2021年7月30日，同時(shí)構(gòu)建輿情分析語(yǔ)料庫(kù)。采集內(nèi)容包括視頻發(fā)布文本內(nèi)容，視頻轉(zhuǎn)評(píng)贊數(shù)據(jù)，視頻發(fā)布用戶名，發(fā)布用戶獲贊、關(guān)注與粉絲數(shù)量，用戶地址，發(fā)布時(shí)間，視頻評(píng)論文本內(nèi)容、評(píng)論時(shí)間、評(píng)論用戶名、評(píng)論用戶地址，以及評(píng)論用戶的獲贊、關(guān)注與粉絲數(shù)量。經(jīng)過(guò)數(shù)據(jù)清洗及無(wú)效數(shù)據(jù)清除等步驟，最終從微博平臺(tái)獲取了總計(jì)163687條原創(chuàng)、轉(zhuǎn)發(fā)及評(píng)論有效數(shù)據(jù)，抖音平臺(tái)獲取了總計(jì)132634條原創(chuàng)及評(píng)論有效數(shù)據(jù)。手工抓取了該社交網(wǎng)絡(luò)輿情事件百度搜索指數(shù)、事件持續(xù)時(shí)長(zhǎng)等無(wú)法批量獲取的數(shù)據(jù)。輿情事件風(fēng)險(xiǎn)因素?cái)?shù)據(jù)的收集方法及量化指標(biāo)如表3所示。

4.2 河南暴雨網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)知識(shí)圖譜構(gòu)建

研究采用開(kāi)源知識(shí)圖譜工具Neo4j構(gòu)建突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)圖譜，并構(gòu)建突發(fā)事件案例知識(shí)庫(kù)，構(gòu)建結(jié)果如圖3所示。圖3a展示了突發(fā)事件案例知識(shí)庫(kù)中自然災(zāi)害、公共衛(wèi)生、核電和緊急事件以及社會(huì)安全四個(gè)類(lèi)別下存儲(chǔ)的突發(fā)事件知識(shí)圖譜實(shí)例，展現(xiàn)了突發(fā)事件社交網(wǎng)絡(luò)輿情知識(shí)圖譜中事件和事件類(lèi)別之間的關(guān)系。本文選取“河南暴雨”突發(fā)事件進(jìn)行突發(fā)事件社交媒體網(wǎng)絡(luò)輿情知識(shí)圖譜的實(shí)例展示。在查詢(xún)節(jié)點(diǎn)數(shù)量有限的基礎(chǔ)上，以事件中“人民日?qǐng)?bào)”用戶節(jié)點(diǎn)進(jìn)行路徑查詢(xún)，展示局部的突發(fā)事件下社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)圖譜，如圖3b所示?！昂幽?·20暴雨”突發(fā)事件下的風(fēng)險(xiǎn)知識(shí)圖譜，清晰展現(xiàn)了河南暴雨事件發(fā)生過(guò)程中與事件存在關(guān)系路徑的相關(guān)實(shí)體，包括該輿情事件的發(fā)布人、發(fā)布時(shí)間、信息發(fā)布結(jié)構(gòu)、事件種類(lèi)、事件高頻詞和輿情事件的空間信息等，同時(shí)也展示了事件發(fā)生過(guò)程中的實(shí)體之間的關(guān)聯(lián)關(guān)系及最短路徑。根據(jù)案例事件風(fēng)險(xiǎn)知識(shí)圖譜可以初步確定導(dǎo)致突發(fā)事件輿情風(fēng)險(xiǎn)發(fā)生的重點(diǎn)要素分別為用戶要素、事件要素、地理位置要素、信息要素等，為風(fēng)險(xiǎn)要素的識(shí)別及風(fēng)險(xiǎn)要素之間的因果關(guān)系確定提供了實(shí)例支撐。

圖3 抖音平臺(tái)“河南7·20暴雨”事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)庫(kù)

