網(wǎng)絡(luò)輿情安全監(jiān)測(cè)語義識(shí)別研究綜述

◆龔 韶 劉興均

?

網(wǎng)絡(luò)輿情安全監(jiān)測(cè)語義識(shí)別研究綜述

◆龔 韶 劉興均

（三亞學(xué)院人文與傳播學(xué)院 海南 572022）

本文從網(wǎng)絡(luò)輿情基本概念的研究入手，分析了大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)輿情的基本特征，概述了網(wǎng)絡(luò)輿情監(jiān)測(cè)的研究現(xiàn)狀，分別介紹了文本信息、圖像信息、聲音信息和視頻信息等網(wǎng)絡(luò)輿情信息的特征提取技術(shù)，對(duì)深度語義識(shí)別技術(shù)分別進(jìn)行了介紹和比較，分析了網(wǎng)絡(luò)輿情監(jiān)測(cè)系統(tǒng)的語義識(shí)別流程，為網(wǎng)絡(luò)輿情監(jiān)測(cè)系統(tǒng)的建立提供了參考。

網(wǎng)絡(luò)；輿情信息；輿情監(jiān)測(cè)；語義識(shí)別

0 引言

大數(shù)據(jù)的應(yīng)用與推廣給互聯(lián)網(wǎng)的發(fā)展帶來了深遠(yuǎn)影響，特別是移動(dòng)互聯(lián)網(wǎng)4G、5G時(shí)代的到來，網(wǎng)絡(luò)已然成為社會(huì)輿論產(chǎn)生的集散地和發(fā)展走向的助推器，網(wǎng)絡(luò)輿情安全監(jiān)測(cè)已成為社會(huì)輿情研究的熱點(diǎn)問題。在網(wǎng)絡(luò)輿情監(jiān)測(cè)研究中，主要集中在：網(wǎng)絡(luò)輿情概念、輿情演進(jìn)特征、輿情信息獲取、輿情分析和預(yù)警監(jiān)測(cè)系統(tǒng)建立等方面，語義識(shí)別技術(shù)是網(wǎng)絡(luò)輿情監(jiān)測(cè)的關(guān)鍵技術(shù)之一，網(wǎng)絡(luò)輿情信息的特征提取、深度分析和預(yù)警判斷都離不開語義識(shí)別技術(shù)，可以說語義識(shí)別貫穿于整個(gè)輿情監(jiān)測(cè)研究之中，其算法主要有：支持向量機(jī)、貝葉斯算法、聚類算法和神經(jīng)網(wǎng)絡(luò)等，但是這些算法都有各自的優(yōu)缺點(diǎn)，加之網(wǎng)絡(luò)輿情信息的復(fù)雜性，簡(jiǎn)單地應(yīng)用這些算法并不能達(dá)到輿情監(jiān)測(cè)分析的需要，因此在網(wǎng)絡(luò)輿情監(jiān)測(cè)系統(tǒng)構(gòu)建中往往將多個(gè)算法進(jìn)行組合和優(yōu)化。本文以網(wǎng)絡(luò)輿情監(jiān)測(cè)系統(tǒng)構(gòu)建流程為主線，從理論層面概述了各種語義識(shí)別技術(shù)的應(yīng)用和優(yōu)缺點(diǎn)比較分析，有助于了解語義識(shí)別技術(shù)在網(wǎng)絡(luò)輿情監(jiān)測(cè)方面的現(xiàn)狀及應(yīng)用前景。

1 網(wǎng)絡(luò)輿情研究概述

1.1 網(wǎng)絡(luò)輿情基本概念

網(wǎng)絡(luò)輿情是輿情在網(wǎng)絡(luò)上的表現(xiàn)和延伸，是民意在網(wǎng)絡(luò)上的綜合表現(xiàn)形式。隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，互聯(lián)網(wǎng)平臺(tái)已成為人民表達(dá)對(duì)社會(huì)事件的意見、態(tài)度、意愿和看法的重要途徑，新聞評(píng)論、論壇跟帖、微博分享、朋友圈和短視頻共享等內(nèi)容構(gòu)成了包涵龐大數(shù)據(jù)量的輿情信息。網(wǎng)絡(luò)輿情是社會(huì)輿情的一種特殊的反應(yīng)模式，網(wǎng)絡(luò)輿情的對(duì)象事件包括時(shí)政要聞、公共安全、自然災(zāi)害、環(huán)境衛(wèi)生、生產(chǎn)安全、社會(huì)思潮和其他突發(fā)事件等熱點(diǎn)問題，這些“熱點(diǎn)”問題的輿情信息往往帶有傾向性的意見或言論，其中混雜著理智和非理智的成分，具有廣泛的社會(huì)影響力。加之“謠言”信息摻雜其中，網(wǎng)絡(luò)輿情環(huán)境日趨復(fù)雜，如果不能及時(shí)對(duì)負(fù)面的輿情信息進(jìn)行引導(dǎo)、清理，就可能會(huì)產(chǎn)生惡性的社會(huì)輿論影響[1]。

1.2 網(wǎng)絡(luò)輿情的特征

劉毅[2]、張一文[3]、張玉強(qiáng)[4]等學(xué)者對(duì)網(wǎng)絡(luò)輿情的特征進(jìn)行了描述，概括來說具有以下特征：

（1）自由性。自媒體使人們獲得了越來越多的話語權(quán)，網(wǎng)絡(luò)上信息的發(fā)布具有隨機(jī)性和自主性，人們既是接收信息的客體，更是制造信息的主體，還是信息傳遞的中介，可以隨時(shí)在網(wǎng)絡(luò)平臺(tái)上自由地發(fā)表言論，因此，網(wǎng)絡(luò)輿情不僅是多元的，更是自由的。

