突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險預(yù)警模型研究

徐建國 劉夢凡 劉泳慧

摘 要：增強(qiáng)突發(fā)事件研判、預(yù)警與快速響應(yīng)能力，對加強(qiáng)網(wǎng)絡(luò)輿情監(jiān)管與引導(dǎo)，維護(hù)社會安全和穩(wěn)定具有重要意義。首先基于網(wǎng)絡(luò)輿情演化機(jī)制與特征建立科學(xué)、合理的指標(biāo)體系;然后選取重要程度與分類性能均比較優(yōu)異的末級指標(biāo)作為特征屬性，構(gòu)造C4.5決策樹風(fēng)險預(yù)警模型;最后將突發(fā)事件網(wǎng)絡(luò)輿情相關(guān)數(shù)據(jù)帶入風(fēng)險預(yù)警模型，得到預(yù)警風(fēng)險等級。實驗結(jié)果表明，該方法能夠?qū)ν话l(fā)事件網(wǎng)絡(luò)輿情進(jìn)行風(fēng)險預(yù)警，預(yù)警準(zhǔn)確率高達(dá)94.7%。

關(guān)鍵詞：突發(fā)事件;網(wǎng)絡(luò)輿情;風(fēng)險預(yù)警;C4.5決策樹

DOI：10. 11907/rjdk. 201053 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP301文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2020）007-0070-06

Research on Risk Early Warning Model of Emergent Network Public Opinion

XU Jian-guo，LIU Meng-fan，LIU Yong-hui

（College of Computer Science and Engineering，Shandong University of Science and Technology，Qingdao 266590，China）

Abstract： It is of great significance to strengthen the supervision and guidance of network public opinion and maintain social security and stability by strengthening the ability to judge， warn and respond quickly. First， a scientific and reasonable index system is? established based on the evolution mechanism and characteristics of network public opinion， and then the last-level indicators that have excellent importance and classification performance are selected as feature attributes to construct a C4.5 decision tree risk early warning model.Finally， the data related to the emergent network public opinion is brought into the risk early warning model to obtain the early warning risk level. The experimental results show that this method can give correct risk early warning to emergency public opinion， and the early warning accuracy rate is as high as 94.7%.

Key Words： emergencies; network public opinion; risk warning; C4.5 decision tree

0 引言

突發(fā)事件，顧名思義就是指毫無征兆的突然發(fā)生，可能或者已經(jīng)給社會造成不同程度的危害，需要相關(guān)部門采取應(yīng)急處置措施予以應(yīng)對。突發(fā)事件包含自然災(zāi)害、事故災(zāi)難、公共衛(wèi)生和社會安全4類事件[1]。其中社會安全事件帶有很強(qiáng)的隨機(jī)性與突然性，具有引發(fā)突然性、目的明確性、瞬間聚眾性、行為破壞性以及狀態(tài)失衡性等特點[2]，不僅造成巨大的人員傷亡和財產(chǎn)損失，而且給人們帶來巨大的心理壓力及一定程度的社會動蕩，妨礙正常的工作與生活秩序，嚴(yán)重阻礙經(jīng)濟(jì)發(fā)展。

社交網(wǎng)絡(luò)[3]在給人們工作、生活帶來極大便利的同時，也為突發(fā)事件充當(dāng)傳播媒介，促使突發(fā)事件得以更快速、廣泛地傳播與擴(kuò)散，繼而催生突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險。根據(jù)2019年中國互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的第43次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》，截至2018年12月，我國網(wǎng)民規(guī)模已達(dá)8.29億[4]，一旦某地發(fā)生突發(fā)事件，就會迅速傳播與擴(kuò)散，使原本局部、區(qū)域性問題發(fā)酵至全民熱議的網(wǎng)絡(luò)輿情熱點事件，嚴(yán)重的甚至導(dǎo)致突發(fā)性群體事件。政府部門應(yīng)對突發(fā)事件網(wǎng)絡(luò)輿情的能力成為全社會普遍關(guān)注的焦點。由此可見，對突發(fā)事件迅速作出準(zhǔn)確研判、制定相應(yīng)的應(yīng)急預(yù)案，對保障人民群眾生命財產(chǎn)安全、維護(hù)社會穩(wěn)定發(fā)展具有重要意義。

