基于知識圖譜的輿情預(yù)警研究可視化分析

摘? 要：在互聯(lián)網(wǎng)時代，做好輿情預(yù)警工作，對于推進(jìn)網(wǎng)絡(luò)空間治理體系和治理能力現(xiàn)代化，維護(hù)社會穩(wěn)定和長治久安具有重要的現(xiàn)實(shí)意義。以CNKI數(shù)據(jù)庫中有關(guān)輿情預(yù)警的472篇文獻(xiàn)為樣本數(shù)據(jù)，使用文獻(xiàn)計(jì)量軟件CiteSpace，從年度發(fā)文量、發(fā)文期刊、資助基金、發(fā)文作者、發(fā)文機(jī)構(gòu)、被引文獻(xiàn)、關(guān)鍵詞共現(xiàn)與聚類、關(guān)鍵詞突現(xiàn)等多個方面對輿情預(yù)警研究進(jìn)行可視化分析，直觀地展示了我國輿情預(yù)警領(lǐng)域的研究成果、研究熱點(diǎn)以及研究前沿，為該領(lǐng)域的后續(xù)研究提供參考。

關(guān)鍵詞：輿情預(yù)警；CiteSpace；知識圖譜

中圖分類號：TP39；G350? ? 文獻(xiàn)標(biāo)識碼：A? ? 文章編號：2096-4706（2023）07-0111-06

Abstract： In the Internet era， doing a good job of public opinion early warning has important practical significance for promoting the modernization of the cyberspace governance system and governance capability， and maintaining social stability and long-term stability. Taking the 472 papers on public opinion early warning in CNKI database as sample data， this paper uses the bibliometric software of CiteSpace， visualizes and analyzes the research on public opinion early warning from the number of annual published papers， published journals， funding funds， published authors， published institutions， cited documents， keywords co-occurrence and clustering， keywords emergence and other aspects. It intuitively displays the research results， research hotspots and research frontiers in the field of public opinion early warning in our country， and provides a reference for the follow-up research in this field.

Keywords： public opinion early warning; CiteSpace; knowledge graph

0? 引? 言

隨著互聯(lián)網(wǎng)時代的來臨，社交媒體蓬勃發(fā)展。在社交媒體上公開地表達(dá)自己對某些事件的想法和態(tài)度，已經(jīng)成為公眾的習(xí)慣，這在一定程度上為輿情的發(fā)酵提供了土壤，為輿情的擴(kuò)散提供了渠道。網(wǎng)絡(luò)輿情的自由性和突發(fā)性的特點(diǎn)，也導(dǎo)致了輿論暴力事件、網(wǎng)絡(luò)謠言和網(wǎng)絡(luò)集群行為的發(fā)生。建立科學(xué)的輿情預(yù)警機(jī)制，有助于提前發(fā)現(xiàn)輿情帶來的危機(jī)，為后續(xù)輿情處置提供時間和參考。這對于減輕輿情帶來的負(fù)面影響，維護(hù)社會穩(wěn)定和長治久安，具有重要的現(xiàn)實(shí)意義。因此，如何精準(zhǔn)掌握輿情發(fā)展的態(tài)勢，進(jìn)行輿情預(yù)警，已經(jīng)成為研究者們關(guān)注的焦點(diǎn)。目前，國內(nèi)研究者已經(jīng)在輿情預(yù)警領(lǐng)域做了大量工作，并且取得了豐碩的研究成果，但對輿情預(yù)警研究成果進(jìn)行梳理總結(jié)的綜述性文獻(xiàn)偏少。為系統(tǒng)梳理分析現(xiàn)有的研究成果，展示輿情預(yù)警研究的整體狀況，本文使用文獻(xiàn)計(jì)量軟件CiteSpace，以CNKI（中國知網(wǎng)）數(shù)據(jù)庫中有關(guān)輿情預(yù)警的文獻(xiàn)為研究對象，進(jìn)行可視化分析，直觀展示我國輿情預(yù)警領(lǐng)域的研究成果、研究熱點(diǎn)以及研究前沿，為后續(xù)相關(guān)研究提供一定的參考。

1? 數(shù)據(jù)來源與研究工具

1.1? 數(shù)據(jù)來源

本文所使用的樣本文獻(xiàn)是來自CNKI數(shù)據(jù)庫。在CNKI數(shù)據(jù)庫中，將主題設(shè)置為“輿情預(yù)警”，時間范圍不做限制（檢索時間為2022年8月18日），進(jìn)行檢索，共得到3 927條結(jié)果。對這些結(jié)果進(jìn)行整理分析后發(fā)現(xiàn)，其中有很多無關(guān)文獻(xiàn)和低相關(guān)文獻(xiàn)。為保證樣本的可靠性和研究結(jié)果的科學(xué)性，對檢索結(jié)果做以下處理：選定學(xué)術(shù)論文和學(xué)位論文，刪除報(bào)紙、新聞、征稿啟事、人物專訪等無關(guān)文獻(xiàn)；對論文摘要和結(jié)構(gòu)進(jìn)行通讀，刪除不是以輿情預(yù)警為主線開展研究的低相關(guān)性文獻(xiàn)。經(jīng)過篩選處理，共得到472篇文獻(xiàn)。其中，學(xué)術(shù)期刊論文384篇，學(xué)位論文88篇。將這些文獻(xiàn)分別以Refworks和自定義格式進(jìn)行導(dǎo)出。將Refworks格式導(dǎo)出的文獻(xiàn)資料導(dǎo)入CiteSpace中進(jìn)行分析，而自定義格式導(dǎo)出的文獻(xiàn)資料則利用Excel進(jìn)行分析。

