基于深度學習的微博輿情監(jiān)測模型研究與實現(xiàn)

成哲丞

關(guān)鍵詞：Java 分布式爬蟲；Elasticsearch；注意力機制；Bi-LSTM；輿情預(yù)警

中圖分類號：TP391.1 文獻標識碼：A 文章編號：1006-8228（2023）11-124-03

0 引言

網(wǎng)絡(luò)空間不是法外之地，網(wǎng)絡(luò)輿情監(jiān)管和應(yīng)對是一個非常棘手的問題。目前針對網(wǎng)絡(luò)輿情監(jiān)測的研究主要存在以下問題。

⑴ 針對單一事件：當前對網(wǎng)絡(luò)輿情的監(jiān)測往往都是針對已發(fā)生的且有著負面影響的事件，通常研究的輿情事件比較單一[1]。

⑵ 實時性差：由于網(wǎng)絡(luò)事件所帶來的海量數(shù)據(jù)，當前對事件進行輿情監(jiān)測時不能夠很及時，且往往沒有考慮當數(shù)據(jù)量大時，系統(tǒng)的運行效率問題[2]。

⑶ 準確率低：當前對網(wǎng)絡(luò)輿情事件的預(yù)警研究較少，且由于評論數(shù)據(jù)的多樣性、復(fù)雜性，導(dǎo)致輿情預(yù)警的準確率不夠高。

針對上訴問題，且為了提升輿情監(jiān)測系統(tǒng)的性能和準確率，以新浪微博作為數(shù)據(jù)源，本文在傳統(tǒng)輿情監(jiān)測系統(tǒng)架構(gòu)和情感分析方法的基礎(chǔ)上提出了一種基于深度學習的微博輿情監(jiān)測模型。本模型旨在監(jiān)測和分析微博熱搜的輿情信息，了解公眾對某個話題或事件的態(tài)度和反應(yīng)，及時對發(fā)生負面輿情的事件進行監(jiān)測。

1 熱搜數(shù)據(jù)采集與處理

1.1 基于Java 的分布式數(shù)據(jù)爬取框架

本節(jié)針對性地設(shè)計實現(xiàn)了一個基于Java 的分布式數(shù)據(jù)爬取框架，該框架可快速爬取新浪微博熱搜榜的全部評論數(shù)據(jù)。該框架的結(jié)構(gòu)如圖1 所示。

該框架重要組成部件的相關(guān)功能作用如下：

⑴ 爬蟲定時器（SpiderTimer）：爬蟲定時器負責定時地調(diào)用爬蟲啟動器；

⑵ 爬蟲任務(wù)池（SpiderTask Pool）：爬蟲任務(wù)池負責管理子爬蟲任務(wù)的權(quán)值，權(quán)值越大的子爬蟲任務(wù)會被優(yōu)先相應(yīng)；

⑶ 爬蟲管理器（SpiderManager）：爬蟲管理器會將子爬蟲任務(wù)分配給爬蟲線程池。同時爬蟲管理器還會將爬蟲返回的結(jié)果交給結(jié)果處理器；

⑷ 爬蟲線程池（SpiderThread Pool）：爬蟲線程池負責將得到的子爬蟲任務(wù)分配給池內(nèi)空閑的線程，一條線程對應(yīng)一個爬蟲。

1.2 數(shù)據(jù)預(yù)處理

爬取到的原始評論數(shù)據(jù)可能存在著沒有結(jié)構(gòu)化，格式不規(guī)范等問題。為了之后更好地進行情感分析，提高情感分析模型的準確性，“純凈”的數(shù)據(jù)集是十分必要的，因此需要對爬取到的原始評論數(shù)據(jù)進行規(guī)范化處理。規(guī)范化處理主要包括三個部分：數(shù)據(jù)清洗、文本分詞和去除停用詞。經(jīng)過上述規(guī)范化處理之后，將會得到“純凈”的標準化數(shù)據(jù)。

1.3 基于Elasticsearch 的分布式搜索存儲方法

考慮到輿情監(jiān)測模型的實際需求，基于Elasticsearch[3]的分布式搜索存儲方法會維護一個熱搜哈希表。熱搜哈希表中存儲的是登上過新浪微博熱搜榜的熱搜信息。哈希表的Key 值為熱搜名，Value 值為熱搜的相關(guān)信息。熱搜的相關(guān)信息包括熱搜名、導(dǎo)語、話題閱讀次數(shù)、話題討論次數(shù)、媒體報道次數(shù)、通用唯一標識符、年齡和情感狀況。

哈希表中的一條數(shù)據(jù)對應(yīng)一條熱搜，也對應(yīng)著Elasticsearch 中的一個索引庫。該方法的存儲邏輯如圖2 所示。

考慮到實際環(huán)境下評論總數(shù)每天可達數(shù)十萬，甚至上百萬條。及時地刪除過時話題的數(shù)據(jù)，釋放服務(wù)器資源是十分必要的。方法的刪除邏輯如圖3 所示。

