前言：本站為你精心整理了網(wǎng)絡(luò)自媒體大數(shù)據(jù)挖掘輿情控制策略范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢(xún)。

摘要:隨著自媒體時(shí)代的到來(lái)，人們通過(guò)各種社交平臺(tái)表達(dá)自己的意愿越來(lái)越方便，特別是思想意識(shí)還尚未成熟的高校大學(xué)生，非常容易受到網(wǎng)絡(luò)負(fù)面消息的影響，成為一些不當(dāng)言論的傳播者，并且該狀況具有一定的隱匿性和突發(fā)性，對(duì)高校網(wǎng)絡(luò)輿情監(jiān)管工作提出了嚴(yán)峻挑戰(zhàn)。為此，提出了面向網(wǎng)絡(luò)自媒體大數(shù)據(jù)挖掘的高校輿情控制策略，主動(dòng)獲取輿情數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理，然后對(duì)其建模以發(fā)現(xiàn)輿情傳播規(guī)律，最后根據(jù)分析結(jié)果給出科學(xué)、合理的引導(dǎo)策略，提升高校網(wǎng)絡(luò)輿情監(jiān)管效果，為人才培養(yǎng)提供良好的網(wǎng)絡(luò)環(huán)境。

關(guān)鍵詞:自媒體大數(shù)據(jù);數(shù)據(jù)挖掘;高校輿情控制

0引言

據(jù)我國(guó)互聯(lián)網(wǎng)發(fā)展現(xiàn)狀統(tǒng)計(jì)報(bào)告，截止2017年6月，我國(guó)網(wǎng)民規(guī)模已達(dá)到10．11億，互聯(lián)網(wǎng)的普及率已達(dá)到71．6%，互聯(lián)網(wǎng)已然在人們生產(chǎn)、生活、工作中扮演著舉足輕重的作用［1］。隨著互聯(lián)網(wǎng)運(yùn)用發(fā)展領(lǐng)域的不斷擴(kuò)大，各種網(wǎng)絡(luò)安全問(wèn)題出現(xiàn)于互聯(lián)網(wǎng)環(huán)境中，導(dǎo)致各種網(wǎng)絡(luò)負(fù)面輿情信息在不經(jīng)意間被傳播，甚至被放大。特別是到了自媒體時(shí)代，人們可以通過(guò)各種社交平臺(tái)，例如:微信、微博、QQ空間、QQ群、論壇、表白墻等表達(dá)自己的觀點(diǎn)、抒發(fā)自己的情緒，或是轉(zhuǎn)發(fā)好友的發(fā)帖等，這也為一些惡意或不法分子提供了可乘之機(jī)———故意煽風(fēng)點(diǎn)火、夸大負(fù)面影響，影響整個(gè)平靜的社交環(huán)境。對(duì)于高等學(xué)校來(lái)講，大學(xué)生的思想還尚未完全成熟，判斷能力還不夠強(qiáng)，特別容易受到網(wǎng)絡(luò)負(fù)面消息的影響，而高校作為培養(yǎng)擁護(hù)中國(guó)共產(chǎn)黨領(lǐng)導(dǎo)和我國(guó)社會(huì)主義制度、立志為中國(guó)特色社會(huì)主義事業(yè)奮斗終身的有用人才的思想高地，對(duì)于整個(gè)社會(huì)的安全、穩(wěn)定發(fā)揮著舉足輕重的作用。根據(jù)中國(guó)社會(huì)科學(xué)院《中國(guó)社會(huì)心態(tài)研究報(bào)告(2015)》顯示，大學(xué)生每天花費(fèi)約5小時(shí)17分鐘在智能手機(jī)上，占一天時(shí)間的22%;據(jù)2015年《中國(guó)青年報(bào)》調(diào)查顯示，近75%的大學(xué)生閑暇時(shí)間用于上網(wǎng)，19．3%的人把網(wǎng)絡(luò)作為最可靠的信息來(lái)源［2］。正是因?yàn)楦咝W(xué)生與網(wǎng)絡(luò)接觸緊密，各類(lèi)信息呈現(xiàn)出傳播渠道多、傳播速度快、傳播范圍廣的特點(diǎn)，因此容易形成網(wǎng)絡(luò)輿情。網(wǎng)絡(luò)輿情可以采用網(wǎng)絡(luò)爬蟲(chóng)等技術(shù)手段高效獲得高保真大數(shù)據(jù)，通過(guò)挖掘隱藏在數(shù)據(jù)中的知識(shí)，有助于完善人們對(duì)高校大學(xué)生網(wǎng)絡(luò)輿情演化本質(zhì)規(guī)律的認(rèn)知，對(duì)網(wǎng)絡(luò)輿情演化過(guò)程中信息傳播和觀點(diǎn)擴(kuò)散規(guī)律的認(rèn)識(shí)［3］。2010年，巴拉巴西［4］指出，93%的人類(lèi)行為是可預(yù)測(cè)的，所以高校學(xué)生網(wǎng)絡(luò)輿情演化趨勢(shì)可以基于網(wǎng)絡(luò)社交大數(shù)據(jù)進(jìn)行從統(tǒng)計(jì)學(xué)意義上的預(yù)測(cè)與分析，這種預(yù)測(cè)結(jié)果可以為高校思想政治宣傳教育工作提供決策支持和理論參考。同時(shí)，通過(guò)科學(xué)合理的方式對(duì)網(wǎng)絡(luò)輿情進(jìn)行引導(dǎo)，進(jìn)一步提高高校思想政治宣傳教育成效。因此，針對(duì)高校網(wǎng)絡(luò)輿情大數(shù)據(jù)分析的迫切性與重要性，提出基于大數(shù)據(jù)分析視角的網(wǎng)絡(luò)自媒體輿情大數(shù)據(jù)分析方法，該方法包括:自媒體數(shù)據(jù)的獲取與預(yù)處理，自媒體大數(shù)據(jù)的建模與分析，以及引導(dǎo)策略研究，為提升高校思想政治教育工作提供支撐。

