突發公共安全事件網絡輿情演化分析

孫宗緣 馬秀峰 李奇

摘要：文章以“貴州安順公交車墜湖”事件為案例，從文本挖掘與情感分析兩個視角對突發公共安全事件網絡輿情進行演化研究，較為全面地了解輿情事件進展及走向，并在此基礎上，提出了針對突發公共安全事件的輿情治理對策與建議，以期為政府或相關部門預測、調控、治理輿情，維護網絡環境及社會治安的穩定提供一定的參考與借鑒。

關鍵詞：網絡輿情;情感分析;文本挖掘;演化

中圖分類號：C912.63;G206文獻標識碼：A

DOI：10.13897/j.cnki.hbkjty.2021.0083

0引言

當前，以微博為首的網絡平臺已成為網絡輿情產生、演化的主陣地[1]。因微博具有便捷性、互動性、匿名性、網狀性等特點，使得網民的觀點、情感與態度具有不同以往的傳播深度、廣度與速度，無疑加深了網絡輿情演變的復雜程度。尤其是在突發公共安全事件的背景下，倘若不能及時了解網民所談論的話題與情緒態度變化，那么有可能會引發更為嚴重的網絡輿情危機。因此，及時、有效地分析突發公共安全事件網絡輿情下網民的關注點與情感態度，成為了把控輿情演化、引導輿情發展、維護社會穩定的重要參考手段，對政府或相關部門合理引導、適時控制突發公共安全事件網絡輿情具有一定的現實意義。

現如今，已有學者展開相關探索。一是有關網絡輿情主題的研究。Frey[2]基于主題監測與演示系統，通過Kmeans將新聞報道組織成為各代表主題的集群，通過時間的變化，發現網絡輿情中的主題熱點，便于對其進行分析與追蹤。錢愛兵[3]通過分析網絡輿情的基本問題，設計了基于主題的網絡輿情分析模型。Emma[4]通過分析在線用戶對媒體報道的評論，發現網民關注的重點，以此提高政府對于網民干預措施的可接受性及有效性。王晰魏[5]對社交網絡輿情主題進行了可視化圖譜研究，對于輿情監控平臺的使用具有重要的理論及現實指導意義。二是關于網絡輿情情感的研究。Turney[6]認為文本是攜帶情感的關鍵，副詞和形容詞是判斷輿情情感傾向的重要依據。周立柱[7]重點梳理了基于情感詞和基于頻繁模式挖掘這兩類處理思路，總結了情感分析的成就、不足以及面臨的挑戰。Chen P[8]等通過對微博情感極性的研究，構建出微博情感詞典，并用SVM對其進行情感極性的識別，推動了該領域的發展。王英[9]基于情感維內容，分析了“南昌大學自主保潔微博輿情事件”的情感維度狀況，以實現網絡輿情事件的輿情預警研判。王蘭成、張鑫[1011]對我國網絡輿情情感研究進行了綜述，為未來研究和實踐工作提供了一定的參考借鑒。在上述研究的基礎上，本文嘗試以輿情生命周期為橫向維度，從主題挖掘與情感分析兩個視角對網絡輿情進行縱向演化研究，使得分析結果更具有針對性、全面性;并針對網民情緒做出了細粒化分析，為情感分析提供一個較新的切入視角;另外，本研究構建了“貴州安順公交車墜湖”事件領域情感詞典，能夠對當下情感詞典做出一定程度的補充。

1研究方法

1.1突發公共安全事件網絡輿情主題識別

LDA模型是一個具有三級層次結構的貝葉斯模型[12]。它可以通過計算主題概率分布與詞語概率分布來識別大規模語料庫中的潛在主題信息，其對于文本長度沒有嚴格的限制，廣泛應用于主題識別研究，且具有不錯的主題聚類效果[13]。因此，本文利用LDA解析不同階段內用戶評論所產生的語義關聯，以得到隱藏在文字背后的輿論主題。

