突發(fā)事件網(wǎng)絡謠言危機預警及模擬仿真研究

張鵬 蘭月新 李昊青 周穎

摘要：[目的/意義]提前進行網(wǎng)絡謠言監(jiān)控和預警是立體化防控網(wǎng)絡謠言、增強社會穩(wěn)定、提高政府執(zhí)政能力的關鍵。移動互聯(lián)網(wǎng)時代，突發(fā)事件發(fā)生后極易在網(wǎng)絡上引起熱點輿情、網(wǎng)絡危機信息的傳播同時為網(wǎng)絡謠言的擴散提供良好的土壤，無形中增大了政府部門應對謠言的挑戰(zhàn)。[方法/過程]本文采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡構建網(wǎng)絡謠言危機預警模型，擬實現(xiàn)對突發(fā)事件網(wǎng)絡謠言的監(jiān)控、預警仿真及風險的量化評估。實證分析案例選取天津“8-12”爆炸事故與“和頤酒店女生遇襲事件”，通過計算機對這兩起突發(fā)事件衍生的網(wǎng)絡謠言建立預警模型，并對模擬仿真結果進行驗證。[結果/結論]結果表明，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型在突發(fā)事件網(wǎng)絡謠言危機預警方面具有較好的適用性，與僅采用BP神經(jīng)網(wǎng)絡模型相比預警的準確性更好。

關鍵詞：突發(fā)事件;網(wǎng)絡謠言：BP神經(jīng)網(wǎng)絡;遺傳算法;危機預警;預警指標

DOl： 10 .3969/j .issn .1008 -0821 .2019 .12 .012

[中圖分類號] G206.2 [文獻標識碼]A [文章編號]1008-0821 （2019） 12-0101-08

中國互聯(lián)網(wǎng)絡信息中心（ CNNIC）第44次統(tǒng)計公報數(shù)據(jù)表明，截至2019年6月，中國現(xiàn)有網(wǎng)民總數(shù)約為8.54億，其中移動互聯(lián)網(wǎng)上網(wǎng)人數(shù)達到8.47億，以手機為平臺的網(wǎng)民成為上網(wǎng)主力[1]。在眾多互聯(lián)網(wǎng)應用中，其中參與微博的用戶數(shù)超過3億，微博上發(fā)聲的網(wǎng)民具有相當?shù)木W(wǎng)民代表性。便攜式移動上網(wǎng)設備的普及從根本上改變了公眾參與時事的廣度和深度，也對大眾輿論產(chǎn)生了深遠的影響。

重大突發(fā)事件產(chǎn)生后，網(wǎng)絡環(huán)境中會很快形成熱點輿情，在多種因素的共同作用下，原始輿情會通過信息異化過程，極易演變?yōu)槎鄠€版本的網(wǎng)絡謠言。同時網(wǎng)絡輿情在信息傳播過程中往往伴隨網(wǎng)絡謠言的不斷生成和擴散過程，呈現(xiàn)出網(wǎng)絡輿情信息異化的一些典型特征[2]。但由于突發(fā)事件引發(fā)的網(wǎng)絡謠言的匿名性、惡意性等會導致的各類信息快速傳播，造成廣泛的負面影響，從而引發(fā)網(wǎng)絡謠言危機。如政府相關部門的監(jiān)測和干預不及時從而導致謠言泛濫并伴隨衍生謠言出現(xiàn)，極易引發(fā)網(wǎng)絡群體性事件發(fā)生，甚至于出現(xiàn)網(wǎng)上危機向網(wǎng)下轉移的潛在風險。這些由網(wǎng)絡傳播造成的危機，不僅對社會穩(wěn)定提出挑戰(zhàn)，也同時對個體、經(jīng)濟、社會等實體環(huán)境產(chǎn)生惡劣影響，從而進一步增大政府后期的治理與修復公信力的成本[3]。因此在這種復雜的網(wǎng)絡謠言危機狀態(tài)下，對網(wǎng)絡謠言識別、監(jiān)測、預警相比通常意義上的網(wǎng)絡輿情難度更大。而對網(wǎng)絡謠言預警的需求與目前國內大多學者在定性分析網(wǎng)絡謠言擴散機理和治理對策上所提供的學術支持相比，在監(jiān)測、預警等定量方面的研究方面需進一步加強，而從定量角度研究網(wǎng)絡謠言危機預警是適時啟動應急預案，同時也是分步分級應對的基礎。

