人工智能提升網(wǎng)絡(luò)輿情分析能力

喻國明+馬思源

輿論是“社會(huì)的皮膚”，是反映社會(huì)形勢的晴雨表。而輿情分析是根據(jù)特定需要，針對社會(huì)輿論問題對于相關(guān)數(shù)據(jù)進(jìn)行深層次的思維加工和分析研究，得到相關(guān)結(jié)論的過程。網(wǎng)絡(luò)是當(dāng)下社會(huì)輿論的主要載體之一，在互聯(lián)網(wǎng)時(shí)代，尤其是移動(dòng)互聯(lián)網(wǎng)時(shí)代，大數(shù)據(jù)及大數(shù)據(jù)分析技術(shù)為輿情分析和研判提供了全新的資源、方法與范式。

從總體上說，現(xiàn)階段網(wǎng)絡(luò)輿情分析的基本框架為：信息采集、熱點(diǎn)發(fā)現(xiàn)、熱點(diǎn)評估與熱點(diǎn)跟蹤和分析處理（見圖1）。

由于網(wǎng)絡(luò)輿情數(shù)據(jù)存在著海量、多維度等特點(diǎn)，輿情數(shù)據(jù)的深度價(jià)值挖掘一直是這一領(lǐng)域發(fā)展的瓶頸之一。近年來，人工智能技術(shù)的興起與實(shí)用化，為我們借助于人工智能實(shí)現(xiàn)網(wǎng)絡(luò)輿情分析的自動(dòng)化、智能化、精準(zhǔn)化提供了新的手段和路徑。為此，一些研究者也做出有益的探索，如使用小波分析分解輿論發(fā)展過程，再利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù)測輿論走向；使用神經(jīng)網(wǎng)絡(luò)仿真模擬輿論發(fā)展過程；使用灰度預(yù)測和模式識(shí)別預(yù)測輿論走勢等。

本文試圖在梳理輿情研究的現(xiàn)狀與特點(diǎn)的前提下，探討在現(xiàn)有技術(shù)條件下，網(wǎng)絡(luò)輿情分析的實(shí)踐范式存在的缺陷與不足，而人工智能技術(shù)可以為網(wǎng)絡(luò)輿情分析帶來哪些有應(yīng)用前景的改變。

人工智能提升網(wǎng)絡(luò)輿情分析能力的環(huán)節(jié)

現(xiàn)階段網(wǎng)絡(luò)輿情分析的不足可以主要?dú)w結(jié)為“人機(jī)不協(xié)調(diào)”的問題。在應(yīng)當(dāng)使用機(jī)器進(jìn)行學(xué)習(xí)和處理的權(quán)重配比、走勢預(yù)測、情感分析、效果檢查上，現(xiàn)實(shí)應(yīng)用顯得機(jī)械、淺層次；而在應(yīng)當(dāng)使用人工進(jìn)行分析的特征維度劃分、對策建議提供上，現(xiàn)實(shí)應(yīng)用又顯得粗糙、重復(fù)，且機(jī)器對人的輔助不夠有力，分工協(xié)同的模式還不成熟。

得益于數(shù)理算法和計(jì)算機(jī)科學(xué)的發(fā)展，人工智能時(shí)代的機(jī)器學(xué)習(xí)能力日益增強(qiáng)，這為網(wǎng)絡(luò)輿情分析領(lǐng)域?qū)崿F(xiàn)自動(dòng)化、精準(zhǔn)化、智能化創(chuàng)造了新的契機(jī)，而實(shí)現(xiàn)新要求的關(guān)鍵點(diǎn)在于切實(shí)實(shí)現(xiàn)網(wǎng)絡(luò)輿情分析領(lǐng)域中的人機(jī)互動(dòng)與雙向協(xié)同。

