大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)文學(xué)輿情控制系統(tǒng)

蔡禮淵

[摘要]文章通過對網(wǎng)絡(luò)文學(xué)現(xiàn)狀、輿情控制的必要性；網(wǎng)絡(luò)文學(xué)輿情特征；網(wǎng)絡(luò)文學(xué)輿情監(jiān)控系統(tǒng)設(shè)計三個方面進行探討，以期人們能夠快速、全面地把握信息內(nèi)容和發(fā)展趨勢。

[關(guān)鍵詞]網(wǎng)絡(luò)文學(xué)；輿情控制；大數(shù)據(jù)環(huán)境

[DOI]10.13939/j.cnki.zgsc.2016.02.206

1網(wǎng)絡(luò)文學(xué)現(xiàn)狀，輿情控制的必要性

20 世紀(jì) 90 年代中后期，信息時代的來臨和網(wǎng)絡(luò)的普及，互聯(lián)網(wǎng)、手機、衛(wèi)星等信息傳播工具的出現(xiàn)，極大地豐富了小說的發(fā)表和傳播渠道，同時也讓小說的生產(chǎn)、傳播方式發(fā)生了很大的變化。特別是對于互聯(lián)網(wǎng)和手機這樣的新媒體，每個人都可以成為小說的生產(chǎn)者和傳播者。這時一些別有用心的人利用網(wǎng)絡(luò)文學(xué)傳播虛假信息，散布反動言論，欺騙網(wǎng)民、誤導(dǎo)輿論。還有一些低級庸俗、淫穢色情、虛假欺詐等輿情信息在網(wǎng)上不斷出現(xiàn)，危害網(wǎng)絡(luò)與信息安全。網(wǎng)絡(luò)文學(xué)輿論對人們意識形態(tài)的影響已成為極其重要的因素。

2015 年 7 月 23日，中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）在京發(fā)布《第 36 次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》。數(shù)據(jù)顯示，截至2015年6月，我國網(wǎng)民規(guī)模達6.68億，半年共計新增網(wǎng)民1894萬人。互聯(lián)網(wǎng)普及率為48.8%，較2014年年底提升了0.9個百分點。其中將互聯(lián)網(wǎng)使用于觀看網(wǎng)絡(luò)文學(xué)的有28467萬戶，占總用戶數(shù)量的42.6%。為了更好地了解輿情關(guān)注的熱點，讓網(wǎng)絡(luò)文學(xué)更好的為民眾服務(wù)，另外，保護網(wǎng)絡(luò)文學(xué)用戶遠離輿情信息的侵?jǐn)_，建設(shè)和諧的社會主義國家，政府部門有必要采取有力措施對網(wǎng)絡(luò)信息進行必要的監(jiān)控。因此，深入分析研究網(wǎng)絡(luò)文學(xué)輿情監(jiān)控領(lǐng)域中的信息技術(shù)成為一項緊迫而重要的課題。

2網(wǎng)絡(luò)文學(xué)輿情特征

網(wǎng)絡(luò)文學(xué)從一開始就呈現(xiàn)了與傳統(tǒng)文學(xué)不同的特點。網(wǎng)絡(luò)文學(xué)有以下特點：

文字信息為主。網(wǎng)絡(luò)文學(xué)，與網(wǎng)絡(luò)新聞、網(wǎng)絡(luò)視頻、網(wǎng)絡(luò)報紙等不同，網(wǎng)絡(luò)文學(xué)主要以文字為主，幾乎沒有其他形式的信息表達。傳播途徑相對固定。網(wǎng)絡(luò)文學(xué)雖然比傳統(tǒng)文學(xué)傳播途徑靈活，但是比起其他的網(wǎng)絡(luò)信息，網(wǎng)絡(luò)文學(xué)的傳播相對固定，只有可記錄的一些網(wǎng)站和地址可以發(fā)布。

3網(wǎng)絡(luò)文學(xué)輿情監(jiān)控系統(tǒng)設(shè)計

根據(jù)網(wǎng)絡(luò)文學(xué)輿情監(jiān)控的特征可設(shè)計一個多層次結(jié)構(gòu)的監(jiān)控體系。可分為數(shù)據(jù)接入層、信息預(yù)處理層、趨勢分析層、應(yīng)用層設(shè)計、系統(tǒng)管理。

