摘 要

本文將數(shù)據(jù)挖掘技術(shù)引入輿情分析處理中，研究了網(wǎng)絡(luò)輿情從信息收集到傳播控制需要解決的重點問題，重點解決了分布式環(huán)境下海量數(shù)據(jù)的分析和處理難題，最終構(gòu)建了基于數(shù)據(jù)挖掘的高校網(wǎng)絡(luò)輿情分析系統(tǒng)。

【關(guān)鍵詞】數(shù)據(jù)挖掘 高校網(wǎng)絡(luò) 輿情系統(tǒng)

1 概述

目前計算機網(wǎng)絡(luò)已經(jīng)和學校的學習生活緊密的聯(lián)系在了一起，在給高校師生帶來便利的同時，也為高校的學生管理工作帶來諸多挑戰(zhàn)。目前在校的高校學生，年齡普遍不超過20歲，年紀小極容易受到網(wǎng)絡(luò)上不良信息的影響，比如國際國內(nèi)的新聞、社會熱點、關(guān)乎切身利益的問題、失實或反動的輿論等等，這些信息會促使他們在網(wǎng)絡(luò)上展開討論，形成網(wǎng)絡(luò)輿論，如果不及時進行干預(yù)，就可能引起嚴重的群體事件。

為了解決高校的這種困境，本文設(shè)計了一個基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)輿情分析系統(tǒng)，該系統(tǒng)采用分布并行方式采集數(shù)據(jù)，利用多線程、多任務(wù)分解處理海量數(shù)據(jù)，能夠有效的對網(wǎng)絡(luò)輿情進行預(yù)警和應(yīng)對，一定程度上緩解了網(wǎng)絡(luò)輿情帶來的負面影響。

2 研究現(xiàn)狀和意義

網(wǎng)絡(luò)輿情監(jiān)控平臺主要是針對海量數(shù)據(jù)進行網(wǎng)絡(luò)輿情分析。網(wǎng)絡(luò)輿情分析一直都是數(shù)據(jù)挖掘研究的重點，目的是通過對海量網(wǎng)絡(luò)數(shù)據(jù)進行挖掘，分析出隱藏在數(shù)據(jù)背后的輿情觀點，核心的技術(shù)重點包括數(shù)據(jù)采集、文本分類、文本聚類、主題跟蹤等。

文本分類這里重點關(guān)注的是中文的文本分類，隨著研究的不斷深入，中文文本分類領(lǐng)域提出了很多優(yōu)秀的方法，如KNN算法、樸素Bayes算法、支持向量機（SVM）算法、決策樹算法等，其中中國科學院計算技術(shù)研究所在多年研究工作積累的基礎(chǔ)上，研制出了漢語詞法分析系統(tǒng)ICTCLAS（Institute of Computing Technology， Chinese Lexical Analysis System），該系統(tǒng)分詞速度單機996KB/s，分詞精度98.45%，API不超過200KB，各種詞典數(shù)據(jù)壓縮后不到3M，號稱當前世界上最好的中文文本分類工具。

文本聚類的目標是按照文本的相似度將文本進行聚合。文本聚類作為一種無監(jiān)督的機器學習方法，不需要訓(xùn)練過程，不需要預(yù)先對文檔進行標注，具有較高的靈活性和自動處理能力，成為組織文本信息、摘要的重要手段。文本聚類的算法非常多，有劃分法、層次法、基于密度的方法等，其中劃分法中的K-Means算法，在實現(xiàn)難度和計算速度方面都有不錯的表現(xiàn)，尤其適合挖掘大數(shù)據(jù)集。

主題跟蹤的目標是跟蹤用戶感興趣的主題，在海量的信息里，找到屬于該主題的內(nèi)容。在主題跟蹤中訓(xùn)練樣本數(shù)、訓(xùn)練與分類的算法都是影響跟蹤質(zhì)量的重要因素。和文本分類問題類似，經(jīng)典的KNN算法、SVM算法、決策樹算法等都能夠發(fā)揮很好的作用。