1.數(shù)據(jù)預(yù)處理環(huán)節(jié)：特征的人工識(shí)別與機(jī)器匹配的協(xié)同。

在互聯(lián)網(wǎng)的社交網(wǎng)絡(luò)中充斥著非結(jié)構(gòu)、半結(jié)構(gòu)數(shù)據(jù)，數(shù)據(jù)庫需要為這些數(shù)據(jù)提供合適的存儲(chǔ)標(biāo)簽，方便分類和調(diào)用。在數(shù)據(jù)特征分類上，人的作用至關(guān)重要。完全依賴無監(jiān)督的學(xué)習(xí)，不僅需要大量數(shù)據(jù)擬合，而且速度慢、容易產(chǎn)生偏差。因此，在最初的特征分類中，可以由人工盡量設(shè)計(jì)較細(xì)的分類，此后通過信息增益等算法，經(jīng)歷半監(jiān)督式機(jī)器學(xué)習(xí)的訓(xùn)練，在分類環(huán)節(jié)可以去除影響力較小的部分，留下影響力較大的部分，在機(jī)器能力支撐下建立合理的特征維度數(shù)量，并賦予權(quán)重。這種特征的構(gòu)建方式更能體現(xiàn)輿情信息的原貌，對現(xiàn)實(shí)的解釋力更強(qiáng)。

2.熱點(diǎn)發(fā)現(xiàn)環(huán)節(jié)：話題預(yù)測的機(jī)器提示與人工選擇的協(xié)同。

人工智能是建立在數(shù)理模型和計(jì)算機(jī)支持上的一種應(yīng)用，其內(nèi)核依賴因果邏輯和概率統(tǒng)計(jì)。即使人工智能可以自動(dòng)探索不同事物之間的關(guān)聯(lián)，它判斷是非的方式只能是：第一，A能推導(dǎo)出B，或不能。第二，根據(jù)以往經(jīng)驗(yàn)，某事件有多大的概率會(huì)發(fā)生。所以，想讓人工智能做出正確的判斷，要么存在必然的因果邏輯，要么有足夠的案例用以輔助統(tǒng)計(jì)。

然而，現(xiàn)實(shí)生活中有許多事物并不真正按照因果邏輯運(yùn)行。很多情況下，人工智能需要依靠概率預(yù)測事物的走向，但又不是任何事情都有足夠的先例可供學(xué)習(xí)。

對輿論的預(yù)測很難按照因果邏輯執(zhí)行，想做到準(zhǔn)確預(yù)測只能先依靠足夠多的、已完結(jié)的輿論話題作為機(jī)器學(xué)習(xí)的對象，尋找它們概率上的特征。憑借之前的這些經(jīng)驗(yàn)，將有可能產(chǎn)生重大影響的輿論在萌芽期識(shí)別出來，并設(shè)計(jì)回應(yīng)辦法。即便如此，機(jī)器也不可能完全精準(zhǔn)地預(yù)測輿論，在一定范圍內(nèi)的預(yù)測建議中，需要人的智慧進(jìn)行分析判斷，找出真正存在進(jìn)一步發(fā)酵可能的輿論。同時(shí)，這樣的人工選擇行為需要完整的記錄，作為機(jī)器進(jìn)一步學(xué)習(xí)的訓(xùn)練集，以供下一次輿論預(yù)測參考。這種人機(jī)互動(dòng)的模式可以提升機(jī)器學(xué)習(xí)的能力，使人工智能逐步達(dá)到更高水平，更加智能地為人提供輔助。

3.對策分析環(huán)節(jié)：專家?guī)斓慕?jīng)驗(yàn)及其量化。

技術(shù)領(lǐng)域公認(rèn)，操縱機(jī)器進(jìn)行情感分析，比事實(shí)分析要困難得多。機(jī)器可以通過分詞法、訓(xùn)練集的反復(fù)訓(xùn)練學(xué)會(huì)分析句子成分、找到陳說的事實(shí)，但對于微妙情感的辨析、反諷修辭的運(yùn)用，機(jī)器極難進(jìn)行判斷。鑒于此，在對輿論進(jìn)行整理、分析和預(yù)測的過程中，人工智能對于事實(shí)的理解能力可以提升到與人類比肩的程度，但對于輿論的情感判斷，機(jī)器恐怕很難達(dá)到人類的理解高度。

在互聯(lián)網(wǎng)時(shí)代，情感是一種十分重要的邏輯，許多互聯(lián)網(wǎng)事件的發(fā)酵、擴(kuò)散，背后都有情感訴求的影子，有時(shí)情感訴求甚至超出理智訴求，成為左右輿論極其重要的一個(gè)因素。因此，在輿情分析的對策環(huán)節(jié)中，梳理的事實(shí)可以由機(jī)器提供，但對策建議始終要依賴專家的經(jīng)驗(yàn)。當(dāng)然，對專家?guī)熘械慕?jīng)驗(yàn)予以量化，可以為類似輿情再出現(xiàn)時(shí)提供輔助建議，逐漸使機(jī)器的智慧能為人類提供更高水平的咨詢意義上的幫助，乃至應(yīng)對一些常見的、并不新穎的輿情危機(jī)——而這類輿情危機(jī)通常占危機(jī)發(fā)生總量的80%以上。

