杨 浩，向 征

(1. 湖南信息学院计算机科学与工程学院，湖南 长沙 410151；2. 湖南大学物理系，湖南 长沙 410000)

1 引言

自组织网络是移动计算机网络中的一种[1]，突发性舆情就是在移动计算机网络中通过电脑等工具，对即将要发生和已经发生的事件进行主观评论[2]。目前网络上出现很多网民对不了解的事情发表个人观点，导致言语上对事件当事人产生很多负面影响，破坏网络大环境秩序性。因此，对舆论的实时监测意义重大[3]。

针对此问题，目前相关领域专家也得到了较好的研究成果。例如：王会权等人[4]提出基于大数据思维的突发性舆情交互信息监控方法。该方法在分析大数据与网络舆情适用性的基础上综合了大数据思维，建立网络舆情监控模型，将网络舆情的监控工作分为数据采集、数据处理和数据分析三部分，并通过大数据技术对网络舆情实施监控并解决即将面临的问题，进而实现突发性舆情交互信息监控。但是该方法不具有实时性，无法提前获取舆情可能发生的聚集区域，导致监控过程难度较大，监控时延较长，降低了舆情监控效率。罗凌璐等人[5]提出智能过程层网络突发性舆情交互信息监控方法。该方法将过程层交换机作为过程层网络运行状态的数据采集和监控单元，基于网络分析仪通过动态学习过程层网络拓扑、建立链路映射关系和流量统计列表，实时监控网络突发性舆论，以此实现突发性交互信息的监控，该方法没有利用交互空间扫描变量和概率分布模型运算出最有可能出现舆情的空间窗口及其概率再进行控制舆情，因此该方法只能根据网络之间的关系实时监控舆情发展，无法提前得知舆情最有可能出现的地理区域，导致舆情监控率偏低。周昊飞等人[6]提出基于深度置信网络的突发性舆情交互信息监控方法。该方法利用灰度图建立突发性舆论图谱，精准表达出舆情走向，并建立用于识别舆情过程的深度置信网络模型，在深度置信网络模型的基础上识别目前监控窗口内的突发性舆论，实现突发性舆情交互信息的监控。该方法在监控突发性舆情过程中，忽略了对交互空间扫描统计量的分析，无法判断监控的舆情是否属于随机发生的，因此不能保证预测舆情聚集区域的真实性，降低了舆情预测率。

为解决上述传统方法存在的问题，提出新的自组织网络突发性舆情交互信息监控方法。

2 基于交互空间扫描统计量的突发性舆论监测

监测自组织网络突发性舆情的过程就是利用扫描统计思想对自组织网络进行数据扫描，获取网络用户信息及网络信息[7]，最终确定出舆论聚集概率最大的窗口，实现突发性舆论监测。

2.1 交互空间扫描变量和概率分布模型

假设交互空间扫描范围S内的网络项信息和用户信息分别为Me及Mr，假设交互空间扫描范围S内特定用户阈值∂的用户数量小于Mr用户信息量Rif数量，从而实现在不同区域和环境下对不同影响力用户的实时舆情监测，并获取到不同类别的舆情聚集窗口，则用户信息Mr的表达式为

Mr=Count(Rif>∂|S)=∑((ri2+ri1+ri3)>∂)

(1)

假设交互空间扫描范围S中特定阈值β的网络项个数小于扫描变量Me网络信息量Ejf数量，则网络项信息Me的表达式为

Me=Count(Eif>β|S)=∑((ej2+ei1+ei3)>β)

(2)

式中，β为网络信息阈值。

经统计发现，网络中的数据具有随机性且都为离散型数据，所以可利用泊松分布模型进行计算，因此当S的大小可随意定义且S≥0时，Me需要遵从参数λ3>0泊松分布，即得出Me(s)…Poisson(λ3)，则概率分布模型表达式为

P{X(x+S)-X(x)=n}=e-λs(λS)0/n！

(3)

式中，X(x+S)-X(x)表示在[x，S+x]区间内的自组织网络用户个数或者网络项个数，其中n=0，1，2，…。

2.2 自组织网络数据交互空间扫描窗口

为更加精确监测不同空间区域的突发性舆论，分别分析实际地理空间区域内的交互空间扫描窗口和基于空间关系获取的对应交互空间扫描窗口。

建立网络空间现象及舆论目标之间的关系模型，并将其称之为空间关系[8]，首先建立自组织网络空间的邻接关系矩阵，得出不同地理区域间的关系，其构建过程为：

(4)

式中，W代表n个基本单元的空间区域的临近关系，Wij代表扫描基本单元的实际地理区域i及j的邻接关系，若Wij等于1，且区域i与区域j为邻近区域，若Wij等于0，则区域i与区域j不相邻。