1 相關(guān)工作

本文以中國知網(wǎng)作為源數(shù)據(jù)庫，將“突發(fā)事件” “網(wǎng)絡(luò)輿情” “風(fēng)險預(yù)警”等作為主題和關(guān)鍵詞，檢索近10年（2010-2019年）間發(fā)表在中文核心期刊及CSSCI期刊文獻(xiàn)共330篇，通過Citespace可視化工具，構(gòu)建突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險預(yù)警關(guān)鍵詞共現(xiàn)圖譜[5]，如圖1所示。

突發(fā)事件網(wǎng)絡(luò)輿情發(fā)生前的預(yù)防與預(yù)警是應(yīng)對突發(fā)事件網(wǎng)絡(luò)輿情重點。郝楠等[6]從輿情本體、輿情主體、輿情客體3個方面完善網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系，采取模糊綜合評價方法實現(xiàn)網(wǎng)絡(luò)輿情預(yù)警;蘭月新等[7]將網(wǎng)絡(luò)輿情生長周期從潛伏期、擴(kuò)散前期、擴(kuò)散后期和消退期4個階段簡化為潛伏期與擴(kuò)散期兩個階段，采用基于K-means聚類和多項logistics分析等方法，構(gòu)建網(wǎng)絡(luò)輿情多維動態(tài)分類與預(yù)測模型;劉建準(zhǔn)等[8]將情報介入體系融入突發(fā)事件應(yīng)急管理的事前預(yù)警、事中控制與事后止損3個階段，構(gòu)建突發(fā)事件應(yīng)急管理情報介入與融合模型，加快突發(fā)事件處理效率，提高準(zhǔn)確性;次雨桐[9]創(chuàng)新性地在突發(fā)事件應(yīng)急領(lǐng)域引入情報監(jiān)督理念，這一舉措對提高突發(fā)事件應(yīng)急管理能力與決策水平具有重要意義。

以重大刑事案件、校園安全事件等為代表的社會安全事件，通常因人民內(nèi)部矛盾引發(fā)，或因人民內(nèi)部矛盾處理不當(dāng)而累積、爆發(fā)[10]，具有極大的社會復(fù)雜性。該類事件一旦在社交網(wǎng)絡(luò)曝光，極易引發(fā)社會公眾的情感共鳴，演化為網(wǎng)絡(luò)輿情熱點問題，繼而轉(zhuǎn)化為輿情危機(jī)。一旦導(dǎo)致群體性事件爆發(fā)，后果和危害難以估量。突發(fā)事件網(wǎng)絡(luò)輿情演化要素關(guān)系如圖2所示。

本文主要針對突發(fā)事件中社會安全事件的網(wǎng)絡(luò)輿情進(jìn)行風(fēng)險評估，構(gòu)建預(yù)警模型，旨在加強(qiáng)政府對該類突發(fā)事件網(wǎng)絡(luò)輿情的監(jiān)管與引導(dǎo)，避免因輿情爆發(fā)導(dǎo)致經(jīng)濟(jì)損失、人員傷亡等社會問題。

本文選取全球恐怖主義數(shù)據(jù)庫（GTD）中近20年世界發(fā)生的恐怖襲擊事件記錄，先使用系統(tǒng)聚類尋找類間相似性統(tǒng)計量，再結(jié)合K-means聚類算法對其進(jìn)行量化分級，從中尋找關(guān)鍵指標(biāo)及劃分標(biāo)準(zhǔn)，為構(gòu)建突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險預(yù)警指標(biāo)體系提供依據(jù)。結(jié)合上述量化分級標(biāo)準(zhǔn)與關(guān)鍵指標(biāo)，建立并完善突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險預(yù)警指標(biāo)體系，繼而構(gòu)建基于C4.5決策樹算法的風(fēng)險預(yù)警模型。

2 網(wǎng)絡(luò)輿情風(fēng)險預(yù)警模型

2.1 指標(biāo)體系構(gòu)建

科學(xué)、合理的指標(biāo)體系是構(gòu)建突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警模型的基礎(chǔ)和重要依據(jù)。通過分析網(wǎng)絡(luò)輿情演化機(jī)制及其特征，從輿情主體屬性、輿情受體（客體）屬性、輿情的傳播與擴(kuò)散特性以及輿情信息特性4個維度構(gòu)建指標(biāo)體系[11]，如表1所示。