本文在前人研究基礎上，剖析網(wǎng)絡謠言的自身特征，建立相應的預警指標體系，構建了基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡的仿真模型，并以天津“8·12”爆炸事故與“和頤酒店女生遇襲事件”為例進行實證分析，結果表明構建的模型對突發(fā)事件網(wǎng)絡謠言危機的定量預警能夠取得較好效果。

1 網(wǎng)絡謠言預警指標體系構建

“從某種意義上說網(wǎng)絡謠言是網(wǎng)絡輿情在傳播過程中信息異化而產(chǎn)生的，同時起到對原始輿情的發(fā)展進行促進和誘導作用[2]”，而突發(fā)事件網(wǎng)絡謠言預警體系的建設，需要在對其組成要素的本質特征的理解而后進行。但針對網(wǎng)絡謠言的有效預警的探討仍然是新聞學和傳播學等多學科中需要解決的難題，目前在這些學科中的定性探討方面有了一定研究，但在與計算機、大數(shù)據(jù)、人工智能領域相結合的定量的研究仍需加強。在此之前，借鑒研究相對成熟的網(wǎng)絡輿情構建指標體系，結合計算傳播學中有關指標定量化的計算方式，以期建立網(wǎng)絡謠言預警模型。在指標體系的構建和選取過程中，本文參考了國內外多位學者的相關理論，從多個角度對此問題進行理解。如在構建網(wǎng)絡輿情預警指標體系時，有的學者強調了模糊數(shù)學和層次分析法的應用，并最終將指標體系定為包含民眾關注和態(tài)度傾向等在內的四維度[4]：也有學者從突發(fā)事件發(fā)生后相關網(wǎng)絡輿情的傳播規(guī)律人手，建立包含警源在內的3類要素的指標體系[5];另有學者從信息特征、事態(tài)擴散和網(wǎng)民反應3個方面出發(fā)，構建網(wǎng)絡輿情風險評估體系[6];還有學者將輿情擴散度、聚焦度等4個方面作為重大輿情事件監(jiān)測的一級指標[7]。綜合前人研究成果，本文在相應預警指標體系構建時以科學性和可行性為重點，盡可能保證對研究對象傳播規(guī)律全面覆蓋的基礎上，同時考慮定量數(shù)據(jù)采集的可行性。

1.1 指標構建

由于目前針對網(wǎng)絡謠言的定量化研究尚不深入，因此相應的預警指標體系研究是預警工作的前提[8]。但對于突發(fā)事件網(wǎng)絡謠言危機預警工作該體系中的末級指標多為定性指標，難以進行定量分析應用，無法充分體現(xiàn)網(wǎng)絡謠言所具有的動態(tài)性。

有學者G.W奧爾波特將謠言所涉及事件的模糊性作為衡量謠言影響力的重要指標，公式為：謠言=事件的重要性×事件的模糊性[9]。而學者克羅斯則認為公眾的辨識能力強弱（批判力）是謠言的產(chǎn)生和傳播能力的重要影響因子，因此他修正公式為：“謠言=事件的重要性×事件的模糊性/批判力”[10]。在此基礎上，有學者認為促使謠言生成的關鍵因素還包括事件信息的敏感性，并改進公式為：“謠言=（重要性+敏感性）×模糊性/批判力”[2]。

基于此，本文在前人對網(wǎng)絡輿情預警指標體系研究的基礎上，結合網(wǎng)絡謠言的相關特征，構建包括事件輿情熱度在內的一級指標和網(wǎng)絡搜索量在內的二級指標，如圖1所示：

該指標體系包含了事件輿情熱度、網(wǎng)絡謠言狀態(tài)和網(wǎng)絡謠言趨勢3個一級指標，每個一級指標下選取3個相關度較高的二級指標。

1.2 指標的含義及分析

網(wǎng)絡謠言預警指標體系中各指標的選取既要能客觀地反映出網(wǎng)絡謠言的屬性和特征，又能夠盡量從客觀上使得這些指標體系能夠量化。為更好地說明本文所構建的該預警體系，具體各級指標將詳述如下：