1.2? 研究工具

本文使用的研究工具是：CiteSpace和Excel。其中，Excel主要用來進(jìn)行年度發(fā)文量分析、發(fā)文期刊分析以及資助基金分析，CiteSpace主要是用來構(gòu)建作者、機(jī)構(gòu)以及關(guān)鍵詞的知識圖譜，分析輿情預(yù)警研究的熱點(diǎn)與前沿。CiteSpace是陳超美教授利用Java語言開發(fā)的文獻(xiàn)計(jì)量學(xué)軟件，利用該軟件可以從海量文獻(xiàn)挖掘出某一研究領(lǐng)域的知識基礎(chǔ)和發(fā)展動態(tài)。

2? 基本情況統(tǒng)計(jì)分析

2.1? 年度發(fā)文量分析

年度發(fā)文量可以反映輿情預(yù)警研究的受關(guān)注程度和變化趨勢。將之前檢索篩選出的樣本文獻(xiàn)，按照年份為單位進(jìn)行統(tǒng)計(jì)，可以得到2006—2022年之間，每年輿情預(yù)警領(lǐng)域的發(fā)文量。統(tǒng)計(jì)結(jié)果如圖1所示。

從圖1可以看出：

在2006—2010年，年度發(fā)文量均在10篇左右。這一階段的研究進(jìn)展比較緩慢。研究主要集中在對輿情預(yù)警概念的梳理、輿情預(yù)警機(jī)制重要性的闡明、網(wǎng)絡(luò)輿情預(yù)警等級的設(shè)定以及輿情預(yù)警指標(biāo)構(gòu)建這幾個方面。如：吳紹忠等人[1]闡述了網(wǎng)絡(luò)輿情預(yù)警的概念，并且初步將輿情預(yù)警等級劃分為輕、中度、重和特重四個等級。曾潤喜[2]構(gòu)建了突發(fā)事件輿情預(yù)警指標(biāo)體系，并利用層次分析法確定了權(quán)重。

在2011—2014年，年度發(fā)文量直線上升。由于微博、微信等社交媒體井噴式的發(fā)展以及智能手機(jī)的普及，輿情預(yù)警研究進(jìn)入了高速發(fā)展期。在這一階段，研究者們開始構(gòu)建更加細(xì)致科學(xué)的指標(biāo)體系，并使用一些數(shù)學(xué)模型和統(tǒng)計(jì)方法實(shí)現(xiàn)輿情預(yù)警。如：林琛等人[3]提出一種基于模糊推理的網(wǎng)絡(luò)輿情預(yù)警方法，運(yùn)用該方法可以自動判斷預(yù)警等級。閆利平等人[4]以日常監(jiān)測的數(shù)據(jù)為基礎(chǔ)，將預(yù)警模型分為開關(guān)預(yù)警和預(yù)測預(yù)警。孫玲芳等人[5]結(jié)合輿情危機(jī)產(chǎn)生、發(fā)展、變化的規(guī)律及特點(diǎn)，建立了網(wǎng)絡(luò)輿情危機(jī)預(yù)警的指標(biāo)體系，并通過遺傳算法改進(jìn)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，用于輿情預(yù)警。

2015年至今，年度發(fā)文量均在30篇以上，發(fā)文量逐漸趨于穩(wěn)定。在2018年發(fā)文量達(dá)到頂峰，共有53篇。在這一階段，機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型開始被應(yīng)用于輿情預(yù)警研究。如：張戎秋等人[6]改進(jìn)了傳統(tǒng)的長短期記憶網(wǎng)絡(luò)模型，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了輿情的情感傾向識別。羅文華等人[7]運(yùn)用貝葉斯網(wǎng)絡(luò)建立了輿情發(fā)酵預(yù)警模型，并驗(yàn)證了模型的有效性和預(yù)警作用。需要說明的是，由于本文的檢索時間是2022年8月，所以2022年僅有18篇文獻(xiàn)。但根據(jù)發(fā)文趨勢推測，2022年發(fā)表的文獻(xiàn)應(yīng)當(dāng)也在30篇以上。

2.2? 發(fā)文期刊分析

期刊的發(fā)文情況可以反映出該期刊對輿情預(yù)警研究的關(guān)注程度，還可以為相關(guān)研究者在選擇期刊投稿時提供一定的參考。對樣本文獻(xiàn)中的384篇學(xué)術(shù)期刊論文進(jìn)行發(fā)文期刊統(tǒng)計(jì)，可以發(fā)現(xiàn)：

