曾子明　黃城鶯

〔摘要〕[目的/意義]研究突發(fā)傳染病輿情熱度的發(fā)展趨勢，能夠為制定輿情引導(dǎo)策略提供參考，具有重要的理論意義。[方法/過程]本文首先構(gòu)建微博輿情熱度評價指標(biāo)體系，基于信息熵確定各個指標(biāo)的權(quán)重，然后對求得的輿情熱度趨勢值進行分類，在此基礎(chǔ)上，建立基于BP神經(jīng)網(wǎng)絡(luò)的突發(fā)傳染病輿情熱度趨勢預(yù)測模型。以新浪微博為例，選取“MERS病毒衛(wèi)生突發(fā)事件”的輿情熱度數(shù)據(jù)進行實例分析，預(yù)測該突發(fā)傳染病事件的發(fā)展趨勢，從而驗證模型的可行性。[結(jié)果/結(jié)論]實驗結(jié)果表明，該模型能有效預(yù)測突發(fā)傳染病輿情熱度趨勢，進而為輿情管控提供決策支持。

〔關(guān)鍵詞〕BP神經(jīng)網(wǎng)絡(luò)；輿情熱度；突發(fā)傳染病；微博；預(yù)測模型

DOI：10.3969/j.issn.1008-0821.2018.05.006

〔中圖分類號〕G2062〔文獻(xiàn)標(biāo)識碼〕A〔文章編號〕1008-0821（2018）05-0037-08

〔Abstract〕[Purpose/Significance]It is of great theoretical significance to study the development trend of public opinion in emergent infectious diseases，which can provide reference for making public opinion guidance strategy.[Method/Process]The paper first constructed the index system of microblog public opinion and evaluated the weight of each index based on the information entropy，and then classified the obtained public opinion heat trend，on the base of which，it established the public opinion heat trend prediction model of emergent infectious diseases bases on BP neural network.Taking Sina microblog as an example，it analyzed the public opinion heat data of“MERS virus”to predict the development trend of the emergent infectious disease event，and verified the feasibility of the model.[Result/Conclusion]The experimental results showed that the model could effectively predict the trend of public opinion in emergent infectious diseases，and then provide decision support for public opinion control.

〔Key words〕BP neural network；heat of public opinion；emergent infectious diseases；microblog；prediction model

據(jù)中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）發(fā)布的《第40次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》顯示，截至2017年6月，我國互聯(lián)網(wǎng)普及率較2016年底提升了11個百分點，達(dá)到543%，超過全球平均水平46個百分點[1]。在互聯(lián)網(wǎng)迅猛發(fā)展的環(huán)境下，國際范圍內(nèi)頻繁發(fā)生的突發(fā)傳染病引起人們高度關(guān)注，如“埃博拉病毒”、“塞卡病毒”、“SARS病毒”、“MERS病毒”等。微博作為傳播媒介的代表，具有互動性高、傳播速度快等特點，突發(fā)傳染病事件借助新浪微博等社交平臺不斷發(fā)酵，往往迅速演化為網(wǎng)絡(luò)輿情。以2014年西非爆發(fā)的埃博拉病毒為例，在2014年2月1日至10月31日期間，新浪微博平臺上共產(chǎn)生23萬多條包含“埃博拉”關(guān)鍵詞的微博[2]。在描述突發(fā)傳染病輿情的諸多要素中，輿情熱度體現(xiàn)了人們對于輿情事件的關(guān)注程度，日益受到政府以及學(xué)術(shù)界的廣泛關(guān)注。

