CN107402997B - 网络舆情态势的安全评估方法、终端及计算机存储介质 - Google Patents
网络舆情态势的安全评估方法、终端及计算机存储介质 Download PDFInfo
- Publication number
- CN107402997B CN107402997B CN201710595532.8A CN201710595532A CN107402997B CN 107402997 B CN107402997 B CN 107402997B CN 201710595532 A CN201710595532 A CN 201710595532A CN 107402997 B CN107402997 B CN 107402997B
- Authority
- CN
- China
- Prior art keywords
- opinion
- situation
- dimension
- public opinion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Organic Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种网络舆情态势的安全评估方法、终端及计算机存储介质，本发明一方面通过用数学建模的方法去把脉网络舆情生态系统自身的调节能力，根据调节能力的最大承受阈值来设置网络舆情治理中安全与非安全的评价尺度，从而有效解决现有技术对网络舆情的预测不准的问题；本发明另一方面通过科学的方法将一个事件的多种网络舆情总体数据聚合收敛形成整体态势，并将其可视化，并基于网络舆情生态系统自身调节能力而得到的评价尺度去衡量事件当前态势是否需要制度化管制，还是需要更多空间发展生成舆论价值，从而大大方便了相关技术人员对网络舆情进行监控。
Description
技术领域
本发明涉及制冷机技术领域，尤其涉及一种网络舆情态势的安全评估方法、终端及计算机存储介质。
背景技术
网络舆情的建模研究成果丰富，真正在舆情监测平台中指导舆情分析工作，使之能够智能识别舆情危机、及时预测舆情扩散态势的功能还没有真正发挥起来。之所以造成这样的困局，是因为网络舆情本身就是一个集成了大量复杂社会、经济、政治、技术要素的复杂系统。现有的两种常见方法，一是试图根据社会传播的经验理论，设置网络舆情治理的原则性、指导性意见；二是试图对传播网络各要素建模通过演化仿真预测网络舆情的发展演化的轨迹，以此按图索骥般地对治理提出操作建议。这两种研究的切入点虽不同，但是得到的结论都一致性地将事件本身的网络舆情态势与可操作性越来越远，成为深刻却只能束之高阁的“装饰品”。
发明内容
鉴于上述的分析，本发明旨在提供一种网络舆情态势的安全评估方法、终端及计算机存储介质，用以解决现有技术对网络舆情态势预测不准确的问题。
为解决上述问题，本发明主要是通过以下技术方案实现的：
本发明提供了一种网络舆情态势的安全评估方法，该方法包括：基于元胞机建立网络舆情理想演化模型；通过网络舆情生态视域下理想状态的演化模拟仿真，对结果进行统计计算分析，建立舆情治理的安全评估尺度；选取事件，围绕事件建立关键词词组；根据关键词组从舆情监测平台抽取每一天的舆情事件的舆情信息，形成某一事件每一天的舆情态势数据集；建立基于多要素舆情总体指标的态势收敛模型；将收集到的数据应用至所述态势收敛模型中，计算得出治理维度的横纵坐标，在治理维度中将舆情事件态势可视化并衡量。
进一步地，所述舆情信息包括：总发帖数，微信、微博、网页平台分别的发帖数，微博、微信、网页平台分别的正面情绪比例、负面情绪比例、中性情绪比例，微信、微博、网页平台分别的阅读数，微信点赞数，微博转发数，微博评论数，网页评论数。
进一步地，所述网络舆情理想演化模型具体包括：
如果Ps>P,则元胞转换状态
如果Po>50％且Po≠100％，
则元胞的意见转化：
如果Po＝100％，则元胞意见转化：
如果Po≦50％，则元胞意见转化；Pix(t+1)＝Pix+C*Ini(Pix)+Ini(sim)*F
其中，Ps为异态元胞比例，P为元胞承受阈，Po为异见元胞比例，Pix为元胞态度及意见，t为当前时刻，t+1为下一时刻，Ini(Pix)为元胞Pix的邻域元胞影响力，Ini(sim)为与元胞Pix意见相似的邻域元胞影响力，Ini(diff)为与元胞Pix意见不同的邻域元胞影响力，C为元胞从众度，F为元胞倾向性。
进一步地，所述舆情治理的安全评估尺度包括：舆情治理的动员维度安全区间为6.94％-57.61％，情绪维度的安全区间为21.95％-55.51％.
