基于交互關系的突發事件熱度預測研究

2017-04-07 22:11:12楊長春袁敏

現代情報 2017年3期

楊長春++袁敏

〔摘要〕突發事件之間存在的關聯、削弱或衍生的關系，會對現發的突發事件的熱度產生影響。本文根據突發事件的交互關系，建立輿情敏感信息庫，對突發事件的熱度進行預測，并通過實驗驗證和理論分析，為政府消解突發事件負面輿情提供參考。

〔關鍵詞〕交互關系；突發事件；輿情預熱度；輿論共識度

DOI：10.3969/j.issn.1008-0821.2017.03.008

〔中圖分類號〕G206〔文獻標識碼〕A〔文章編號〕1008-0821（2017）03-0040-06

〔Abstract〕The weakened or derived relationships between the occurrence of emergencies，effect the heat of the current incident.Based on the interaction of emergencies，this paper built a public sensitive information database to predict the heat of emergencies.Through the experimental verification and theoretical analysis，the paper obtained the ideal result，which was the efficiency of the government to dissipate the negative public opinion.The results provided feasibility recommendations and methods.

〔Key words〕interaction relationship；emergencies；public opinion preheat degree；the consensus of opinion

突發事件具有緊急性、嚴重性、擴散性、群發性和連鎖性等方面的特征[1]，發生后迅速引爆網絡輿論場，而因傳播過程中速度迅猛但信息不對稱、網絡輿情主客體素質良莠不齊等原因，讓不理性、負面的聲音甚至謠言更容易在網絡上傳播，增大了突發事件類網絡輿情的負面影響及治理難度。突發事件之間本身存在的衍生[2]、連鎖[3]、系列化呈現[4]、輿情共振[5]等關系，而又由于搶占網絡注意力的利益驅使，網絡媒介在突發事件發生后主動協同過濾關聯事件并加以大量傳播以期望引起更大的關注量和話語權，網民對于特定突發事件存在群體記憶，使得突發事件的交互關系對突發事件類網絡輿情熱度產生了多重影響，將其量化并引入到熱度預測的研究中，對于有效的引導輿情的正確走向，控制突發事件類輿情發展具有重要意義。

根據《第38次中國互聯網絡發展狀況統計報告》[6]顯示，截至2015年6月，我國微博客用戶規模已經達到204億，雖然隨著微信、知乎以及豆瓣社區的興起，微博輿情主引擎的地位在一定程度上被削弱，但是當突發事件爆發后，微博因為其廣播性和互動性，可以更加原生態的展現社會輿論，故仍然是研究網絡輿情的最佳平臺。本文就以市場份額為694%的新浪微博微博為例，對突發事件在新浪微博上的應對機制進行研究。

1相關研究回顧

現有研究中，學者們對于突發事件類網絡輿情熱度的研究相對較多，主要從定性和定量兩個角度展開。定性研究主要從監測角度，建立突發事件熱度評價指標體系，研究突發事件的關系來進行熱度預測。如張一文等[7]從媒體影響力，政府疏導力，事件性質和網民相互作用力建立了四級指標的突發事輿情熱度評價體系。劉毅[8]將三角模糊數學對網絡輿情的各個指標權重進行量化研究，在此基礎上曹學艷等[9]又將政府應對等級引入到網絡輿情熱度評價指標中；而關于突發事件關系中，王國華等[10]對熱點事件的關聯的研究中就曾提出要建立關聯輿情數據庫來進行熱度預測和輿情監控，王建偉等[11]也指出突發事件之間可能存在的連鎖反應可用于應急預警和綜合減災。

定量研究主要是從基于自然語言處理和數據挖掘和基于內容的熱度分析方法。如魯明羽[12]針對中文語義的復雜性和多樣性，提出模糊聚類算法來對論壇熱點話題挖掘。鄧愛萍[13]提出可以快速聚類的網絡熱點事件識別與跟蹤的算法。鄭魁等[14]對突發事件的網絡信息分詞后合并關鍵詞，以關鍵詞列表的形式反映事件熱點。

綜上，對于網絡輿情危機的研究方向較多，其研究成果也為本文奠定了良好的理論基礎。但是在突發事件的熱度研究中，往往都是在輿情傳播階段的博主指標、博文指標、傳播指標和受眾指標幾個方面測定輿情熱度等級，在此階段測定的熱度具有一定滯后性，不利于政府快速采取行動阻止輿情進一步擴散，同時沒有將突發事件的交互關系考慮其中。因此本文在此基礎上建立的熱度預測模型，在突發事件的爆發初期根據輿情敏感信息庫對其進行衡量，得出突發事件的可能熱度，為每次突發事件的輿情處理提供參考。