1.2突發公共安全事件網絡輿情情感分析方法

1.2.1情感傾向分析

Word2vec是一個三層神經網絡結構，它不會因語料庫的數量過高而產生維度爆炸問題，且能夠考慮詞匯的語義特征，借助上下文語境將詞語映射到K維向量。另外，研究證實，Word2vec更擅長處理規模較大的語料數據庫[14]，適用于本次的大規模預料集。Word2vec包括Skip-gram和CBOW兩種模型，前者是通過輸入當前詞去預測輸出該詞上下文出現的概率，后者相反，且兩種模型均實現了分層Softmax或負采樣的優化機制?？紤]到微博文本語料庫中不免出現新興詞語，而分層Softmax優化機制是使用Huffman樹進行映射，若碰到這些詞語，則Huffman樹的路徑往往越走越長，無疑會降低訓練效率。綜合研究情況，本文應用Word2vec中的Skip-Gram模型，并借助負采樣優化機制處理詞語，通過劃分訓練集與測試集來測試最優維度，以得到情感模型的輸入。長短期記憶網絡（LSTM，Long Short-Term Memory）是一種時間循環神經網絡，它是在循環神經網絡的基礎上改進而來，因“門”方法的出現，克服了循環神經網絡在處理數據時出現的梯度消失缺陷，確保了前后神經單元具有較好的感知能力，其強大的文本分類功能受到了學者的一致肯定[15]。因此，本文基于Word2vecLSTM構造本次研究的情感傾向分類預測模型。

1.2.2情感強度計算規則

一條文本的情感會因程度詞、否定詞、句型等而表現不同強度，因此，本文考慮分句的情感極性、程度詞、否定詞和句型計算評論文本的情感得分。首先，本文基于文獻《基于情感分析的移動圖書館用戶生成內容評價效果研究》構建的4層程度副詞權重詞表[16]，按照知網程度級別詞典進行增補，分別將“欠”“稍”“較”“很”“超”“最”所對應的程度副詞賦權0.5、0.8、1.0、1.25、1.75、2，詳見表1。

其次，結合否定詞詞典、知網程度級別詞與大連理工情感詞匯本體詞典，計算微博評論文本中的句子情感強度值F（S）。考慮到句型不同，情感詞所表達的情感強度也不一致，如：“祝愿平安?！迸c“祝愿平安！”，后者明顯帶有更為強烈的情感色彩。因此，文本對不同句型采取不同的情感強度計算規則（表2），得到最終情感強度分值F（S）[17]。

其邏輯是：首先，依據jieba進行切詞，將一句話拆分為由詞語組合成的List列表。其次，依據構建好的情感詞典查詢句中詞語是否為情感詞，若在詞典中查詢到該情感詞，則提取該情感詞在大連理工情感詞匯本體中的情感極性與情感強度。同時，以該情感詞為基準，向前掃描并獲取該情感詞前是否含有否定詞及其個數、程度副詞及其應權重等。針對否定詞來說，否定詞個數為單數則乘-1，為雙數則乘1;針對程度副詞來說，若發現程度副詞則乘以相對應的權重，得到該句子的情感強度值F（S）。若一個評論文本有多個子句，那么將子句情感分值累加并做四舍五入處理。最后，判定評論文本的句型，做相應的規則計算，得到最終的情感強度F（S）。

1.2.3具體情緒類別分析

本文從“詞語級別”將網民情緒細?；?。具體而言，以大連理工情感詞匯本體（7大類，21小類）為目標詞典，將各階段詞匯映射到目標詞典中進行匹配;其次，由于不同情感大類中包含的情感詞數量各有所異，因此，為清晰的展現網民的具體情緒變化，本文以各生命周期階段的始末時間為基準，分類整理各階段情感詞匯，并將具體情緒類別歸屬到相應大類當中。

2研究過程

2.1案例回顧

“貴州安順公交車墜湖事件”，事發于2020年7月7日，貴州安順市西秀區一輛公交車在行駛過程中沖出路邊護欄，墜入虹山湖中，造成重大人員傷亡的事件。經安順市公安機關調查取證，被判定為針對不特定人群實施的危害公共安全的個人極端犯罪，是一場極度惡劣的突發性報復社會事件，屬于典型的突發公共安全事件。該事件一經發生，便引起了微博用戶的廣泛關注，產生了心理健康、社會壓力、性別歧視等多個社會焦點話題，用戶討論維度較廣。這些輿論話題能夠高度概括一定的社會關系和矛盾沖突，說明該事件具有較好的分析價值。同時，據知微數據網站統計，共計有人民網、人民日報、央視新聞等168家重要媒體參與報道，該事件影響力高于98%的社會類事件，是非常具有代表性的突發公共社會安全事件。另外，通過知網檢索并未發現有關該案例的演化研究，針對該案例的研究有待填補。