由表1可知，突發(fā)事件網(wǎng)絡(luò)輿情主體屬性包括事件要素和危害級別，事件要素包含事件類型、受害者類型、發(fā)生地區(qū)3個三級指標(biāo)。通過對全球恐怖主義數(shù)據(jù)庫（GTD）中1999-2018年（近20年）發(fā)生的全球范圍內(nèi)恐怖襲擊事件記錄數(shù)據(jù)，采用系統(tǒng)聚類方法進(jìn)行處理，找到類與類間的相似性統(tǒng)計量作為危害級別的下一級關(guān)鍵指標(biāo)，包括人員傷亡、財產(chǎn)損失、持續(xù)時間、襲擊方式4個特征屬性。輿情客體屬性分為公眾關(guān)注度、公眾參與度、公眾態(tài)度以及風(fēng)險網(wǎng)民。其中，公眾關(guān)注度通過累計瀏覽數(shù)量、累計轉(zhuǎn)發(fā)數(shù)量和累計評論數(shù)量等計量;公眾參與度通過參與話題的用戶數(shù)量計量;公眾態(tài)度分為公眾情感傾向與情感轉(zhuǎn)移;風(fēng)險網(wǎng)民則包括利益誘導(dǎo)下影響輿論走勢的網(wǎng)絡(luò)水軍和粉絲基礎(chǔ)雄厚、言論可能產(chǎn)生較大影響的意見領(lǐng)袖。

輿情傳播與擴(kuò)散特性由輿情來源與擴(kuò)散程度兩部分構(gòu)成。輿情來源主要考慮權(quán)威性與準(zhǔn)確性，擴(kuò)散程度則以新聞網(wǎng)站數(shù)量、自媒體數(shù)量、論壇數(shù)量體現(xiàn)。

輿情信息特性選擇話題熱度和內(nèi)容特性兩個二級指標(biāo)。其中，話題熱度通過用戶對該話題詞搜索程度獲得;內(nèi)容特性表現(xiàn)為內(nèi)容敏感度、內(nèi)容詳細(xì)程度、內(nèi)容真實性與全面性。

2.2 指標(biāo)賦值

科學(xué)、準(zhǔn)確實現(xiàn)末級指標(biāo)量化及標(biāo)準(zhǔn)化，對整個指標(biāo)體系的科學(xué)性、準(zhǔn)確性以及后續(xù)風(fēng)險預(yù)警模型的建立和應(yīng)用具有十分重要的意義。末級指標(biāo)包含連續(xù)型變量、無序分類變量及有序多態(tài)變量3種類型，如表2所示?？紤]到不同類型變量之間存在較大差異，因此對上述3種指標(biāo)類型的量化方法也各不相同。

2.2.1 連續(xù)型變量賦值

由表2可知，在眾多末級指標(biāo)中，人員傷亡、財產(chǎn)損失、持續(xù)時間、累計瀏覽數(shù)量、累計轉(zhuǎn)發(fā)數(shù)量、累計評論數(shù)量、用戶參與數(shù)量、網(wǎng)絡(luò)水軍、意見領(lǐng)袖、新聞網(wǎng)站數(shù)量、自媒體數(shù)量、論壇數(shù)量均屬連續(xù)型變量，可利用網(wǎng)絡(luò)爬蟲技術(shù)爬取相關(guān)字段，或通過政府有關(guān)部門公布的數(shù)據(jù)報告等途徑獲取數(shù)據(jù)信息，最后根據(jù)實際收集到的數(shù)據(jù)分別對其賦值。

2.2.2 無序分類變量賦值

無序分類變量通常使用代碼表示變量中包含的每一項類別，如事件類型包含5種類別，用1代表重大刑事案件，2代表恐怖襲擊事件，3代表民族宗教突發(fā)群體事件，4代表校園安全事件，5代表其它社會安全事件。

2.2.3 有序多態(tài)變量賦值

來源權(quán)威性、準(zhǔn)確性、內(nèi)容真實性、全面性等指標(biāo)均采取調(diào)研法，結(jié)合專家打分法獲得定量值，從而對指標(biāo)量化。某個話題搜索量隨時間變化曲線如圖3所示。

