面向公安微博的用戶評(píng)論情感分析及反饋研究

魏姮清，張 駿,徐 琳

(1.武漢理工大學(xué) 管理學(xué)院，湖北 武漢 430070；2.武漢大學(xué) 政治與公共管理學(xué)院， 湖北 武漢 430072)

公安微博是指各個(gè)公安部門或公安部門的公職人員為發(fā)布公安方面相關(guān)的政策信息、普及安全知識(shí)、與公眾溝通互動(dòng)而開設(shè)的實(shí)名認(rèn)證的官方微博[1]。據(jù)新浪微博2018年的統(tǒng)計(jì)數(shù)據(jù)顯示，截至2018年，公安部門官方微博數(shù)量達(dá)到21 411個(gè)，并逐漸成為政法領(lǐng)域最多的官博。

公安微博是微博中的特殊群體，在社會(huì)安全類熱點(diǎn)輿情事件中，公安干警通常在應(yīng)對(duì)熱點(diǎn)事件的一線，可獲取最直接的現(xiàn)場信息，具有直觀描述事件真相與本質(zhì)的信息特征[2-3]。學(xué)者們從不同角度對(duì)公安政務(wù)微博進(jìn)行了研究，如張宸鳴[4]從基本概念入手,回顧了近年來我國警務(wù)微博和微信的發(fā)展,并對(duì)突發(fā)事件處置中警務(wù)“雙微”的傳播特點(diǎn)、原則和功能進(jìn)行了闡述。歐陽紅[5]對(duì)貴州省政務(wù)微博與社會(huì)管理的關(guān)聯(lián)性、政務(wù)微博的實(shí)際互動(dòng)情況進(jìn)行了深入研究,提出政務(wù)微博與社會(huì)管理良性互動(dòng)以促進(jìn)輿論發(fā)展的建議。盧樺[6]基于30個(gè)省會(huì)城市公安政務(wù)微博數(shù)據(jù)，對(duì)公安政務(wù)微博公眾參與行為影響因素進(jìn)行了研究，提出提升公安政務(wù)微博公眾參與度的建議。

公安機(jī)關(guān)使用公安微博傳遞信息、與公眾互動(dòng)，在這個(gè)過程中會(huì)產(chǎn)生很多有價(jià)值的數(shù)據(jù)，但這些數(shù)據(jù)資源規(guī)模龐大且多為半結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)，難以從中直接獲取有價(jià)值的公眾觀點(diǎn)[7]。因此，筆者通過對(duì)公安微博的評(píng)論數(shù)據(jù)進(jìn)行情感分析，掌握公眾觀點(diǎn)，并構(gòu)建輿情反饋模型，以服務(wù)于公安微博熱點(diǎn)事件網(wǎng)絡(luò)輿情的分析與管理。

1 相關(guān)知識(shí)

1.1 Word2vec

Word2vec釆用三層神經(jīng)網(wǎng)絡(luò)進(jìn)行語言建模，包括CBOW模型(continuous bag-of-words model)和Skim-gram模型(continuous skim-gram model)兩種實(shí)現(xiàn)方式。在進(jìn)行Word2vec的微博評(píng)論文本向量訓(xùn)練時(shí)，由于Skip-gram模型在判定詞語間語義關(guān)系時(shí)的性能表現(xiàn)比CBOW模型更好，故采用Skip-gram模型對(duì)詞庫進(jìn)行向量表達(dá)，將其轉(zhuǎn)化成特征向量的格式[8]。Skim-gram模型是通過當(dāng)前詞預(yù)測上下文中其他詞出現(xiàn)的概率，模型優(yōu)化的目標(biāo)函數(shù)如式(1)所示，Skim-gram模型結(jié)構(gòu)如圖1所示。

(1)

式中：w表示當(dāng)前詞；Context(w)表示w前后的詞。

圖1 Skip-gram模型結(jié)構(gòu)

1.2 支持向量機(jī)

