基于LDA-DLNB網絡輿情識別的應急管理智庫決策研究

熊勵 陸夢園 王錕

摘要：[目的/意義]網絡輿情信息在突發事件應對中有著不容忽視的傳播影響力。完善輿論引導是中國特色新型智庫的重要功能之一。做好網絡輿情識別是應急管理智庫提高綜合研判能力的關鍵。[方法/過程]本文從應急管理智庫建設角度出發，聚焦突發事件網絡輿情信息中潛在的關鍵熱點與情感結構識別問題，通過機器學習方法構建LDA-LDNB網絡輿情信息挖掘模型，并基于突發事件網絡輿情文本信息進行模型驗證和實證分析。[結果/結論]本文構建的模型能很好地識別突發事件中網絡輿情信息的主題、情感與演化特征，為應急管理智庫提高應急管理決策服務能力提供方法支持，為構建數據驅動的應急管理智庫提供新的思路。

關鍵詞：應急管理智庫? ? 突發事件? ? 網絡輿情? ? 文本分析

分類號：G206

DOI： 10.19318/j.cnki.issn.2096-1634.2024.02.01

1? 引言

自《關于加強中國特色新型智庫建設的意見》印發以來，中國特色新型智庫建設得到高度重視，中國特色新型智庫體系不斷完善，在咨政建言、理論創新、輿論引導、社會服務等領域發揮著重要作用[1]。在過往的研究中，于志榮[2]將應急管理智庫定義為“政府應急管理中的主體角色之一”，認為其在應急管理的應急預防、應急準備、應急處置以及應急恢復等4個階段發揮重要作用。熊勵等[3]將應急管理智庫定義為“具備一定的應急響應機制、高度協調能力與控制能力，提供及時、準確、權威的決策支持和輿論引導的智庫”。結合過往的研究基礎，本文將應急管理智庫定義為：聚焦政府應急管理能力與應急管理體系，針對突發事件復雜性、危害性和非程序性決策等基本特征而具備一定的應急響應、應急協調與應急情報服務能力，為政府部門的應急管理實踐提供多層次、全方位的決策支持的智庫。面向突發事件，應急管理智庫致力于創新應急理念，完善應急規劃，為應急決策提供咨詢論證。

智庫是推進國家治理體系和治理能力現代化建設的重要力量。黨和政府不斷健全輿論引導機制，鼓勵智庫面向國家現代化治理需求、運用大眾媒體等多種手段，在輿情研判、輿情應對到輿情治理的全流程中充分發揮決策服務作用，切實提升決策支撐能力。綜觀全球輿情研究趨勢，圍繞突發事件的公眾輿論引起了極高的關注度和討論度[4-5]，網絡平臺逐漸成為人們發布突發事件相關信息、了解突發事件進展動態，以及發表個人輿論見解的重要陣地。這些輿論通過網絡平臺不斷傳播，并帶來潛在社會威脅[6]。其中，輿情治理面臨風險關聯性、建模復雜性、學科交叉性、社會影響性與情景不確定性等“五大挑戰”，在理論層面是數據驅動下的典型智庫研究[7]，在實踐層面也已經成為政府應急管理的重要工作。

鑒于此，為應對新形勢下對標國家治理體系和治理能力的基本要求，發展以數據平臺和數據服務支撐決策的智庫服務形式，本文面向應急管理智庫建設，基于機器學習方法，構建網絡輿情信息挖掘模型，并基于突發事件網絡輿情文本信息進行模型驗證和實證分析，通過新一代信息技術輔助應急管理智庫把握輿情發展規律，從而進一步完善數據驅動的應急管理輿情智庫參與應急決策咨詢，提高服務決策能力。

2? 相關研究現狀

圍繞突發事件應急管理智庫建設的相關研究主要包括兩個方面。一方面，從應急管理智庫的定義與功能展開研究。熊勵等[3]研究了各領域智庫在可操作性、適用性方面與應急管理需求不匹配的現狀，明確了應急管理專業智庫應具備較強的專業性和動態的應急性兩大顯著特點；應峻等[8]基于應急管理智庫的服務現狀，提出了面向突發事件專業領域智庫發展的服務模式。另一方面，圍繞政府應急管理中的智庫服務開展研究。面對新型冠狀病毒的大流行，國內學者積極建設新型應急管理智庫，聚焦科技智庫決策咨詢研究[9]、高校智庫應急服務[10]、政府大數據能力模型[11]、疫情預警指標體系構建[1]、智庫情報服務能力[12]，以及智能情報決策體系[13]等方面展開研究，為新冠疫情防控做出了重要貢獻。同時，國內外學者都已經關注到如何將網絡輿情信息作為重要工具應用于應急管理的情報服務，在突發事件的監測預警[14]、應急響應[15]和應急行動[16]中同樣起到了重要作用。