1自媒體數(shù)據(jù)獲取與預(yù)處理

1．1自媒體數(shù)據(jù)來(lái)源分析

自媒體數(shù)據(jù)具有來(lái)源廣(包括:QQ空間、QQ表白墻、微信空間、微博和論壇、各類(lèi)群等)、結(jié)構(gòu)復(fù)雜(體現(xiàn)在不同平臺(tái)數(shù)據(jù)結(jié)構(gòu)的不一致性)等特點(diǎn)，并且這些數(shù)據(jù)中往往包含大量的輿情，因此在分析之前，需要對(duì)這些數(shù)據(jù)進(jìn)行獲取、挖掘與分析，發(fā)現(xiàn)其中蘊(yùn)含的規(guī)律。

1．2自媒體數(shù)據(jù)獲取

分析常見(jiàn)平臺(tái)的自媒體數(shù)據(jù)可以發(fā)現(xiàn)，這些數(shù)據(jù)具有的共同屬性包括:評(píng)論的用戶(hù)名、用戶(hù)ID、評(píng)論時(shí)間、評(píng)論內(nèi)容、評(píng)論類(lèi)型(包括:原創(chuàng)、轉(zhuǎn)發(fā)等)等。因此，結(jié)合自媒體數(shù)據(jù)的公共屬性設(shè)計(jì)網(wǎng)絡(luò)爬蟲(chóng)，爬取其關(guān)鍵信息。

1．3自媒體文本數(shù)據(jù)清洗

通過(guò)分析用戶(hù)在各大社交平臺(tái)、論壇、交流群以及空間中發(fā)表的評(píng)論格式和內(nèi)容可以發(fā)現(xiàn)，評(píng)論的內(nèi)容非常豐富且隨機(jī)性大，例如:表情、表情+文字描述、中英文混合、純英文、漢語(yǔ)拼音、數(shù)字等;評(píng)論語(yǔ)句段落非常隨意;網(wǎng)絡(luò)用語(yǔ)使用頻率高;短句使用豐富等。針對(duì)自媒體數(shù)據(jù)分析問(wèn)題，運(yùn)用文本處理技術(shù)對(duì)自媒體數(shù)據(jù)進(jìn)行清洗，剔除其中的臟數(shù)據(jù)、噪聲數(shù)據(jù)，為進(jìn)一步加工處理提供高質(zhì)量的數(shù)據(jù)源。