进一步地，所述态势收敛模型包括动员维度、情绪维度和影响半径，其中，计算动员维度包括：
计算情绪维度包括：
计算影响半径包括：
其中，wx_p_t为某事件微信发帖总数，wb_p_t为某事件微博发帖总数，web_p_t为某事件网页平台发帖总数，wx_p(i)为某条微信发帖，wb_p(j)为某条微博发帖，web_p(k)为某条网页平台发帖，wx_rd(i)为某条微信发帖的阅读数，wb_rd(j)为某条微博发帖的阅读为数，web_rd(k)为某条网页平台发帖的阅读数，wx_lk(i)为某条微信发帖的点赞数，wb_rp(j)为某条微博发帖的转发数，wb_re(j)为某条微博发帖的评论数，web_re(k)为某条网页平台发帖的评论数，wx_neg为微信平台负面表达占比，wb_neg微博平台负面表达占比，web_neg为网页平台负面表达占比。
进一步地，所述将收集到的数据应用至所述态势收敛模型中，计算得出治理维度的横纵坐标，在治理维度中将舆情事件态势可视化并衡量，具体包括：
将计算得到的动员维度、情绪维度以及影响半径分别对应态势观测坐标系中每一天的动员维度、情绪维度以及事件态势圆球的半径，并进行展示。
本发明另一方面还提供了一种终端，所述移动终端包括处理器、存储器及通信总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的计算机指令，以实现上述任一种所述的一种网络舆情态势的安全评估方法。
本发明在一方面还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任意一种所述的一种网络舆情态势的安全评估方法。
本发明有益效果如下：
本发明一方面通过用数学建模的方法去把脉网络舆情生态系统自身的调节能力，根据调节能力的最大承受阈值来设置网络舆情治理中安全与非安全的评价尺度，从而有效解决现有技术对网络舆情的预测不准的问题。采用元胞机这种基于主体建模(Agent-BasedModeling，ABM)，将微观层面的个体特征与宏观层面的整体规律相联系，对于舆情演化的模拟更接近真相，是认识论的一种进步。放弃现实主义研究路径(realistic approach)，选择理想主义研究路径(ideal approach)，针对理想状态下的舆情演化建模，有效规避了现有研究无法突破的“瓶颈”(数学模型无法模拟复杂混沌的现实变化)。这个意义相当于，通过抛硬币之后看正反面来判断硬币的质量是否均匀，利用空气动力学建模很难操作，但是进行重复抛硬币实验，然后运用统计学分析，即可绕过复杂而难以操作的建模并可得出准确答案；本发明另一方面将考察的两个维度设置为动员和情绪，这两个指标网络舆情治理的关键指标，是对和谐稳定威胁最大的两个指标，以这两个指标作为建模维度，研究结论对于网络舆情治理的最有针对性。
通过科学的方法将一个事件的多种网络舆情总体数据聚合收敛形成整体态势，并将其可视化，并基于网络舆情生态系统自身调节能力而得到的评价尺度去衡量事件当前态势是否需要制度化管制，还是需要更多空间发展生成舆论价值，从而大大方便了相关技术人员对网络舆情进行监控。
本发明的其他特征和优点将在随后的说明书中阐述，并且部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明实施例的一种网络舆情态势的安全评估方法的流程示意图；
图2为本发明实施例的元胞画布示意图；
图3为本发明实施例的情绪强度与意见表达的关系示意图；
图4为本发明实施例的元胞机仿真算法流程图示意图
图5为本发明实施例的元胞与邻域元胞之间的关系示意图；
图6为本发明实施例的综合影响力与邻域元胞影响力示意图；
图7为本发明实施例的不同初始条件下理想实验数据示意图；
图8为本发明实施例的实验结果曲线示意图；
图9为本发明实施例的网络舆情治理矩阵示意图；
图10为本发明实施例的事件在某一天的收敛态势建模示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。为了清楚和简化目的，当其可能使本发明的主题模糊不清时，将省略本文所描述的器件中已知功能和结构的详细具体说明。
本发明实施例提供了一种网络舆情态势的安全评估方法，参见图1，该方法包括：
步骤1、基于元胞机建立网络舆情理想演化模型；
步骤2、通过网络舆情生态视域下理想状态的演化模拟仿真，对结果进行统计计算分析，建立舆情治理的安全评估尺度；
步骤3、选取事件，围绕事件建立关键词词组；
步骤4、根据关键词组从舆情监测平台抽取每一天的舆情事件的舆情信息，形成某一事件每一天的舆情态势数据集；
步骤5、建立基于多要素舆情总体指标的态势收敛模型；
步骤6、将收集到的数据应用至所述态势收敛模型中，计算得出治理维度的横纵坐标，在治理维度中将舆情事件态势可视化并衡量。
也就是说，本发明一方面通过用数学建模的方法去把脉网络舆情生态系统自身的调节能力，根据调节能力的最大承受阈值来设置网络舆情治理中安全与非安全的评价尺度，从而有效解决现有技术对网络舆情的预测不准的问题；本发明另一方面通过科学的方法将一个事件的多种网络舆情总体数据聚合收敛形成整体态势，并将其可视化，并基于网络舆情生态系统自身调节能力而得到的评价尺度去衡量事件当前态势是否需要制度化管制，还是需要更多空间发展生成舆论价值，从而大大方便了相关技术人员对网络舆情进行监控。
需要说明的是，本发明实施例所述舆情信息包括：总发帖数，微信、微博、网页平台分别的发帖数，微博、微信、网页平台分别的正面情绪比例、负面情绪比例、中性情绪比例，微信、微博、网页平台分别的阅读数，微信点赞数，微博转发数，微博评论数，网页评论数。
具体地，本发明实施例所述网络舆情理想演化模型具体包括：
如果Ps>P,则元胞转换状态
如果Po>50％且Po≠100％，
则元胞的意见转化：
如果Po＝100％，则元胞意见转化：
如果Po≦50％，则元胞意见转化；Pix(t+1)＝Pix+C*Ini(Pix)+Ini(sim)*F
其中，Ps为异态元胞比例，P为元胞承受阈，Po为异见元胞比例，Pix为元胞态度及意见，t为当前时刻，t+1为下一时刻，Ini(Pix)为元胞Pix的邻域元胞影响力，Ini(sim)为与元胞Pix意见相似的邻域元胞影响力，Ini(diff)为与元胞Pix意见不同的邻域元胞影响力，C为元胞从众度，F为元胞倾向性。
本发明实施例中所述舆情治理的安全评估尺度包括：舆情治理的动员维度安全区间为6.94％-57.61％，情绪维度的安全区间为21.95％-55.51％.
