楊海林 田軍 李莉芳

1.西安交通大學(xué)管理學(xué)院 西安 710049；

2.倫敦國王學(xué)院生物統(tǒng)計與健康信息學(xué)系 倫敦 SE 8AF

引言

在自然災(zāi)害事件爆發(fā)后，公眾在社交媒體平臺上參與各類熱點話題的討論。知乎、微博和推特等社交媒體平臺成了公眾對突發(fā)災(zāi)害事件發(fā)表包含情緒、態(tài)度、意見與想法等的關(guān)鍵渠道。2021 年7 月，河南省鄭州市接連遭遇特大暴雨，此次特大自然災(zāi)害造成全省150 個縣(市、區(qū))、1663 個鄉(xiāng)鎮(zhèn)、1453.16 萬人受災(zāi)，直接經(jīng)濟(jì)損失高達(dá)1142.69 億元[1]。在此次自然災(zāi)害的形成與發(fā)展過程中，各類話題在社交媒體上引發(fā)了廣泛的關(guān)注與討論，這些話題體現(xiàn)了公眾的關(guān)注與訴求。但是網(wǎng)絡(luò)空間上的信息交流密集且復(fù)雜，如何從海量信息中提取出能體現(xiàn)公眾核心訴求的信息至關(guān)重要。因此，政府有必要通過了解公眾在突發(fā)事件中關(guān)注的主要話題，及時傳遞政府信息，妥善平息輿論風(fēng)波，安撫公眾的緊張或恐慌情緒，從而保障網(wǎng)絡(luò)空間和現(xiàn)實社會的和諧與穩(wěn)定[2,3]。

知乎作為中文社區(qū)最大的社會化問答平臺，其月活躍用戶規(guī)模已超過一億[4]，其定位用戶群體是愿意分享專業(yè)的知識、經(jīng)驗、見解的社會人群。知乎平臺采用問答化的長文本交流方式，內(nèi)容創(chuàng)作者希望自己的觀點或看法能被他人所認(rèn)可，這使得對問題發(fā)表的評價注重原創(chuàng)性、多元性和科學(xué)性，能夠發(fā)現(xiàn)有別于微博、推特等短文本社交媒體平臺的觀點態(tài)度[5]。知乎平臺上所發(fā)表的信息質(zhì)量更高，提取這些信息不僅能夠反映自然災(zāi)害事件中公眾的核心訴求[6]，也能識別部分專業(yè)人員對突發(fā)事件的解決方法[7]。因此，本文將聚焦知乎用戶的關(guān)注主題分析，通過了解知乎話題來解析自然災(zāi)害事件期間公眾關(guān)注焦點的演化規(guī)律。

本文基于知乎平臺上用戶發(fā)表內(nèi)容，挖掘關(guān)于兩次洪災(zāi)的自然災(zāi)害事件的輿情話題演化規(guī)律。本文想要了解并解決以下幾個問題：

（1）在自然災(zāi)害事件輿情傳播過程中，公眾對哪些主題產(chǎn)生了關(guān)注，所關(guān)注的主題內(nèi)容產(chǎn)生了怎么樣的變化？

