基于改進的Elman神經(jīng)網(wǎng)絡的網(wǎng)絡輿情預警模型

畢殿杰，張子振，余永紅，張 林

(安徽財經(jīng)大學管理科學與工程學院，安徽 蚌埠，233030)

基于改進的Elman神經(jīng)網(wǎng)絡的網(wǎng)絡輿情預警模型

畢殿杰，張子振，余永紅，張 林

(安徽財經(jīng)大學管理科學與工程學院，安徽 蚌埠，233030)

在深入分析影響網(wǎng)絡輿情發(fā)展變化的各種因素的基礎上，建立了三層網(wǎng)絡輿情指標體系。針對表征輿情事件樣本數(shù)據(jù)的非線性動態(tài)變化等特點，提出一種改進的Elman神經(jīng)網(wǎng)絡模型。該模型以量化的網(wǎng)絡輿情指標為網(wǎng)絡輸入，以網(wǎng)絡輿情預警等級為輸出。實驗結果表明，該模型在一定程度上降低了預測問題的復雜度，同時又在一定程度上提高了預警精度，為科學分析網(wǎng)絡輿情預警機制提供一種解決問題的思路。

網(wǎng)絡輿情；指標體系；Elman神經(jīng)網(wǎng)絡；預警模型

網(wǎng)絡輿情是現(xiàn)代社會中社會輿論的重要組成部分，是網(wǎng)民對現(xiàn)實社會中熱點事件的態(tài)度觀點在虛擬空間的聚集和反映[1]。近年來，隨著互聯(lián)網(wǎng)技術的發(fā)展，人們越來越喜歡通過微博，博客，BBS，新聞跟帖，貼吧等各種渠道發(fā)表評論，闡述立場，儼然成為一種表達情感傾向的重要的渠道。由于網(wǎng)絡輿情具有傳播速度快、信息多元、互動性等特點，使其在社會中的影響力越來越大，因而如何對其進行監(jiān)管和疏導就顯得越來越重要。預測網(wǎng)絡輿情未來的發(fā)展趨勢，能夠發(fā)現(xiàn)潛在的輿情危機，對維護社會穩(wěn)定和促進國家發(fā)展具有重要的現(xiàn)實意義[2]。

預測網(wǎng)絡輿情未來的發(fā)展趨勢，也就是研究如何構建其數(shù)學模型。由于神經(jīng)網(wǎng)絡具有自我學習能力，能夠?qū)?shù)據(jù)進行自適應性的并行處理，還具有非線性逼近能力和容錯性強等特性，使得神經(jīng)網(wǎng)絡廣泛的應用在各領域的預測模型中。Elman神經(jīng)網(wǎng)絡是一種典型的時序遞歸神經(jīng)網(wǎng)絡，相對于標準的神經(jīng)網(wǎng)絡，這種網(wǎng)絡能夠記憶歷史數(shù)據(jù)，結合其內(nèi)部反饋機制，具有動態(tài)映射特征的功能，特別適合進行動態(tài)過程的建模[3～6]。李小喜等[3]釆用基于支持向量回歸的指標權重挖掘方法，通過比較偏導確定影響作戰(zhàn)效能的關鍵因素，將優(yōu)化后的效能指標和效能值分別作為模型的輸入和輸出，建立基于Elman神經(jīng)網(wǎng)絡的效能預測模型，并應用于動態(tài)作戰(zhàn)效能預測分析中。針對網(wǎng)絡系統(tǒng)非線性、時變性等特點，黨小超等[4]提出一種基于改進Elman神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測模型，該模型克服傳統(tǒng)BP神經(jīng)網(wǎng)絡訓練時間長及計算復雜度高等缺點，具有計算速度快，實時性好, 能有效地辨識高階系統(tǒng)等優(yōu)點。張立軍等[5]利用Elman神經(jīng)網(wǎng)絡具有記憶性的優(yōu)點，采用遺傳算法訓練優(yōu)化Elman神經(jīng)網(wǎng)絡的初始權值，提出了高效的GA-Elman動態(tài)回歸神經(jīng)網(wǎng)絡股價預測模型。實驗結果表明，該模型用于股票價格預測可行且有效。姜濱等[6]利用實際測量的木材干燥窯內(nèi)溫度、濕度以及木材含水率等數(shù)據(jù)，建立Elman神經(jīng)網(wǎng)絡木材干燥過程模型。仿真實驗結果表明，該模型的準確性高，完全符合實際木材干燥過程的工藝要求。王鐵套等[7]采用模糊綜合評價法來確定網(wǎng)絡輿情指標體系各因素的評價值，再結合改進的Elman神經(jīng)網(wǎng)絡模型來綜合評價網(wǎng)絡輿情的威脅等級。

