侯萍 崔孟杰

摘要：企業(yè)網(wǎng)絡(luò)輿情傳播對(duì)企業(yè)和社會(huì)產(chǎn)生不可忽視的影響，對(duì)企業(yè)網(wǎng)絡(luò)輿情監(jiān)測(cè)和預(yù)警的研究能夠?yàn)楣芾聿块T提供理論和實(shí)踐指導(dǎo)。從輿情熱度，輿情狀況和輿情趨勢(shì)三個(gè)方面，綜合現(xiàn)有指標(biāo)體系的優(yōu)缺點(diǎn)，構(gòu)建一個(gè)具有三個(gè)一級(jí)指標(biāo)、十個(gè)二級(jí)具體指標(biāo)的企業(yè)網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系。將獲取到的指標(biāo)數(shù)據(jù)運(yùn)用定性與定量相結(jié)合的方法進(jìn)行無量綱化處理，并利用Matlab進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型創(chuàng)建，建立企業(yè)網(wǎng)絡(luò)輿情危機(jī)預(yù)警模型。選取2017年以及2018年輿論相對(duì)集中的“攜程親子園”事件以及“滴滴空姐遇害”事件進(jìn)行模型的訓(xùn)練以及模型驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)網(wǎng)絡(luò)輿情危機(jī)預(yù)警模型是有效和可行的。

關(guān)鍵詞：網(wǎng)絡(luò)輿情；指標(biāo)體系；BP神經(jīng)網(wǎng)絡(luò)；輿情預(yù)警

中圖分類號(hào)：G350；TP393

★基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃課題（2017YFD0401005）；江蘇省高校自然科學(xué)研究面上項(xiàng)目（18KJB520038）。

引言

隨著互聯(lián)網(wǎng)科技的迅速發(fā)展，網(wǎng)絡(luò)深入到人們的日常生活中，網(wǎng)絡(luò)輿情逐步轉(zhuǎn)化為社情民意的主體部分，網(wǎng)絡(luò)輿情技術(shù)隨著互聯(lián)網(wǎng)的發(fā)展，涉足面越來越廣，負(fù)面網(wǎng)絡(luò)輿情對(duì)于企業(yè)造成的影響越發(fā)凸顯，企業(yè)對(duì)于自身的輿論也越來越重視，能夠提前預(yù)知大規(guī)模負(fù)面輿論的爆發(fā)，可以使企業(yè)及時(shí)采取有效的措施進(jìn)行防范，盡可能的降低輿論帶來的負(fù)面效應(yīng)，及時(shí)止損。一個(gè)完善的企業(yè)網(wǎng)絡(luò)輿情預(yù)警系統(tǒng)有著十分重要的現(xiàn)實(shí)意義。在負(fù)面輿論大規(guī)模爆發(fā)的前夕及時(shí)告知企業(yè)管理者，采取相應(yīng)的應(yīng)對(duì)措施減少負(fù)面輿論帶來的不利影響，及時(shí)規(guī)避輿論惡化。國(guó)內(nèi)外學(xué)者紛紛展開了網(wǎng)絡(luò)輿情指標(biāo)體系和預(yù)警模型構(gòu)建的研究。在網(wǎng)絡(luò)輿情危機(jī)預(yù)警方法方面，文獻(xiàn)[1]利用動(dòng)態(tài)層次文本聚類法挖掘網(wǎng)絡(luò)輿情預(yù)警過程中的熱點(diǎn)話題。文獻(xiàn)[2，3]構(gòu)建了微博輿論場(chǎng)超網(wǎng)絡(luò)模型，提出了微博輿論場(chǎng)場(chǎng)強(qiáng)計(jì)算公式判別微博輿論場(chǎng)中輿情的演化。設(shè)計(jì)了基于微博輿論場(chǎng)的輿情演化規(guī)則。文獻(xiàn)[4]首先根據(jù)Lyapunov指數(shù)證明網(wǎng)絡(luò)輿情具備混沌的特征，然后對(duì)網(wǎng)絡(luò)輿情時(shí)間序列數(shù)據(jù)進(jìn)行相空間重構(gòu)，最后進(jìn)行網(wǎng)絡(luò)輿情預(yù)測(cè)。文獻(xiàn)[5]提出一種基于模糊推理理論的網(wǎng)絡(luò)輿情觀點(diǎn)聚合的CA（Cellular Automaton）模型，在元胞自動(dòng)機(jī)模型Moore鄰域結(jié)構(gòu)下演化并分析個(gè)體屬性以及鄰域環(huán)境對(duì)網(wǎng)絡(luò)輿情觀點(diǎn)聚合現(xiàn)象的影響。文獻(xiàn)[6]針對(duì)熱點(diǎn)傳播的問題提出改進(jìn)的SIRS傳播模型，該模型結(jié)合博弈論對(duì)SIRS模型中的傳染體和免疫體進(jìn)行演化博弈建模，對(duì)SIRS模型進(jìn)行改進(jìn)，得到熱點(diǎn)話題傳播的平衡點(diǎn)和規(guī)律。文獻(xiàn)[7]也構(gòu)建了謠言事件傳播模型，研究熱點(diǎn)事件傳播規(guī)律。文獻(xiàn)[8]為了解決網(wǎng)絡(luò)輿情預(yù)警評(píng)價(jià)問題中樣本數(shù)據(jù)的非線性和髙維性等實(shí)際難題，提出以投影尋蹤理論為基礎(chǔ)，利用文化基因算法確定最佳投影方向，建立了基于文化基因算法的網(wǎng)絡(luò)輿情評(píng)價(jià)的投影尋蹤模型。文獻(xiàn)[9]將模糊神經(jīng)網(wǎng)絡(luò)模型用于公司產(chǎn)品市場(chǎng)銷售狀態(tài)的預(yù)警問題，為銷售人員處理市場(chǎng)危機(jī)問題提供參考意見。