1）發(fā)文期刊共有247種，期刊種類較為豐富。

2）發(fā)文量前10位的期刊，共發(fā)文97篇，占所有樣本文獻(xiàn)的25%。發(fā)文量前10位的期刊分布如表1所示。

3）發(fā)文量前10位的期刊中既包括圖情領(lǐng)域的期刊（共6個，平均影響因子：2.89），還包括計(jì)算機(jī)領(lǐng)域的期刊（共2個，平均影響因子：0.338）和新聞傳媒領(lǐng)域的期刊（共2個，平均影響因子：0.328）。其中，圖情領(lǐng)域的期刊發(fā)文量為74篇，占前10位期刊發(fā)文量總和的76%。這說明輿情預(yù)警是一個多學(xué)科交叉的研究領(lǐng)域，但是以圖情學(xué)科為基礎(chǔ)的輿情預(yù)警研究無論是在數(shù)量還是質(zhì)量上都占據(jù)著絕對主導(dǎo)地位。

4）發(fā)文量前10位的期刊中，有6個屬于核心期刊。這反映出一些高質(zhì)量、高影響力的期刊在關(guān)注著輿情預(yù)警研究。

2.3? 資助基金分析

資助基金的數(shù)量和級別可以反映出輿情預(yù)警研究的受重視程度。對樣本文獻(xiàn)進(jìn)行資助基金統(tǒng)計(jì)，可以發(fā)現(xiàn)：在384篇學(xué)術(shù)期刊論文中，共有257篇受到了基金資助，受資助比例達(dá)到67%。各類基金的資助在一定程度上助推了輿情預(yù)警研究的發(fā)展。這些文獻(xiàn)中，受到國家社科基金項(xiàng)目資助的有40篇，受到國家自然科學(xué)基金項(xiàng)目資助的有28篇，受到教育部人文社會科學(xué)基金項(xiàng)目資助的有34篇。以上三種基金都是我國科學(xué)研究領(lǐng)域高層次、高權(quán)威性的基金項(xiàng)目。這反映出輿情預(yù)警作為人文社科和自然科學(xué)的交叉研究領(lǐng)域，已經(jīng)受到了國家、社會以及研究者們的重視。

2.4? 發(fā)文作者分析

對發(fā)文作者進(jìn)行分析，不僅可以識別輿情預(yù)警研究領(lǐng)域的核心作者，還能了解作者之間的合作情況。

2.4.1? 核心作者

根據(jù)普賴斯定律，能被稱為核心作者就必須得達(dá)到最低發(fā)文量。設(shè)Nmax為最高產(chǎn)作者的發(fā)文量，核心作者的最低發(fā)文量 。最高產(chǎn)作者蘭月新共發(fā)文10篇，根據(jù)公式可以計(jì)算出核心作者的最低發(fā)文量為3篇。對樣本文獻(xiàn)進(jìn)行統(tǒng)計(jì)，可以得到核心作者共有27名。這些核心作者在輿情預(yù)警研究領(lǐng)域一共發(fā)表文獻(xiàn)101篇，占所有文獻(xiàn)的21%。按照普賴斯定律，某一領(lǐng)域的核心作者的發(fā)文量應(yīng)當(dāng)占該領(lǐng)域所有文獻(xiàn)的50%。由此可以看出，在輿情預(yù)警研究領(lǐng)域，并未形成核心作者群。

2.4.2? 作者合作情況

將CiteSpace軟件中的節(jié)點(diǎn)類型設(shè)置成作者，就可以繪制出作者合作網(wǎng)絡(luò)圖譜。將閾值設(shè)置為“3”，繪制出的作者合作網(wǎng)絡(luò)圖譜如圖2所示。圖譜中的節(jié)點(diǎn)代表作者，節(jié)點(diǎn)的大小代表著作者發(fā)文量的多少，點(diǎn)之間的連線代表作者之間的合作關(guān)系。由于閾值設(shè)置為3，所以只有發(fā)文量3篇及以上的核心作者才會顯示姓名。從圖2可以看出：發(fā)文量最大的是中國人民警察大學(xué)的蘭月新（發(fā)文10篇）和張鵬（發(fā)文6篇）。核心作者之間形成了四個閉環(huán)網(wǎng)絡(luò)，分別是蘭月新團(tuán)隊(duì)、李弼程團(tuán)隊(duì)、丁菊玲團(tuán)隊(duì)、楊柳團(tuán)隊(duì)。其中，蘭月新團(tuán)隊(duì)發(fā)文量最多，成員聯(lián)系最緊密，整體研究實(shí)力最強(qiáng)。除了這四個網(wǎng)絡(luò)，其余的節(jié)點(diǎn)都比較分散，并且整體網(wǎng)絡(luò)的密度偏低。這說明在我國輿情預(yù)警研究領(lǐng)域，很多研究者更傾向獨(dú)立進(jìn)行研究，形成的研究團(tuán)隊(duì)比較少，研究團(tuán)隊(duì)彼此之間的合作也比較少。

