基于動態(tài)貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)警模型

馬曉晗，羅文華

（中國刑事警察學(xué)院 公安信息技術(shù)與情報學(xué)院，遼寧 沈陽 110035）

新一輪的科技革命推動了互聯(lián)網(wǎng)及相關(guān)領(lǐng)域的迅猛發(fā)展，而互聯(lián)網(wǎng)技術(shù)的不斷革新又進一步衍生出了微博、快手等基于網(wǎng)絡(luò)的社交媒體或平臺，上述產(chǎn)品的快速普及在很大程度上打破了傳統(tǒng)媒體對話語權(quán)的壟斷，互聯(lián)網(wǎng)中的每一個個體都有了“直抒胸臆”的機會，這在疏通民意的同時，也增加了潛在的輿論風(fēng)險［1］。特別是近年來社會影響較大的網(wǎng)絡(luò)輿情事件，如不能及時對其進行預(yù)警，將很容易演化為社會中的不穩(wěn)定因素。為此，本文基于40 起具有一定影響力的網(wǎng)絡(luò)輿情事件，構(gòu)建基于動態(tài)貝葉斯網(wǎng)絡(luò)的輿情預(yù)警模型，期冀為網(wǎng)絡(luò)輿情的治理提供有益支持。

1 動態(tài)貝葉斯網(wǎng)絡(luò)輿情預(yù)警模型的構(gòu)建

動態(tài)貝葉斯模型相對于傳統(tǒng)的靜態(tài)貝葉斯模型，主要增加了時間因素的考量，形成了一個包含對于時間因素具有處理能力的隨機模型。動態(tài)貝葉斯網(wǎng)絡(luò)中的“動態(tài)”是指模型中的某些變量隨著時間的變化而變化，但其模型結(jié)構(gòu)是固定的。

1.1 動態(tài)貝葉斯理論

動態(tài)貝葉斯模型中的變量值隨著時間的變化而變化，模型的結(jié)構(gòu)始終不發(fā)生改變［2］。因此，基于動態(tài)貝葉斯描述的網(wǎng)絡(luò)輿情事件從時間角度來看具有動態(tài)性，所描繪的情景符合事件發(fā)展的客觀規(guī)律。本文中使用動態(tài)貝葉斯網(wǎng)絡(luò)綜合概率統(tǒng)計與專家評價的方法［3］，對收集和整理好的數(shù)據(jù)進行計算。動態(tài)貝葉斯模型主要由初始狀態(tài)的貝葉斯網(wǎng)絡(luò)和具有兩個或者兩個以上時間片段的貝葉斯網(wǎng)絡(luò)構(gòu)成，具體結(jié)構(gòu)如圖1 所示。

圖1 動態(tài)貝葉斯網(wǎng)絡(luò)示例

本文以動態(tài)貝葉斯為工具，建立多指標、多維度的網(wǎng)絡(luò)輿情事件預(yù)警模型，在完成建模后，對可能影響輿情發(fā)展的主要要素進行分析。同時，使用動態(tài)貝葉斯網(wǎng)絡(luò)作為網(wǎng)絡(luò)輿情預(yù)警的工具時，應(yīng)當(dāng)注意以下條件：動態(tài)貝葉斯網(wǎng)絡(luò)作為傳統(tǒng)靜態(tài)貝葉斯網(wǎng)絡(luò)的延伸，同樣采用概率積分來對不確定性進行描述，對于概率積分，相關(guān)聯(lián)事件的概率為其最基本的規(guī)則，具體闡述如下

其中，P（M，N）表示M 事件和N 事件實際會發(fā)生的概率，P（N）表示事件N 發(fā)生的絕對概率，P（M/N）則指的是在事件N 發(fā)生的情況下，事件M 發(fā)生的概率，在多數(shù)的應(yīng)用研究中，式（1）?？梢赞D(zhuǎn)化為下式