搜索程度S用單位時間的搜索量表示，公式如下：

內(nèi)容詳細(xì)程度可參考文字字?jǐn)?shù)和視頻音頻時長進(jìn)行判定和量化;內(nèi)容敏感度屬于定性指標(biāo)，可通過設(shè)計開放式問卷結(jié)合專家打分法對其量化。

2.3 指標(biāo)權(quán)重計算

本文選取定性與定量相結(jié)合的層次分析法計算指標(biāo)權(quán)重。層次分析法是基于對指標(biāo)體系中各項指標(biāo)的相對重要性判斷，首先對每一層級指標(biāo)進(jìn)行兩兩比較并用數(shù)字1～9進(jìn)行標(biāo)度[12]，從而構(gòu)造權(quán)重判斷矩陣;然后對權(quán)重判斷矩陣的每一列進(jìn)行歸一化處理，再對其完成一致性檢驗。若判斷矩陣滿足一致性檢驗要求，則認(rèn)為判斷矩陣的一致性可接受[13];否則，需要調(diào)整判斷矩陣，直至其滿足一致性檢驗要求為止。

2.4 突發(fā)事件輿情風(fēng)險預(yù)警模型構(gòu)建

決策樹作為一種常用的機(jī)器學(xué)習(xí)分類或預(yù)測模型，具有可讀性好、描述性強(qiáng)、有助于人工分析以及效率高等特點[14]。本文基于C4.5決策樹算法構(gòu)造突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險預(yù)警模型[15]。根據(jù)突發(fā)事件網(wǎng)絡(luò)輿情誘發(fā)群體性事件的可能性大小以及對社會造成的影響，將社會安全事件網(wǎng)絡(luò)輿情風(fēng)險劃分為5個等級作為決策樹輸出變量，見表3。

突發(fā)事件網(wǎng)絡(luò)輿情數(shù)據(jù)多為分類且非二值變量，為避免二叉樹非0即1的絕對選項造成信息流失[16]，本文選擇的決策樹形態(tài)為多叉樹。同時，在相同預(yù)測精度條件下，多叉樹的分裂次數(shù)通常少于二叉樹，決策樹判別次數(shù)大大減少，從而提高決策樹生長效率[17]。

指標(biāo)體系末級指標(biāo)涵蓋較全面的特征屬性，故決策樹輸入變量將指標(biāo)體系分為主體屬性、客體屬性、傳播與擴(kuò)散特性及輿情信息特性4部分。考慮到網(wǎng)絡(luò)輿情風(fēng)險各個等級的數(shù)據(jù)記錄數(shù)量滿足近似正態(tài)分布的現(xiàn)實，本文多次對指標(biāo)體系中的末級指標(biāo)進(jìn)行相應(yīng)處理，如表4所示。

為提高決策樹學(xué)習(xí)效率，通常需要在決策樹構(gòu)造前進(jìn)行特征選擇，選取對訓(xùn)練數(shù)據(jù)具有分類能力的特征。通常使用信息增益率作為決策樹分類模型特征選擇準(zhǔn)則[18]。

在決策樹特征選擇過程中，除信息增益率外，還要考慮指標(biāo)權(quán)重對最終結(jié)果的影響，故構(gòu)造決策樹分裂屬性的影響因子IF（Impact Factor）如下：

其中，[wi，wij和wijk]分別表示一級指標(biāo)、二級指標(biāo)和末級指標(biāo)權(quán)重，[1i，j，k4];[Gainrate]表示信息增益率;[λ，θ]為比例系數(shù)。

在C4.5決策樹算法中，將信源發(fā)出的信息記作[U（u1，][u2，？，ui，？，ur）]，信宿收到的信息記為V，稱E（U）為信息熵，表示信息發(fā)出前的先驗概率，即