具体实施时，本发明实施例所述态势收敛模型包括动员维度、情绪维度和影响半径，其中，
计算动员维度包括：
计算情绪维度包括：
计算影响半径包括：
其中，wx_p_t为某事件微信发帖总数，wb_p_t为某事件微博发帖总数，web_p_t为某事件网页平台发帖总数，wx_p(i)为某条微信发帖，wb_p(j)为某条微博发帖，web_p(k)为某条网页平台发帖，wx_rd(i)为某条微信发帖的阅读数，wb_rd(j)为某条微博发帖的阅读为数，web_rd(k)为某条网页平台发帖的阅读数，wx_lk(i)为某条微信发帖的点赞数，wb_rp(j)为某条微博发帖的转发数，wb_re(j)为某条微博发帖的评论数，web_re(k)为某条网页平台发帖的评论数，wx_neg为微信平台负面表达占比，wb_neg微博平台负面表达占比，web_neg为网页平台负面表达占比。
本发明实施例所述将收集到的数据应用至所述态势收敛模型中，计算得出治理维度的横纵坐标，在治理维度中将舆情事件态势可视化并衡量，具体包括：
将计算得到的动员维度、情绪维度以及影响半径分别对应态势观测坐标系中每一天的动员维度、情绪维度以及事件态势圆球的半径，并进行展示。
具体实施时，本发明所述方法还包括：根据计算得出的治理维度的横纵坐标调节舆情治理的安全评估尺度。
下面将通过一个具体的实施例对本发明所述的方法进行详细的解释和说明：
本发明主要针对网络舆情治理工作中提出的治理要求：既要维持网络空间和谐有序，又要发挥网络舆论建言献策与民主监督的功能。围绕互联网价值以及对其去制度化是“同一枚硬币的两面”的认识，即管制过严虽然可以保证稳定，但同时也会窒息活力；过于放任有利于彰显舆论价值，但也存在乌烟瘴气和混乱无序的隐患。
本发明一是通过用数学建模的方法去把脉网络舆情生态系统自身的调节能力，根据调节能力的最大承受阈值来设置网络舆情治理中安全与非安全的评价尺度。二是通过科学的方法将一个事件的多种网络舆情总体数据聚合收敛形成整体态势，并将其可视化，基于网络舆情生态系统自身调节能力而得到的评价尺度去衡量事件当前态势是否需要制度化管制，还是需要更多空间发展生成舆论价值。
本发明一是利用仿真实验模拟理想状态下的舆情演化，找到治理的应然标准，即基于元胞机结合网络舆情演化的多种传播效应模拟其演化态势，通过仿真结果的统计分析，建立网络舆情治理的安全评估尺度；二是通过所设计的指标聚合算法，将网络舆情平台所采集的大数据汇聚为综合态势，描绘出空间坐标中现实舆情演化轨迹，利用所建立的网络治理安全评价尺度来评价舆情治理情况，即基于综合态势分析的网络舆情安全尺度分析。
本发明的主要步骤包括：
步骤1：基于元胞机模拟网络舆情理想演化模型的建立；
步骤2：通过理想实验模拟仿真，对结果进行统计计算分析，建立舆情治理的安全评估尺度；
步骤3：选取事件，围绕事件建立关键词词组；
步骤4：根据关键词组从舆情监测平台抽取每一天的舆情事件涉及的各主题指数、总发帖数、微信平台发帖数、微博平台发帖数、网页平台发帖数、正面情绪比例、负面情绪比例、中性情绪比例、微信阅读数、微博阅读数、网页平台阅读数、微信点赞数、微博转发数、微博评论数、网页评论数，形成某一事件每一天的舆情态势数据集；
步骤5：建立基于多要素舆情总体指标的态势收敛模型；
步骤6：将收集到的数据应用至步骤5的模型中，计算得出治理维度的横纵坐标，在治理维度中可视化并衡量。
本发明实施例步骤1具体包括：
采用规模为50×50的元胞机作为意见抓换的封闭空间,如图1。每一个元胞模拟舆论场中的每一个参与个体，其持有表达态度(S＝1)和不表达态度(S＝0)。表达态度之下包括三种意见(O)：正面意见、中性意见、负面意见。每一个元胞具有多项自身属性：承受阈、从众度、观点倾向，具体描述见表1。
表1元胞自动机模型中的实验参数与描述
每一个元胞意见态度的转化遵循3个规则：邻域元胞对自己的综合影响、沉默的螺旋效应影响、群体极化效应影响。其中沉默的螺旋以及极化效应分别符合传播学经典理论中的大潮模式、瀑布模式。
意见转化中的影响因素如表2。
表2意见转化中的影响因素
每一个元胞意见的数值表征和情绪强度如图3所示。意见转换规则的算法步骤如图4所示。
本发明实施例判断状态的转变具体包括：
对每一个元胞(cell)的承受阈(P)在一定区间内随机取值(P∈[0,1])
图5中“Pix”为当前计算的元胞，“Agent”为邻域元胞，“Agent[i]”中“i”表征邻域元胞位置序号。
如果Ps＞P，则cell转换状态，即
如果Ps≤P，则cell不会转换状态。
本发明实施例判断意见的转变具体包括：
邻域元胞的意见表达、沉默的螺旋和群体极化三者都会对cell的意见转变发挥作用，其中沉默的螺旋与群体极化的作用效果是相反的：
本发明实施例判断综合影响力具体包括：
元胞的态度Pix，邻域元胞的态度Agent[i]，如图5所示。
元胞受到邻域元胞的综合影响Ini(Pix)，邻域元胞的影响力Ini[i]，如图6所示：
邻域元胞的影响力：Ini[i]＝|Agent[i]|/255 (2)
元胞受到邻域元胞的综合影响力：
元胞受到邻域元胞的综合影响有可能为正，有可能为负。其中，正、负表示邻域元胞的综合影响力方向(增强/削弱)，幅值表示影响力大小。
另外，元胞从众度(C)对于综合影响力有加成作用：
C*Ini(Pix) (4)
本发明实施例所述判断沉默的螺旋的削弱作用具体包括：