（2）互動(dòng)性。網(wǎng)絡(luò)平臺(tái)不僅能夠發(fā)布“熱點(diǎn)”信息，還是網(wǎng)民之間交流評(píng)論、相互轉(zhuǎn)發(fā)的平臺(tái)，網(wǎng)民在某一觀點(diǎn)上可能會(huì)出現(xiàn)矛盾，他們往往會(huì)在網(wǎng)絡(luò)平臺(tái)上交流討論，甚至爭(zhēng)論辯護(hù)，加速輿情的擴(kuò)散，這就體現(xiàn)出網(wǎng)絡(luò)輿情具有靈活的互動(dòng)性。

（3）突發(fā)性?；ヂ?lián)網(wǎng)技術(shù)的發(fā)展和普及，為網(wǎng)絡(luò)輿情的爆炸式傳播創(chuàng)造了條件，當(dāng)某一輿情事件發(fā)生，網(wǎng)民可以通過微信、微博或抖音、快手等多媒體平臺(tái)，快速形成復(fù)雜多樣的觀點(diǎn)并飛速傳播，體現(xiàn)出輿情爆發(fā)的突然性。

（4）情緒性。人們都存在著一定的負(fù)面情緒，而網(wǎng)絡(luò)已然成為宣泄情緒的最佳渠道，在熱點(diǎn)問題激進(jìn)言論的煽動(dòng)下，往往會(huì)導(dǎo)致網(wǎng)民的情緒化，產(chǎn)生缺乏理性思考的觀點(diǎn)，這些情緒化的輿情信息往往會(huì)帶來嚴(yán)重的負(fù)面影響。

（5）炒作性。網(wǎng)絡(luò)平臺(tái)不僅是信息共享的平臺(tái)，還是利益?zhèn)鬟f的平臺(tái)，有的人為了聚集人氣，不惜通過炒作、歪曲事實(shí)來獲得更多關(guān)注，更有別有用心者，隨意捏造事實(shí)，煽動(dòng)民眾的負(fù)面心理來制造虛假的輿論“熱點(diǎn)”。

1.3 國(guó)內(nèi)外研究現(xiàn)狀

網(wǎng)絡(luò)輿情監(jiān)測(cè)作為多學(xué)科交叉滲透的研究領(lǐng)域，國(guó)外研究起步較早，20世紀(jì)90年代，James Allan 等就將主題檢測(cè)和跟蹤技術(shù)( TDT)應(yīng)用到網(wǎng)絡(luò)輿情的數(shù)據(jù)分析中[5]，美國(guó)Allan J等人基于挖掘技術(shù)和網(wǎng)絡(luò)社區(qū)譜算法，實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)輿情信息的挖掘與檢測(cè)[6]。A. Weichselbraun對(duì)大數(shù)據(jù)背景下網(wǎng)絡(luò)智能平臺(tái)輿情信息提取識(shí)別和情感分類進(jìn)行了研究，較好地實(shí)現(xiàn)了熱點(diǎn)話題的挖掘[7]。Vlachostergiou A提出了一種基于交互語境的情感分析方法[8]。Kushal Dave利用聚類算法設(shè)計(jì)了一種針對(duì)網(wǎng)絡(luò)評(píng)論的語義分析系統(tǒng)[9]。Amanda Lee通過對(duì)突發(fā)事件中推特用戶的態(tài)度和行為的研究，提出了推特平臺(tái)如何疏導(dǎo)網(wǎng)絡(luò)輿情的方法[10]。

國(guó)內(nèi)研究起步相對(duì)較晚，研究主要有三個(gè)方面：一是探討大數(shù)據(jù)網(wǎng)絡(luò)時(shí)代，網(wǎng)絡(luò)輿情的傳播形態(tài)。姜?jiǎng)俸閷⒕W(wǎng)絡(luò)輿情傳播分為發(fā)布、意見形成和意愿訴求三階段[11]；董靖巍對(duì)網(wǎng)絡(luò)輿情的演進(jìn)過程和演進(jìn)規(guī)律進(jìn)行了深入研究，對(duì)網(wǎng)絡(luò)輿情演進(jìn)過程中的影響機(jī)制進(jìn)行系統(tǒng)分析[12]；石琰鑫針對(duì)自媒體社交媒體平臺(tái)信息傳播的特點(diǎn)，對(duì)網(wǎng)絡(luò)謠言形成的原因、傳播的主體和控制的策略進(jìn)行了研究[13]。二是探索深度語義識(shí)別方法，建立輿情監(jiān)測(cè)系統(tǒng)。黃微通過建立語義識(shí)別技術(shù)指標(biāo)體系，對(duì)網(wǎng)絡(luò)輿情信息語義識(shí)別的關(guān)鍵技術(shù)進(jìn)行了比較分析[14]；劉英杰對(duì)網(wǎng)絡(luò)輿情信息情感維度空間特征和演化規(guī)律的模型進(jìn)行了分析[15]。三是突發(fā)事件網(wǎng)絡(luò)輿情危機(jī)的管理、引導(dǎo)和決策。何洋以天津港危險(xiǎn)品大爆炸事件為例，分析了突發(fā)事件輿情演進(jìn)的特點(diǎn)，提出了政府輿情引導(dǎo)的方法16]；陳海漢通過對(duì)突發(fā)事件網(wǎng)絡(luò)輿情傳播的特征分析，研究了政府如何建立有效的預(yù)警模式[17]；王喜紅對(duì)突發(fā)事件網(wǎng)絡(luò)輿情政府的治理方法進(jìn)行了探討[18]。