當(dāng)收到信息V=[vj]時，發(fā)出信號的概率分布為[P（U|vj）]，則稱[E（U|vj）]為信息發(fā)出的后驗概率，即

信息傳輸過程中由于受到噪聲影響，通常用Gain（U，V）表示信息增益，反映信息傳遞過程中消除的不確定性大小。

根據(jù)輸入變量中任一屬性用決策樹進(jìn)行分類時，需要用到“分裂”屬性：

通過“分裂”屬性完成分裂后的樣本集信息增益率為

選擇影響因子IF較大的屬性作為分裂屬性構(gòu)造決策樹。隨著遞歸計算，被計算的屬性影響因子會越來越小。

C4.5決策樹的剪枝算法采用PEP剪枝法，這是根據(jù)錯誤率判定子樹是否需要修剪的一種自上而下的剪枝法[19]。若一棵子樹包含L個葉子節(jié)點，設(shè)[ei]為子樹中第i個葉子節(jié)點包含的錯誤分類樣本數(shù)量，[ni]表示子樹第i個葉子節(jié)點中樣本的總數(shù)量，則該子樹的誤判率為

將子樹對樣本進(jìn)行分類后正確分類的樣本記為0，錯誤分類的樣本記為1，那么子樹誤判次數(shù)服從伯努利分布[19]，從而求得其均值和標(biāo)準(zhǔn)差分別為

將子樹替換成葉子節(jié)點，代入式（8）、式（9），求得葉子節(jié)點誤判次數(shù)的均值為[Errmeani]，剪枝條件為

滿足上述條件時，用所得的葉子節(jié)點代替子樹即完成剪枝操作。至此，C4.5決策樹構(gòu)建完成，即突發(fā)事件的網(wǎng)絡(luò)輿情風(fēng)險預(yù)警模型已成功構(gòu)建。

2.5 風(fēng)險預(yù)警模型應(yīng)用

網(wǎng)絡(luò)輿情風(fēng)險預(yù)警模型將突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險分為5個等級[20]，詳見表3。

當(dāng)風(fēng)險預(yù)警等級為一級時，表明該事件將對社會造成重度危害，此時必然引發(fā)較大規(guī)模的群體性事件，造成極大的經(jīng)濟(jì)損失和重大人員傷亡事故，需要引起政府高度重視。此時應(yīng)采取危機(jī)管理預(yù)案，在采取措施引導(dǎo)并控制網(wǎng)絡(luò)輿情發(fā)展走向的同時，還需部署警力與醫(yī)護(hù)人員應(yīng)對群體性事件，力求將損失與惡劣影響降至最低。

當(dāng)風(fēng)險預(yù)警等級為二級時，將對社會產(chǎn)生中度危害，極有可能引發(fā)局部小規(guī)模群體事件，甚至可能造成較大規(guī)模群體性事件，需要政府進(jìn)行嚴(yán)密監(jiān)控并采取治理措施，引導(dǎo)并控制輿情發(fā)展，安撫網(wǎng)民情緒，避免群體性事件爆發(fā)。

當(dāng)風(fēng)險預(yù)警為三級時，對社會危害程度為一般危害，存在引發(fā)輿情危機(jī)并激發(fā)群體性事件的可能性，但無必然性，此時政府應(yīng)適度進(jìn)行實時監(jiān)測，避免因人工處置不及時帶來大面積爆發(fā)，有序有效控制輿情發(fā)展。

當(dāng)風(fēng)險預(yù)警為四級時，表明網(wǎng)絡(luò)輿情在其發(fā)展演化過程中會對社會產(chǎn)生輕度危害，通常表現(xiàn)為網(wǎng)民在參與輿情討論過程中出現(xiàn)惡評、謾罵等不文明現(xiàn)象，但導(dǎo)致輿情危機(jī)并激發(fā)群體性事件的可能性極小，無需干預(yù)，給予適當(dāng)關(guān)注即可。

當(dāng)風(fēng)險預(yù)警為五級時，表明網(wǎng)絡(luò)輿情的演化發(fā)展階段對社會不存在危害，無需加以干預(yù)。

3 實證分析

本文選取2018-2019年發(fā)生的幾個典型社會安全事件引發(fā)的網(wǎng)絡(luò)輿情作為研究對象進(jìn)行實證分析，包括長春長生生物公司假疫苗事件、“7.14”香港暴力襲警事件以及知名網(wǎng)紅“宇芽”自曝多次遭遇家暴的網(wǎng)絡(luò)輿情熱點事件?？紤]到上述幾個案例運(yùn)用本文模型進(jìn)行風(fēng)險預(yù)警時處理方法一致，故選取“7.14”香港暴力襲警事件為例進(jìn)行具體分析。

