基于演化建模的突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢感知分析*

溫志韜 夏一雪

(中國人民警察大學(xué)網(wǎng)絡(luò)輿情治理研究中心 廊坊 065000)

1 研究現(xiàn)狀

突發(fā)事件發(fā)生后，網(wǎng)絡(luò)輿情呈現(xiàn)主體多元化，主題多樣化，情感復(fù)雜化，傳播高速化等特征，導(dǎo)致網(wǎng)絡(luò)輿情生態(tài)格局發(fā)生深刻變化。如何深度分析海量輿情數(shù)據(jù)，快速、動態(tài)、全面感知突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢已成為提升政府網(wǎng)絡(luò)輿情治理效能的關(guān)鍵。

網(wǎng)絡(luò)輿情是極具中國特色的熱點研究領(lǐng)域，其研究主題主要圍繞網(wǎng)絡(luò)輿情演化機理、輿情話題內(nèi)容、網(wǎng)民情感、輿情傳播主體等方面展開，研究方法涉及了統(tǒng)計學(xué)模型、系統(tǒng)理論方法、傳統(tǒng)機器學(xué)習(xí)方法、深度神經(jīng)網(wǎng)絡(luò)等。a.網(wǎng)絡(luò)輿情演化機理方面，基于SIR模型、Logistic模型、博弈模型等[1-3]進行建模和仿真研究；b.在輿情話題內(nèi)容方面，使用LDA主題模型、SVM、邏輯回歸等方式[4-6]，對輿情進行內(nèi)容分析和主題發(fā)現(xiàn)；c.在網(wǎng)民情感方面，側(cè)重使用樸素貝葉斯、Single-Pass聚類算法、情感詞典等[7-9]，開展定性的情感分類和定量的情感計算；d.在輿情傳播主體方面，有通過用戶畫像、主體建模等[10-11]，對輿情傳播主體進行屬性特征刻畫、主體關(guān)系研究。

綜合上述分析，在已有研究中，網(wǎng)絡(luò)輿情演化機理研究與網(wǎng)絡(luò)輿情態(tài)勢研究(包括對輿情傳播主體、輿情話題、網(wǎng)民情感等的研究)往往分開進行，而實際上兩個研究方向具有內(nèi)在的邏輯聯(lián)系：網(wǎng)絡(luò)輿情演化機理揭示了網(wǎng)絡(luò)輿情演化的內(nèi)在規(guī)律，而網(wǎng)絡(luò)輿情態(tài)勢則是在規(guī)律之上，網(wǎng)絡(luò)輿情所呈現(xiàn)的外在表現(xiàn)形式。因此，本文基于網(wǎng)絡(luò)輿情演化機理對網(wǎng)絡(luò)輿情態(tài)勢開展研究，提出網(wǎng)絡(luò)輿情態(tài)勢感知模型，搭建對網(wǎng)絡(luò)輿情態(tài)勢演化的綜合研究框架，并開展基于階段數(shù)據(jù)累加的網(wǎng)絡(luò)輿情態(tài)勢動態(tài)研究，以彌補靜態(tài)研究的不足，更全面清晰地展現(xiàn)出網(wǎng)絡(luò)輿情態(tài)勢演化過程，為政府治理網(wǎng)絡(luò)輿情提供參考依據(jù)。

2 基于Gompertz的突發(fā)事件網(wǎng)絡(luò)輿情演化機理

2.1 網(wǎng)絡(luò)輿情演化生命周期

信息生命周期理論指出，信息是具有生命周期的資源，在其自身從產(chǎn)生到消亡的運動過程中，存在循環(huán)往復(fù)的過程和規(guī)律性特征[12]。網(wǎng)絡(luò)輿情作為公眾對公共事件所持有的多種意見、情緒、態(tài)度的總和[13]，其傳播過程實質(zhì)上是以信息作為載體，因此，也就具有完整的生命周期和周期性特點。而網(wǎng)絡(luò)輿情在周期運動中的階段性規(guī)律，也決定了網(wǎng)絡(luò)輿情具有階段性特征，具體而言，體現(xiàn)在網(wǎng)絡(luò)輿情在不同階段具有不同的傳播速率、信息體量、階段時長等。

