基于結構平衡的社交網絡輿情正向引導學習方法探討

杜亞軍， 吳 越， 李顯勇， 陳曉亮， 劉文君， 范永全

(西華大學計算機與軟件工程學院， 四川 成都 610039)

1 研究背景

互聯網、云計算、人工智能技術的不斷發展和快速普及，催生了網絡數據爆炸式增長。依托互聯網，網民可以借助新聞評論、BBS、博客、微博、QQ、微信等網絡應用平臺，對感興趣的話題自由發表言論并交換意見。當圍繞某一話題的分散觀點不斷聚集并逐步演化為群體性極化觀點時，就形成了網絡輿情。作為現實社會輿情的映射和延伸，網絡輿情已發展成為與現實社會輿情相互影響、相互補充、相互制約和相互推長的一種重要的輿情形式。截至2018年7月，我國網民規模達到8.02億人，手機網民規模達7.88億人，互聯網普及率為57.7%[1]，也就是說可能有超過半數的國人會成為網絡新聞的參與者，網絡空間已經成為不可忽視的輿情載體。據不完全統計，新浪微博每天發布數億條微博，產生50 GB的數據；騰訊微信日登錄用戶數達9.02億(2017年9月)，每天產生380億條消息；百度每天處理數據量達到100 PB。在社交網絡大數據的時代背景下，面對海量的數據，如何有效地挖掘輿情數據，準確判別輿情方向，并自主引導其向正向輿論轉化成為亟待解決的問題。

網絡輿情需要正向引導是由時代和社會背景、網絡信息傳播特點和網民群體自身特點決定的。就時代和社會背景而言，我國正處于社會轉型期，網絡信息的監控與監管剛剛開始，相關法制不夠健全，民眾的合理訴求相對受到限制。就網絡信息傳播特點而言，網絡信息具備傳播快、范圍廣、易復制，且真實性難以考究的特點，這就使得不法群體能輕易編造網絡謠言，夸大事實，扭曲真相。就網民群體自身而言，當前我國網民的主要群體是30歲以下的年輕人，其對事物的辨別能力相對較弱，容易受誘導而成為謠言傳播者。

縱觀我國網絡輿情的發展歷程，一般認為，2003年廣州“孫志剛事件”在網上曝光，引起了廣大網民的積極參與和討論，是我國網絡輿情正式出現的標志。自此之后，網絡逐漸發展成一種民意表達的新平臺。從“華南虎事件”(2007)、“上海踩踏事件”(2015)到最近的 “紅綠藍幼兒園虐童事件”(2017)、“鴻茅藥酒事件”( 2018)，幾乎所有重大新聞都首先在網絡上展開討論，并迅速形成熱點話題，其所產生的社會巨大影響甚至超過了事件本身。特別是一些負面效應的網絡輿情，可能本身并不是很大的事件，但在互聯網的助推下，迅速演變成具有廣泛社會影響力的輿論事件，甚至群體事件，如“西安手術臺醫生自拍事件”發生后，加劇了醫患矛盾。另外，這類突發性轉變通常令人猝不及防，使得相關部門對事件的反應和處理顯得滯后于事態發展，甚至陷入被動局面。如2011年的“7·23甬溫線特別重大鐵路交通事故”，由于有關部門沒有認清互聯網時代網絡輿情的新特點，對網絡負面輿情采取“不聞不問不說”的態度，沒能在正確的時間合理地處理問題，最終對政府部門的形象造成了消極影響。在輿情網絡化的環境下，如何借助計算機手段，自動引導網絡輿情已成為社會日益關注的重要問題。自動引導網絡輿情的實現需要解決多個問題，例如，如何從海量的社交信息中，準確挖掘負面輿情信息？ 如何在時、度上把握社交網絡平臺中輿情(量)到輿論(質)的轉化[2]？ 選擇什么樣的策略，去影響輿情的發展和演化？如何評判引導的效果好壞？

盡管相關方面的研究取得很大進展，但次主題的研究還處于起步階段，理論體系尚未建成，效果顯著的實證研究還較為欠缺，依舊存在很多問題需要進一步探討。基于此，文章對當下國內外的網絡輿情研究發展進行較為系統的綜述，在全面分析當前技術存在問題的基礎上，為各個問題的解決提出了對應的思路。

2 國內外研究現狀分析

針對社交網絡上的輿情引導，目前許多國家已出臺了相關政策，組建了相關機構并開發了相關軟件，但完整的輿情引導策略與實施系統未見報道。對此，需要對輿情引導策略進行系統性研究，包括挖掘網絡短文本，獲取群體話題討論觀點；分析引導策略類型，尤其是基于特殊節點人物的輿情引導策略，通過識別網絡中的特殊節點人物，從語義上理解他及其粉絲、偶像、朋友發表的言論，并利用結構平衡理論調控特殊節點觀點和節點關系，達到引導整個群體輿情觀點的目的。圍繞這些研究內容，對現有的研究方法綜合分析，其相關的研究工作主要包括網絡短文本觀點挖掘，結構平衡理論的演化動力學，網絡輿情引導政策、機構與軟件，網絡輿情引導策略類型，網絡關鍵節點人物識別，基于特殊節點人物的網絡輿情引導。