目前，隨著核心技術(shù)的發(fā)展，網(wǎng)絡(luò)輿情監(jiān)控也得到了長足的發(fā)展，國內(nèi)外已經(jīng)開發(fā)出很多用于實際場景的商業(yè)平臺，但由于高校輿情的特殊情況，使得這些成熟的商用系統(tǒng)并不能很好的在高校發(fā)揮作用。

3 基于數(shù)據(jù)挖掘的高校輿情分析系統(tǒng)設(shè)計與實現(xiàn)

為了驗證系統(tǒng)的設(shè)計，測試系統(tǒng)的性能和效率，本文搭建的原型系統(tǒng)為：5臺PC機組成分布式計算平臺，操作系統(tǒng)選擇Fedora，軟件平臺使用JDK1.6，云平臺使用Hadoop。

輿情數(shù)據(jù)的來源主要源于論壇、微博、空間、新網(wǎng)網(wǎng)站等，采用API與網(wǎng)頁抽取相結(jié)合的采集方法。采集到的數(shù)據(jù)并不能直接用于挖掘，這些數(shù)據(jù)是有噪聲的、不完整的，數(shù)據(jù)預(yù)處理的工作就是將原始的數(shù)據(jù)進行提取、分離、合并，將其轉(zhuǎn)換成適合進行數(shù)據(jù)挖掘的數(shù)據(jù)格式，保存到關(guān)系數(shù)據(jù)庫表或數(shù)據(jù)倉庫中。

數(shù)據(jù)分析部分是系統(tǒng)的核心，這部分采用MapReduce模型搭建。MapReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集的并行運算。網(wǎng)絡(luò)輿情規(guī)模巨大、維度超高，如何降維、去噪就是文本聚類算法首先要解決的重要問題，聚類算法一般常用的算法有K-Means、 Canopy、BIRCH等，在本系統(tǒng)中為了解決數(shù)據(jù)量巨大的問題，首先使用了Canopy算法進行粗聚類，由于Canopy只用計算重疊部分的數(shù)據(jù)向量，所以能夠大大的降低運算量，而且使用Canopy算法粗聚類后的聚類個數(shù)可以直接確定K-Means算法的K值，然后就可以使用K-Means算法進行進一步的聚類了，由于實現(xiàn)方便，而且K值已經(jīng)比較準確，能夠達到較好的聚類效果。將Canopy-Kmeans算法在MapReduce中加以實現(xiàn)，Map算法負責生成輸出Canopy中心點集合，Reduce算法負責生成中心點和區(qū)域半徑，最終由K-Means算法迭代調(diào)用Map和Reduce函數(shù)，具體過程如圖1所示。

4 結(jié)束語

本文設(shè)計并實現(xiàn)了一個基于數(shù)據(jù)挖掘的高校網(wǎng)絡(luò)輿情分析系統(tǒng)，系統(tǒng)采用分布式文件系統(tǒng)存儲數(shù)據(jù)，結(jié)合云計算技術(shù)，保證了系統(tǒng)的執(zhí)行效率和穩(wěn)定性，通過話題發(fā)現(xiàn)和輿情分析跟蹤，及時監(jiān)控和正確引導(dǎo)網(wǎng)絡(luò)輿情，對高校學生管理工作起到重要幫助。

參考文獻

[1]董堅峰.面向公共危機預(yù)警的網(wǎng)絡(luò)輿情分析研究[D].武漢：武漢大學，2013.

[2] 陳藝卓. Web日志挖掘中數(shù)據(jù)預(yù)處理的研究[J].信息與電腦：理論版，2011（02）：94-94.

[3] 吳明友. 校園網(wǎng)絡(luò)輿情的應(yīng)對策略分析[J].中國教育信息化，2008（24）.

[4]李瓊，張菁，馬素偉.微時代高校網(wǎng)絡(luò)輿情應(yīng)對路徑研究[J].青少年研究（山東省團校學報），2014（01）.

[5]陳藝卓.基于數(shù)據(jù)挖掘的輿情觀點挖掘研究[J].電子技術(shù)與軟件工程，2015（14）.

作者簡介

陳藝卓，男，副教授，現(xiàn)為海南軟件職業(yè)技術(shù)學院教師。主要研究方向為數(shù)據(jù)挖掘，云計算。

作者單位

海南軟件職業(yè)技術(shù)學院 海南省瓊海市 571400