圖3構(gòu)建的知識(shí)圖譜涵蓋了社交網(wǎng)絡(luò)輿情事件中的關(guān)鍵節(jié)點(diǎn)發(fā)現(xiàn)和社區(qū)發(fā)現(xiàn)，同時(shí)突出了知識(shí)圖譜風(fēng)險(xiǎn)要素之間的知識(shí)關(guān)聯(lián)分析。在知識(shí)圖譜單層和多層關(guān)聯(lián)分析中，圖4展現(xiàn)了知識(shí)圖譜輿情事件關(guān)聯(lián)分析的結(jié)果。其中，圖4a展現(xiàn)了“事件之間語(yǔ)義”的單層關(guān)聯(lián)，確定了河南暴雨輿情事件的高頻關(guān)鍵詞語(yǔ)義網(wǎng)絡(luò)，整體輿論內(nèi)容以“河南加油”“平安保佑”“河南難關(guān)”等正面觀點(diǎn)為主。圖4b和圖4c展示了“事件-人物-時(shí)間”及“事件-人物-信息結(jié)構(gòu)”實(shí)體關(guān)聯(lián)的查詢(xún)結(jié)果。圖4d展示了“事件-時(shí)間-空間-人物”實(shí)體關(guān)聯(lián)的查詢(xún)結(jié)果。分析結(jié)果顯示，7月20及7月21日中該輿情事件的信息發(fā)布人空間位置集中在廣州、上海、臺(tái)州和蘇州等地點(diǎn)。

圖4 突發(fā)事件風(fēng)險(xiǎn)知識(shí)圖譜關(guān)聯(lián)查詢(xún)圖示

4.3 河南暴雨網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)因素關(guān)系識(shí)別

在確定了風(fēng)險(xiǎn)因素的基礎(chǔ)上，結(jié)合文獻(xiàn)[43]采用6位專(zhuān)家評(píng)分的方式得到該突發(fā)事件下社交網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)因素關(guān)系矩陣，如表4所示。根據(jù)關(guān)系矩陣表計(jì)算可達(dá)性矩陣，并將可達(dá)性矩陣劃分為不同層級(jí)，最后得到突發(fā)事件下社交媒體網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)因素之間因果路徑及層級(jí)關(guān)系，并構(gòu)建風(fēng)險(xiǎn)因素之間的有向路徑拓?fù)鋱D，如圖5所示。

表4 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因素關(guān)系矩陣表

圖5顯示了基于ISM方法的因素分層結(jié)果。突發(fā)事件下社交媒體網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)因素，根據(jù)其對(duì)輿情風(fēng)險(xiǎn)發(fā)生的直接或者間接驅(qū)動(dòng)關(guān)系可劃分為四個(gè)層級(jí)（L1～L4）。其中，直接導(dǎo)致輿情風(fēng)險(xiǎn)是否發(fā)生的要素層級(jí)是L1，即最直接要素層級(jí)，包含用戶參與度（u7）、用戶風(fēng)險(xiǎn)感知（u10）、事件突發(fā)程度（u11）、突發(fā)事件熱度（u12）、突發(fā)事件持續(xù)時(shí)長(zhǎng)（u13）、官方機(jī)構(gòu)干預(yù)程度（u14）及社交平臺(tái)響應(yīng)對(duì)策（u15）。這些要素之間對(duì)于風(fēng)險(xiǎn)發(fā)生的驅(qū)動(dòng)關(guān)系是并列作用的。L1層級(jí)要素成為突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)是否發(fā)生的根節(jié)點(diǎn)，受L2、L3、L4層級(jí)要素的影響后，直接作用于風(fēng)險(xiǎn)是否發(fā)生的結(jié)果。

圖5 基于ISM的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)有向圖

L2層級(jí)和L3層級(jí)為中間要素層級(jí)，對(duì)風(fēng)險(xiǎn)發(fā)生的結(jié)果具有調(diào)節(jié)作用。L1層級(jí)逐個(gè)要素的狀態(tài)受到L2層級(jí)要素的直接調(diào)控，例如，用戶參與度（u7）受突發(fā)事件信息情感負(fù)面程度（u3）、信息真實(shí)性（u4）、信息危害性（u5）要素的直接影響，用戶風(fēng)險(xiǎn)感知（u10）受信息情感負(fù)面程度（u3）、信息真實(shí)性（u4）、信息危害性（u5）、用戶級(jí)別（u8）及用戶數(shù)據(jù)素養(yǎng)（u9）的直接影響，以及突發(fā)事件熱度（u12）受到L2層級(jí)全部要素的調(diào)控等。

