大數(shù)據(jù)平臺下網絡輿情風險演化模型仿真研究

任昌鴻，童春燕

(重慶師范大學涉外商貿學院，重慶 401520)

1 引言

隨著我國網絡技術的不斷發(fā)展，網絡已經成為人們日常生活中必不可少的元素。網絡使用率的增加，導致網絡輿情風險出現(xiàn)。網絡輿情指的是互聯(lián)網上流行的對社會問題不同看法的網絡輿論，實質上是社會輿論的一種表現(xiàn)形式，主要是通過互聯(lián)網對熱點與焦點問題中影響力較強的觀點與言論進行傳播。現(xiàn)今比較被大眾所接受的網絡輿情定義為：網絡輿情主要是以網絡為載體，以事件為核心，對廣大網民態(tài)度、情感、觀點、意見等進行傳播、互動、表達與后續(xù)的影響[1]。網絡輿情信息比較多元、表達較為快捷，具有開放與虛擬的特性，導致其具有直接性、隨意性、多元化、突發(fā)性、隱蔽性、偏差性等特點。但是，隨著網絡社會的崛起，網絡輿情逐漸的成為現(xiàn)實社會的“晴雨表”，也是一種不可忽視的頻發(fā)性社會現(xiàn)象[2]。網絡輿情主要是通過對民意進行聚合，對社會產生深刻的影響。但是其也存在著較大的風險，近幾年，由于負面的網絡輿情導致當事人抑郁、自殺的事件頻發(fā)，網絡輿情風險也逐漸的受到人們的重視。

為了對網絡輿情風險進行詳細的分析，國內外對網絡輿情風險演化模型進行了研究，并取得了一定的成果。目前使用較為廣泛的模型為基于多數(shù)原則的網絡輿情風險演化模型、基于有限信任的網絡輿情風險演化模型以及基于Sznajd的網絡輿情風險演化模型。其中，基于多數(shù)原則的網絡輿情風險演化模型主要的思想為觀點聚合，在該模型中，個體觀點呈現(xiàn)為二元離散狀態(tài)，更加簡單，并簡化了分析的過程；基于有限信任的網絡輿情風險演化模型認為觀點交互行為主要出現(xiàn)在觀點差值小于給定的信任閾值時，以此為基礎，對觀點模型進行建立，分析網絡輿情風險演化過程；基于Sznajd的網絡輿情風險演化模型是粒子交互模型中的典型代表，主要的思想為：更多的個體會更加讓人信服，因此，該模型主要是將觀點進行聚合，以此為基礎，對網絡輿情風險演化模型進行構建[3]。但是上述三種方法均存在著網絡輿情風險預測準確性低、控制效果差的缺陷，無法滿足現(xiàn)今互聯(lián)網的需求，為了解決上述問題，基于大數(shù)據(jù)平臺對網絡輿情風險演化模型進行構建，并設計仿真對比實驗對構建的網絡輿情風險演化模型性能進行測試與分析。

2 網絡輿情風險演化模型構建

2.1 網絡輿情信息獲取

要想對網絡輿情風險演化模型進行構建，首要的任務就要對網絡輿情信息進行獲取。通過研究發(fā)現(xiàn)，協(xié)程網絡爬蟲算法更加適用于網絡輿情信息的獲取[4]。具體的信息獲取過程如下所示。

通過協(xié)程網絡爬蟲算法得到網絡輿情信息為

X={x1，x2，…，xn}

(1)

為了對網絡輿情信息中的觀點進行提取，首先采用加權技術對信息中的關鍵詞進行提取。采用權重對詞的關鍵程度進行表示，詞權重計算公式為

(2)

其中，idfxi表示的是第i個詞的權重值；log表示的是底為10的對數(shù)公式；|D|表示的是網絡輿情信息集合D中信息的總數(shù)；{d′∈D|t∈d′}表示的是包含詞t的信息數(shù)量。