突發(fā)傳染病輿情同其他類型突發(fā)事件輿情相較而言，具有爆發(fā)性、演變不確定性、負(fù)面傾向性等特征。由于涉及公眾的健康和生命安全，社會公眾高度關(guān)注致病原因、每日新增病例數(shù)、死亡率、治愈情況等與之相關(guān)的信息。相關(guān)消息一旦發(fā)出就會掀起網(wǎng)絡(luò)輿情的浪潮，引起整體輿論環(huán)境的波動，其輿情發(fā)展的管控已經(jīng)成為應(yīng)急管理的一個重要組成部分?；诖?，本文結(jié)合徐旖旎[3]對媒體奇觀網(wǎng)絡(luò)輿情熱度趨勢分析以及趙磊、王松等[4]對輿情熱度趨勢仿真模型的研究思路，將突發(fā)傳染病輿情熱度趨勢預(yù)測問題轉(zhuǎn)化為模式分類問題，并嘗試引入BP神經(jīng)網(wǎng)絡(luò)對輿情熱度趨勢做預(yù)測。首先，文章構(gòu)建面向微博的輿情熱度評價指標(biāo)體系，基于信息熵確定各個指標(biāo)的權(quán)重，再利用加權(quán)求和的方法得到熱度值，然后求出輿情熱度趨勢值并進行分類，接著引入BP神經(jīng)網(wǎng)絡(luò)理論，從新浪微博收集“MERS病毒衛(wèi)生突發(fā)事件”相關(guān)數(shù)據(jù)，對突發(fā)傳染病的輿情熱度趨勢進行預(yù)測，探討該方法的可行性和有效性。

1研究現(xiàn)狀

11網(wǎng)絡(luò)輿情熱度研究

網(wǎng)絡(luò)輿情熱度研究是一門涉及情報學(xué)、統(tǒng)計學(xué)、傳播學(xué)等多學(xué)科交叉融合的研究領(lǐng)域。當(dāng)前，國內(nèi)外學(xué)者針對網(wǎng)絡(luò)輿情熱度的研究分為定性研究、定量研究以及定性定量相結(jié)合方法。其中，定性研究包含網(wǎng)絡(luò)輿情熱度發(fā)展演變規(guī)律、特征、熱度評價指標(biāo)體系建立等，定量研究包含最優(yōu)化模型、系統(tǒng)動力學(xué)模型、馬爾可夫鏈模型等。Lean Yu等[5]提出了以網(wǎng)絡(luò)公民、意見領(lǐng)袖、政府以及大眾媒體四大主體為代表的網(wǎng)絡(luò)輿情傳播模型，并通過4起典型的危險化學(xué)品泄漏事件進行案例研究，驗證模型的有效性；張行欽等[6]使用百度指數(shù)，研究了“乙肝疫苗”事件網(wǎng)絡(luò)輿情熱度演變規(guī)律；Jeffrey R Lax等[7]根據(jù)突發(fā)事件網(wǎng)絡(luò)輿情生成過程、熱度漲落的影響因素，提出了較為成熟的輿情熱度指標(biāo)。曹學(xué)艷等[8]引入突發(fā)事件應(yīng)對等級，構(gòu)建了網(wǎng)絡(luò)輿情熱度評價指標(biāo)體系；王慧軍等[9]通過最小化輿情熱度的負(fù)面作用與監(jiān)控成本之和，研究了政府對輿情熱度的最優(yōu)監(jiān)控問題；袁國平等[10]借助系統(tǒng)動力學(xué)的流圖模型，通過Vensim PIE軟件進行模擬仿真，從事件公共度、事件敏感度、網(wǎng)民質(zhì)疑度、政府公信力4個方面分析對網(wǎng)絡(luò)輿情熱度的影響；屈啟興等[11]給出了基于微博的企業(yè)網(wǎng)絡(luò)輿情熱度的計算公式，在此基礎(chǔ)上提出基于馬爾可夫鏈的輿情熱度趨勢分析模型；王新猛[12]構(gòu)建了針對政府負(fù)面網(wǎng)絡(luò)輿情熱度趨勢的馬爾可夫鏈預(yù)測模型。Xue Gang Chen等[13]運用粗糙集理論降低網(wǎng)絡(luò)輿情指標(biāo)體系的屬性，并通過層次分析法確定指標(biāo)權(quán)重，從定量和定性的角度出發(fā)，提出一種網(wǎng)絡(luò)輿情趨勢預(yù)測與評價的新方法。