2.1 網絡短文本觀點挖掘

從海量網絡短文本(如微博帖子、微信和QQ對話、短信等)中挖掘網民對輿情話題的觀點是掌握網絡輿情態勢，制定引導方案的必要條件。相對于傳統長文本情感分析，網絡短文本觀點挖掘的難度更大。這主要是由于網絡短文本表情符號多，噪聲大，情感特征稀疏，網絡新詞層出不窮等。此外，觀點挖掘不僅要提取喜怒哀樂等情感，還要識別情感所涉及的話題。為解決這些問題，近年來相繼出現了許多有針對性的研究工作。

2008年，Tayfun等[3]通過大量采集用戶聊天信息，建立了用戶聊天問題定義模型，并形成用戶對問題觀點的挖掘方法，是短文本數據分析和觀點挖掘的早期研究之一。2010年，趙妍妍等[4]將文本情感分析歸納為情感信息抽取、情感信息分類、情感信息檢索與歸納三大任務，并認為大量網絡短文本觀點挖掘方法建立在傳統長文本，如新聞稿、網頁、報刊、雜志等基礎之上，總體可分為無監督學習和有監督學習兩大類。2012年，楊震等[5]面對微博短文本特征稀疏和上下文缺失的情況，借由時間、空間、聯系等要素挖掘文本間隱含的關聯關系，重構文本上下文范疇，以提升情感極性分類的有效性。2013年，Ren等[6]提出一種結合社交網絡文本和話題文本的矩陣因子分解框架，利用可觀測的微博知識，預測用戶對某一具體話題的觀點。

2014年，網絡短文本觀點挖掘的相關研究開始爆發。Montejo-Ráez等[7]提出一種領域無關的無監督學習方法，從WordNet圖中提取加權節點向量，這些被用在SentiWordNet的權重可計算微博最終情感極性。張林等[8]對移動設備上的用戶評論進行了研究，歸納出短文本具有字數少、跨度大、短小評論數量眾多等特點，提出了一種基于短評論特征共現的特征篩選方法，并分析輕型評論的情感極性。Ouyang等[9]先利用樸素貝葉斯(NB)分類方法判別微博文本是否具有情感，然后結合支持向量機(SVM)和k最近鄰分類器(k-NN)分析文本的情感類別。楊陽等[10]提出了一種基于詞向量的情感新詞發現方法，先用基于統計量的方法識別微博語料中的新詞，然后利用神經網絡去訓練語料中詞語的詞向量，從語料自身挖掘詞與詞之間的相關性，實驗表明該方法能有效發現情感新詞。Tan等[11]在潛在狄利克雷分布(LDA)模型的基礎上，提出了前景和背景LDA模型，用于提取顯著的話題并過濾長期存在的背景話題，這些顯著話題能夠為網民情感的變化做出可能的解釋。Pandarachalil等[12]提出一種無監督的微博情感分析方法，該方法利用SenticNet、 SentiWordNet和SentilangNet三種情感詞典分析微博文本的情感極性，其中SentilangNet情感詞典搜集了微博俚語和縮略詞。實驗結果顯示，該方法對大規模網絡文本情感分析具有良好效果。在基于有監督學習的情感分類方法中，訓練數據不平衡是一個嚴重的問題，最終能影響到分類準確率。為解決這個問題，2015年，Xu等[13]在詞向量語義合成的基礎上提出一種過擬合方法，然后在遞歸神經網絡基礎上，設計了一種綜合算法，用于構造句子向量，最后利用合成少數過采樣(SMOTE)算法，產生完全平衡的訓練集。Huang等[14]采用共現詞分析，借助短文本中自動提取主題的方法，通過熱點事件的挖掘和演化規律的分析，提出了熱點事件演化挖掘算法。Yamamoto等[15]考慮到表情符號對于文本情感的影響，提出了基于表情符號的微博多維度情感計算方法。馬長林等[16]提出一個話題情感混合最大熵LDA模型，對網絡評論文本進行細粒度觀點挖掘，實驗證實了所提模型的有效性。2016年，王仲遠等[17]認為要解決搜索引擎、問答系統等智能系統中用戶查找的問題這一類型短文本的理解問題，解決短文本中語境信息不足是前提，并提出了基于向量的短文本主題觀點的理解框架。2017年，Kang等[18]提出一個從用戶個人微貼中提取用戶興趣的模型，該模型使用Wikipedia作為知識庫，將用戶微貼表示成了特征詞空間，將微貼內容映射成了用戶個人興趣類標簽。2018年，Zhao等[19]使用在線社交網絡中用戶對產品的評分作為弱監督信號，建立基于產品評論情感分類的深度學習框架。該方法首先將評分用于模型高層得到產品評分情感的總體分布，然后在網絡中間層和底層加入一個分類器，分析用戶對產品評價語句中包含的情感。