（2）高質(zhì)量用戶的參與情況對主題的傳播和分享有什么影響？

（3）不同時期的同類型自然災(zāi)害事件的主題演化過程中，有哪些相似與差別？

1 研究述評

研究社交媒體平臺信息主題演化的方法有很多，概率話題模型近年來被廣泛使用，相比于傳統(tǒng)的統(tǒng)計學(xué)文本分析方法，其對數(shù)據(jù)集的適應(yīng)性能力強(qiáng)，所涵蓋內(nèi)容廣，主要有LDA，CTM，PDM 等模型方法。LDA 主題模型是目前應(yīng)用最為廣泛的概率話題模型[8,9]。例如王璟琦等[10]通過空間自相關(guān)理論和LDA 模型，提取“旅游”話題演化的時空規(guī)律。姜金貴等[11]利用LDA 主題模型探究“紅黃藍(lán)虐童”事件中主題的傳播和民眾情緒變化對輿情走向的影響。王子涵等[12]利用DMM 主題模型對微博平臺上“韓國部署薩德系統(tǒng)”事件話題的演化進(jìn)行分析。李月[13]采用后離散時間法結(jié)合LDA 主題模型，對突發(fā)公共衛(wèi)生事件中公共政策主題的演化規(guī)律進(jìn)行了研究。劉國威等[14]采用LDA 主題模型和詞項共現(xiàn)網(wǎng)絡(luò)探究了微博平臺上“南海仲裁案”事件的周期演化規(guī)律。

在突發(fā)應(yīng)急事件的主題演化研究中，許多學(xué)者利用社交媒體平臺的信息優(yōu)勢，也對各類突發(fā)應(yīng)急事件的輿情主題演化進(jìn)行了分析。例如王艷東等[15]對微博平臺上的暴雨應(yīng)急事件信息挖掘了輿情主題的時間與空間分布。吳小蘭等[16]以H7N9 事件的用戶關(guān)系網(wǎng)絡(luò)為對象探究了微博社區(qū)用戶特征和主題演化情況。安璐等[17]圍繞埃博拉疫情探究微博各階段熱點主題和用戶行為的相關(guān)關(guān)系。張兆陽等[18]探究了新冠疫情爆發(fā)時期微博平臺上的討論話題和用戶行為模式。而在自然災(zāi)害應(yīng)急事件中，李綱等[19]在“哈維”颶風(fēng)的Twitter 短文本數(shù)據(jù)集下對自然災(zāi)害的主題演化進(jìn)行研究，篩選出受災(zāi)地區(qū)和非受災(zāi)地區(qū)不同分類的話題信息，并探究了其在不同時間階段的主題差異。李紹攀等[20]對微博平臺上臺風(fēng)“山竹”與“利奇馬”的話題熱度與輿情情感變化展開分析，此外還通過數(shù)據(jù)結(jié)果與地區(qū)情況對城市災(zāi)害損失進(jìn)行了估計。

從上述研究來看，現(xiàn)有文獻(xiàn)多數(shù)對如微博、Twitter 這類短文本信息多的社交媒體平臺展開輿情主題演化研究，但自然災(zāi)害這類突發(fā)應(yīng)急事件，還缺乏如知乎這類長文本信息平臺的輿情主題演化分析。不同平臺由于其用戶角色、行為特征等方面有所差異，對知乎平臺上的輿情主題進(jìn)行分析可以補(bǔ)充相關(guān)研究[21]。

針對突發(fā)應(yīng)急事件主題研究，主要集中于事件中各個階段的熱點主題內(nèi)容，時間和空間層面上傳播過程分析，以及主題和用戶行為模式與情感特征等關(guān)系。這類研究鮮有依據(jù)挖掘文本的類型篩選適合的主題模型方法進(jìn)行分析。且通常分析單一案例下主題演化情況，未能充分反映同一類型災(zāi)害事件下主題演化的機(jī)理。此外，在用戶行為模式上學(xué)者們主要關(guān)注點贊數(shù)、評論數(shù)等因素，而平臺的高質(zhì)量用戶參與情況也會對主題傳播產(chǎn)生影響。本文以知乎平臺討論為例，研究自然災(zāi)害事件主題演化規(guī)律，采用針對性方法建模，并結(jié)合兩個案例的數(shù)據(jù)類比分析得出結(jié)論。

