面向大數據的群體性事件網絡輿情預警機制研究

胡瑞娟

摘 要： 在大數據背景下，群體性事件網絡輿情的分析與應對面臨著巨大的挑戰，因此，如何在大數據時代構建群體性事件網絡輿情預警機制顯得尤為緊迫和重要。文章以論壇、微博、博客等具有評論功能的新聞網站為研究對象，對群體性事件網絡輿情分析研判，構建網絡輿情預警機制，為預防和研判群體性事件的發生提供有益的思路。

關鍵詞： 大數據； 群體性事件； 網絡輿情； 預警機制

中圖分類號：G647 文獻標志碼：A 文章編號：1006-8228（2017）05-13-04

Research on early warning mechanism of group event network public opinion

Hu Ruijuan

（PLA University of Foreign Languages， Luoyang， Henan 471003， China）

Abstract： In the background of big data， the analysis and coping of network public opinion of group events are facing great challenges. Therefore， it is very urgent and important to construct the early warning mechanism of group event network public opinion in the era of big data. This paper， taking the forum， micro-blog， blog and the other news website with discussion function as the research object， analyzing the group event network public opinion， builds an early warning mechanism of network public opinion to provide useful ideas for preventing and judging the occurrence of group event.

Key words： big data； group event； network public opinion； early warning mechanism

0 引言

當前，大數據產業日趨活躍，技術演進和應用創新加速發展。截止2016年6月我國網民總數已達7.10億，手機網民達6.56億[1]。近年來各類群體性事件的頻繁發生，給人民生命財產和經濟社會發展造成了重大損失。隨著我國網民數量激增和移動智能設備的普及，社交網絡等新媒體工具逐漸滲透到人們的生活當中，群體性事件在網上傳播的速度越來越快，人們對群體性事件的關注度越來越高。如果各級人民政府不能積極應對和有效適應網絡輿情所帶來的沖擊，不能盡快建立切實可行的群體性事件的網絡輿情預警機制，那么潛在的社會輿情就會成為突發性群體性事件出現的催化劑和導火索[2]。

發生群體性事件，相關職能部門如何迅速收集網絡輿情信息，跟蹤事態變化，及時向有關部門通報，是新形勢和新環境下亟待解決的問題。本文以論壇、微博、博客等具有評論功能的新聞網站為研究對象，對群體性事件網絡輿情分析研判，構建面向大數據的群體性事件網絡輿情預警機制，為預防和研判群體性事件的發生提供有益的思路。

1 大數據與Hadoop平臺

IDC公司從四個特征定義大數據，即海量的數據規模（Volume）、快速的數據流轉和動態的數據體系（Velocity）、多樣的數據模態（Variety）和巨大的數據價值（Value）。根據大數據的生命周期，大數據的技術體系[3]可以分為大數據采集與預處理，大數據存儲與管理，大數據計算模式與系統，大數據分析與挖掘，大數據可視化計算，以及大數據隱私安全等方面。我們通常選用Hadoop系統來存儲、管理、分析這些數據，以獲取更多有價值的信息[4]。

Hadoop是Apache軟件基金會旗下的一個開源分布式計算平臺，以Hadoop分布式文件系統HDFS和MapReduce為核心的Hadoop為用戶提供了系統底層細節透明的分布式基礎架構。HDFS的高容錯性、高伸縮性允許用戶將Hadoop部署在低廉的硬件上，形成分布式系統；由于Hadoop擁有可計量、成本低、高效、可信等特點，基于Hadoop的應用已經開始遍布互聯網領域。MapReduce分布式編程模型允許用戶在不了解分布式系統底層細節的情況下運行應用程序[5]。

2 群體性事件網絡輿情預警機制的理論基礎

對“群體性事件”的界定目前仍然有爭議，但一般是指具有某些共同利益的群體，為了實現某一目標，采取靜坐、沖擊、游行、集合等方式向黨政機關施加壓力，出現破壞公私財產、危害人身安全，擾亂社會秩序的事件。網絡輿情是由于各種事件的刺激而產生的，通過互聯網的傳播，人們對于該事件的所有認知、態度、情感和行為傾向的集合。群體性事件網絡輿情是指民眾以網絡為平臺，借助網絡論壇、博客、電子郵件、網絡新聞組等網絡工具，圍繞即將發生或者已經發生的群體性事件發布信息，并表達出社會政治態度。

⑴ 預警理論是群體性事件網絡輿情預警機制構建的基礎。預警理論包括信息判斷分析、信息搜集、相關應對措施制定、信息傳遞和信息反饋五個階段的內容。在整個預警機制的運行過程中，通過信息收集做出正確判斷分析，之后進行信息傳遞，最后完成應急措施的啟動。