2 網(wǎng)絡(luò)輿情信息的特征提取

文本信息、聲音信息、圖像信息和視頻信息是網(wǎng)絡(luò)輿情信息的主要形式，下面分別介紹各類輿情信息的特征提取技術(shù)。

2.1 文本信息的特征提取

文本信息一般以新聞、網(wǎng)絡(luò)文章、自媒體推文和評(píng)論等形式呈現(xiàn)，一般篇幅不長(zhǎng)，具有較強(qiáng)的針對(duì)性，相比較于聲音、圖片和視頻等信息，其格式最為規(guī)則、簡(jiǎn)單，語義識(shí)別相對(duì)比較容易。在文本信息識(shí)別中，為了更好地表述出完整的語義，一般選詞作為文本信息的特征項(xiàng)。中文分詞就是將一段連續(xù)的中文語句，按照一定的算法分隔成為若干獨(dú)立的詞序列，進(jìn)而得到文本信息的特征詞集，常用的方法有字符匹配分詞法和基于統(tǒng)計(jì)的分詞方法。字符匹配分詞法是一種基于字典的分詞方法，又稱為詞典分詞法，該方法先將文本分割為字符串再與詞典中的詞條進(jìn)行比對(duì)，這就需要構(gòu)建包含大量詞語的字典，分詞效果的好壞往往取決于字典與文本的匹配度，這種方法的優(yōu)點(diǎn)是分詞處理簡(jiǎn)單、效率高，但嚴(yán)重依賴字典的缺點(diǎn)也大大限制了其運(yùn)用。在網(wǎng)絡(luò)輿情中，新語言、新詞匯的更新速度十分快，詞典分詞法很難滿足文本信息的特征提取要求，采用基于統(tǒng)計(jì)的分詞方法更為多見。Chen使用 LSTM 來實(shí)現(xiàn)中文分詞，取得了95.8%的分詞正確率[19]；Yao進(jìn)一步改進(jìn)分詞算法，使用了雙向的LSTM神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)97.7%的分詞正確率[20]。在網(wǎng)絡(luò)輿情文本信息的特征識(shí)別中，為了得到完善的分詞系統(tǒng)往往采用多個(gè)分詞方法組合使用，中科院的張華平、劉群等基于多層 HMM 隱馬爾可夫模型開發(fā)了ICTCLAS系統(tǒng)，通過分層逐級(jí)篩選，分詞精度達(dá)到了98.45%，是當(dāng)前比較常用的中文分詞系統(tǒng)。

2.2 圖像信息的特征提取

圖像分割技術(shù)能夠提取出圖像的局部特征，常用的圖像分割技術(shù)包括閾值分割、區(qū)域分割、邊緣分割、聚類分割、小波變換分割和神經(jīng)網(wǎng)絡(luò)分割等。MIKOLOV T[21]介紹了基于閾值的圖像分割技術(shù)，其依據(jù)閾的大小對(duì)像素點(diǎn)進(jìn)行分類，實(shí)現(xiàn)了圖像的初始分割，對(duì)主體與背景差別大的圖像分割比較有效；吳建對(duì)區(qū)域生長(zhǎng)法的圖像分割技術(shù)進(jìn)行了研究，通過選擇特定的種子點(diǎn)，并將種子點(diǎn)周圍的相似像素點(diǎn)進(jìn)行合并，進(jìn)而實(shí)現(xiàn)圖像的區(qū)域分割[22]；趙婕運(yùn)用區(qū)域邊界最優(yōu)映射的圖像分割算法，針對(duì)不同區(qū)域像素灰度的變化特點(diǎn)，利用灰度變化的邊緣進(jìn)行圖像分割[23]。張榮祥對(duì)小波變換的自適應(yīng)圖像分割技術(shù)進(jìn)行了分析，以二維小波變換不同層次的小波系數(shù)為依據(jù)，實(shí)現(xiàn)了圖像在細(xì)節(jié)上的小波分解，從而使圖像分割更加細(xì)致[24]；江曉亮采用模糊聚類圖像分割技術(shù)，在模糊因子設(shè)計(jì)上引入了局部變異系數(shù)，建立了一種魯棒的圖像分割模型，解決圖像孤立點(diǎn)、噪聲點(diǎn)影響聚類算法分割精度的問題[25]；張明月利用稀疏卷積、分解卷積和高層與底層特征融合等特殊層，提出了Fast-SegNet 神經(jīng)網(wǎng)絡(luò)新架構(gòu)[26]。

2.3 聲音信息的特征提取

在聲音特征提取技術(shù)上，目前常用方法可以分兩大類，基于語音信號(hào)和基于非平穩(wěn)信號(hào)的聲音特征提取方法。梅爾頻譜倒譜系數(shù)（MFCC）是最典型的基于語音信號(hào)的聲音特征提取方法，1980年，Davis 和Mermelstein基于語音發(fā)聲的機(jī)理和人類聽覺特性提出了MFCC，在語音情感特征識(shí)別中得到廣泛應(yīng)用[27]、[28]。李虹融入了短時(shí)能量特征描述來提取音頻MFCC特征，并用MFCC的一階、二階差分來描述語音的動(dòng)態(tài)性，更好地實(shí)現(xiàn)了不同情感狀態(tài)的語音信息特征提取[29]。對(duì)于非平穩(wěn)信號(hào)的聲音特征提取，常用的方法有經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)、局部均值分解(LMD)和極點(diǎn)對(duì)稱模態(tài)分解(ESMD)等。Huang 基于經(jīng)驗(yàn)?zāi)B(tài)分解法(EMD)，提出了一種非平穩(wěn)信號(hào)的自適應(yīng)性時(shí)頻分析方法，通過EMD精細(xì)地描述了語音信號(hào)的非平穩(wěn)特性[30]。