2 研究原理與設(shè)計

2.1 研究過程設(shè)計

基于本文擬解決的問題，設(shè)計圖1 所示的研究思路與流程，具體步驟如下：

圖1 實驗流程圖

（1）以知乎平臺的關(guān)鍵詞話題下的問答、文章推文為數(shù)據(jù)源抓取文本數(shù)據(jù)。

（2）進(jìn)行去除文本數(shù)據(jù)中的噪聲、分詞并去除停用詞等預(yù)處理工作。

（3）通過CTM 主題模型確定主題數(shù)量，獲取各主題的概率分布。

（4）根據(jù)模型結(jié)果，在時間序列上進(jìn)行主題演化分析，從而探究自然災(zāi)害事件中公眾的話題關(guān)注點和話題關(guān)注度變化規(guī)律。在主題內(nèi)容演化分析過程中，本文探究的內(nèi)容為：①主題強(qiáng)度演化；②主題傳播廣度演化；③高質(zhì)量用戶（意見領(lǐng)袖）參與情況對主題演化的影響。

2.2 CTM模型原理

本文的主題生成方法采用Blei 與Lafferty等[22]于2006 年提出的CTM（Correlated Topic Model）主題模型。模型的核心思想是用邏輯斯蒂正態(tài)分布來代替LDA 主題模型中的狄利克雷分布[23]，引入?yún)f(xié)方差矩陣來描述語料庫中主題之間的潛在相關(guān)性。其K維多元分布的指數(shù)型分布概率由以下的等式表示：

在公式（1）中，z可以取k的值，并由一個k維向量表示。均值參數(shù)化或單純形的映射函數(shù)和這種對數(shù)化過程表示為：

在邏輯斯蒂-正態(tài)分布（Logistic Normal distribution）下，假設(shè)ηi服從正態(tài)分布（Normal distribution）并使用公式(2)的倒數(shù)，然后將其定義到均值參數(shù)化或單純形上。那么在CTM 主題模型中生成文檔的過程如圖2 所示[21]。

圖2 CTM 模型文檔生成過程

本文所研究內(nèi)容基于自然災(zāi)害事件，有別于長周期的突發(fā)公共衛(wèi)生事件，發(fā)展變化周期通常在1-2 個月，主題內(nèi)容在時間序列上較為密集，且主題數(shù)量一般在60 個以下。根據(jù)Li 等基于NIPS 數(shù)據(jù)子集的實驗，在主題數(shù)量較小情況下，CTM 主題模型與其他靜態(tài)主題模型相比模型對數(shù)似然函數(shù)值最大，如圖3 所示，函數(shù)值越大時模型困惑度越小，表明模型的聚合效果更佳[24]。知乎內(nèi)容具有文本長和相互關(guān)聯(lián)性強(qiáng)的特點，而CTM 主題模型在一個大類主題的細(xì)分類型情境下能夠?qū)崿F(xiàn)優(yōu)于其他方法的分類效果[25]。本文基于話題模型庫TOMOTOPY 實現(xiàn)CTM 主題模型生成。

圖3 模型不同數(shù)量主題下的對數(shù)似然函數(shù)值比較

2.3 數(shù)據(jù)獲取與預(yù)處理

在Python 編程環(huán)境下，爬取兩次暴雨洪澇災(zāi)害事件的數(shù)據(jù)集作為樣本。2021 年7 月12日至2021 年9 月5 日期間“2021 年7·20 河南暴雨”及其相關(guān)關(guān)鍵詞下問題貼回答、發(fā)布文章、話題精華中的全部討論信息為事件A。2020 年6 月25 日至2020 年8 月19 日期間“2020 年中國南方洪澇災(zāi)害”及其相關(guān)關(guān)鍵詞下問題貼回答、發(fā)布文章、話題精華中的全部討論信息為事件B。這些信息包含語料內(nèi)容、發(fā)布時間、點贊數(shù)、評論數(shù)等，將包含以上信息的每條語料稱為數(shù)據(jù)文檔。事件A 共計文檔數(shù)32542 條，事件B 共計文檔數(shù)4154 條。數(shù)據(jù)文檔按時間分布情況見圖4，按照輿情生命三周期理論劃分為發(fā)展期，高潮期，消散期，符合客觀實際[13]。