2.5? 發(fā)文機(jī)構(gòu)分析

對發(fā)文機(jī)構(gòu)進(jìn)行分析，可以了解不同科研機(jī)構(gòu)在輿情預(yù)警研究領(lǐng)域的活躍程度。將CiteSpace軟件中的節(jié)點(diǎn)類型設(shè)置成機(jī)構(gòu)，就可以繪制出機(jī)構(gòu)合作網(wǎng)絡(luò)圖譜。將閾值設(shè)置為“4”，繪制出的機(jī)構(gòu)網(wǎng)絡(luò)圖譜如圖3所示。

圖譜中的節(jié)點(diǎn)代表機(jī)構(gòu)，節(jié)點(diǎn)的大小代表著機(jī)構(gòu)發(fā)文量的多少，點(diǎn)之間的連線代表機(jī)構(gòu)之間的合作關(guān)系。從圖中可以發(fā)現(xiàn)：

1）發(fā)文量最多的機(jī)構(gòu)是中國人民警察大學(xué)，共發(fā)文14篇。其次是湘潭大學(xué)公共管理學(xué)院和福州大學(xué)經(jīng)濟(jì)管理學(xué)院，分別發(fā)文6篇。中國人民警察大學(xué)的發(fā)文量遠(yuǎn)遠(yuǎn)高于其他機(jī)構(gòu)，是輿情預(yù)警研究領(lǐng)域的絕對核心機(jī)構(gòu)。

2）發(fā)文量最多的中國人民警察大學(xué)是核心作者蘭月新、張鵬等人所在的機(jī)構(gòu)，這與之前核心作者的分析互相印證。

3）科研機(jī)構(gòu)之間的合作可以促進(jìn)研究發(fā)展，從而產(chǎn)出更高質(zhì)量的研究成果。在作者網(wǎng)絡(luò)合作圖譜中，共有402個節(jié)點(diǎn)，148條邊，網(wǎng)絡(luò)密度0.001 8。機(jī)構(gòu)之間連線少，網(wǎng)絡(luò)密度偏低。這說明在我國輿情預(yù)警研究領(lǐng)域，機(jī)構(gòu)之間的合作不多。因此，在機(jī)構(gòu)合作這方面，還存在較大的提升空間。

2.6? 文獻(xiàn)被引分析

論文的被引次數(shù)是反映該論文學(xué)術(shù)影響力的一項(xiàng)重要指標(biāo)。輿情預(yù)警研究領(lǐng)域被引次數(shù)前10位的論文如表2所示。

從表2中可以看出：

1）被引次數(shù)前10位的論文中，有6篇都是和指標(biāo)體系研究有關(guān)的。指標(biāo)體系的構(gòu)建是輿情預(yù)警研究中的一項(xiàng)基礎(chǔ)性工作，一般研究者在研究時，都會借鑒和參考他人構(gòu)建的指標(biāo)體系。所以，有關(guān)輿情預(yù)警指標(biāo)體系研究的論文被引次數(shù)比較高。

2）被引次數(shù)前10位的論文中，9篇發(fā)表在核心期刊上，并且這些核心期刊，大部分都是發(fā)文量前10位的期刊。這與之前發(fā)文期刊的分析互相印證。

3）被引次數(shù)前10位的論文中，有6篇是在2006—2010年之間發(fā)表的，有4篇是在2011—2014年之間發(fā)表的。這也從側(cè)面反映出輿情預(yù)警領(lǐng)域前期的研究成果，可參考性和質(zhì)量都非常高，為后期的研究奠定了堅(jiān)實(shí)的基礎(chǔ)。

3? 研究熱點(diǎn)與前沿分析

關(guān)鍵詞是對文獻(xiàn)研究主題和研究內(nèi)容的高度概括。對文獻(xiàn)中的關(guān)鍵詞進(jìn)行梳理分析，可以了解相關(guān)研究的熱點(diǎn)與前沿。

3.1? 關(guān)鍵詞共現(xiàn)和聚類分析

將CiteSpace軟件中的節(jié)點(diǎn)類型設(shè)置成關(guān)鍵詞，剪枝算法選擇Pathfinder和Pruning slilcde networks，閾值設(shè)置為“10”，其余參數(shù)保持初始值，繪制出的關(guān)鍵詞共現(xiàn)圖譜如圖4所示。圖譜中的節(jié)點(diǎn)代表關(guān)鍵詞，節(jié)點(diǎn)的大小代表著關(guān)鍵詞出現(xiàn)次數(shù)的多少。從圖中可以發(fā)現(xiàn)：出現(xiàn)10次及以上的關(guān)鍵詞共有15個。其中，出現(xiàn)次數(shù)最多的關(guān)鍵詞是“網(wǎng)絡(luò)輿情”（頻次283）和“預(yù)警”（頻次134）。由于在檢索文獻(xiàn)時，是以“輿情預(yù)警”為主題進(jìn)行檢索的，所以這兩個關(guān)鍵詞出現(xiàn)的頻次會遠(yuǎn)遠(yuǎn)高于其他節(jié)點(diǎn)。除了出現(xiàn)頻次，中心性也是衡量關(guān)鍵詞的一個重要指標(biāo)，中心性高的關(guān)鍵詞重要性高，影響力大。綜合出現(xiàn)頻次（頻次大于等于10）和中心性（中心性大于等于0.1）兩個指標(biāo)，最終確定的研究熱點(diǎn)關(guān)鍵詞有：網(wǎng)絡(luò)輿情、預(yù)警、預(yù)警機(jī)制、網(wǎng)絡(luò)輿情預(yù)警、指標(biāo)體系，突發(fā)事件和大數(shù)據(jù)。