2.2數據來源及處理

首先，通過知微數據研究網站獲取有關“貴州安順公交車墜湖”事件的所有原文鏈接，形成微博地址鏈接庫;其次，利用Python爬取評論文本，共計106 546條，刪除重復、空白、表情、特殊符號、圖片、網址、廣告、其他事件信息等無效或無關文本后得到94 928條數據樣本。

2.3Word2vecLSTM模型構建與測試

為確保預訓練的數據樣本具有一定代表性，本文按照評論量的1/3實施等差抽取（差額為3），并將抽取到的31 642條文本進行人工情感標注。其中負向文本占40.2%，中性文本占25.1%，正向文本占34.7%。因Word2vec的準確率受維度影響[18]，為得到最優準確率，本文測試不同維度下Word2vec的模型效果。同時，為防止LSTM模型過度擬合，本文將Size設置為256，Dropout設置為0.2，Dense設置為3。按8：2比例將已標注數據劃分為訓練集和測試集，發現Word2vecLSTM模型在110維度下準確率較高，混淆矩陣測試結果如表3所示。

以召回率（Recall）、精確率（Precision）、F1（F1-Score）、準確率（Accuracy）驗證該模型的有效性。從表4中可以看出，訓練集召回率平均值為0.839，精確率平均值為0.842，F1值的平均值為0.84，整體準確率達到了0.854;測試集召回率平均值為0.848，精確率平均值為0.852，F1值的平均值為0.849，整體準確率達到了0.866。因此，本文認為該模型能夠適用于此案例的情感傾向分析。

2.4領域情感詞典構建

微博評論中包含有較多的新潮詞語，如何有效、全面地識別出其情感極性，構建一個較為全面的情感詞典就顯得極其重要。因此，本文在前述分詞、過濾停用詞的基礎上，構建突發公共安全事件領域情感詞典[19]。首先，計算詞語頻次，剔除出現頻次較低的詞語，形成中文評論詞集Word group1。其次，將知網（Hownet）情感詞典、清華大學情感詞典、臺灣大學情感詞典、大連理工情感詞典、BosonNLP情感詞典以及網絡情感詞典中的情感詞合并構建成評論詞集Word group2。匯總Word group1與Word group2得到突發公共安全事件領域情感詞典Word group。然后，選取帶有強烈情感且出現頻次較多的詞語作為種子詞語，通過SO-PMI程序得到正負向情感詞。最后，以大連理工情感詞匯本體庫為參照，人工篩選、判斷與標注情感詞。經過多次人工篩查，將構建好的擴展情感詞典作為補充放入大連理工情感詞典中，得到包含31 012個詞語的突發公共安全事件領域情感詞典。

2.5生命周期劃分

本文依據日均討論量和生命周期理論，將該事件劃分為四個階段，如圖1所示。橫軸代表生命周期四個階段，縱軸代表評論量。7日-8日為爆發期，貴州安順公交車墜湖事件一經發生，便引起廣大網民的廣泛關注與討論;9日-11日為冷卻期，網絡輿論數量相較于前一階段急劇減少，但仍處于發酵周期內;12日-13日為二次爆發期，經警方調查該事件系司機蓄意報復社會，引起了網民的激憤;14日-15日為消退期，該事件網絡輿情發酵結束。

2.6突發公共安全事件網絡輿情文本挖掘分析

2.6.1基于頻次的關鍵詞分析

在剔除連詞、介詞、表達模糊詞語后，得到27 776個詞語，總計出現494 567次。其中，出現頻次在100以上的詞語共計700個，僅占詞匯總量的2.5%，但其總頻次高達339 475，占總頻次的68.6%。而出現頻次在10以下的詞語總數有23 766個，占詞匯總量的85.6%，這些詞匯出現總頻次為55 199，僅占總頻次的11.1%。為直觀展示詞語的分布特征，本文將f定義為關鍵詞C所對應的詞頻數，將n設為出現頻次為f的關鍵詞總數量。分別對f、n取對數，則此時橫坐標為log（f），縱坐標為log（n），并對生成的散點圖進行線性擬合，如圖2所示。