圖4 輿情數(shù)據(jù)時間分布

本研究使用pandas、jieba 等工具包實現(xiàn)分詞和文本清洗等預(yù)處理，并將語料庫按照一定比例重復(fù)，以提高主題模型的建模效果。最終事件A 獲得26007 條數(shù)據(jù)文檔，事件B 獲得4012 條數(shù)據(jù)文檔。

2.4 主題數(shù)量確定

有監(jiān)督主題模型假設(shè)了主題數(shù)量是一個給定的值，而數(shù)據(jù)集的主題數(shù)量事先未知，需要利用判別方法來確定最佳主題數(shù)量以保證結(jié)果的合理性。本研究通過困惑度（Perplexity）[27,28]和主題一致性（Topic Coherence）[29]確定主題數(shù)量。

困惑度是現(xiàn)在判斷主題模型最佳主題數(shù)量最常用的指標(biāo)，其計算公式為[30]：

其中，Dt表示數(shù)據(jù)文檔集，M表示數(shù)據(jù)文檔數(shù)量，d表示文檔編號(d∈Dt)，Nd表示單個數(shù)據(jù)文檔的詞數(shù)，wd表示單個數(shù)據(jù)文檔里的詞，logp(wd)表示數(shù)據(jù)文檔中詞wd對數(shù)概率函數(shù)值。

基于困惑度在許多情況下能夠獲取較好結(jié)果，但由于所選取的種子數(shù)不同，主題分布會發(fā)生變化，模型可能無法得到解釋性足夠好的主題內(nèi)容。主題一致性評價通過單詞的共現(xiàn)頻率統(tǒng)計數(shù)據(jù)來獲取得分，確定主題數(shù)量。主題一致性得分越高，表示各主題的意義可讀性越好。其常用的四種算法為c_uci, u_mass, c_npmi和c_v，其中c_uci, c_v, c_npmi方法需要單獨的文本數(shù)據(jù)集進(jìn)行計算，而u_mass是基于原本的語料庫信息生成主題一致性得分[31]。本文采用tomotopy 庫coherence類中的U_mass預(yù)設(shè)函數(shù)計算最佳主題數(shù)的選擇范圍。設(shè)D(v)為詞類型v的文檔頻率（即包含至少一個類型v標(biāo)記的文檔數(shù)量），并且D(v,v')為詞類型v和v'的文檔共現(xiàn)頻率（即包含一個或多個類型為v標(biāo)記和至少一個類型為v'標(biāo)記的文檔數(shù)量），則u_mass的主題一致性得分計算公式為[31]：

計算事件A 和事件B 不同主題數(shù)下主題模型困惑度和主題一致性評分，結(jié)果如圖5 所示。綜合考慮兩指標(biāo)下主題數(shù)量最佳區(qū)間，確定事件A 主題數(shù)14 個，事件B 主題數(shù)6 個。

圖5 困惑度和主題一致性得分曲線

3 實驗分析

3.1 主題發(fā)現(xiàn)

按照上述主題數(shù)量，提取事件討論的主題內(nèi)容及各數(shù)據(jù)文檔的主題分布概率，并根據(jù)表征詞命名各主題并數(shù)字編號?；趹B(tài)勢感知理論[32,33]，可以按照社會環(huán)境、建設(shè)環(huán)境、物理環(huán)境和非態(tài)勢感知四種類別歸納主題。主題及其前十個表征詞舉例見表1，各個主題分類見表2。

表1 部分主題和前十個表征詞分布概率

表2 事件主題分類

3.2 主題強(qiáng)度演化

主題發(fā)布強(qiáng)度反映了網(wǎng)友對災(zāi)害中事件信息的關(guān)注程度。假設(shè)整個事件的持續(xù)時間的日期集合為T，每個數(shù)據(jù)文檔的發(fā)布日期為td，則有td∈T。通過CTM 主題模型，可以得出每個數(shù)據(jù)文檔中各主題分布概率pd i，那么根據(jù)事件發(fā)生的第t日話題i的總概率分布，單日單個主題的強(qiáng)度可以表示為：