為了更好探知輿情預(yù)警領(lǐng)域的研究熱點(diǎn)，在關(guān)鍵詞共現(xiàn)的基礎(chǔ)上進(jìn)行關(guān)鍵詞聚類。聚類使用LLR算法，聚類結(jié)果如圖5所示。聚類圖譜上的模塊值（Q值）為0.716 1，平均輪廓值（S值）為0.932 2，說明聚類結(jié)果是科學(xué)顯著的。從圖中可以看出，關(guān)鍵詞被聚成了十類，各個類別邊界清晰，但是有較多重疊交叉的部分。在十個類別中，預(yù)警、網(wǎng)絡(luò)輿情、預(yù)警機(jī)制、指標(biāo)體系、大數(shù)據(jù)這幾個類別和核心關(guān)鍵詞是一致的。

綜合熱點(diǎn)關(guān)鍵詞和聚類結(jié)果，可以發(fā)現(xiàn)輿情預(yù)警領(lǐng)域的研究熱點(diǎn)如下。

3.1.1? 輿情預(yù)警機(jī)制的構(gòu)建

輿情預(yù)警機(jī)制是指通過對輿情進(jìn)行監(jiān)測、分析和評估，及時發(fā)現(xiàn)和識別輿情中潛在的危機(jī)，發(fā)出警報(bào)并采取相應(yīng)的措施，從而減少或消除輿情帶來的不良影響的一系列管理制度?？茖W(xué)合理的輿情預(yù)警機(jī)制可以幫助政府及相關(guān)部門及時、積極地應(yīng)對和引導(dǎo)輿情。吳紹忠等人[1]認(rèn)為，網(wǎng)絡(luò)輿情預(yù)警機(jī)制應(yīng)當(dāng)由設(shè)定網(wǎng)絡(luò)輿情等級，建立網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系和確定指標(biāo)權(quán)重三部分構(gòu)成。曾潤喜等人[8]從輿情預(yù)警機(jī)制應(yīng)當(dāng)實(shí)現(xiàn)的主要功能出發(fā)，設(shè)計(jì)了包含監(jiān)測子系統(tǒng)、匯集子系統(tǒng)、分析子系統(tǒng)、警報(bào)子系統(tǒng)以及預(yù)控子系統(tǒng)的網(wǎng)絡(luò)輿情突發(fā)事件預(yù)警機(jī)制。金冬雪等人[9]分析了涉警輿情預(yù)警工作中存在的問題，基于危機(jī)管理4R理論，提出了涉警輿情預(yù)警機(jī)制建設(shè)的優(yōu)化策略。周小情等人[10]分析了網(wǎng)絡(luò)輿情預(yù)警的內(nèi)涵，提出了建立網(wǎng)絡(luò)輿情預(yù)警機(jī)制的制度化準(zhǔn)則。

3.1.2? 輿情預(yù)警指標(biāo)體系的構(gòu)建

指標(biāo)體系的構(gòu)建是輿情預(yù)警研究工作的基礎(chǔ)，指標(biāo)體系的質(zhì)量會直接影響輿情預(yù)警的結(jié)果。所以，指標(biāo)既要全面、切合實(shí)際，還必須便于測量。聶峰英等人[11]結(jié)合移動社交網(wǎng)絡(luò)的特點(diǎn)，從輿情發(fā)布者、輿情接受者和輿情熱度三方面構(gòu)建了三級社交網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系。劉毅[12]提出了一種基于三角模糊數(shù)的指標(biāo)體系構(gòu)建方法：首先按照警源、警兆構(gòu)建初步的指標(biāo)體系，然后利用基于三角模糊數(shù)的德爾菲法進(jìn)行篩選，確定最終的指標(biāo)體系，最后利用基于三角模糊數(shù)的層次分析法確定指標(biāo)的權(quán)重。該方法能夠更好地將專家知識進(jìn)行量化，提升預(yù)警結(jié)果的客觀性。王英杰等人[13]以新冠疫情作為研究背景，剖析了短視頻網(wǎng)絡(luò)輿情的特點(diǎn)，以疫情事件、用戶信息行為和情感傾向作為一級指標(biāo)，以疫情危害程度、涉疫情視頻轉(zhuǎn)發(fā)數(shù)量、用戶評論情感傾向等十二個要素作為二級指標(biāo)，完成了輿情預(yù)警指標(biāo)體系的構(gòu)建。王青等人[14]對面向傳播和面向內(nèi)容的兩類網(wǎng)絡(luò)輿情指標(biāo)體系進(jìn)行了梳理總結(jié)，并在此基礎(chǔ)上利用E-R模型確定了輿情要素，構(gòu)建了輿情監(jiān)測和預(yù)警指標(biāo)體系。