支持向量機(jī)(support vector machines，SVM)是一種有監(jiān)督的機(jī)器學(xué)習(xí)方法[9-10]，其致力于尋找一個(gè)最大間隔超平面，使得這個(gè)超平面到每邊最近數(shù)據(jù)點(diǎn)的距離最大，這個(gè)分類器是最大間隔分類器，屬于二分類器[11]。支持向量機(jī)的原理圖如圖2所示，其中實(shí)心圓代表正樣本，空心圓代表負(fù)樣本。平面H0和平面H都可區(qū)分兩類樣本，H表示最優(yōu)超平面。平面H1上的點(diǎn)是與H距離最近的負(fù)類樣本集合，平面H2上的點(diǎn)是與H距離最近的正類樣本集合。最大間隔分類是H1和H2之間的垂直距離。支持向量機(jī)首先將樣本數(shù)據(jù)映射到高維空間中，使得原本線性不可分的數(shù)據(jù)變得線性可分，然后在這個(gè)高維線性空間中尋找最優(yōu)超平面[12]。SVM可以很好地處理高維數(shù)據(jù)集，且泛化能力較強(qiáng)，因此將SVM分類器用于微博情感分類問題中[13-14]。

圖2 支持向量機(jī)原理圖

1.3 反饋

在自動(dòng)控制系統(tǒng)中，“反饋”控制是一種最基本的控制形式[15]。反饋控制系統(tǒng)的原理圖如圖3所示，是將輸出量c(t)直接或者通過測量元件反向引入輸入端，稱為負(fù)反饋uf(t)，再與輸入量r(t)進(jìn)行求和得到偏差量e(t)，將偏差量輸入給控制器后，控制器產(chǎn)生的控制作用實(shí)現(xiàn)消除或者減小這種偏差[16-17]。

圖3 “反饋”控制系統(tǒng)原理圖

2 情感分析模型

2.1 情感分析模型框架

情感分析模型主要包括數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、文本表示、訓(xùn)練模型、情感分類5個(gè)步驟，具體如圖4所示。

圖4 公安微博評(píng)論情感分析框架圖

2.2 數(shù)據(jù)獲取與預(yù)處理

2.2.1 數(shù)據(jù)獲取

在進(jìn)行情感分類建模之前，需要采集分析的數(shù)據(jù)。筆者針對(duì)公安微博，基于Python網(wǎng)絡(luò)爬蟲技術(shù)獲取了2019年熱點(diǎn)輿情事件中公安微博下的評(píng)論信息。

2.2.2 數(shù)據(jù)預(yù)處理

(1)數(shù)據(jù)清洗。由于獲取的微博評(píng)論文本數(shù)據(jù)中有許多異常字符，這會(huì)影響后續(xù)的文本處理，因此需刪除原始數(shù)據(jù)中的異常字符。此外，微博評(píng)論中有很多內(nèi)容與公安微博的帖子無關(guān)，或者無法判斷評(píng)論的情緒，例如一些網(wǎng)絡(luò)鏈接、“轉(zhuǎn)發(fā)微博”、“轉(zhuǎn)發(fā)圖片”等文字。

(2)人工標(biāo)注。經(jīng)數(shù)據(jù)清洗后，得到10 136條微博評(píng)論，包括5 267條正向評(píng)論和4 869條負(fù)向評(píng)論。從語料庫中隨機(jī)選取80%的微博評(píng)論作為訓(xùn)練集，20%作為測試，用于公安微博情感分類模型的構(gòu)建。

(3)文本分詞。利用結(jié)巴分詞和Python提供的成熟的工具庫實(shí)現(xiàn)對(duì)文本的中文分詞。有些詞語在文本中的使用頻率較高，卻無檢索意義，不能表達(dá)文本中心思想，稱之為停用詞。筆者使用哈爾濱工業(yè)大學(xué)的停用詞表來匹配評(píng)論文本中的停用詞，若匹配成功，則刪除該詞，否則保留該詞。

