面向突發(fā)事件的網(wǎng)絡輿情可信度評估及政務微博引導研究*

李一銘 徐緒堪 王普查

(1.河海大學商學院 常州 213022；2.河海大學統(tǒng)計與數(shù)據(jù)科學研究所 常州 213022；3.常州市工業(yè)大數(shù)據(jù)挖掘與知識管理重點實驗室 常州 213022)

當前我國處于社會轉(zhuǎn)型的關鍵時期，致災因子高度集中，突發(fā)事件頻發(fā)，例如：SARS危機、“8·12”天津港爆炸事故、“6·22”杭州保姆縱火案、2020年的新冠肺炎疫情事件。突發(fā)事件涉及的數(shù)據(jù)呈現(xiàn)容量大、流動快、形態(tài)多以及價值密度低的特點[1]，為突發(fā)事件的快速響應帶來巨大挑戰(zhàn)。隨著網(wǎng)絡的快速發(fā)展，數(shù)據(jù)增速變快，利用效率低下，大量的不可信數(shù)據(jù)因而滋生，影響著突發(fā)事件的發(fā)展進程，輿情數(shù)據(jù)的漣漪式傳播，不僅會加重原事件帶來的后果，甚至會產(chǎn)生一系列的衍生事件，造成對社會的二次影響。

優(yōu)質(zhì)的應急情報服務需要保證數(shù)據(jù)的可信度，因此，本文面向重大突發(fā)事件，構(gòu)建了基于高斯過程分類的網(wǎng)絡輿情可信度評估模型。通過追溯數(shù)據(jù)源計算全局可信度，識別謠言信息，防止因數(shù)據(jù)失實輿情失控給社會造成嚴重的損失，并以政府數(shù)據(jù)共享、公共價值最大化為導向，輿情可信度評估為數(shù)據(jù)支撐，融合政務新媒體等要素，提出多元協(xié)同的突發(fā)事件網(wǎng)絡輿情引導機制，為提升突發(fā)事件響應過程中的情報感知能力提供新思路。

1 國內(nèi)外相關研究述評

1.1政務微博輿情研究述評隨著“互聯(lián)網(wǎng)+政務服務”的有效推進，政務新媒體在突發(fā)事件響應中發(fā)揮了重要的輿論引導作用。唐夢斐等[2]以“上海外灘踩踏事件”為研究對象，引入影響力和影響效果兩個指標，分析了政務微博在突發(fā)事件辟謠過程中存在的問題。王國華等[3]針對“深圳山體滑坡”突發(fā)事件，借助社會網(wǎng)絡分析法，探討了政務微博引導輿情走向的聯(lián)動效應規(guī)律。翟冉冉等[4]為研究政府在網(wǎng)絡輿情應對中的有效回應方式，從各類突發(fā)公共事件情境出發(fā)，對政務微博的回應內(nèi)容進行了編碼，分析其特征規(guī)律。陳娟等[5]基于政務微博的內(nèi)容和文本特征，構(gòu)建了傳播效果回歸模型，謠言類型、內(nèi)容長度、信息情感傾向等顯著影響著政務微博的辟謠傳播效果。張雪梅等[6]引入道格拉斯生產(chǎn)函數(shù)和DEA模型，對政務微博輿情數(shù)據(jù)傳播效率評價指標體系的投入、產(chǎn)出指標進行投影分析，研究政務微博傳播效率較低的原因。馮小東等[7]從個體參與政務微博傳播的微觀視角出發(fā)，給出了一種基于文本挖掘的度量方法，發(fā)現(xiàn)公眾興趣和社會信任是影響政務微博傳播效果的重要因素。沈霄等[8]研究了近三年政務微博蹭熱點的案例，針對政務微博如何有效利用熱點現(xiàn)象，從情感偏向、語言風格、內(nèi)容屬性、立場傾向四維度進行深入剖析。姜景等[9]比較了政務微博和政務抖音信息發(fā)布和傳播的特征和差異，提出在應對突發(fā)事件的輿情時，政務微博和政務抖音應實現(xiàn)矩陣互補、雙微聯(lián)動。鄧喆等[10]從疫情響應、議題設置、傳播效果、網(wǎng)絡交互四個角度，對比了政務微博在疫情防控期間輿論引導的內(nèi)容特征，探究政務微博的和聲共振模式，聯(lián)合發(fā)聲、協(xié)同響應可增強政務微博的矩陣效應。

