基于輿情大數據的網民關注度轉移模型研究

蘭月新 劉冰月 張鵬

〔摘 要〕[目的/意義]基于輿情大數據研究網民關注度轉移模型，能夠深入解讀大數據環境下網絡輿情事件的競爭效應，可以為網絡輿情治理提供參考依據。[方法/過程]定性分析大數據環境下網絡輿情事件競爭效應以及網民關注度轉移機理，基于微分方程組構建網民關注度轉移模型，通過研究模型特性和數值仿真，理解兩個輿情事件之間網民關注度轉移的定量關系以及未來趨勢，并給出估計模型參數的方法。[結論/結果]經過理論建模和實證分析得出本文構建的網民關注度轉移模型是可行的，尤其是可以通過輿情數據分析確定多個輿情事件的競爭結果以及網民關注度轉移的關鍵節點，為進一步研究網民關注度轉移趨勢預測問題提供模型基礎。

〔關鍵詞〕大數據；網絡輿情；網民關注度；轉移模型；預測；數值仿真

DOI：10.3969/j.issn.1008-0821.2018.10.002

〔中圖分類號〕C912.6 〔文獻標識碼〕A 〔文章編號〕1008-0821（2018）10-0010-06

〔Abstract〕[Purpose/Significance]This paper studied the netizens attention transfer model for big data of network public opinion，and further interpreted the competition effect of different Internet public opinion events under big data environment，and thus provided references of network public opinion management for the government.[Method/Process]Through the qualitative analysis of the competition effect of different Internet public opinion events and netizens attention transfer mechanism under big data environment，this paper constructed the netizens attention transfer model based on the theory of differential equation.By studying the characteristics of model and numerical simulation，this paper further identified the quantitative relationship and future trends of netizens attention transfer between two public opinion events，and provided the method to estimate model parameters.[Result/Conclusion]Through theoretical modeling and empirical analysis，this paper concluded the feasibility of netizens attention transfer model.Through public opinion data analysis，identifying competition results of multiple public opinion events and key nodes of netizens attention transfer could provide model foundation for the further study on the trend prediction of netizens attention transfer.

〔Key words〕big data；network public opinion；netizens attention；transfer model；prediction；numerical simulation

1 現狀分析

根據第41次《中國互聯網絡發展狀況統計報告》顯示，截至2017年12月，我國手機網民規模達7.53億，網民中使用手機上網人群的占比由2016年的96.1%提升至97.5%[1]。隨著移動寬帶互聯網的普及，越來越多的網民通過互聯網表達自身觀點和訴求，在同一時間段內，往往是多個輿情事件并存，并且多個輿情事件相互影響、相互作用，形成一種“競爭”效應。如何把握網絡輿情事件“競爭”實質和機理是政府面對各類網絡輿情事件并發時需要解決的關鍵問題。

學術界對相關主題的研究主要體現為兩個方面：一是網民關注度及其相關研究，如關注度的替換/疊加效應，以及體現網民關注度的輿情熱度、熱詞、熱搜等研究；二是輿情事件關聯及其相關研究，如從輿情事件、輿情話題、輿情主體等不同層面探討多事件、多話題、多主體的關聯效應和演化機理。簡要研究內容和代表性研究成果如表1所示。

雖然已取得了諸多研究成果，但大多是研究網絡輿情傳播的一般規律、針對某些網絡輿情的案例分析或者多個網絡輿情事件的統計規律，而對某個時段多個網絡輿情事件并存時，相互作用、相互影響的程度和機理尚少有研究。基于此，本文以網民關注度轉移的視角，構建數學模型，研究多個網絡輿情事件并存時的競爭機理，為政府制定網絡輿情治理策略提供參考依據。

2 大數據環境下網民關注網絡輿情機理研究

2.1 大數據環境下網絡輿情事件之間的競爭效應

隨著互聯網的普及，公共管理、社會矛盾、公共安全等各種類別的網絡輿情事件頻發，網民的意見、情緒等在網絡上表達，生成大量文字、圖像、音視頻等格式的輿情信息，這些極具價值的信息在微博、微信、論壇等互聯網平臺快速傳播。這些滿足大數據的快速、多樣、多量、價值性等特征，所以網絡輿情已經形成一個大數據環境。通過整理2014-2017年人民網發布的《中國互聯網輿情分析報告》，并從中提煉熱點輿情數據發現：近4年，熱點輿情總數為3 238，其中每年的日均熱點輿情數量分別為4.21、1.37、1.65、1.64（詳細數據見表2）。這僅僅是熱點輿情的統計數據，而非熱點輿情的數量會更多，所以平均每天都會發生規模或大或小的網絡輿情。