如果Po>50％，那么认为沉默的螺旋发挥作用，异见元胞的影响力会被放大；如果Po≤50％，那么认为沉默的螺旋不发挥作用。
异见元胞(占多数)的综合影响：
沉默的螺旋作为削弱因子：
本发明实施例所述判断群体极化的强化作用具体包括：
如果Po＝100％，那么认为不会发生群体极化效应；如果Po≠100％，那么认为会发生群体极化效应，相似意见邻域元胞的影响力会被放大。
相似意见邻域元胞的综合影响：
群体极化作为强化因子：Ini(sim)*F (8)
综上所述，叠加三个意见转化的影响模块，意见转化规则的数学表达如下：
若Po>50％且Po≠100％，则：
若Po＝100％，则：
若Po≤50％：
Pix(t+1)＝Pix+C*Ini(Pix)+Ini(sim)*F (11)
本发明实施例步骤2具体包括：
本发明实施例的实验结果整理如下：
通过理想实验观察并统计舆情演化过程中活跃元胞的比例变化以及活跃元胞的负面情绪增减。为了尽量降低不确定性造成的实验偏差，实验采取人工设定多种元胞初始状态进行遍历。具体而言，活跃元胞(S＝1)占总元胞数量的比例(seed ratio)5％到95％，以5％为步长遍历每种初始状态下，随机产生意见表达情绪分别为负面、中性、正面的元胞，并在画布上随机分布。通过模拟演化过程中随机设定每个元胞的属性(承受阈P、从众度C、倾向性F)，观测不同初始状态的舆情态势演化并直至消亡的过程。按照“大数定律”，实验中每组seed ratio条件下，重复进行30次迭代实验。一共进行实验19组×30次570次，每一次统计S＝1的元胞比例变化曲线(活跃元胞曲线)以及O∈[-255，-103]的元胞比例变化曲线(负面情绪曲线)。继而整理得出每次实验的每次迭代之后活跃元胞比例、负面情绪比例两个数据集合，作为下一步计算动员极值以及扩散极值的输入。各组实验结果如下图。
19组不同初始条件下各30次实验的全部结果汇总如下，其中初始条件seed ratio分别标注于图下。图7为本发明19组不同初始条件下理想实验数据汇总。
我们以相同初始条件下各30次实验为一组，针对一组实验数据统计以下中间结果项。
表3实验数据统计中间结果
如图8所示，在初始状态seed ratio＝50的某次试验中，迭代至第914次时所有元胞全部消亡，实验结束，其中迭代至第826次时所有负面意见元胞消亡。图中A点为活跃元胞曲线峰值max，B点为活跃元胞曲线谷值min。
本发明实施例实验结果计算尺度区间具体包括：
动员维度的安全区间，指的是在舆情演化的有限生命周期内，相比初始状态，最多有多少比例的沉默元胞被激活，最少有多少比例的沉默元胞被激活(不考虑活跃元胞的意见表达是正面、中性还是负面)。情绪维度的安全区间，指的是在舆情演化的有限生命周期内，相比初始状态，最多有多少比例的活跃元胞被负面情绪所感染，最少有多少比例的活跃元胞被负面情绪所感染。
(1)动员维度安全区间
舆情演化过程中的动员力度可以表示为
动员维度的安全区间(％)为：[动员极小值_avg,动员极大值_avg] (12)
其中：
Δ活跃max＝活跃元胞曲线峰值max－初始活跃
Δ活跃min＝活跃元胞曲线谷值min－初始活跃
将570次实验的统计结果代入公式(13)、(14)，计算19组不同seed ratio条件下动员维度的安全区间。通过对计算结果进行算数平均，动员维度的安全区间最终确定为[6.94％，57.61％]，所有计算结果汇总如下表：
表4动员维度计算结果汇总
说明：动员极小值(％)为0对应的是曲线谷值不存在的情况(即实验过程中不存在最小波谷大于初始状态的情况)；动员极大值(％)为0对应的情况是，演化过程中没有出现比初始状态更高的活跃比例。结果统计中认为动员极小值&动员极大值为0的情况为无效数据，结果中的平均值为有效数据的平均值。
(2)情绪维度安全区间
舆情演化过程中的负面情绪感染力可以表示为
也就是消极意见表达占活跃元胞数量的百分比，从集合中选择该比例的最大值与最小值。情绪维度的安全区间(％)为：
[扩散极小值_avg，扩散极大值_avg] (15)
将570次实验的统计结果带入公式(16)、(17)，计算19组相同初始状态下情绪维度的安全区间，通过对计算结果进行算数平均，情绪维度的安全区间最终确定为[21.95％，55.51％]，所有计算结果汇总如下表：
| 初始活跃比例seed ratio | 扩散极小值(％) | 扩散极大值(％) |
| 5 | 13.13 | 42.40 |
| 10 | 18.47 | 35.20 |
| 15 | 14.12 | 87.88 |
| 20 | 23.80 | 33.60 |
| 25 | 20.43 | 85.29 |
| 30 | 20.53 | 54.17 |
| 35 | 19.27 | 58.16 |
| 40 | 20.45 | 79.26 |
| 45 | 22.64 | 63.18 |
| 50 | 20.39 | 76.35 |
| 55 | 22.31 | 55.40 |
| 60 | 22.43 | 52.89 |
| 65 | 25.52 | 49.53 |
| 70 | 23.47 | 49.40 |
| 75 | 25.22 | 47.23 |
| 80 | 25.48 | 50.18 |
| 85 | 26.49 | 45.90 |
| 90 | 25.50 | 44.70 |
| 95 | 27.39 | 44.02 |
