龔 睿，王筱莉，朱 株，連卓毅

(上海工程技術大學 管理學院，上海 201620)

0 引言

目前關于企業(yè)危機輿情生成方面的研究，少數(shù)學者利用fsQCA 探究企業(yè)危機輿情的生成機理[3-4]。在企業(yè)危機輿情傳播影響因素方面，有些學者基于主體層面研究不同主體對企業(yè)危機輿情傳播的驅動作用[5]，部分學者基于行為層面分析不同干預措施對企業(yè)危機輿情傳播的影響[6-7]。在企業(yè)危機輿情應對方面，學者們主要從應對效果、應對策略等角度對企業(yè)危機輿情進行研究。在輿情應對效果研究中，大多學者采用實證分析法[8]和構建指標體系[9]探究輿情應對效果。在輿情應對策略的研究中，部分學者基于系統(tǒng)動力學理論對輿情傳播機制進行分析，并在此基礎上提出輿情應對策略[10-11]。隨著研究的不斷深入，部分學者將微博文本與企業(yè)危機輿情應對策略相結合，探究輿情主題與網(wǎng)民情感變化規(guī)律，并在此基礎上提出輿情應對策略[12]。

綜上所述，學者們從不同角度針對企業(yè)危機輿情進行了大量研究并取得豐碩成果。但針對企業(yè)危機輿情探究主題與情感演變規(guī)律的研究還相對較少，且在現(xiàn)有的研究中學者們較少通過知識圖譜整體展示輿情各階段網(wǎng)民討論熱點，也較少使用情感圖譜深入探究輿情情感演變規(guī)律揭示意見領袖對網(wǎng)民情感的影響機制。基于此，在現(xiàn)有研究基礎上，本文考慮生命周期理論，融合知識圖譜與情感圖譜構建企業(yè)危機輿情主題與情感演化模型，并以“雙匯生產(chǎn)車間亂象”事件為例進行實證分析，以此來揭示企業(yè)危機輿情主題及情感演化規(guī)律并了解意見領袖對網(wǎng)民情感的影響，為企業(yè)危機輿情治理提供理論依據(jù)。

1 企業(yè)危機輿情主題與情感演化模型構建

本文以企業(yè)危機輿情為研究對象，基于生命周期理論，融合知識圖譜與情感圖譜構建企業(yè)危機輿情主題與情感演化模型，如圖1 所示。

圖1 企業(yè)危機輿情主題與情感演化分析模型

該模型主要由數(shù)據(jù)獲取及預處理、輿情階段劃分、演化分析三個環(huán)節(jié)組成。

1.1 數(shù)據(jù)獲取及預處理

通過分布式爬蟲框架Scrapy 爬取企業(yè)危機輿情相關微博及評論文本數(shù)據(jù)并對文本數(shù)據(jù)進行預處理，包括刪除重復項使用Jieba 分詞腳本和自定義詞典進行分詞、去停等，得到實驗語料庫。

1.2 輿情階段劃分

基于生命周期理論，結合輿情發(fā)生的時間和傳播趨勢，將輿情劃分為突發(fā)期、爆發(fā)期和消退期三個階段。同時將實驗語料庫按照輿情階段劃分為三個階段實驗語料庫。

1.3 演化分析

該環(huán)節(jié)基于各階段實驗語料庫進行各階段高頻關鍵詞知識圖譜構建、主題挖掘和情感分析，內容如下：

2.循環(huán)訓練法。此訓練法將數(shù)種練習按一定順序安排，嚴格控制，使身體一直處于疲勞狀態(tài)下，以發(fā)展多部位力量耐力訓練。一般采用4～5個部位練習循環(huán)4～6組，每組間歇4～6秒，訓練間歇2～3分鐘。除了發(fā)展快速力量耐力外，對運動員內臟功能也有良好影響，也可提高練習興趣。