L2層級(jí)的部分要素的狀態(tài)受到L3層級(jí)要素的直接調(diào)控。例如，信息情感負(fù)面程度（u3）受到用戶類(lèi)型（u6）、社交媒體平臺(tái)的信息監(jiān)測(cè)技術(shù)（u17）及信息審核技術(shù)（u19）的直接影響，平臺(tái)突發(fā)事件監(jiān)管體系的全面性（u16）受到平臺(tái)信息監(jiān)測(cè)技術(shù)（u17）、信息安全技術(shù)（u18）及基礎(chǔ)設(shè)施建設(shè)技術(shù)（u20）的直接影響。L4層級(jí)為最根本要素層級(jí)，僅包含信息內(nèi)容（u2）一個(gè)要素，即影響突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)發(fā)生的最根本要素為信息內(nèi)容本身，L4層級(jí)直接調(diào)節(jié)L3層級(jí)的要素狀態(tài)，并通過(guò)L3層級(jí)及L2層級(jí)對(duì)L1層級(jí)要素實(shí)現(xiàn)間接調(diào)節(jié)作用。

4.4 貝葉斯網(wǎng)絡(luò)構(gòu)建及事件預(yù)測(cè)

本文采納ISM分析得到的因果路徑及層級(jí)結(jié)果構(gòu)建貝葉斯網(wǎng)絡(luò)模型。ISM分析得到的有向拓?fù)浣Y(jié)構(gòu)較為復(fù)雜，其中一些子指標(biāo)之間存在循環(huán)連接。去除網(wǎng)絡(luò)中的冗余鏈接并刪除圓弧鏈接，修剪后得到最終的貝葉斯網(wǎng)絡(luò)（BN）預(yù)測(cè)模型，如圖6所示。

圖6 貝葉斯網(wǎng)絡(luò)（BN）預(yù)測(cè)模型（彩圖請(qǐng)見(jiàn)http://qbxb.istic.ac.cn/）

得到貝葉斯網(wǎng)絡(luò)模型后，需要輸入突發(fā)事件案例數(shù)據(jù)供貝葉斯網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，以得到條件概率表及先驗(yàn)概率。從突發(fā)事件的特征[44]出發(fā)，參考知微事見(jiàn)平臺(tái)[42]及百度指數(shù)的輿情指數(shù)的數(shù)據(jù)后，共選取了具有強(qiáng)烈代表性的16個(gè)輿情事件作為突發(fā)事件案例。分別采集16個(gè)突發(fā)事件在微博及抖音兩個(gè)平臺(tái)的輿情數(shù)據(jù)供貝葉斯網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，包括微博平臺(tái)數(shù)據(jù)16條及對(duì)應(yīng)的短視頻平臺(tái)數(shù)據(jù)13條。

本文使用案例庫(kù)數(shù)據(jù)進(jìn)行學(xué)習(xí)并驗(yàn)證。為客觀評(píng)價(jià)并細(xì)化輿情事件風(fēng)險(xiǎn)的級(jí)別[28]，將預(yù)警結(jié)果劃分為低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)及高風(fēng)險(xiǎn)，并進(jìn)行事件輿情風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)。為保證模型的精度并保證數(shù)據(jù)驗(yàn)證過(guò)程具有可重復(fù)性[41]，本文將案例數(shù)據(jù)劃分為25條訓(xùn)練數(shù)據(jù)和4條測(cè)試數(shù)據(jù)，進(jìn)行6次交叉驗(yàn)證。第一次驗(yàn)證選取事件1～事件4作為測(cè)試集，其他樣本作為訓(xùn)練集；第二次驗(yàn)證選取事件5～事件8作為測(cè)試集，其他樣本作為訓(xùn)練集，以此類(lèi)推進(jìn)行仿真驗(yàn)證。