| Average | 21.95 | 55.51 |
综合以上实验结果，我们得到了实验构思中期待的网络舆情治理的安全区间，如图9所示。
所得到的网络舆情治理尺度如图8所示。
本发明实施例步骤3具体包括：
事件选取-->对分析事件建立关键词组-->在清博舆情(http://yuqing.gsdata.cn/)对关注事件建立观测。
本发明实施例步骤4具体包括：
从网络舆情采集平台读取如下参数
表5数据汇聚所用参数列表
| 名称 | 符号 |
| 关于某事件的微信发帖总数 | wx_p_t |
| 关于某事件的微博发帖总数 | wb_p_t |
| 关于某事件的网页平台发帖总数 | web_p_t |
| 某条微信发帖 | wx_p(i) |
| 某条微博发帖 | wb_p(i) |
| 某条网页平台发帖 | web_p(i) |
| 某条微信发帖的阅读数 | wx_rd(i) |
| 某条微博发帖的阅读数 | wb_rd(i) |
| 某条网页平台发帖的阅读数 | web_rd(i) |
| 某条微信发帖的点赞数 | wx_lk(i) |
| 某条微博发帖的转发数 | wb_rp(i) |
| 某条微博发帖的评论数 | wb_re(i) |
| 某条网页平台发帖的评论数 | web_re(i) |
| 微信平台负面表达占比 | wx_neg |
| 微博平台负面表达占比 | wb_neg |
| 网页平台负面表达占比 | web_neg |
本发明实施例步骤5具体包括：
其中，动员维度的舆情态势获取，分别读入每一天所采集的微信阅读数、微博阅读数、网页平台阅读数、微信点赞数、微博转发数、微博评论数、网页评论数。之所以只选择微信、微博、网页平台，是因为经过长期观测三个平台的声量之和达到一个事件全网声量的93％以上。为了计算简便，而只计算三个平台的数据。
动员维度：
情绪维度的舆情态势获取，分别读入每一天所采集的微信平台负面占比neg_weixin、微博平台负面占比neg_weibo、网页平台负面占比neg_web,以及微信平台发帖数weixin_total、微博微博平台发帖数weibo_total、网页平台发帖数web_total。
情绪维度：
每一天的态势影响力计算，表征事件态势的影响力，我们将一些有关影响力的舆情指标进行收敛形成事件当天的影响半径：
其中：
Num_of_WCI_500指的是观测事件相关文章发布的微信公众号WCI值为0-500的总数量
Num_of_WCI_1000指的是观测事件相关文章发布的微信公众号WCI值为500-1000的总数量
Num_of_WCI_1500指的是观测事件相关文章发布的微信公众号WCI值为1000-1500的总数量
Num_of_WCI_1500+指的是观测事件相关文章发布的微信公众号WCI值为1500+的总数量
综上，动员指标M％、情绪指标A％、影响半径R分别对应态势观测坐标系中每一天的动员维度、情绪维度坐标以及表示事件态势圆球的半径，如图10所示。
本发明实施例步骤6具体包括：态势可视化和尺度衡量。通过以上数据获取和计算，我们可得出所观测的事件每日“动员-情绪”维度的态势数据，在此基础上加上时间轴，可将事件发展全周期内的态势数据展示出来，形成基于空间的事件态势演化模型。事件随时间演化的轨迹反映的是经过炒作、管制等外界干预之后网络舆情演化的现实轨迹，也就是舆情治理的实践结果。将实践结果与网络舆情治理尺度比对，可以为下一步舆情治理的处置办法提供依据。
本发明属于网络舆情研究体系，基于网络舆情分析的基本理论、演化分析建模以及网络舆情基础分析技术，提出了将网络舆情若干指标数据收敛为一个整体态势，并在治理维度中呈现。与此同时，基于舆情演化的重要理论，利用元胞机设计了融入重要传播演化理论的仿真建模方法，并基于实验结果开创性地提出网络舆情治理的安全尺度。
本方法在把握网络舆情治理宏观意涵的基础上，在研究方法上通过融合传播理论和科学建模，提出了网络舆情治理所急需的科学合理建模方法，以网络舆情生态系统的自我调节能力为基础，结合网络舆情治理的宏观要求，提出了在管制与放任之间如何实现网络舆情治理目标的决策指标，为网络舆情治理实际工作提供决策依据，为既保证风清气正、又能适当吸纳批评发挥民众监督功能提供基本遵循。
本发明基于网络舆情生态系统与自然生态系统一样，具有自我调节的作用，即在相对封闭的场域内自行演化，其中要素不会超过某一阈值。本发明通过理想实验得到具有可操作性的应然标准，然后基于大数据描绘网络舆情演化的现实轨迹，也就是治理的实然尺度。通过比对应然标准与实然尺度，得到当前治理实践“过”还是“不及”的结论。
本发明可对网络舆情整体态势进行科学评估，并通过元胞机演化仿真舆情在不受干预的情况下的发展，得出舆情治理中可用来评价舆情的安全区间。本方法在未来可为网络舆情管控部门、网络舆情采集调研等多部委机构、研究院所、企业提供一套科学的网络舆情评估体系，也可根据实地详细需求，进行深度定制化研究。
相应的，本发明的实施例还提供一种移动终端，包括：处理器，存储器及通信总线；
通信总线用于实现处理器和存储器之间的连接通信；
存储器用于存储计算机指令，处理器用于运行所述存储器存储的计算机指令，以实现以下步骤：基于元胞机建立网络舆情理想演化模型；通过网络舆情生态视域下理想状态的演化模拟仿真，对结果进行统计计算分析，建立舆情治理的安全评估尺度；选取事件，围绕事件建立关键词词组；根据关键词组从舆情监测平台抽取每一天的舆情事件的舆情信息，形成某一事件每一天的舆情态势数据集；建立基于多要素舆情总体指标的态势收敛模型；将收集到的数据应用至所述态势收敛模型中，计算得出治理维度的横纵坐标，在治理维度中将舆情事件态势可视化并衡量。