就網絡短文本觀點挖掘相關研究而言，其在信息檢索領域的應用比較成熟，如有關常規文本的話題分析、觀點挖掘、情感分析已有大量的研究工作，方法相對比較成熟。但在社交網絡領域，文本內容具備信息短、網絡新詞頻繁、符號層出不窮、數據量大等特點，常規文本處理方法很難適應短文本處理。其主要問題表現在普通情感詞典難以識別短文本中新詞、新符號的情感傾向；社交網絡文本短小，文本特征矩陣稀疏，常規文本處理方法效果不佳，且話題與情感的同步提取困難。因此如何結合社交網絡會話的情景，充分利用會話的上下文信息，采用話題熱度和話題觀點、話題情感傾向的時間序列特征，挖掘其網絡輿情話題、觀點、情感是亟待解決的問題。

2.2 結構平衡理論及其演化動力學

在社交網絡研究中，常將用戶、評論等作為節點，以節點之間的各種聯系作為邊，構成符號網絡。網絡結構平衡理論的基礎是社會心理學理論，起源于1946年Heider[20]提出的人們對事物態度的平衡模型，該模型把人與人或人與物之間的關系分為積極和消極兩種類型，并實證分析關系類型的演化規律。1956年，Cartwright等[21]將Heider的理論進一步推廣，用數學語言將包含積極和消極兩類關系的系統形式化地描述為符號網絡，網絡中用邊的正、負符號分別表示積極關系和消極關系。結構平衡理論圍繞三角形的平衡性分析[22]，用網絡節點代表社交網絡中的網民，網絡連接邊代表網民之間的關系(“+”代表正關系，即觀點相同；“-”代表負關系，即觀點相反)，則三角形的關系具有如圖1所示的4種模式。其中圖1(a)和圖1(b)被認為是結構平衡的，圖1(c)和圖1(d)被認為是結構不平衡的。考慮到社交網絡中的網民數量多，且因興趣和觀點聚集成不同小團體，小團體內部的網民觀點相同，不同團體間的網民觀點相反，進一步在完全圖的弱平衡性基礎上分析社交網絡的弱平衡性。網絡輿情的形成過程實質上是一個從分散的網民觀點發展為有限個小團體觀點，最終經過演化小團體逐漸合并而形成一種統一觀點，或兩種對立觀點的過程。

圖1 符號網絡中三元閉包關系組合

結構平衡理論是符號網絡領域最基礎的理論[23]。然而，現實中的符號網絡絕大多數不是靜態的平衡網絡，而是從非平衡結構不斷演化為平衡結構或近似平衡結構的網絡，因此符號網絡演化動力學成為學者關注的重點。

符號網絡演化動力學早期的研究大多基于離散時間步的模擬。為了驗證基于結構平衡理論的符號網絡演化過程是否總能到達全局結構平衡態，2003年，Wang等[24]提出一個離散時間的符號網絡演化模型，模型假設初始時網絡中邊的符號隨機配置，每個時間步依次檢查每個三角形是否為結構平衡，對于非結構平衡的三角形，隨機選擇其包含的一條邊改變符號。通過蒙特卡羅實驗發現這些符號網絡最終均演化到結構平衡狀態。當符號網絡處于平衡態時，網絡節點分處于兩個完全對立的節點集合。2006年，Antal等[25]提出了類似的離散時間符號網絡演化模型，該模型將三角形按照包含的負邊數分為四類。每個時間步隨機選擇一個三角形，若負邊數量為3，其中的一條邊符號將會被改變，從而得到負邊數量為2的三角形；如果負邊數量為1，則以概率ρ(0≤ρ≤1)轉變為負邊數量為0，或以概率1-ρ轉變為負邊數量為2的三角形。實驗結構表明，網絡獲得平衡狀態的時間依賴于網絡規模，且與ρ值相關。另外，模型在模擬時存在相變點，當正邊比例小于該相變點時，網絡最終達到的平衡狀態由兩個完全對立的節點集合構成。正邊比例越小，兩個節點集合的大小越接近；正邊比例越大，則兩個節點集合的大小差異越大，最后，當正邊的比例大于相變點時，整個網絡在達到平衡狀態時僅包含一個節點集合，即所有邊均為正邊。2005年，Kulakowski等[26]提出了一個連續時間模型，仿真實驗結果表明，對于任意的初始條件和網絡，在有限時間步內，系統都會達到Heider 平衡狀態，其中大部分測試網絡演變為兩個完全對立的派系。同年，Gawronski 等[27]將該模型應用于多個網絡中，包括經典的BA無標度模型網絡、Natchez 的婦女網絡和Zachary 空手道俱樂部網絡，驗證了模型的有效性。2010年，Szell等[28]為模擬一個大規模在線游戲網絡中不同類型三角形的演化過程，提出了STC(Signed Triadic Closure)模型。2011年，Marvel 等[29]在上述連續時間模型的基礎上給出了一個閉合表達式，并證明，在大規模社會網絡中，初始的正邊數量決定了網絡最終的演化結果——兩個相互對立的派系并存和僅存在一個派系。同年，Malekzadeh等[30]基于博弈論提出了一個動態模型，將各節點調整關系的策略設置為使自身參與的平衡三角形盡可能地多。研究發現，該模型下任意初始狀態的網絡最終都會達到平衡。