3.1 “7.14”香港暴力襲警案例描述

2019年7月14日，香港反對派和一些激進(jìn)勢力在中國香港沙田區(qū)借和平集會及游行活動之名，進(jìn)行非法集結(jié)。他們破壞、堵塞道路，更有甚者使用磚頭、石塊、頭盔以及不知名粉末等物品襲擊警察、圍毆警員，對香港警員及市民安全造成嚴(yán)重威脅。當(dāng)晚，有13名香港警務(wù)人員受傷較嚴(yán)重，需住院接受治療，該事件引起輿論高度關(guān)注。幾天之后，在香港政府及警方明確發(fā)出反對通知書的情況下，仍有部分人多次舉行非法集會鬧事。這一行為徹底將公眾早已郁積多日的憤怒情緒引爆，該事件受到各方持續(xù)關(guān)注，引發(fā)社會廣泛討論。

3.2 風(fēng)險預(yù)警模型應(yīng)用

3.2.1 風(fēng)險預(yù)警指標(biāo)權(quán)重計算

對指標(biāo)體系中一級指標(biāo)構(gòu)造判斷矩陣如下：

計算得到權(quán)重向量[W=（0.391，0.246，0.132，0.231）]，[λmax=4.64]，一致性比率CR=0.04<0.1，故判斷矩陣A滿足一致性要求。因此，指標(biāo)體系中一級指標(biāo)對應(yīng)權(quán)重分別為0.391、0.246、0.132和0.231，二級指標(biāo)和三級指標(biāo)權(quán)重計算方法同上，此處不再贅述。最終得到風(fēng)險預(yù)警指標(biāo)體系的各級指標(biāo)權(quán)重如表5所示。

3.2.2 風(fēng)險預(yù)警評估

計算得到各級指標(biāo)權(quán)重后，根據(jù)公式

計算各指標(biāo)對決策樹分裂屬性的影響因子IF（Impact Factor）大小，從而選擇決策樹的分裂屬性，完成決策樹構(gòu)造過程。

在“7.14”香港暴力襲警事件中，求得排名前12位的末級指標(biāo)及相應(yīng)的影響因子IF值如表6所示。

選取IF值大于等于0.14的指標(biāo)，即表6中排名前7的人員傷亡、搜索程度、用戶參與數(shù)量、財產(chǎn)損失、內(nèi)容真實性、瀏覽數(shù)量以及情感轉(zhuǎn)移，依次作為決策樹的分裂屬性構(gòu)造決策樹，得到最終的風(fēng)險預(yù)警結(jié)果。

用上述方法與模型分別對長生生物公司假疫苗事件和網(wǎng)紅“宇芽”自曝多次經(jīng)歷家暴事件進(jìn)行風(fēng)險預(yù)測，得到預(yù)警結(jié)果如表7所示。

對長生生物公司假疫苗事件、“7.14”香港暴力襲警事件以及網(wǎng)紅“宇芽”自曝多次遭受家暴3個網(wǎng)絡(luò)輿情熱點事件，運(yùn)用本文模型分別對其進(jìn)行風(fēng)險預(yù)警，從表7可知，上述事件風(fēng)險預(yù)警等級分別為二級（中度危害）、一級（重度危害）以及二級（中度危害），模型預(yù)測結(jié)果符合實際情況。

4 結(jié)語

本文基于突發(fā)事件網(wǎng)絡(luò)輿情危機(jī)預(yù)警需求，針對現(xiàn)有網(wǎng)絡(luò)輿情預(yù)警方法準(zhǔn)確率有限、針對性不強(qiáng)等問題[21]，在深入研究社會安全事件特點及復(fù)雜性基礎(chǔ)上，建立了針對社會安全類突發(fā)事件網(wǎng)絡(luò)輿情的風(fēng)險預(yù)警模型。在決策樹構(gòu)建過程中，結(jié)合指標(biāo)體系與信息增益率共同作用下的影響因子尋找特征屬性，構(gòu)建C4.5決策樹的風(fēng)險預(yù)警模型。實驗結(jié)果表明，本文模型對于社會安全類突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險預(yù)警更具針對性，準(zhǔn)確率高達(dá)94.7%。迅速、準(zhǔn)確的風(fēng)險預(yù)警有助于相關(guān)部門了解輿情動態(tài)，掌握輿情演化趨勢，及時、有效地采取措施控制與引導(dǎo)網(wǎng)絡(luò)輿情，避免輿情過度發(fā)酵導(dǎo)致群體性事件發(fā)生。

參考文獻(xiàn)：

[1] 翟劼. 微博突發(fā)事件網(wǎng)絡(luò)輿情規(guī)律與預(yù)測方法研究[D]. 大連：大連理工大學(xué)，2016.