相应的，本发明的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述实施例提供的任一种网络舆情态势的安全评估方法，因此也能实现相应的技术效果，前文已经进行了详细的说明，此处不再赘述。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (8)
1.一种网络舆情态势的安全评估方法，其特征在于，包括：
基于元胞机建立网络舆情理想演化模型；
通过网络舆情生态视域下理想状态的演化模拟仿真，对结果进行统计计算分析，建立舆情治理的安全评估尺度；
选取事件，围绕事件建立关键词词组；
根据关键词组从舆情监测平台抽取每一天的舆情事件的舆情信息，形成某一事件每一天的舆情态势数据集；
建立基于多要素舆情总体指标的态势收敛模型；
将收集到的数据应用至所述态势收敛模型中，计算得出治理维度的横纵坐标，在治理维度中将舆情事件态势可视化并衡量；
所述网络舆情理想演化模型具体包括：
如果Ps>P，则元胞转换状态
如果Po>50％且Po≠100％，
则元胞的意见转化：
如果Po＝100％，则元胞意见转化：
如果Po≦50％，则元胞意见转化；Pix(t+1)＝Pix+C*Ini(Pix)+Ini(sim)*F；
其中，Ps为异态元胞比例，P为元胞承受阈，Po为异见元胞比例，Pix为元胞态度及意见，t为当前时刻，t+1为下一时刻，Ini(Pix)为元胞Pix的邻域元胞影响力，Ini(sim)为与元胞Pix意见相似的邻域元胞影响力，Ini(diff)为与元胞Pix意见不同的邻域元胞影响力，C为元胞从众度，F为元胞倾向性。
2.根据权利要求1所述的方法，其特征在于，
所述舆情信息包括：总发帖数，微信、微博、网页平台分别的发帖数，微博、微信、网页平台分别的正面情绪比例、负面情绪比例、中性情绪比例，微信、微博、网页平台分别的阅读数，微信点赞数，微博转发数，微博评论数，网页评论数。
3.根据权利要求1所述的方法，其特征在于，
所述舆情治理的安全评估尺度包括：舆情治理的动员维度安全区间为6.94％-57.61％，情绪维度的安全区间为21.95％-55.51％。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述态势收敛模型包括动员维度、情绪维度和影响半径，其中，
计算动员维度包括：
计算情绪维度包括：
计算影响半径包括：
其中，wx_p_t为某事件微信发帖总数，wb_p_t为某事件微博发帖总数，web_p_t为某事件网页平台发帖总数，wx_p(i)为某条微信发帖，wb_p(j)为某条微博发帖，web_p(k)为某条网页平台发帖，wx_rd(i)为某条微信发帖的阅读数，wb_rd(j)为某条微博发帖的阅读为数，web_rd(k)为某条网页平台发帖的阅读数，wx_lk(i)为某条微信发帖的点赞数，wb_rp(j)为某条微博发帖的转发数，wb_re(j)为某条微博发帖的评论数，web_re(k)为某条网页平台发帖的评论数，wx_neg为微信平台负面表达占比，wb_neg微博平台负面表达占比，web_neg为网页平台负面表达占比；
Num_of_WCI_500指的是观测事件相关文章发布的微信公众号WCI值为0-500的总数量；
Num_of_WCI_1000指的是观测事件相关文章发布的微信公众号WCI值为500-1000的总数量；
Num_of_WCI_1500指的是观测事件相关文章发布的微信公众号WCI值为1000-1500的总数量；
Num_of_WCI_1500+指的是观测事件相关文章发布的微信公众号WCI值为1500+的总数量，其中，WCI为舆情指标。
5.根据权利要求4所述的方法，其特征在于，所述将收集到的数据应用至所述态势收敛模型中，计算得出治理维度的横纵坐标，在治理维度中将舆情事件态势可视化并衡量，具体包括：
将计算得到的动员维度、情绪维度以及影响半径分别对应态势观测坐标系中每一天的动员维度、情绪维度以及事件态势圆球的半径，并进行展示。
6.根据权利要求1所述的方法，其特征在于，还包括：
根据计算得出的治理维度的横纵坐标调节舆情治理的安全评估尺度。
7.一种终端，其特征在于，所述终端包括处理器、存储器及通信总线；
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行存储器中存储的计算机指令，以实现权利要求1至6中任一项所述的一种网络舆情态势的安全评估方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至6中任一项所述的一种网络舆情态势的安全评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710595532.8A CN107402997B (zh) | 2017-07-20 | 2017-07-20 | 网络舆情态势的安全评估方法、终端及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710595532.8A CN107402997B (zh) | 2017-07-20 | 2017-07-20 | 网络舆情态势的安全评估方法、终端及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107402997A CN107402997A (zh) | 2017-11-28 |