2.3 交互空间扫描窗口对数似然比

获取到大量交互空间扫描窗口后，运算出每个窗口的扫描统计量，并求解出每个窗口的对数似然比，以此辨别出不同地理空间区域内突发性舆情的聚集性[9]，其求解经过为：

假设某个交互空间扫描窗口S中的舆情都属于MIe类别的概率是p∈[0，1]，在所有交互空间扫描窗口G中，除S外的其它舆情属于MIe类别的概率是q∈[0，1]，MIe类别指的是在某个交互空间扫描窗口S中的舆情符合阈值α的单个舆情。此时，若空假设为H0，S仍属于G，但p=q，则假设为H1，S仍属于G，但p>q。

则在空假设下关于泊松模型的μ(S)和μ(G)的表达式为

(5)

式中，Ks表示扫描窗口S中已发表的所有文章个数，KG表示所有扫描窗口G中已发布的所有文章个数，μ(S)表示扫描窗口S中预估出的MIe舆情个数，μ(G)表示所有扫描窗口G中预估出的所有舆情个数。

(6)

当H0无效时，其似然比函数表达式为

(7)

(8)

根据LR表达式，求解出LR的对数似然比为

(9)

因此，可得出扫描窗口S的最大似然比为maxLLR=maxlg(L(S)/L0)，对G中的每个扫描窗口进行上述运算即可得出每个窗口的似然比，并求解出所有似然比中最大的对数似然比，即求出最大概率发生突发性舆情的聚集空间区域[10]。

2.4 分析交互空间扫描统计量

若LLR的顺序越靠前，说明聚集区域的随机性越小，否则反之。

令舆情聚集区域的显著性水平α为0.01，则最终p值小于0.01就认为此舆情不是随机性的，并根据LLR值排列符合α=0.01的交互空间扫描窗口，即可判别出最有可能成为突发性舆情聚集的空间窗口，进而监测出最有可能发生突发性舆情爆发区域。

3 舆情扩散控制最优模型构建

假设舆情扩散测度值为R0，R0值的大小直接体现出自组织网络中突发性舆情的扩散程度，R0中含有两个关键因素分别是参数a1和参数a2，令参数a1和参数a2是关于时间t的函数，则函数分别为a1(t)和a2(t)，其函数的意义分别是突发性舆情扩散到时间t时，采取措施控制舆情发展而生成的控制变量，以此遏制舆情发展，降低舆情扩散率，及突发性舆情扩散到时间t时采取措施控制舆情发展而生成的控制变量，以此感动网民进行情感召唤，提高舆情散播者的“唤醒率”[12]。若函数ai(t)属于区间[0，1]，则此时的函数ai(t)就是可测函数，其中i=1，2。

则突发性舆情的最优控制模型的表达式为

(10)

求解最优控制舆情模型的最终目的是最大效率地降低舆情带来的负面影响。将正能量的社会效应开发到最大化，因此将舆情扩散者Sh(t)、St(t)和疑惑者H(t)的数值设置为最小，将没有参与散播舆情的人员I(t)数量设置为最大，并将运行成本控制在最低，则此时的函数ai(t)为可测函数，因此得出舆情目标函数G(a1，a2)的表达式为

(11)

(12)

其中，Γ={(a1，a2)∈L1(t0，tf)|1≥ai≥0，i=1，2}表示控制约束集合，ai(i=1，2)表示可测变量。

将突发性舆情监测聚集区域和最优控制舆情模型相结合即可实现突发性舆情交互信息的监控。

4 实验结果与分析

为验证所提方法的整体有效性，需要对自组织网络突发性舆情交互信息监控方法、文献[4]方法和文献[5]方法进行舆情监控效率、舆情监控率测试，实验环境如表1所示。

表1 实验环境

4.1 监控效率测试结果

分析图1可知，经过在不同地理区域和不同人数下的多次试验发现，所提方法的突发性舆情监控用时一直低于5天，而文献[4]方法和文献[5]方法监控舆情所用时间都高于6天，尤其是文献[5]方法，其所用时间最高趋近于8天，因为所提方法在监控突发性舆情前对舆情进行舆情聚集区域的实时监测，因此可获取到舆情聚集区域，使得监控更加简单容易，以此减少监控时间，提高舆情监控效率。

图1 不同方法的监控效率

4.2 舆情监控率

选取2020年任意五天中的舆情进行监控，经实验后得知，所提方法监测并控制住的舆情传播者和疑似传播者达到实际传播用户的80%，其它两种方法的监控率均不足80%，因为所提方法利用交互空间扫描变量和概率分布模型求出最有可能出现舆情的空间窗口及其概率再进行控制舆情，从而提前得知舆情最有可能出现的地理区域，因此提高了所提方法的监控率。

图2 不同方法的监控率

5 结束语

针对当前方法的不足，提出自组织网络突发性舆情交互信息监控方法。该方法首先对自组织网络中的舆情进行监测以此获取舆情聚集区域，再通过求解舆情最优控制模型和其目标函数控制舆情发展，以此实现突发性舆情交互信息的监控。经实验表明，所提方法效率高、监控率高。为今后的网络环境提供了保障。