12我國突發(fā)傳染病輿情研究

我國對于突發(fā)傳染病輿情的研究始于2003年的SARS事件。目前，相關(guān)研究主要包括輿情傳播規(guī)律、輿情監(jiān)測預(yù)警和輿情引導(dǎo)治理3個方面。安璐等[2]以埃博拉（Ebola）有關(guān)的微博為調(diào)查對象，利用LDA模型和SOM方法比較分析了Twitter和Weibo平臺上相關(guān)微博的熱點主題類別，揭示其演化模式和時序發(fā)展趨勢的異同點；靳松等[14]以H7N9禽流感事件為研究對象，通過采集到的數(shù)據(jù)生成H7N9信息傳播網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖，并基于其鄰接矩陣，系統(tǒng)分析傳播網(wǎng)絡(luò)的要素和內(nèi)部簇結(jié)構(gòu)特性；安璐等[15]以“塞卡病毒”的微博數(shù)據(jù)為研究樣本，利用潛在狄利克雷模型識別微博內(nèi)容的主題特征，同時結(jié)合用戶特征和發(fā)布時間特征，構(gòu)建決策樹模型，對突發(fā)傳染病微博影響力進行預(yù)測；杜洪濤等[16]以新浪微博社區(qū)中MERS疫情數(shù)據(jù)為樣本，研究如何改善突發(fā)性傳染病輿情中的公共管理溝通問題；翁士洪等[17]以H7N9事件為例，探討微博謠言的產(chǎn)生機制，并結(jié)合現(xiàn)有文獻(xiàn)資料和現(xiàn)實狀況，提出針對性的治理對策。

綜上所述，雖然國內(nèi)外已經(jīng)有諸多學(xué)者對網(wǎng)絡(luò)輿情熱度展開研究，涵蓋了從演變規(guī)律、評價指標(biāo)到預(yù)測模型的多個方面，但是突發(fā)傳染病輿情的相關(guān)研究仍然處于發(fā)展階段，還需要深入研究該領(lǐng)域及相關(guān)技術(shù)方法。BP神經(jīng)網(wǎng)絡(luò)由于具有強大的自學(xué)習(xí)、自適應(yīng)的能力，擅長于模式識別、分類、數(shù)據(jù)擬合等問題的解決，被廣泛應(yīng)用于應(yīng)急需求預(yù)測、微博轉(zhuǎn)發(fā)量預(yù)測、冬小麥耗水預(yù)測等方面。因此，本文將基于BP神經(jīng)網(wǎng)絡(luò)，對突發(fā)傳染病的輿情熱度趨勢進行預(yù)測研究。

2微博輿情熱度評價指標(biāo)體系構(gòu)建

21輿情熱度評價指標(biāo)

建立一個科學(xué)合理的評價指標(biāo)體系是衡量微博輿情熱度的基礎(chǔ)，并非指標(biāo)越多越好，關(guān)鍵在于能否定量化反映微博輿情熱度的實質(zhì)。本文借鑒文獻(xiàn)[11，12]構(gòu)建的網(wǎng)絡(luò)輿情指標(biāo)，從原創(chuàng)微博發(fā)布量（A）、轉(zhuǎn)發(fā)量（B）、評論量（C）、點贊量（D）等4個指標(biāo)來描述微博輿情熱度。這些數(shù)據(jù)以天為單位進行統(tǒng)計，其與時間的對應(yīng)關(guān)系見表1。

2）一般而言，不同評價指標(biāo)的類型、量綱等往往存在差異，為了消除這些差異帶來的影響，將其轉(zhuǎn)化為無量綱、方向一致的標(biāo)準(zhǔn)指標(biāo)值，本文采用極值法[19]對評價指標(biāo)進行無量綱化處理：

3BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）基于梯度下降策略，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)連接的權(quán)值和閾值，直到輸出值與真實值的誤差減少到可以接受的范圍或預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，本文選取單隱層的三層BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)突發(fā)傳染病輿情熱度趨勢的預(yù)測。其中輸入向量為原創(chuàng)微博發(fā)布量、轉(zhuǎn)發(fā)量、評論量、點贊量4個元素，所以輸入層的節(jié)點數(shù)為4。輸出向量為微博輿情熱度趨勢值，本文將預(yù)測問題轉(zhuǎn)化為模式分類問題，將微博輿情熱度趨勢值分為6類：C1=急速上升=H（i）max2，H（i）max，C2=明顯上升=H（i）max4，H（i）max2，C3=緩慢上升=0，H（i）max4，C4=緩慢下降=H（i）min4，0，C5=明顯下降=H（i）min2，H（i）min4，C6=急速下降=H（i）min，H（i）min2，其中H（i）max、H（i）min分別為微博輿情熱度趨勢值的最大值和最小值。在此基礎(chǔ)上，分別用二進制001、010、011、100、101、110表示微博輿情熱度趨勢值的類別，所以輸出層的節(jié)點數(shù)為3，輸出狀態(tài)為：001、010、011、100、101、110，分別對應(yīng)6種類別。對于隱含層節(jié)點數(shù)而言，若節(jié)點過多，則會致使網(wǎng)絡(luò)復(fù)雜化甚至出現(xiàn)過度擬合的情況，若節(jié)點過少，則會致使結(jié)果不收斂，目前并沒有一個理想的解析式可以用來確定合理的隱含層節(jié)點數(shù)，本文采用經(jīng)驗公式（13）得到隱含層節(jié)點數(shù)的估計值：