由此，網(wǎng)絡(luò)輿情的傳播過程，也即網(wǎng)絡(luò)輿情的演化具有周期性和階段性兩項基本特征。相關(guān)領(lǐng)域?qū)W者對網(wǎng)絡(luò)輿情演化過程提出了三階段劃分[14]、四階段劃分[15]、五階段劃分[16]等理論，總結(jié)已有理論成果中的相關(guān)論述，網(wǎng)絡(luò)輿情演化都可以描述為一個常態(tài)過程：在網(wǎng)絡(luò)輿情產(chǎn)生之初，其熱度和傳播速率均處于較低值；隨著相關(guān)事件的發(fā)酵，輿情的傳播速率逐漸加快并達到最大值，此時，輿情熱度會在短時間內(nèi)迅速達到峰值；在這之后，由于政府部門的管控、相關(guān)事件的自身消亡等原因，輿情熱度會在一段時間內(nèi)逐漸下降并維持在較低值，最終消亡(圖1，“搶購雙黃連”事件)。

但是，由于受多種社會因素影響，部分網(wǎng)絡(luò)輿情會產(chǎn)生異于常態(tài)過程的演化。比如對于一些突發(fā)事件，由于其波及范圍廣、影響人數(shù)多，在事件發(fā)生之初便引起公眾的高度關(guān)注，擁有極快的傳播速率，在極短時間內(nèi)便達到熱度峰值，不存在事件發(fā)酵過程(圖1，“鄭州暴雨”)。此外，由于次生效應(yīng)、喚醒效應(yīng)的影響[20]，部分輿情事件會在一段時間內(nèi)多次反復(fù)達到熱度峰值，呈現(xiàn)“多峰”的演化趨勢(圖1，“重慶公交墜江”事件)。盡管此類輿情事件各具演化特征，但只是從現(xiàn)象層面反映了周期運動中某一階段持續(xù)時間的縮短(迅速到達熱度峰值)或者新一輪周期運動的開啟(反復(fù)出現(xiàn)熱度峰值)，在本質(zhì)上仍舊契合信息生命周期運動的周期性、階段性特征，具有同質(zhì)性。

圖1 網(wǎng)絡(luò)輿情事件演化趨勢

2.2 基于Gompertz的突發(fā)事件網(wǎng)絡(luò)輿情演化建模

在網(wǎng)絡(luò)信息環(huán)境中，各類可統(tǒng)計信息(如：話題傳播量、網(wǎng)絡(luò)搜索量、媒體發(fā)布量等)可用于度量某一網(wǎng)絡(luò)輿情的演化，假設(shè)這些信息量是關(guān)于時間的連續(xù)可微函數(shù)，則生態(tài)學(xué)中的種群生長模型適用于網(wǎng)絡(luò)輿情演化建模。常見的生長曲線如：Logistic曲線、林德諾曲線、Gompertz曲線等，均可以用于模型構(gòu)建，但是，在自媒體充斥互聯(lián)網(wǎng)、網(wǎng)絡(luò)社交平臺高度普及的環(huán)境下，網(wǎng)民參與討論的活躍度與信息傳播的速度前所未有，各類信息會在短時間內(nèi)形成共振效應(yīng)與聚集效應(yīng)[17]，因此，突發(fā)事件輿情信息在網(wǎng)絡(luò)上的傳播會有如下特點：

a.“輿情爆發(fā)如山倒”。在短時間內(nèi)，相關(guān)輿情信息會在網(wǎng)絡(luò)上迅速增長，輿情熱度迅速達到峰值，網(wǎng)絡(luò)輿情爆發(fā)時間靠前，絕大多數(shù)輿情信息集中于輿情爆發(fā)之初的一段時間內(nèi)，要求政府相關(guān)部門在“黃金4小時”原則下做出迅速的反應(yīng)。

b.“輿情消亡如抽絲”。在度過輿情峰值時間點后，對輿情事件的關(guān)注熱度會逐漸下降，但是，網(wǎng)絡(luò)環(huán)境中會有對輿情事件的持續(xù)關(guān)注，致使其熱度在之后較長一段時間內(nèi)呈現(xiàn)低水平狀態(tài)。