1.2網(wǎng)絡輿情可信度評估述評近年來，網(wǎng)絡輿情數(shù)據(jù)的可信度評估獲得了國內(nèi)外學者越來越多的關注，研究的視角集中于輿情來源的可信度、傳播渠道的可信度，信息內(nèi)容的可信度[11-12]。輿情數(shù)據(jù)的可信度評估模型主要基于機器學習、統(tǒng)計分析。滕婕等[13]考慮個體的異質(zhì)性，構(gòu)建了基于Multi-Agent的信任識別模型，在網(wǎng)絡輿情事件爆發(fā)時，對信息主體進行有效的信任識別。張子良等[14]針對數(shù)據(jù)傳播路徑中信息缺失的問題，應用數(shù)據(jù)溯源技術，結(jié)合傳播路徑的用戶可信度，構(gòu)建了PROV評估模型，有效量化微博的可信度。王芳等[15]基于信息生態(tài)學視角，引入謠言真實度參數(shù)，研究了公共危機謠言與正面信息交互時的真實度衡量問題。A.Farasat等[16]基于社交網(wǎng)絡中的數(shù)據(jù)傳播路徑，提出了融合多源數(shù)據(jù)的數(shù)據(jù)質(zhì)量計算方法。況湘玲等[17]考慮輿情傳播過程對信任權(quán)值的影響，構(gòu)建了多社團復雜信任網(wǎng)絡，量化了信任值動態(tài)演化的過程。李明等[18]在知識內(nèi)容、知識來源、用戶特征的三個基礎維度上，增加了知識反饋、主觀感知等維度，完善了突發(fā)事件環(huán)境下知識可信度的評估指標。李保珍等[19]引入貝葉斯推理模型，對網(wǎng)絡信息內(nèi)容的可信度進行了定量測度。孫鵬等[20]通過結(jié)構(gòu)化分解多媒體情報內(nèi)容，融合文本、圖像、音頻等數(shù)據(jù)形式，構(gòu)建了面向視頻情報內(nèi)容可信度評估的量化模型，為不同結(jié)構(gòu)的輿情數(shù)據(jù)可信度衡量提供了新的研究思路。曾子明等[21]將LDA主題模型與隨機森林相結(jié)合，挖掘文本的深層次語義信息，結(jié)合用戶可信度和微博影響力特征，較為準確的識別了霧霾事件的謠言數(shù)據(jù)。

綜上所述，政務微博是政府實現(xiàn)精準服務和輿情引導的重要工具，在突發(fā)事件的響應過程中，政務微博及時的數(shù)據(jù)共享，不僅可以有效疏解網(wǎng)民的負面情緒，降低事件演化態(tài)勢惡化的可能性，還可以釋放微博信息的潛在公共價值，提升政府的公信力。目前，輿情數(shù)據(jù)可信度研究側(cè)重于信息可信度的影響因素分析、可信度指標體系的完善，學者們常常將數(shù)據(jù)的信度評估轉(zhuǎn)化為分類問題，并不斷優(yōu)化創(chuàng)新分類模型，但模型的準確率和效率還有待提高，大多模型只是識別是否為謠言數(shù)據(jù)，未能直觀的衡量和比較數(shù)據(jù)的可信任程度?；诖?，本文提取突發(fā)事件輿情數(shù)據(jù)的關鍵詞特征、數(shù)據(jù)源特征，引入高斯過程分類模型，衡量突發(fā)事件多源數(shù)據(jù)的可信程度，快速感知異常數(shù)據(jù)，并面向政務微博，以精準防控為導向，提出多元主體協(xié)同的輿情引導機制，減少謠言的滋生，推進“互聯(lián)網(wǎng)+政務服務”。