2 融合改進注意力機制的Bi-LSTM 情感分析方法

2.1 方法原理

為了對用戶評論進行情感分類，本章提出了一種融合改進注意力機制的Bi-LSTM 情感分析方法。該方法會降低熱搜話題自身所帶情感度的影響，更關(guān)注用戶自身評論，更精確地分析用戶評論的情感傾向。該方法所用模型的結(jié)構(gòu)圖如圖4 所示。

由圖4 可知，各層的工作內(nèi)容為詞嵌入層：通過Word2vec 中的Skip-Gram 模型[4]對熱搜話題和評論進行向量化處理；語義特征提取層：通過引入雙向長短期記憶神經(jīng)網(wǎng)絡(luò)（Bi-LSTM）來獲取評論中上下文之間的信息；改進注意力層：通過引入改進注意力機制[5]來降低話題自身所帶情感度的影響。輸出分類層：將上一層的輸出結(jié)果進行全連接，再通過Softmax 函數(shù)進行情感分類。其中改進注意力機制的工作流程如圖5 所示。

由圖5 可知，先計算計算話題詞（query）與用戶評論詞（key）的相似度。再選擇某種方式將相似度轉(zhuǎn)換成最終的注意力得分（目的降低話題詞的權(quán)重），這里可以選擇將相似度取反的方式。接著通過softmax 函數(shù)對注意力分數(shù)做一個歸一化，得到每個key-value 的注意力權(quán)重，將注意力權(quán)重與每個key 對應(yīng)的value相乘，再求和，就可以得到最后的輸出結(jié)果。

2.2 對比實驗結(jié)果

本實驗選用了CNN 和Bi-LSTM 兩種當下最為常用的深度學習模型來做對比實驗。實驗數(shù)據(jù)集選用了CCIR 2020“疫情期間網(wǎng)民情緒識別”評測活動數(shù)據(jù)集和微博情感分析數(shù)據(jù)集，并把上述兩個數(shù)據(jù)集都進行了8：1：1 的劃分。實驗指標選用了準確率（Accuracy）、查準率（Precision）和F1 值（F1-Score）三種。實驗結(jié)果對比情況如圖6 所示。

從圖6 實驗結(jié)果可以看出，融合改進注意力機制的Bi-LSTM 情感分析方法在公開數(shù)據(jù)集一和二上的效果都明顯優(yōu)于CNN 和Bi-LSTM 兩個模型。

3 基于情感分析的輿情預(yù)警等級計算方法

基于情感分析的輿情預(yù)警等級計算方法[6]先利用用戶評論的情感極性、點贊數(shù)和轉(zhuǎn)發(fā)數(shù)計算出熱搜話題的情感度。再根據(jù)熱搜話題的閱讀量、評論數(shù)、熱搜話題情感度和熱搜話題類型來計算話題的輿情預(yù)警等級。輿情預(yù)警等級計算方法的原理如圖7 所示。

3.1 熱搜話題情感度計算

先計算熱搜話題下所有評論的情感傾向得分之和，其中正向情感得分為1，中性情感得分為0，負向情感得分為-1。再根據(jù)得分之和和評論數(shù)量計算熱搜話題的平均情感傾向得分Score。為了減小不同話題之間平均情感傾向得分的差異，便于更加直觀的得出熱搜話題的情感度，最后利用Sigmoid 函數(shù)將平均情感傾向得分映射到（0，100）區(qū)間中，得到熱搜話題的情感度E。熱搜話題情感度的計算公式如下：

3.2 熱搜話題輿情預(yù)警等級計算

參考網(wǎng)絡(luò)輿情預(yù)警等級的劃分，本方法將新浪微博熱搜話題輿情預(yù)警等級分為了無風險、低風險、中風險、高風險和緊急預(yù)警這五種等級。熱搜話題的情感度是定性的，決定了熱搜話題的情感度好壞情況。熱搜話題情感度[0，50）被認為是負面話題，[ 50，100]被認為是正面話題。而話題閱讀量、話題評論量、媒體報道數(shù)、話題類型等數(shù)據(jù)是定量的，會影響熱搜話題的輿情狀況，但不會改變熱搜話題的情感極性。熱搜話題輿情預(yù)警等級計算公式如下：

其中，β₁、β₂、β₃分別是話題閱讀量、話題評論量、媒體報道數(shù)各自相較于其他熱搜平均水平的百分比，同時還需對這些百分比設(shè)定一個最高值限制。β₄表示話題類型的權(quán)重值，不同的話題類型設(shè)有不同的權(quán)值。計算完輿情預(yù)警等級分數(shù)，就可以將輿情預(yù)警等級分數(shù)映射到不同的輿情預(yù)警等級標簽上。

4 總結(jié)

隨著互聯(lián)網(wǎng)的普及和社交媒體的興起，網(wǎng)絡(luò)輿情監(jiān)測和管理變得越來越重要。本文提出的基于深度學習的微博輿情監(jiān)測模型可以實時監(jiān)測微博上的輿情狀況，了解公眾對某個事件或話題的態(tài)度和看法，從而幫助企業(yè)、政府等各方面做出更加準確的決策，預(yù)防發(fā)生輿情危機。