⑵ 危機管理理論是群體性事件網絡輿情預警機制構建的條件。危機管理主要包括危機發生前的防范、危機發生時的化解以及危機消除后的社會政治、經濟和文化秩序的逐步恢復，人們的日常生活和工作逐步轉入正規。

⑶ 群體性事件的網絡輿情預警工作存在的現實問題主要有：一是網絡輿情監測不及時，相關的預警監測部門沒有一個合理、有效的群體性事件網絡輿情定期人工排查制度，沒有定期對各大門戶網站出現的相關群體性事件的信息進行深入排查，沒有在第一時間及時了解網民的思想動態，沒有迅速發現網民思想動態后面存在的大量社會隱患；二是網絡輿情與群體性事件即時互動、互相強化、交流融合，加之網絡輿情預警機制不健全，大大增加了引導與監控網絡輿情的難度。

3 面向大數據的群體性事件網絡輿情預警機制構建

面向大數據的群體性事件網絡輿情預警機制的構建依托爬蟲技術對新聞網頁、論壇、博客和微博等具有評論功能的網站進行信息采集，利用大數據Hadoop平臺、MapReduce編程模型對采集的數據進行預處理及挖掘分析，繼而對網絡輿情環境予以監控與預警，包括監測、匯集、分析、警報等，從整體上把握群體性事件網絡輿情，做到“防范于未然”。在預警機制構建的過程中，預警系統信息的準確性和可靠性對于整個群體性事件的順利解決起著舉足輕重的作用，所以要適時完善和補充預警系統，保證其正常監測和跟蹤群體性事件。面向大數據的群體性事件網絡輿情預警機制如圖1所示。

3.1 群體性事件跟蹤監測子系統

群體性事件網絡輿情主要表現方式為：BBS論壇、博客、微博、新聞評論、跟帖轉帖等，其表達快捷、信息多元化、互動，具有傳統媒體無法比擬的優勢。網絡的開發性和虛擬性決定了網絡輿情具有直接性、隨意性、突發性和隱蔽性等為主要特征。

跟蹤監測子系統是群體性事件網絡輿情預警系統的基礎，是獲取、存儲和管理有效網絡輿情信息的平臺，充當了危機信號的識別器。近年來，群體性事件的出現及其走入平緩大都與網絡息息相關，且以網絡輿情信息的方式呈現。跟蹤監測子系統主要依托網絡爬蟲技術對論壇、博客、微博等相關網站進行實時、自動監測，獲取相關信息。再從海量網絡信息中檢索、匹配和篩選出針對用戶興趣有用的相關信息，這一過程中，要區分有效信息和虛假信息，過濾虛假輿情信息并對有效信息及主流信息予以整理。

3.2 群體性事件分析子系統

分析子系統是群體性事件網絡輿情預警系統的核心，是對所獲取信息的再創造的結果。分析子系統是根據輿情監督李與研究的需要，在對相關輿情信息匯集整理的基礎上進行深層次的加工和分析研究，把握網絡輿情的本質內容，預測其可能的發展方向，從而得出相關的結論。

分析子系統是通過對跟蹤監測子系統中的信息仔細篩選，實現準確有效的輿情采集和提取后，從海量信息中找到熱點、敏感話題，并對其趨勢進行追蹤，是警報子系統功能實現的前提。從論壇、微博、博客等網站采集到的數據量是巨大的，而且這些數據中很多都是非結構化數據，非結構化數據使用HDFS存儲。對采集的數據進行預處理包括：中文分詞、向量空間建模分析、文本分類和聚類以及輿情趨勢分析。中文分詞采用IKAnalyzer分析器，向量空間模型建模利用TF-IDF（詞頻-逆向文件頻率）向量表示法來表示特征向量，使用K-means算法實現文本聚類，統計輿情信息并進行可視化展示，進行輿情趨勢分析。采用MapReduce編程模型[6]，可實現多范圍、多角度、多層次數據分析與挖掘，包括文本聚類分析、活躍分析、輿情評測分析、輿情關注等。

分布式文件系統（HDFS）和MapReduce編程模型是Hadoop的主要組成部分。MapReduce模型的計算流程如圖2所示。分布式文件系統主要負責各節點上的數據的存儲，并實現高吞吐的數據讀寫。MapReduce計算模型的核心部分是Map和Reduce兩個函數[8]。Map的輸入是in_key和in_value，指明了Map需要處理的原始數據。Map的輸出結果是一組對。系統對Map操作的結果進行歸類處理。Reduce的輸入是（key，[value1…value m]）。Reduce的工作是將相同key的value值進行歸并處理最終形成（key，final_value）的結果，所有的Reduce 結果并在一起就是最終結果。