2 考慮關鍵節(jié)點的數(shù)據(jù)可信度評估模型構(gòu)建

2.1方法選擇高斯過程是基于貝葉斯原理和統(tǒng)計學的機器學習方法，具有容易實現(xiàn)，超參數(shù)自適應獲取、輸出的結(jié)果具有概率意義等優(yōu)點，多用于遙感、工業(yè)領域[22]。針對突發(fā)事件涉及的數(shù)據(jù)非線性、高維多源、難以預估的特點，高斯過程分類模型具有較強的適應性[23]。輸入數(shù)據(jù)、數(shù)據(jù)源特征的各類指標，應用基于高斯過程原理的分類算法，GPC算法(Gaussian Process Classification)，可有效識別可信度低的數(shù)據(jù)，輸出概率值衡量數(shù)據(jù)的可信任度。

高斯過程分類的思想是基于函數(shù)空間角度，定義高斯過程用以描述函數(shù)分布，并進行貝葉斯推理。根據(jù)輸入的訓練數(shù)據(jù)集，通過映射函數(shù)，將自變量映射到高維函數(shù)空間，最后輸出自變量屬于某類標簽的概率值。

2.2基于高斯過程分類的數(shù)據(jù)可信度評估模型考慮關鍵節(jié)點的突發(fā)事件可信度評估模型構(gòu)建步驟共分為七步：a.確定突發(fā)事件的熱度話題，構(gòu)建可信度評估的指標體系，通過網(wǎng)絡爬蟲，實時獲取目標數(shù)據(jù)。b.提取數(shù)據(jù)特征，包括主題詞、數(shù)據(jù)的影響力。提取數(shù)據(jù)源特征，即數(shù)據(jù)源的可信度衡量指標。c.對數(shù)據(jù)進行標準化處理，劃分訓練集、測試集。d.設置初始參數(shù)、選擇合適的核函數(shù)，建立高斯過程分類模型進行評估。e.計算測試數(shù)據(jù)的可信度概率值，識別謠言數(shù)據(jù)。f.輸出數(shù)據(jù)的全局可信度衡量值。g.關鍵節(jié)點識別，監(jiān)測可信度較低的數(shù)據(jù)大量涌現(xiàn)的節(jié)點。具體算法流程如圖1所示：

圖1 基于高斯過程分類的數(shù)據(jù)可信度評估流程

2.2.1 提取特征向量

a.構(gòu)建數(shù)據(jù)、數(shù)據(jù)源特征指標?；谛吕宋⒉┑臄?shù)據(jù)環(huán)境，構(gòu)建數(shù)據(jù)、數(shù)據(jù)源的特征指標體系。數(shù)據(jù)特征向量包括兩大指標，主題分布和數(shù)據(jù)影響力，數(shù)據(jù)源的特征向量主要是衡量數(shù)據(jù)源的專業(yè)度、活躍情況。具體如表1所示：

表1 特征指標

b.實時獲取目標數(shù)據(jù)?？紤]到數(shù)據(jù)獲取對象、方式、頻度等對數(shù)據(jù)可信度有著一定的影響，以細化數(shù)據(jù)需求為導向，借助網(wǎng)絡數(shù)據(jù)采集技術和工具，有效的獲取目標數(shù)據(jù)。在微博環(huán)境中，確定需要采集的突發(fā)事件話題，使用網(wǎng)絡爬蟲軟件，爬取話題下的實時微博數(shù)據(jù)。一級指標中，主題分布指標由發(fā)布微博的文本內(nèi)容決定，數(shù)據(jù)源可依賴性指標數(shù)據(jù)刻畫了微博用戶的信任特征，短時間內(nèi)不會有大幅度的變化，因此，考慮爬取數(shù)據(jù)的時間維度，主題分布和數(shù)據(jù)源可依賴性兩大指標的數(shù)據(jù)獲取采用周期性的方式，頻度為每小時更新一次，但數(shù)據(jù)影響力指標中，微博數(shù)據(jù)的轉(zhuǎn)發(fā)數(shù)、評論數(shù)、點贊數(shù)、傳播熱度和評論態(tài)度需要實時監(jiān)測，以能夠及時預警網(wǎng)絡輿情演化過程的異常節(jié)點，數(shù)據(jù)影響力指標的數(shù)據(jù)獲取采取云采集的方式，工作狀態(tài)為24小時*60min，設置數(shù)據(jù)采集頻度為每分鐘更新一次。