在數據驅動的輿情研究方面，學者關注突發事件網絡輿情意識形態、社會熱點與情感機制等因素，通過多源數據分析與實證模型方法的有機結合，分別從情感分析[17]、文本主題挖掘[18]及傳播演化[19]等維度對網絡輿情及其特征展開研究。在主題識別方面，基于潛在狄利克雷分布（Latent Dirichlet Allocation，LDA）的主題識別模型有助于挖掘網絡輿情中潛在的主題，例如，通過模糊視角對短文本進行模糊主題建模的優化方法[20]，構建用戶主題聚類知識圖譜及主題傳播路徑分析等[21]。在情感識別方面，基于有監督的機器學習方法和無監督的情感模型實現文本情感分類和預測的研究是較為主流的分析方法。無論是基于突發事件案例的微博輿情演化模型[22]，還是基于點互信息和情感詞典的協同分析[23]，都能為網絡輿情演化機制的識別與治理提供有效方法。

綜上所述，盡管各類智庫研究已經在應急管理體系發展中提供了豐富的理論與實踐支撐，但是面向應急管理智庫服務能力建設的研究仍然不足，需要結合數據驅動的內涵與建設路徑展開研究[24]。因此，本文結合新一代信息技術，基于機器學習方法構建輿情分析模型，通過文本數據挖掘突發事件輿情的主題與情感特征，為應急管理智庫提供信息挖掘的研究方法，助力應急管理智庫提高輿情引導與服務決策效能。

3? 基于機器學習的突發事件網絡輿情信息挖掘模型構建

本文構建基于機器學習的網絡輿情信息挖掘模型，其主要流程如下：首先，應急管理智庫需要基于政府決策需求，明確突發事件網絡輿情生命周期及其發展的不同階段；其次，采集多源網絡輿情數據，并為后續的分析做好數據處理與存儲工作；然后，通過構建的輿情分析模型以可視化形式完成主題聚類與情感分類，監測生命周期內各個階段的熱點話題與公眾情緒的分布結構與演化規律，輔助應急管理智庫在突發事件發揮決策咨詢與輿情引導作用。

3.1? LDA文本識別模型

網絡輿情信息具有短文本、非結構化的特征，要對這類文本進行主題聚類研究，最具代表性的機器學習模型為潛在狄利克雷分布[25]。作為無監督機器學習模型，LDA模型基于詞袋假設，構建每一文檔為一系列主題的多項分布，并構建每一主題為一系列詞的多項式分布[26]，不依靠傳統的詞頻統計文檔的潛在主題數。

采用LDA主題模型對分詞和預處理后的數據進行主題識別與分析。選用Sklearn模塊實現文本特征提取，生成詞頻向量并返回稀疏矩陣，并基于pyLDAvis工具展示主題聚類的可視化結果。其中，在確定主題聚類個數時，需要通過計算困惑度來確定最優的分類個數。困惑度計算如公式（1）所示：

其中，w指文檔中的詞語，p（w）指測試集中每個詞出現的概率，N測試集的文檔總數。困惑度表明了訓練的模型對某一條網絡輿情內容屬于哪個隱含主題的不確定程度。困惑度越低，表明聚類主題的效果越好，模型越優。在該模型中，由于詞袋算法忽略了文本連結的有序語法，因此獲得通過分詞等方法實現分割后的無序詞語，并將無序的文本詞語轉換為詞頻向量，進一步將文檔的主題以概率分布的方式提取。在輿情分析中，網絡信息主題識別能將公眾高度討論的話題抽取為詞頻向量再聚類，從而有效、精準地識別與事件緊密相關的網絡輿情熱點主題。

3.2? DLNB分類模型

文本情感分析的主要研究包括情感的主客觀分析、情感傾向分析、情感喜好分析和多情感分類等內容。常用的情感分析方法包括無監督的情感詞典方法[27]和有監督的樸素貝葉斯等機器學習方法[28]。由于情感詞典依賴細粒度更精確、情感詞覆蓋率更完善的詞典的構建，難以和微博短文本、非規范性的特性相契合，因此本文選擇樸素貝葉斯方法構建情感分析模型。

樸素貝葉斯模型是基于概率論的一種機器學習分類方法，假定樣本的n個屬性之間相互條件獨立，定義文檔d=（x1， x2， …， xn）的類別C={C1， C2， …， Cm}，樸素貝葉斯分類模型如公式（2）所示：

