王茜仪，杜明坤，张 山

(江苏警官学院，江苏 南京 210031)

0 引言

网络舆情已成为热门词汇，现在的舆情传播媒介层出不穷，网民随时随地都能在互联网上发表自己的言论、观点，分享自己的生活。有些能够快速地引起群众的强烈共鸣。还有一些通过删减、恶意剪辑造成大众误解，歪曲事实博取眼球的做法，也极易引起舆情事件。因此对网络舆情进行监控和预警就显得尤其重要。[1]

自动驾驶汽车(AV)、智能机器人、图像和语音识别、自动翻译、医疗和法律应用等的快速发展使得机器学习在过去十年中获得了相当大的成就。深度学习基于机器学习算法，能够通过反复的分析、训练来学习，并随着时间的推移不断提高其性能。

深度学习中的LSTMs在时间序列数据处理方面有很大优势，然而自然语言正好是一种时间序列，前后有逻辑关系[2]，所以本文基于LSTMs对舆情数据进行分析并预警。原始RNN对短时间的输入有着有效的预测，但对于长时间的样本数据处理准确率很低。LSTMs通过添加一个可以选择留下或者遗忘某些状态的长时间序列的细胞状态，来处理长时间的样本序列。

1 实验与结果分析

本文用网络爬虫抓取美XXXX时间相关舆情数据，共抓取从2020年5月28日至2020年7月3日共37天的文本数据，通过筛选和过滤噪声操作，将得到的数据进行预处理，输入LSTMs模型中进行模型分类训练，利用训练好的模型对接下来的舆情数据进行分类分析预警。

首先选取这些结果中的一部分LSTMs预测模型进行训练。……