c.處理數(shù)據(jù)，提取特征向量。將爬取的突發(fā)事件網(wǎng)絡輿情數(shù)據(jù)進行預處理，刪除重復、無關數(shù)據(jù)，去除停用詞，進行文本分詞。針對可信度評估的二級指標中，提取主題詞特征時，使用LDA文檔主題模型，將微博文本數(shù)據(jù)中出現(xiàn)的最高頻率的關鍵詞作為該文本的主題。提取數(shù)據(jù)影響力特征時，微博數(shù)據(jù)的轉(zhuǎn)發(fā)數(shù)、評論數(shù)、點贊數(shù)由網(wǎng)絡爬蟲直接爬取獲得，數(shù)據(jù)的創(chuàng)作類型由人工辨別并提取，評論態(tài)度的特征提取需要對微博下的評論內(nèi)容進行情感分析，借助自然語言處理工具包平臺,輸入評論的文本內(nèi)容，對態(tài)度傾向進行分類，確定情感態(tài)度。微博數(shù)據(jù)源的是否認證、認證類型、微博總數(shù)、關注數(shù)、粉絲數(shù)由網(wǎng)絡爬蟲直接爬取獲得。

綜合數(shù)據(jù)特征指標和數(shù)據(jù)源特征指標，進行標準化處理。默認情況下，按均值為0，方差為1的形式進行標準化。將所有的特征指標轉(zhuǎn)化為矩陣形式，將可信度設為向量形式。

2.2.2 計算全局可信度 高斯過程是任意有限隨機變量的集合，且這任意有限隨機變量均服從高斯分布。設數(shù)據(jù)和數(shù)據(jù)源的特征指標X和可信度y之間的潛在函數(shù)f(x)的先驗分布為高斯分布，則可得公式(1)，其中，使用極大似然法可估計正定協(xié)方差函數(shù)的超參數(shù)θ，k表示對稱且正定的m階協(xié)方差矩陣，Kij=k(xi,xj,θ)，k(*)為由θ決定的正定協(xié)方差函數(shù)。

p(f|X,θ)=N(0,k)

(1)

訓練樣本集為DataTrain={(xm,ym)|m=1,2,…n}，輸入數(shù)據(jù)集為X=[x1,x2,…xμ]T，輸出集合為y=[y1,y2,…yμ]T，潛在函數(shù)值fm=f(xm)。類標簽y為獨立分布，基于高斯過程原理的二分類，樣本數(shù)據(jù)x屬于類標簽y的概率值表示為公式(2)。

p(ym|fm)=Sig(ymfm)

(2)

其中，Sig()為高斯過程分類的響應函數(shù)，可將輸出值轉(zhuǎn)換為屬于某類標簽的概率值，基于此，可得到似然函數(shù)，如公式(3)。

(3)

由貝葉斯原理可得預測值的后驗概率計算公式，如公式(4)。

(4)

將測試數(shù)據(jù)DataPred代入公式(4)，得到對應的預測值的后驗概率值，如公式(5)。其中，Xpred表示測試的數(shù)據(jù)，fpred表示測試數(shù)據(jù)DataPred的潛在函數(shù)值。

(5)

最后，計算預測值fpred所對應的分類預測概率值，如公式(6)。其中，ypred為測試數(shù)據(jù)的可信度。

(6)