綜上所述，國(guó)內(nèi)外學(xué)者針對(duì)輿情監(jiān)測(cè)預(yù)警模型主要集中在模型構(gòu)建及態(tài)勢(shì)評(píng)估等方面，從應(yīng)用角度對(duì)企業(yè)網(wǎng)絡(luò)輿情構(gòu)建模型并量化算法的實(shí)例研究的成果較少。本文構(gòu)造企業(yè)網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系并運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型建立企業(yè)網(wǎng)絡(luò)輿情預(yù)警模型。選取2017年以及2018年輿論相對(duì)集中的“攜程親子園”事件以及“滴滴空姐遇害”事件進(jìn)行模型的訓(xùn)練以及模型驗(yàn)證。

1、企業(yè)輿情危機(jī)預(yù)警指標(biāo)體系

1.1 企業(yè)輿情危機(jī)預(yù)警指標(biāo)體系構(gòu)建

依據(jù)2006年國(guó)務(wù)院發(fā)布的《國(guó)家突發(fā)公共事件總體應(yīng)急預(yù)案》，將預(yù)警等級(jí)按照各類突發(fā)公共事件的嚴(yán)重程度、可控性和影響范圍等因素分為Ⅰ級(jí)（特別重大）、Ⅱ級(jí)（重大）、Ⅲ級(jí)（較大）和一般[10]。本文將輿情危機(jī)預(yù)警劃分為五個(gè)級(jí)別，分別是安全、一般、警告、嚴(yán)重，用1000、0100、0010、0001來表示。建立一個(gè)科學(xué)、嚴(yán)謹(jǐn)、高效、可行的完善的企業(yè)網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系最關(guān)鍵的在于指標(biāo)體系中各項(xiàng)指標(biāo)的選取，合理正確的指標(biāo)有助于提升指標(biāo)體系的合理性。我國(guó)的輿情預(yù)警研究的學(xué)者已經(jīng)在該方面取得了顯著的成果，文獻(xiàn)[11]從傳播媒體、傳播范圍、傳播速度、情緒傾向程度及相關(guān)度等方面對(duì)輿情潛在影響力進(jìn)行探索，構(gòu)建了網(wǎng)絡(luò)輿情潛在影響力指標(biāo)體系并設(shè)計(jì)潛在影響力計(jì)算模型，對(duì)探討網(wǎng)絡(luò)輿論的潛在影響有一定的現(xiàn)實(shí)意義。文獻(xiàn)[12]基于網(wǎng)絡(luò)輿情中的輿情等級(jí)分類，劃分移動(dòng)社交網(wǎng)絡(luò)中的輿情等級(jí)，同時(shí)結(jié)合生命周期理論，分析移動(dòng)社交網(wǎng)絡(luò)輿情生命周期。并通過實(shí)證研究驗(yàn)證指標(biāo)體系是否合理。本文依據(jù)前人的研究，網(wǎng)絡(luò)輿情預(yù)警指標(biāo)的選取本著定量為主，定性為輔、科學(xué)性、可操作性等原則，最終構(gòu)建3個(gè)一級(jí)指標(biāo)，10個(gè)二級(jí)指標(biāo)的網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系。在選取指標(biāo)的同時(shí)，盡可能的以最少指標(biāo)達(dá)最優(yōu)預(yù)警目標(biāo)的準(zhǔn)則來選取，同時(shí)為了使模型容易構(gòu)建，進(jìn)行量化處理，盡可能的選擇定量指標(biāo)。