1.2.1 事件輿情熱度

事件輿情熱度通常是指網(wǎng)民對某突發(fā)事件在一定時間里的關注程度。一般認為某事件輿情熱度越高，則越容易滋生各類網(wǎng)絡謠言。當權威媒體在突發(fā)事件發(fā)生后難以提供時效性強的災難新聞時，網(wǎng)絡謠言因其快速、低成本和海量信息，對于公眾而言更易成為官方媒體缺失時的替代性新聞，混淆事實與觀點[11]。因此當一件關系到經(jīng)濟民生、公共安全等的突發(fā)事件發(fā)生時，如果主流媒體權威信息發(fā)布不及時，那么就會產(chǎn)生謠言來填補這段“信息空窗期”，即所謂“災難之后盡謠言[12]”。因此，本文選取網(wǎng)絡搜索量、轉發(fā)量和評論量3個二級指標來表現(xiàn)突發(fā)事件輿情的熱度構成。

大量研究實踐表明，網(wǎng)絡謠言在空間傳播的渠道主要包括博客（微博）、論壇和微信3類。在本文選取的天津“8·12”爆炸事故案例中，微博作為擁有62. 96%網(wǎng)絡謠言的首發(fā)渠道，多次介入該公共事件的輿論引導過程。這意味著微博具有分化傳播權利和多元表達空間等優(yōu)勢，搭建了官民傳播訴求實現(xiàn)的最佳平臺[13]。鑒于此，本文選取微博作為主要的數(shù)據(jù)來源。

1）網(wǎng)絡搜索量

當某一敏感突發(fā)事件發(fā)生時，人們迫切希望知道真相和內情，但由于傳統(tǒng)媒體報道具有一定的滯后性，因此人們會有一個自發(fā)在網(wǎng)絡上尋求信息補足的過程，因此可以用某個關鍵詞的網(wǎng)絡搜索量來反映人們對某一事件的關注和興趣。網(wǎng)絡搜索量可用百度指數(shù)來量化，此指數(shù)表示網(wǎng)民使用百度搜索引擎工具對某一關注問題的搜索量作為數(shù)據(jù)基礎，通過百度內聯(lián)算法分析出被搜索的信息在全部使用百度搜索工具的總搜索頻次的加權和。

2）評論量

評論量的計算可采用其他微博用戶評論某微博時的次數(shù)的總和。研究認為若某網(wǎng)民用戶對某條原創(chuàng)微博進行了相關評論，則表示他對此微博內容的關注，據(jù)此推斷，如果某條微博被其他用戶評論的次數(shù)多，則代表該微博內容具有較高的網(wǎng)絡熱度，對網(wǎng)民的吸引力較高。

3）轉發(fā)量

轉發(fā)量的計算可采用單個原創(chuàng)微博被其他用戶轉發(fā)的數(shù)量總和?？梢哉J為被轉發(fā)的微博代表了他人對此微博觀點的認同。微博空間用戶可分為四種：發(fā)文者、轉發(fā)者、評論者和瀏覽者（本文中將點贊用戶包含在瀏覽者中一起考慮，但同時該點贊用戶也可能參與了轉發(fā)和評論，為了避免重復計數(shù)，在本文中不進行單獨統(tǒng)計）。

1.2.2 網(wǎng)絡謠言狀態(tài)

1）事件模糊度

該指標反映事件的模糊程度。該公式表明在公眾批判能力一定的前提下，某件事情和人們的切身利益相關度越高，該事件固有的不確定性和模糊性越強，伴隨衍生謠言傳播的空間和可能性就越大。為方便數(shù)據(jù)采集，本文選取事件模糊度作為衡量網(wǎng)絡謠言產(chǎn)生可能性大小的指標。判別謠言的模糊性大小的依據(jù)根據(jù)專家認知后進行評分獲得，取值范圍在[0，1]之間。評判原則為某突發(fā)事件輿情傳播時，對該事件包含原因、經(jīng)過等信息很模糊，存在諸多疑點，可判斷為0;而事情的前因后果都比較清楚、沒有疑問則判斷為1。