以上兩個特征，使得突發(fā)事件輿情信息在分布上呈現(xiàn)“長尾分布”?？紤]到此，本文選擇了非對稱的、拐點偏前的Gompertz模型對突發(fā)事件網(wǎng)絡(luò)輿情演化進行建模，并對模型進行三階段劃分，即：

(1)

其中，定義X為網(wǎng)絡(luò)輿情的網(wǎng)絡(luò)搜索量(搜索指數(shù))，r為輿情傳播的固有增長率，K為增長上限,X0為初值。

圖2 突發(fā)事件網(wǎng)絡(luò)輿情演化三階段劃分

(2)

其中，△X(t)=X(t)-X(t-1),可以看出，△X(t)是關(guān)于XlnX和X的多元函數(shù)，通過多元線性回歸即可擬合得到參數(shù)-r和rlnK的取值，進而解出參數(shù)r、K的取值。

3 基于演化建模的突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢感知方法

3.1 突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢量化

已有突發(fā)事件網(wǎng)絡(luò)輿情研究文獻中，不同學(xué)者對網(wǎng)絡(luò)輿情有不同定義，為提煉共性認識，對眾多定義進行詞頻統(tǒng)計分析，詞節(jié)點可分為3類：一是關(guān)于網(wǎng)絡(luò)輿情中參與主體的，如：“主體”“民眾”“公眾”等；二是關(guān)于網(wǎng)絡(luò)輿情主題的，如：“事件”“內(nèi)容”“本體”等；三是關(guān)于參與主體情感的，如：“情緒”“情感”“態(tài)度”等?？煽闯?，主體、主題、情感是網(wǎng)絡(luò)輿情研究的3個主要角度，基于此，本文將網(wǎng)絡(luò)輿情態(tài)勢定義為網(wǎng)絡(luò)輿情在演化過程中在上述3個角度下所呈現(xiàn)的形態(tài)，這種形態(tài)是突發(fā)事件網(wǎng)絡(luò)輿情演化在其本質(zhì)規(guī)律之上的外在表現(xiàn)，需要基于演化機理從主體、主題、情感3個層面進行量化和感知：

a.對主體的量化。主體是指關(guān)注并通過網(wǎng)絡(luò)平臺參與輿情討論的實體，包括了個人用戶、媒體用戶等，用戶畫像可用于對主體信息特征、興趣偏好、需求信息等的描述。統(tǒng)計學(xué)方法被普遍用于用戶畫像，可對主體的地域分布特征和性別分布特征進行量化。

b.對主題的量化。輿情主題是在一定時間段內(nèi)，網(wǎng)民對網(wǎng)絡(luò)輿情的關(guān)注熱點。單個輿情在發(fā)展過程中，受網(wǎng)民觀點表達、官方更新報道、其他相關(guān)輿情出現(xiàn)等因素的影響，網(wǎng)民對輿情的關(guān)注熱點會隨時間的推移而變化。LDA模型可用于對輿情主題的量化，其在貝葉斯框架下，用詞在主題中的概率分布(主題-詞模型)和主題在文檔中的概率分布(文檔-主題模型)來描述給定文檔，推測其主題的概率分布[19]。

c.對情感的量化。在網(wǎng)絡(luò)輿情環(huán)境下，網(wǎng)民通過發(fā)文將主體情感“映射”到了文本信息上，因此，對主體情感的量化需要對文本信息進行情感分析?；谇楦性~典的文本情感分析技術(shù)是一種常用的方法，該方法提取文本中的情感詞語與情感詞典中的情感詞相匹配，展開情感極性、細粒度分析等研究。