從動態(tài)貝葉斯網(wǎng)絡(luò)的角度分析，假設(shè)x 為貝葉斯網(wǎng)絡(luò)中父節(jié)點的集合，y 為貝葉斯網(wǎng)絡(luò)中子節(jié)點的集合，則可以得出x 指向y,其中集合x 包含e 個子元。所謂的動態(tài)貝葉斯網(wǎng)絡(luò)，指的是在傳統(tǒng)貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上增加了時間元素，在增加完時間元素后，事件的發(fā)展過程便可在“時間軸”上進行展開，使得在對事件的演變過程進行分析時，更加符合客觀規(guī)律?，F(xiàn)假設(shè)有T 個時間片，有f 個可以被觀測的節(jié)點和e 個無法被觀測、隱藏的節(jié)點，xij表示第j 個時間片的第i 個節(jié)點的狀態(tài)，可以得出

其中，k∈［1，e］，i∈［1，T］，j∈［1，f］。

1.2 動態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

將輿情預(yù)警網(wǎng)絡(luò)結(jié)構(gòu)劃分為結(jié)果層、準則層、指標層三個層次，其中輿情是否預(yù)警作為結(jié)果層節(jié)點，準則層節(jié)點則由主體效力、媒介效力、本體屬性三類指標構(gòu)成，指標層則由評論增長速率、點贊增長速率等具體指標構(gòu)成，整體結(jié)構(gòu)如圖2 所示。

圖2 輿情預(yù)警模型網(wǎng)絡(luò)結(jié)構(gòu)

1.3 訓(xùn)練事例庫構(gòu)建

本文抽取了2010 年至2021 年這11 年間的40 個較為典型的網(wǎng)絡(luò)輿情事件作為研究案例，構(gòu)建用于模型訓(xùn)練的歷史案例數(shù)據(jù)庫，具體研究案例如表1 所示。

表1 訓(xùn)練集網(wǎng)絡(luò)輿情事例

2 基于動態(tài)貝葉斯網(wǎng)絡(luò)的案例指標體系與數(shù)據(jù)量化

2.1 基于動態(tài)貝葉斯網(wǎng)絡(luò)的案例指標體系

基于動態(tài)貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)警模型的指標體系主要由主體效力、媒介效力和本體屬性三個部分構(gòu)成，表2 列出了上述指標的具體劃分。

表2 評價指標及具體屬性

2.2 基于動態(tài)貝葉斯網(wǎng)絡(luò)的案例指標量化

在確定網(wǎng)絡(luò)輿情預(yù)警模型的案例指標體系后，需要對指標進行具體的量化，指標量化主要依據(jù)專家意見，將以上指標劃分為高、中、低三個等級，具體量化方法如下。

（1）評論增長速率：將所有網(wǎng)絡(luò)輿情事件的持續(xù)過程劃分為前期、中期、后期三個階段進行分析，該指標依據(jù)“新浪微博”、“騰訊微博”等主要社交平臺的統(tǒng)計數(shù)據(jù)予以確定，每日評論數(shù)增長在0～100 記為“低”，101～500 記為“中”，501 以上的記為“高”。

（2）點贊增長速率：將所有網(wǎng)絡(luò)輿情事件的持續(xù)過程劃分為前期、中期、后期三個階段進行分析，該指標依據(jù)“新浪微博”、“騰訊微博”等主要社交平臺的統(tǒng)計數(shù)據(jù)予以確定，每日點贊數(shù)增長在100～500記為“低”，501～1 000 記為“中”，1 000 以上的記為“高”。

（3）轉(zhuǎn)發(fā)增長速率：將所有網(wǎng)絡(luò)輿情事件的持續(xù)過程劃分為前期、中期、后期三個階段進行分析，該指標依據(jù)“新浪微博”、“騰訊微博”等主要社交平臺的統(tǒng)計數(shù)據(jù)予以確定，每日轉(zhuǎn)發(fā)數(shù)增長在0～50 記為“低”，51～200 記為“中”，200 以上的記為“高”。