由線性擬合方程可以看出，R2等于0.753，擬合度較高，較為符合齊普夫分布定律。依據普萊斯定律確定出現頻次在130、17、43、8以上的關鍵詞分別為爆發期、冷卻期、二次爆發期、消退期的高頻關鍵詞，依據自身研究內容所需并結合學科經驗將出現頻次在5以下的詞語設置為低頻關鍵詞[20]。在此基礎上構建高、低頻詞云圖，見圖3、圖4。

由圖3、圖4可知，不同階段內高、低頻詞云圖存在差異，且關鍵詞數量也各有不同，在一定程度上表明網民關注的熱點及情感轉移趨勢。如爆發期內正向關鍵詞數量最多，說明了網民對該突發事故的祈禱、關切心情;而冷卻期內主要映射出網民渴求真相的情緒態度;二次爆發期及消退期內網民強烈激憤與理性訴求共振。具體來看，四個高頻詞云圖既相互聯系又相互獨立，即“司機”“原因”“希望”“生命”等關鍵詞貫穿事件始終;爆發期內的“平安”、冷卻期內的“真相”、二次爆發期內的“報復”、消退期內的“社會”等詞表明不同時期的網民關注重點。四個低頻詞云圖關聯性較低，在一定程度上展示輿情主題的外延，為相關部門控制輿情的擴散與傳播提供參考。

2.6.2基于LDA的主題識別分析

為防止主題模型過度擬合，本文用困惑度輔以肘部法則判斷最優主題數，不同階段的困惑度曲線，如圖5所示。由肘部法則可以看出，該事件各階段最優主題數分別為10、6、10、8。通過對比不同階段主題特征詞發現，當主題數目為4時，能夠展現該輿情事件在各個階段的主要研究主題[21]。為更深層次的分析輿論主題與網民情感的聯結關系，本文緊接計算各主題情感得分，即將各階段評論文本根據其內容所包含的關鍵詞匹配到相應主題后，計算從屬同一主題評論文本的情感強度均值，如表5所示。

在爆發期，僅有Topic1情感為正，其他主題情感均為負。結合評論文本將Topic1總結為“祈禱公交車內人員平安”、Topic2為“車內載有未成年，不要讓悲劇發生”、Topic3是“質疑與猜測肆起，官方需盡快查證真相”、Topic4為“對遇難乘客深表哀痛”?？梢姡W民高度關注車內情況，且隨著救援結果的公布，網民們的悲痛之情逐漸增多。在冷卻期，僅有Topic3攜有正向情感，結合主題特征詞可將其總結為“致敬救人英雄，盼望早日康復”，Topic1為“媒體的委婉話語引起網民的極度不滿”、Topic2為“司機是否應該承擔責任”、Topic4為“調查事件原因，發布真相公告”。此時，網民期待真相的焦慮心情發生了偏移與突變，部分網民將負面情緒發泄在媒體之上，并催促相關部門盡快調查事實真相。因不明原由，“司機惡意所為”“司機突發疾病”等多種觀點導致事故責任界定成為熱議話題。二次爆發期階段，真相的發布使該事件重新掀起評論熱潮，各主題情感得分再度下降。相較于前兩個階段，該階段的主題特征詞呈現出顯著的不同，負向情感占據了較大空間，網民情緒不再穩定。可將Topic1總結為“蓄意報復社會的人就是惡魔”、Topic2為“做好公交車司機的健康審查工作極為必要”、Topic3為“解決社會不公、做好矛盾處理”、Topic4為“網民對于本不該喪命的乘客深表悲痛”。在消退期，網民評論量急劇下降，而網民負向情感強度依舊強烈。因此，該階段的4個主題負向情感數值在這一階段達到了最低谷。此時，可以將該階段主題歸結為：Topic1“政府應加強社會管理工作，預防過激事件發生”、Topic2“人性的扭曲，惡意的報復，致使無辜的乘客遇難”、Topic3“司機惡行不容社會寬恕”、Topic4“關注社會不公，弱者也會反抗”。同時，也有一部分網民在表達對遇害者及其家庭的惋惜與遺憾之情、對司機惡行的痛惡同時，也呼吁政府及相關部門關注弱勢群體，落實切實可行的政策，解決社會矛盾。