在已有的情感詞典中，大連理工大學(xué)中文情感詞匯本體庫[20]應(yīng)用較廣，將其作為基礎(chǔ)詞典，能夠匹配到大多數(shù)常用情感詞。但是，在實際應(yīng)用中會存在一類特殊情感詞，其情感屬性只有在特定事件的特定語境下才會明顯顯現(xiàn)，而這一類情感詞基礎(chǔ)詞典無法匹配。為了正確匹配該類詞匯，本文采用了篩選特定事件情感詞并擴展基礎(chǔ)詞典的方法，以提升文本情感評分的準(zhǔn)確性。

3.2 突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢感知模型

隨著網(wǎng)絡(luò)輿情的規(guī)律性演化，網(wǎng)絡(luò)輿情態(tài)勢也將呈現(xiàn)演化特征，以Gompertz輿情演化三階段建模為基礎(chǔ)，結(jié)合網(wǎng)絡(luò)輿情態(tài)勢的主體、主題、情感3個層面，構(gòu)建網(wǎng)絡(luò)輿情態(tài)勢感知模型，如圖3所示。模型定義變量s為感知態(tài)，表示某一特定輿情態(tài)勢。從感知階段角度出發(fā)，定義s(i=1,2,3)為感知階段態(tài)，分別表示輿情發(fā)展的潛伏期、擴展期和消退期的感知態(tài)。從感知層面角度出發(fā)，定義s[j](j=1,2,3)為感知層面態(tài)，分別表示主體層面、主題層面和情感層面的感知態(tài)?；谏鲜龆x，構(gòu)建了九個獨立的感知態(tài)，分別從3方面開展網(wǎng)絡(luò)輿情態(tài)勢研究:

圖3 網(wǎng)絡(luò)輿情態(tài)勢感知模型

a.對任意感知階段、任意感知層面下的網(wǎng)絡(luò)輿情態(tài)勢開展獨立研究，即對s[j](i=1,2,3;j=1,2,3)開展研究。

4 實證研究

4.1 案例來源和階段劃分

2020年“杭州女子失蹤案”在全網(wǎng)引起了廣泛的關(guān)注，連續(xù)多日登上微博熱搜。7月初，網(wǎng)絡(luò)平臺上開始出現(xiàn)以“杭州女子失蹤”為話題的未經(jīng)官方證實的信息，在小范圍內(nèi)引起了網(wǎng)民的關(guān)注，討論主題集中于對該事件真實性的懷疑。至7月25日杭州警方正式通報相關(guān)案情，證實了事件的真實性，輿情事件迅速發(fā)酵，負面評論和消極情緒在網(wǎng)絡(luò)上迅速傳播。面對此種情況，地方政府、公安部門和各大官方媒體采取措施，通過及時公布案件調(diào)查進展、報道辦案民警連夜作戰(zhàn)等方式，積極引導(dǎo)網(wǎng)絡(luò)輿論，安撫網(wǎng)民的負面情緒?？梢钥闯?，在該輿情事件的整個演化過程中，網(wǎng)絡(luò)輿情態(tài)勢在主體、主題、情感層面都出現(xiàn)了明顯的變化。因此，本文以該事件為研究對象，利用百度指數(shù)數(shù)據(jù)，通過多元差分回歸法擬合Gompertz模型，得到該輿情事件傳播的固有增長率為0.33623，增長上限為661612.07915,擬合優(yōu)度R2為0.8185。按照3.1中提出的網(wǎng)絡(luò)輿情傳播三階段劃分法，將輿情事件發(fā)生后的第4日(t1=4.42898)與第7日(t2=7.25734)作為關(guān)鍵時間節(jié)點，第1日到第4日劃為潛伏期，第4日到第7日劃為擴散期，第7日后進入消退期。擬合結(jié)果如表1和圖5所示。