(1)高頻關鍵詞知識圖譜構建。首先基于實驗語料庫統(tǒng)計詞語詞頻并結合TF-IDF 算法計算詞語權重，提取各階段高頻關鍵詞。

其中，tfidf 是評估詞語重要性的加權方法，tf 指詞詞頻，idf 指逆詞頻。

其次，用共詞分析法構建各階段共現(xiàn)矩陣，利用Gephi 軟件繪制各階段高頻關鍵詞知識圖譜。整體把握網(wǎng)民的關注熱點且綜合認識網(wǎng)民討論內容，并了解高頻關鍵詞在輿情事件中的地位及相互間的關系。其中，共現(xiàn)矩陣計算公式見式(4)，當詞a 和詞b 同時出現(xiàn)在一句話中，則表示詞a 和詞b 之間有共現(xiàn)關系并形成一條連邊，其邊的權重加1，反之兩個詞之不存在共現(xiàn)關系，即邊的權重為0[13]。

(2)LDA 主題挖掘?；趯嶒炚Z料庫利用LDA主題模型進行各階段主題挖掘。LDA 模型結構如圖2所示。生成文檔步驟如下：①計算文檔-文檔話題分布，針對所有文檔進行采樣，選擇參數(shù)為α 的狄利克雷分布，分布結果Qm～Dir(α)，m∈[1，M]；②計算單詞-話題分布，針對所有話題進行采樣選擇參數(shù)為β 的狄利克雷分布，分布結果Qm～Dir(β)，m ∈[1，M]；③針對第m 篇文檔的第n 個詞，從Qm中抽取一個話題Zm，n，使Zm，n～Muliti(Qm)，從φk中采用詞wm，n，使wm，n～Muliti(φk)。其中，Muliti(Qm)是Qm的多項分布，Muliti(φk)是φk的多項分布。

圖2 LDA 模型結構

(3)情感分析。該部分主要包括各階段情感傾向占比分析和各階段情感圖譜繪制。首先，利用樸素貝葉斯分類器對各階段實驗語料庫進行情感分類。其描述過程如下：①設x={a1，a2，…，am}，其中a 為x的某個特征屬性；②有類別集合C={y1，y2，…，yn}；③計算P(y1|x)，P(y2|x)，…，P(yn|x)；④若存在P=(yk|x)max{P(y1|x)，P(y2|x)，…，P(yn|x)}，則x∈yk。

其中步驟③為整個計算過程中的關鍵步驟，該步驟無法直接計算得出條件概率，因此需要對訓練集中各屬性各特征屬于各類別的條件概率進行統(tǒng)計。即：

其次，根據(jù)各階段文本情感分類結果確定發(fā)表該文本的用戶的情感傾向，通過Python 提取各階段用戶間的轉發(fā)評論關系，以微博用戶為節(jié)點，用戶之間的轉發(fā)以及評論關系為邊[14]，利用Gephi軟件繪制各階段情感演化圖譜進行可視化情感演化分析。

2 實證分析

2.1 數(shù)據(jù)獲取與輿情階段劃分

考慮到微博平臺的高影響力和高關注度，本文以“雙匯生產(chǎn)車間亂象”事件作為研究案例，基于微博平臺借助分布式爬蟲框架Scrapy 爬取與該事件相關的熱門微博及評論信息共獲取相關數(shù)據(jù)11 622條并進行預處理，最終得到7 874 條有效文本數(shù)據(jù)。依據(jù)生命周期理論，結合事件發(fā)生的時間以及傳播量等特征，將此次輿情事件劃分為三個階段：3 月14日突發(fā)期階段，共有343 條有效文本數(shù)據(jù)；3 月15日～3 月16 日爆發(fā)期階段，共有6 495 條有效文本數(shù)據(jù)；3 月17 日～3 月31 日消退期階段，共有1 009條有效文本數(shù)據(jù)。

2.2 高頻關鍵詞知識圖譜構建

本節(jié)通過TD-IDF 算法及詞頻統(tǒng)計提取各階段權重排名前300 且詞頻排名前100 的高頻關鍵詞構建知識圖譜，結果如圖3 所示。其中，詞語出現(xiàn)頻率越高節(jié)點越大，節(jié)點之間共現(xiàn)次數(shù)越多連邊越粗。

