基于大數據的網絡輿情監管預測算法研究

楊雪林

摘 要： 針對傳統的網絡輿情監管預測算法對大廣度、強干擾的網絡輿情數據預測性能差的缺點，在深入研究現有網絡輿情監管預測算法基礎上提出一種基于大數據語義特征分析的網絡輿情監管預測算法。該算法采用二元語義對網絡輿情特征進行擬合，構建與匹配網絡輿情關鍵詞，構建時間序列模型，分析與提取語義特征，從而實現大數據分析法對網絡輿情的監管預測。最后利用仿真實驗對該算法進行驗證，其結果表明，該算法預測精度高、實時性強，對提高網絡輿情的監管能力具有重要意義。

關鍵詞： 大數據； 網絡輿情； 特征提?。?輿情監管

中圖分類號： TN711?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2017）24?0028?03

Abstract： In allusion to the problem that the traditional network public opinion monitoring and prediction algorithm has poor prediction performance for large amount of network public opinion data with strong interference， a network public opinion monitoring and prediction algorithm based on semantic feature analysis of big data is proposed after the in?depth study on the current network public opinion monitoring and prediction algorithm. In the algorithm， the two?tuple semantics is used to fit the features of network public opinions， construct and match the keywords of network public opinions， construct the time series model， and analyze and extract semantic features， so as to realize the monitoring and prediction of network public opinions by using the big data analysis method. The simulation experiment was carried out to verify the algorithm. The results show that the algorithm has high prediction precision and strong real?time performance， which is of great significance for improving the network public opinion monitoring capability.

Keywords： big data； network public opinion； feature extraction； public opinion monitoring

網絡輿情是指在博客、微博、BBS論壇等網絡平臺上發表評論與意見，而形成的互聯網空間社會輿情的映射[1?4]。網絡的開放性與網絡通信技術的發展促進了信息的快速傳播，從而加速網絡輿情發酵傳播。為了避免不良情緒與謠言等網絡輿情給社會生活造成惡劣的影響，需要對網絡輿情加強管理[5?8]。針對傳統的基于主題[9]、基于自相關特征[10]、基于概念格的網絡輿情監管預測算法對大廣度、強干擾的網絡輿情數據預測性能差的缺點，本文在深入研究現有網絡輿情監管預測算法基礎上提出了一種基于大數據語義特征分析的網絡輿情監管預測算法。該算法采用二元語義對網絡輿情特征進行擬合，構建與匹配網絡輿情關鍵詞，構建時間序列模型，分析與提取語義特征，從而實現大數據分析法對網絡輿情的監管預測，對提高網絡輿情的監管能力具有重要意義[11]。

1 網絡輿情時間序列模型構建

構建本質為非線性特征序列的網絡輿情的時間序列模型。設d維隨機變量Ui，監測到的網絡輿情為，并通過網絡平臺對其進行特征提取與聚類分析。在經過傳播之后，網絡輿情在路由鏈路層的域間關聯特征表示為：

式中：β為二元語義分解系數，取值范圍為；S為熱點時間評價集；K為抽取關鍵詞算子。其中元素為實函數，S中第k個元素為sk。設二元語義為，，對網絡平臺上頻繁出現的詞匯進行篩選，當逆函數滿足：

采用傅里葉變換分解輿情語義特征，使其轉化為：

對熱點信息的關鍵詞與特征參量進行采集，從而實現基于大數據的時間序列模型構建。并以此進行特征提取與數據分析，為網絡輿情監管提供數據信息。

2 網絡輿情二元語義擬合

語義特征提取的基礎是基于主題詞表的二元語義擬合。主題詞表呈樹狀，其分叉特征為二元語義，，則其之間的距離為：

采用閉合頻繁項檢索法檢索二元語義，輸出為：

通過對網絡輿情時間序列的信息采樣與結合路徑消耗，網絡輿情主題詞表結構圖如圖1所示。從中進行特征分解可得到，自特征序列和分解序列分別為：

基于叉項信息鏈狀態估計方法統計的信息實現網絡輿情的二元語義擬合。

3 基于大數據的網絡輿情監管預測算法

3.1 語義特征分析

針對傳統網絡輿情監測方法抗干擾能力低、精度差的缺點，本文提出基于大數據語義特征分析的網絡輿情監管預測算法，以提高抗干擾度與精度。相空間中的網絡輿情序列的語義本體模型表達式為：endprint