考慮到網(wǎng)絡輿情樣本數(shù)據(jù)是基于時間進行連續(xù)變化的，而且變化是非線性動態(tài)的，筆者采用基于改進的Elman神經(jīng)網(wǎng)絡模型來預測網(wǎng)絡輿情的未來發(fā)展趨勢。改進的Elman神經(jīng)網(wǎng)絡模型克服了標準神經(jīng)網(wǎng)絡的收斂速度慢、易陷入局部極小值等問題，取得了較好的預測效果。

圖1 標準Elman網(wǎng)絡模型

1 改進的Elman神經(jīng)網(wǎng)絡

1.1 標準Elman神經(jīng)網(wǎng)絡

標準Elman神經(jīng)網(wǎng)絡的結構中除了輸入層、隱含層、輸出層之外，還有一個特殊的聯(lián)系單元。該聯(lián)系單元用來記憶隱含層神經(jīng)元前一時刻的輸出值，聯(lián)系單元的輸出經(jīng)延遲后，作為一步時延算子再輸入到隱含層，對整個網(wǎng)絡起到動態(tài)調(diào)節(jié)作用(圖1)。其數(shù)學模型為：

(1)

1.2 改進的Elman神經(jīng)網(wǎng)絡模型

各層神經(jīng)元的反饋信息都會影響整個網(wǎng)絡的信息處理能力，但是在標準Elman網(wǎng)絡模型中，只考慮了隱含層神經(jīng)元的反饋，而沒有考慮輸入層和輸出層神經(jīng)元的信息反饋。為此，筆者在時小虎等[8]的研究成果的基礎上，考慮增加輸出層節(jié)點的反饋和輸入層節(jié)點反饋，提出具有輸入層-隱含層-輸出層反饋機制的改進Elman神經(jīng)網(wǎng)絡，其網(wǎng)絡結構見圖2。

圖2 輸入-隱含-輸出控制網(wǎng)絡模型

改進的Elman神經(jīng)網(wǎng)絡的數(shù)學模型為：

(2)

1.3 考慮時間收益因素的學習算法

1.3.1 時間收益因素RefenesAN等[9]提出的時間收益因素φTP(t)，充分考慮時間因素對當前預測的影響，增強距離當前時間近的數(shù)據(jù)樣本的影響，而削弱距離當前時間較遠的數(shù)據(jù)樣本，φTP(t)由公式(3)所示，其中a為打折率，k為數(shù)據(jù)樣本的數(shù)量，t為迭代次數(shù)。

(3)

韓旭明等[10]將時間收益因素引入到神經(jīng)網(wǎng)絡模型中，用于預測股票問題，并取得了不錯的預測效果。為提高網(wǎng)絡輿情事件的預測性能，筆者基于韓旭明等[10]的思想，在Elman網(wǎng)絡輿情預測模型中引入時間收益因素。

1.3.2 學習算法 一般而言，實際輸出和期望輸出的誤差函數(shù)E可定義為[8]：

(4)

但是考慮時間收益因素的影響，誤差函數(shù)可改寫為：

(5)

將ETP分別對連接權值w1，w2，w3，w4，w5求偏導，得出改進的Elman神經(jīng)網(wǎng)絡的學習算法為：

(6)

(7)

(8)

(9)

(10)

其中θ1，θ2，θ3，θ4，θ5分別是連接權值w1，w2，w3，w4，w5的學習步長。

(11)

(12)

(13)

(14)