圖3 各階段高頻關鍵詞共現(xiàn)知識圖譜

由圖3 可知，在輿情整個時期，均是“雙匯”一詞為中心節(jié)點，其他關鍵詞向邊緣擴散?！半p匯”“火腿腸”“食品”“安全”“生產(chǎn)”“車間”“豬排”等詞聯(lián)線較粗共現(xiàn)明顯，這些關鍵詞圍繞此次輿情事件以及由雙匯事件所引發(fā)的食品安全問題，表明雙匯事件本身和食品安全問題是整個輿情期間網(wǎng)民的關注熱點。

2.3 LDA 主題挖掘

本節(jié)采用LDA 主題模型進行各階段主題挖掘，具體結果如表1 所示。

表1 各階段主題挖掘結果

由表1 可知，在突發(fā)期階段輿情討論內容三個主題。其中，TopicI-1 討論內容是雙匯集團之前存在的瘦肉精等問題；TopicI-2 是指雙匯生產(chǎn)車間亂象事件本身；TopicI-3 是網(wǎng)友對雙匯的批評與抵制。在爆發(fā)期階段，輿情討論內容在突發(fā)期討論內容的基礎上得到了豐富。雙匯生成車間亂象事件在突發(fā)期首次曝光，在爆發(fā)期階段網(wǎng)友對雙匯事件本身進行再次轉載(TopicII-2)。在宏觀層面，網(wǎng)民的主要關注點集中于監(jiān)管部門對企業(yè)食品安全的監(jiān)管力度和監(jiān)管責任的討論(TopicII-3)以及食品安全問題的討論(TopicII-1)。從網(wǎng)民自身角度來看，由于在此次事件期間酸菜也被爆出食品安全問題，網(wǎng)民將火腿腸和泡面一起進行了討論(TopicII-5)。雙匯發(fā)展發(fā)布聲明進駐雙匯南昌生產(chǎn)車間進行調查、自查自糾，并發(fā)布了道歉聲明以及整改措施。因此聯(lián)合調查組入駐調查以及雙匯集團發(fā)布道歉聲明也是爆發(fā)期的主要話題(TopiII-6、TopicII-4)。在消退期階段，討論內容分為四類，分別為網(wǎng)民希望監(jiān)管部門對于存在食品安全問題的企業(yè)及責任人進行嚴懲(TopicIII-1)、食品安全事件頻發(fā)的根源(TopicIII-2)、對雙匯所發(fā)布的道歉聲明和整改措施的不認同(TopicIII-3)對食品安全問題進行討論(TopicIII-4)。

通過對表1 中內容分析可知，部分話題會在相鄰的兩個階段連續(xù)出現(xiàn)受到網(wǎng)民持續(xù)性地討論，表明這些話題不僅是輿論熱點還是網(wǎng)民關切的問題。網(wǎng)民對雙匯事件本身持有不滿意的態(tài)度，并從監(jiān)管力度、處罰力度、事件發(fā)生根源等方面對監(jiān)管部門和國家法律提出質疑。雙匯集團對于此次輿情的應對效果并不好，究其緣由，從過去報道以及突發(fā)期挖掘結果可以發(fā)現(xiàn)雙匯集團曾發(fā)生食品安全問題導致網(wǎng)民對該集團失去信任。因此，企業(yè)以及相關部門可以實時監(jiān)測輿情演變動態(tài)并根據(jù)輿情主題演化特征，針對各階段不同的熱點輿論采取合理及差異化的應對措施。