| CN107402997B true CN107402997B (zh) | 2020-08-07 |
Family
ID=60401274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710595532.8A Active CN107402997B (zh) | 2017-07-20 | 2017-07-20 | 网络舆情态势的安全评估方法、终端及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107402997B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776864A (zh) * | 2018-05-28 | 2018-11-09 | 阿里巴巴集团控股有限公司 | 用户评论价值的评估方法及装置 |
| CN109376980B (zh) * | 2018-08-29 | 2021-07-30 | 上海机电工程研究所 | 三维时变的性能评估指标体系构建方法与系统 |
| CN109657071B (zh) * | 2018-12-13 | 2020-12-01 | 北京锐安科技有限公司 | 词汇预测方法、装置、设备和计算机可读存储介质 |
| CN111814306B (zh) * | 2020-06-04 | 2021-06-15 | 中国兵器科学研究院 | 一种城市异构仿真系统 |
| CN112800343B (zh) * | 2021-02-01 | 2022-09-30 | 霍尔果斯大颜色信息科技有限公司 | 一种基于大数据的网络舆情的监控方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049789A (zh) * | 2012-12-17 | 2013-04-17 | 南京理工大学连云港研究院 | 一种复杂网络中的恶意信息流传播方法 |
| CN105681303A (zh) * | 2016-01-15 | 2016-06-15 | 中国科学院计算机网络信息中心 | 一种大数据驱动的网络安全态势监测及可视化方法 |
| CN106777040A (zh) * | 2016-12-09 | 2017-05-31 | 厦门大学 | 一种基于情感极性感知算法的跨媒体微博舆情分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2885756A4 (en) * | 2012-08-15 | 2016-07-06 | Thomson Reuters Glo Resources | SYSTEM AND METHOD FOR FORMING PREDICTIONS USING EVENT-BASED OPINION ANALYSIS |
-
2017
- 2017-07-20 CN CN201710595532.8A patent/CN107402997B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049789A (zh) * | 2012-12-17 | 2013-04-17 | 南京理工大学连云港研究院 | 一种复杂网络中的恶意信息流传播方法 |
| CN105681303A (zh) * | 2016-01-15 | 2016-06-15 | 中国科学院计算机网络信息中心 | 一种大数据驱动的网络安全态势监测及可视化方法 |
| CN106777040A (zh) * | 2016-12-09 | 2017-05-31 | 厦门大学 | 一种基于情感极性感知算法的跨媒体微博舆情分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107402997A (zh) | 2017-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107402997B (zh) | 网络舆情态势的安全评估方法、终端及计算机存储介质 | |
| Jenkins-Smith et al. | Ideology, culture, and risk perception | |
| Li et al. | An evolutionary game for the diffusion of rumor in complex networks | |
| Raju et al. | Multicriterion decision making in performance evaluation of an irrigation system | |
| Medjoudj et al. | Decision making on power customer satisfaction and enterprise profitability analysis using the Analytic Hierarchy Process | |