其中，c為類別集合中的某一類別，P（c）指每個類別的先驗概率，P（xj|c）表示分類器預測樣本xj在類c中發生的概率。作為情感分類領域應用較廣泛的分類器，該模型要求在先驗概率的基礎上，將數據集歸為n個標簽中后驗概率最大的標簽。由于傳統的樸素貝葉斯分類算法多用于二分類模型，因此本文構建的模型為雙層樸素貝葉斯（Double Layer Naive Bayesian，DLNB）模型，通過對數據集進行兩次分類模型的訓練，最終得到準確率、精確率等均有一定提高的模型結果，過程如圖1所示。DLNB模型的實現基于兩層樸素貝葉斯模型的分類器完成兩次分類過程，標簽為“0”“+1”和“–1”，分別表示中性情感、積極情感與消極情感。首先，輸入的數據集通過第1層分類器，經過訓練的模型將數據集歸為兩個標簽中后驗概率最大的標簽，即分類為有情感傾向和中性情感“0”兩類；其次，第1層分類后的無情感傾向數據作為第2層分類器的輸入，通過模型后將剩余文本數據歸為“+1”與“–1”兩個標簽中后驗概率最大的類別；最后，完成網絡輿情數據集的情感傾向的3個分類，從而進一步分析突發事件網絡輿情所反映的公眾情感。

4? 實證分析

4.1? 數據采集及處理

在網絡輿情事件選擇上，本文基于重大突發事件特征，結合新冠病毒奧密克戎變異株在國內傳播時期潛伏期短、傳染性強、傳播速度快的3個特點，同時選擇了發布大量的網絡輿情內容的新浪微博作為數據來源。本文獲取的網絡輿情數據均通過Python實現微博數據的自動爬取，數據采集的時間范圍為2022年3月1日至2022年5月31日，采集的微博發布內容包括中國新聞網、新華網、中國日報等官方媒體和大量自媒體、獨立用戶等發布的內容，研究獲取的數據包括用戶ID（賬號）、發布時間、轉發數、評論數、點贊數、定位和正文內容等。同時，本研究為了盡可能地反映真實經歷此次S市疫情的主體所發布的網絡信息，僅選擇了定位信息為S市范圍內的微博內容作為數據來源，最終獲得有效數據共計19，337條。

據百度指數的統計數據[29]和信息生命周期理論[30]，本輪輿情演化生命周期為2022年3月1日—2022年5月31日，在4月6日達到搜索指數的峰值?；谏芷诶碚撆c突發事件發展的具體情況，本文劃分的4個階段如圖2所示。

本文數據的困惑度如圖3所示，隨著主題數量的增加，困惑度總體呈現波動下降趨勢，所對應的最優主題個數等于7。因此，綜合考慮一致性指標和困惑度，確認主題間無交集，本文選取潛在的網絡輿情熱點主題類別個數為7。

4.2? 實驗結果分析

4.2.1? 網絡輿情信息主題發現? ? 本文將分別對信息生命周期內潛在主題熱點及其對應的關鍵詞進行主題識別及分析，并探究隨著突發事件態勢的發展，公眾關注主題演變的趨勢和內容。

對收集到的文本數據經過預處理、信息生命周期劃分等準備工作后，調用Sklearn庫來構建LDA主題模型進行主題識別，設定隱含的主題數為7，設定輸出高頻關鍵詞TOP30，通過max_df參數過濾詞頻大于0.8的詞匯，通過min_df參數過濾出現次數小于10的詞匯，使得到的結果更客觀且具有代表性，最后使用pyLDAvis工具實現可視化展示。LDA模型會選擇高頻的關鍵詞來描述每一個隱含主題，并給出全部主題下的高頻關鍵詞。經過50輪迭代后，形成的結果如圖4所示。

根據LDA模型迭代的結果，分別利用7個主題的關鍵詞推斷主題對應的信息，總結后如表1所示。根據表1中挖掘的7類主題，可以得出公眾主要關注的7個方面，分別概括為社會生活、防疫措施、物資保障、生活記錄、城市變化、疫情信息及新聞動態。

按照生命周期理論劃分的4個階段的文本數量、持續時間等，本文對信息生命周期內各階段分別進行LDA主題建模，得出各個階段不同主題占比，如圖5所示。主題2在整個周期內都有非常高的討論度，只在衰退平息期占比第2，僅次于主題4。主題1與主題2隨著突發事件的進展，占比逐漸降低，討論度總體呈現下降趨勢；主題4反而隨著突發事件進展不斷發酵，成為后期主導的主題之一。主題3在前期占比不高，在波動下降期達到頂峰，在衰退平息期再次下降；主題7則與此相反，前期的關注度相對較高，隨后不斷下降，在波動下降期達到最低后，在衰退平息期又有小幅度升高。主題5和主題6在各階段的占比變化不大，均僅在波動下降期有一定程度的下降。

結合各階段詞頻和主題，最后按照各個階段的最優主題數，總結代表性主題，結果如表2所示。由于網絡輿情的形成擴散期較短，在短時間內呈現出爆發態勢，因此前期的主要話題內容圍繞事件早期的突發性展開。網絡輿情信息的傳播和討論達到頂峰后，信息生命周期進入了下半階段。在波動下降期，生活物資保障是這一階段的代表性主題。最后，在衰退終結期，隨著突發事件的趨于平穩，此時主基調轉變了對事件結束的期待，生活記錄（主題4）這一類別的主題達到了最高峰。