2突發事件熱度預測模型

根據《中華人民共和國突發事件應對法》的定義，突發事件是指突然發生，造成嚴重社會危害，需要采取應急處置措施予以應對的自然災害，事故災難，公共衛生事件和社會安全事件[15]。在事件發生的早期，參照敏感信息庫以及突發事件的首發信息特征對突發事件熱度進行預測，得出此次輿情的可能熱度，如果預測的熱度值超過設置的閥值則對此次事件加大處理網絡輿情的處理等級。快速開展調查行動，并即時參與調查和處理的信息公開。

21基于歷史建立輿情敏感信息庫

輿情預熱度是基于網絡資源有限且注意力是稀缺下提出的概念。在一個時間間隔內，媒體和公眾對一個事件的注意力是有限的且對于每個事件所給予的注意力是不同的，而政府用來處理突發事件在網絡上的傳播的資源也是有限的，要提高資源的利用率，將有限的資源用于處理可能會造成最大影響的事件上來。而在突發事件爆發期，政府再介入只會導致意見的分裂但不會影響到傳播過程的完整性，故造成的損失和影響仍然比較大。因此在突發事件發生的早期進行熱度預測，是減少損失和有效管理的重要手段。

突發事件的傳播過程往往經歷萌芽、形成到爆發、高潮直至消退、消亡（殘留）的完整過程，爆發期和高潮期持續時間較長，呈現出二級甚至多級傳播的態勢、熱點頻現、周而復始的循環狀態。特別是突發事件具有持續性和延展性，公眾在較長一段時間內都會關注，因此具有很長的潛伏期。這種潛伏體現在兩個方面，一是在引起極大關注的突發事件的網絡輿情消退后仍有二次爆發的可能；二是突發事件出現后并未引起網民足夠的重視，但下次相似的事件發生時再次被喚起。這兩種情況下，網絡輿論在前期基礎上傳播的更加洶涌。突發事件大多涉及政府工作的方方面面，對此網民傾向于負面認知和反面判斷。因此在處理突發事件的網絡輿情中有必要建立輿情敏感信息庫，將公共食品安全、醫療衛生、官員貪污、執法犯法等極易引起民眾情緒的敏感事件收入其中，以便為現發的網絡輿情提供處理經驗，也利于于并對其進行監控，防止二次輿情的爆發。

對中國人民網監測中心每年發布的《網絡輿論共識度研究報告》[15]中政府認同度比較低、輿論場差異較大的事件性質作為輿情敏感信息庫的類別。具體如表1：

借鑒并結合文獻[9]的網絡輿情熱度應對等級的評價指標，構建輿情敏感信息庫的數據結構。根據新浪微博的2010-2015年的互聯網輿情分析報告提供的事件熱度值以及當年的新浪微博的討論量，將2010-2015年有影響的突發事件錄入輿情敏感信息庫中，其中收集的數據分為客觀數據和主觀數據，客觀數據是指發生時間、持續時間、微博討論量、事件性質、熱度等定性數據，客觀數據過新浪提供的API接口應用python爬蟲程序進行搜集。主觀數據如應對等級、政府應對滿意度等采用德費爾法，由10位網絡輿情管理領域的專家對事件的政府處理效果打分，去掉最高分和最低分平均而得。具體結構如表2實例。

22指標構建與熱度預測的計算方法

本文熱度預測采取的方法是在突發事件發生后，對突發事件的具體特征以及輿情敏感信息關聯事件進行分析，得出事件的可能熱度的一種預測方法。指標構建從兩方面考慮，一是同類型突發事件的疊加影響，如“深圳娃娃魚”事件與“山東青島大蝦”事件屬于在不同時間段內的同類型突發事件，兩次事件的疊加使得民眾對于不良商家和涉事政府的不作為產生了更大的反感情緒，加大了“山東青島大蝦”事件的惡劣影響。二是不同類型事件的交互影響，這種交互影響體現在兩方面，一方面可能產生衍生輿情。衍生輿情是指在原始輿情的高潮結束后，因為某個衍生點產生的衍生輿情造成的另一個輿情高潮，與原始輿情交叉在一起造成更大的影響[1]。例如地震屬于自然災害類，而官員貪污屬于官民關系類，若在地震事件期間爆出官員挪用救災資金，則會產生更大的社會影響；另一方面，在一個時間間隔內，不同類型的突發事件若沒有聯系，則存在削弱的關系。例如自然災害類的“廬山地震”和社會道德爭議類的“復旦投毒案”事件在同一天發生，但是“復旦投毒案”熱度就被“廬山地震”削弱。故在輿情敏感輿情信息庫時，需要建立突發事件之間的內在聯系，將孤立的突發事件有機的聯合起來。因此引入度分布的概念，度分布是網絡的重要統計特征，在社會網絡中，度可以表示個體的影響力和重要程度[16]，將每個類別的突發事件抽象為節點，則度表示突發事件的交互關系，使用數據可視化軟件Gephi計算度生成突發事件關系圖，如圖1所示。1