本文以GeNIe軟件的K2算法作為推理算法，得到條件概率表。由于篇幅原因，僅列出6次驗(yàn)證結(jié)果的部分對(duì)比數(shù)據(jù)，如表5所示。經(jīng)過(guò)6次交叉驗(yàn)證后，有2個(gè)事件的測(cè)試結(jié)果和實(shí)際結(jié)果不一致，如事件6，低風(fēng)險(xiǎn)（low）、中風(fēng)險(xiǎn)（medium）及高風(fēng)險(xiǎn)（high）的概率均為33%，由于概率非常接近導(dǎo)致了結(jié)果錯(cuò)誤，事件15也是同樣的原因。針對(duì)這樣的誤差，可以通過(guò)進(jìn)一步細(xì)化風(fēng)險(xiǎn)分類(lèi)等級(jí)來(lái)優(yōu)化模型準(zhǔn)確率?？傮w上，構(gòu)建的風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確率為93.10%，與未采納ISM方法構(gòu)建的風(fēng)險(xiǎn)預(yù)警模型的研究[31,37]相比，準(zhǔn)確率的精度有所提升。

表5 部分仿真交叉驗(yàn)證對(duì)比數(shù)據(jù)

采用河南暴雨事件的抖音平臺(tái)數(shù)據(jù)及微博數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證，結(jié)果如表6所示。驗(yàn)證結(jié)果與實(shí)際結(jié)果一致，證明本文構(gòu)建的貝葉斯網(wǎng)絡(luò)模型在社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)的預(yù)警應(yīng)用中是可靠的。

表6 河南暴雨事件指標(biāo)數(shù)據(jù)和預(yù)測(cè)結(jié)果

5 討論

5.1 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)庫(kù)

突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)圖譜的構(gòu)建，可以幫助輿情管理機(jī)構(gòu)進(jìn)行輿情事件事態(tài)發(fā)展的追蹤并為風(fēng)險(xiǎn)識(shí)別提供知識(shí)庫(kù)[45]。本文提出的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)預(yù)警模型，通過(guò)知識(shí)圖譜構(gòu)建獲取社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)并進(jìn)行存儲(chǔ)。一方面，風(fēng)險(xiǎn)識(shí)別知識(shí)庫(kù)可為后續(xù)社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因素的識(shí)別提供支撐；另一方面，采用圖挖掘技術(shù)和語(yǔ)義匹配方式構(gòu)建突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別知識(shí)庫(kù)，包含全部實(shí)體要素及實(shí)體要素間的關(guān)聯(lián)關(guān)系，便于突發(fā)事件社交網(wǎng)絡(luò)輿情全景態(tài)勢(shì)的把控和輿情風(fēng)險(xiǎn)敏感節(jié)點(diǎn)的洞察。同時(shí)，與貝葉斯網(wǎng)絡(luò)形成從知識(shí)獲取到風(fēng)險(xiǎn)預(yù)警的完整閉環(huán)，實(shí)現(xiàn)社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)態(tài)勢(shì)層級(jí)的研判以及異常輿情風(fēng)險(xiǎn)點(diǎn)的發(fā)現(xiàn)[46]。構(gòu)建的多層和多維突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別知識(shí)庫(kù)，提供了實(shí)體關(guān)聯(lián)查詢(xún)功能，可實(shí)現(xiàn)事件的知識(shí)發(fā)現(xiàn)，并從時(shí)間維、空間維、語(yǔ)義維和用戶維對(duì)知識(shí)進(jìn)行單維度的輿情事件關(guān)聯(lián)分析，以及對(duì)事件發(fā)展過(guò)程態(tài)勢(shì)的切片式追蹤?；谥R(shí)圖譜構(gòu)建的風(fēng)險(xiǎn)識(shí)別知識(shí)庫(kù)，還可從關(guān)聯(lián)關(guān)系角度進(jìn)行單層和多層輿情事件關(guān)系分析，從而全面立體地展示突發(fā)事件發(fā)生時(shí)的輿論多維面貌及具體行動(dòng)路徑[25]。