2.2.3 識別關鍵節(jié)點 根據(jù)李綱等[24]提出的大數(shù)據(jù)可信度度量方法，可得以下定義。

定義1 數(shù)據(jù)源：指在大數(shù)據(jù)環(huán)境下的數(shù)據(jù)提供者。

定義2 數(shù)據(jù)：由多個屬性構(gòu)成，記作：data={d1,d2,…dn}。

定義3 可信網(wǎng)絡：由數(shù)據(jù)源實體以及鏈接數(shù)據(jù)源之間的有向鏈路組成的網(wǎng)絡。

網(wǎng)絡輿情監(jiān)測區(qū)間的分層可信網(wǎng)絡演化如圖2所示，其中，W={W1,W2,…Wn}為可信度子網(wǎng)集合，可信數(shù)據(jù)與謠言數(shù)據(jù)的交互傳播，形成不同時刻節(jié)點下的可信度子網(wǎng)。Tn時刻數(shù)據(jù)的可信度網(wǎng)絡如圖3所示，輿情數(shù)據(jù)的可信度衡量中，除了與本身的數(shù)據(jù)特征指標有關，還與發(fā)布數(shù)據(jù)的數(shù)據(jù)源有著直接關聯(lián)，在各個有著關聯(lián)關系的數(shù)據(jù)源之中，數(shù)據(jù)通過有向的鏈路進行傳播，形成了一個分層可信網(wǎng)絡。

圖2 可信網(wǎng)絡演化過程

圖3 輿情數(shù)據(jù)傳遞網(wǎng)絡

在突發(fā)事件輿論爆發(fā)的關鍵節(jié)點，存在著放大效應，且極易滋生大量謠言數(shù)據(jù)，常有大量的營銷賬號、網(wǎng)絡水軍，迅速傳播謠言數(shù)據(jù)，制造可信假象，惡意引導普通用戶的情緒，引發(fā)輿情爆點，為防止關鍵節(jié)點的失控，基于可信網(wǎng)絡，考慮可信數(shù)據(jù)和謠言數(shù)據(jù)的交互，通過監(jiān)測可信度較低數(shù)據(jù)的濃度來識別輿情演化的異常節(jié)點。

3 實證分析

2020年初，全球范圍內(nèi)爆發(fā)了新型冠狀病毒肺炎，事發(fā)突然，疫情快速蔓延。國內(nèi)各地快速啟動一級響應，世界衛(wèi)生組織將新型肺炎疫情評為國際關注的突發(fā)公共衛(wèi)生事件。本文選取新型肺炎疫情事件驗證建立的數(shù)據(jù)可信度評估模型，具有一定代表性，能為突發(fā)事件的高效響應提供支撐。

3.1數(shù)據(jù)來源從網(wǎng)頁版新浪微博中爬取圍繞“新冠肺炎”話題下，2020年1月20日至2月15日發(fā)布的微博，采集了2 486條數(shù)據(jù)，包括微博的文本內(nèi)容、評論文內(nèi)容，轉(zhuǎn)發(fā)數(shù)、評論數(shù)、點贊數(shù)，微博的發(fā)表時間，發(fā)表微博的用戶昵稱，用戶是否認證，用戶關注數(shù)、粉絲數(shù)、該用戶已發(fā)微博的總量。

3.2數(shù)據(jù)和數(shù)據(jù)源特征向量篩選刪除2 486條微博數(shù)據(jù)中的重復數(shù)據(jù)、無關數(shù)據(jù)，根據(jù)構(gòu)建的數(shù)據(jù)、數(shù)據(jù)源特征指標整理有效數(shù)據(jù)，最后得1 000條有效數(shù)據(jù)?；赗語言環(huán)境，調(diào)用jiebaR程序包進行分詞，調(diào)用LDA程序包進行主題建模。計算不同主題數(shù)下的困惑度，如圖4所示，根據(jù)困惑度最小原則，選取主題參數(shù)K為8。設置迭代次數(shù)G為5000，文檔中的主題稀疏性超參數(shù)alpha=0.10，主題中的單詞稀疏性超參數(shù)beta=0.02。超參數(shù)alpha、beta與主題參數(shù)相互關聯(lián)，一般情況下，alpha的初始取值接近于1/k，根據(jù)輸入的數(shù)據(jù)文檔，通過迭代方法更新超參數(shù)[25]。

