秦 涛 沈 壮 刘 欢 陈周国

1(智能网络与网络安全教育部重点实验室(西安交通大学) 西安 710049)

2(西安交通大学电子与信息工程学部 西安 710049)

3(中国电子科技集团第三十研究所 成都 610093)

各大社交平台已成为网络舆情事件滋生和传播的温床，给社会和谐稳定带来了严重的负面影响.网络舆情事件的引导和控制是减轻舆情事件负面影响的重要手段之一[1].但是，网络舆情事件涉及的主题复杂多样、并发性强，而受到人力、物力的限制，不能同时对所有的舆情事件进行管理；再者，由于舆情事件突发性强，很难获得大量与之相关的高质量标注数据，导致有监督学习方法训练建立的模型难以泛化，场景改变后效果退化严重.如何采用人机混合增强技术，充分利用少量有标签数据中的专家知识，建立舆情演化态势评估模型是可行思路之一.因此，在分析网络舆情事件特征和监管需求的基础上，本文提出一种神经网络排序模型，针对有标签数据和无标签数据设计相应的损失函数，在模型训练过程充分利用有标签数据和无标签数据之间的关联，提升舆情事件演化态势评估模型的泛化能力，进而提高关键舆情筛选的准确性以及管控资源的利用效能.

首先，本文将舆情演化态势评估问题转化为多指标排序问题，即根据一定的指标体系对网络舆情事件的重要程度进行排序.结合舆情事件特征和管控经验，从舆情演化过程中涉及的“人”“事”“势……