（4）媒體指數(shù)變化速率：將所有網(wǎng)絡(luò)輿情事件的持續(xù)過程劃分為前期、中期、后期三個階段進行分析，該指數(shù)表明了互聯(lián)網(wǎng)用戶對關(guān)鍵詞搜索的關(guān)注程度及持續(xù)變化的情況，以“百度指數(shù)”中“搜索指數(shù)”的數(shù)據(jù)為基礎(chǔ)，每日搜索指數(shù)增長在0～30 記為“低”，31～100 記為“中”，100 以上的記為“高”。

（5）咨詢指數(shù)變化速率：該指數(shù)主要統(tǒng)計網(wǎng)絡(luò)中新聞資訊對特定關(guān)鍵詞的關(guān)注及報道程度的持續(xù)變化，以“百度指數(shù)”中“咨詢指數(shù)”的數(shù)據(jù)為基礎(chǔ)。將所有網(wǎng)絡(luò)輿情事件的持續(xù)過程劃分為前期、中期、后期三個階段進行分析，每日咨詢指數(shù)增長在0～100 記為“低”，101～300 記為“中”，301 以上記為“高”。

（6）事件敏感程度：該指標來源于專家評價。網(wǎng)絡(luò)輿情事件涉及很多種類，當(dāng)輿情事件的主題涉及到公檢法司、城鄉(xiāng)差異、利益分配等敏感問題時，輿情發(fā)酵的概率就大大增加，因此，根據(jù)歷史事件庫中案例的事件類型，通過專家調(diào)查，將事件敏感程度分為低、中、高三個等級。

（7）輿情準確率：該指標來源于專家評價。網(wǎng)絡(luò)時代某些自媒體可能出于博人眼球、賺取熱度的目的而出現(xiàn)主觀片面報道的情況，因此，綜合專家調(diào)查意見，將輿情準確率劃分為低、中、高三個等級。

3 模型的有效性驗證

將訓(xùn)練實例庫中的案例整合為訓(xùn)練集，導(dǎo)入到模型中，得到訓(xùn)練后的模型，如圖3 所示。

圖3 模型訓(xùn)練結(jié)果

將河南醉駕女撞寶馬事件導(dǎo)入訓(xùn)練完畢后的模型中，得到如圖4 所示的輸出結(jié)果，首先將該事件以時間軸為線索進行展開，對事件的前因后果進行梳理，進而剖析網(wǎng)絡(luò)輿情發(fā)酵原因，為輿情的管控提出建議和對策。

圖4 醉駕女撞寶馬事件模型輸出結(jié)果

（1）情景展開。通過分析得出，河南醉駕女撞寶馬事件是一起具有極大發(fā)酵可能性的網(wǎng)絡(luò)輿情事件。通過對基礎(chǔ)數(shù)據(jù)進行分析，發(fā)現(xiàn)該事件發(fā)生初期轉(zhuǎn)發(fā)增長速率為中，評論增長速率為高，點贊增長速率為高，隨著事件的不斷演化，到了該網(wǎng)絡(luò)輿情事件的中期，隨著事件真相的不斷澄清，大眾網(wǎng)民在微博大型社交平臺上對于該輿情的熱度呈現(xiàn)降低的趨勢，評論增長速率降低為中，點贊增長速率降低為中，轉(zhuǎn)發(fā)增長速率降為低，到了事件末期，三個指標的值均出現(xiàn)了一定程度的上升，網(wǎng)民對于該事件的討論熱情增加。從搜索指數(shù)變化速率和咨詢指數(shù)變化速率兩個方面來看，搜索指數(shù)變化速率在前中期均為中，到事件后期變?yōu)楦?，這從很大程度上說明了網(wǎng)民對此事件的熱衷程度是呈現(xiàn)先下降后上升的軌跡，綜合咨詢指數(shù)，同樣呈現(xiàn)出先下降后上升的波動路線。利用動態(tài)貝葉斯網(wǎng)絡(luò)的時間因素處理優(yōu)勢對事件進行情景展開［4］，更加客觀地還原了事件原貌，為進一步進行輿情分析打下了基礎(chǔ)。

