情感倾向分析下的突发事件网络舆情预警分析

2018-08-03尉译心

数字通信世界 2018年7期

尉译心

（山西警察学院，太原 030000）

现在人们可以通过网络在第一时间获取新闻信息，并且在互联网平台上进行交流互动，对各种社会问题来表达自身的态度与看法。可以说网络舆情代表了广大网民利用互联网对社会事件的真实反映，同时一定程度上的社会舆论表现。但是基于互联网自身特点，决定了网络舆情传播速度更快，影响范围更广，尤其是从情感倾向分析，情感态度对人们的引导性更强，其存在的危害程度也就更高，因此必须要提高对网络舆情的重视，做好突发事件网络舆情的预警，避免造成社会不良影响。

1 网络舆情特点

1.1 网络舆情概述

网络平台现在已经成为全新的舆情载体，而在网络下发生的舆情即可称之为网络舆情，即在一定网络空间内，公众在互联网上对某种社会现象所发表且对事件现象有一定影响力和倾向性的共同意见。可以将网络舆情简单的看作为，特定时间内网络环境中，公众对某特定社会事件或现象提出的观点、评论以及意见集合，其表现出了所有评论者的情感倾向，与传统媒体相比，网络舆情外延更为宽广[1]。

1.2 网络舆情特点

1.2.1 互动性

基于互联网载体的特点，在其环境下发生的网络舆情，具有更强的传播性与互动性，用户不仅可以针对现象来发表自身看法，还可以获得其他用户的观点信息，对于观点不一致的情况则会进行交互讨论，进而能够更大程度上来促使用户的观点意见得到体现。

1.2.2 自由性

所有用户在面对网络环境时，理论上来讲均是完全自由的，不仅可以接收获取各种信息，同时还可以成为信息的发布者，基于互联网平台来无障碍的发表意见与看法。

1.2.3 广泛性

网络舆情的广泛性，主要是指网络舆情信息载体形式的多样性。并且用户可以对多种社会现象以及事件来发表意见和相互讨论，涉及到信息非常广泛，囊括了社会方方面面，并且因为参与用户数量基数重大，获取的信息更为完善，同时影响也更广泛。

1.2.4 隐匿性

基于网络匿名特点，用户在互联网背景下可以畅所欲言，更是因为无需关心个人信息问题，更多言论观点多贴近于实际想法，所释放的情绪也更真实。但是也正是因为隐匿性，使得人们的顾虑减轻，无需顾虑过多，存在较多情感上的发泄，或者是为追求某种目的而发布虚假消息，引导公众产生坏的舆论影响。

1.2.5 突发性

网络信息传播速度非常快，且参与人数众多，在短时间内就可以将关注度较高的社会事件推动成舆论热点，同时集合了大量公众意见与看法，迅速形成公共意见，影响舆情的发展。

2 突发事件网络舆情分析

2.1 突发事件概述

突发事件即突然发生，存在可能造成或者造成严重社会危害，必须要及时采取应急处理措施的自然灾害、事故灾难、社会安全事件、公共卫生事件等，其根据对社会产生的危害程度以及影响范围，可以将其划分为特别重大、重大、较大和一般四个级别。突发事件均具有一个完整生命周期，依次经过潜伏期、萌动期、爆发期、成熟期以及衰退期五个阶段。其具有较长的生命周期，且对社会影响大，涉及到较大范围，且发展阶段越多情况的演化越严重，对社会产生的影响也更严重。对突发事件特点进行分析，具有扩散性、爆发性、公共性、不确定性以及非常规性。事件可能发生于任何社会公共领域，以社会公众群体为对象，发生后将会引起广泛关注，对社会造成负面影响。更是因为突发事件的突发性，无论是采取任何措施应对，均会存在滞后性问题，管理部门需要承担巨大压力与困难，在最短时间内果断将措施落实，积极调动各项社会资源，将损失控制在最小，以免引起社会恐慌。

2.2 突发事件网络舆情关系

互联网作为网络舆情平台，其具有信息量大、传播速度快、互动性强以及涉及面广等特点，可以为公众提供信息。突发事件作为社会问题与社会矛盾集中体现，发生后公众可以通过网络平台来就其发表评论和意见，并且不同用户之间可以相互讨论。通过频繁的信息互动，使得突发事件与网络舆情之间联系密切。突发事件的形成、发展以及变化为网络舆情形成、发展的前提，并且网络舆情也会影响社会公众对突发事件的看法与态度，对事件后续发展以及政府处理方式产生影响。同时，网络舆情不断传播过程中，还会存在可能诱发新的社会问题，形成新的突发事件，严重的则会形成连环突发事件，导致政府在处理上需要面临更大难度。