5.2 突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因果關(guān)系

突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因素之間的關(guān)系具有一定因果關(guān)系。突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)存在的因果關(guān)系，說(shuō)明了突發(fā)事件下社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)發(fā)生的過(guò)程是一個(gè)系統(tǒng)性過(guò)程。從實(shí)證數(shù)據(jù)分析的結(jié)果來(lái)看，信息人、信息、信息環(huán)境及信息技術(shù)四種風(fēng)險(xiǎn)類(lèi)別中，信息環(huán)境的風(fēng)險(xiǎn)是影響社交媒體網(wǎng)絡(luò)輿情發(fā)生的最直接風(fēng)險(xiǎn)因素，同時(shí)信息本身的風(fēng)險(xiǎn)是影響社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)發(fā)生的最底層因素。突發(fā)事件中社交媒體網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)因素存在的因果關(guān)系路徑，為相關(guān)機(jī)構(gòu)提供了社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)規(guī)避的溯源方法。社交媒體發(fā)生網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)時(shí)，風(fēng)險(xiǎn)規(guī)避的根本是追溯輿情風(fēng)險(xiǎn)發(fā)生時(shí)的輿情事件源頭，并關(guān)注不同社交媒體平臺(tái)的敏感信息識(shí)別，以及通過(guò)采納多模態(tài)信息融合技術(shù)手段[47]對(duì)不同信息結(jié)構(gòu)的內(nèi)容進(jìn)行整合，從而實(shí)現(xiàn)智能情報(bào)挖掘和情感監(jiān)測(cè)。同時(shí)，進(jìn)一步實(shí)現(xiàn)敏感人群監(jiān)測(cè)等[48]，實(shí)現(xiàn)科學(xué)輿情監(jiān)測(cè)向智能輿情監(jiān)測(cè)的轉(zhuǎn)變。輿情監(jiān)管機(jī)構(gòu)要重視如何利用多模態(tài)信息間深層次的因果關(guān)聯(lián)進(jìn)行信息的深度挖掘，從而有效發(fā)現(xiàn)突發(fā)事件的嚴(yán)重程度、宏觀態(tài)勢(shì)和驅(qū)動(dòng)因素等事件的隱藏信息，揭示社交媒體信息與事件態(tài)勢(shì)之間的關(guān)聯(lián)關(guān)系及映射機(jī)制，為突發(fā)事件下的社交網(wǎng)絡(luò)輿情應(yīng)急管理提供更加可靠的決策支持[49]。

5.3 風(fēng)險(xiǎn)識(shí)別及預(yù)警模型對(duì)輿情風(fēng)險(xiǎn)預(yù)警的作用

本文提出的基于ISM-BN突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別及預(yù)警模型，可以有效實(shí)現(xiàn)突發(fā)事件下的社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)分析及預(yù)警的聯(lián)動(dòng)功能。社交媒體網(wǎng)絡(luò)空間自身具有信息的生態(tài)性，網(wǎng)絡(luò)輿情研判與預(yù)警主要任務(wù)就是基于知識(shí)進(jìn)行風(fēng)險(xiǎn)感知，預(yù)判網(wǎng)絡(luò)空間生態(tài)環(huán)境的不穩(wěn)定因素。因此，結(jié)合信息生態(tài)視角構(gòu)建的社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別因素，對(duì)突發(fā)事件社交媒體網(wǎng)絡(luò)輿情的事件傳播進(jìn)行全要素的多維分析，進(jìn)而對(duì)輿情事件的態(tài)勢(shì)進(jìn)行評(píng)估，并對(duì)存在的輿情風(fēng)險(xiǎn)進(jìn)行預(yù)警，從而全面強(qiáng)化突發(fā)事件下社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)的警覺(jué)性、敏感度和鑒別力[16]。通過(guò)知識(shí)圖譜進(jìn)行實(shí)體要素之間的情景展示，結(jié)合ISM-BN模型進(jìn)行風(fēng)險(xiǎn)預(yù)警，實(shí)現(xiàn)了社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)評(píng)估結(jié)果對(duì)相關(guān)機(jī)構(gòu)決策過(guò)程的支持[50]。模型預(yù)警的結(jié)果及事例知識(shí)，反過(guò)來(lái)將繼續(xù)存儲(chǔ)于社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)預(yù)警的知識(shí)庫(kù)，并進(jìn)一步形成新的輿情案例知識(shí)。這一過(guò)程加速形成了要素齊全的突發(fā)事件網(wǎng)絡(luò)輿情案例的情報(bào)感知訓(xùn)練集，完成了突發(fā)事件風(fēng)險(xiǎn)知識(shí)庫(kù)的迭代和更新，為下一次的突發(fā)事件社交網(wǎng)絡(luò)輿情的風(fēng)險(xiǎn)預(yù)警提供了先驗(yàn)知識(shí)[51]。同時(shí)，基于ISM-BN模型構(gòu)建的知識(shí)圖譜可以快速識(shí)別輿情風(fēng)險(xiǎn)因素節(jié)點(diǎn)，當(dāng)輿情監(jiān)管機(jī)構(gòu)得知特定節(jié)點(diǎn)存在高風(fēng)險(xiǎn)時(shí)，直接以節(jié)點(diǎn)為中心通過(guò)知識(shí)圖中的路徑快速獲取前序案例中的資源部署配置方式[52]，可以實(shí)現(xiàn)輿情預(yù)警的快速部署和輿情疏導(dǎo)，從而實(shí)現(xiàn)“知識(shí)獲取-知識(shí)分析-風(fēng)險(xiǎn)預(yù)警”的邏輯分析閉環(huán)，實(shí)現(xiàn)突發(fā)事件社交媒體網(wǎng)絡(luò)輿情監(jiān)測(cè)向突發(fā)事件輿情態(tài)勢(shì)感知的轉(zhuǎn)變，提高輿情風(fēng)險(xiǎn)的“發(fā)現(xiàn)力”，強(qiáng)化跨輿論場(chǎng)多維量化分析的“計(jì)算力”，實(shí)現(xiàn)突發(fā)事件輿情整體態(tài)勢(shì)的“感知力”。