2.7突發公共安全事件網絡輿情情感傾向分析

2.7.1評論文本情感傾向演化分析

圖6中橫坐標代表“貴州安順公交車墜湖”事件的生命周期階段;縱坐標是情感傾向數量的刻度，以此展示不同情感在其所屬階段的比重。

在爆發期內，正向情感比重較高（達49%），負向情感居于第二位，所占比重為33%，中性情感占比最少，僅為18%。其次，從數量上看，中性情感、正向情感、負向情感數量刻度的最高值也均在爆發期出現，且該階段的網民評論總數量約為其余階段總和的3倍之多，呈現出較大的不平衡性。在冷卻期內，評論數量大幅下滑，其中，正向情感數量下降最多，從整體上說明了網民對于該公共安全突發事件的關注度急劇下降。從各種情感傾向比例上來看，負向情感占比最大，達到了47%;中性情感占比為44%;正向情感占比最少，僅為9%。二次爆發期內各類情感傾向數量均大幅度增長，中性情感數量達到5 169，增幅近乎3.7倍;正向情感數量達到980，增長約3.3倍;負向情感數量增長最為劇烈，其數值高達12 845，是前一階段的8倍之多?？梢钥闯鼍W民在該階段大多持負向情感，致使情感傾向分布極不均勻，正向情感與負向情感之間的不平衡性再度拉大。從各類情感傾向占比上來看，負向情感傾向占比最大，高達68%，是該階段的主導情感傾向;中性情感傾向的文本占比27%;正向情感的文本占比最少，僅為5%。在網絡輿情的冷卻期內，僅有少量網民參與評論，不論是中性情感、正向情感還是負向情感，其數量刻度均在該階段進入最低點。中性情感的文本共計178條;正向情感的文本數量最低，僅為13條;負向情感的文本數量在此階段最多，為408條。

2.7.2評論文本情感強度演化分析

根據情感強度計算規則，得到該事件的用戶情感強度時序變化圖。同時根據不同情感強度值的大小將情感強度細分為輕度正向（0，5）、一般正向[5，10）、中度正向[10，15）、高度正向[15，20）、極度正向[20，+∞）與輕度負向（0，-5）、一般負向[-5，-10）、中度負向[-10，-15）、高度負向[-15，-20）、極度負向[-20，-∞）10個維度[22]，得到不同類別情感強度柱狀圖，如圖7所示。

結合兩類圖可以看出，爆發期內網民的正面情感強度波動幅度大于負面情感強度波動幅度，且情緒較為平穩，多以一般正向情感類別為主，輿情始發1小時后，正面情感強度攀升至頂峰，高達81 931。自7日18時到8日23時，正向情感總體趨于平緩。負面情感強度時序曲線在7日16時達到最低，為-10017，且在7日19時、23時，7月8日9時多次落入谷底。直至8日12時，負面情感強度曲線才逐漸平緩。相較于爆發期，冷卻期的負向情感強度曲線波動幅度略勝于正向情感強度曲線波動幅度，且不同類別的負向情感數量均高于正向情感的數量，說明該階段以負向情感為主。值得注意的是，不論正向情感強度曲線還是負向情感強度曲線，其峰值都出現在9日11時，且通過觀察9日4時-9日18時兩條曲線可知，其發展態勢大致相似，在一定程度上反映出，此刻出現了網民觀點對峙的現象。二次爆發期內，網民的情感出現大的拐點，在12日17時負向情感陡然升高，其波動程度遠大于正向情感強度曲線，且“極度”負向情感達到最高值（為1 349），約是“極度”正向情感的10.5倍。這時網民形成了對“司機報復社會行為”強烈譴責的輿論共識，極端負向情緒制造出了更多的輿論壓力。在輿情末期，負向情感強度波動幅度依舊大于正向情感波動幅度。