2 輿情指標體系設計

構建科學有效的預警指標體系是進行網(wǎng)絡輿情預警研究的重要環(huán)節(jié)[11]。在網(wǎng)絡輿情事件的產(chǎn)生、發(fā)展、消亡的整個過程中，影響網(wǎng)絡輿情的因素很多，所以，在構建網(wǎng)絡輿情指標體系時，不可能細致入微的考慮每一個影響因素，僅需要考慮對網(wǎng)絡輿情影響比較大的關鍵因素即可。

通過對輿情事件生命周期中的關鍵影響因素進行認真的梳理，結合吳紹忠等[12]、李雯靜等[13]、張一文等[14]的研究成果，從事件本身、網(wǎng)民(包括領袖意見)、媒體、政府疏導能力等4個方面出發(fā)，構建網(wǎng)絡輿情預警指標體系(圖3)。具體描述如下：(1)事件作用力指標，細分為事件性質(zhì)x1，事件擴散度x2，事件關注度x3；(2)網(wǎng)民作用力指標，細分為意見領袖傾向x4，網(wǎng)民關注度x5，網(wǎng)民情感度x6，網(wǎng)民分歧度x7；(3)媒體作用力指標，細分為媒體影響力x8，參與報道的媒體數(shù)量x9，媒體報道形式x10，媒體傾向x11；(4)政府疏導力指標，細分為政府公信力x12，政府重視程度x13，政府響應速度x14，信息處理能力x15。

圖3 輿情指標體系結構

3 改進的Elman神經(jīng)網(wǎng)絡輿情危機預警模型的實證分析

3.1 樣本數(shù)據(jù)處理

根據(jù)圖3所建立的輿情指標體系，使用網(wǎng)絡爬蟲技術抓取從2016-01-05～14“銀川公交縱火案”作為樣本數(shù)據(jù)，共10個樣本。為了方便處理和比較，通過Matlab進行歸一化處理，標準化后的數(shù)據(jù)見表1。

表1 輸入樣本數(shù)據(jù)集

3.2 模型樣本訓練步驟

神經(jīng)網(wǎng)絡的訓練過程的實質(zhì)就是不斷調(diào)試閾值和不斷逼近期輸出望值的過程，最終完成預警分析。模型的樣本訓練步驟見圖4。

3.3 實驗結果分析

實驗中網(wǎng)絡訓練目標誤差為0.01，打折率為0.5，由圖4的樣本訓練算法步驟，得出樣本數(shù)據(jù)的預警結果見表2。

圖4 Elman神經(jīng)網(wǎng)絡網(wǎng)絡輿情預警模型算法流程

表2 實驗結果

樣本序號期望輸出實際輸出y1y2y3y4101000．0020．5390．0730．247200010．0300．3350．0010．705300100．5100．2590．0870．662401000．1500．5260．0030．065500010．0140．3090．0720．765600100．2830．1940．6260．011700010．7000．4010．0600．440801000．1060．7270．1750．099900100．0910．2640．6010．0141010000．7710．1440．0030．050

將表2中的實際輸出結果按照公式(15)

(15)

進行轉(zhuǎn)化。例如y={0.002,0.539,0.073,0.247}轉(zhuǎn)化后為y={0,1,0,0}，則字符串0010即為最后得到的預警等級。由表2可知，參與測試的10個樣本中，有8個樣本進行了正確的預警，預警正確率達到80%。實驗表明，本次研究中所設計的網(wǎng)絡輿情危機預警指標體系合理的，基于Elman神經(jīng)網(wǎng)絡模型的網(wǎng)絡輿情危機預警是可行的。

4 結論與討論

本次研究根據(jù)影響網(wǎng)絡輿情發(fā)展變化的各種關鍵因素，在建立危機預警指標體系的基礎上，構建了基于改進的Elman神經(jīng)網(wǎng)絡的網(wǎng)絡輿情危機預警模型。通過實證研究表明，本次研究建立的Elman神經(jīng)網(wǎng)絡網(wǎng)絡輿情預警模型是有效可行的，預警準確率基本滿足要求。

為進一步提高預警準確率，筆者受王寶紅等[15]啟發(fā)，將Elman神經(jīng)網(wǎng)絡模型同其他的預測模型進行結合，形成優(yōu)化組合模型用于網(wǎng)絡輿情預警中是筆者接下來的重要研究內(nèi)容。

[1] 魏淑艷，唐榮呈.遼寧省網(wǎng)絡輿情事件的發(fā)展態(tài)勢及應對策略[J].沈陽大學學報(社會科學版)，2014，16(3)：285-290.