2）輿情異化度

在這里輿情異化度是指原始輿情在信息異化的作用下，其分化，衍生出新輿情的強度。信息異化理論認為輿情信息在傳播過程中由于受到“噪聲”干擾而發(fā)生扭曲、失真，即信息本真態(tài)的背離。突發(fā)事件網(wǎng)絡輿情由于不同“噪聲”干擾，可衍生出不同版本的網(wǎng)絡謠言，原始輿情異化程度越高，政府的防治難度越大。本文中該指標采用輿情異化后出現(xiàn)的不同網(wǎng)絡謠言版本數(shù)量進行衡量。

3）網(wǎng)民情緒傾向

指突發(fā)事件之后，網(wǎng)絡謠言內容表現(xiàn)出的情緒傾向，如質疑、恐懼等。以天津“8·12”爆炸事故為例，按照“編號一主題詞一集體情緒”對網(wǎng)絡謠言文本進行提煉和解讀，并將其分為“質疑”、“恐慌”和“正能量”3類[14]。其中“質疑”類謠言主要針對政府和主流媒體，影響程度較高，賦值為1;“恐慌”類謠言來源于造謠者和傳謠者的心理特征，其影響程度次之，賦值為0;“正能量”謠言危害最低，賦值為一1。該指標由統(tǒng)計時段內各類謠言賦值代數(shù)和來表示。

1.2.3 網(wǎng)絡謠言變化趨勢

1）媒體報道頻次

該指標用與突發(fā)事件相關的微博信息發(fā)布量表示，反映了媒體對網(wǎng)絡謠言消解的程度。

2）信息公開及時度

“在網(wǎng)絡輿論生態(tài)系統(tǒng)中造謠者和辟謠者是一對存在重要共生關系的對手”[15]。敏感性突發(fā)事件發(fā)生后，公眾急于尋求事情真相，政府和媒體作為權威信息的發(fā)布者，對于滿足公民知情權和消解謠言起到了至關重要的作用。隨著微博、微信、貼吧等新媒體的興起，極大拉近了普通民眾與突發(fā)事件的距離，網(wǎng)上言論參與到突發(fā)事件的發(fā)展過程當中，甚至直接推動和主導了事件，傳統(tǒng)的網(wǎng)上輿情處置“黃金24小時”也逐漸應對乏力。在這種情況下，有學者提出了“黃金4小時”概念。但不論是24小時還是4小時，突發(fā)事件后政府和媒體發(fā)布權威消息越及時，謠言產(chǎn)生的概率越低。該指標用謠言產(chǎn)生后政府或主流媒體發(fā)布的第一條辟謠信息所用平均時間來表示。

3）謠言識別能力

網(wǎng)絡謠言的產(chǎn)生和傳播不僅僅由突發(fā)事件本身的敏感性、重要性和模糊性決定，同時也依賴于對信息解讀者，即網(wǎng)民的認知水平。一般認為，網(wǎng)民個體由于知識積累或者相關從業(yè)經(jīng)驗導致的認知水平越高，對網(wǎng)絡謠言的抗御能力相對較強[16]。然而由于個人知識廣度和深度的限制，不同的人對同一謠言的可抗能力是不同的。該指標可由專家打分法獲得，取值區(qū)間為[0，1]，代表面對某一謠言時受眾的平均可抗水平，0為沒有抗力，1為完全能識別謠言。

2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡

通過對網(wǎng)絡謠言傳播和擴散特點的研究表明，影響網(wǎng)絡謠言傳播擴散的因素很多且多個影響因素之間存在復雜的非線性關系。傳統(tǒng)的數(shù)學模型多為基于線性關系而構建的，因而無法有效模擬多因素耦合導致的網(wǎng)絡謠言爆發(fā)的相關關系。而BP神經(jīng)網(wǎng)絡的特點是它能逼近任意連續(xù)函數(shù)，且具備極強的非線性映射的能力。它的這種優(yōu)點非常適合處理內部運行機制復雜、具有全局性問題特征的實際非線性問題。BP神經(jīng)網(wǎng)絡算法目前已經(jīng)被廣泛應用于系統(tǒng)模式識別、計算機圖像處理和各類自然災害風險評估與預警當中。但從數(shù)學的角度看標準的BP神經(jīng)網(wǎng)絡存在一定局限性，該算法的優(yōu)點能對局部搜索進行優(yōu)化，能夠有較好效果，但當在求解復雜非線性函數(shù)全局極值的時候存在不足。因此當使用標準BP神經(jīng)網(wǎng)絡使用梯度下降法訓練構建的網(wǎng)絡結構時，它更可能陷入局部極值導致訓練失敗。