4.2.2? 網絡輿情信息情感分析? ? 對新浪微博平臺上以突發事件輿情話題中采集的文本數據進行模型訓練，基于Sklearn庫來構建雙層貝葉斯分類模型，并對訓練集和測試集做十折交叉驗證，經過模型分類后得到預測的情感值，最后對信息生命周期內情感結果進行分析。

樸素貝葉斯模型屬于有監督的機器學習方法，需要在預先對樣本數據進行標記的基礎上訓練模型。鑒于人工標注的過程有一定的主觀判斷，為了盡量得到客觀公正的標注數據，本文選擇數據集約1/2的文本數據，由兩人進行人工標注，完成后存在分歧的文本數據占總體的25.46%，選擇保留其中的一致性數據，再由百度AI數據平臺[31]完成剩余數據標注，最終該數據集的1/2完成標注的文本作為模型的訓練集。同時，為保證分類器的準確性，需要控制每一層模型數據集中不同標注類別的情感文本數量基本相等，最終獲得人工標注后的數據共6，316條，情感極性分布統計如圖6所示。

圖6? 情感極性分布統計

Figure 6? Emotional polarity distribution statistics

以上述規則得到的數據集為最終的訓練數據，對DLNB模型進行訓練，并使用訓練后的模型對全部的文本進行情感分類，得到全部數據的情感值和情感分類結果，如表3所示。無情感類別即中性情感類別，在全部文本中占比為29.99%，相對于消極和積極情感傾向的類別數量較少；而后者的子類別中，消極情感類別即消極情感傾向文本內容類別占比為33.59%，積極情感類別即積極情感傾向文本內容類別占比為36.42%。該結果反映了兩種情感傾向的文本數量相對較為平衡，積極情感文本數量略多于消極情感，中性情感文本數量則約占總體的1/3。

經過訓練的雙層樸素貝葉斯分類模型，需要驗證其模型預測能力，即通過性能指標進行評估?；诨煜仃嚳梢缘玫匠Ｓ玫奈谋痉诸愔笜耍蚀_率（accuracy）、精確率（precision）、召回率（recall）和F1值（F-measure）等。

為了驗證本文構建的DLNB情感分析模型的有效性，選取近年國內外情感分類研究中常用方法進行模型評價指標的對比，以驗證與說明DLNB模型應用在應急管理智庫輿情分析中的適用性。通過與非雙層結構的樸素貝葉斯（Naive Bayesian Model，NBM）模型，以及情感分析常用的SnowNLP方法的評價指標對比，本文構建的模型在各個驗證指標均有一定效果的提升，并且全部達到80%以上（見表4），可以證明DLNB模型在賦能應急管理智庫的輿情情感分類方面具有一定的優越性。

得到了上述情感分類結果后，為進一步分析相關網絡輿情在各個階段的情感特點，得到本文信息生命周期內3種情感傾向占比及分布結果，如圖7所示?？傮w而言，積極情感和消極情感的占比略大于中性情感，后者在全部數據結果中約占30%，并且隨著突發事件的發展，積極情感占比總體呈增長趨勢，消極情感占比總體呈下降趨勢。在形成擴散期，積極情感占比較低，不足該階段總體的30%，同時中性情感和消極情感占比相仿，有較大的輿情基數。在集中爆發期，積極情感占比有較大波動，在2022年3月20日左右明顯增長，隨后減少到形成擴散期的平均占比水平；消極情感占比較高，最高達到了當日的54.79%；中性情感占比變化幅度較大，消極情感占比波動則與積極情感占比波動總體一致，此消彼長。到了波動下降期，積極情感占比穩步提高，消極情感占比逐漸減少，和中性情感占比基本一致，積極情感占比已經達到40.91%。由于衰退平息期較長，消極情感內容更多被積極情感內容取代，積極情感成為主導，在該階段末尾的5月31日，積極情感占比最終達到61.79%，消極情感占比19.34%，中性情感占比18.87%。

為了進一步分析突發事件全周期內的情感分數的變化，對數據降維后得到了基于時間序列的平均情感值波動，如圖8所示。其中，網絡輿情信息內容的情感傾向分布以“0”為基準線，情感值越接近“0”則情感越接近中性，情感值大于“0”即為積極情感，情感值小于“0”即為消極情感。基于時間序列的情感波動，可以直觀地呈現信息情感隨著突發事件發展的變化情況，以增強數據結果的可讀性?？傮w而言，情感極性較為顯著，前期的情感值以負值為主，伴隨階段性出現的正面情感，接近生命周期中期時逐漸偏向基線；而后期的情感值則基本大于0，并且正面的情感值分數波動升高。

