大數(shù)據(jù)環(huán)境下霧霾輿情語料庫的構(gòu)建模式研究

摘 要：社交網(wǎng)絡(luò)是社會公眾表達自身訴求的新渠道，也是我國霧霾輿情的重災(zāi)區(qū)。文章以語料庫與主要研究方法，從數(shù)據(jù)角度上剖析了語義標注技術(shù)在我國霧霾輿情監(jiān)控中的應(yīng)用價值。由于社交媒體的信息質(zhì)量層次不齊，文章還考察了相關(guān)用戶影響力評價指標及數(shù)據(jù)清洗規(guī)則。

關(guān)鍵詞：霧霾;社交網(wǎng)絡(luò);語料庫;構(gòu)建模式

近年來互聯(lián)網(wǎng)新媒體技術(shù)的不斷發(fā)展，不僅使網(wǎng)絡(luò)傳播模式發(fā)生了深刻的變化，也使網(wǎng)絡(luò)輿情的形態(tài)發(fā)生了重大的改變。新媒體技術(shù)的不斷發(fā)展，使網(wǎng)民具備了越來越多自由使用互聯(lián)網(wǎng)信息的能力。在自由交互的網(wǎng)絡(luò)環(huán)境中，網(wǎng)絡(luò)輿情的產(chǎn)生、積聚、爆發(fā)以及對現(xiàn)實空間產(chǎn)生影響和引導(dǎo)社會輿論的過程中，網(wǎng)民發(fā)揮出來的影響力越來越重要。

社交網(wǎng)絡(luò)已成為健康信息的重要傳播媒介，特別是近年來關(guān)于霧霾這一話題的研究引起了學(xué)界較大關(guān)注。目前存在的主要問題有：

（1）社交媒體成為了霧霾輿情的重災(zāi)區(qū)，極易引發(fā)民眾恐慌，如何辨別相關(guān)信息真?zhèn)纬蔀樨酱鉀Q的一大難題。

（2）社交網(wǎng)絡(luò)信息質(zhì)量參差不齊，內(nèi)容更是五花八門，如何獲取公眾對霧霾危害的健康信息表達也是霧霾輿情監(jiān)控的重要研究內(nèi)容。針對以上問題，文章提出以語料庫構(gòu)建為基礎(chǔ)，構(gòu)建能夠從多個數(shù)據(jù)維度反映霧霾信息的知識庫模型。在信息質(zhì)量評價上，借鑒科學(xué)計量學(xué)相關(guān)指標對社交媒體中用戶行為的影響力進行正確評價。

一、用戶影響力研究及數(shù)據(jù)選擇

1.用戶影響力指標研究現(xiàn)狀

用戶影響力的傳統(tǒng)指標包括粉絲數(shù)、關(guān)注數(shù)、是否實名認證、是否有個人頭像等，行為指標主要由發(fā)帖、回復(fù)和轉(zhuǎn)發(fā)。

趙倩雯以霧霾事件為例，對微博用戶的行為進行了深入挖掘，探討微博如何對社會輿論進行引導(dǎo)，從而轉(zhuǎn)移公眾的關(guān)注點;王晰巍使用Gephi社會網(wǎng)絡(luò)軟件及數(shù)理統(tǒng)計分析工具繪制了霧霾用戶傳播可視化圖譜;王禎駿等學(xué)者設(shè)計了基于時間模型的潛在影響力傳播模型 ;汪明艷等從加強政府輿情治理的可控性角度，對社交媒體網(wǎng)絡(luò)輿情傳播影響力的指標進行了深入探討;廖海涵等從新浪微博采集到的用戶發(fā)布數(shù)、評論數(shù)、轉(zhuǎn)發(fā)數(shù)等信息特征入手，借助數(shù)據(jù)的相關(guān)分析、偏相關(guān)分析、回歸分析等方法研究用戶行為關(guān)系;原福永等學(xué)者以新浪微博為研究對象，提出微博用戶的用戶影響力指數(shù)模型 ;張昊等根據(jù)用戶自身特征與用戶粉絲情況得出其計算公式，綜合考慮用戶在微博中的所有信息并計算用戶影響力。

2.用戶影響力數(shù)據(jù)來源

文章通過北京拓爾思公司海貝大數(shù)據(jù)管理系統(tǒng)，獲取了66萬條霧霾相關(guān)信息，在考慮用戶行為時，只運用回復(fù)、轉(zhuǎn)發(fā)等有效用戶行為，考察相關(guān)指標的用戶影響力分布。文章統(tǒng)計了相關(guān)用戶的轉(zhuǎn)載量排序分布、回復(fù)數(shù)排序分布，并利用齊普夫定律對其進行圖像考察，如下圖1、2所示。