有關符號網絡演化動力學目前還僅限于學術性研究，主要目的在于探討具有符號屬性的真實系統可能的演化模式和相應機制的作用分析。雖然這部分研究成果目前還未見具體的應用，但存在潛在的應用場景，比如輿情引導，可以通過定位一些關鍵節點或邊，對當前符號網絡加入少量的干擾，使其最終演化收斂到所希望的狀態。近年來，符號網絡結構平衡及其演化方法，在各個社交網絡領域得到廣泛應用。2013年，Nuria等[31]分析了16個團體中86個小團體成員之間沖突表現和團體網絡平衡狀態特征，將社會網絡結構的無參數模型，成功用于預測小團體之間的沖突。2014年，Hao等[32]針對現有k-團體發現方法，要求符號網絡中邊的正負性單一的情況，通過分析社會網絡的潛在結構和功能特性，提出了挖掘社交網絡k個信任平衡團體的算法，解決了網絡中邊可以是正鏈接邊也可以是負鏈接邊的問題。2015年，Cai等[33]提出了一種解決網絡結構平衡問題的兩步法。方法包括改進的多目標離散粒子群優化、限定域問題的模型選擇策略，產生最優帕累托解，然后將最佳解用于分析網絡結構，發現網絡中的不平衡邊，再將不平衡邊翻轉，從而使網絡結構達到平衡。2017年，Abtin等[34]認為符號網絡是一類社會關系網絡，其中關系可以是正的，也可以是負的。網絡中出現信任和不信任構成了網絡的不平衡。他們在Epinions、Slashdot和維基百科三個真實的符號網絡基礎上，提出了正反網絡中的符號預測算法，可以推斷出社交網絡未知關系類型。

輿情演化機制對輿情正確引導具有重要的影響。常規輿情演化方法以信息擴散、傳播理論為基礎，研發了一些輿情演化模型。社交網絡輿情從產生到消亡，經歷了不同的階段。輿情的演化伴隨著輿情的生命周期，從網絡結構角度，輿情生命周期的推移與網絡本身的結構平衡是緊密聯系的。探討社交網絡平衡理論、輿情生命周期、輿情演化機制三者之間的關系，是正確、高效地建立輿情引導方法需要解決的重要問題。

2.3 網絡輿情傳播方法

信息傳播是個人意見融合的過程，在這個過程中相互作用的主體根據既定的融合規則，不斷磨合對同一問題的意見，最終達成共識，或兩級分化和分裂。目前，國內外學者在輿情傳播模型方面開展了大量的研究，也取得了一些進展。信息擴散模型源于傳染病動力學模型[35]，如SI(Susceptible-Infected)、SIS(SI-Susceptible)、SIR(SI-Refractory)、SEIR(Susceptible-Exposed-Infected -Refractory)模型，其中S(易受感染)、I(受感染體)、R(移出者)分別代表三種不同狀態。SI模型定義易傳染者，即可以被感染者的鄰居以一定的概率傳染，成為新的傳染者。這就意味著，在進化后所有的病原體都將成為傳染者。SIS模型感染者有可能恢復到易感人群。SIR引入了難傳染狀態，如用戶中存在免疫性，不能再次被感染。SEIR模型中，易感染者已經被感染，但是在潛伏期內不能感染其他易感染者。這些經典的流行病模型廣泛應用于謠言傳播和輿情傳播。

Sudbury[36]最先應用傳染病的SIR模型來描述在不同村莊之間散布謠言的過程，其中沒有聽說傳聞的人處于易感染狀態，聽到并希望傳播的人處于感染狀態，已經聽到但不感興趣的人處于難感染狀態。Sudbury研究的情況類似于在完整的隨機網絡散布謠言的過程。隨后，在小世界網絡和復雜無標度網絡上，許多謠言的動態傳播被提出。信息的傳播通常伴隨著輿情的擴散， Deffuant、Krause-Hegselmann等模型的提出為輿情研究提供了堅實的理論基礎。2000年，Deffuant等[37]指出在一組用戶某種意見形成的過程中，一般來說用戶不會簡單地分享其他用戶的意見，也不會對他人意見保持絕對冷漠，而是在一定程度上會考慮其他用戶的意見從而形成自己的意見。2002年，Kamo等[38]引入一個用于謠言傳播的隨機模型，導出描述復雜社交網絡模型演化的均值方程。利用這些方程的解析和數值解來檢驗該模型在隨機圖、不相關的無標度網絡和具有相關的無標度網絡等幾種模型上的閾值。經過證明，在閾值范圍內謠言不能在系統中傳播。2003年，Moreno等[39]對復雜異構網絡進行分析和計算，提出了無標度網絡隨機的演化過程。2012年，Roshani等[40]考慮代表關系密切程度的用戶之間的聯合強度，使傳統的常數感染因子成為用戶之前而定的強度函數。