結合上述情感分析的實驗結果，消極情感主要分布在形成擴散期和波動下降期，積極情感集中在網絡輿情的衰退平息期，而集中爆發期的積極情感與消極情感均有較大波動，中性情感則在網絡輿情的開始和結尾兩部分占比較高，總體波動較小。

4.2.3? 主題–情感關聯分析與智庫能力建設? ? 基于突發事件的特殊性，以及事件發展的實際情況，本文按照主題識別部分劃分的7個主題類別對結果做進一步的分類，從而更有針對性地提出智庫對網絡輿情的引導措施。按照主題分類方法，得到網絡輿情信息情感與主題關聯分類結果如表5所示。

突發事件網絡輿情的情感走向總體為積極情感，但仍然有大量消極情感的走向和主題內容，應急管理智庫需要基于主題與情感演化的特性進行合理的輿情研判，推動正能量的傳播，以防止負面內容的發酵?；谥黝}和情感分析的結果，突發事件的網絡輿情演化隨著信息周期的發展具備3個特征。

第一，網絡輿情主題隨著突發事件發展具有一定的反復性。這主要體現在部分主題隨著突發事件本身發展，反復多次引發輿論。例如，大學生封校這一主題分別在事件的形成擴散期和衰退平息期作為熱點出現。在事件前期，網絡輿情內容圍繞大學生對突發事件的消極判斷和對校園生活的影響展開；而在事件后期，輿情主題則圍繞大學生希望得到返鄉和隔離問題上的幫助展開，并且均具有強烈的負面情感傾向。

第二，網絡輿情情感在突發事件的同一主題上出現了明顯的兩極性。這主要體現在相同主題內容會產生兩種不同的情感傾向。例如，形成擴散期和波動下降期都形成了相似的物資保障主題，并同時存在積極和消極兩種情感極性。例如，P2-1和P3-1主題主要表達了居民收到保供物資的感謝，而同一時期的N2-1和N3-1主題則反映了突發事件前期和中期的部分區域存在物資供應不平衡的現象。同樣地，網絡輿情情感也在某些特定主題類別上呈現出同一性。其中，圍繞“生活記錄”的主題展開的話題及評論以積極情感為主導，圍繞“疫情信息”與“新聞動態”主題展開的話題及評論基本以中性情感為主導，體現了權威媒體與官方新聞在突發事件信息傳達中的客觀性與科學性。

第三，網絡輿情內容相較突發事件的發展具有一定的滯后性。這主要體現在網絡輿情形成具有熱度的代表性主題并引發大量討論時，相較于討論的事件本身的發展已經存在一定的滯后性。體現滯后性的主題代表是波動下降期的NE3-1主題，在這一時期后期求助信息和負面事件的傳播引發了悲觀情緒的散播。事實上，老人及特困群體的生活需求與健康保障最早在上海2022年4月15日的第154場新冠疫情防控工作新聞發布會中被提及，后續的相關措施中也強調了這類人群的托底保障機制。當網絡輿情引起大量關注的時間節點明顯晚于這一事件的解決時間時，更體現突發事件下的高密度信息在大范圍傳播時具有滯后性。

基于上述的實驗結果與分析，面向應急管理智庫建設，針對突發事件網絡輿情主題與情感特征與突發事件演化的關聯性規律，分別從以下3個方面總結網絡輿情分析對應急管理智庫提高決策咨詢服務能力的作用。

第一，及時識別突發事件網絡輿情信息，有助于應急管理智庫發揮應急決策咨詢的綜合研判能力。網絡平臺發表并傳播的海量輿情數據能反映突發事件態勢發展、社會熱點和公眾情緒等應急信息要素，也是監測輿情爆發并開展應急管理的重要情報來源。應急管理智庫通過文本挖掘等數智技術及時識別網絡輿情信息，能形成更加健全的綜合研判體系，發揮社會輿情研判的積極作用。

第二，識別網絡輿情熱點主題與情感傾向，有助于應急管理智庫參與決策咨詢，發揮輿情引導能力。網絡輿情中包含著公眾觀點和情緒表達的潛在信息，在網絡的放大效應下具有引發次生輿論事件的復雜性和廣泛性。應急管理智庫通過揭示網絡輿情信息，能在應急決策咨詢中發揮解讀公共政策并集聚社會正能量的重要功能，提高引導社會熱點、疏導公眾情緒的輿論引導能力。

第三，把握網絡輿情演化規律，有助于應急管理智庫提高決策咨詢服務的風險監測預警能力。網絡輿情傳播與演化有其自身的規律，輿情風險伴隨著突發事件生命周期發展的過程發生異化。應急管理智庫以網絡輿情信息為切入點，通過信息挖掘方法可以精準把握輿情演化規律、掌握突發事件全生命周期的輿情風險，從而在應急決策咨詢服務中進一步提高對突發事件的風險監測預警能力。