1．4自媒體文本分詞

在語(yǔ)義理解之前，最重要和最核心的環(huán)節(jié)是對(duì)自媒體文本進(jìn)行分詞，該步驟決定了語(yǔ)義理解的準(zhǔn)確性。分詞的主要任務(wù)是將一段一段的自然文本分割成一個(gè)一個(gè)獨(dú)立的詞語(yǔ)。對(duì)于中文文本來(lái)說(shuō)，分詞的難點(diǎn)主要體現(xiàn)在，不像英文表達(dá)那樣存在自然間隔和詞劃分;對(duì)于英文文本來(lái)說(shuō)，相對(duì)中文文本要更加容易，因?yàn)橛⑽脑诒磉_(dá)過(guò)程中存在自然間隔，因此分詞難度相對(duì)較小。關(guān)于中文分詞工具，常用的包括:中科院計(jì)算所的NLPIＲ、Ansj分詞器、哈工大的LTP、清華大學(xué)的THULAC、斯坦福分詞器、HanLP分詞器、結(jié)巴分詞器、KCWS分詞器、ZPar分詞器以及IKAnalyzer分詞器等。關(guān)于英文分詞工具，常用的包括:NLTK、SpaCy、StanfordCoreNLP以及Elasticsearch等。結(jié)合前期研究以及實(shí)驗(yàn)結(jié)果，中文分詞采用中科院的NLPIＲ準(zhǔn)確率較高，英文分詞采用StanfordCoreNLP的分詞準(zhǔn)確率較高。因此，采用以上兩種分詞工具對(duì)自媒體輿情文本進(jìn)行分詞。

1．5自媒體文本關(guān)鍵詞提取

所謂關(guān)鍵詞就是文本中表達(dá)語(yǔ)義的重要詞語(yǔ)，通常是通過(guò)詞頻方式來(lái)發(fā)現(xiàn)，即某個(gè)詞在文本中出現(xiàn)的頻率和次數(shù)越多表示該詞語(yǔ)的重要程度越高，并且這些詞一般都是形容詞和副詞，而那些語(yǔ)氣詞、介詞、連詞等停用詞，例如:“了”“的”“也”“是”“為”“它”“is”“at”“which”“the”“on”等雖然出現(xiàn)頻率非常高，但是對(duì)提取語(yǔ)義幾乎沒(méi)有任何幫助，需要將其刪除。目前，也有很多研究者為了便于分詞，針對(duì)不同應(yīng)用場(chǎng)景提出了一些應(yīng)用效果非常好的停用詞庫(kù)，來(lái)提高分析效率和分詞效果。本文采用TF－IDF(Termfre-quency－inversedocumentfrequency)方法提取自媒體文本中的關(guān)鍵詞，并構(gòu)建關(guān)鍵詞矩陣。同時(shí)，采用哈工大開(kāi)發(fā)的停用詞庫(kù)過(guò)濾停用詞。詞頻TF計(jì)算方法為T(mén)Fi=某個(gè)詞i在文本中出現(xiàn)的次數(shù)文本中所有詞的總數(shù)量(1)逆向文件頻率IDF的核心思想是:如果包含詞i的文檔數(shù)量越少，則IDF越大，表明該詞具有良好的類(lèi)別區(qū)分能力。某個(gè)特定詞i的IDF，是由總文檔個(gè)數(shù)除以包含該詞的文檔個(gè)數(shù)，然后對(duì)商再取對(duì)數(shù)。具體計(jì)算方法為IDFi=log語(yǔ)料庫(kù)中文檔總個(gè)數(shù)包含詞i的文檔數(shù)+1(2)某一文本內(nèi)的高頻詞，以及該詞在整個(gè)文本文檔集中的低頻文件可以產(chǎn)生高權(quán)重的TF－IDF。所以，TF－IDF能夠保留重要詞語(yǔ)，過(guò)濾掉常見(jiàn)詞語(yǔ)。TF－IDF的計(jì)算方法為［5］TF－IDFi=TFi×IDFi(3)通過(guò)觀察式(3)可以發(fā)現(xiàn)，TF－IDF與詞i在文本中出現(xiàn)的頻率正相關(guān)，與該詞i在整個(gè)語(yǔ)料庫(kù)中出現(xiàn)的頻率負(fù)相關(guān)。因此，提取關(guān)鍵詞的方法就是計(jì)算文本中每個(gè)詞的TF－IDF值，然后按照降序排列，取排在前面的若干個(gè)詞。