在網絡輿情信息中，若是關鍵詞k出現(xiàn)了n次，而網絡輿情信息總詞數(shù)為N，則詞頻為n/N。

由于網絡輿情信息中含有大量的相似關鍵詞，為了簡化網絡輿情信息，將相似的關鍵詞進行集合，對相似關鍵詞權重進行計算，得到

(3)

其中，Wxi，d′表示的是相似關鍵詞權重值；α表示的是計算參數(shù)。

通過式(3)得到各個相似關鍵詞的權重值，以此為基礎，對網絡輿情關鍵詞分布圖進行構建。

通過統(tǒng)計分析方法得到詞頻的二維與三維圖，如圖1所示。

圖1 網絡輿情詞頻二維、三維圖

根據(jù)上述得到的網絡輿情詞頻圖，通過聚類算法獲取網絡輿情觀點信息，得到

(4)

通過上述過程完成了網絡輿情信息的獲取，并得到了網絡輿情觀點信息集合，為下述網絡輿情觀點的聚合提供數(shù)據(jù)支撐。

2.2 網絡輿情觀點聚合規(guī)則設定

以上述得到的網絡輿情觀點集合為基礎，采用Weisbuch-Deffuant模型對網絡輿情觀點聚合規(guī)則進行設定，以此為基礎，對網絡輿情觀點進行聚合[5]。具體的過程如下所示。

忽略網絡輿情觀點聚合空間中流失的情況，設定網絡規(guī)模為M，將其中各個個體構成的社會網絡記為G(M，E)，其中，E表示的是網絡中邊的數(shù)量。

(5)

在網絡輿情觀點聚合中，個體交互程度具有非充分性與異質性的特性，個體對他人觀點的接受程度也是不同的。在網絡輿情觀點聚合過程中，收斂系數(shù)主要是對個體對他人觀點接收程度進行描述的變量，其取值的不同直接影響著觀點聚合的效果。因此，收斂系數(shù)設置為一個固定值并不合理[8]。本節(jié)采用收斂系數(shù)的分布f(μ)對收斂系數(shù)進行代替。另外，將信任閾值與觀點距離引入，其滿足下述公式

(6)

根據(jù)上述公式得到網絡輿情觀點聚合一般規(guī)則為

(7)

其中，ε為值域[0，1]上的一個固定值。

方式一：隨機加邊[9]。主要是依據(jù)概率在網絡個體中進行隨機選擇，使新加入個體與其聯(lián)系進行建立；

方式二：依據(jù)度值權重進行非等概率加邊[10]。主要是依據(jù)網絡連接的“馬太效應”對新加入個體與已存在的個體進行連接，其概率為

(8)

同時，網絡中具有名人效應，以方式二進行加邊更加符合實際的情況。因此，得到大數(shù)據(jù)平臺下網絡輿情觀點聚合流程如圖2所示。

圖2 大數(shù)據(jù)平臺下網絡輿情觀點聚合流程圖

通過上述過程完成了網絡輿情觀點聚合規(guī)則的設定，并對觀點進行了聚合，為網絡輿情風險系數(shù)的計算做準備。

2.3 網絡輿情信息擴散模式搭建

以上述得到的網絡輿情觀點聚合結果為基礎，采用倉室模型對網絡輿情信息擴散模式進行搭建，具體的模式搭建過程如下所示[11]。

倉室模型是現(xiàn)今使用較為廣泛的模型類型，倉室模型示意圖如圖3所示。

圖3 倉室模型示意圖

如圖3所示，S表示的是個體非知情狀態(tài)，表示個體沒有受到網絡輿情信息擴散的影響，對輿情信息認知較少；E表示的是個體知情狀態(tài)，個體對網絡輿情信息具有一定的了解，并受到其擴散的影響；I表示的是傳播狀態(tài)，這些個體是網絡輿情信息擴散的主要推動者；R表示的是移出狀態(tài)，該狀態(tài)的個體不會受到網絡輿情信息擴散的影響，處于免疫狀態(tài)。

網絡輿情信息擴散中個體狀態(tài)轉移流程如圖4所示。

圖4 個體狀態(tài)轉移流程圖

以圖4為基礎，對網絡輿情信息擴散模式進行搭建，用公式表示為

(9)