5? 結語

突發事件的輿情傳播為網絡安全、信息安全的治理目標帶來了新的挑戰，也對應急管理智庫發揮咨政建言功能、加強輿論治理能力提出了新的要求。網絡輿情在突發事件中的傳播和擴散，體現了公眾對現實事件的實時訴求，是關系民眾切身利益的現實問題，因此具有敏感性和煽動性，容易隨著傳播范圍和熱度的擴大出現極端情況。突發公共事件網絡輿情的生成和發展需要依托一定的話題載體，也會呈現出對應的情感傾向，對應急管理中的輿情研判至關重要。

本文基于應急管理智庫輿情引導，提出了一種融合LDA主題類別發現與DLNB情感特征分析的模型。研究表明，積極情感主要聚集在生活記錄和城市變化兩類主題，消極情感主要聚集于防疫措施和物資保障兩類主題。同時，突發事件網絡輿情信息的演化隨著信息周期的發展具備3個特征：一是網絡信息主題隨著輿情周期發展具有一定的反復性，二是網絡信息情感在同一主題上出現了明顯的兩極性，三是網絡輿情內容相較突發事件發展具有一定的滯后性?；诖耍疚尼槍惫芾碇菐旖ㄔO，總結網絡輿情治理對應急管理智庫提高決策咨詢服務能力的重要性。

總體而言，突發公共事件的輿情的態勢發展會隨著事件自身的發展和推進產生相應的演化路徑，輿情生命周期內的關鍵典型主題與情感傾向是智庫進行研判與干預的重要特征。而應急管理智庫需要把握其演化發展規律，充分發揮自身專家資源與數據情報資源優勢。本文的局限性為：①面向應急管理智庫提出信息挖掘的模型與方法，未能深入揭示網絡輿情數據在應急管理決策服務中的耦合機制；②實證研究的數據構成不夠廣泛。在未來的研究中，將進一步探討數據驅動的應急管理智庫的實現機制，并通過更豐富的多源異構數據完善數據支撐。

參考文獻：

[1] 中共中央辦公廳、國務院辦公廳印發《關于加強中國特色新型智庫建設的意見[EB/OL]. [2023-01-20]. https：//www.gov.cn/xinwen/2015-01/20/content_2807126.htm.

Xinhua News Agency. The General Office of the Central Committee of the Communist Party of China and the General Office of the State Council issued the “Opinions on strengthening the construction of new think tanks with Chinese characteristics”[EB/OL]. [2023-01-20]. https：//www.gov.cn/xinwen/2015-01/20/content_2807126.htm.

[2] 于志榮. 政府應急管理中的智庫作用研究[D]. 長沙： 國防科技大學， 2017： 9-11.

YU Z R. Research on the role of think tanks in the government emergency management[D]. Changsha： National University of Defense Technology， 2017： 9-11.

[3] 熊勵， 郭佳璐. 面向應急管理專業智庫建設的疫情預警指標體系構建研究[J]. 智庫理論與實踐， 2021， 6（4）： 34-42.

XIONG L， GUO J L. Research on the establishment of an epidemic warning index system for the emergency management professional think tanks construction[J]. Think Tank： Theory & Practice， 2021， 6（4）： 34-42.

[4] 劉怡君， 蔣文靜. 社會轉型期我國新興輿情風險及對策研究[J]. 智庫理論與實踐， 2017， 2（6）： 82-88.

LIU Y J， JIANG W J. Study of emerging risks of the network public opinion and countermeasures of the supervision under the context of the social transformation[J]. Think Tank： Theory & Practice， 2017， 2（6）： 82-88.

[5] 張筱榮， 郭圳凝. 突發公共衛生事件網絡輿情危機及其治理[J]. 北京交通大學學報（社會科學版）， 2023， 22（2）： 133-140.

ZHANG X R， GUO Z N. Network public opinion crisis and its governance in public health emergencies[J]. Journal of Beijing Jiaotong University（Social Sciences Edition）， 2023， 22（2）： 133-140.

[6] 黃仕靖， 吳川徽， 袁勤儉， 等. 基于情感分析的突發事件輿情時空演化差異研究[J]. 情報科學， 2022， 40（6）： 149-159.

HUANG S J， WU C H， YUAN Q J， et al. Spatiotemporal evolution of public opinion in public health emergencies based on sentiment analysis[J]. Information Science， 2022， 40（6）： 149-159.

[7] 李倩倩， 劉怡君， 馬寧， 等. 基于智庫雙螺旋法的輿情治理與智庫研究[J]. 中國科學院院刊， 2022， 37（6）： 773-782.

LI Q Q， LIU Y J， MA N， et al. Public Opinion Governance and Think Tank Research Based on Think Tank Double Helix Methodology[J]. Think Tank： Theory & Practice， 2022， 37（6）： 773-782.