從轉(zhuǎn)載量、評論量圖像，不難看出對于霧霾輿情用戶行為，從統(tǒng)計學(xué)角度符合齊普夫定律，這意味著少量用戶的發(fā)帖引發(fā)了多數(shù)的評論、轉(zhuǎn)載。因而，這部分用戶就是霧霾輿情主要的發(fā)布者或轉(zhuǎn)發(fā)者。具體來看，轉(zhuǎn)發(fā)和回復(fù)第一的均是“頭條新聞”網(wǎng)絡(luò)媒體。但網(wǎng)絡(luò)媒體用戶一般較少關(guān)注并與其他用戶互動，那么實名認證信息則有助于排出此類用戶。

3.用戶影響力指標設(shè)計

除了自身發(fā)帖行為以外，社交媒體用戶影響力主要體現(xiàn)在回復(fù)數(shù)、轉(zhuǎn)發(fā)數(shù)這兩個能夠體現(xiàn)用戶及用戶互動行為的指標上。在此基礎(chǔ)上，借鑒科學(xué)計量學(xué)中計量科學(xué)家影響力的指標H指數(shù)，文章提出了社交網(wǎng)絡(luò)中回復(fù)H指數(shù)、轉(zhuǎn)載H指數(shù)指標。一個博主的回復(fù)H指數(shù)是指其發(fā)帖中有h篇被回復(fù)h次以上，相對的一個博主的轉(zhuǎn)載H指數(shù)是指其發(fā)帖中有h篇被轉(zhuǎn)載h次以上。H指數(shù)的引入與實名認證個人用戶相結(jié)合，即可以獲得較高質(zhì)量的微博用戶信息源。

二、數(shù)據(jù)清洗和信息過濾規(guī)則

由于微博的迅速發(fā)展，言論可以隨意發(fā)布，并且發(fā)布不需要非常復(fù)雜的驗證，導(dǎo)致了非常多的虛假廣告出現(xiàn)以及傳播。具體體現(xiàn)為文本中經(jīng)常夾雜著生僻的漢字、數(shù)字、表情符號、火星文或者英文等形式，以此來蒙混過關(guān)。這樣的行為對微博用戶的體驗造成了非常嚴重的影響，同時對用戶獲取正常信息造成了困擾，對于短文本信息的過濾研究則非常有實用價值。

于然等人分析了中文微博信息的特點，提出了基于多視角特征融合的檢測中文垃圾微博的方法;張磊等人使用了正則表達式來匹配過濾樣本，建立停用詞表作為文本過濾的特征項;劉陸陽提出了一種微博信息過濾處理的框架，結(jié)合用戶可信度，檢測垃圾微博并對其進行過濾;楊赫采用統(tǒng)計機器學(xué)習(xí)的方法，提取、分析和對比新浪微博平臺上的正常賬號和垃圾賬號的社交關(guān)系行為的特征和微博內(nèi)容的特征。

文章考察了部分霧霾輿情信息，并對其中信息質(zhì)量較差的數(shù)據(jù)進行了規(guī)則分析，如下：

此外，對于部分長度過短的信息，其用戶意圖并不明顯，因此在長度限制上以13個漢字為主要界限進行長度約束。

三、 語義信息自動標注類型

通過有效過濾后的微博信息，即可對其中的語義知識進行標注。在小規(guī)模標注基礎(chǔ)上，文章列出了主要的語義信息類型及樣例，如下表2所示：

通過考察相關(guān)數(shù)據(jù)，時間、地點、數(shù)量、健康表達這4個主要分類是社交網(wǎng)絡(luò)中霧霾輿情里價值量較高的信息。除了這4類信息外，對于霧霾的吐槽、觀點也是常見輿情，如“艾瑪 頭一回在霧霾繚繞的仙境中開車 真是太刺激了”，相關(guān)可提取價值量不大，多為公眾吐槽。詳細考察時間、地點、數(shù)量、健康表達，又可以對其數(shù)據(jù)進行進一步細分，如下表3-5。

從地點信息來看，移動端用戶發(fā)送時，有較為明顯的特征“我在： ”。此外，認證實名用戶注冊地點也是公開可以獲取的知識。在用于地域性研究中，這些知識具有一定統(tǒng)計學(xué)意義。從數(shù)據(jù)分布來看，對于我國霧霾輿情的發(fā)布主要集中在北方省市，尤其是北京。以江蘇及相關(guān)城市作為檢索，發(fā)現(xiàn)江蘇省霧霾實名認證用戶發(fā)帖僅為171條。移動端地理信息仍存在較為詳細這一問題，有些地址必須與地理信息系統(tǒng)相結(jié)合才能獲取其所在城市位置。