遺傳算法是一種基于生物界自我遺傳機理的隨機搜索算法，通過反復交叉迭代等一系列操作可以有效求解全局最優(yōu)解。這有效地彌補了標準BP神經(jīng)網(wǎng)絡算法的缺點。當我們利用該算法進行求解時，問題的每個個體（可能解）都被編碼成為一個“染色體”（具有遺傳信息），若干個個體構成了群體（所有的可能解）。本文充分結合標準BP神經(jīng)網(wǎng)絡和遺傳算法在各自領域的獨特優(yōu)勢，并利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡所需要的初始權值和閥值。在此過程中，遺傳算法的全局搜索特征用于尋找相關問題的最優(yōu)解所在的區(qū)域，再利用誤差反向傳播法找到此最優(yōu)解。步驟如下：

第一步，種群初始化。每個個體的“染色體”均可視為1個二進制字符串，該字符串分別由輸入層與隱含層連接權值、隱含層閥值、隱含層與輸出層連接權值和輸出層閥值四部分編碼組成，將上面所有列出的權值和閥值的編碼組合以形成個體二進制編碼，而初始群體即為一連串隨機生成的M個個體。

第二步，適應度函數(shù)。將網(wǎng)絡謠言預測樣本的預測值與期望值之間的偏差的平方和作為目標函數(shù)的輸出。目標函數(shù)的輸出值越小代表網(wǎng)絡預測能力越好。但在遺傳算法中是適應度值越大表示效果越好。因此，適應度函數(shù)可以用目標函數(shù)的倒數(shù)來進行定義。（期望輸入為YK，預測輸出為CK，共有m組值）因此，可以得到適應度函數(shù)為：

第三步，選擇、交叉與變異。遺傳算法中的選擇操作采用輪盤賭算法來進行、交叉采用常用的單點交叉算子，而變異采用的通過隨機概率產(chǎn)生一些變異基因數(shù)，通過采用隨機的方法選出發(fā)生變異的“染色體”基因。如果所選的基因編碼為1，則變?yōu)?;反之，則變?yōu)?。

第四步，重復第二和第三步，反復迭代直到達到進化代數(shù)或滿足該算法誤差要求。此時，就得到了通過遺傳算法優(yōu)化后所需的初始權值和閥值。

第五步，將上一步驟中獲得的權值和閥值用作標準BP神經(jīng)網(wǎng)絡模型的初始權值和閥值。

第六步，按照標準BP神經(jīng)網(wǎng)絡模型進行訓練，直到達到最大訓練次數(shù)或滿足模型需要的訓練誤差要求。保存當前用到的所有的權值和閥值。

第七步，此時優(yōu)化后的BP神經(jīng)網(wǎng)絡將用于最終預警模型。

3 基于Matlab的模擬仿真

該仿真所需軟件環(huán)境為Matlab R2015b，使用該軟件附帶的BP神經(jīng)網(wǎng)絡工具箱，可以靈活搭建所需模擬情境，從而避開復雜的計算機語言和程序算法，方便操作和實驗。

3.1 輸入數(shù)據(jù)的歸一化處理

構建網(wǎng)絡謠言危機預警模型指標體系不僅有定性和定量之分，同時也有正向和負向之別，為允許各種類型的指標在一定程度上可衡量其相對大小，有必要規(guī)范化每個指標的原始數(shù)據(jù)，將數(shù)據(jù)轉化為[0，1]上的無量綱值，指標歸一化處理方式如下文所示：