根據(jù)各主題在第t日的強(qiáng)度Hti，歸納出每日主題強(qiáng)度排名前50%的主題，可以得到主題發(fā)布強(qiáng)度隨時間分布（各階段）的演化情況見表3。

表3 事件主題強(qiáng)度演化事件A

事件A：在發(fā)展期，暴雨發(fā)展情況(A1)和暴雨和疫情情況(A9)兩個主題強(qiáng)度最高。在整個高潮期，主題強(qiáng)度最高的三個主題依次為鴻星爾克捐款(A0)，地鐵停運與遇難 (A11) 和企業(yè)捐款與救助信息(A13)，同時，災(zāi)情中的性別話題(A5)，明星志愿救援行為(A6)兩個主題也有較高主題強(qiáng)度；在消散期，災(zāi)害調(diào)查情況(A12)主題強(qiáng)度最高。期間平均主題強(qiáng)度最高的兩個主題依次為鴻星爾克捐款(A0)和企業(yè)捐款與救助信息(A13)，平均值分別為100.481 和93.366；

事件B：在發(fā)展期，洪災(zāi)發(fā)展情況(B4)主題強(qiáng)度最高；在高潮期，高考因洪災(zāi)延期(B1)主題強(qiáng)度最高，其次是洪災(zāi)發(fā)展情況(B4)；在消散期，城市排水與水利工程討論(B3)主題強(qiáng)度最高。期間平均主題強(qiáng)度最高的主題是高考因洪災(zāi)延期(B1)，平均值為18.497。

3.3 主題傳播廣度演化

主題傳播的廣度反映了網(wǎng)友在災(zāi)害中對事件信息傳播與分享的意愿。在知乎平臺上，回答和文章的點贊數(shù)量越高，則越有可能會被平臺推送至更多數(shù)量的其他用戶推薦主頁上，由于知乎的回答和文章不顯示閱讀量，其點贊數(shù)量的高低表示了信息傳播范圍的廣狹。點贊行為通常代表用戶對某一特定主題觀點的肯定態(tài)度，為放大特定主題的傳播效果，取概率分布最大的主題為所傳播主題，通過每條數(shù)據(jù)文檔點贊數(shù)vd和各主題分布概率pi d，主題傳播廣度可以表示為：

根據(jù)各主題第t日的傳播廣度Sti，歸納出每日主題傳播廣度排名前50%的主題，可以得到主題傳播廣度隨時間分布（各階段）的演化表，見表4。

表4 主題傳播廣度演化

事件A：在發(fā)展期，地鐵停運與遇難(A11)傳播廣度最高，其次是暴雨發(fā)展情況(A1)和暴雨救援工作(A4)。在整個高潮期，鴻星爾克捐款(A0)傳播廣度最高，同時，災(zāi)情中的性別話題(A5)，明星志愿救援行為(A6)也有較高傳播廣度；在消散期，災(zāi)害調(diào)查情況(A12)傳播廣度最高。期間平均主題傳播廣度最高的兩個主題依次為鴻星爾克捐款(A0 )與災(zāi)情中的性別話題(A5)，平均值分別為224.0 與116.5；

事件B：在發(fā)展期，洪災(zāi)原因(B0)傳播廣度最高；在高潮期，高考因洪災(zāi)延期(B1)傳播廣度最高，其次是抗洪救災(zāi)工作(B2)；在消散期，城市排水與水利工程討論(B3)傳播廣度最高。期間平均主題傳播廣度最高的主題是高考因洪災(zāi)延期(B1)，平均值為17.6。