[8] 應峻， 王鈺琛， 王森， 等. 面向重大公共衛生事件的智庫服務現狀及發展建議[J]. 圖書情報工作， 2022， 66（4）： 3-13.

YING J， WANG Y C， WANG S， et al. Current status and development suggestions of think tank services for major public health emergencies[J]. Library and Information Service， 2022， 66（4）： 3-13.

[9] 王柏村， 陳磊， 延建林， 等. 科技智庫助力抗擊新冠疫情的進展、啟示與建議[J]. 科技管理研究， 2020， 40（16）： 260-266.

WANG B C， CHEN L， YAN J L， et al. Progress， enlightenment and suggestions of science & technology think tank fighting against COVID-19 epidemic[J]. Science and Technology Management Research， 2020， 40（16）： 260-266.

[10] 胡菲菲， 解志韜， 凌宏發. 公共危機管理視角下的高校智庫應急服務研究[J].智庫理論與實踐， 2021， 6（1）： 65-70.

HU F F， XIE Z T， LING H F. Research on Emergency Services of University Think Tanks from the Perspective of Public Crisis Management[J]. Think Tank： Theory & Practice， 2021， 6（1）： 65-70.

[11] 蔣勛， 朱曉峰. 基于政府大數據能力建構的智庫應急情報服務： 以新冠疫情防控為例[J]. 圖書與情報， 2020（1）： 64-74.

JIANG X， ZHU X F. Emergency intelligence service of think tanks based on the construction of government big data capability： Taking prevention of COVID-19 for example[J]. Library & Information， 2020（1）： 64-74.

[12] 韓瑋， 許靜斯， 劉國佳， 等. 情報流程視角下智庫應急情報能力及服務模式研究[J].情報理論與實踐， 2021， 44（8）： 14-21.

HAN W， XU J S， LIU G J， et al. Research on the construction of think tank emergency intelligence capability and service mode from the perspective of intelligence process[J]. Information Studies： Theory＆Application， 2021， 44（8）： 14-21.

[13] 張海濤， 欒宇， 周紅磊， 等. 總體國家安全觀下重大突發事件的智能決策情報體系研究[J]. 情報學報， 2022， 41（11）： 1174-1187.

ZHANG H T， LUAN Y， ZHOU H L， et al. Intelligent decision-making information system for major emergencies： A holistic approach to national security[J]. Journal of the China Society for Scientific and Technical Information， 2022， 41（11）： 1174-1187

[14] 連芷萱， 連增水， 張秋波， 等. 面向突發事件的網絡衍生輿情預警模型與實證研究[J]. 情報雜志， 2019， 38（3）： 133-140.

LIAN Z X， LIAN Z S， ZHANG Q B， et al. Derived network early warning model of public opinion and its empirical research[J]. Journal of Intelligence， 2019， 38（3）： 133-140.

[15] REXILINE R J， RUBESH A P M， BHASKAR V. Mining crisis information： A strategic approach for detection of people at risk through social media analysis[J]. International Journal of Disaster Risk Reduction， 2018（27）： 556-566.

[16] 吳雪華， 毛進， 陳思菁， 等. 突發事件應急行動支撐信息的自動識別與分類研究[J]. 情報學報， 2021， 40（8）： 817-830.

WU X H， MAO J， CHEN S J， et al. Research on automatic identification and classification of actionable information in emergencies[J]. Journal of the China Society for Scientific and Technical Information， 2021， 40（8）： 817-830.

[17] 吳鵬， 李婷， 仝沖， 等. 基于OCC模型和LSTM模型的財經微博文本情感分類研究[J]. 情報學報， 2020， 39（1）： 81-89.

WU P， LI T， TONG C， et al. Sentiment classification of financial microblog text based on the model of OCC and LSTM[J]. Journal of the China Society for Scientific and Technical Information， 2020， 39（1）： 81-89.

[18] 廖海涵， 王曰芬， 關鵬. 微博輿情傳播周期中不同傳播者的主題挖掘與觀點識別[J]. 圖書情報工作， 2018， 62（19）： 77-85.

LIAO H H， WANG Y F， GUAN P. Topic mining and viewpoint recognition of different communicators in the transmission cycle of micro-blog public opinion[J]. Library and Information Service， 2018， 62（19）： 77-85.

[19] 安璐， 吳林. 融合主題與情感特征的突發事件微博輿情演化分析[J]. 圖書情報工作， 2017， 61（15）： 120-129.

AN L， WU L. An integrated analysis of topical and emotional evolution of microblog public opinions on public emergencies[J]. Library and Information Service， 2017， 61（15）： 120-129.

[20] RASHID J， SHAH S M A， IRTAZA A. Fuzzy topic modeling approach for text mining over short text[J]. Information Processing & Management， 2019， 56（6）： 296-300.

[21] 張柳， 王晰巍， 黃博， 等. 基于LDA模型的新冠肺炎疫情微博用戶主題聚類圖譜及主題傳播路徑研究[J]. 情報學報， 2021， 40（3）： 234-244.