3.1.1 正向指標處理

在本文中，正向指標的值越大，代表越安全，對應危機等級也越小。其無歸一化處理時以所有數(shù)據(jù)中最小值為基準，公式如下：

3.1.3 指標性質

如上文所述，網(wǎng)絡謠言危機預警指標體系中每個末級指標都需要進行正、負性質的區(qū)分，根據(jù)模型所需定義結果如表1所示。

3.2 隱含節(jié)點及輸出節(jié)點的選擇

本文對于模型所需的隱含節(jié)點與輸出節(jié)點的選擇是模型得以成功構建的關鍵。本文隱含層節(jié)點數(shù)N是根據(jù)相關經(jīng)驗來確定，一般采用式（3）進行計算：

N=√m+n+α （3）

構建的模型中輸入層節(jié)點數(shù)是m，輸出層節(jié)點數(shù)是n，α定義為1-10之間的常數(shù)。

3.3 案例選取與數(shù)據(jù)樣本

本文選取天津“8·12”爆炸事故與“和頤酒店女生遇襲事件”作為研究樣本，來檢測預警模型的適用性。數(shù)據(jù)主要來源于百度搜索引擎提供的百度指數(shù)和新浪微博每日提供的實時數(shù)據(jù)。天津“8·12”爆炸事故于2015年8月12日23：30左右發(fā)生，13日引發(fā)大規(guī)模網(wǎng)絡輿情，至23日事故引發(fā)的網(wǎng)絡輿情逐漸平息。據(jù)統(tǒng)計，圍繞這次爆炸事故的細節(jié)，網(wǎng)絡上共產(chǎn)生27個不同謠言版本。在“和頤酒店女生遇襲事件”發(fā)生的7天內，新浪微博該話題閱讀量就達到了27.4億人次，也同時創(chuàng)下當時新的傳播記錄。同樣，該事件在形成網(wǎng)絡輿論的同時，也衍生出了多個的網(wǎng)絡謠言版本。上述兩個案例所衍生的網(wǎng)絡謠言產(chǎn)生模式不同于一般的網(wǎng)絡謠言，沒有醞釀期而是直接在事件發(fā)生后第二天集中爆發(fā)，且謠言從產(chǎn)生到最終消解時間較短，非常符合突發(fā)事件網(wǎng)絡謠言的相關特征。因此選取此兩例具有代表性的研究對象，案例模擬結果對于突發(fā)事件網(wǎng)絡謠言危機預警研究具有較強的代表意義。

天津“8·12”爆炸事故中的網(wǎng)絡輿論從12日晚到16日晚共6天時間，經(jīng)歷了產(chǎn)生到消亡的完整過程。由于網(wǎng)絡謠言爆發(fā)時間相對集中，因此本文以6個小時為單位，將12日晚18：00到16日晚18：00劃分為16個時間段進行相關數(shù)據(jù)的采集和統(tǒng)計：“和頤酒店女生遇襲事件”網(wǎng)絡輿情從3日晚產(chǎn)生到18日基本消解完畢，該案例以天為單位共提取了16個數(shù)據(jù)段。兩個案例中數(shù)據(jù)經(jīng)過歸一化處理后如表2（保留3位小數(shù)）所示。

本文中筆者與之前構建的標準BP神經(jīng)網(wǎng)絡對單一突發(fā)事件網(wǎng)絡謠言預警模型設置11監(jiān)測時間段和選取1個觀測點進行預警模擬相比[8]，本文選取2個案例，共設置32個時間段，擬預設5個預測觀測點對構建的網(wǎng)絡謠言危機預警模型進行驗證，為本文所倡導的模型的探索做了進一步研究，為模型最大程度得到適用提供參考。

3.4 遺傳算法與BP神經(jīng)網(wǎng)絡參數(shù)設置

3.4.1 BP神經(jīng)網(wǎng)絡算法

本文所述的突發(fā)事件網(wǎng)絡謠言危機預警模型的構建，采用單隱層的三層BP神經(jīng)網(wǎng)絡，從輸入層輸入遺傳算法優(yōu)化處理過的末級（歸一化）指標數(shù)據(jù)，輸出層可輸出相應的網(wǎng)絡謠言危機預警級別，其結構如圖2所示。