從健康信息總量上來看，在所有發(fā)帖中所占比例極小，但這部分信息顯示了公眾對霧霾危害的親身體驗，因此具有較高可信度和分析價值。在分析中，可以結(jié)合細粒度分析技術(shù)，對這些健康表達的語言學(xué)特征進行統(tǒng)計，并通過機器學(xué)習(xí)模型實現(xiàn)自動標注。

四、結(jié)語

文章以新浪微博為數(shù)據(jù)源，通過用戶影響力評價指標、垃圾信息過濾規(guī)則的探討，為獲取高質(zhì)量的霧霾輿情信息源提供思路。在小規(guī)模標注基礎(chǔ)上，利用語料庫技術(shù)，探討了霧霾輿情在社會網(wǎng)絡(luò)環(huán)境下，具有潛在挖掘價值的語義知識類型，為構(gòu)建基于語料庫技術(shù)的霧霾輿情知識庫提供支撐。

參考文獻：

[1]趙倩雯.從霧霾事件分析微博在社會輿論中的博弈[J].今傳媒，2014，22（7）：57-59.

[2]王晰巍，邢云菲，趙 丹，等.基于社會網(wǎng)絡(luò)分析的移動環(huán)境下網(wǎng)絡(luò)輿情信息傳播研究——以新浪微博“霧霾”話題為例[J].圖書情報工作，2015，59（7）：14-22.

[3]王禎駿，王樹徽，張維剛，等.基于社交內(nèi)容的潛在影響力傳播模型[J].計算機學(xué)報，2016，39（8）：1528-1540.

[4]汪明艷，陳 梅.社交媒體網(wǎng)絡(luò)輿情傳播影響力研究綜述[J].情報科學(xué)，2017，35（5）：171-176.

[5]廖海涵，靳嘉林，王曰芬.網(wǎng)絡(luò)輿情事件中微博用戶行為特征和關(guān)系分析——以新浪微博“霧霾調(diào)查：穹頂之下”為例[J].情報資料工作，2016（3）：12-18.

[6]原福永，馮 靜，符茜茜.微博用戶的影響力指數(shù)模型[J].現(xiàn)代圖書情報技術(shù)，2012（6）：60-64.

[7]張 昊，劉功申，蘇 波.一種微博用戶影響力的計算方法[J].計算機應(yīng)用與軟件，2015，32（3）：41-44.

[8]TRS Hybase 海貝大數(shù)據(jù)管理系統(tǒng)[EB/OL]. http：//www.trs.com.cn/cphfw/Hybase/. [2019.4.20]

[9]于 然，劉春陽，靳小龍，王元卓，程學(xué)旗.基于多視角特征融合的中文垃圾微博過濾[J]. 山東大學(xué)學(xué)報（理學(xué)版），2013，48（11）：53-58.

[10]張 磊.虛擬社區(qū)不良信息過濾技術(shù)研究[D].昆明：昆明理工大學(xué)，2011.

[11]劉陸陽. 基于博文質(zhì)量評估的微博過濾研究[D].北京：北京工業(yè)大學(xué)，2016.

[12]楊 赫.垃圾微博信息過濾技術(shù)的研究[D].哈爾濱：哈爾濱理工大學(xué)，2015.

[13]王玉新.大數(shù)據(jù)背景下的高校教學(xué)檔案信息化建設(shè)[J].蘭臺內(nèi)外，2018（04）：57-58.

[14]車向清.高校檔案數(shù)字化管理芻議[J].蘭臺世界，2019（S1）：98.

[15]閆虹娟.大數(shù)據(jù)時代人社檔案管理初探[J].蘭臺世界，2019（S1）：76.

[16]蔡金玲，王小超，王文姣.氣象專業(yè)技術(shù)人才隊伍建設(shè)與發(fā)展的思考[J].管理觀察，2019（08）：65-66+69.

基金項目：江蘇省社會科學(xué)基金“大數(shù)據(jù)下基于微博語料庫的江蘇省霧霾輿情監(jiān)控機制研究”（15TQC002）階段性成果之一。

作者簡介：謝靖（1981- ），男，江蘇徐州人，南京中醫(yī)藥大學(xué)衛(wèi)生經(jīng)濟管理學(xué)院副教授，博士，研究方向：基于智能信息技術(shù)的情報分析與評價。