3.3 群體性事件預警子系統

預警子系統是群體性事件網絡輿情預警系統的重點，是基于分析子系統的分析結果，依據特定的預警指標體系，判斷該信息警報等級的信息系統。

基于分析子系統的分析結果來評估網絡輿情態勢，根據威脅估計模型對輿情的態勢發展和威脅程度進行定量預測，做出輿情的預警等級報告，并與其他干預系統聯動引導輿情朝正面發展。根據不同預警指標，實時預警可分為爆發指標預警、主題敏感度指標預警和負面輿論指標預警。其中爆發指標預警按照輕重程度可以劃分為I級（輕度級）、II級（示警級）、III級（危險級）、IV級（極度危險級）和V級（立即爆發級）五個等級。在可視輸出上依次采用綠色、藍色、黃色、橙紅色和紅色五種顏色來加以表示。最低程度的恐怖警告將用綠色表示，然后依次為藍色、黃色、橘黃色，最高等級的恐怖警告將用紅色表示。

3.4 群體性事件處理子系統

處理子系統是群體性事件網絡輿情預警系統的最后一個階段。對于預警子系統發出的重要信息，必須依靠傳送渠道迅速傳遞。群體性事件的應急結束后，仍需進行恢復和重建工作。

群體性事件網絡輿情預警系統的四個子系統相輔相成、不可分割，子系統功能的實現及良好運行承載著群體性網絡輿情預警的實現。通過跟蹤監測子系統，挖掘出某一群體性事件輿情信息；通過分析子系統，分析其形成的網絡輿情的安全程度、公民的參與程度、未來發展態勢等；預警子系統依照其敏感程度與參與程度進行預警報備等級；處理子系統發揮其功能，引導輿情，防控群體性事件的發生，從而確保社會的穩定。

2016年上半年引起網絡輿論較大反應的群體性事件有e租寶非法集資案、高考減招、出租車網約車、勞資糾紛等。針對各類群體性事件網絡輿情應建立有效的應對策略：首先，正確認識網絡輿情給人們所造成的危機，通過正確的方式對網絡輿情展開教育學習；其次，由于網絡輿情發展擴散非常迅速，所以在解決問題時要積極快速，充分利用正面力量；第三，要關注網民的心態，注重用專業網絡團隊和網民溝通交流。

4 結束語

面向大數據的群體性事件網絡輿情預警機制的構建，一方面，可以在很大程度上減少群體性事件的發生，對于有效和快速解決群體性事件所帶來的危害，有著重要的推動作用；另一方面，通過對群體性事件的網絡輿情的相關信息的收集和分析，進一步有效應對和妥善處置發生的各類群體性事件，為政府開展預警工作提供一個可供借鑒和實施的方案，而且為社會主義和諧社會的構建，創造一個良好的氛圍和環境。

參考文獻（References）：

[1] 第38次《中國互聯網發展狀況統計報告》.CNNIC（中國互聯網絡信息中心），2016.7.

[2] Maclennan B，Kypri K，Langley J， et al.Public Sentiment Towards Alcohol and Local Government Alcohol policies in New Zealand[J]. International Journal of Drug Policy，2014.23（1）：45-53

[3] 計算機學會大數據專家委員會.中國大數據技術與產業發展白皮書，2013：45

[4] J.Allan. Topic detection and tracking： event-basedinformation organization[M]. Norwell， MA，USA： Kluwer Academic Publishers，2002.

[5] 夏火松，甄化春.大數據環境下輿情分析與決策支持研究文獻綜述[J].情報雜志，2015.34（2）：1-6

[6] 李建江，崔健，王聃等.Map/Reduce并行編程模型研究綜述[J].電子學報，2013.39（11）：2635-2642

[7] 王來華.政府如何應對輿情危機[J].決策，2007.7.

[8] 張麗江.網絡輿情的宏觀影響初探[J].社會科學，2010.

[9] 許鑫.網絡輿情指標體系設計與分析[J].情報科學，2009.7.

[10] 曾潤喜，徐曉林.網絡輿情突發事件預警系統、指標與機制[J].情報雜志，2009.11：52-55

[11] 宋燕金.網絡輿論與思想政治教育人文環境的優化[J].時代教育，2012.9.

[12] 祝華新.當前我國網絡輿論載體和傳播方式的新變化[J].理論導報，2012.1.

[13] 赫英杰.論新時期高校網絡輿情引導的技術構建機制[J].高校輿情研究，2010.

[14] 楊羽飛.基于Mapreduce的大規模中文短文本聚類算法的設計與實現[D].蘭州理工大學，2014：20-21