3.4 高質(zhì)量用戶對主題演化的影響

由于每個數(shù)據(jù)文檔不僅包含點贊數(shù)、評論數(shù)，還包含了用戶的被關(guān)注數(shù)和獲取贊同數(shù)等信息，可根據(jù)這些信息觀察用戶群體如何影響自然災(zāi)害事件主題的演化過程。本文選取所有被關(guān)注數(shù)大于10000，被點贊數(shù)大于10000 的用戶，記為高質(zhì)量用戶。這些高質(zhì)量用戶一般為知乎社區(qū)的意見領(lǐng)袖，是指在人際關(guān)系網(wǎng)如社區(qū)群體中，能經(jīng)常為他人提供有效的信息、建議或個人觀點，同時對他人的決定和行為施加影響的活躍人群[34]。將每個主題中符合篩選條件的回答用戶人數(shù)記為高質(zhì)量用戶參與數(shù)。通過計算兩個自然災(zāi)害事件案例中主題的點贊數(shù)、評論數(shù)以及高質(zhì)量用戶參與數(shù)之間的Spearman相關(guān)系數(shù)，分析整個事件中三種數(shù)據(jù)之間是否存在兩兩相關(guān)關(guān)系。使用SPSS 25.0 軟件，得到的計算結(jié)果如表5 所示：

表5 點贊數(shù)、評論數(shù)與高質(zhì)量用戶參與數(shù)的相關(guān)性分析

從表5 可見，點贊數(shù)、評論數(shù)和高質(zhì)量用戶參與數(shù)之間存在相關(guān)關(guān)系，點贊數(shù)和評論數(shù)、高質(zhì)量用戶參與數(shù)之間的Spearman 相關(guān)系數(shù)均在0.8 以上，置信度均小于0.01，兩者的相關(guān)性很強(qiáng)；而評論數(shù)和高質(zhì)量用戶參與數(shù)之間的Spearman相關(guān)系數(shù)在0.6以上，置信度小于0.05，評論數(shù)與高質(zhì)量用戶參與數(shù)之間的相關(guān)性稍弱。

4 結(jié)果與討論

4.1 自然災(zāi)害事件中主題關(guān)注度和演化規(guī)律

總體而言，自然災(zāi)害事件主題的演化規(guī)律遵循災(zāi)害發(fā)展過程的演化邏輯，且兩次事件在不同階段主題具有一定相似性。在災(zāi)害發(fā)生期間，事件發(fā)展期用戶對災(zāi)情的發(fā)展態(tài)勢和救援情況較為關(guān)注，并且愿意去發(fā)表災(zāi)情相關(guān)的祈禱與祝福內(nèi)容；而在事件爆發(fā)期，用戶的關(guān)注點轉(zhuǎn)移到突發(fā)社會熱點事件，有關(guān)管理部門對災(zāi)情各種問題的應(yīng)對情況等，在此期間用戶輿情信息發(fā)布數(shù)呈指數(shù)級增長；事件消散期中，用戶關(guān)注應(yīng)急處置工作的反思與總結(jié)，災(zāi)害調(diào)查情況等內(nèi)容。此外，關(guān)注度更高的“2021 年7·20河南暴雨”，其話題數(shù)量在時間序列上更為集中。