2.4 情感分析

2.4.1 情感傾向性分析

本節(jié)利用樸素貝葉斯分類器對微博文本進行情感分類，分類結果如表2 所示。

表2 各階段網(wǎng)民情感傾向占比

由表2 可知，在整個輿情期間，負向情感占主導地位占比為73%，而正向情感占比在整個輿情期間波動不明顯，表明在此次輿情中網(wǎng)民對食品安全問題的厭煩且在整個輿情傳播過程中有小部分網(wǎng)友能堅持自己的立場。結合主題挖掘結果，輿情突發(fā)期階段中性情感占比27%相對較高，是由于部分網(wǎng)民對微博報道進行一個轉載使得有些評論信息和微博沒有明顯的情感傾向。輿情爆發(fā)期階段，輿情事件得到了網(wǎng)友的廣泛參與，多數(shù)網(wǎng)友從雙匯事件本身上升到企業(yè)食品安全問題、監(jiān)管問題，并對監(jiān)管部門和雙匯集團發(fā)表了負面評論。在此期間酸菜也被爆出負面新聞，部分網(wǎng)友將兩者聯(lián)系在一起，更激發(fā)了網(wǎng)民對于企業(yè)食品安全問題的負面情緒，因此爆發(fā)期階段負向情感占比高達75%，在整個輿情演化周期中占比最高。在輿情消退期階段，負面情感由爆發(fā)期的75%下降到62%，中性情感由爆發(fā)期的17%上升到29%。此階段部分網(wǎng)友開始理智地探討食品安全問題頻發(fā)的根源，形成了負向情感向中性情感的轉變。

2.4.2 情感圖譜構建

為了更加深入地了解企業(yè)危機輿情情感演化規(guī)律并了解意見領袖對普通用戶情感的影響機制，本節(jié)進行情感圖譜繪制，如圖4 所示。其中小、中、大節(jié)點分布代表擁有負面、中性、正面情感的網(wǎng)民。輿情突發(fā)期，共有316 個節(jié)點、313 條邊，普通節(jié)點形成了一定的負面情感聚集。輿情爆發(fā)期，共有3 968 個節(jié)點、3 975 條邊，普通節(jié)點數(shù)量迅速增加，負面情感聚集現(xiàn)象更加集中，以媒體用戶為主的核心節(jié)點其影響力變大。輿情消退期，共有285 個節(jié)點、282 條邊。表明企業(yè)危機輿情的突發(fā)期和爆發(fā)期是輿情管控的關鍵時期。

圖4 各階段情感圖譜

從節(jié)點影響力來看，在輿情突發(fā)期，與微博紅人和媒體用戶相連的普通用戶節(jié)點數(shù)量差距不大；在輿情爆發(fā)期，與微博紅人相比，普通用戶與媒體用戶連接更多；在輿情消退期，與普通用戶節(jié)點相連的多為媒體用戶節(jié)點。表明在整個輿情傳播過程中，媒體用戶影響力最為顯著，微博紅人影響力略低于媒體用戶。從節(jié)點情感傾向來看，媒體用戶多為中性情感。微博紅人情感傾向多為負向。但多數(shù)普通節(jié)點與微博紅人情感類別一致，表明其情緒對社群內其他普通用戶的情感有較為直接的影響，容易引起普通用戶的情感共鳴。因此，在輿情管理中，應加強對微博紅人的輿論引導，以防其可能的不當言論，擴大事件影響力。

3 結論

本文基于生命周期理論，融合知識圖譜和情感圖譜構建企業(yè)危機輿情主題與情感演化模型。以“雙匯生產(chǎn)車間亂象”事件為例，采用知識圖譜、LDA 主題模型、樸素貝葉斯情感分類器和情感圖譜對輿情不同階段的網(wǎng)民關注熱點、討論主題和情感演變規(guī)律進行實證分析。通過實證分析得出結論：(1)隨著輿情的不斷演化，網(wǎng)民討論內容略有不同，但部分話題受到持續(xù)性討論。(2)網(wǎng)民情感變化與輿情主題演化規(guī)律相吻合。突發(fā)期階段開始產(chǎn)生負面情緒；隨著輿情的擴散負面情感在爆發(fā)期階段達到峰值；輿情消退期部分網(wǎng)民回歸理智負面情感較爆發(fā)期有所下降。(3)媒體用戶和微博紅人多為輿情傳播過程中的核心節(jié)點，媒體用戶的影響力略高于微博紅人，但普通用戶的情感容易受到微博紅人的影響。

本文僅選擇“雙匯生產(chǎn)車間亂象”事件進行分析，而不同企業(yè)危機輿情事件可能會存在差異，將多個案例進行對比研究，進一步深入探討企業(yè)危機輿情主題與情感演化規(guī)律將是接下來的研究重點。