3.1數(shù)據(jù)接入層設(shè)計

要對網(wǎng)絡(luò)文學(xué)輿情進行監(jiān)控就要獲取網(wǎng)絡(luò)上的信息，而數(shù)據(jù)接入層就是完成這項工作的。由于網(wǎng)絡(luò)文學(xué)的性質(zhì)，文本為主和發(fā)布點相對固定決定了數(shù)據(jù)接入層設(shè)計的結(jié)構(gòu)。數(shù)據(jù)接入層分為采集、傳輸和儲存三個部分。

3.1.1數(shù)據(jù)的采集

由于網(wǎng)絡(luò)文學(xué)發(fā)布點雖然多但是相對固定，所以不需要不間斷的到網(wǎng)絡(luò)各處尋找相關(guān)數(shù)據(jù)。建立網(wǎng)絡(luò)監(jiān)控，監(jiān)控網(wǎng)絡(luò)節(jié)點的發(fā)布、更新、修改，一旦發(fā)現(xiàn)情況，就對傳輸程序給以信息。

同時，監(jiān)控點以外也有可能發(fā)布網(wǎng)絡(luò)文學(xué)?？梢詰?yīng)用已經(jīng)成熟的爬蟲等算法，對全網(wǎng)、搜索引擎進行概率性搜索。以其結(jié)果建立新的監(jiān)控節(jié)點，或提出報警。

3.1.2數(shù)據(jù)傳輸

當(dāng)發(fā)現(xiàn)監(jiān)控節(jié)點更新或修改等情況以后，進入數(shù)據(jù)傳輸環(huán)節(jié)。數(shù)據(jù)傳輸環(huán)節(jié)就是將找到的網(wǎng)絡(luò)文學(xué)數(shù)據(jù)傳回服務(wù)器。由于這時在網(wǎng)絡(luò)傳輸數(shù)據(jù)有可能遇到網(wǎng)絡(luò)擁堵、站點暫時無法連接、頁面缺失等不同的狀況。應(yīng)對這些情況需要建立循環(huán)隊列下載、斷點續(xù)傳、設(shè)置有效時效等手段來保證下載數(shù)據(jù)的準(zhǔn)確性和有效性。

3.1.3數(shù)據(jù)存儲

當(dāng)數(shù)據(jù)采集來了以后就需要將數(shù)據(jù)進行存儲了。

首先要選擇存儲介質(zhì)，由于數(shù)據(jù)量大、難以采集，所以要選擇容量大穩(wěn)定可靠的存儲介質(zhì)。磁盤陣列是個比較好的選擇。

其次儲存格式，由于幾乎所有數(shù)據(jù)都是文本，所以建立比較簡單的儲存結(jié)構(gòu)就行了。一般由文件頭（Head）和數(shù)據(jù)（Data）組成。文件頭包含網(wǎng)絡(luò)文學(xué)的出處、地址、路徑、采集時間等必要信息。數(shù)據(jù)為網(wǎng)絡(luò)文學(xué)采集下來的原始信息，主要有一個或多個原始網(wǎng)頁。

3.2信息預(yù)處理

信息采集來了以后就要進行信息處理了。對于一篇是什么意思計算機是不知道的。要讓計算機找出那些不合適的文學(xué)作品就要教會計算機找到一些敏感的詞匯并進行分析和判斷。于是信息預(yù)處理又分為分詞、去噪、加權(quán)等操作。

3.2.1分詞

當(dāng)計算機發(fā)現(xiàn)“ISIS（The Islamic State of Iraq and Greater Syria）”這個詞很容易和恐怖分子聯(lián)系起來，但是當(dāng)計算機看見“恐怖分子”時，完全可能理解成“看起來好恐怖，分子真多”， 所以如果面對中文信息不采用分詞技術(shù)，那么會導(dǎo)致信息數(shù)據(jù)的無法使用?，F(xiàn)在比較成熟的分詞方法有不少，這里選取基于特征掃描的字符串匹配的分詞方法。字符串匹配的分詞方法又叫作機械分詞方法，它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行匹配，若在詞典中找到某個字符串，則匹配成功（識別出一個詞）。這類方法簡單、分詞效率較高，但漢語語言現(xiàn)象復(fù)雜豐富，詞典的完備性、規(guī)則的一致性等問題使其難以適應(yīng)開放的大規(guī)模文本的分詞處理。識別出一個詞，根據(jù)掃描方向的不同分為正向匹配和逆向匹配。根據(jù)不同長度優(yōu)先匹配的情況，分為最大（最長）匹配和最小（最短）匹配。