縱觀該事件生命周期內的情感強度演變情況發現，爆發期內正向情感強度數量最多，數值最大。隨著事件的推進，正向情感強度的數量和數值均呈下降趨勢，尤其是在冷卻期，正向情感所剩無幾。而負向情感則恰恰相反，自爆發期之后，其數量和數值不斷增加，并在二次爆發期時達到頂峰。雖然在輿情冷卻期，負向情感數量大幅減少，但仍使情感天平嚴重失衡，整體情感強度分布極為不均，網民有明顯的情感偏向行為，與該事件輿情發展趨勢大致相符。

2.7.3具體情緒類別演化分析

通過對各生命周期內具體情緒類別進行數理統計，得到圖8。其中橫坐標代表具體情感類別及其所屬大類，縱坐標代表具體情感類別的數量，數據標簽代表該具體情緒在相應生命周期階段所占的比例。

爆發期內，樂、好、哀、惡所占比重較大，PE高達26.3%，“平安”“安全”是該情感大類中的高頻詞。事故一經發布，瞬間成為極受關注的重大突發事件，網民紛紛表達祈愿平安的情感傾向，該傾向貫穿于事件始終。冷卻期內，樂、好、哀、惡四種情緒所占比重最高，其中PH、NN、NE所占比重較大，分別為19.6%、17%、14.4%。該階段內情緒類別頻次遠遠低于爆發期，但是不同情緒類別比重和爆發期情緒類別比重類似。二次爆發期內，樂、好、哀、懼、惡情感大類的比重最高，該階段內情緒數量相較于前一階段有了較大提升，高權重情緒種類也隨之增加。但是總體來看，該階段輿情熱度不如事發之時來的強烈。在消退期內，樂、好、哀、惡情感大類的比重最高，而整體數量都呈下降趨勢，且情感類別數量最少。從網民整體演化情緒來看，該事件中一直伴有哀傷、祈愿、敬佩、憎惡、害怕的情感，爆發期以哀傷、祈愿為主，冷卻期以悲傷、贊揚為主，二次爆發期以憎惡、貶責、恐懼為主，消退期以同情為主。結合事件發展來看，網民的情緒隨著事件的推進不斷變化，且與熱度走勢基本相一致，統一中也存在著特殊性。相較而言，司機蓄意報復社會的惡劣行徑更加刺激著網民負面情緒爆發，但是在輿論漩渦中仍有理智觀點。

3對策建議

突發公共安全事件網絡輿情具有突發性、長期潛伏性、災難性和廣泛性等特性，為避免應對策略的空泛性，本文基于已有研究結論和輿情生命周期，提出輿情應對策略，包括干預時機、處理方式、解決辦法等。

（1）根據輿情事件性質選擇策略。突發公共安全事件分為自然災害、事故災難、公共衛生事件、社會安全事件四類，事故災難在四類當中發生較為頻繁。“貴州安順公交車墜湖”事件屬于報復公共社會性事故災難，因此相關部門首先要采取“公布、疏導”的辦法，在事件發生后，及時跟進事件進展，實時傳播真相，同時要傾聽群眾意見。一方面，可避免謠言傳播而導致的輿情擴散，另一方面，有助于撫慰民心，維護社會穩定。

（2）監測網民評論內容，把握網民談論主題。政府或相關部門應該建立網絡輿情主題監測與跟進系統，對隱藏在文字背后的深層次語義主題快速研判，觀察網民言論聚焦在哪幾個輿論主題上，梳理這些不同輿論主題之間的連接脈絡。與此同時，要結合情感分析技術，考慮每一個主題的情感正負及情感強度，以采取不同的治理對策。若發現某個輿論主題情感為負，那么應優先對其合理化引導，通過解析話題矛盾，主動回應網民訴求等措施。待到其情感波動降到可控范圍之后，便可任之自由發展走向消散;倘若發現某一輿論話題為正向情感，那么應利用好正面話題，擴大正面話題的影響力，以平衡整體輿論環境。