2.4 視頻信息的特征提取

在視頻信息的特征識(shí)別中，需要通過鏡頭分割或者分幀等技術(shù)，將視頻信息節(jié)選為若干個(gè)圖像。鏡頭分割技術(shù)在視頻信息特征識(shí)別中得到了廣泛應(yīng)用，其可以分為漸變鏡頭分割技術(shù)和突變鏡頭分割技術(shù)。漸變鏡頭分割技術(shù)主要適用于同一場(chǎng)景下拍攝的視頻分割，常用的方法有雙閾值檢測(cè)、光流檢測(cè)方法和輪廓檢測(cè)等。鄧麗基于累積幀的自適應(yīng)雙閾值檢測(cè)算法，把相鄰若干幀的差異進(jìn)行累積，進(jìn)而放大視頻圖像的漸變特征，對(duì)漸變鏡頭分割具有較好的檢測(cè)效果[31]。KAR T通過前后兩幀圖像的運(yùn)動(dòng)估計(jì)，來判斷視頻中運(yùn)動(dòng)對(duì)象區(qū)域的亮度變化，分析得到漸變鏡頭的分界點(diǎn)，對(duì)提取視頻中的運(yùn)動(dòng)目標(biāo)十分有效[32]。孫中華利用相鄰幀之間的顏色灰度和目標(biāo)輪廓的變化特征，提出了一種將顏色和輪廓變化相結(jié)合進(jìn)行鏡頭分割的方法[33]。突變鏡頭分割技術(shù)主要適用于不同場(chǎng)景下拍攝的視頻分割，常用的方法有像素分割法和直方圖分割等。陳康睿通過建立超像素聯(lián)接權(quán)模型，實(shí)現(xiàn)了視頻的超像素分割，在降低圖像分割的數(shù)據(jù)維度的同時(shí)，還有效提升搜索速率[34]；王新衛(wèi)將切片圖像處理與矩陣奇異值分解(SVD)的運(yùn)動(dòng)特征提取算法相結(jié)合，得出視頻切片方向圖的角度直方圖，再根據(jù)不同運(yùn)動(dòng)類型的直方圖模型對(duì)視頻進(jìn)行分割[35]。

3 深度語義識(shí)別算法比較

3.1 支持向量機(jī)

支持向量機(jī)（SVM）可以分為線性支持向量機(jī)與非線性支持向量機(jī)兩種：線性支持向量機(jī)一般能解決比較簡(jiǎn)單的線性分類問題，都云琪采用線性支持向量機(jī)（LSVM）的識(shí)別算法，設(shè)計(jì)出能夠?qū)崿F(xiàn)中文文本自動(dòng)分類的分類器，并應(yīng)用拒識(shí)樣本信息對(duì)分類器輸出進(jìn)行了改進(jìn)，彌補(bǔ)了特征抽取不合理造成的不良影響，有效地提高了分類器的性能[36]。而在現(xiàn)實(shí)分類中面臨的往往是非線性問題，為了解決非線性問題，在支持向量機(jī)算法中引入了核函數(shù)(Kernel Function)的概念，能夠?qū)⒌途S線性不可分問題轉(zhuǎn)化為高維線性可分進(jìn)行解決。武旭采用“平均值”閾值匹配方法，將文本特征向量和標(biāo)準(zhǔn)分類特征向量進(jìn)行歸一化，經(jīng)過加權(quán)后計(jì)算特征向量的夾角，最后根據(jù)預(yù)先給定的閾值對(duì)文檔結(jié)構(gòu)進(jìn)行識(shí)別，取得了較好的識(shí)別效果[37]。李妍采用支持向量機(jī)算法構(gòu)造了中文文本分類模型，并驗(yàn)證了支持向量機(jī)的多分類器可有效對(duì)中文文本進(jìn)行識(shí)別[38]。支持向量機(jī)在解決小樣本分類和高維模式識(shí)別中具有許多獨(dú)特的優(yōu)勢(shì)，但其只適用于二分類問題，所以往往與其他算法融合使用。

3.2 貝葉斯算法

貝葉斯算法是一種基于概率統(tǒng)計(jì)來預(yù)測(cè)事件發(fā)生可能性的推理方法。在網(wǎng)絡(luò)輿情信息識(shí)別中，比較常用是樸素貝葉斯分類算法，常用的分類模型有：基于快速聚類算法的樸素貝葉斯分類模型、基于Ｋ值的樸素貝葉斯分類模型和基于監(jiān)督學(xué)習(xí)算法的樸素貝葉斯分類模型。王軍強(qiáng)采用基于Ｋ值的樸素貝葉斯分類模型，對(duì)社交網(wǎng)絡(luò)消息文本的分類進(jìn)行了研究[39]。段宇鋒在貝葉斯分類算法中引入了 Bootstrapping弱監(jiān)督學(xué)習(xí)方法，在提高標(biāo)注效率的同時(shí)，降低了系統(tǒng)學(xué)習(xí)對(duì)訓(xùn)練數(shù)據(jù)規(guī)模的要求[40]。貝葉斯分類算法屬于一類概率模型，其用圖像的方式表達(dá)數(shù)據(jù)之間的相互關(guān)聯(lián)性，進(jìn)而實(shí)現(xiàn)對(duì)事件的概率描述，來解決分類和回歸問題，當(dāng)樣本數(shù)據(jù)集的量很豐富時(shí)，貝葉斯分類具有較好的分類效果，但也存在依靠獨(dú)立假設(shè)條件必須成立的缺陷，這也影響了貝葉斯算法的分類效果。