圖4 主題困惑度

迭代結(jié)束，可得主題分布結(jié)果，每個主題取前五個關鍵詞，關鍵詞分布比例情況如表2所示：

表2 主題分布

3.3全局可信度值以中央網(wǎng)信辦違法和不良信息舉報中心下的中國互聯(lián)網(wǎng)聯(lián)合辟謠平臺曝光的謠言信息作為謠言識別的基準，將數(shù)據(jù)的70%設為樣本訓練集，數(shù)據(jù)的30%設為測試集。高斯過程模型的類型參數(shù)type設置為分類classification，核函數(shù)設置為徑向基核函數(shù)，即kernel=rbfdot，tol參數(shù)為終止條件的容忍度，設置為1e-5，指定cross=5，算法對訓練集執(zhí)行5折交叉驗證來評估模型的質(zhì)量。使用構(gòu)建好的高斯過程分類模型進行預測，選取部分預測結(jié)果展示，并與支持向量機與隨機森林模型的分類結(jié)果作比較，其中，基于支持向量機和隨機森林的兩列中，1代表是可信數(shù)據(jù)，-1代表謠言信息。如表3所示：

表3 預測結(jié)果

在高斯過程二分類模型的預測結(jié)果中，概率值低于0.5時，說明數(shù)據(jù)為謠言數(shù)據(jù)，概率值大于0.5時，說明數(shù)據(jù)可信?？尚哦戎荡笥?.9的數(shù)據(jù)源大部分為得到微博認證的用戶，粉絲數(shù)量大，且發(fā)布微博的轉(zhuǎn)發(fā)數(shù)，評論數(shù)、點贊數(shù)也較多。數(shù)據(jù)源的影響力在一定程度上決定著數(shù)據(jù)傳播的廣度，當影響力越大的用戶發(fā)布謠言信息時，謠言數(shù)據(jù)擴散的速度越快，涉及的范圍越廣，更容易導致網(wǎng)絡輿情的失控，造成不可挽回的損失，數(shù)據(jù)可信度評估模型更應對此類數(shù)據(jù)進行有效監(jiān)測。在問題數(shù)據(jù)中，編號123的微博數(shù)據(jù)是由官方認證的賬號發(fā)布的疫情真實信息，用戶的注冊微博的時間較短，微博總數(shù)較少，這類數(shù)據(jù)源雖然具有較高的專業(yè)權(quán)威性，但受關注程度低，傳播熱度低，從而導致模型計算的數(shù)據(jù)信任度低于了可信標準。相比之下，支持向量機、隨機森林這兩種機器學習方法雖然也能對突發(fā)事件的可信數(shù)據(jù)與謠言數(shù)據(jù)分類，但是只是給出了類別，是否為謠言，而高斯過程分類模型可以將預測結(jié)果轉(zhuǎn)化為概率，更能直觀的衡量數(shù)據(jù)的信任度，量化數(shù)據(jù)的可信程度。因此，高斯過程分類模型更適合應用于突發(fā)事件數(shù)據(jù)的可信度衡量，可行度高且能有效監(jiān)測突發(fā)事件輿情數(shù)據(jù)中的失真信息。

選取監(jiān)測區(qū)間的部分數(shù)據(jù)，如圖5所示，觀察可信數(shù)據(jù)和謠言數(shù)據(jù)的變化情況，當可信度低于0.5的數(shù)據(jù)大量涌現(xiàn)時，快速感知異常節(jié)點。