（3）關注情感傾向轉折點及情感強度突變時刻，把握輿情發展趨勢適時引導。已有研究表明[23]，政府干預的過早反而會吸引更多的網民參與到事件討論中，進而傳播輿情，而在潛伏階段進行干預則會產生較好的效果。就突發公共安全事件來說，及時發布救援信息，披露事實真相會穩定網民情緒，但是干預方式不當反而會激發大眾負面情緒。本案例中民眾得知司機惡意報復社會后，反而群情激憤，引發輿論的二次爆發。因此，政府應時刻關注輿情動態變化，找準情感傾向轉折點與情感強度突變時刻，以靈活、適當的方式介入，既有利于弱化關鍵階段的傳播負面影響力，也有利于收集輿情數據，針對性地做出應對措施。

（4）依據網民具體情緒色彩變化，側重優化輿情干預效果。在網民參與輿情時，情緒結構較為復雜，導致輿情風險就越高。網民情緒得不到確切安撫，網民就越渴求政府的介入。因此，相關部門應以網民情緒為著腳點，公開表達政府態度和立場，及時處理輿情矛盾，以此擴大正面情緒的影響力，遏制謠言傳播，降低輿情風險。

4結論與展望

本文從文本挖掘與情感分析兩個視角對突發公共安全事件網絡輿情做出演化研究，具體如下：以“貴州安順公交車墜湖事件”為例，將輿情生命周期劃分為為爆發期、冷卻期、二次爆發期、消退期四個階段。在文本挖掘方面，以詞頻分析、主題分析兩個方面勘探網民關注的內容;在情感分析方面，以情感傾向、情感強度、具體情緒對網民評論進行剖析。綜合以上分析發現，網民關注點大體經歷了如下轉變，從“祈愿乘客平安”到“要求查明事故真相”到“司機惡意報復社會”再到“填補社會漏洞，加強矛盾處理”。在這一轉變過程中，網民情緒逐步由正轉負，這其中一直伴隨著網民的非理性言論，在謠言的沖擊下，整個輿論環境變得更為復雜。尤其是網民在得知事故真相時，其負向情緒全面爆發，負向情感強度達到最低谷，具體情緒以憤怒為主，直至該輿情生命周期結束，該輿論場的情感天平才得以平衡。在此基礎上，政府或相關部門應注重突發公共安全事件網絡輿情的“公布、疏導”，既要監測網民評論內容，把握網民談論主題，也應關注情感傾向轉折點以及情感強度突變時刻，依據網民情緒色彩的變化進行輿情的引導、調控與治理。同時，及時公布輿情信息、聽取民意，提升自身對于突發公共安全事件的應急處理能力也是必不可少的方面。

由于網民評論屬于匿名性的，因此不排除部分網民根據自己的偏向做出不符合實際情況的評價，而且本研究情感分析結果的準確度在一定程度上取決于深度學習模型的準確性和情感詞典的質量，后續將選用準確率更高的文本分析方法提升情感分類的準確性，并從更多平臺豐富數據量，增加對研究問題的分析角度，以期能夠為該領域做出一些貢獻。

參考文獻

[1]陳娟，劉燕平，鄧勝利.政務微博辟謠信息傳播效果的影響因素研究[J].情報科學，2018 （1）：91-95，117.

[2]Frey Allan J.Monitoring the news：A TDT demonstration systems[C].In the Proceeding of HLT2001.San Diego，CA，2001：18-21.

[3]錢愛兵.基于主題的網絡輿情分析模型及其實現[J].現代圖書情報技術，2008（4）：49-55.

[4]Emma，Louise，Giles，et al.Capturing Public Opinion on Public Health Topics：A Comparison of Experiences from a Systematic Review，Focus Group Study，and Analysis of Online，User-Generated Content[J].Frontiers in Public Health，2015，3：200.

[5]王晰巍，賈若男，韋雅楠，等.社交網絡輿情事件主題圖譜構建及可視化研究——以校園突發事件話題為例[J].情報理論與實踐，2020 （3）：17-23.

[6]Turney P D.Thumbs up or Thumbs down？：Semantic Orientation Applied to Unsupervised Cl assification of Reviews[C]//Meeting on Association for Computational Linguistics.Association for Computational Linguistics，2002：417-424.

