Page 375 - 大数据背景下网络安全问题研究

» 第十二章 网络舆情安全

度学习计算。对社团间舆情信息交互进行分析，深度分析舆情信息在团落间的交互
规律。
利用统计抽样理论可快速获取网络社团的意见偏好，同时可探索舆情大数据计算
的可分布性。将信息统计计算任务分解成多个细粒度的子统计任务，建立舆情大数据
统计分析模式。通过LSTM（长短程记忆模型）对舆情特征进行深度学习，利用贝叶

斯网络将舆情先验信息和网民即时行为信息结合起来，利用统计方法对舆情数据进行
分层统计计算以便快速获取舆情的概貌特征，利用Sting（统计计算格）提高舆情大
数据的统计效率，拓展聚类算法对舆情事件特征进行聚类。利用关联规则对舆情相关

性进行测度，以便更好地将同类舆情进行主题归并，利用分类方法尽快将舆情信息进
行分类。在舆情挖掘计算中考虑舆情信息的关联规则、聚类计算、分类计算的可并行
性，以期提高舆情大数据计算效率。通过舆情智能计算和趋势分析，得到舆情主题发
现、对网民情感趋势分析和网络链接推理，为舆情预警决策提供舆情态势分析要素。

（三）面向智能化的网络舆情预警机制分析
舆情大数据深度挖掘的主要目的不能仅仅停留于统计描述，更重要的是要对舆情进
行有效预警，预警机制如图12-3所示。由于大数据背景下的网络舆情预警涉及多个维度的

问题，在舆情态势数据基础上要对舆情模型进行统计验证。在舆情模型建立和舆情数据
的机器学习过程中挖掘网络舆情演化基本规律，并通过多层次规约形成舆情知识，存入
舆情知识库中。将舆情专家和舆情重点事件的发生、发展、高潮、衰退过程和相应的处
置进行分类，尝试建立舆情知识元和知识链，形成舆情智能管理的知识基础。
智能预警机制在网络舆情态势信息的基础上，通过舆情演化基本特征和网民情感

分析建立舆情数据库，利用贝叶斯统计加入网络舆情的先验概率，来调整舆情预测精
度，进而修正样本采样。基于时间序列对网络舆情事件的产生、发展、驱动要素、扩
散途径等统计特征量化，再结合当前的网络舆情态势特征进行综合计算，特别是对舆

情事件的负面信息积累进行时间序列统计分析，把握舆情相关事件逐次激发、阶越的
规律，对舆情进行长期记忆和短瞬爆发的仿真。用大数据统计模型如Adaboost，贝叶
斯统计、马尔科夫预测和时间序列分析等方法对舆情模型进行分析和规约，实现对舆
情发展趋势的预测。

通过人机协同智能分化将舆情决策者的定性认识和机器系统的舆情定量分析结合
起来，在统计智能计算基础上，从舆情的危害性和舆情发生概率上对舆情大数据进行
分析，提高舆情大数据的价值特性。对舆情区域分布和统计分布进行分析，建立舆情
预警模型，注重预警分析的柔性，引导网络用户积极对事件的真实性进行评测。

在大数据背景下舆情预警可有效降低舆情管理风险，建立舆情预警机制可重点关
注以下方面。

• 363 •