3.3 聚類算法

聚類算法是無監(jiān)督算法的一種，主要是找到數(shù)據(jù)在多維空間的位置，計(jì)算各點(diǎn)到聚類中心的距離，將各個(gè)點(diǎn)以距離聚類中心最小的方式劃分到各個(gè)聚類中心，從而達(dá)到分類的目的。常見的聚類方法有LDA 聚類算法、 k-means 算法、 SOM 聚類算法和FCM 聚類算法等。目前，常使用LDA算法來進(jìn)行主題挖掘研究，Yan Xiaohui對(duì)LDA算法進(jìn)行改進(jìn)，建模時(shí)以詞對(duì)為基礎(chǔ)，并與一元混合模型相結(jié)合，有效克服了短文本的稀疏性問題，在短文本的相似度計(jì)算和分類中具有較好的表現(xiàn)[41]。陳曉美提出了一種網(wǎng)絡(luò)輿情觀點(diǎn)提取的 LDA 主題模型方法[42]。K-means算法具有參數(shù)簡(jiǎn)單、運(yùn)算快捷的優(yōu)點(diǎn)，邱云飛提出了一種結(jié)合語義改進(jìn)的 K-means短文本聚類算法，有效克服了 K-means聚類算法對(duì)初始聚類中心敏感的缺點(diǎn)，解決了簇的理解性問題[43]；張睿通過引入共享最近鄰相似度中“鄰居”的概念，對(duì)Bisecting K-means算法進(jìn)行了優(yōu)化改進(jìn), 提高了文本聚類算法的質(zhì)量[44]。孫玲芳利用 F1值對(duì)K-means 算法進(jìn)行改進(jìn)，實(shí)現(xiàn)了網(wǎng)絡(luò)輿情熱點(diǎn)事件的有效挖掘[45]。SOM聚類算法特別適合于對(duì)網(wǎng)絡(luò)輿情大規(guī)模文檔進(jìn)行聚類，蔡麗宏提出了基于領(lǐng)域本體的文本向量表示模型，采用部分失真方法改進(jìn)了SOM 聚類算法[46]；陳國(guó)玉通過對(duì)SOM聚類算法預(yù)處理的改進(jìn)，實(shí)現(xiàn) SOM和K-means兩階段的聚類分析，建立了針對(duì)論壇水軍貼聚類分析模型[47]。

神經(jīng)網(wǎng)絡(luò)適用于大量信息的并行運(yùn)算處理，在解決非線性的問題上應(yīng)用比較廣泛。在網(wǎng)絡(luò)輿情信息語義識(shí)別中，BP神經(jīng)網(wǎng)絡(luò)模型得到了廣泛應(yīng)用。

張鵬基于BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建了一種網(wǎng)絡(luò)謠言危機(jī)預(yù)警系統(tǒng)，實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)突發(fā)事件的謠言風(fēng)險(xiǎn)評(píng)定[48]；孫玲芳利用遺傳算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)模型初始權(quán)值和閾值進(jìn)行了優(yōu)化，構(gòu)建了遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)融合的網(wǎng)絡(luò)輿情安全監(jiān)測(cè)模型[49]；游丹丹利用粒子群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，構(gòu)建了網(wǎng)絡(luò)輿情預(yù)測(cè)模型[50]；黃亞駒在游丹丹粒子群算法優(yōu)化的基礎(chǔ)之上，在群初始化階段引入了信息熵理論，并利用了遺傳算法的搜索能力，基于這種混合算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了網(wǎng)絡(luò)輿情預(yù)測(cè)模型，該模型具有更好的穩(wěn)定性[51]。卷積神經(jīng)網(wǎng)絡(luò) (CNN) 對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的補(bǔ)充，CNN經(jīng)過訓(xùn)練能夠?qū)D像的特征進(jìn)行學(xué)習(xí)，并完成對(duì)圖像特征的提取分類，廣泛應(yīng)用于對(duì)二維圖像的識(shí)別。張海濤將文本信息的情感分析方法與卷積神經(jīng)網(wǎng)絡(luò)理論相結(jié)合，構(gòu)建了微博輿情情感分類模型，該模型消除了對(duì)情感詞典的依賴，解決了微博文本特征提取困難的問題，提高了情感分類的效率和準(zhǔn)確性[52]。

3.4 語義識(shí)別算法比較

黃微教授在文獻(xiàn)[53]中對(duì)網(wǎng)絡(luò)輿情信息語義識(shí)別技術(shù)進(jìn)行了分析，設(shè)立了七個(gè)指標(biāo)對(duì)深度識(shí)別算法進(jìn)行比較，七個(gè)指標(biāo)為：高速反應(yīng)能力、真實(shí)性判斷能力、情感判斷能力、態(tài)度判斷能力、話題分類能力、敏感信息檢索能力和其他指標(biāo)等。如表1所示，支持向量機(jī)算法在小樣本、二分類問題上計(jì)算速度快，在謠言判別和網(wǎng)民態(tài)度判別上具有明顯優(yōu)勢(shì)，但在多分類問題上，由于需要串聯(lián)多個(gè)支持向量機(jī)模型，大大增加了算法的復(fù)雜度，因此不適用于大樣本、多分類問題。貝葉斯算法適用于需要概率化描述信息語義的問題，能夠應(yīng)用于含有缺失數(shù)據(jù)的數(shù)據(jù)集，可以對(duì)人的語言、表情和肢體動(dòng)作進(jìn)行概率化的情感判別。