近幾年，研究者從不同角度分析輿情的演化與傳播。2016年，Cheng等[41]指出當意見具有相似且可接受性時，有更多決策組支持的觀點最終會贏得更多的支持者，引入觀點可接受性和決策組對輿情傳播的促進作用被得到證明。個體觀點的多樣性是導致輿情傳播不確定的一個重要因素。換而言之，意見之間的差異性會影響輿情擴散的概率，而觀點的演化會導致擴散概率的不確定性。2016年，Yan等[42]在不確定因素近似估計的基礎上，以觀點之間距離影響建立輿情擴散模型。其認為情感程度是決定網民傳播行為的關鍵，引入情感傳播的閾值(感染閾值和難治愈性閾值)，提出基于Bayesian更新規則的交互模型。2017年，Alatas等[43]指出用戶觀點的水平和屬性受到其他連接用戶的社會連通性影響，試圖引入意見和連接性感知指數的概念來描述用戶的內在行為。

2.4 網絡輿情引導方法

為了有效引導網絡輿情，先要判別網民觀點以了解整個網絡輿情的觀點分布，再根據網絡輿情動態特征，選擇特殊的主體及合適的策略進行輿情引導，使分散或負面的網絡輿情朝著正面的方向發展。網絡輿情引導是全球性問題，也得到全球主要國家的關注。基本的網絡輿情引導法可以總結為法律法規規范、專門機構制約、技術手段控制三種方法。

從法律法規上，規范網絡輿情內容。基于網絡輿情的重要性，至今全球有60多個國家和地區制定和公布了與網絡輿情引導相關的法律法規。美國是網絡輿情立法最早的國家，其相關法律法規也最健全。其中1996年，美國頒布的《電信法》規定，如果利用網絡傳播信息，危害國家安全和社會穩定、煽動和誘導犯罪、損毀他人名譽、欺詐侵權、黑客攻擊、傳播色情信息等，一律追究刑事責任[44]。同年，英國頒布了《3R互聯網安全規則》[45]。我國最高人民法于2013年發布了《最高人民法院、最高人民檢察院關于辦理利用信息網絡實施誹謗等刑事案件適用法律若干問題的解釋》[46]等。法律法規在一定程度上能遏制負面網絡輿情的產生和傳播，但不能完全保證網絡輿情環境的健康。

設立網絡輿情機構，管理和規范網絡輿情傳播。由于法律法規的局限性，為更有效地管理網絡輿情，各國紛紛組建了網絡輿情監測機構。在國外，美國自“911”事件后，啟動了“Total Information Awareness”計劃，通過搜集各種公開信息獲取有價值的情報，并于2006資助了“Software Being Developed to Monitor Opinions of U.S.”項目，專門為政府開發各種負面輿情的監視軟件。英國Autonomy公司推出的“互聯網輿情分析系統”目前已在許多領域中使用，引起各國輿情研究者的廣泛關注。在國內，軍犬、方正電子、拓爾思、飛科達等企業均開發了輿情監測軟件，主要負責采集信息、自動識別熱點新聞、預警負面消息、動態展示輿情變化態勢等。一些主流媒體也建立了輿情監測平臺，監測境內外論壇、微博、博客、新聞網站等，如人民網輿情監測室、中電傳媒輿情監測、新華網“輿情在線”等。網絡輿情監測機構對于網絡中特定信息的搜集、挖掘，熱點、敏感話題的發現、跟蹤以及網絡輿情預警具有積極作用。然而，當前的監測機構還難以準確計算網絡輿情的觀點分布，難以精準識別網絡輿情的意見領袖，從而無法提供精準的輿情引導方案及策略。

從技術手段上，監控和引導負面網絡輿情。目前常見的引導和監控方式包括對突發事件的網絡輿情網站進行過濾、刪貼，限制IP；開發虛擬機器人，在線跟蹤網絡謠言；采用強制手段對網絡輿情的制造者進行干涉、打壓和報復。目前，從技術引導和控制手段上的網絡輿情引導方式單一、引導觀念滯后、引導效率低、缺乏自動化的監督形式。

目前網絡輿情引導策略研究比較零散，研究形式多樣，尚未構成一套系統性的研究方案。從策略針對的客體，可分為網絡文本內容的調控和輿情主體的調控。2014年，吳越等[47-48]認為網絡文本內容的調控包括敏感詞帖子的過濾、熱點帖子的自動識別、帖子情感傾向的分類統計等。輿情主體的調控主要指對輿情主體進行引導，是目前網絡輿情引導的主流方法。2017年，毛乾任等[49]借助元胞自動機模型，定義元胞基于鄰域影響和本身異質屬性決定的狀態轉換規則，建立了一種網絡輿情導控策略。

從策略的強硬程度上，2011年，崔鑫等[50]將網絡輿情控制與引導分為硬調控和軟調控。硬調控是指出臺相關的法律法規，并利用強硬技術手段對網絡輿情實施強制管理。例如，經過對有害輿情信息關鍵詞的提取，設置關鍵詞過濾功能，禁止有害網絡輿情信息的出現。2017年，Wu等[51]總結了現有網絡輿情控制方法，當發現有害網絡輿情，立即刪除并封堵地址、斷網查處是當前比較常用的方法。軟調控是指利用“意見領袖”、主流媒體或網絡評論的影響力，潛移默化地影響網民的觀點，把網民不正確或不理性的輿情引導到正確的方向。例如，說服教育，利用“意見領袖”引導觀點或改變話題等。相比較而言，軟調控更符合構建和諧社會和走可持續發展道路的需要。網絡輿情倡導的是自由、開放地發表言論，一味地封鎖消息只能起到暫時緩解的作用，引導網民的思想朝積極、健康的方向發展才是輿情控制的根本之道。