2.3 基于Word2vec的詞向量訓(xùn)練

采用Skip-gram模型對(duì)詞庫進(jìn)行向量表達(dá)時(shí)，主要參數(shù)設(shè)置如下：①window=5。對(duì)于上下窗口，如果取值太小時(shí)則會(huì)丟失一些重要的上下文信息，上下文窗口的取值為5，能夠利用好上下文信息，故將窗口值設(shè)定為5。②min_count=10。為提高情感分析的準(zhǔn)確率，訓(xùn)練時(shí)對(duì)詞頻進(jìn)行統(tǒng)計(jì)，當(dāng)詞語出現(xiàn)次數(shù)小于該參數(shù)時(shí)，該詞被丟掉，文中將該參數(shù)設(shè)置為10。③size=300。基于精確度的考慮，詞向量維度設(shè)為300，得到每個(gè)詞語的向量，對(duì)句中詞語向量取均值得到句向量。

2.4 分類模型構(gòu)建

筆者采用SVM算法作為微博評(píng)論的分類模型，應(yīng)用Word2vec建立訓(xùn)練數(shù)據(jù)集，采用Python平臺(tái)下的sklearn算法模塊實(shí)現(xiàn)支持向量機(jī)模型。為了提高模型的準(zhǔn)確率和效率，核函數(shù)采用SVC類下的徑向基函數(shù)。

3 公安微博用戶評(píng)論情感分析

3.1 熱點(diǎn)事件選取

2019年6月發(fā)生在大連的“女子半夜遭毆打”事件描述：2019年6月22日凌晨0點(diǎn)44分7秒，一名女孩突然被迎面走來的男子兇殘?zhí)叽颉?月24日，監(jiān)控視頻在微博平臺(tái)曝光。針對(duì)這一案情，公安機(jī)關(guān)通過公安微博及時(shí)發(fā)布案件進(jìn)展。公眾對(duì)于該事件的評(píng)論帶有明顯的情感傾向，在與公安微博的互動(dòng)交流過程中網(wǎng)絡(luò)輿情起伏跌宕，具有典型意義，故選取該事件作為案例研究對(duì)象。

3.2 事件評(píng)論數(shù)據(jù)來源

2019年6月24日，監(jiān)控視頻流傳后，“@綿陽網(wǎng)警巡查執(zhí)法”在第一時(shí)間做出反應(yīng)，安撫網(wǎng)民情緒，“@中國警方在線”在6月25日8時(shí)26分轉(zhuǎn)發(fā)微博，并在全網(wǎng)尋找線索。在確定事發(fā)地點(diǎn)后，“@大連公安”在6月25日15時(shí)20分進(jìn)行了警情通報(bào)。雖然其他網(wǎng)警都積極響應(yīng)，但“@中國警方在線”“@大連公安”“@綿陽網(wǎng)警巡查執(zhí)法”受到更多關(guān)注，所以選取這3個(gè)公安微博為研究對(duì)象，通過Python爬取了公眾評(píng)論文本作為原始數(shù)據(jù)，共得到6月24日10時(shí)至6月26日7時(shí)公安微博15條發(fā)文下總計(jì)超145 485條有效評(píng)論，部分評(píng)論數(shù)據(jù)如表1所示。

表1 部分公安微博評(píng)論數(shù)據(jù)

3.3 事件情感時(shí)間特征分析

通過對(duì)評(píng)論數(shù)據(jù)進(jìn)行情感分析發(fā)現(xiàn)，該熱點(diǎn)事件發(fā)生后，網(wǎng)友通過微博評(píng)論表達(dá)主觀情緒隨時(shí)間起伏明顯，同時(shí)信息擴(kuò)散過程呈現(xiàn)出明顯的階段性特征。與其他輿情事件不同的是，雖然視頻于6月24日晚在微博上得到大量轉(zhuǎn)發(fā)，但是根據(jù)用戶的瀏覽習(xí)慣，大部分網(wǎng)友都處于睡眠狀態(tài)，所以短時(shí)間內(nèi)僅得到了少數(shù)用戶的關(guān)注，潛伏期較長，公眾情緒聚集后在某個(gè)時(shí)刻爆發(fā)式增長，在6月25日15:00—16:00發(fā)酵達(dá)到峰值，此時(shí)正是公安機(jī)關(guān)確定案發(fā)地點(diǎn)的時(shí)間，隨后下降。但由于沒能及時(shí)抓獲犯罪嫌疑人，依然維持一定熱度。事件評(píng)論的整體走勢如圖5所示，可根據(jù)各時(shí)段的評(píng)論走勢將事件劃分為潛伏期→爆發(fā)期→消散期。負(fù)面評(píng)論占比變化圖如圖6所示。