4實驗及結(jié)果分析

本研究通過Excel 2007軟件完成描述性統(tǒng)計以及圖形繪制，利用MATLAB R_2016a神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建突發(fā)傳染病輿情熱度趨勢預(yù)測模型。研究分為突發(fā)傳染病輿情時間跨度選擇、輿情熱度數(shù)據(jù)收集、輿情熱度數(shù)據(jù)預(yù)處理及清洗、輿情熱度數(shù)據(jù)歸一化處理等階段，具體的流程見圖2。

41突發(fā)傳染病輿情時間跨度的選擇

本文選取2015年上半年人民網(wǎng)輿情監(jiān)測室廣受關(guān)注的“MERS（中東呼吸綜合征）病毒衛(wèi)生突發(fā)事件”作為研究對象。根據(jù)人民網(wǎng)、中國新聞網(wǎng)關(guān)于中東呼吸綜合征的新聞報道得出該突發(fā)傳染病事件的進展見表2。

結(jié)合百度指數(shù)搜索指數(shù)的網(wǎng)民關(guān)注度時間變化趨勢，截止到2015年7月31日，該事件基本平息，網(wǎng)民關(guān)注度降到與突發(fā)傳染病爆發(fā)前持平的狀態(tài)。因此，選取2015年5月28日至2015年7月31日為研究時間段。

42輿情熱度數(shù)據(jù)收集

本文利用Gooseeker爬取新浪微博上包含“MERS”詞條的所有原創(chuàng)微博條目，具體字段包括：發(fā)布時間、博主名稱、原創(chuàng)微博內(nèi)容、微博網(wǎng)頁、轉(zhuǎn)發(fā)量、評論量、點贊量，共收集數(shù)據(jù)樣本56 043條。

43輿情熱度數(shù)據(jù)預(yù)處理及清洗

對收集到的原創(chuàng)微博進行逐條篩選，剔除232條廣告、重復(fù)的1 255條記錄、以及其他與MERS無關(guān)的401條微博，得到有效數(shù)據(jù)54 155條，累計轉(zhuǎn)發(fā)量1 316 856次，累計評論量572 759次，累計點贊量991 963次。然后，以天為單位，根據(jù)公式（1）～（4）整理匯總每日微博輿情熱度數(shù)據(jù)，得到65條結(jié)果見3。

44輿情熱度數(shù)據(jù)歸一化處理

本文中原創(chuàng)微博發(fā)布量、轉(zhuǎn)發(fā)量、評論量、點贊量均為效益型指標(biāo)，根據(jù)公式（8）進行無量綱化處理，見表4。

45輿情熱度計算

根據(jù)公式（10）～（12）計算得到原創(chuàng)微博發(fā)布量、轉(zhuǎn)發(fā)量、評論量、點贊量對應(yīng)的權(quán)重（保留小數(shù)點后5位）：W1=020364，W2=028456，W3=023797，W4=027383。根據(jù)公式（5）計算微博輿情熱度，結(jié)果見表5。

從圖3可以看出，MERS微博輿情熱度的演變具有快速爆發(fā)、回落相對緩慢的特點，大致經(jīng)歷了萌動、加速、成熟、衰退4個階段，基本符合網(wǎng)絡(luò)輿情生命周期的特點。

萌動期（5月28日～5月30日），公眾開始關(guān)注該突發(fā)傳染病事件，輿情熱度上升明顯，此后，網(wǎng)絡(luò)輿情熱度進入短暫的加速期（5月30日～5月31日），然后維持在成熟期（6月1日～6月5日）。尤其是在衰退期（6月6日后）前期，出現(xiàn)明顯的波動，體現(xiàn)為在6月18日和6月26日微博輿情熱度劇增，出現(xiàn)兩個小高峰，經(jīng)過分析原創(chuàng)微博原文發(fā)現(xiàn)在這兩日，“為搶救韓國MERS患者廣東15天花掉逾800萬元”與“韓國籍MERS患者出院”兩大話題引起網(wǎng)友廣泛關(guān)注，致使微博輿情熱度上升。