圖5 異常節(jié)點監(jiān)測

4 政務微博協(xié)同的網(wǎng)絡輿情引導機制

重大突發(fā)事件情境下，大量的失真數(shù)據(jù)存在于網(wǎng)絡中，尤其是突發(fā)事件演化過程中的關鍵節(jié)點，網(wǎng)絡謠言極易滋生，網(wǎng)民不良情緒的聚積，若不加以思想引領，會導致輿情的爆發(fā)，或引發(fā)二次衍生事故等更嚴重的后果。輿情的引導，需要政府的及時有效的回應，政府權(quán)威數(shù)據(jù)的公布，對化解網(wǎng)絡輿情起著關鍵的作用，隨著“互聯(lián)網(wǎng)+政務”的推進，突發(fā)事件的響應更需要政府數(shù)據(jù)的共享與各部門的協(xié)同聯(lián)動。然而，政府在治理網(wǎng)絡輿情中還存在協(xié)同機制缺乏、效率低下、數(shù)據(jù)難以有效共享等問題。作為政務新媒體的“主力軍”，政務微博的互動和時效優(yōu)勢突出，在重大突發(fā)事件的響應中影響更為廣泛[9]。因此，本文以公共價值最大化為導向，構(gòu)建政務微博聯(lián)動響應的網(wǎng)絡引導機制，如圖6所示。

圖6 突發(fā)事件網(wǎng)絡輿情引導機制

圍繞“快速有效”的突發(fā)事件響應目標，從政務創(chuàng)新的視角出發(fā)，以公共價值理論、協(xié)同共享理論為理論支撐，為促進政府數(shù)據(jù)的共享，信息資源的公開透明，融合政務新媒體等要素，構(gòu)建多主體協(xié)同的網(wǎng)絡輿情引導機制，引入高斯過程分類等機器學習模型和大數(shù)據(jù)分析方法，以輿情數(shù)據(jù)可信度評估為數(shù)據(jù)支撐，有效辨別網(wǎng)絡謠言，同時，實時監(jiān)測突發(fā)事件的情景演化，預測關鍵節(jié)點，基于微博環(huán)境，判斷情感傾向，通過政務微博發(fā)布權(quán)威信息，及時疏解群眾的負面情緒，防止輿情的爆發(fā)給社會帶來嚴重的影響。

政務微博是政府部門與群眾互動溝通的媒介，及時共享突發(fā)事件的數(shù)據(jù)資源、發(fā)布權(quán)威信息進行辟謠，一方面可以抑制謠言的肆意傳播，另一方面也可以提高政府的公信力，推進輿情管理的精準政務服務。政務微博參與的網(wǎng)絡輿情引導機制強調(diào)的是多元協(xié)同聯(lián)動、信息資源的及時共享。突發(fā)事件發(fā)生后，政務微博除了需要在第一時間作出回應，形成政務微博矩陣式信息傳播，還應保證發(fā)布的微博質(zhì)量，發(fā)揮政務微博的潛在價值。

5 結(jié) 語

應急響應是一個不斷及時反饋、多部門協(xié)同聯(lián)動的過程，情報貫穿突發(fā)事件的不同階段，發(fā)揮著重要的決策支撐作用，情報的質(zhì)量決定著應急響應的效果。本文將高斯過程分類引入到突發(fā)事件的數(shù)據(jù)評估中，在突發(fā)事件的情境下，基于高斯過程原理，輸出輿情數(shù)據(jù)的可信概率值，量化輿情數(shù)據(jù)的信任度，動態(tài)識別突發(fā)事件關鍵節(jié)點的謠言數(shù)據(jù)，提出政務微博協(xié)同的網(wǎng)絡輿情引導機制，促進政務信息的共享，為突發(fā)事件精準預警和快速響應提供可信度高的數(shù)據(jù)支撐，有效避免事件誤判。下一步研究將側(cè)重探討數(shù)據(jù)傳播路徑中的數(shù)據(jù)源可信度變化，從數(shù)據(jù)溯源全程進行突發(fā)事件的數(shù)據(jù)質(zhì)量控制，促進有價值的應急情報產(chǎn)生，為網(wǎng)絡輿情管理提供更加精準的優(yōu)質(zhì)服務。