其中節點為輿情敏感信息庫中的不同類型的突發事件，邊表示與其它類型的突發事件的關系，分為正相關和負相關，正相關表示連鎖或者衍生關系，負相關表示削弱關系。絕對值越大則表示兩個節點的交互影響越強。較大的節點擁有與比其它節點相比更多的聯系。

為了對預熱度進行量化的計算，還需要建立合理并具有實際可操作性的指標，借鑒文獻[15]比較成熟的網絡輿情熱度的部分指標，結合突發事件的自身特征以及與其它突發事件的聯系，形成指標體系，其中一級指標1個，二級指標3個，三級指標8個。熱度預測的指標體系如表2所示。

221數據標準化

預熱度中的計算指標包括效益型指標和成本型指標，E11、E12、E21、E22都為效益型指標，而E13、E23為成本型指標。為了使數據更易于計算，要對其進行同趨化處理，采用指標無量綱化方法，公式分別為（1）和（2）。

得到的數值在[0，1]區間內，對其進行標準化將其放大100倍，至區間[0，100]，得到最終計算數據。

222末級指標含義

2221同類型事件的時間間隔E11

突發輿情的影響具有時間效應，距現發事件的時間間隔越長，對現發突發事件的影響則越小，故計算現發的突發事件距離最近一次的同性質的突發事件的時間間隔n（n的單位為月，若時間間隔不足1個月則計做n=0），同類型時間間隔權重為E11=100-n。

2222突發事件的熱度E12，E21

對輿情敏感信息庫中的同類型突發事件的熱度加權求平均，以保證計算盡量符合最近時間間隔的實際情況，提高計算精度。2010-2015年賦予了不同的權重[07，075，08，09，1]。例如“搶鹽風波”這類型的網絡謠言類突發事件，因為近幾年對于網絡謠言的治理，此類事件已經很少能引起極大的影響，但若不加權處理就記入熱度計算，則會影響計算的精度。最后為了使數據更具有可比性進行歸一化處理之后可得表3所示。

2223突發事件的政府滿意度E13，E23

對輿情敏感信息庫中的相同類型突發事件的政府應對滿意度進行與熱度的類似的操作，可得表4。一般而言，政府應對滿意度與突發事件的熱度成反比，政府應對滿意度低的突發事件再次發生只會增加網民的不滿情緒，而不會削弱輿情熱度。為了后來的層次分析法的計算，對政府應對滿意度進行處理，先進行取反1-θij，再對取反結果進行歸一化和標準化處理，公式（1），放大100倍將最終數值區間固定在[0，100]，結果如表5所示。

2224與不同突發事件的關系系數E21

突發事件的網絡輿情一般持續時間在10～20天左右，輿情的爆發期和高潮期集中在前5天，若在此期間發生無聯系的另一起突發事件，則突發事件的熱度就會被削弱；或若此突發事件是由前一突發事件衍生的、相關聯的事件，則此突發事件的熱度就會增強。

關系系數具體見圖1所示的邊標簽。

將其關系系數放大100倍，使值落在[0～100]區間內。

2225突發事件主體E31

突發事件的主體是指參與或者涉及事件的人，從主體身份以及主體影響力兩個方面進行考察。主體身份是指當事人或涉事人的社會身份，不同的社會身份所引起的關注以及情感態度都不一致，如大學生、嬰兒、孕婦、農民工等弱勢群體更容易激起民眾同情，高官、城管、醫生等容易激起社會道德討論；而主體影響力是指知名度、社會地位，影響力越大的主體引起的關注也越大。若無主體則忽略不計（自然災害無主體）。

2226損失程度E32

在突發事件初期，損失程度難以一步明朗的情況下，若屬于A類則按照國家分類標準劃分，見圖并分別賦予權重，若不屬于A類事件，則根據具體情況劃分。

223AHP方法計算指標權重

層次分析法是由美國匹茲堡大學教授TLSaaty在20世紀70年代中期提出的。它的基本思想是把一個復雜的問題分解為各個組成因素，并將這些因素按支配關系分組，從而形成一個有序的遞階層次結構，層次分析法可以考慮指標之間的相對重要性，提高權重設計的科學性[15]。