[2] 趙滿坤. 網(wǎng)絡(luò)突發(fā)事件預(yù)警研究[D]. 天津：天津大學(xué)，2014.

[3] ERIN M，ANDERSON GOODELL，RENEE M，et al. Risk and protective effects of social networks on alcohol use problems among Army Reserve and National Guard soldiers[J].? Addictive Behaviors，2020（103）：1022-1034.

[4] CNNIC. 第43次CNNIC中國互聯(lián)網(wǎng)報告發(fā)布[J].? 中國廣播， 2019，18（4）：14-16.

[5] 李綱，巴志超. 共詞分析過程中的若干問題研究[J]. 中國圖書館學(xué)報，2017，43（4）：93-113.

[6] 郝楠，馮晶，高媛. 基于模糊綜合評價的網(wǎng)絡(luò)輿情預(yù)警方法研究[J]. 重慶理工大學(xué)學(xué)報，2019，33（8）：227-236.

[7] 連芷萱，蘭月新，夏一雪，等. 面向大數(shù)據(jù)的網(wǎng)絡(luò)輿情多維動態(tài)分類與預(yù)測模型研究[J]. 情報雜志，2018，37（5）：123-140.

[8] 劉建準(zhǔn)，唐霈雯，石密，等. 突發(fā)事件應(yīng)急管理中情報介入與融合模型研究[J]. 圖書情報工作，2019，63（18）：78-86.

[9] 次雨桐，李陽，李綱. 應(yīng)急決策活動中的情報監(jiān)督問題思考[J]. 情報雜志，2017，36（12）：45-51.

[10] 葉利明. 淺議新媒體環(huán)境下群體性事件中的信息傳播[J]. 新聞世界，2014，13（3）：186-187.

[11] 高航，丁榮貴. 政府重大投資項目輿情風(fēng)險預(yù)警指標(biāo)體系研究[J]. 圖書館論壇，2014，34（7）：28-33.

[12] 張芳，薛歡義，白鳳嶺，等. 阜新市農(nóng)產(chǎn)品物流配送中心選址問題研究[J]. 遼寧工程技術(shù)大學(xué)學(xué)報（社會科學(xué)版），2017，19（4）：412-418.

[13] WEI H L，LI T W，F(xiàn)AN M B，et al. Efficiency evaluation of DVL based on AHP and fuzzy integrated estimation[J]. Ship Elec tronic Eng ineering，2010（30）：921-930.

[14] 王宏志. 大數(shù)據(jù)分析原理與實踐[M]. 北京：機(jī)械工業(yè)出版社，2017.

[15] YE J，LI D? H .? Improvement and application of decision tree C4.5 algorithm[P].? DEStech Transactions on Computer Science and Engineering，2018.

[16] 張麗麗，呂靖. 基于決策樹的水上交通事故影響因素耦合分析[J]. 上海海事大學(xué)學(xué)報，2018，39（4）：63-69.

[17] 孫軼軒，邵春福，趙丹，等. 交通事故嚴(yán)重程度C5.0決策樹預(yù)測模型[J]. 長安大學(xué)學(xué)報，2014，34（5）：109-116.

[18] 程華，李艷梅，羅謙，等. 基于決策樹方法的到港航班延誤預(yù)測問題研究[J]. 系統(tǒng)工程理論與實踐，2014，13（34）：239-247.

[19] 周楊.? 決策支持系統(tǒng)在物聯(lián)網(wǎng)自動售貨機(jī)上的應(yīng)用研究[D]. 哈爾濱：哈爾濱工程大學(xué)，2018.

[20] 呼雨，陳新杰，蘭月新，等. 網(wǎng)絡(luò)輿情監(jiān)測及預(yù)警指標(biāo)體系研究綜述[J]. 情報探索，2012，11（11）：7-10.

[21] 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)，2016，15（11）：40-47.

（責(zé)任編輯：杜能鋼）