2基于大數(shù)據(jù)的高校網(wǎng)絡(luò)輿情演化趨勢(shì)及預(yù)測(cè)模型研究

2．1基于聚類(lèi)分析的熱點(diǎn)事件發(fā)現(xiàn)

相同或相似關(guān)鍵詞被聚為一簇的概率也越大，對(duì)關(guān)鍵詞進(jìn)行聚類(lèi)分析是發(fā)現(xiàn)熱點(diǎn)事件的重要途徑與方法?？紤]到缺乏先驗(yàn)知識(shí)，本文擬采用半監(jiān)督高斯混合聚類(lèi)算法來(lái)發(fā)現(xiàn)熱點(diǎn)事件?；诹餍谓Y(jié)構(gòu)的半監(jiān)督混合高斯聚類(lèi)算法是利用以輿情事件樣本標(biāo)簽為形式的先驗(yàn)信息，其目標(biāo)函數(shù)為［6］f(θ)=∑Li=1∑Kk=1pckxli()logπkpxliθk()()+∑Ui=1∑Kk=1pckxui()logπkpxuiθk()()－λ∑Ui=1∑Uj=1Di，jwu×ui，j+2∑Li=1∑Uj=1Di，jwl×ui，j()(4)其中，L和U分別表示有標(biāo)簽和無(wú)標(biāo)簽的輿情事件樣本集大小;xli和xui分別表示有標(biāo)簽和無(wú)標(biāo)簽的輿情事件樣本;若輿情事件樣本xli屬于第k個(gè)高斯分布，則條件概率pckxli()=1，反之為0;wi，j表示近鄰圖中邊的權(quán)重;Di，j表示輿情事件樣本xi和xj之間的距離。考慮到需要分析和處理的輿情事件數(shù)量非常龐大，所需的計(jì)算量也非常大。為了提高算法在處理大規(guī)模文本聚類(lèi)時(shí)的性能，采用分布式并行處理的思路對(duì)聚類(lèi)算法進(jìn)行優(yōu)化，基于Ma-pＲeduce的聚類(lèi)模型［7］，具體如圖1所示。

2．2語(yǔ)義網(wǎng)絡(luò)構(gòu)建與分析

將高頻詞的兩兩共現(xiàn)關(guān)系進(jìn)行量化，并且以圖形化方式進(jìn)行展現(xiàn)，反映詞與詞之間的結(jié)構(gòu)關(guān)系，從而構(gòu)建語(yǔ)義網(wǎng)絡(luò)。通過(guò)構(gòu)建這種語(yǔ)義關(guān)系網(wǎng)絡(luò)，將直接展現(xiàn)出高頻詞之間的層次關(guān)系、親疏關(guān)系，便于分析。為了更加準(zhǔn)確地反映熱門(mén)事件或是輿情熱點(diǎn)之間的關(guān)系，需要在圖的邊上附加權(quán)重，圖的兩個(gè)節(jié)點(diǎn)關(guān)系越緊密權(quán)重就越大。根據(jù)社團(tuán)內(nèi)部事件之間權(quán)重大于社團(tuán)之間邊權(quán)重的原則，將那些關(guān)系緊密的事件或是輿情熱點(diǎn)進(jìn)行劃分就形成網(wǎng)絡(luò)社團(tuán)。其中，邊權(quán)重的設(shè)置決定了社團(tuán)的密度、大小、結(jié)構(gòu)以及社團(tuán)之間的聯(lián)系，因此，需要根據(jù)分析需求不斷調(diào)整與優(yōu)化權(quán)重。