圖5 “女子半夜遭毆打”事件評(píng)論走勢圖

圖6 “女子半夜遭毆打”事件負(fù)面評(píng)論占比變化圖

(1)潛伏期(6月24日22:00—6月25日15:00)。這一階段視頻剛流傳且處于深夜，關(guān)注的人不多，很多信息都不明朗，相關(guān)討論在微博上并未形成太大的聲勢?！癅綿陽網(wǎng)警巡查執(zhí)法”在第一時(shí)間轉(zhuǎn)發(fā)并在全網(wǎng)搜集線索。然而，由于其他公安微博沒有及時(shí)響應(yīng)，6月25日8時(shí)26分，“@中國警方在線”對(duì)“@綿陽網(wǎng)警巡查執(zhí)法”關(guān)于線索征集的微博進(jìn)行轉(zhuǎn)發(fā)，負(fù)面評(píng)論仍快速增長(見圖6節(jié)點(diǎn)4)，主要體現(xiàn)在對(duì)女孩的同情、對(duì)犯罪嫌疑人的憤怒、對(duì)個(gè)人生命安全的恐慌和對(duì)公安執(zhí)法的不信任；9時(shí)53分“@中國警方在線”再次發(fā)聲征集線索，語氣強(qiáng)烈，負(fù)面評(píng)論隨后有所回落(見圖6節(jié)點(diǎn)5、6)；11時(shí)起，“@中國警方在線”3小時(shí)內(nèi)連發(fā)5條微博(見圖6節(jié)點(diǎn)6～節(jié)點(diǎn)10)，其中包括對(duì)當(dāng)前案件線索的匯總、對(duì)辦案進(jìn)程的播報(bào)和對(duì)女性安全的關(guān)切，負(fù)面評(píng)論得到了有效控制。

(2)爆發(fā)期(6月25日15:00—6月26日02:00)。這一階段的特征是受眾情緒大量聚集爆發(fā)。6月25日15時(shí)20分，“@大連公安”發(fā)布警情通報(bào)，確認(rèn)該事件發(fā)生地在甘井子，“@中國警方在線”迅速轉(zhuǎn)發(fā)，一小時(shí)微博評(píng)論達(dá)43 087條，負(fù)面評(píng)論占比達(dá)到87.13%，由于公安部門處理案件迅速、處理案件及時(shí)，網(wǎng)友的情緒逐步穩(wěn)定。6月25日17時(shí)30分，“@中國警方在線”對(duì)知乎等平臺(tái)上的言論辟謠，負(fù)面評(píng)論雖有上升趨勢，但該條微博發(fā)出后，負(fù)面評(píng)論占比減少(見圖6節(jié)點(diǎn)13)。由于17時(shí)30分以后，無任何關(guān)于案件進(jìn)展的信息通報(bào)，網(wǎng)絡(luò)輿論再次發(fā)酵，6月25日23時(shí)39分，“@大連公安”發(fā)布警情通報(bào)稱犯罪嫌疑人被抓獲，“@中國警方在線”再次轉(zhuǎn)發(fā)，網(wǎng)友對(duì)該事件的評(píng)價(jià)趨于理性，負(fù)面評(píng)論減少(見圖6節(jié)點(diǎn)14、15)。

(3)消散期(6月26日02:00以后)。這一階段的主要表現(xiàn)是相應(yīng)評(píng)論數(shù)量變少。伴隨著事件處理結(jié)果的公布和犯罪嫌疑人的抓獲，負(fù)面評(píng)論占比減少，隨后關(guān)于該事件的討論逐漸在網(wǎng)絡(luò)輿情中消退。

綜上可知，公安微博在應(yīng)對(duì)與處理網(wǎng)絡(luò)輿情事件中具有不可替代的作用。但在很多情況下公安微博是被動(dòng)應(yīng)對(duì)，而不是制度約束或信息系統(tǒng)的自動(dòng)作為，所以有必要進(jìn)一步分析與設(shè)計(jì)公安微博的輿情反饋模型。

4 公安微博輿情反饋模型

4.1 反饋模型構(gòu)建

根據(jù)信息反饋理論模型構(gòu)建公安微博輿情反饋系統(tǒng)，如圖7所示，可知公安微博輿情反饋系統(tǒng)由一些相互聯(lián)系和相互影響的部件組成，是具有特定功能的一個(gè)整體。對(duì)各級(jí)公安系統(tǒng)來說，反饋系統(tǒng)主要包括指揮中心、信息管理部門和刑事偵查、治安管理、交通警察等執(zhí)行機(jī)構(gòu)。

圖7 公安微博輿情反饋系統(tǒng)

(1)指揮中心。指揮中心負(fù)責(zé)公安情報(bào)信息的匯總和研判；協(xié)助領(lǐng)導(dǎo)組織協(xié)調(diào)對(duì)各類重大輿情事件的處置；組織管理全局通訊工作；監(jiān)督管理全市計(jì)算機(jī)系統(tǒng)安全，依法查處計(jì)算機(jī)違法案件。在公安微博情感輿情反饋系統(tǒng)中，指揮中心構(gòu)成系統(tǒng)的調(diào)節(jié)器或控制器。

(2)執(zhí)行機(jī)構(gòu)。在公安微博輿情反饋系統(tǒng)中，刑偵部門、治安大隊(duì)及交通警察構(gòu)成系統(tǒng)的執(zhí)行機(jī)構(gòu)，負(fù)責(zé)具體的案件調(diào)查工作。

(3)反饋。信息管理部門負(fù)責(zé)全局計(jì)算機(jī)系統(tǒng)、網(wǎng)絡(luò)的規(guī)劃和建設(shè)；組織實(shí)施重大社會(huì)活動(dòng)和治安突發(fā)事件應(yīng)急通信工作和數(shù)據(jù)收集與處理，包括對(duì)公安微博用戶評(píng)論進(jìn)行搜集、情感分析、關(guān)鍵詞提取。在公安微博輿情反饋系統(tǒng)中，信息管理部門主要承擔(dān)情感分析的工作，并將結(jié)果反饋到指揮中心。

(4)擾動(dòng)。擾動(dòng)指在微博的實(shí)際傳播過程中，公安部門傳遞的和公眾接收的信息往往有差別，通常是由于噪音干擾造成的。噪音可以是系統(tǒng)外的噪音(社會(huì)因素)、人為的噪音(虛假信息等)，也可以是系統(tǒng)內(nèi)的噪音(系統(tǒng)故障)、自然噪音(不可抗力因素)等。

(5)相關(guān)含義說明。在輿情反饋控制系統(tǒng)中，不同環(huán)節(jié)的輸入量、輸出量的含義是不同的。①輸出量：即被控對(duì)象的輸出變量，也是控制系統(tǒng)的輸出量y(t)，在系統(tǒng)中指評(píng)論總數(shù)、負(fù)面情緒占比等。②控制量：被控對(duì)象的控制輸入，也是執(zhí)行機(jī)構(gòu)或控制器的輸出，控制量通常是一些可以對(duì)被控對(duì)象輸出產(chǎn)生有效影響的變量。③參考輸入：給定環(huán)節(jié)的輸出，表示被控對(duì)象輸出量的測量值應(yīng)達(dá)到的數(shù)值，通常情況下參考輸入也是控制系統(tǒng)的輸入r(t)。④誤差：參考輸入信號(hào)與被控對(duì)象輸出量的測量值之間的偏差，誤差信號(hào)一般是控制器的輸入信號(hào)e(t)。

4.2 公安微博輿情反饋控制管理

4.2.1 設(shè)定參考輸入

確定模型的參考輸入是實(shí)現(xiàn)輿情反饋控制管理的首要環(huán)節(jié)。該反饋模型主要考慮公安微博評(píng)論，根據(jù)日常評(píng)論數(shù)均值，不同的公安微博設(shè)定適合自身的參考輸入r1(t)。負(fù)面評(píng)論占比主要用于考察網(wǎng)友對(duì)信息的認(rèn)同度，并判斷是否需要進(jìn)行持續(xù)信息發(fā)布和針對(duì)性的輿情應(yīng)對(duì)。當(dāng)負(fù)面評(píng)論占比小于50%時(shí)，說明事情處理有序。當(dāng)負(fù)面評(píng)論占比大于50%時(shí)，需與網(wǎng)友積極互動(dòng)的同時(shí)，歸納出問題的焦點(diǎn)，以發(fā)布微博集中回復(fù)、組織專家專題訪談等形式，發(fā)布更詳盡的回應(yīng)信息和依據(jù)。在輿情反饋模型中，公安微博需設(shè)置負(fù)面評(píng)論占比的參考輸入r2(t)，一般不超過50%。同時(shí)在評(píng)估負(fù)面評(píng)論時(shí)，必須要甄別情緒性和理解偏差性的負(fù)面評(píng)論，看到網(wǎng)友真實(shí)的反應(yīng)。

4.2.2 輿情反饋控制

輿情反饋是一個(gè)動(dòng)態(tài)的過程，對(duì)于公安微博輿情反饋系統(tǒng)，熱點(diǎn)輿情事件發(fā)生后，若負(fù)責(zé)某公安微博的信息管理人員發(fā)現(xiàn)評(píng)論數(shù)e1(t)遠(yuǎn)高于參考輸入r1(t)，說明網(wǎng)友具有較強(qiáng)烈的評(píng)論意愿，此時(shí)應(yīng)及時(shí)關(guān)注負(fù)面評(píng)論情況、收集匯總網(wǎng)友的質(zhì)疑、采集用戶評(píng)論、進(jìn)行情感分析和關(guān)鍵詞提取，并把數(shù)據(jù)傳送至指揮中心。指揮中心對(duì)數(shù)據(jù)進(jìn)行匯總和研判，再根據(jù)輿情事件的嚴(yán)重程度，協(xié)調(diào)各部門，合理調(diào)度警力，安排相應(yīng)的執(zhí)行機(jī)構(gòu)去處理案件，處理后經(jīng)公安微博進(jìn)行警情通報(bào)。

當(dāng)警情通報(bào)發(fā)布后，公安機(jī)關(guān)可以組織相關(guān)管理部門對(duì)輿情信息進(jìn)行反饋跟蹤，如信息管理部門需對(duì)一定時(shí)間間隔內(nèi)(可設(shè)為1 h)的微博評(píng)論進(jìn)行采集和處理。①及時(shí)跟蹤反饋信息。②及時(shí)修正反饋信息：在反饋的內(nèi)容上，要更多地反映公眾關(guān)注點(diǎn)，從而根據(jù)公眾需求發(fā)布更貼切的信息。③得到評(píng)論總數(shù)和負(fù)面評(píng)論占比，即系統(tǒng)的輸出y1(t)和y2(t)，并將結(jié)果反饋至指揮中心。

若系統(tǒng)輸入接近參考輸入，即e1(t)和e2(t)趨近于0，說明輿情得到了良好控制，可以減少部分警力。若仍與參考輸入差別較大，即e(t)(包括e1(t)和e2(t))變化不明顯，說明應(yīng)對(duì)乏力，指揮中心應(yīng)再次根據(jù)評(píng)論文本數(shù)據(jù)提取的關(guān)鍵詞，在案件處理過程中考慮公眾訴求，調(diào)整處理策略。若不能在限定時(shí)間內(nèi)處理并公布結(jié)果，則須經(jīng)公安微博在許可范圍內(nèi)向公眾充分解釋，堅(jiān)持公安工作原則，把握行為限度。如此反復(fù)，直到評(píng)論總數(shù)和負(fù)面評(píng)論占比趨近于參考輸入。

由于反饋系統(tǒng)存在一定的時(shí)延性，為了提高效率，指揮中心在處理過程中應(yīng)根據(jù)輿情發(fā)展特點(diǎn)，對(duì)評(píng)論的正負(fù)傾向進(jìn)行預(yù)測，及時(shí)在事件發(fā)酵過程中給予正面引導(dǎo)，先發(fā)制人，以迅速控制輿情，避免不必要的負(fù)面情緒擴(kuò)散。在輿情發(fā)展過程中，還應(yīng)進(jìn)行謠言和次生輿情的監(jiān)測，及時(shí)辟謠。

4.2.3 聯(lián)動(dòng)反饋

當(dāng)某些輿情事件發(fā)生時(shí)，由于相關(guān)公安微博沒有及時(shí)對(duì)公共訴求進(jìn)行反饋，于是公眾轉(zhuǎn)向其他影響力較高的政務(wù)微博，例如“@人民日?qǐng)?bào)”“@共青團(tuán)中央”，并在這些微博上留言。如昆明大學(xué)生李心草溺亡事件，當(dāng)“@李心草媽媽”表達(dá)自己的訴求后，由于短期內(nèi)“@昆明公安”未回應(yīng)，網(wǎng)友紛紛到“@人民日?qǐng)?bào)”評(píng)論區(qū)留言，希望人民日?qǐng)?bào)能關(guān)注該事件。

因此，公安機(jī)關(guān)需要通過公安微博及時(shí)收集數(shù)據(jù)、分析數(shù)據(jù)，協(xié)調(diào)各部門工作，并建立各公安微博的聯(lián)動(dòng)反饋。當(dāng)某微博賬號(hào)監(jiān)測到非轄區(qū)內(nèi)輿情時(shí)，同樣應(yīng)當(dāng)積極回應(yīng)，同時(shí)跟事發(fā)地的公安機(jī)關(guān)取得聯(lián)系。當(dāng)案情有進(jìn)展時(shí)，不僅自身要進(jìn)行信息通報(bào)，還要將結(jié)果反饋到對(duì)應(yīng)微博，以促進(jìn)輿情的控制。

5 結(jié)論

(1)為充分挖掘輿情事件下評(píng)論文本中所蘊(yùn)含的大量有價(jià)值的信息，通過Word2vec和SVM算法對(duì)2019年“女子半夜遭毆打”事件相關(guān)的公安微博評(píng)論進(jìn)行文本分析，結(jié)果表明公安部門積極運(yùn)用公安微博有針對(duì)性地開展微博信息發(fā)布，可以化解群眾對(duì)輿情熱點(diǎn)事件的質(zhì)疑與恐慌。但公安微博在處理網(wǎng)絡(luò)輿情事件時(shí)常存在應(yīng)對(duì)不當(dāng)?shù)那闆r，導(dǎo)致公眾的負(fù)面情緒不能得到及時(shí)有效的控制，故將反饋思想運(yùn)用到公安微博情感分析模型中，構(gòu)建公安微博輿情反饋模型，為公安機(jī)關(guān)控制輿情提供有效參考。

(2)在分類模型方面，筆者選擇了基于機(jī)器學(xué)習(xí)的SVM這一模型對(duì)文本進(jìn)行情感分類，為了提高文本情感分類模型的性能，未來可以嘗試更多情感分類模型，還可針對(duì)文本情感分類進(jìn)行深層次的模型融合，以提高文本情感分類任務(wù)的效率；為提高公安微博輿情反饋模型統(tǒng)的處理效率，下一步還需要通過更多的數(shù)據(jù)分析使得對(duì)不同的輿情事件進(jìn)行分級(jí)處理。