Page 373 - 大数据背景下网络安全问题研究

» 第十二章 网络舆情安全

情信息、舆情行为人具有聚类特性，部分舆情特征只需要在这些舆情中心内就能完成
特征挖掘。
由于网络舆情内容敏感性有很大差别，对于一些危害性较高的舆情需要及时处
理，以免给舆情管理带来风险。舆情信息在利用网络社区分区映射后，直接传给舆情
特征挖掘中的Storm模块来实现舆情敏感性特征挖掘、舆情主题分类、网民行为检测

等。对于敏感性要求不高的网络舆情信息通过映射处理后，通过专门的数据库数据接
口定时批量传给特征挖掘层的基于Spark的网络特征分析模块，由于Spark是基于内存
的云计算模式，在特征计算时不需要像Hadoop在不同系统之间进行硬盘读写，对于

具有迭代特征的舆情信息挖掘可提高舆情计算效率。可利用Spark对网络舆情领袖特
征、网络舆情传播路径、舆情衍生动力进行挖掘，有效把握舆情影响和演化的特定要
素之间的内在关系。
在特定的舆情特征获取模式下，有时需要对舆情整体特征进行快速的统计查询。

网络舆情有时信息量很大，但其对查询精度要求有时不是非常高。这时候可以利用
BlinkDB的统计采样机制对部分大量历史舆情数据进行查询，可以在较高的置信度内
快速对舆情总体特征进行统计分析，对热点舆情进行汇总、对网民行为概貌进行查

询，从而快速把握网络舆情发展概貌，及时对舆情进行初步判断。
（二）大数据背景下基于复杂网络的网络舆情态势智能分析
大数据背景下网络舆情分析机制离不开大量的数据统计计算，建立良好的统计模
型是舆情智能化处理的关键，本书在深度学习基础上将网络舆情信息挖掘和统计方法
集合起来解决舆情分析精度和舆情统计效率问题，如图12-2所示。网络舆情空间基本

可以划分为由网民构成的社会网络、舆情事件构成的事件网络、网民与舆情事件之间
的二分交互网络构成。在构建的网民社会网络和舆情事件网络中利用统计方法进行链
接预测，利用关联规则对网民关系进行挖掘，发现潜在的网民关系。在舆情基本特征

信息有效挖掘基础上，利用聚类方法对舆情事件网络主题进行聚类分析，进而对网民
在舆情事件演进中的交互作用进行初步分析。
舆情有效分析需要舆情智能化作为支持，如何从大量的舆情文本中发掘有效的舆
情趋势和演化态势是舆情分析的核心问题。近年深度学习成功地在图像识别领域获得

突破，诸如CNN，RNN等网络为舆情数据分析提供了新的思路。在舆情分析中，可利
用深度学习方法对舆情文本信息进行学习，通过对舆情文本分词、相关性分析、上下
文分析、情感分析等对文本挖掘方法进行智能化处理，让机器学习舆情相关规则。由
于分析舆情主要不是仅仅对已经发生的舆情进行统计，更重要的是要对舆情未来发展

态势进行预测，形成有效的预警机制。最近在深度学习领域针对小样本和图网络方法
的深度学习为舆情预警问题提供了较新的研究思路，利用图网络可以利用网络边进行

• 361 •