2．3輿情情感傾向分析

在構(gòu)建好網(wǎng)絡(luò)社團(tuán)(即熱門(mén)事件或是熱點(diǎn)輿情的語(yǔ)義網(wǎng)絡(luò))的基礎(chǔ)上，就能夠分析對(duì)其描述的關(guān)鍵詞的情感態(tài)度(主要包括:中立、消極和積極三種)，來(lái)反映用戶(hù)關(guān)于熱門(mén)事件或是輿情熱點(diǎn)的情感態(tài)度以及強(qiáng)度，然后以語(yǔ)句為單位計(jì)算總和，得到情感類(lèi)別。進(jìn)一步地，計(jì)算整個(gè)輿情文本中的所有語(yǔ)句，就可以判定用戶(hù)關(guān)于輿情的情感態(tài)度和強(qiáng)度。需要注意的是，在計(jì)算情感態(tài)度和強(qiáng)度時(shí)，需要考慮那些直接表達(dá)情感傾向的詞語(yǔ)，還需要注意形容詞以及副詞等修飾詞，例如:很、非常、特別、太等，這些詞語(yǔ)能夠增強(qiáng)情感態(tài)度。因此，在分詞過(guò)程中，需要準(zhǔn)確識(shí)別出形容詞、副詞以及否定詞，并建立對(duì)應(yīng)的詞庫(kù)，以便對(duì)這些情感詞進(jìn)行合理賦值;然后計(jì)算這些情感詞的加權(quán)值，獲得總體情感態(tài)度。

2．4輿情演化模型構(gòu)建及引導(dǎo)策略建議

不同參與人在不同自媒體平臺(tái)上對(duì)同一事件的關(guān)注側(cè)重點(diǎn)也不一樣，又由于眾多參與人對(duì)同一熱點(diǎn)事件進(jìn)行了自我觀點(diǎn)的表達(dá)，這些觀點(diǎn)之間可能因?yàn)槟撤N因素又發(fā)生了碰撞，進(jìn)一步增強(qiáng)了事件的熱度，最終演化成了網(wǎng)絡(luò)熱點(diǎn)事件。運(yùn)用統(tǒng)計(jì)分析與數(shù)據(jù)挖掘方法對(duì)事件參與人的行為以及情感態(tài)度進(jìn)行挖掘，以發(fā)現(xiàn)不同觀點(diǎn)的傳播和演化規(guī)律。通過(guò)傳播演化模型的構(gòu)建以及分析，有助于為形成正確的輿論導(dǎo)向提供科學(xué)、合理的建議，例如:溯源網(wǎng)絡(luò)謠言，并針對(duì)其根源和原因發(fā)布正確的輿論導(dǎo)向，引導(dǎo)輿論向好發(fā)展，從而掌握輿論的主導(dǎo)權(quán)等。

3結(jié)語(yǔ)

高校作為立德樹(shù)人，培養(yǎng)高質(zhì)量人才的主陣地，正面的輿論導(dǎo)向是必備的基礎(chǔ)環(huán)境。而隨著自媒體時(shí)代的到來(lái)，高校大學(xué)生利用網(wǎng)絡(luò)表達(dá)自己想法的渠道越來(lái)越豐富，產(chǎn)生了大量的社交數(shù)據(jù)以及潛在的輿情，因此運(yùn)用大數(shù)據(jù)技術(shù)對(duì)網(wǎng)絡(luò)輿情進(jìn)行分析與控制成了必然趨勢(shì)。本文從正確認(rèn)識(shí)、預(yù)測(cè)與處置高校網(wǎng)絡(luò)輿情的角度出發(fā)，通過(guò)研究主動(dòng)獲取輿情數(shù)據(jù)，并對(duì)其建模的方法，以期挖掘輿情傳播的內(nèi)在規(guī)律，為高校輿情管理人員提供決策支持，促進(jìn)高校思想政治宣傳教育工作成效。

作者:王喜賓 趙歡 顧英 單位:貴州理工學(xué)院大數(shù)據(jù)學(xué)院 貴州理工學(xué)院貴州省電力大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室 貴州理工學(xué)院招生就業(yè)處