3.1.3? 利用數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)輿情預(yù)警

數(shù)據(jù)挖掘是指使用特定的算法，從海量數(shù)據(jù)中，獲取發(fā)現(xiàn)知識和信息的過程。按照目的進(jìn)行分類，數(shù)據(jù)挖掘算法可以被分為預(yù)測性算法和描述性算法。常用的預(yù)測性算法有決策樹、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。常用的描述性算法有聚類、主成分分析等。田世海等人[15]通過添加權(quán)重的基準(zhǔn)偏移值，改進(jìn)了潛在語義算法，結(jié)合支持向量機(jī)算法，構(gòu)建了輿情分類預(yù)警模型。張鵬等人[16]以“和頤酒店女生遇襲事件”為研究案例，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)謠言預(yù)警模型。龔艷[17]面向公共衛(wèi)生安全事件，建立了相應(yīng)的網(wǎng)絡(luò)輿情指標(biāo)體系，并使用K-means聚類算法和灰色關(guān)聯(lián)分析這兩種弱關(guān)聯(lián)挖掘算法，實(shí)現(xiàn)了輿情的預(yù)警分級。江志英等人[18]以食品安全作為切入點(diǎn)，提出了一種基于層次分析法和長短期記憶網(wǎng)絡(luò)的輿情預(yù)警模型。該模型首先需要從原始數(shù)據(jù)中提取指標(biāo)數(shù)據(jù)，然后利用關(guān)聯(lián)函數(shù)差分驅(qū)動的層次分析法進(jìn)行指標(biāo)融合處理，最后將融合結(jié)果送入長短期記憶網(wǎng)絡(luò)中得到預(yù)警結(jié)果。

3.1.4? 面向突發(fā)事件的網(wǎng)絡(luò)輿情預(yù)警研究

突發(fā)事件具有突然性、危害性、社會性的特點(diǎn)。它的發(fā)生、發(fā)展和網(wǎng)絡(luò)輿情的發(fā)酵、演變有著密不可分的關(guān)系。連芷萱等人[19]依據(jù)突發(fā)事件輿情的衍生傳播機(jī)理，構(gòu)建了一種基于組合預(yù)測的輿情預(yù)警模型。該方法將邏輯回歸、灰色模型和指數(shù)平滑這三種模型進(jìn)行組合，實(shí)現(xiàn)了對輿情消退期的預(yù)測和衍生系數(shù)的計(jì)算。王振興等人[20]提出了一種基于云模型的突發(fā)事件網(wǎng)絡(luò)預(yù)警方法。該方法將影響網(wǎng)絡(luò)輿情發(fā)生的因素設(shè)定為先兆特征，通過計(jì)算先兆特征的偏離程度去預(yù)測突發(fā)事件發(fā)生的概率，從而實(shí)現(xiàn)預(yù)警。許鑫等人[21]提出了一種基于信號分析的突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警模式。該預(yù)警模式立足于不完全信息條件下，更符合實(shí)際情況。徐建國等人[22]分析了突發(fā)事件網(wǎng)絡(luò)輿情演化的關(guān)鍵要素，利用C4.5決策樹構(gòu)建了突發(fā)事件網(wǎng)絡(luò)預(yù)警模型并進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該模型針對性強(qiáng)，預(yù)測準(zhǔn)確率高。

3.1.5? 大數(shù)據(jù)背景下的輿情預(yù)警研究

大數(shù)據(jù)時代的來臨，不僅使輿情數(shù)據(jù)指數(shù)級增長，呈現(xiàn)出數(shù)據(jù)量大、結(jié)構(gòu)復(fù)雜的問題，還使輿情數(shù)據(jù)逐漸成為某些決策制定的重要依據(jù)。這給輿情預(yù)警研究帶來了機(jī)遇，也帶來了挑戰(zhàn)。劉繼等人[23]以大數(shù)據(jù)為研究背景，圍繞網(wǎng)絡(luò)輿情采集與特征挖掘、輿情態(tài)勢智能分析、智能化預(yù)警機(jī)制分析這三個關(guān)鍵問題展開探討。李偉超等人[24]從輿情預(yù)警服務(wù)產(chǎn)品切入，闡明了我國網(wǎng)絡(luò)輿情預(yù)警服務(wù)的困境，提出了在大數(shù)據(jù)環(huán)境下提升我國網(wǎng)絡(luò)輿情預(yù)警服務(wù)的具體建議。李金海等人[25]利用網(wǎng)絡(luò)爬蟲技術(shù)和大數(shù)據(jù)平臺Hadoop建立了網(wǎng)絡(luò)輿情預(yù)警系統(tǒng)。該系統(tǒng)能夠?qū)W(wǎng)站輿情數(shù)據(jù)進(jìn)行采集和分析，并根據(jù)分析結(jié)果自動判定預(yù)警級別。易臣何等人[26]將大數(shù)據(jù)輿情預(yù)警與傳統(tǒng)輿情預(yù)警進(jìn)行了比較，挖掘出大數(shù)據(jù)輿情預(yù)警的優(yōu)勢，并基于此提出了優(yōu)化大數(shù)據(jù)輿情預(yù)警的策略。