進一步研究這些網絡輿情案例發現，網民關注持續時間少則幾個小時，多則數十天，甚至更長時間。有學者專門研究了100個輿情案例的網民關注度時間問題，通過統計分析得出網民關注持續時間均值為20.59天，關注持續時間的極小值為1天，極大值為149天[15]。在網民關注持續時間內，多個網絡輿情事件相互影響，相互沖擊，形成一種“競爭”效應（見圖1），其競爭的實質內容即是網民的關注度。

2.2 網民關注網絡輿情機理分析

網民關注網絡輿情受諸多因素影響，包括興趣、愛好、訴求等主觀因素，也包括事件敏感程度、離奇程度等客觀因素影響，這些因素直接影響網民關注網絡輿情事件的持續時間。當一段時間內，有多個網絡輿情事件產生時，由于網絡無界性、開放性等因素，網民的主要關注點往往會發生轉移，在這個過程中，形成聚集“圍觀”現象，進而使得被“圍觀”的網絡輿情事件熱度升溫，成為熱點輿情，所以熱點輿情的生成過程也就是網民關注度轉移、聚集的過程。所以，深入研究網民關注度轉移問題，可以深層次解讀熱點輿情生成機理，描述網絡輿情事件之間的“競爭”效應。假設一段時間內，有N個網絡輿情事件產生，則網民關注點在N個事件之間相互轉移，形成相對復雜的轉移模式。基于此，為深入研究網民關注度轉移機理，N個網絡輿情事件之間的網民關注度多向轉移模式可以簡化為兩個輿情事件的關注度單向轉移模型（見圖2）。更進一步，網民關注度由原始輿情I轉移到新輿情II，在這個過程中，由于關注度的轉出導致輿情I的信息量增長變緩，而由于關注度的轉入導致輿情II的信息量增長加快，所以網民關注度轉移的實質是信息量的轉移，通過信息量的變化程度可以描述網民關注度的轉移程度，進而從定量視角解讀網絡輿情事件之間的“競爭”效應。

3 面向輿情大數據的網民關注度模型研究

3.1 建模前提與假設

根據信息生命周期理論，網絡輿情傳播經歷發生、發展、消退等階段，這與生態科學中生物的萌芽、成長、消亡的生長機理相似，即“S型”曲線規律，故而可以用生物的生長模型來描述網絡輿情信息的傳播問題，通過大量網絡輿情數據（信息量累計百分比數據）也可說明這一點（見圖3）。基于此，本文選取Logistic模型來描述網絡輿情傳播過程。

4 網民關注度轉移數值仿真

為進一步研究兩個網絡輿情事件之間的“競爭”效應，通過Matlab數值仿真方法研究網民關注度轉移機理。為方便仿真研究，設定仿真參數見表3。

令輿情Ⅰ轉出指標σ分別為0、0.05、0.10、0.15、0.20、0.25、0.30、0.35、0.39，調節系數m分別為0.5、1、2、5，繪制網民關注度由輿情Ⅰ轉入輿情Ⅱ（簡稱輿情Ⅰ→輿情Ⅱ）的仿真效果圖（見圖5），研究不同場景的網民關注度轉移規律問題。

觀察仿真圖像發現：隨著轉出指標的增加，一方面，輿情Ⅰ的信息量上限由1 000單調遞減至25，輿情Ⅰ的轉出度O（Ⅰ）由0單調增加至97.5%；另一方面，輿情Ⅱ的信息量上限由2 000單調增加至某個峰值后，然后再單調遞減，輿情Ⅱ的轉入度I（Ⅱ）變化區間分別為[0，4.01%]、[0，7.74%]、[0，14.55%]、[0，31.65%]。此外，對應不同的調節系數m，可以繪制輿情Ⅱ的信息量與轉出指標的關系圖（見圖6）。不難發現，輿情Ⅱ的信息量在σ=r12=0.2處取得峰值，對應峰值分別為2 080.1235、2 154.7005、2 290.9944、2 632.9932，這就說明輿情Ⅰ轉出指標為增長率一半時，輿情Ⅱ的競爭效果達到最優，正因為這一點，隨著輿情Ⅰ信息量的轉入，輿情Ⅱ的信息量曲線由單“S”型逐步變為雙“S”型，在m=5時，雙“S”圖像尤為清晰，所以兩個輿情事件的競爭關系也是導致網絡輿情數據出現“震蕩效應”的原因之一。

5 實證研究

5.1 數據來源

通過清博輿情監測軟件（http：//yuqing.gsdata.cn）分別獲取雪鄉宰客事件、“桑吉”爆燃事件、女子阻攔高鐵事件的微博輿情統計數據，數據采集時段為2018年1月9日0點至2018年1月19日23點（詳細數據見圖7）。