表1 網(wǎng)絡(luò)輿情深度語義識(shí)別算法比較

聚類是一種無監(jiān)督學(xué)習(xí)算法，能夠通過對(duì)網(wǎng)絡(luò)輿情信息提取的特征進(jìn)行聚類，來進(jìn)一步挖掘文本特征詞之間存在的內(nèi)在聯(lián)系，挖掘圖像、聲音分割的相似度，其他算法為進(jìn)行深度情感識(shí)別提供有效的支持。神經(jīng)網(wǎng)絡(luò)在評(píng)價(jià)指標(biāo)內(nèi)的表現(xiàn)最為全面，在謠言判別、情感判別、態(tài)度判別、話題分類、敏感信息檢索等方面都有較為優(yōu)秀的表現(xiàn)，但也存在時(shí)間復(fù)雜度高、訓(xùn)練效率低的劣勢(shì)?？偟膩碚f，幾種算法各有優(yōu)、劣勢(shì)，在實(shí)際應(yīng)用中往往多個(gè)算法融合建立語義識(shí)別模型，聚類算法很少單獨(dú)使用，一般作為補(bǔ)充算法為其他算法提供支持，支持向量機(jī)與貝葉斯算法一般用于謠言和敏感信息識(shí)別，神經(jīng)網(wǎng)絡(luò)則較多地應(yīng)用于多媒體網(wǎng)絡(luò)輿情語義的深度識(shí)別中。

4 輿情監(jiān)測(cè)系統(tǒng)語義識(shí)別流程分析

網(wǎng)絡(luò)輿情監(jiān)測(cè)系統(tǒng)按照輿情信息的處理順序，主要由信息采集、數(shù)據(jù)預(yù)處理、深度識(shí)別和輿情服務(wù)等四個(gè)模塊組成，其中數(shù)據(jù)預(yù)處理和深度識(shí)別是網(wǎng)絡(luò)輿情信息語義識(shí)別的重要階段。如圖１所示，輿情檢測(cè)系統(tǒng)要從混雜的網(wǎng)絡(luò)中獲得輿情信息，首先要通過網(wǎng)絡(luò)爬蟲技術(shù)進(jìn)行文本、圖片、聲音和視頻的輿情信息數(shù)據(jù)采集，然后再用輿情信息的特征提取技術(shù)，對(duì)采集的數(shù)據(jù)信息進(jìn)行特征提取，最后再通過深度識(shí)別技術(shù)對(duì)輿情信息進(jìn)行分析，判斷輿情信息的真實(shí)性、主題類別、用戶情感、網(wǎng)民態(tài)度和所包含的敏感信息等，為網(wǎng)絡(luò)管理有關(guān)部門提供重要的數(shù)據(jù)支撐。

圖1 輿情檢測(cè)系統(tǒng)語義識(shí)別流程圖

5 結(jié)語

隨著大數(shù)據(jù)時(shí)代的到來，我國(guó)網(wǎng)民數(shù)量和網(wǎng)絡(luò)輿情數(shù)據(jù)體量都已發(fā)展到了十分龐大的地步，復(fù)雜的網(wǎng)絡(luò)輿情環(huán)境摻雜著過激言論、虛假信息和有害謠言等，這對(duì)輿情監(jiān)測(cè)的語義識(shí)別能力提出了更高要求。目前，針對(duì)不同類型網(wǎng)絡(luò)輿情信息的單獨(dú)識(shí)別已有比較優(yōu)秀的識(shí)別算法，但這些算法面對(duì)多元、復(fù)雜的網(wǎng)絡(luò)輿情信息就存在著一定的局限性，缺乏對(duì)多類型融合輿情信息的整體識(shí)別能力。如何對(duì)大數(shù)據(jù)化的網(wǎng)絡(luò)輿情信息，有效進(jìn)行分類采集、特征提取和深度識(shí)別成了網(wǎng)絡(luò)輿情監(jiān)測(cè)的焦點(diǎn)問題，網(wǎng)絡(luò)輿情監(jiān)測(cè)語義識(shí)別方法也由單一型向多元型轉(zhuǎn)化，在識(shí)別算法研究中主要以深度語義識(shí)別算法為主，輔助以其他學(xué)習(xí)分類算法，綜合運(yùn)用統(tǒng)計(jì)學(xué)、仿真學(xué)、情報(bào)學(xué)和社會(huì)學(xué)等學(xué)科方法，不斷吸收新的識(shí)別分析技術(shù)，提高網(wǎng)絡(luò)輿情監(jiān)測(cè)語義識(shí)別的準(zhǔn)確性和時(shí)效性。

[1]王楊，尤科本，王夢(mèng)瑤等．基于博弈論的網(wǎng)絡(luò)社區(qū)輿情傳播模型研究[J]．計(jì)算機(jī)應(yīng)用，2013,30(8)：2480-2482．