3.2.2去噪

網(wǎng)頁中的“噪音”是影響基于網(wǎng)頁內(nèi)容的工作的質(zhì)量的一個重要因素，快速準(zhǔn)確的清除網(wǎng)頁中的噪音內(nèi)容是提高這些工作質(zhì)量的關(guān)鍵技術(shù)之一。這里使用了一種網(wǎng)頁凈化的方法，該方法以一組啟發(fā)式規(guī)則為基礎(chǔ)，利用信息檢索的技術(shù)以及網(wǎng)頁的特征，提取網(wǎng)頁的主題以及和主題相關(guān)的內(nèi)容，從而達到網(wǎng)頁凈化的目的。

3.2.3加權(quán)

同樣的一個詞放在不同的環(huán)境下，對整篇文章內(nèi)容的影響是不一樣的，對于上面劃詞確定下來的關(guān)鍵詞、敏感詞要進行加權(quán)才能表現(xiàn)出它的性質(zhì)。

3.3分析和結(jié)論

有了以上的工作以后，我們就可以對數(shù)據(jù)進行分析并得出結(jié)論了。

對數(shù)據(jù)的分析手段有很多，這里我們采用相似性統(tǒng)計分析的統(tǒng)計學(xué)手段對其進行分析。相似性統(tǒng)計分析是在相似性檢索的基礎(chǔ)上再對檢索出來的結(jié)果進行的一系列的統(tǒng)計分析操作。相似性檢索的算法主要是基于特征詞提取和倒排索引技術(shù)，具體描述如下：

（1）對資料庫中的每篇文檔進行自動分詞和提取特征詞。

（2）對資料庫中的文檔按特征詞建立倒排索引庫，建立索引的相關(guān)屬性，包括詞頻、位置以及文本長度等。

（3）根據(jù)每篇文檔中包含特征詞的多少、位置、詞頻、文檔的長度等信息來計算庫中文檔與待檢索文檔的相關(guān)度，相關(guān)度超過一定閾值的文檔即可作為相關(guān)文檔處理，并給出相關(guān)系數(shù)。

4結(jié)論

本文論述了大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)文學(xué)輿情監(jiān)控系統(tǒng)的研究與實現(xiàn)。文章首先分析了網(wǎng)絡(luò)文學(xué)輿情監(jiān)控的必要性，以及目前現(xiàn)狀。針對網(wǎng)絡(luò)文學(xué)輿情監(jiān)控系統(tǒng)的體系結(jié)構(gòu)和主要功能模塊進行了設(shè)計，為系統(tǒng)各模塊的功能、性能及技術(shù)實現(xiàn)設(shè)計了詳細的解決方案。并且，對網(wǎng)絡(luò)文學(xué)輿情監(jiān)控系統(tǒng)的技術(shù)主體技術(shù)進行了深入研究。將多種技術(shù)有效結(jié)合，對復(fù)雜的網(wǎng)絡(luò)文學(xué)信息進行多屬性、多角度的分析，分別給出直觀的分析結(jié)果，以便人們能夠快速、全面地把握信息內(nèi)容和發(fā)展趨勢。

參考文獻：

[1]索紅光，王玉偉.一種用于文本聚類的改進 k-means 算法[J].山東大學(xué)學(xué)報：理學(xué)版，2008（1）：61-64.

[2]唐籍濤.網(wǎng)絡(luò)輿情監(jiān)控中新詞識別問題的研究[J].計算機技術(shù)與發(fā)展，2012，22（1）.

[3]萬小軍，等.一種自動分析互聯(lián)網(wǎng)上熱點主題傳播過程的方法及系統(tǒng)[P].中國專利：CN101231641A，2008-07-30.