根據(jù)公式（6）計算MERS微博輿情熱度趨勢值，再由上文關(guān)于類別的計算方法，將微博輿情熱度趨勢值分為6類，C1=[025779052，051558103]，C2=[012889526，025779052]，C3=[0，012889526]，C4=[-018638998，0]，C5=[-037277995，-018638998]，C6=[-0745559908，-037277995]，計算結(jié)果見表6。

46BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

隱含層和輸出層的傳遞函數(shù)均采用雙曲正切S型函數(shù)

“Tansig”，訓(xùn)練函數(shù)采用Levenberg-Marquardt反向傳播算法訓(xùn)練函數(shù)“Trainlm”[21]，訓(xùn)練目標(biāo)誤差為0005，學(xué)習(xí)率為005，最大訓(xùn)練次數(shù)設(shè)置為1 000。各訓(xùn)練參數(shù)設(shè)置見表7。

47突發(fā)傳染病輿情熱度趨勢預(yù)測

本文將2015年5月28日至2015年7月23日期間的數(shù)據(jù)作為訓(xùn)練樣本。根據(jù)隱含層節(jié)點數(shù)的公式（12），將α進行逐個試驗，。先設(shè)定初始隱含層節(jié)點數(shù)為3（α=1時），然后訓(xùn)練10次，去掉最大和次大誤差，取剩下8個誤差的平均值并記錄下來，再設(shè)置隱含層節(jié)點數(shù)為4……一直到取隱含層節(jié)點數(shù)為12（α=10時），得到不同隱含層節(jié)點數(shù)下網(wǎng)絡(luò)訓(xùn)練平均誤差見圖4。

從圖4可以看出，隨著隱含層個數(shù)的增加，訓(xùn)練樣本的Mse平均值基本呈下降趨勢。當(dāng)α=8時，即隱含層節(jié)點數(shù)N=10時，網(wǎng)絡(luò)誤差最小。因此，本文所建BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為“4-10-3”，將隱含層為10中訓(xùn)練誤差較小、預(yù)測結(jié)果準(zhǔn)確率較高的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)保存。經(jīng)過141次迭代，達(dá)到最小誤差值0005848，網(wǎng)絡(luò)訓(xùn)練提前停止，其訓(xùn)練結(jié)果混淆矩陣見圖5。

從圖5可知，57個訓(xùn)練樣本的準(zhǔn)確率為877%，說明該模型的訓(xùn)練結(jié)果較為理想?；诖?，通過訓(xùn)練好的網(wǎng)絡(luò)預(yù)測2015年7月24日至2015年7月31日MERS輿情熱度趨勢值，對應(yīng)的預(yù)測結(jié)果見表8。

48突發(fā)傳染病輿情熱度趨勢預(yù)測模型的評價

將預(yù)測得出的MERS微博輿情熱度趨勢值的類別與實際類別進行誤差分析見表9，模型預(yù)測結(jié)果的混淆矩陣見圖6。

由表9的誤差分析以及圖5的混淆矩陣可以看出，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的MERS微博輿情熱度趨勢的后7個類別與實際相符，只有第一個類別預(yù)測有偏差，準(zhǔn)確率達(dá)到875%，預(yù)測結(jié)果較為理想。說明基于BP神經(jīng)網(wǎng)絡(luò)模型的突發(fā)傳染病輿情熱度趨勢的預(yù)測是可行的。

5結(jié)語

突發(fā)傳染病發(fā)生后，由于嚴(yán)重危及生命安全，事件相關(guān)信息往往迅速在網(wǎng)絡(luò)上傳播交流，從而形成網(wǎng)絡(luò)輿情。本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到突發(fā)傳染病輿情熱度趨勢的預(yù)測中。首先在查閱文獻(xiàn)的基礎(chǔ)上，針對微博自身的特點，提出輿情熱度的定量方法，然后利用信息熵確定各個指標(biāo)的權(quán)重，最后建立基于BP神經(jīng)網(wǎng)絡(luò)的突發(fā)傳染病輿情熱度趨勢預(yù)測模型，并選取新浪微博“MERS病毒衛(wèi)生突發(fā)事件”的輿情熱度數(shù)據(jù)進行實例分析，預(yù)測該突發(fā)傳染病事件的發(fā)展趨勢，從而驗證模型的可行性。研究結(jié)果可以為突發(fā)傳染病微博輿情的管控提供決策支持。