ZHANG L， WANG X W， HUANG B， et al. Research on the topic clustering graph and the transmission path of micro-blogging users amid COVID-19： Based on the LDA model[J]. Journal of the China Society for Scientific and Technical Information， 2021， 40（3）： 234-244.

[22] 任中杰， 張鵬， 李思成， 等. 基于微博數據挖掘的突發事件情感態勢演化分析： 以天津8·12事故為例[J]. 情報雜志， 2019， 38（2）： 140-148.

REN Z J， ZHANG P， LI S C， et al. Analysis of emotion evolution of emergencies based on Weibo data mining： Taking “8·12 accident in Tianjin” as an example[J]. Journal of Intelligence， 2019， 38（2）： 140-148.

[23] 朱曉霞， 宋嘉欣， 孟建芳. 基于動態主題—情感演化模型的網絡輿情信息分析[J]. 情報科學， 2019， 37（7）： 72-78.

ZHU X X， SONG J X， MENG J F. Analysis of online public opinion information based on the dynamic themeemotion evolution model[J]. Information Science， 2019， 37（7）： 72-78.

[24] 歐陽劍， 周裕浩. 數據驅動型智庫研究理念及建設路徑[J]. 智庫理論與實踐， 2021， 6（3）： 20-27.

OUYANG J， ZHOU Y H. Research on path of the construction of data-driven characteristic think tank in China[J]. Think Tank： Theory & Practice， 2021， 6（3）： 20-27.

[25] BLEI D M， NG A Y， JORDAN M I. Latent dirichlet allocation[J]. Journal of machine Learning research， 2003（3）： 993-1022.

[26] PAVLINEK M， PODGORELEC V. Text classification method based on self-training and LDA topic models[J]. Expert Systems with Applications， 2017， 80（C）： 83-93.

[27] 趙妍妍， 秦兵， 石秋慧， 等. 大規模情感詞典的構建及其在情感分類中的應用[J]. 中文信息學報， 2017， 31（2）： 187-193.

ZHAO Y Y， QIN B， SHI Q H， et al. Large-scale sentiment lexicon collection and its application in sentiment classification[J]. Journal of Chinese Information Processing， 2017， 31（2）： 187-193.

[28] PANG B， LEE L， VAITHYANATHAN S. Thumbs up？： sentiment classification using machine learning techniques[C]. Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing - Volume 10. 2002： 79-86.

[29] 百度指數[EB/OL]. [2022-12-15]. https：//index.baidu.com/ v2/index.html#/.

Baidu Index[EB/OL]. [2022-12-15]. https：//index.baidu.com/v2/index.html#/.

[30] 賈亞敏， 安璐， 李綱. 城市突發事件網絡信息傳播時序變化規律研究[J]. 情報雜志， 2015， 34（4）： 91-96.

JIA Y M， AN L， LI G. On the online information dissemination pattern of city emergencies[J]. Journal of Intelligence， 2015， 34（4）： 91-96.

[31] EasyData智能數據服務平臺[EB/OL]. [2022-12-15]. https：//ai.baidu.com/easydata/.

EasyData Intelligent Data Service Platform[EB/OL]. [2022-12-15]. https：//ai.baidu.com/easydata/.

作者貢獻說明：

熊? 勵：確定研究思路，指導實驗，提出論文框架，指導論文修改；

陸夢園：完成實驗，撰寫與修改論文；

王? 錕：修改論文。

Research on Emergency Management Think Tank Decision-making Based on LDA-DLNB Online Public Opinion Recognition

Xiong Li? Lu Mengyuan? Wang Kun

School of Management， Shanghai University， Shanghai? 200444

Abstract： [Purpose/Significance] Network public opinion information has a significant communication influence in emergency response. Improving public opinion guidance is one of the important functions of new think tanks with Chinese characteristics， and effectively identifying network public opinion is the key for emergency management think tanks to enhance their comprehensive research and judgment abilities. [Method/Process] From the perspective of constructing emergency management think tanks， this paper focuses on identifying potential key hotspots and emotional structures in network public opinion information related to emergencies. It constructs the LDA-LDNB network public opinion information mining model using the machine learning method， and conducts model validation and empirical analysis based on the textual information from network public opinion regarding emergencies. [Result/Conclusion] The results demonstrate that the model constructed in this paper can effectively identify the themes， emotions and evolutionary features of network public opinion information during emergencies， provide methods and decision-making support for emergency management think tanks to improve their ability to participate in network public opinion research and judgment for emergency management decision-making services， and offer a new way of thinking for constructing a data-driven emergency management think tank.

Keywords： emergency management? ? think tank? ? critical incident? ? online public opinion? ? text analysis

收稿日期：2023-08-28? ? ? 修回日期：2023-11-02