人工智能條件下的網(wǎng)絡(luò)輿情分析新范式

人機(jī)互動(dòng)是人工智能應(yīng)用于網(wǎng)絡(luò)輿情分析的重要邏輯，結(jié)合現(xiàn)有網(wǎng)絡(luò)輿情分析模式與流程，以及每一環(huán)節(jié)的技術(shù)支持情況，我們提出人工智能技術(shù)支撐下的網(wǎng)絡(luò)輿情分析的新范式。即遵循從現(xiàn)實(shí)問題，到量化建模，再到探索結(jié)論的基本方向，并在每一詳細(xì)環(huán)節(jié)中遵循人機(jī)互動(dòng)與協(xié)同的原則，對人工智能技術(shù)加以有效應(yīng)用（見圖2）。

應(yīng)該說，人工智能的實(shí)現(xiàn)，得益于科學(xué)界量化整個(gè)世界的嘗試。科學(xué)界試圖構(gòu)建模型來表達(dá)紛繁復(fù)雜的客觀世界，并得到了許多成就。這些成就在一定程度上鼓勵(lì)了“計(jì)算主義”哲學(xué)的發(fā)展，信奉計(jì)算主義的人認(rèn)為世界在極大程度上是可以被量化的，因此，人工智能才能夠比我們想象的更接近人類。顯然，這種信仰并不代表真理，相反，有更多的學(xué)者質(zhì)疑，我們的世界中不能量化的問題遠(yuǎn)遠(yuǎn)多于可以量化的問題。現(xiàn)代經(jīng)濟(jì)學(xué)、社會(huì)學(xué)、政治學(xué)的一些研究也表明，不同于自然法則，在人為世界中，人的復(fù)雜程度遠(yuǎn)超過人類自己的想象和技術(shù)可以完全把握的能力。

因而，唯有人和機(jī)器相互促進(jìn)，人的創(chuàng)造力才能被釋放，而非被科技所奴役。人類憑借本身的經(jīng)驗(yàn)、判斷和天賦提出新的理論，解決問題的框架，而人工智能強(qiáng)大的數(shù)據(jù)處理能力和邏輯演繹能力可以為這些新穎的想法提供驗(yàn)證、修正或否定。人機(jī)互動(dòng)的視角不僅對人工智能條件下的輿情分析具有啟示作用，對所有社會(huì)科學(xué)而言，人機(jī)互動(dòng)也可以成為普遍遵循的解決問題的模式。

參考文獻(xiàn)

1.夏火松、甄化春：《大數(shù)據(jù)環(huán)境下輿情分析與決策支持研究文獻(xiàn)綜述》，《情報(bào)》，2015年第2期，第1-6頁、21頁。

2.舒予、張黎俐：《基于小波分析與人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測》， 《情報(bào)科學(xué)》，2016年第4期，第40-47頁。

3.何炎祥、劉健博、孫松濤：《基于神經(jīng)網(wǎng)絡(luò)的微博輿情預(yù)測方法》，《華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版）》，2016年第9期，第47-52頁。

4.杜智濤、謝新洲：《利用灰色預(yù)測與模式識(shí)別方法構(gòu)建網(wǎng)絡(luò)輿情預(yù)測與預(yù)警模型》，《圖書館情報(bào)工作》，2013年第8期，第27-33頁。

5.李清敏、張華平：《面向話題的中文微博觀點(diǎn)傾向性分析研究》，《科學(xué)技術(shù)與工程》，2014年第12期，第227-231頁。

6.李英樂、于洪濤、劉力雄：《基于SVM 的微博轉(zhuǎn)發(fā)規(guī)模預(yù)測方法》， 《計(jì)算機(jī)應(yīng)用研究》，2013年第9期，第2594-2597頁。

7.彭蘭：《萬物皆媒——新一輪技術(shù)驅(qū)動(dòng)的泛媒化趨勢》，《編輯之友》，2016年第3期，第5-10頁。

8.李建會(huì)：《走向計(jì)算主義》，《自然辯證法通訊》，2003年第3期，第31-36頁。