（2）事件分析。1）輿情本體敏感程度高。2019 年7 月3 日晚，事件發(fā)生伊始，微博、豆瓣等各大社交媒體上就有相應(yīng)的視頻流出，視頻中較為完整地記錄了事件過程，肇事者譚某在清楚酒后駕駛違法的情況下，不顧他人勸阻，在市區(qū)內(nèi)超速行駛，從而造成重大交通事故，被撞車內(nèi)的三人中兩人死亡一人重傷，其蔑視他人生命的行為觸碰了網(wǎng)民的底線，因此，輿情本體敏感程度為“高”，極易導(dǎo)致網(wǎng)絡(luò)輿論的產(chǎn)生。2）輿情準確性欠缺。事件發(fā)生后，涉事人的相關(guān)信息就在網(wǎng)上快速傳播，涉事車輛為世界高端汽車品牌瑪莎拉蒂，被撞車輛是寶馬，兩輛豪車發(fā)生的車禍給人留下巨大的想象空間?，斏佘嚿先说男畔⒁啾话浅?，“肇事車輛價值不菲”等信息在網(wǎng)上廣為流傳，此類信息雖然存在一定的客觀事實，但有大量社交“大V”出于博人眼球的目的，往往對這些“半成品”信息進行二次加工，使輿情本身的準確性大大降低，輿情準確性為“低”。因此，在網(wǎng)絡(luò)輿情蔓延的初期，其內(nèi)容很容易與實際情況產(chǎn)生偏差，進而為輿情的爆發(fā)埋下伏筆。有關(guān)部門在輿情發(fā)生伊始就應(yīng)該及時通過各種方式向公眾說明情況，澄清事實，這樣才能將涉網(wǎng)輿情的“火苗”及時“撲滅”［5］。3）網(wǎng)民關(guān)注度高。2020 年1 月中旬，“醉駕女撞寶馬案”開庭審理，經(jīng)過檢索，該事件在全網(wǎng)的信息量達到10 萬級別，微博、抖音等知名社交或者短視頻平臺均成為輿論發(fā)酵的主戰(zhàn)場。以微博為例，熱搜話題“瑪莎拉蒂醉駕案開庭審理”在全網(wǎng)的信息量接近5 萬條，“醉駕瑪莎拉蒂撞寶馬案16 日開庭”的相關(guān)話題閱讀量近3.3 億次，評論數(shù)達到1.9 萬，在庭審的過程中，“瑪莎拉蒂司機下跪道歉遭拒”同樣獲得4.2 億次的相關(guān)搜索和閱讀。因此，當(dāng)網(wǎng)民對于某輿情事件的關(guān)注度極高，對某一事件閱讀、評論的頻次顯著高于其他網(wǎng)絡(luò)事件時，該事件引發(fā)網(wǎng)絡(luò)輿論概率極大，相關(guān)部門要及時采取行動，例如撤銷熱搜等較為強硬的手段，才能遏制輿論風(fēng)暴的發(fā)生。

4 結(jié)語

本文基于動態(tài)貝葉斯構(gòu)建網(wǎng)絡(luò)輿情預(yù)警模型，對網(wǎng)絡(luò)輿情從另一個角度進行了研究。首先，對動態(tài)貝葉斯的基本理論進行了闡述，然后，結(jié)合專家意見和現(xiàn)實情況，構(gòu)建了基于動態(tài)貝葉斯的網(wǎng)絡(luò)輿情預(yù)警模型。在完成建模后，對歷史事件庫中的事件進行指標體系的構(gòu)建與數(shù)據(jù)的量化。在數(shù)據(jù)歸納整理的過程中，遵循準確、客觀、易收集的原則，最大限度地保證了數(shù)據(jù)的完整性，隨后將“河南醉駕女撞寶馬”作為測試用例導(dǎo)入模型，測試結(jié)果較為充分地說明了模型的有效性。