3.2? 關(guān)鍵詞突現(xiàn)分析

關(guān)鍵詞突現(xiàn)是指在某一階段某些關(guān)鍵詞出現(xiàn)頻率激增的現(xiàn)象。對關(guān)鍵詞進(jìn)行突現(xiàn)檢測，能夠有效地捕捉輿情預(yù)警領(lǐng)域的研究前沿。使用CiteSpace軟件中的Burstness功能，將γ值設(shè)置為0.7，其余參數(shù)保持初始值，得到的突現(xiàn)詞圖譜如圖6所示。

從圖6中可以看出：

1）突現(xiàn)詞共有9個，分別是：監(jiān)測、系統(tǒng)動力學(xué)、群體性事件、高校網(wǎng)絡(luò)輿情、大數(shù)據(jù)、食品安全、模糊綜合評價(jià)、灰色關(guān)聯(lián)分析、機(jī)器學(xué)習(xí)。

2）在2006—2010年，輿情預(yù)警研究發(fā)展緩慢，相關(guān)的研究成果比較少，因此這個階段沒有突現(xiàn)詞。

3）這些突現(xiàn)詞中，大數(shù)據(jù)的突現(xiàn)強(qiáng)度最大，突現(xiàn)時間是2018—2020年。

4）突現(xiàn)時間到2022年的關(guān)鍵詞有：灰色關(guān)聯(lián)分析和機(jī)器學(xué)習(xí)。這表明灰色關(guān)聯(lián)分析和機(jī)器學(xué)習(xí)是輿情預(yù)警領(lǐng)域中的研究前沿。無論是灰色關(guān)聯(lián)分析還是機(jī)器學(xué)習(xí)，都是利用相應(yīng)的算法來實(shí)現(xiàn)輿情預(yù)警。因此，可以推測未來會有更多的數(shù)據(jù)挖掘算法被應(yīng)用到輿情預(yù)警研究中。

4? 結(jié)? 論

習(xí)近平總書記曾強(qiáng)調(diào)：“要加強(qiáng)輿情跟蹤研判，主動發(fā)聲、正面引導(dǎo)，強(qiáng)化融合傳播和交流互動，讓正能量始終充盈網(wǎng)絡(luò)空間?！痹谛聲r代做好輿情預(yù)警，提高總體態(tài)勢感知能力，對于推進(jìn)網(wǎng)絡(luò)空間治理體系和治理能力現(xiàn)代化有著非常重要的意義。本文以CNKI數(shù)據(jù)庫中有關(guān)輿情預(yù)警的文獻(xiàn)作為研究對象，使用文獻(xiàn)計(jì)量軟件CiteSpace，從年度發(fā)文量、發(fā)文期刊、資助基金、發(fā)文作者、發(fā)文機(jī)構(gòu)、被引文獻(xiàn)、關(guān)鍵詞共現(xiàn)與聚類、關(guān)鍵詞突現(xiàn)等多個方面進(jìn)行了深入分析，探知了我國輿情預(yù)警領(lǐng)域的研究現(xiàn)狀，得到如下結(jié)論：

1）我國輿情預(yù)警的研究起始于2006年，經(jīng)過三個階段的積累，目前已形成豐碩的研究成果。

2）在研究過程中，一些高層次、高權(quán)威性的基金項(xiàng)目給予了輿情預(yù)警研究大力的支持。一些高質(zhì)量、高影響力的期刊也在密切關(guān)注著輿情預(yù)警研究。這些關(guān)注和支持促進(jìn)了研究的繁榮與發(fā)展。

3）輿情預(yù)警研究領(lǐng)域并未形成核心作者群。研究者之間的合作、研究機(jī)構(gòu)之間的合作偏少。

4）輿情預(yù)警研究的熱點(diǎn)主要集中在：輿情預(yù)警機(jī)制的構(gòu)建、輿情預(yù)警指標(biāo)體系的構(gòu)建、利用數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)輿情預(yù)警、面向突發(fā)事件的網(wǎng)絡(luò)輿情預(yù)警研究、大數(shù)據(jù)背景下的輿情預(yù)警研究這幾個方面。

5）如何利用機(jī)器學(xué)習(xí)、灰色關(guān)聯(lián)分析等數(shù)據(jù)挖掘算法實(shí)現(xiàn)輿情預(yù)警，已經(jīng)成為輿情預(yù)警領(lǐng)域的前沿議題，在未來的研究中，應(yīng)當(dāng)給予重點(diǎn)關(guān)注。

參考文獻(xiàn)：

[1] 吳紹忠，李淑華.互聯(lián)網(wǎng)絡(luò)輿情預(yù)警機(jī)制研究 [J].中國人民公安大學(xué)學(xué)報(bào)：自然科學(xué)版，2008（3）：38-42.

[2] 曾潤喜.網(wǎng)絡(luò)輿情突發(fā)事件預(yù)警指標(biāo)體系構(gòu)建 [J].情報(bào)理論與實(shí)踐，2010，33（1）：77-80.