| Salarkheili et al. | Capacity withholding analysis in transmission‐constrained electricity markets | |
| Mnif et al. | Energy-conserving cryptocurrency response during the COVID-19 pandemic and amid the Russia–Ukraine conflict | |
| CN104218571A (zh) | 一种风力发电设备的运行状态评估方法 | |
| Bao et al. | Impacts of land expropriation on the entrepreneurial decision-making behavior of land-lost peasants: An agent-based simulation | |
| Bayrak et al. | Integrating sequence learning and game theory to predict design decisions under competition | |
| Liu et al. | Study on the drivers of inclusive green growth in China based on the digital economy represented by the Internet of Things (IoT) | |
| CN112836137B (zh) | 人物网络支持度计算系统及方法、终端、设备、存储介质 | |
| Liu et al. | [Retracted] The Influence of the Network Evolutionary Game Model of User Information Behavior on Enterprise Innovation Product Promotion Based on Mobile Social Network Marketing Perspective | |
| CN104253795A (zh) | 防止在网络游戏中使用外挂的方法及装置 | |
| Onencan et al. | Designing disaster diplomacy in the context of a climate change water game | |
| Liu et al. | The effects of the conformity threshold on cooperation in spatial prisoner's dilemma games | |
| Templeton et al. | Simulating audiences: Automating analysis of values, attitudes, and sentiment | |
| Wang et al. | Exploring public attention and sentiment toward carbon neutrality: evidence from Chinese social media Sina Weibo | |
| Wang et al. | New energy dominant technology diffusion mechanism based on cellular automation model—The case of the current market and policy environment | |
| Cui et al. | An empirical study of information diffusion in micro-blogging systems during emergency events | |
| CN113673811A (zh) | 一种基于session的在线学习绩效评估方法及装置 | |
| Chavalarias et al. | The new fronts of denialism and climate skepticism | |
| Tang et al. | Cooperative emergence of spatial public goods games with reputation discount accumulation | |
| Chen et al. | Application of the cloud model synthesis method in ecological evaluation of waterways | |
| Wu et al. | The spatial difference of multi-layer climate change information flow and network construction: A comparison of “dual carbon” scenarios |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |