基于爬蟲技術(shù)與智能算法的網(wǎng)絡(luò)輿情監(jiān)測

雍龍泉，賈 偉，張建科

（1陜西理工大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，陜西 漢中，723001；2陜西省工業(yè)自動化重點(diǎn)實(shí)驗(yàn)室，陜西 漢中723001；3西安郵電大學(xué) 理學(xué)院，西安710121）

0 引 言

互聯(lián)網(wǎng)技術(shù)的發(fā)展到今天，社交網(wǎng)絡(luò)大肆興起，人們越來越習(xí)慣于使用社交網(wǎng)絡(luò)媒體，也越來越傾向于借助這一平臺來實(shí)時分享自己的信息，發(fā)表言論、抒發(fā)情感。但是，當(dāng)某一事件發(fā)生時，必將在社交網(wǎng)絡(luò)中廣泛傳播，由于社交網(wǎng)絡(luò)用戶的爆炸式增長，就很可能會產(chǎn)生輿情，輿情將會對民眾產(chǎn)生巨大的影響，甚至對社會安全產(chǎn)生一定的威脅［1-4］。因此，研究突發(fā)事件網(wǎng)絡(luò)輿情的傳播特性及演化過程，建立數(shù)學(xué)模型來探討突發(fā)事件網(wǎng)絡(luò)輿情演化規(guī)律及動力學(xué)分析，具有重要的現(xiàn)實(shí)意義［5-8］。

本文采用較為流行的網(wǎng)絡(luò)爬蟲技術(shù)從百度指數(shù)爬取某一“熱門事件”的數(shù)據(jù)，并對這些數(shù)據(jù)進(jìn)行預(yù)處理；進(jìn)而建立Logistic微分方程數(shù)學(xué)模型，利用已有數(shù)據(jù)，采用智能算法確定微分方程解中的3個參數(shù)，最后應(yīng)用于網(wǎng)絡(luò)輿情預(yù)測。

本文的思路如圖1所示。

圖1 網(wǎng)絡(luò)輿情監(jiān)測流程Fig.1 Network public opinion monitoring process

下文以近期“茍晶”事件為例，說明該方法的應(yīng)用。

1 實(shí)現(xiàn)過程

1.1 獲取百度搜索指數(shù)

打開網(wǎng)址http：／／index.baidu.com／，輸入關(guān)鍵詞“茍晶”；設(shè)置時間范圍為近30天，即2020.6.24-2020.7.23（時間范圍可以手動設(shè)置）；得到百度搜索指數(shù)如圖2所示。

圖2 百度搜索指數(shù)Fig.2 Baidu Search Index

百度指數(shù)，主要包括搜索指數(shù)、資訊指數(shù)、媒體指數(shù)。百度搜索指數(shù)是以網(wǎng)民每天在百度的搜索量為數(shù)據(jù)基礎(chǔ)，以關(guān)鍵詞為統(tǒng)計(jì)對象，科學(xué)分析并計(jì)算出各個關(guān)鍵詞在百度網(wǎng)頁搜索中搜索頻次的加權(quán)和；它能形象地反映該關(guān)鍵詞每天的變化趨勢，根據(jù)使用百度搜索來源的不同，搜索指數(shù)分為PC端和移動端。

我們采用Python爬蟲技術(shù)［9-10］，獲得該時間段內(nèi)的數(shù)據(jù)見表1前3列。為了建立數(shù)學(xué)模型，下面對這些數(shù)據(jù)進(jìn)行初步處理。

1.2 數(shù)據(jù)處理

把2020-06-24當(dāng)做第一天，即t1＝1，其余依次類推，2020-07-23便是第30天；百度搜索指數(shù)，也即每天的關(guān)注量，從數(shù)學(xué)上而言即單位時間信息量dx／dt；每天關(guān)注量的累計(jì)，即網(wǎng)絡(luò)輿情信息量的和x（t i）；簡單處理后得到表1的第4與第5列數(shù)據(jù)。

表1 數(shù)據(jù)列表Tab.1 Data list

1.3 建立數(shù)學(xué)模型

大疫當(dāng)前，數(shù)學(xué)能做什么［11］？國內(nèi)已有一些學(xué)者對突發(fā)事件網(wǎng)絡(luò)輿情進(jìn)行了研究，張一文等利用系統(tǒng)動力學(xué)建模探究事物自身演化機(jī)理，為控制非常規(guī)突發(fā)事件網(wǎng)絡(luò)輿情擴(kuò)散，引導(dǎo)非常規(guī)突發(fā)事件輿情傳播提供有力依據(jù)［12］；宋海龍等根據(jù)突發(fā)事件網(wǎng)絡(luò)輿情具有自由性、互動性、即時性、隱匿性、群體極化性等特點(diǎn)，探討了形成、高漲、波動和最終淡化4個階段網(wǎng)絡(luò)輿情的引導(dǎo)和控制問題［13］。學(xué)習(xí)過數(shù)學(xué)建?；蛘呱飻?shù)學(xué)的人都知道，（整數(shù)階或分?jǐn)?shù)階）傳染病模型，包括SIR、SEIR模型［14-15］等，從數(shù)學(xué)上而言，就是微分方程（組）。換句話說，只要是與時間變化相關(guān)，則建立的模型要么是差分方程模型（離散問題），要么是微分方程模型（連續(xù)問題），此外還有時滯微分方程模型等。

網(wǎng)絡(luò)輿情的演進(jìn)規(guī)律，遵循如下微分方程模型：

這里x（t）表示網(wǎng)民對某一熱門事件進(jìn)行交流而形成的網(wǎng)絡(luò)輿情信息量的和，單位時間信息量和值的相對變化率為r，x（t）的上限為K。 這個模型也稱為Logistic模型，廣泛應(yīng)用于生態(tài)系統(tǒng)、經(jīng)濟(jì)系統(tǒng)、傳染病模型等。計(jì)算可以得到該微分方程的解為：

取初始值x0＝50，K＝11 000，r＝1，函數(shù)x（t）的圖像如圖3所示。

圖3 函數(shù)x（t）的圖像Fig.3 Image of function x（t）

在輿情建模與仿真相關(guān)文獻(xiàn)里面，有的學(xué)者把輿情的傳播劃分為3個階段，分別稱之為輿情的產(chǎn)生階段、發(fā)展階段、衰退階段；有的學(xué)者把輿情的傳播劃分為6個階段，分別稱之為輿情的潛伏期、成長期、蔓延期、爆發(fā)期、衰退期、消亡期；也有些學(xué)者把輿情的傳播劃分為5個階段，分別稱之為輿情的潛伏期、萌動期、加速期、成熟期、衰退期。劃分為5個階段的較為常見，這方面的研究見文獻(xiàn)［5-6］，在此不再詳述。網(wǎng)絡(luò)輿情信息量的和x（t），其一般形式為：

分別建立如下最小誤差優(yōu)化模型：

模型（4）采用非線性最小二乘，模型（5）采用非線性最小一乘。

1.4 智能算法求解

令X＝（c1，c2，c3），模型（4）與（5）便是一個無約束優(yōu)化問題minf（X），下面采用正弦余弦算法（Sine Cosine Algorithm，簡稱SCA）來確定參數(shù)X。SCA算法步驟如下：

步驟1初始化

設(shè)置種群規(guī)模N，空間維數(shù)D，控制參數(shù)a，最大迭代次數(shù)Tmax；在可行域空間中隨機(jī)初始化N個個體組成初始種群；t＝1；計(jì)算當(dāng)前每個個體的適應(yīng)值，并記錄最優(yōu)個體位置P（t）；

步驟2種群更新

隨機(jī)產(chǎn)生r2∈U［0，2π］，r3∈U［0，2］，r4∈U［0，1］；

越界處理；

計(jì)算每個個體的適應(yīng)值并更新種群的最優(yōu)個體位置P（t）；t＝t+1；

end while

步驟3輸出解

SCA算法最顯著的特點(diǎn)是基于正弦函數(shù)（6）和余弦函數(shù)（7）值的變化來達(dá)到尋優(yōu)目的，其結(jié)構(gòu)簡單，容易實(shí)現(xiàn)，在SCA算法中，主要參數(shù)有4個：r1、r2、r3、r4。 其中，最關(guān)鍵的是r1，控制算法從全局搜索到局部開發(fā)的轉(zhuǎn)換。有關(guān)正弦余弦算法詳細(xì)分析，見文獻(xiàn)［16］。

對模型（4），SCA優(yōu)化結(jié)果為：

1.5 網(wǎng)絡(luò)輿情數(shù)據(jù)預(yù)測

從以上便得到：

代入t i，i＝1，2，…，30，預(yù)測得到的數(shù)據(jù)見表1的最后一列。

為了較為直觀的反映網(wǎng)絡(luò)輿情的發(fā)展趨勢，圖4給出了百度搜索指數(shù)，圖5給了網(wǎng)絡(luò)輿情信息量的擬合曲線與誤差圖。

圖4 百度搜索指數(shù)Fig.4 Baidu Search Index

圖5 擬合曲線與誤差Fig.5 The fitting curve and error

從圖5可以看出，前期存在誤差，后期誤差很小。主要原因在于，對于突發(fā)事件，網(wǎng)絡(luò)輿情前期不穩(wěn)定、波動大，所以誤差較大；越到后期，網(wǎng)絡(luò)輿情較為一致，所以后期誤差較小。

2 結(jié)束語

正弦余弦算法對目標(biāo)函數(shù)的可導(dǎo)性無限制，因此不論是采用可導(dǎo)的非線性最小二乘模型（4），還是采用不可導(dǎo)的非線性最小一乘模型（5），SCA算法都能夠獲得近似一致的結(jié)果；這為輿情傳播建模與仿真開辟了新的方向。