其中，λ，1-λ，ω，?，γ分別表示的是S→I，S→E，E→I，E→R，I→R之間的轉移概率；Θ(t)表示的是t時刻傳播節(jié)點的概率。

通過上述過程完成了網絡輿情信息擴散模式的搭建，對其擴散模型進行了詳細的分析，為下述網絡輿情風險系數(shù)的計算提供支撐。

2.4 網絡輿情風險系數(shù)計算

以上述搭建的網絡輿情信息擴散模式為基礎，通過敏感性分析對網絡輿情風險系數(shù)進行計算[12]。具體計算過程如下所示。

傳播概率對網絡輿情信息擴散效果有著直接的影響，隨著傳播概率的變化，網絡輿情信息擴散的效果也存在著較大的不同。將上述過程簡化為數(shù)值模型為

(10)

其中，ψ(t)表示的是網絡輿情信息擴散效果。

根據(jù)上述公式結果，通過敏感性分析公式計算網絡輿情風險系數(shù)，得到

(11)

其中，Ξ表示的是網絡輿情風險系數(shù)，通常情況下，認為網絡輿情風險系數(shù)越大，則網絡輿情風險越大。

通過上述過程實現(xiàn)了大數(shù)據(jù)平臺下網絡輿情風險演化模型的構建，為網絡輿情風險的預測與控制提供了強而有力的支撐。

3 仿真對比實驗

上述過程實現(xiàn)了大數(shù)據(jù)平臺下網絡輿情風險演化模型的構建，但是對其是否能夠解決現(xiàn)有模型存在的問題還無法確定，為此設計仿真對比實驗對構建模型的性能進行測試與分析。

首先對實驗平臺進行構建，如圖5所示。

圖5 實驗平臺示意圖

在仿真對比實驗過程中，采用構建模型與現(xiàn)有的基于多數(shù)原則的網絡輿情風險演化模型、基于有限信任的網絡輿情風險演化模型以及基于Sznajd的網絡輿情風險演化模型進行對比實驗。為了保障實驗結果的準確性，將實驗外部環(huán)境參數(shù)設置為一致，通過網絡輿情風險預測準確性與控制效果對模型的性能進行體現(xiàn)。具體的實驗結果分析過程如下所示。

3.1 網絡輿情風險預測準確性對比分析

為了保障實驗結果的準確性，在網絡輿情信息量15MBit與50MBit情況下，對網絡輿情風險預測準確性進行實驗，通過實驗得到網絡輿情風險預測準確性對比情況如表1、表2所示。

表1 信息量15MBit下網絡輿情風險預測準確性對比情況表

表2 信息量50MBit下網絡輿情風險預測準確性對比情況表

如表1、表2所示，構建模型的網絡輿情風險預測準確性遠遠的高于現(xiàn)有三種方法，信息量15MBit情況下最大值為94%；信息量50MBit情況下最大值為89%。

3.2 網絡輿情風險控制效果對比分析

網絡輿情風險演化模型可以通過模型系數(shù)的設置對網絡輿情風險進行控制，其控制效果直接影響著模型的性能。

通過實驗得到網絡輿情風險控制效果對比情況如圖6所示。

圖6 網絡輿情風險控制效果對比情況圖

如圖6所示，構建模型的網絡輿情風險控制效果參數(shù)遠遠的高于現(xiàn)有三種方法，說明構建模型控制效果更好。

通過實驗結果顯示，構建的網絡輿情風險演化模型極大的提升了網絡輿情風險預測準確性與控制效果，充分說明構建的網絡輿情風險演化模型具備更好的性能。

4 結束語

構建的網絡輿情風險演化模型極大的提升了網絡輿情風險預測準確性與控制效果，為網絡輿情風險的預測與控制提供了強而有力的支撐。但是模型的網絡輿情風險預測準確性與控制效果依然具有很大的上升空間，需要對模型進行進一步的優(yōu)化。