圖5 網(wǎng)絡(luò)輿情態(tài)勢可視化框架

表1 相關(guān)參數(shù)擬合結(jié)果

圖5 Gompertz模型擬合

4.2 數(shù)據(jù)來源及處理

以4.1中得出的時間節(jié)點為劃分依據(jù)，分別爬取該輿情事件潛伏期、擴散期和消退期的微博數(shù)據(jù)，共獲取了約8 000條微博評論數(shù)據(jù)和213條微博用戶信息數(shù)據(jù)。其中，擴散期集中了絕大多數(shù)數(shù)據(jù)，約占總數(shù)據(jù)量的68%，潛伏期和消退期數(shù)據(jù)量占比分別約為4%和28%。將評論數(shù)據(jù)和用戶信息數(shù)據(jù)按輿情發(fā)展階段劃分，分別存儲到3個文檔中。其中，每條用戶信息包括了用戶名、地域、性別3個屬性，用做地域和性別分布分析，評論數(shù)據(jù)用做主題建模和情感分析。

在進行主題建模時，對評論數(shù)據(jù)分詞后去除停用詞，保留出現(xiàn)頻次大于5次的分詞。每個文檔生成對應(yīng)的BOW稀疏向量，并在此基礎(chǔ)上計算各個分詞的TF-IDF數(shù)值，將BOW稀疏向量作為文檔特征進行LDA建模。

在進行情感分析時，首先構(gòu)建特定事件情感詞典，對所有評論數(shù)據(jù)進行詞頻統(tǒng)計后，在前300個詞中篩選具有情感傾向的詞匯64個，并通過多人標(biāo)注投票和取平均值的方式確定詞匯的情感分類和強度，部分特定事件情感詞如表2所示。將特定事件情感詞擴展到基礎(chǔ)情感詞典中，對評論文本中分詞進行逐一匹配后計算文本情感值。文本情感評分計算公式如式(3)所示

(3)

其中，scorei分別代表對文本中怒、惡、恐、悲、驚、好、喜七類情感的評分；αij是文本中匹配到的具有第i類情感的第j個情感詞的情感強度，取值由情感詞典給出。最后，將驚、好、喜三類情感評分之和作為積極情感評分，將怒、惡、恐、悲四類情感評分之和作為消極情感評分。

表2 部分特定事件情感詞匯

4.3 網(wǎng)絡(luò)輿情主體態(tài)勢感知與可視化

由于輿情事件在發(fā)生地點、輿情內(nèi)容等方面的不同，參與討論的主體在地域分布、性別分布上會呈現(xiàn)出宏觀特征，并且，隨著輿情的發(fā)展，相關(guān)特征會出現(xiàn)動態(tài)的演化。通過統(tǒng)計微博用戶的地域?qū)傩院托詣e屬性可描述地域分布和性別分布的演化特征。

圖6中，統(tǒng)計了網(wǎng)民分布數(shù)量最多15個省份或地區(qū)，左圖展示了在靜態(tài)可視化下，網(wǎng)民在3個輿情階段的地域分布情況，右圖是數(shù)據(jù)累加后的動態(tài)可視化展示，顏色越深表明網(wǎng)民分布數(shù)量越多。可以看出，該事件中網(wǎng)民的地域分布存在總體上的特征，網(wǎng)民較多分布于符合以下特征的地域：

a.輿情發(fā)生省份及其鄰省，如：浙江省、江蘇?。?/p>

b.經(jīng)濟較為發(fā)達的地區(qū)，如：北京市、廣東??；

c.人口較多的省份，如：山東省、四川省。

分析靜態(tài)熱力圖可看出地域分布的階段性特征，在輿情潛伏期和消退期，參與討論的網(wǎng)民相對較少；在輿情的擴散期，參與討論的網(wǎng)民迅速增多并且分布于全國各個地區(qū)。而動態(tài)熱力圖則顯示了同一地域分布特征的變化趨勢，隨著輿情的發(fā)展，各個地區(qū)熱力值逐漸上升，本質(zhì)上體現(xiàn)出輿情信息的動態(tài)傳播過程。