依據表2建立的指標體系，構建兩兩比較判斷矩陣B=（bij）n*n，得到各個指標的相對權重，對指標權重特征向量進行一致性檢驗，最后計算組合權重，得出一級指標相對于上級總體指標的權重分配值。利用同樣方法可以得到二級指標相對于一級指標的權重，得到其權重如表7所示：

3實驗驗證

對2015年引起較大影響的事件進行“預熱度”的計算，對計算結果與《2015年互聯網輿情分析報告：2015年網絡熱點輿情》給出的實際事件熱度進行比較分析，分析結果如表8所示：

可知擬合結果較好，預熱度和實際熱度數據顯著相關。

以山東疫苗事件為例，315曝光的劣質義齒生產后，2016年3月18日山東疫苗事件的發生，迅速的引爆了輿論場，引起民眾極大的恐慌情緒和對政府監管失守的極大不滿。而“山東疫苗事件”之所以造成如此巨大的輿論影響，正是因為前期劣質義齒事件的鋪墊，以及2013年“乙肝疫苗致人死亡事件”和2010年的“山西疫苗事件”的文章《疫苗之殤》微博上二次傳播，導致民眾對政府監管的不滿情緒在涉及醫療安全這類敏感事件時徹底引爆。以此次事件為例帶入計算可得輿情預熱度EH=078125，可知已經屬于較大負面輿情事故。

此種熱度預測方法是在突發事件發生初期，對突發事件可能熱度的預測。在此基礎上將有限的網絡輿情管理資源優化分配到最有可能造成較大社會影響的事件上，盡管因為突發事件之間存在的差異性和演變機理的不同，就算出來的熱度并不等同于突發事件的實際熱度。從實驗結果上看，預測熱度值對實際熱度也存在普遍的高估，但是為了降低忽略任何一個可能會引起較大影響的負面事件的可能性，這種有限度的高估是可以接受的。

4結論與展望

突發事件的熱度預測，對政府合理調度網絡資源，監督引導輿論正確走向，提高政府公信力具有重要意義。準確性和即時性是熱度預測最重要的兩個因素，因此本文在分析突發事件網絡輿情的特征以及之間存在的交互關系的基礎上建立輿情敏感信息庫來對現發的突發事件進行熱度預測，相較于對突發事件發生后再進行數據挖掘等處理方法上提高了預測的速度，且具有可接受的預測精度。

另外本文將突發事件類網絡輿情關系引入到輿情熱度指標的研究中，豐富了已有的輿情熱度的評價指標，也為政府應對突發事件類網絡輿情提供參考，即重視歷史突發輿情的處理結果和處理經驗的價值，在輿情傳播的潛伏期能識別出可能引起較大影響的突發事件并優先處理，破環其演化路徑，減少由于謠言、錯誤輿論等對于公信力的削弱。

豐富了輿情熱度計算指標，預熱度的計算是基于以往突發事件的權重指標計算，但是針對負面突發輿情的多爆發點的特點，由于敏感輿情信息庫不具有足夠多的數據，應用機器學習算法容易出現過度擬合的特征，因此在將來的研究中基于前人關于熱度等級的研究基礎上，盡可能完善輿情敏感信息庫，以便于采用機器學習算法進行數據的擬合。

參考文獻

[1]蘭月新.突發事件微博輿情擴散規律模型研究[J].情報雜志，2013，31（3）：31-34.

[2]蘭月新.突發事件網絡衍生輿情監測模型研究[J].現代圖書情報技術，2013，（3）：51-57.

[3]王建偉，榮莉莉.突發事件的連鎖反應網絡模型研究[J].計算機應用研究，2008，25（11）：3288-3291.

[4]方付建，肖林，王國華.網絡輿情熱點事件“系列化呈現”問題研究[J].情報雜志，2011（2）：1-5.

[5]劉雪梅.對網絡空間輿情共振現象研究框架的思考[J].新聞與傳播研究，2011，（4）：32-33.

[6]科學世界網.看點！第38次《中國互聯網絡發展狀況統計報告》[J].科學家，2016，4（9）.

[7]張一文，齊佳音，方濱興.非常規突發事件網絡輿情熱度評價體系研究[J].情報科學，2011，29（9）：1418-1424.

[8]劉毅.基于三角模糊數的網絡輿情預警指標體系構建[J].統計與決策，2012，（2）：12-15.

[9]曹學艷，張仙，劉睴，等.基于應對等級的突發事件網絡輿情熱度分析[J].中國管理科學，2014，22（3）：83-88.

[10]王國華，鄧海峰，王雅蕾.網絡熱點事件中的輿情關聯問題研究[J].情報雜志，2012，31（7）：1-5.

[11]王建偉，榮莉莉.突發事件的連鎖反應網絡模型研究[J].計算機應用研究，2008，（11）：3288-3291.