[3] 林琛，李弼程，王瑾.基于模糊推理的網(wǎng)絡(luò)輿情預(yù)警方法 [J].信息工程大學(xué)學(xué)報(bào)，2011，12（1）：72-76.

[4] 閆利平，陶衛(wèi)江，韓曉虎，等.政府網(wǎng)絡(luò)輿情監(jiān)測分析及預(yù)警 [J].現(xiàn)代情報(bào)，2011，31（4）：46-48+52.

[5] 孫玲芳，周加波，林偉健，等.基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的網(wǎng)絡(luò)輿情危機(jī)預(yù)警研究 [J].情報(bào)雜志，2014，33（11）：18-24.

[6] 張戎秋，肖強(qiáng).基于改進(jìn)的LSTM-CNN模型的高校網(wǎng)絡(luò)輿情預(yù)警研究 [J].淮南師范學(xué)院學(xué)報(bào)，2021，23（6）：77-81.

[7] 羅文華，馬曉晗.基于貝葉斯網(wǎng)絡(luò)的多級次網(wǎng)絡(luò)輿情預(yù)警實(shí)證研究 [J].情報(bào)科學(xué)，2021，39（7）：68-74.

[8] 曾潤喜，徐曉林.網(wǎng)絡(luò)輿情突發(fā)事件預(yù)警系統(tǒng)、指標(biāo)與機(jī)制 [J].情報(bào)雜志，2009，28（11）：52-54+51.

[9] 金冬雪，金琛皓.基于4R理論的涉警輿情危機(jī)預(yù)警機(jī)制優(yōu)化研究 [J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2022（5）：160-163.

[10] 周小情，張梅貞.新媒體時代網(wǎng)絡(luò)輿情預(yù)警機(jī)制研究 [J].新聞知識，2014（1）：58-60.

[11] 聶峰英，張旸.移動社交網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系構(gòu)建 [J].情報(bào)理論與實(shí)踐，2015，38（12）：64-67.

[12] 劉毅.基于三角模糊數(shù)的網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系構(gòu)建 [J].統(tǒng)計(jì)與決策，2012（2）：12-15.

[13] 王英杰，胡漠，張津赫，等.信息疫情下短視頻網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系構(gòu)建研究 [J].情報(bào)科學(xué)，2021，39（11）：38-44.

[14] 王青，成穎，巢乃鵬.網(wǎng)絡(luò)輿情監(jiān)測及預(yù)警指標(biāo)體系構(gòu)建研究 [J].圖書情報(bào)工作，2011，55（8）：54-57+111.

[15] 田世海，呂德麗.改進(jìn)潛在語義分析和支持向量機(jī)算法用于突發(fā)安全事件輿情預(yù)警 [J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2017，1（2）：11-18.

[16] 張鵬，蘭月新，李昊青，等.突發(fā)事件網(wǎng)絡(luò)謠言危機(jī)預(yù)警及模擬仿真研究 [J].現(xiàn)代情報(bào)，2019，39（12）：101-108+137.

[17] 龔艷.面向公共衛(wèi)生安全網(wǎng)絡(luò)輿情預(yù)警的弱關(guān)聯(lián)挖掘方法研究 [J].情報(bào)科學(xué)，2022，40（6）：19-24.

[18] 江志英，李宇洋，李佳桐，等.基于層次分析的長短記憶網(wǎng)絡(luò)（AHP-LSTM）的食品安全網(wǎng)絡(luò)輿情預(yù)警模型 [J].北京化工大學(xué)學(xué)報(bào)：自然科學(xué)版，2021，48（6）：98-107.

[19] 連芷萱，連增水，張秋波，等.面向突發(fā)事件的網(wǎng)絡(luò)衍生輿情預(yù)警模型與實(shí)證研究 [J].情報(bào)雜志，2019，38（3）：133-140.

[20] 王振興，郭毅，張連成，等.一種基于云模型的突發(fā)事件預(yù)警方法 [J].信息工程大學(xué)學(xué)報(bào)，2012，13（1）：120-123+128.

[21] 許鑫，張嵐嵐.突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警模式探索 [J].圖書情報(bào)工作，2010，54（22）：135-138+89.

[22] 徐建國，劉夢凡，劉泳慧.突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)預(yù)警模型研究 [J].軟件導(dǎo)刊，2020，19（7）：70-75.

[23] 劉繼，李磊.大數(shù)據(jù)背景下網(wǎng)絡(luò)輿情智能預(yù)警機(jī)制分析 [J].情報(bào)雜志，2019，38（12）：92-97+183.

[24] 李偉超，楊照方，潘穎婧，等.大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情預(yù)警服務(wù)研究 [J].情報(bào)工程，2020，6（6）：15-21.

[25] 李金海，徐輝.大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情預(yù)警系統(tǒng)的設(shè)計(jì)研究 [J].計(jì)算機(jī)時代，2020（1）：30-34.

[26] 易臣何，何雪平.大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情智能預(yù)警機(jī)制研究 [J].智庫時代，2020（7）：11-12.

作者簡介：王佳慧（1992—），女，漢族，新疆哈密人，講師，碩士，研究方向：自然語言處理、網(wǎng)絡(luò)輿情。