圖6 靜態(tài)、動態(tài)網(wǎng)民地域分布熱力圖對比

對該輿情事件中網(wǎng)民性別占比分別進行靜態(tài)數(shù)據(jù)統(tǒng)計和動態(tài)數(shù)據(jù)統(tǒng)計。靜態(tài)數(shù)據(jù)統(tǒng)計顯示，在輿情發(fā)展的各個階段，參與討論的女性用戶占比均高于男性用戶占比，說明了在該輿情事件中女性網(wǎng)民群體對該輿情事件投入了更多的關(guān)注，更進一步而言，說明了在進行輿論引導(dǎo)時，對女性網(wǎng)民給予關(guān)注的重要性。同時，動態(tài)數(shù)據(jù)統(tǒng)計顯示，隨著輿情的發(fā)展，女性用戶的數(shù)量占比逐漸下降趨勢，由潛伏期的74.3%降為消退期的68.6%，這說明了在輿情發(fā)生之初，有大量女性網(wǎng)民在短時間內(nèi)參與了討論，而隨著輿情進入擴散期、消退期，后續(xù)新參與討論的網(wǎng)民中，男性網(wǎng)民數(shù)量高于女性網(wǎng)民數(shù)量。

4.4 網(wǎng)絡(luò)輿情主題態(tài)勢感知與可視化

通過python提供的LdaModel API分別對3個階段的評論數(shù)據(jù)文檔進行主題建模。為了使不同階段下的主題產(chǎn)生直接對比，設(shè)置各個文檔下的主題數(shù)為1，每個主題的關(guān)鍵詞數(shù)為10，模型迭代次數(shù)為500。由于對各個文檔中主題及主題詞的分布沒有先驗知識，因此采用API推薦值，α設(shè)置為1，β設(shè)置為0.1。部分主題建模的結(jié)果如表3所示，其中敏感詞匯通過拼音首字母代替。

表3 主題建模部分結(jié)果及原始評論數(shù)據(jù)

基于建模得出的數(shù)據(jù)，繪制了靜態(tài)可視化和動態(tài)可視化下的詞云對比圖，如圖7所示。圖7(a)-(c)圖顯示了靜態(tài)可視化下該輿情在3個階段的主題層面的特征，可看出，在各個輿情階段，網(wǎng)民對輿情事件的的關(guān)注熱點有所不同：在潛伏期，由于官方尚未對此事件有正式通告，網(wǎng)民對案件的真實性尚存疑，因此出現(xiàn)了“造謠”詞節(jié)點，同時，網(wǎng)民的關(guān)注點集中在了對死者子女、繼承權(quán)等問題上，因此出現(xiàn)了“兒子”“女兒”“繼承權(quán)”等節(jié)點；在擴散期，央視新聞官微于7月25日以“杭州警方通報女子失蹤案偵破細節(jié)”為題報道了死者丈夫許某具有重大作案嫌疑，評論中“sr”等節(jié)點成為較大節(jié)點，表明了網(wǎng)民對該輿情事件真相的一致性認知；在消退期，央視新聞官微于8月6日以“杭州殺妻案嫌疑人被批捕”為題發(fā)表后續(xù)報道，“死刑”節(jié)點成為最大節(jié)點，表達出了大多數(shù)網(wǎng)民希望將嫌疑人判處死刑觀點。

圖7 靜態(tài)、動態(tài)詞云對比

圖7(d)-(f)為動態(tài)可視化下的詞云展示?？梢钥闯?，動態(tài)詞云除了展示出了上述靜態(tài)詞云在各個輿情階段下的主題詞外，還體現(xiàn)出了貫穿輿情始終的主題詞。比如“兒子”“女兒”節(jié)點出現(xiàn)在了每一動態(tài)可視化圖中，表明了網(wǎng)民對受害者子女的關(guān)注，這一主題詞出現(xiàn)于輿情潛伏期，在輿情發(fā)展過程中，該主題詞有被其他主題詞沖淡，但是其潛在影響卻是貫穿整個輿情期間的，在動態(tài)可視化下，此類“潛在信息”被體現(xiàn)出來，而靜態(tài)可視化則忽略了該種信息。

