Page 377 - 大数据背景下网络安全问题研究

» 第十二章 网络舆情安全

用意见领袖分析其粉丝群的情感倾向，对舆情态势进行一定程度的导控，以较小的代
价加速正面舆情传播效率，缓解舆情诱发群体事件的可能性。
2.利用网络链接预测的网络舆情预判机制
舆情网络链接预测主要利用舆情事件关联网络建立网络链接，利用事件网络之
间的关系对事件网络的链接进行预测，把握网络舆情事件潜在影响其他网络事件的情

况，提高舆情事件衍生的预测能力。另外，可通过网民关系网络预测舆情信息传播的
深度。
利用事件关键词建立基于特征词的舆情事件网络，利用网民对事件的关注情况建

立网络舆情事件与网民之间的关注网络。利用时间加权的资源分配方法对事件网络进
行标识，进行网络链接动态预测。基于网络事件的自身影响基本特征，通过网络进行
资源分配算法计算，当网络分配算法达到一定平衡后，可以预测舆情事件的网络影响
能量，并初步把握舆情事件潜在的衍生关系和网民之间潜在的朋友关系。

采用网络链接预测的优势在于可提高事件关联分析能力，可预测事件下一阶段可
能衍生的其他事件，为舆情调控做准备。对特定事件分析潜在的关注网民群体，预判
将要发生的群体行为。在特定场合下，还可设置网络舆情预测事件自动推送机制，对

网络进行舆情引导。
3.基于记忆的网络舆情预判机制
在网络舆情预判分析中，网民由于其自身偏好与对舆情事件认识的不同而产生不
同的舆情情感倾向，有时网络舆情事件虽然在当时没有发展为有较高影响力的网络舆
情，但它会给网民群体留下记忆，当网民受到新的刺激，将诱发形成新的网络舆情。

网络舆情预判分析不仅要对当前的舆情事件进行分析，还要考虑舆情事件的历史相关
事件和演化趋势。要根据舆情主题把握不同网民群体对相关类舆情事件的情感变化情
况，对不同时期网民的意见倾向进行一定的时序分析，探寻基于记忆的网络舆情事件

发展规律。
在网络舆情预判中引入舆情深度学习将提高舆情预判的智能化层次，利用LSTM
（长短期记忆模型）使得舆情预判分析中充分考虑网民情绪随时间对舆情特征记忆演
化情况，智能模拟网民对舆情的情感演化，对长周期舆情事件、带有反转性特征的舆

情事件提供更直接的赋能支持。利用LSTM模型使得舆情情感分析突出网民对舆情事
件记忆特征，更有效地反映网络舆情在网络社群中的行为量化特性，挖掘网民对网络
舆情事件的承压能力和潜在的记忆累计能量，在一定程度上对舆情相关事件逐次激
发、阶跃的情况进行预判，防止群体性行为事件发生。

4.面向负面网络舆情的自动预警识别
舆情大数据分析的重要目标在于对舆情预警分析，而舆情预警智能化的核心要素

• 365 •