5.2 數據分析

由于3個輿情事件均是同一時段的熱點輿情，無法事先判斷事件信息量的轉出和轉入，所以，為方便研究輿情事件之間的競爭效應，本文將3個事件中任取兩個作為建模事件，故而形成六種結果。通過前文確定模型系數的方法，根據3個輿情事件的微博輿情統計數據可以確定模型的具體參數（見表4、表5）。

通過數據分析發現：當只有雪鄉宰客事件和“桑吉”爆燃事件時，信息量由“桑吉”爆燃事件轉移到雪鄉宰客事件；只有雪鄉宰客事件和女子阻攔高鐵事件時，信息量由雪鄉宰客事件轉移到女子阻攔高鐵事件；只有女子阻攔高鐵事件和“桑吉”爆燃事件時，信息量由“桑吉”爆燃事件轉移到女子阻攔高鐵事件。所以當3個輿情事件共存時，“桑吉”爆燃事件的信息量分別轉移到另外兩個輿情事件中，并且轉移到雪鄉宰客事件的信息量要多于轉移到女子阻攔高鐵事件的信息量，而雪鄉宰客事件信息量轉移到女子阻攔高鐵事件中。所以，根據本文計算結果，3個事件的競爭結果排序是女子阻攔高鐵事件>雪鄉宰客事件>“桑吉”爆燃事件，這也驗證了通過網民關注度研究網絡輿情事件競爭效應的可行性。

6 總結與展望

隨著移動寬帶互聯網的普及，網絡輿情事件頻發，已呈現大數據環境，同一時段的網絡輿情事件之間存在競爭關系，研究競爭程度和結果可以為網絡輿情治理提供參考依據。基于此，本文通過網民關注度的視角研究網絡輿情事件的競爭效應，構建了網民關注度轉移模型，并通過模型分析、參數估計、數值仿真以及實證分析研究了模型特性、網民關注度轉移機理等，并通過實際案例驗證了模型可行性。

大數據的核心是預測，本文僅僅是建立了兩個輿情事件的關注度轉移模型，而限于篇幅，尚未根據本文模型預測網民關注度轉移趨勢以及網絡輿情事件競爭結果。此外，對于多個事件并存時的轉移問題，以及多個事件不同步時的轉移問題有待進一步研究。

參考文獻

[1]中國互聯網絡信息中心.第41次中國互聯網絡發展狀況統計報告[R/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201801/t20180131_70190.htm，2018-02-06.

[2]陳安，房亞楠.多輿情事件的演化機理及其公眾關注度的替換/疊加效應研究[J].廣州大學學報：社會科學版，2017，16（6）：24-29.

[3]劉艷紅.基于關注度的網絡輿情信息傳播探究[J].新聞研究導刊，2017，（23）：78，81.

[4]滕文杰.突發公共衛生事件網絡輿情網民關注度區域分布研究[J].中國衛生事業管理，2015，32（5）：393-396.

[5]林萍，解一涵，魏靜.信息傳播平臺對網絡輿情熱度的影響分析[J].現代情報，2018，38（5）：94-99.

[6]徐旖旎.基于微博的媒體奇觀網絡輿情熱度趨勢分析[J].情報科學，2017，35（2）：92-97，125.

[7]蘇國強，劉芊汝，薛信朋，等.面向輿情大數據的突發事件網絡民意熱度評價研究[J].內江科技，2017，38（7）：74-75.

[8]曾子明，黃城鶯.基于BP神經網絡的突發傳染病輿情熱度趨勢預測模型研究[J].現代情報，2018，38（5）：37-44，52.

[9]楊寧.傳播學視域下微博熱搜榜的問題研究[J].新聞傳播，2017，（12）：121-122.

[10]喻國明.大數據分析下的中國社會輿情：總體態勢與結構性特征——基于百度熱搜詞（2009-2012）的輿情模型構建[J].中國人民大學學報，2013，27（5）：2-9.

[11]王長峰，莊文英，于長鉞.基于改進SIR模型的群體意見競爭演化研究[J].情報雜志，2017，36（10）：97-103，136.

[12]許媛，梁循.政府指導下時序耦合的企業相關雙輿情分析——以“魏則西”及“雷洋”事件的耦合為例[J].中國管理科學，2016，24（S1）：294-301.

[13]尹熙成，朱恒民，馬靜，等.微博輿情話題傳播的耦合網絡模型——分析話題衍生性特征與用戶閱讀心理[J].情報理論與實踐，2015，38（11）：82-86.

[14]王國華，鄧海峰，王雅蕾，等.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.

[15]張雪紅.社會性事件網民關注規律研究[D].太原：太原科技大學，2013.

[16]姜啟源，謝金星，葉俊.數學模型[M].北京：高等教育出版社，2011.

（責任編輯：馬 卓）