4.5 網(wǎng)絡(luò)輿情情感態(tài)勢感知與可視化

基于上文提出的文本情感評分算法和擴展后的情感詞典，對采集的微博評論文本進行情感評分，并分別在靜態(tài)可視化和動態(tài)可視化下，統(tǒng)計得出網(wǎng)民情感傾向占比圖與網(wǎng)民情感傾向變化趨勢圖，結(jié)果如表4和圖8所示。從情感占比角度講，不論是靜態(tài)的各階段的情感傾向占比，還是動態(tài)累加的情感傾向占比，都表明消極情感是整個輿情期間的主導(dǎo)情感。在潛伏期，由于相關(guān)報道的不確切性、非官方性，消極情感占比為3個時期中最大，達到了73.65%；在擴散期，隨著有關(guān)部門的正面引導(dǎo)、事件細節(jié)逐漸明晰等原因，積極情感達到3個時期中的最大占比，為34.07%。

表4 靜態(tài)、動態(tài)網(wǎng)民情感傾向占比 %

從情感傾向變化趨勢角度講，由動態(tài)趨勢曲線可以看出，在整個事件期間，雖然網(wǎng)民情感的負面傾向一直占據(jù)主導(dǎo)，但總體上負面情緒呈小幅度、持續(xù)下降趨勢，相比于潛伏期負面情緒占比約74%，后兩個動態(tài)累加階段的負面情緒占比分別下降到了約68%和66%。從靜態(tài)趨勢曲線可知，在單獨研究各輿情階段的情況下，負面情緒變化趨勢呈現(xiàn)出“V”形，擴散期數(shù)據(jù)與潛伏期數(shù)據(jù)相比，負向情感占比下降了約8個百分點，說明了有關(guān)部門在此期間的正向引導(dǎo)，是使得負面情感在總體上呈現(xiàn)下降的主要原因。

圖8 網(wǎng)民情感傾向變化趨勢圖

5 總 結(jié)

精確感知突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢是政府部門進行輿情治理的前提，為此，本文通過突發(fā)事件網(wǎng)絡(luò)輿情演化機理研究和Gompertz演化建模，描述了突發(fā)事件網(wǎng)絡(luò)輿情演化的周期性和階段性特征，進而構(gòu)建了突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢感知模型。該模型基于3個感知層面和3個感知階段，將網(wǎng)絡(luò)輿情態(tài)勢的研究對象劃分為九個獨立的感知態(tài)，同時，模型給出了靜態(tài)融合與動態(tài)融合兩種態(tài)勢感知模式及可視化方法。實證研究表明：a.靜態(tài)的態(tài)勢感知模式與可視化方法，可以較好地刻畫突發(fā)事件網(wǎng)絡(luò)輿情在各個階段的階段性特征(如：在“潛伏期”，從主題模型中“兒子”“謠言”“繼承權(quán)”等詞語的概率分布可看出，主題建模較好地反映了“潛伏期”內(nèi)網(wǎng)民的關(guān)注點)，但缺點是忽略了一些在整個輿情期間具有時間連續(xù)性和整體性影響的特征(如：整個輿情期間呈小幅度、持續(xù)下降的負向情感動態(tài)演化趨勢)；b.動態(tài)的態(tài)勢感知模式與可視化方法有效彌補上述缺點，通過數(shù)據(jù)累加確保了輿情信息的連續(xù)性和全面性，突發(fā)事件網(wǎng)絡(luò)輿情的周期性演化特征得以凸顯；c.感知模型從感知層面和感知時間兩個維度，對突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢感知問題進行切割，規(guī)范化了問題的研究角度，研究結(jié)果較為直觀地展現(xiàn)出參與主體、輿情主題和主體情感在各個階段的演化態(tài)勢，可為政府相關(guān)部門的輿情管控與引導(dǎo)工作提供理論依據(jù)，具有一定參考價值。

在未來的研究中，可從以下方面進行突破：a.本文僅研究了突發(fā)事件網(wǎng)絡(luò)輿情演化在“三階段”劃分方式下的態(tài)勢感知，在“四階段”“五階段”劃分下的態(tài)勢感知需進一步研究；b.構(gòu)建的網(wǎng)絡(luò)輿情態(tài)勢感知模型對網(wǎng)絡(luò)輿情態(tài)勢的描述是從主體、主題、情感3個層面進行的，在以后研究中，可引入其他指標(biāo)以豐富模型內(nèi)涵。