[2] 艾靜.基于GA-Elman預測模型的網(wǎng)絡輿情研究[D].武漢：華中師范大學，2013.

[3] 李小喜，陳浩光，李大喜，等.基于Elman神經(jīng)網(wǎng)絡的作戰(zhàn)效能預測模型研究[J].系統(tǒng)仿真學報，2015，27(1)：43-49.

[4] 黨小超，郝占軍.基于改進Elman神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測[J].計算機應用，2010，30(10)：2 468-2 452.

[5] 張立軍,苑迪.基于GA-Elman動態(tài)回歸神經(jīng)網(wǎng)絡的股價預測模型研究[J].華東經(jīng)濟管理,2008,22(9):79-82.

[6] 姜濱，孫麗萍，曹軍，等.木材干燥過程的Elman神經(jīng)網(wǎng)絡模型研究[J].安徽農(nóng)業(yè)科學，2014，42(2):455-457.

[7] 王鐵套，王國營，陳越.一種基于Elman神經(jīng)網(wǎng)絡的網(wǎng)絡輿情威脅估計方法[J].信息工程大學學報，2012，13(4)：482-488.

[8] 時小虎，梁艷春，徐旭.改進的Elman模型與遞歸返傳控制神經(jīng)網(wǎng)絡[J].軟件學報，2003,14(6):1 110-1 119.

[9]RefenesAN，BmtzY，BunnDW，etal.FinancialTimeSeriesModelingwithDiscountedLeastSquaresBackPropagation[J]．NeuralComputing，1997，14(2)：123-138．

[10] 韓旭明.Elman神經(jīng)網(wǎng)絡的應用研究[D].天津：天津大學，2006.

[11] 孫玲芳，周加波，林偉健，等.基于BP神經(jīng)網(wǎng)絡和遺傳算法的網(wǎng)絡輿情危機預警研究[J].情報雜志，2014，33(11)：18-24.

[12] 吳紹忠,李淑華.互聯(lián)網(wǎng)絡輿情預警機制研究[J].中國人民公安大學學報(自然科學版)，2008(3)：38-42.

[13] 李雯靜，許鑫，陳正權.網(wǎng)絡輿情指標體系設計與分析[J].情報科學，2009，27(7)：986-991.

[14] 張一文，齊佳音，方濱興，等.基于貝葉斯網(wǎng)絡建模的非常規(guī)危機事件網(wǎng)絡輿情預警研究[J].圖書情報工作，2012，56(2)：76-81.

[15] 王寶紅，康永輝，黃偉軍，等.基于熵權的年降雨量預報優(yōu)化組合模型研究[J].安徽農(nóng)業(yè)科學，2014，42(16):5 142-5 145.

(責任編輯：朱寶昌)

Early-warning of Network Public Opinion Model Based on Modified Elman Neural Network

BI Dianjie, ZHANG Zizhen, YU Yonghong, ZHANG Lin

(School of Management Science and Engineering,Anhui University of Finance and Economics,Bengbu Anhui,233030,China)

A three-class index system was constructed in terms of a detailed analysis of the various factors that might affect the development of the network public opinion．Furthermore, a modified Elman neural network model was proposed according to the nonlinear dynamic change of the sample data of public opinion events. The model characterized the network public opinion indexes as the input, and its warning level as the output. The results showed that the model not only reduced the forecast complexity but also improved the accuracy of early warning. The new model might provide a thought to solve the problems scientifically in the early-warning mechanism of network public opinion.

network public opinion; index system; Elman neural network; early-warning model

10.3969/J.ISSN.1672-7983.2016.03.002

安徽財經(jīng)大學校級科學研究項目(項目編號：ACKY1651),安徽省高校自然科學研究重點項目(項目編號：KY2014A005)。

2016-03-08; 修改稿收到日期: 2016-04-16

TP183

A

1672-7983(2016)03-0010-06

畢殿杰(1977-)，男，講師，碩士。主要研究方向：神經(jīng)網(wǎng)絡，人工智能。