6 研究結(jié)論

本文在理論層面上，構(gòu)建基于ISM-BN的突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)識(shí)別及預(yù)警模型。通過(guò)構(gòu)建突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)知識(shí)圖譜形成突發(fā)事件案例庫(kù)，基于信息生態(tài)理論進(jìn)行社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因素識(shí)別，基于ISM方法進(jìn)行突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)要素之間的因果路徑及層級(jí)關(guān)系分析；通過(guò)ISM得到的有向路徑拓?fù)鋱D，經(jīng)過(guò)修剪獲得貝葉斯網(wǎng)絡(luò)模型，實(shí)現(xiàn)突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)預(yù)警。本文為突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)研判及預(yù)警提供了新的理論視角及研究方法。

在實(shí)踐貢獻(xiàn)方面，本文提出的風(fēng)險(xiǎn)識(shí)別及預(yù)警模型可為相關(guān)機(jī)構(gòu)進(jìn)行突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)研判提供具體的手段及路徑。同時(shí)可根據(jù)本文提出的模型，創(chuàng)新完善突發(fā)事件風(fēng)險(xiǎn)研判及應(yīng)急管理態(tài)勢(shì)感知體系，實(shí)現(xiàn)突發(fā)事件情境下社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)的有效識(shí)別。研究結(jié)果表明，基于知識(shí)圖譜構(gòu)建的風(fēng)險(xiǎn)識(shí)別知識(shí)庫(kù)，可從關(guān)聯(lián)關(guān)系角度進(jìn)行單層和雙層輿情事件關(guān)系分析，從而全面立體地展示突發(fā)事件發(fā)生時(shí)的多維面貌及具體輿情傳播路徑。同時(shí)，突發(fā)事件社交媒體網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)因素之間的關(guān)系具有一定因果關(guān)系，可幫助輿情監(jiān)管機(jī)構(gòu)進(jìn)行輿情信息間深層次的因果關(guān)聯(lián)挖掘。構(gòu)建的基于ISM-BN風(fēng)險(xiǎn)識(shí)別及預(yù)警模型，可幫助有效實(shí)現(xiàn)突發(fā)事件下的社交網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)分析及預(yù)警的聯(lián)動(dòng)功能。

本文也存在一定的局限性。出于數(shù)據(jù)特征的需求及案例知識(shí)庫(kù)構(gòu)建的復(fù)雜難度，本次案例收集的數(shù)據(jù)集較少，將在未來(lái)的研究中逐漸擴(kuò)充案例的數(shù)據(jù)集，進(jìn)行案例知識(shí)庫(kù)實(shí)時(shí)更新和進(jìn)一步的豐富，并將創(chuàng)新不同的風(fēng)險(xiǎn)監(jiān)測(cè)方法對(duì)風(fēng)險(xiǎn)預(yù)警的結(jié)果做進(jìn)一步對(duì)比，以便更加確定本文模型的有效性。