[7]周立柱，賀宇凱，王建勇.情感分析研究綜述[J].計算機應用，2008（11）：2725-2728.

[8]Chen P，Fu X，Teng S，et al.Research on Micro-blog Sentiment Polarity Classification Based on SVM[J].2014，8944：392-404.

[9]王英，龔花萍.基于情感維度的大數據網絡輿情情感傾向性分析研究——以“南昌大學自主保潔”微博輿情事件為例[J].情報科學，2017 （4）：37-42.

[10]王蘭成，陳立富.國內外網絡輿情演化、預警和應對理論研究綜述[J].圖書館雜 志，2018 （12）：4-13.

[11]張鑫，劉鑫雅，張雅文.我國網絡輿情識別的研究脈絡、核心主題與發展趨勢分析[J].河北科技圖苑，2021 （3）：90-96，89.

[12]馬秀峰，郭順利，宋凱.基于LDA主題模型的“內容-方法”共現分析研究——以情報學領域為例[J].情報科學，2018 （4）：69-74.

[13]王洪偉，高松，陸頲.基于LDA和SNA的在線新聞熱點識別研究[J].情報學報，2016 （10）：1022-1037.

[14]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）：52-54，51.

[15]Zhang X，Zhao J，Lecun Y.Character-Level ConvoLutional Networks forText classification[C] //Neural lnformation Processing Systems.MIT Press，2015 （6）：649-657.

[16]王晰巍，楊夢晴，韋雅楠，等.基于情感分析的移動圖書館用戶生成內容評價效果研究[J].圖書情報工作，2018 （18）：16-23.

[17]李勇，蔡夢思，鄒凱，等.社交網絡用戶線上線下情感傳播差異及影響因素分析——以“成都女司機被打”事件為例[J].情報雜志，2016 （6）：80-85.

[18]熊富林，鄧怡豪，唐曉晟.Word2vec的核心架構及其應用[J].南京師范大學學報（工程技術版），2015（1）：43-48.

[19]郭順利，張向先.面向中文圖書評論的情感詞典構建方法研究[J].現代圖書情報技 術，2016（2）：67-74.

[20]虞秋雨，徐躍權.共詞分析中高頻詞閾值確定方法的實證研究——以新冠肺炎文獻高頻詞選取為例[J].情報科學，2020 （9）：90-95.

[21]李秀霞，宋凱，趙思喆，等.國內外教育大數據研究現狀對比分析[J].現代情報，2017 （11）：125-129.

[22]蔣知義，馬王榮，鄒凱，等.基于情感傾向性分析的網絡輿情情感演化特征研究[J].現代情報，2018 （4）：50-57.

[23]馮蘭萍，錢春琳，龐慶華，等.基于三方博弈模型的突發事件網絡輿情政府干預時機分析[J/OL].情報理論與實踐：1-14[2021-06-25].http：//kns.cnki.net/kcms/detail/11.1762.g3.202104 02.1132.002.html.

作者簡介：孫宗緣（1996），男，曲阜師范大學傳媒學院圖書館學碩士研究生在讀。研究方向：網絡輿情、信息計量。

馬秀峰（1963），男，曲阜師范大學繼續教育學院教授。研究方向：信息咨詢與科學計量。

李奇（1997），女，曲阜師范大學傳媒學院圖書館學碩士研究生在讀。研究方向：信息計量。

（收稿日期：20170708責任編輯：馬玉娟）

Analysis on the Evolution of Network Public Opinion on Public Security

EmergenciesBased on Text Mining and Sentiment Analysis

Sun ZongyuanMa XiufengLi Qi

Abstract：Taking the case of “Bus fell into lake in Anshun Guizhou” as an example， this paper studies the evolution of online public opinions on public security emergencies from two perspectives of text mining and sentiment analysis. Aiming to comprehensively understand the progress and trend of public opinion events， the paper puts forward countermeasures and suggestions for public opinion management of public security events， so as to help the government or relevant departments to predict， regulate and manage public opinions， which is of certain significance to maintain the stability of network environment and social order.

Keywords：Online Public Opinion; Emotion Analysis; Text Mining; Evolution