關鍵節點人物的輿情引導策略是眾多網絡輿情引導策略中一種可行性較高、效果較好的策略。關鍵節點人物的輿情引導并非對所有輿情節點人物觀點進行引導，而是先選擇少量特殊的輿情節點人物進行引導，然后通過節點人物在社交網絡中的關系進行相互影響，進而達到引導整個網絡輿情的目的。這些特殊的輿情節點人物包括主流媒體、極端主義者和意見領袖。2009年，張立[52]認為主流媒體引導策略就像是群體外部的一個磁場對群體施加影響，影響范圍通常比較廣泛甚至是整個群體。由于主流媒體的權威性和長期以來網民對其建立起的信任和依賴，主流媒體發布的消息能夠得到網民的認同或是不自覺地接受。因此，主流媒體是整個網絡輿情方向的引導器，在群體情感走向上起到至關重要的作用。主流媒體引導可以看作是網絡外部力量對網絡內部節點人物強加觀點的一種引導模式。2010年，劉智等[53]提出了嵌入型引導策略，通過在網絡中選取某些特殊節點人物，使其對周圍節點人物施加影響，從而達到引導整個群體觀點的目的。在嵌入型引導策略中，極端節點人物和意見領袖通常是決定引導效果的關鍵因素。同年，Boccara[54]的實驗結果表明，使觀點極端節點人物放棄他們觀點的最有效辦法是盡可能讓他們與其他輿情節點人物接觸，交流次數越多，觀點的偏激程度越能降低。Martins等[55](2010)在CODA模型中引入了與一般大眾想法相反的輿情節點人物，并研究其產生的效果。實驗結果顯示，觀點相反的輿情節點人物的引入，能夠更有效降低群體中的極端觀點，前提條件是這部分輿情節點人物的觀點沒那么極端。

觀點偏激的輿情節點人物是輿情形成中的一部分特殊群體，他們的立場堅定、很難動搖，且容易感染周圍沒有主見的其他節點人物。對于這部分人群，如果引導不善，很有可能引發暴亂，因此是網絡輿情引導中重要的研究部分。2013年，Shutters等[35]指出，極端主義者在群體觀點極化過程中起到了關鍵作用，并且設計了兩種方法用于防止群體觀點的極化，一種方法是移除網絡中的極端節點人物，另一種方法是引進與原極端節點人物觀點相反的極端節點人物。實驗證明，后者在任何時間引進均有效果，和前者相比，不受時間限制。之后，Shutters進一步研究了輿情節點人物接受新觀點程度的指標，發現指標越小，極端節點人物越難帶動整個群體的觀點發生極化現象。

此外，許多研究者在制定引導策略的過程中都提到了針對敏感問題，在網站、網絡論壇等網絡社交平臺中培養專業的意見領袖，將正面的、權威的言論置頂，正確引導主流言論，促進社會和諧穩定的發展。由此可見，意見領袖在整個網絡輿情導向中的作用不容小覷。2016年，Fan 等[56]的方法值得借鑒，他們定義的知情代理人是受雇或選擇傳播預先設定意見的普通代理人，提出了一種基于動力學模型的知情代理人影響力下的輿情演化方案。

綜上，在網絡輿情引導上，人工手段干預依舊是主流方式。盡管學者從多個角度展開相關研究，但當前研究依舊缺乏系統的理論方法對網絡負面輿情加以引導。如何從輿情演化的角度，融合社交網絡平衡理論、機器學習、深度學習等方法，建立輿情引導理論模型，研究模型的特征參數和引導學習算法，達到負面輿情向著正向演化，是一個有待深入研究的問題。

2.5 應用系統開發

網絡輿情引導應用系統開發也是主要研究方向之一。目前國內外存在部分有關網絡輿情的應用系統，這些應用系統功能重點在于網絡輿情監控、發現、感知等方面。它們多應用在新聞學、傳播學、社會科學等領域，從政策、法律、管理、硬調控等方法防止負面輿情的傳播。如何充分利用人工智能方法，對互聯網海量的文本信息進行自動處理與分析、挖掘輿情情感傾向、設計負面輿情正向引導式學習算法，開發其應用系統還需要深入研究。特別是開發面向社交網絡短文本信息的輿情引導系統是當務之急。

綜上，網絡文本觀點挖掘、社交網絡結構平衡、網絡輿情演化等是近年來的熱門研究領域，研究方法很多。但是，這三者對網絡輿情引導的效果并未得到驗證。當前網絡輿情引導策略和方法零散，未有系統性框架及具體實施方案，更沒有從網絡結構平衡的角度出發而進行輿情引導策略的研究。