然而，本文研究也存在一定的局限性：第一，本文僅針對新浪微博這一媒介平臺建立指標(biāo)體系，忽略了微信、論壇、新聞網(wǎng)站等互聯(lián)網(wǎng)平臺上的輿情信息，而且選取的微博輿情熱度評價指標(biāo)只包括新浪微博的原創(chuàng)微博發(fā)布量、轉(zhuǎn)發(fā)量、評論量，點贊量四項指標(biāo)，較為單一，忽略了微博內(nèi)容主題特征、博主類型，博主粉絲量等信息對輿情熱度的影響，該體系還有待進一步完善；第二，突發(fā)傳染病輿情具有爆發(fā)性、演變不確定性等特點，在一段時間內(nèi)（1天或者數(shù)小時）可能會有大幅度的波動，本文以天為單位進行數(shù)據(jù)統(tǒng)計，在未來的研究中還需考慮選取更加細(xì)粒度的單位進行分析；第三，本文只選取了一個突發(fā)傳染病案例進行實證分析，結(jié)果表明模型預(yù)測的準(zhǔn)確率較高，但對于該模型是否同樣適用于其他突發(fā)傳染病輿情尚未進行探討。因此，在未來的研究中還需要選取一定數(shù)量的案例來驗證模型的合理性和有效性。

參考文獻(xiàn)

[1]中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）.第40次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告[R].中國互聯(lián)網(wǎng)絡(luò)信息中心，2017.

[2]安璐，杜廷堯，余傳明，等.突發(fā)公共衛(wèi)生事件的微博主題演化模式和時序趨勢[J].情報資料工作，2016，（5）：44-52.

[3]徐旖旎.基于微博的媒體奇觀網(wǎng)絡(luò)輿情熱度趨勢分析[J].情報科學(xué)，2017，35（2）：92-97，125.

[4]趙磊，王松.基于BP神經(jīng)網(wǎng)絡(luò)的輿情熱度趨勢仿真模型研究[J].情報學(xué)報，2016，35（9）：989-999.

[5]Yu L，Li L，Tang L.What Can Mass Media do to Control Public Panic in Accidents of Hazardous Chemical Leakage into Rivers？A Multi-Agent-Based Online Opinion Dissemination Model[J].Journal of Cleaner Production，2017，（143）：1203-1214.

[6]張行欽，張東紅，付剛甌，等.“乙肝疫苗”事件網(wǎng)絡(luò)輿情熱度演變特點及應(yīng)對研究[J].中國預(yù)防醫(yī)學(xué)雜志，2017，18（1）：60-62.

[7]Lax JR，Phillips JH.How Should we Estimate Public Opinion in the States？[J].American Journal of Political Science，2009，53（1）：107-121.

[8]曹學(xué)艷，張仙，劉樑，等.基于應(yīng)對等級的突發(fā)事件網(wǎng)絡(luò)輿情熱度分析[J].中國管理科學(xué)，2014，22（3）：82-89.

[9]王慧軍，石巖，胡明禮，等.輿情熱度的最優(yōu)監(jiān)控問題研究[J].情報雜志，2012，31（1）：71-75.

[10]袁國平，許曉兵.基于系統(tǒng)動力學(xué)的關(guān)于突發(fā)事件后網(wǎng)絡(luò)輿情熱度研究[J].情報科學(xué)，2015，33（10）：52-56.

[11]屈啟興，齊佳音.基于微博的企業(yè)網(wǎng)絡(luò)輿情熱度趨勢分析[J].情報雜志，2014，33（6）：133-137.

[12]王新猛.基于馬爾可夫鏈的政府負(fù)面網(wǎng)絡(luò)輿情熱度趨勢分析——以新浪微博為例[J].情報雜志，2015，34（7）：161-164.

[13]Chen XG，Duan S，Wang L.Research on Trend Prediction and Evaluation of Network Public Opinion[J].Concurrency and Computation：Practice Practice and Experience，2017，29（24）：e4212.