3 情感倾向下网络舆情分析

3.1 文本情感倾向分析

3.1.1 词汇情感倾向

一方面，基于情感词典。以情感倾向性词典作为依据，通过分词等技术对待测词汇与基准词之间语义的相似度进行判断，以此来确定其倾向性。例如WordNet基准词词汇，利用其它与待测词汇相关信息对待测词汇的情感倾向性进行判断。另一方面，基于语料库。即通过对语料库手工标注，以语料库作为依据，利用词汇之间同现、搭配以及语义等关系，对词汇情感倾向性进行判断。例如SO-PMI方法，即通过待测词汇与具有强烈正面倾向词汇或者强烈反面倾向词汇进行比较，计算确定待测词汇与种子词汇之间的互信息，以此来判断词汇的情感倾向性，作为了解网络舆论的基础[2]。

3.1.2 语句情感倾向

语句情感倾向性分析，即对话题内评论集中的语句情感倾向性进行分析，在对词汇情感倾向性检测结果基础上，结合上下文以及特定语境情况分析。语句情感倾向性分析的对象为主客观句子，完成主观句子情感倾向性分析。一般将不具备情感表现的客观部分删除，然后从评论集中选取主观部分，对其情感倾向进行分析。例如CRE句子情感倾向性分析方法，基于多重标记，结合主客观性判断、褒贬分类以及褒贬分级，使得语句情感倾向性分析结果可靠性与准确性更高。

3.1.3 篇章情感倾向

将某篇评论文本只有一个评论对象的情况作为研究内容，分析确定该文本情感倾向性，例如通过机器学习方法对篇章情感倾向性进行分析。设计Opinion Observer以网络平台上商品评论信息为对象，获得市场反馈数据，保证网络评估意见的客观性，抽取主题对商品评论的倾向性进行深入分析，从众多评论内的分析确定最终结果。

3.2 词汇情感倾向

词汇情感倾向值计算的依据为情感词典，选择具有代表性的k对基准词，且每对基准词内包括一个褒义词一个贬义词。以p表示褒义基准词，q表示贬义基准词，词汇w情感倾向值为Orient（w）的计算公式为：

Orient（w）数值大小代表了词汇w褒贬强烈程度，且Sim（key，w）表示词汇w与基准词之间语义相似度。

往往同一个词汇在不同文本内代表不同义项，且每个义项同时有存在多个义原，将词汇相似度计算转变成义项相似度计算，并且又可以将义项相似度计算解析成若干义原相似度计算。则两个义原间语义相似度定义为：

式中，Y1、Y2表示两个义项；t1、t2表示为两个义项的属性个数；1/2t-i+1表示义项定义种不同位置的属性权重值。由此便可得到两个词汇间语义相似度：

式中，W1、W2表示两个词汇，其中词汇W1存在M个义项，即Y1，Y2，…YM；词汇W1存在N个义项，即Z1，Z2，…ZN。

3.2.1 否定词汇

部分情感词汇添加了否定前缀，这样就使得整个词汇的情感倾向发生变化，对此类词汇的倾向值进行计算：

式中，m表示添加否定前缀的情感词汇；u表示否词词汇出现次数。

3.3 程度副词

另外还存在部分词汇添加有程度副词修饰，也会对词汇自身的情感倾向产生影响，则此类词汇的倾向值计算：

式中，n表示添加程度副词的情感词汇；G（v）表示程度副词v强度值。

经由上述分析可知，文本话题评论的情感倾向分析，可以通过ICTCLAS汉语分词系统进行中文分词与词性标注，然后对文本评论内带有情感倾向的词汇进行查找，然后利用情感词典对其情感倾向值进行记录。同时，还需要判断评论内是否存在否定词或者程度副词，然后对修饰后的词汇情感倾向值进行计算。最终得到话题评论的情感倾向值：

式中，Opinion（di）表示话题评论di的情感强度；w表示话题评论内未被修饰的情感词汇；m表示添加否定词修饰的情感词汇；n表示添加程度副词修饰的情感词汇。

3.4 语义模式情感倾向

对突发事件网络舆论情感倾向进行分析，除了要对词汇情感倾向值进行计算以外，还需要对其所处语义模式进行分析，才能够更全面和真实的反映出评论情感倾向程度。进行分析时需要构建语义模式，完成权重计算，包括局部权重计算与全局权重计算。基于话题评论集中来提取语义模式，通过语义模式库的搜索确定完成匹配，成功匹配后便可计算权重，匹配失败则需要对语义模式库进行填充并设置其权重。如果为单句评论，可计算其全部权重；段落评论则需要先计算局部权重，然后进行全局权重计算。对于不同长度的文本，所对应提取的语义模式差异较大，文本越长语义模式越多，情感倾向分析也就更准确，因此话题评论集全局权重为每条评论单句局部权重以及段落全局权重的和，以及其文本长度的商。权重计算完毕后，便可通过比较计算后的全局权重与设定阈值，确定其情感倾向程度。

4 情感倾向下突发事件网络舆情预警

4.1 网络舆情预警

网络舆情的产生、形成与发展整个过程全部是以网络为载体，涉及到的信息分散且融入到大量数据内，包括新闻网站、网络社区等新兴网络媒体，含有与话题相关的大量潜在信息。想要确定突发事件网络舆情是否具有威胁性，就需要进行信息采集、数据挖掘、舆情分析、威胁评估以及预警监测等环节，确保突发事件处理的有效性与及时性，将其造成的影响控制到最低[8]。