[2]劉毅．略論網(wǎng)絡(luò)輿情的概念、特點(diǎn)、表達(dá)與傳播[J]．理論界，2007(1)：11-12．

[3]張一文，齊佳音等．非常規(guī)突發(fā)事件網(wǎng)絡(luò)輿情熱度評(píng)價(jià)指標(biāo)體系構(gòu)建[J]．情報(bào)雜志，2010(11)：71-75．

[4]張玉強(qiáng)．網(wǎng)絡(luò)典情危機(jī)的政府適度反應(yīng)研究[D]．北京：中央民族大學(xué)，2011：31-35．

[5]James Allan，Ao Feng，Alvaro Bolivar．Flexible Intrinsic Evaluation of Hierarchical Clustering for TDT[J]．Proceedings of the Twelfth International Conference on Information and Knowledge Management，2003: 263-270．

[6]Allan J，Paka R，Lavrenko V．On-Line New Event Detection and Tracking[A]．Proceedings of SIGIR’98: 21stAnnual International ACMSIGIR Conference on Researchand Development in Information Retrieval[C]．NewYork: ACM Press，1998: 37-45．

[7]A. Weichselbraun，S. Gindl，A. Scharl. Enriching semantic knowledge bases for opinion mining in big data applications[J]. Knowledge-Based Systems，2014，69(1):78-85.

[8]Vlachostergiou A,Caridakis G,Kollias S. Investiga- ting context awareness of affectivecomputing systems: A critical approach[J]. Procedia Computer Science, 2014,39(11): 91-98.

[9]Kushal Dave,Steve Lawrence,David M.Pennock.Mining the peanutgallery:Opinion extraction and semantic classification of product reviews.Proceedings of WWW 2003 .

[10]Amanda Lee Hughes,Leysia Palen.Twitter adoption and use in mass convergence and emergency events. Int. J. of Emergency Management . 2009.

[11]姜洪勝．我國(guó)網(wǎng)絡(luò)輿情的現(xiàn)狀及其引導(dǎo)[J]．廣西社會(huì)科學(xué)，2009(1)：1-4．

[12]董靖?。趶?fù)雜網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情動(dòng)態(tài)演進(jìn)影響機(jī)制研究[D]．哈爾濱：哈爾濱工業(yè)大學(xué)，2012．

[13]石琰鑫．社交媒體平臺(tái)上的謠言傳播現(xiàn)象——以微博謠言傳播為例[J]．新媒體研究，2018(4)：17-19．

[14]黃微，李瑞，孟佳林．大數(shù)據(jù)環(huán)境下多媒體網(wǎng)絡(luò)輿情傳播要素及運(yùn)行機(jī)理研究[J]．圖書情報(bào)工作，2015,59(21)：38-45．

[15]劉英杰．網(wǎng)絡(luò)輿情的信息情感維度空間構(gòu)建和信息情感元識(shí)別研究[D]．哈爾濱：哈爾濱工業(yè)大學(xué)，2012．

[16]何洋．突發(fā)事件的網(wǎng)絡(luò)輿情引導(dǎo)研究—以“天津港大爆炸事件”為例[J]．科技創(chuàng)業(yè)，2017(12)：115-115．

[17]陳海漢，陳婷．突發(fā)事件網(wǎng)絡(luò)輿情傳播時(shí)段特征和政府預(yù)警模式研究[J]．圖書館學(xué)研究，2015(1)：24-30．

[18]王喜紅．突發(fā)事件網(wǎng)絡(luò)輿情政府治理路徑探討[J] 中共濟(jì)南市委黨校學(xué)報(bào)，2017(2)：41-4．

[19]Chen X，Qiu X， Zhu C，et al．Long Short-TermMemory Neural Networks for Chinese Word Segmentation[C]．Conference on Empirical Methods in Natural Language Processing．2015：1197-1206．

[20]Yao Y，Huang Z．Bi-directional LSTM Recurrent N-eural Network for Chinese WordSegmentation[M]．Neural Information Processing.Springer International Publishing，2016．

[21]MIKOLOV T，CHEN K，CORRADO G，et al．Eff-icient estimation of word representations in vector space[J]． Computer Science，2013．

[22]吳建．基于區(qū)域生長(zhǎng)算法的彩色遙感圖像分割[J]．廣西大學(xué)學(xué)報(bào)自然科學(xué)版，2011,36(6)：981-986．

[23]趙婕，張春美，張小勇等．基于區(qū)域邊界最優(yōu)映射的圖像分割算法[J]．計(jì)算機(jī)應(yīng)用研究，2016,33(1)：307-310．

[24]張榮祥，鄭世杰，夏慶觀．基于Hilbert 掃描和小波變換的自適應(yīng)圖像分割[J]．中國(guó)圖像圖形學(xué)報(bào)，2008,13(4)：666-671．

[25]江曉亮．基于模糊聚類及活動(dòng)輪廓模型的圖像分割技術(shù)研究[D]．成都：西南交通大學(xué)，2016．

[26]張明月．基于深度學(xué)習(xí)的圖像分割研究[D]．長(zhǎng)春：吉林大學(xué)，2017．

[27]Davis S B，Mermelstein P．Evaluation of acoustic p-arameters for monosyllabic word recognition incontinuously s-poken sentences．IEEE Trans．ASSP，1980(28)：357-366.