根據(jù)隱含層的節(jié)點計算式（3），在輸入節(jié)點數(shù)m=9，輸出節(jié)點數(shù)n=4的情況下，將α從1-10遍歷計算的結果，發(fā)現(xiàn)當α=4時，此時BP神經(jīng)網(wǎng)絡性能最佳，此時的隱含層節(jié)點數(shù)為8。在Matlab軟件BP工具箱的參數(shù)設置上，訓練函數(shù)為“Traingdx”，隱含層和輸出層傳遞函數(shù)為S型函數(shù)“Logsig”，在本實驗中將模型最大訓練次數(shù)設定為1000，訓練誤差目標設置為0. 01，模型網(wǎng)絡學習率設置為0. 05，動量系數(shù)設為0.9，其他參數(shù)使用默認值。

3.4.2 遺傳算法

在本文中，遺傳算法中的種群大小可以隨機獲得50，最大遺傳代數(shù)為30，交叉率為0.7，變異率為0. 01，權值變化范圍[0，1]。

3.5 實驗驗證及結果分析

劃分突發(fā)事件網(wǎng)絡謠言危機的預警等級，最重要的因素在于方便政府和相關部門對網(wǎng)絡謠言進行管理，當網(wǎng)絡謠言危機達到預案等級時，啟動相應預案，提高社會和諧穩(wěn)定。根據(jù)《國家突發(fā)公共事件總體應急預案》中劃分突發(fā)公共事件預警等級的原則，本文將網(wǎng)絡謠言危機預警標準劃分為4級：分別為安全級別和輕警、中警、重警級別，輸出狀態(tài)分別對應4個預警等級，用1000、0100、0010、0001表示。

首先，將表2中樣本列表中的T1、T8、Tis、T22、T295個時間段作為BP神經(jīng)網(wǎng)絡的測試樣本，其余27個樣本作為訓練樣本。經(jīng)過計算，從圖3中誤差進化曲線看出，約經(jīng)過遺傳代數(shù)30的進化可得到平均誤差與最佳誤差近乎相同，此時得到最佳初始權值與閥值。

其次，將最佳值返回到已經(jīng)訓練好的標準BP神經(jīng)網(wǎng)絡模型，得到測試樣本的所有的5個預警值（輸出的最大值轉化為1，其余轉化為0，如T.中0. 9231為該行最大值，則期望輸出為1，將該行其他數(shù)值轉化為0），從結果上看，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡預警的實際輸出與期望輸出一致，如表3所示。

模擬仿真結果表明，本文構建的網(wǎng)絡謠言危機預警指標體系具有一定合理性，通過5個測試樣本的期望輸出與實際輸出對比，該網(wǎng)絡謠言危機預警模型具有良好的可預測性，可給有關部門進行網(wǎng)絡謠言危機預警時作為參考。

4 結論與討論

4.1 討論

1）本文為突發(fā)事件網(wǎng)絡謠言危機預警提供了一種由遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型，其實際應用效果與標準BP神經(jīng)網(wǎng)絡算法相比更具科學性和實用性。受篇幅限制具體算法流程在本文中作簡化處理，可參考文獻[8]。

2）本文以天津“8·12”爆炸事故與“和頤酒店女生遇襲事件”為例進行實證分析，雖然兩個案例所伴生的網(wǎng)絡謠言產(chǎn)生模式不同于一般的網(wǎng)絡謠言，但符合突發(fā)事件網(wǎng)絡謠言的一般規(guī)律，可僅用兩個案例進行預警預測分析仍存有一定的局限性，未能對該方法應用于各種類型的突發(fā)事件網(wǎng)絡謠言預警的效果進行比對驗證，將在下步研究中進行該項工作。

4.2 結論

本文在研究分析突發(fā)事件網(wǎng)絡謠言自身特性的基礎上，構建了相應預警指標體系，并采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡，構建模擬實驗。該模型通過Matlab軟件自有的BP神經(jīng)網(wǎng)絡工具箱實現(xiàn)網(wǎng)絡謠言的定量預警。實驗模擬結果表明該預警模型具有對數(shù)據(jù)支持要求較低、便于量化的優(yōu)點，具有較好的適用性。