3 未來重點研究方向

為構建一套完整的網絡輿情引導策略、系統理論、方法及應用技術，結合以上綜述，本文基于結構平衡理論對社交網絡輿情正向引導方法進行了初步設計，重點從以下四個方面展開：1)構建話題熱度、話題觀點、話題情感傾向時間序列，利用時序特性分析方法判別話題討論是否構成負面網絡輿情。2)建立正負關系網絡，分析網絡輿情演化生命周期，網絡結構從非平衡狀態向平衡狀態演化的相變過程。3)在平衡理論指導下，從生命周期模型中抽象出各階段特征演化規律，建立刻畫網絡輿情演化的特征參數。4)針對微博話題討論平臺，構建基于網絡結構平衡理論的輿情正向引導學習算法、策略、方法及應用系統。各部分研究內容之間的關系如圖2所示。

圖2 主要研究內容及各部分間關系

3.1 基于時序特性分析的輿情判別方法研究

面對社交媒體海量話題的相關討論，如何從中準確判別網絡負面輿情是制定有效輿情引導策略的必要前提。話題討論最終演化為大規模輿情需要滿足兩個基本條件：一是話題討論群體數量要達到一定規模，二是群體觀點需逐步極化趨于一致。以這兩個基本條件為約束，可將網絡輿情演化過程形式化為話題熱度、話題觀點、話題情感傾向時間序列。其中，熱度時間序列是以話題參與人數為變量值構成的時間序列；話題觀點時間序列是話題討論群體的觀點分布隨時間的變化數值；話題情感傾向時間序列是話題觀點正面和負面極性隨時間變化的分布。對此可重點研究以下幾個方面。

1)話題聚類。研究社交網絡話題搜索策略，搜索與給定話題相關的網絡文本及其評論文本集合。

2)網絡輿情知識圖譜。針對社交網絡平臺，分析歷史文本內容，提取情感詞實體，分析實體之間的關系，描述實體和關系不同特征的程度詞，建立特定領域網絡輿情情感傾向知識圖譜。

3)數據融合。借助知識圖譜，對收集到的社交網絡文本數據進行清洗。過濾垃圾文本、無觀點文本；對不同話題進行語義分析，從語義上歸并同詞多義、多詞同義話題；對描述話題的文本進行規范化。

4)分析時間窗口的劃分粒度，定義話題熱度變量，構建話題熱度時間序列。通過提取社交網絡文本的評論對象和評論觀點，計算單位時間粒度中群體觀點分布大小，構建話題觀點時間序列。再結合話題熱度和觀點時間序列，分析話題情感，建立網絡輿情的判別模型。

3.2 社交網絡輿情生命周期與網絡結構平衡協同演化模型研究

社交網絡上的群體觀點由分散狀態向極化狀態轉化，究其根本動因是初始的社交網絡中存在矛盾個體，這些個體位于不同觀點甚至反向觀點之間的不穩定位置，從而打破了網絡結構的平衡性，導致網絡結構不斷發生演變，直至最后達到另一種平衡狀態。文章認為可以利用網絡結構平衡理論解釋并分析網絡輿情演化過程，并探討其與輿情生命周期之間的關系。研究點主要包括以下方面。

1)網絡輿情的生命周期模型。在網絡輿情演變過程中，借助網絡文本情感傾向時間序列，分析社交網絡結構特性和網絡文本內容變化之間的關聯關系，建立網絡輿情從話題誕生到輿情消亡的生命周期模型。

2)構建社交網絡的正負關系網絡。以輿情話題為中心，在不同的時間點上，提取不同輿情話題討論中個體之間的正向關系和負向關系，構建一個混有正向和負向關系的符號網絡。

3)對基于輿情話題的正負關系社交網絡進行k-核分解，提取中心結構的網絡。

4)根據個體之間的正負關系對中心網絡進行超節點辨別，解構正負關系網絡，生成簡約圖。 利用網絡結構弱平衡特性分析簡約圖的平衡性，發現非平衡結構及矛盾節點。

5)根據真實輿情數據建立群體觀點情感傾向變化與網絡結構協同演化模型，分析社交網絡結構平衡特性與時間變化趨勢。

3.3 社交網絡輿情引導模型特征參數研究

網絡平衡理論已充分證實破窗原理、羊群效應、群體極化效應是三種有效打破網絡平衡的策略。一個不平衡網絡的重要特征是出現結構洞和同質化現象。在社交網絡輿情演化過程中，發現網絡結構洞，是利用破窗原理引導網絡輿情發展趨勢的方法。網絡輿情中的關鍵節點人物是對輿情導向起到重要作用的領袖人物，他們能潛移默化地引導甚至改變普通群眾的觀點，利用意見領袖的作用引導社交網絡輿情發展是羊群效應的體現。社交網絡群體中，網絡話題情感傾向往往朝著大多數人的觀點演化，最后形成網絡輿情, 這種群體極化效應典型的特征是網絡觀點的同質化。對此可重點研究以下幾個方面。