[28]Tiwari V．MFCC and its applications in speaker rec-ognition[J]．International Journal on Emerging -Technologies Issn，2010．

[29]李虹，徐小力，吳國(guó)新等．基于 MFCC 的語音情感特征提取研究[J]．電子測(cè)量與儀器學(xué)報(bào)，2017,31(3)：448-453．

[30]Huang N E，Shen Z．The empirical mode decomposition and the Hibert spectrum for nonlinear and nonstation -ary time series and analysis[J]．Proceedings of the Royal Society of London Series，1998，454：903-995．

[31]鄧麗，金立左，楊文強(qiáng)等．基于累積幀的自適應(yīng)雙閾值鏡頭邊界監(jiān)測(cè)算法[J]．計(jì)算機(jī)科學(xué)，2012,39(6)：258-261．

[32]KAR T，KANUNGO P．A motion and illumination resilient framework forautomatic shot boundary detection[J]． Signal Image & Video Processing，2017(1)：1-8．

[33]孫中華．基于顏色與目標(biāo)輪廓特征的視頻分割方法[D]．長(zhǎng)春：吉林大學(xué)，2004．

[34]陳康睿．視頻分割算法研究[D]．大連：大連理工大學(xué)，2015．

[35]王新衛(wèi)，周利莉，蘇大偉，史紅剛．一種基于奇異值分解的視頻運(yùn)動(dòng)分割算法[J]．計(jì)算機(jī)工程與設(shè)計(jì)，2006， 27(23)：4453-4456．

[36]都云琪，肖詩斌．基于支持向量機(jī)的中文文本自動(dòng)分類研究[J]．計(jì)算機(jī)工程，2002,28(11)：137-139．

[37]武旭，須德．基于向量空間模型的文本自動(dòng)分類系統(tǒng)的研究與實(shí)現(xiàn)[J]．北方交通大學(xué)學(xué)報(bào)，2003(4)：38-41．

[38]李妍，劉茂福，姬東鴻．基于支持向量機(jī)的中文文本蘊(yùn)涵識(shí)別研究[J]．計(jì)算機(jī)應(yīng)用與軟件，2014,31(4)：51-55．

[39]王軍強(qiáng)，劉建平．基于樸素貝葉斯的社交網(wǎng)絡(luò)消息文本分類算法的研究[J]．工業(yè)控制計(jì)算機(jī)， 2015,28(9)：36-37．

[40]段宇鋒，朱雯晶等．樸素貝葉斯算法與 Bootstrapping 方法相結(jié)合的中文物種描述文本語義標(biāo)注研究[J]．現(xiàn)代圖書情報(bào)技術(shù)，2014(5)：83-88．

[41]Yan Xiaohui，Guo Jiafeng，Lan Yanyan，et a．A biterm topic modelfor short texts[C]//Proceedings of the 22nd International Conference on World Wide Web．Riode Janeiro： International World WideWeb Conferences Steering Committee，2013：1445-1456．

[42]陳曉美，高鋮，關(guān)心惠．網(wǎng)絡(luò)輿情觀點(diǎn)提取的 LDA 主題模型方法[J]．計(jì)算機(jī)工程，2015,59(21)：21-26．

[43］邱云飛，趙彬，林明明．結(jié)合語義改進(jìn)的 K-means短文本聚類算法[J]．計(jì)算機(jī)工程與應(yīng)用，2016,52(19)：78-83.

[44]張睿．基于K-means的中文文本聚類算法的研究與實(shí)現(xiàn)[D]．西安：西北大學(xué)，2009．

[45]孫玲芳，周加波，徐會(huì)等．基于改進(jìn) K-means 的網(wǎng)絡(luò)輿情熱點(diǎn)事件發(fā)現(xiàn)技術(shù)[J]．計(jì)算機(jī)與現(xiàn)代化，2014(4)：143-147．

[46]蔡麗宏．SOM 聚類算法的改進(jìn)及其在文本挖掘中的應(yīng)用研究[D]．南京：南京航空航天大學(xué)，2011．

[47]陳國(guó)玉．基于SOM—K-means的天涯BBS水軍帖的聚類分析[D]．武漢：華中科技大學(xué)，2013．

[48]張鵬，李昊青，蘭月新等．基于BP神經(jīng)網(wǎng)絡(luò)的突發(fā)事件網(wǎng)絡(luò)謠言危機(jī)預(yù)警[J]．電子政務(wù) E-GOVERNMENT，2016, (11)：40-47．

[49]孫玲芳，周加波，林偉健等．基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的網(wǎng)絡(luò)輿情危機(jī)預(yù)警研究[J]．情報(bào)雜志，2014,33(11)：18-24．

[50]游丹丹，陳福集．基于改進(jìn)粒子群和BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)研究[J]．情報(bào)科學(xué)，2018,36(2)：24-29．

[51]黃亞駒，陳福集，游丹丹．基于混合算法和BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)研究[J]．情報(bào)雜志，2016,35(8)：157-162．

[52]張海濤，王丹，徐海玲等．基于卷積神經(jīng)網(wǎng)絡(luò)的微博輿情情感分類研究[J]．情報(bào)學(xué)報(bào)，2018,37(7)：695-702．

[53]黃微，劉熠，孫悅．多媒體網(wǎng)絡(luò)輿情語義識(shí)別的關(guān)鍵技術(shù)分析[J]．情報(bào)理論與實(shí)踐，2018年錄用期刊．首發(fā)地址：http://kns.cnki.net/kcms/detail/11.1762.G3.20180816.1627.003.ht-ml.

海南省哲學(xué)社會(huì)科學(xué)規(guī)劃課題（一般課題）學(xué)科共建項(xiàng)目“海南旅游語言景觀研究”；三亞學(xué)院科學(xué)研究項(xiàng)目“大學(xué)生言語交際語義識(shí)別研究——以三亞學(xué)院為例”（USY18YSK048）階段性研究成果。