本文介紹的方法有利于提升政府及相關部門對突發(fā)事件網(wǎng)絡謠言進行監(jiān)測，并對謠言發(fā)展的下一階段進行預警，為管理部門及時采取有效措施提供了參考方法。在下面的研究中將進一步對網(wǎng)絡謠言危機預警的指標體系進行完善，進一步減少定性指標，提高數(shù)據(jù)采集的即時性和有效性，減少人為認知的判斷，最終實現(xiàn)計算機實時跟蹤熱點輿情的監(jiān)測及轉變?yōu)檠苌{言后的自動預警，并給出預警級別。

參考文獻

[1]中國互聯(lián)網(wǎng)絡信息中心，第44次中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告[R].http：//www.cac.gov.cn/2019- 08/30/c_1124938750. htm.

[2]夏一雪，蘭月新，趙玉敏.大數(shù)據(jù)背景下網(wǎng)絡輿情信息異化控制模型研究[J].現(xiàn)代情報，2018，38 （2）：3-11.

[3]周穎，張鵬，高揚，等，面向突發(fā)事件的網(wǎng)絡謠言危害分析及應對策略[J].中國公共安全：學術版，2017，（2）：83-88.

[4]戴媛，我國網(wǎng)絡輿情安全評估指標體系研究[D].北京：北京化工大學，2008.

[5]曾潤喜.網(wǎng)絡輿情突發(fā)事件預警指標體系構建[J].情報理論與實踐，2010，（1）：77 -80.

[6]蘭月新，面向輿情大數(shù)據(jù)的群體性事件預警研究[M].天津：天津大學出版社.2017.

[7]柯惠新，劉績宏.重大事件輿情監(jiān)測指標體系與預警分析模型的再探討[J].新聞學與傳播學，2011，（12）：39-45.

[8]張鵬，李昊青，蘭月新，等.基于BP神經(jīng)網(wǎng)絡的突發(fā)事件網(wǎng)絡謠言危機預警[J].電子政務，2016，（11）：40-47.

[9] Allport G W， Postman L The Psychology of Rumor[ M]. hlewYork：Henry Hoh，1947.

[10] Chorus A.The Basic Law of Rumor[ J]. Journal of Abnormaland Social Psychology， 1953， 48： 313-314.

[11]曹蓉.基于全樣本分析的網(wǎng)絡輿情指標體系研究綜述[J].情報雜志，2015，（5）：154-158.

[12]陳雪奇.災難事件中謠言的新聞學意義闡釋[J]理論與改革，2014，（3）：130-133.

[13]孫燕，謠言風暴：災難事件后的網(wǎng)絡輿論危機現(xiàn)象研究[J].新聞與傳播研究，2011，（5）：52-62.

[14]王宏偉.輿情信息工作策略與方法[M].北京：中國人事出版社.2010.

[15]曾潤喜，魏馮.政媒共治：災難事件中網(wǎng)絡造謠與辟謠的信息行為研究基于“8·12天津爆炸事故”謠言的內容分析[J].電子政務，2016，（5）：25-34.

[16]張鵬，蘭月新，李昊青，等.基于認知過程的網(wǎng)絡謠言綜合分類方法研究[J].圖書與情報，2016，（4）：8-15.

（責任編輯：孫國雷）

收稿日期：2019-04-23

基金項目：教育部人文社會科學基金“面向突發(fā)事件的網(wǎng)絡流言風險預警及對策研究”（項目編號：17YJC630214）;全國統(tǒng)計科學研究重點項目“輿情大數(shù)據(jù)環(huán)境下突發(fā)事件民意監(jiān)測與評估研究（項目編號：2017L237）;廊坊市科技計劃項目“基于大數(shù)據(jù)的突發(fā)事件網(wǎng)絡輿情預測技術研究”（項目編號：2019013066）。

作者簡介：張鵬（1981-），男，副教授，博士，研究方向：網(wǎng)絡輿情、網(wǎng)絡謠言研究。蘭月新（1981-），男，副教授，碩士生導師，研究方向：網(wǎng)絡輿情。李昊青（1983-），男，講師，館員，研究方向：網(wǎng)絡輿情與社會治理。周穎（1990-），男，碩士，研究方向：網(wǎng)絡輿情。