3.3.1 網絡結構洞分析

1)充分利用網絡三元閉包原理，分析社交網絡節點本身的聚集系數。

2)研究網絡中節點與節點之間的強關系和弱關系。基于社交大規模網絡，節點之間的聯系強度反映節點之間的關系本身的緊密程度，建立計算模型將符號網絡邊的關系進行量化。

3)研究網絡中節點與節點之間的鄰里重疊度。鄰里重疊度是網絡節點之間的信任度關系大小衡量的標準。

4)從網絡結構分析角度，融合聚集系數、聯系強度、鄰里重疊度，設計算法挖掘網絡中捷徑邊(節點之間聯系弱、信任小、兩邊節點聚集系數小)。研究捷徑邊在網絡中分布規律，社交網絡中結構洞發現方法。

3.3.2 網絡意見領袖挖掘

1)分析在不同時間點與不同話題應用場景的符號網絡結構特性及不同節點對應人物的文本信息，深度挖掘對信息傳播、輿情演化具有重要作用的用戶指標。

2)分析不同用戶指標對話題信息傳播的影響力大小。選取影響力大的指標集合構建用戶影響力模型，以此識別社交網絡中具有影響力的用戶。

3)結合平衡理論，設計關鍵節點人物識別方法與算法，區分對鄰居用戶具有正向影響力的意見領袖和具有負向影響力的靶子領袖。

3.3.3 網絡同質化分析

1) 結合網絡約簡圖，研究社交符號網絡、網絡輿情觀點情感傾向的分布。針對不同輿情網絡，將網絡節點分為持有正向觀點和負向觀點兩類。

2)量化網絡同質性，建立同質化強度指標。將持有相同觀點的節點，占網絡總節點比例作為網絡同質化強度指標。

3)分析不同類別網絡節點分布情況，通過計算網絡中跨類邊顯著水平，建立網絡輿情情感傾向分布的同化能力。

3.4 社交網絡輿情正向引導式學習模型、算法及系統

面對不同社交網絡，輿情的引導策略存在個體化差異。選擇合適的社交網絡作為應用場景，制定有針對性的輿情引導策略與方法，通過改變網絡內正向關鍵節點人物、負向關鍵節點人物的鄰居節點觀點，在網絡的不同位置，適當增加意見領袖等措施，以改變網絡結構平衡的特征參數，達到引導目的。一個網絡輿情引導模型包括特征參數、學習算法、引導策略、引導效果度量、學習系統等。因此，本文認為可以微博平臺數據為應用場景，研究微博平臺上的社交網絡輿情正向引導式學習算法，確定引導模型及系統。需要進一步研究的內容如下。

3.4.1 引導策略

1)制定基于結構平衡的微博輿情引導策略。針對微博熱點敏感輿情話題，獲取網民觀點，研究負向輿情觀點對立的(正向)觀點的形成。

2)調整關鍵節點人物鄰居關系，增加正向關鍵節點人物影響力，降低負向關鍵節點人物的影響力。在適當的位置增加正面觀點的意見領袖，使其成為關鍵人物。局部調整正負關系網絡的結構，使其從一種網絡狀態向另一種平衡狀態進行演化，利用網絡結構平衡理論研究微博輿情引導方法。

3.4.2 學習算法

1)建立正向引導式學習算法。網絡輿情在其生命周期內的每個階段，從話題誕生，到輿情負向的影響，再到負向輿情的激化，乃至高潮的爆發，是社交網絡用戶觀點逐漸受到其它觀點影響的過程。網絡中每個節點都是一個智能體，每個智能體間觀點交互影響的過程，實質就是一個智能體學習到其它智能體(特別是意見領袖)的觀點，而使自己的觀點更新變化的過程。每個參與網絡輿情的智能體通過學習正向觀點，讓他們的觀點朝正向發展，就是一個正向引導。文章認為可以網絡輿情生命周期的連續兩個階段為一個學習過程，探討輿情生命周期每個階段學習的特征參數分布情況。

2)研究意見領袖智能體與其它智能體之間觀點變化，建立特征參數損失函數；可借鑒有監督的Dual Learning機器學習方法的基本思想，建立網絡輿情正向式引導學習算法。

3.4.3 構建學習系統和度量引導效果

1)以微博輿情為載體，實現學習算法，搭建引導模型的具體引導系統，設計并實現相關應用模塊、可視化界面及接口。

2)針對不同應用場景和不同輿情話題，分析網絡輿情引導策略的差異性，評估系統及訪問接口的可移植性。

3)設計評估指標，結合仿真實驗與真實輿情數據測試，分析輿情引導策略的實施效果。

4 總結

為促進社交網絡輿情正向引導，本文從網絡短文本觀點挖掘、結構平衡理論及其演化動力學、網絡輿情傳播方法、網絡輿情引導方法以及相應系統設計五個方面較為系統全面地對本領域國內外相關研究進行綜述。當前國內外在網絡輿情引導策略、相關理論、實用方法和應用技術上研究比較欠缺，遠未成體系。在研究綜述的基礎上，以構建完整網絡輿情引導理論體系和設計實用方法技術為目的，基于結構平衡理論對社交網絡輿情正向引導方法進行了初步設計，以期更有效地對社交網絡輿情進行基于計算機技術的引導和干預。