4.2 主題類型與主題關(guān)注度情況分析

從兩個案例類比來看，用戶對于災(zāi)害事件中的社會環(huán)境類主題有著極高關(guān)注度，如主題“鴻星爾克捐款”與“高考因洪災(zāi)延期”。這兩個主題的關(guān)鍵傳播關(guān)鍵節(jié)點分別為爆發(fā)期的中期與初期階段，都在災(zāi)害事件中引起了用戶的廣泛關(guān)注，其較高的主題強(qiáng)度和傳播廣度一定程度上推動了平臺用戶對整個災(zāi)害事件有較高討論熱度。政府管理部門應(yīng)當(dāng)在災(zāi)害爆發(fā)期時密切關(guān)注社會環(huán)境類事件，及時控制信息傳播，防止輿情進(jìn)一步擴(kuò)散發(fā)酵。兩個案例中，用戶討論主題存在如“城市內(nèi)澇與排水系統(tǒng)”“城市排水與水利工程”等相似內(nèi)容，證明用戶對于科普知識等內(nèi)容存在關(guān)注與了解，而求助信息等內(nèi)容難以受到關(guān)注。在社會化問答平臺上，公眾對專業(yè)的科普信息有著一定需求，平臺應(yīng)當(dāng)通過一些激勵措施鼓勵高質(zhì)量用戶發(fā)布專業(yè)知識內(nèi)容，幫助民眾提升防范災(zāi)害能力。同時，應(yīng)急機(jī)構(gòu)也可以和平臺展開合作，集中管理災(zāi)害期間求助信息的轉(zhuǎn)發(fā)與擴(kuò)散，推動建立災(zāi)情期間信息協(xié)調(diào)與共享機(jī)制，提高受災(zāi)地區(qū)用戶信息的可見度，能夠更有效地開展應(yīng)急響應(yīng)與處置工作。

4.3 高質(zhì)量用戶參與情況對主題傳播的影響

在事件網(wǎng)絡(luò)討論中，社會化問答平臺上的高質(zhì)量用戶的參與情況會對主題所討論內(nèi)容獲取的點贊數(shù)產(chǎn)生很大影響，而點贊數(shù)高的主題也往往會在評論區(qū)有較多用戶參與討論，這致使了公眾關(guān)注焦點轉(zhuǎn)移，進(jìn)而加快了主題傳播的速度。平臺需要重視和利用好高質(zhì)量用戶在災(zāi)害事件中的社會化網(wǎng)絡(luò)功能，讓高質(zhì)量用戶所發(fā)布專業(yè)知識、受災(zāi)需求等信息的傳播更為有效。平臺也應(yīng)當(dāng)做好這些用戶的內(nèi)容把關(guān)，與政府形成暢通的反饋渠道，及時闡述真實準(zhǔn)確的事件情況，合理引導(dǎo)輿情的發(fā)展方向。

5 結(jié)論

本文以社會化問答平臺知乎為例，結(jié)合輿情生命三周期理論，揭示了自然災(zāi)害事件輿情傳播的演化規(guī)律。在理論層面，以往的各類網(wǎng)絡(luò)輿情研究通常通過LDA 等主題模型進(jìn)行主題提取以及困惑度確定主題數(shù)量，而本文根據(jù)平臺內(nèi)容特點選取CTM 模型以得到更好的挖掘效果，并且采用困惑度和主題一致性相結(jié)合的方式對照分析，提升了主題數(shù)量確定方式的合理性，并且，引入一種適用知乎平臺主題強(qiáng)度和主題傳播廣度的計算方法，可視化結(jié)果可以更直觀反映主題的周期變化情況，為未來的突發(fā)事件輿情主題演化研究提供一定的方法參考。在實踐層面，以往研究多局限于單個案例，本文對比分析前后兩年的自然災(zāi)害輿情主題演化過程，研究發(fā)現(xiàn)在自然災(zāi)害事件發(fā)生后數(shù)天內(nèi)輿情傳播速度極快，且不同周期下輿情主題有較為明顯的劃分類型，更為全面地展示了用戶對自然災(zāi)害這類型事件輿情關(guān)注的變化情況，有利于自然災(zāi)害事件下應(yīng)急管理相關(guān)部門及時對輿情事件做出識別，引導(dǎo)和控制管理過程，為政府在社交媒體網(wǎng)絡(luò)上對自然災(zāi)害事件的輿情應(yīng)對提供決策支持。

由于本文只涉及不同時間維度上的兩個案例，未來研究中可引入其他維度如空間維度進(jìn)行多維度綜合分析，也可以采取數(shù)據(jù)量更大或時間范圍更廣的案例進(jìn)行深入研究，得出普適性更強(qiáng)的結(jié)論。