其實質為非線性均衡信道模型。式中：相空間中的網絡輿情序列嵌入維數，延遲時間為，，為輿情信息權重向量，由二元語義決策得到評價指標權重輸出為。從而建立決策矩陣為：

網絡輿情相空間的綜合評價映射為：

根據綜合評價與指標權重對網絡輿情語義列表向量進行分割，從而得到基于大數據語義特征分析的網絡輿情提取方案為：

3.2 基于大數據分析的網絡輿情監管預測實現

針對聚斂的語義特征網絡輿情可預測，而發散時擾動大的特點，本文采用協方差修正法對語義主題樹特征進行處理，協方差修正模型為：

網絡輿情預測基于輿情分布網頁與文檔的相關聯度匹配語義主題詞特征分析。由于大數據種類多樣、處理速度快，因而基于修正過后的主題詞表能夠實現網絡輿情的準確預測，且速度更快。

4 仿真實驗分析

采用SQL Server數據庫中網絡輿情數據，對本文所提算法進行實驗驗證。采樣周期為0.02 s，樣本長度為1 024，干擾強度為，圖2為采樣的網絡輿情大數據信息。對其進行二元語義擬合，提取其語義特征，結果如圖3所示。從圖3可見，語義特征匹配性好、聚斂性高。將本文方法與傳統預測方法進行比對，對比結果如圖4所示。從圖4可見，本文所提出的預測方法收斂時間較短，且誤差小。

5 結 語

本文通過對網絡輿情監管與預測問題進行大量研究，針對傳統的網絡輿情監管預測算法對大廣度、強干擾的網絡輿情數據預測性能差的缺點，提出一種基于大數據的網絡輿情監管預測算法，并對其進行了仿真實驗驗證。驗證結果表明，該算法預測精度高，實時性強，對提高網絡輿情的監管能力具有重要意義。

參考文獻

[1] 卜湛，伍之昂，曹杰，等.在線評論情感計算與博弈預測[J].電子學報，2015，43（12）：2530?2535.

[2] 張雙雙，王延年.節點分布不均勻的無線傳感網絡低功耗算法[J].西安工程大學學報，2015，29（6）：720?723.

[3] LANCET T. Identifying influential users in network public opinion of crowd unfollow on twitter [J]. Journal of information & computational science， 2015， 12（17）： 6629?6642.

[4] PATCHARAMANEEPAKRON P， ARMOUR S， DOUFEXI A. Coordinated beamforming schemes based on modified signal?to?leakage?plus?noise ratio precoding designs [J]. IET communications， 2015， 9（4）： 558?567.

[5] 柳虹.網絡輿情熱點發現研究[J].科技通報，2011，27（3）：421?423.

[6] 馬俊濤，高梅國，董健.基于稀疏迭代協方差估計的缺失數據譜分析及時域重建方法[J].電子與信息學報，2016，38（6）：1431?1437.

[7] 李云，陳龐森，孫山林.基于近場通信認證的無線局域網無線接入協議的安全性設計[J].計算機應用，2016，36（5）：1236?1245.

[8] MA N， LIU Y. SuperedgeRank algorithm and its application in identifying opinion leader of online public opinion supernetwork [J]. Expert systems with applications， 2014， 41（4）： 1357?1368.

[9] 胡金柱，周星，舒江波，等.基于啟發式規則的網頁主題信息精確定位方法[J].計算機應用研究，2010，27（2）：494?497.

[10] ZHANG W， LI X， HE H， et al. Identifying network public opinion leaders based on Markov Logic Networks [J]. The scientific world journal， 2014， 4 （5）： 435?444.

[11] 王少鵬，彭巖，王潔.基于LDA的文本聚類在網絡輿情分析中的應用研究[J].山東大學學報（理學版），2014，49（9）：129?134.endprint