1.2 企業(yè)輿情危機(jī)預(yù)警指標(biāo)說明

輿情熱度是研究輿情的重要指標(biāo)，通過搜索量、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)來衡量輿情熱度，末端數(shù)據(jù)的獲取主要來自于百度指數(shù)以及新浪微博。搜索量是指在一定的時(shí)間條件下，通過百度指數(shù)高級(jí)檢索，檢索指定企業(yè)名稱為關(guān)鍵字的網(wǎng)絡(luò)曝光率以及網(wǎng)民關(guān)注度。搜索量的多少反映了網(wǎng)民對(duì)于該話題的關(guān)注程度，通過搜索量的排序可以明確當(dāng)前的熱點(diǎn)話題。評(píng)論數(shù)是指在新浪微博中，網(wǎng)民對(duì)于某一輿情熱點(diǎn)話題的評(píng)論，通過評(píng)論的內(nèi)容以及評(píng)論數(shù)量的多少可以反映出該輿情事件在網(wǎng)民心中的關(guān)注程度。轉(zhuǎn)發(fā)數(shù)轉(zhuǎn)發(fā)數(shù)是指在新浪微博中，某條關(guān)于某熱點(diǎn)事件的評(píng)論被轉(zhuǎn)發(fā)的次數(shù)，如果網(wǎng)民轉(zhuǎn)發(fā)該微博， 即表示他對(duì)于這一評(píng)論表示認(rèn)同。轉(zhuǎn)發(fā)數(shù)反映了該條微博在網(wǎng)民中的認(rèn)可度。點(diǎn)贊數(shù)是指在新浪微博中，某網(wǎng)絡(luò)輿情事件獲得的點(diǎn)贊數(shù)量，該數(shù)值越大，則表明網(wǎng)絡(luò)輿情發(fā)生的概率越大。

輿情狀況主要通過網(wǎng)絡(luò)輿情的真實(shí)性、輿情話題的敏感性、網(wǎng)民觀點(diǎn)的傾向度來表示。網(wǎng)絡(luò)輿情的真實(shí)性，話題的敏感程度以及觀點(diǎn)的傾向度較為全面地展示了輿情的狀況。真實(shí)性主要是因?yàn)榫W(wǎng)絡(luò)空間的虛擬性與真實(shí)性相互融合，再加上互聯(lián)網(wǎng)的虛擬性，許多言論難以辨分，輿情的真實(shí)性是反映輿情狀況的最關(guān)鍵的指標(biāo)。真實(shí)性采取定量分析的方法來確定，參考新浪微博的認(rèn)證用戶關(guān)于某網(wǎng)絡(luò)輿情事件的微博數(shù)占全部的百分比來確定，認(rèn)證用戶是實(shí)名認(rèn)證的，需要對(duì)自己發(fā)言的真實(shí)性負(fù)責(zé)，認(rèn)證用戶的言論的真實(shí)性較高。輿情的敏感性是用來衡量輿情未來發(fā)展的主要指標(biāo)。敏感性越高，則該網(wǎng)絡(luò)輿情熱點(diǎn)話題的關(guān)注度越高，敏感性指標(biāo)通過定性分析獲取。傾向度是指網(wǎng)民對(duì)于某網(wǎng)絡(luò)輿情熱點(diǎn)話題所持的贊同、中立或是反對(duì)的態(tài)度。按照人們對(duì)于某事件的看法，傾向度可以分為贊同，中立，反對(duì)。該指標(biāo)通過新浪微博中負(fù)面微博的占比來表示。

輿情趨勢(shì)指的是輿情在接下來的一段時(shí)間內(nèi)的發(fā)展趨勢(shì)，主要是通過觀察網(wǎng)絡(luò)輿情的熱度變化得出，而網(wǎng)絡(luò)輿情熱度變化主要通過搜索量變化、轉(zhuǎn)發(fā)數(shù)變化、評(píng)論數(shù)變化得以體現(xiàn)，最終得出網(wǎng)絡(luò)輿情的趨勢(shì)變化。搜索量變化通過百度指數(shù)中在一段時(shí)間內(nèi)對(duì)于某網(wǎng)絡(luò)輿情事件相應(yīng)關(guān)鍵詞檢索的數(shù)量變化來衡量。轉(zhuǎn)發(fā)數(shù)變化通過新浪微博中關(guān)于某網(wǎng)絡(luò)輿情事件的微博的轉(zhuǎn)發(fā)數(shù)量的變化來計(jì)算。評(píng)論數(shù)變化指的是新浪微博中關(guān)于某網(wǎng)絡(luò)輿情事件的微博的評(píng)論數(shù)數(shù)量的變化。

2、企業(yè)網(wǎng)絡(luò)輿情預(yù)警模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)置

本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行企業(yè)網(wǎng)絡(luò)輿情預(yù)警模型的構(gòu)建，由于BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中包含隱含層，通常情況下，隱含層越多，網(wǎng)絡(luò)的復(fù)雜性越高，計(jì)算難度越高。本文采用只包含一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

2.1.1 輸入層、輸出層、隱含層節(jié)點(diǎn)確定

依據(jù)構(gòu)建的企業(yè)網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系，在該體系中選取了10個(gè)指標(biāo)作為企業(yè)網(wǎng)絡(luò)輿情預(yù)警模型的預(yù)警指標(biāo)，則輸入節(jié)點(diǎn)數(shù)為10，確定了預(yù)警等級(jí)為安全（1000）、一般（0100）、警告（0010）、嚴(yán)重（0001）四個(gè)等級(jí)，則輸出節(jié)點(diǎn)為4。

隱含節(jié)點(diǎn)的確定采用公式（1）進(jìn)行隱含節(jié)點(diǎn)的計(jì)算。

其中m為輸入層節(jié)點(diǎn)數(shù)，n為輸出層節(jié)點(diǎn)數(shù)，a為1-10之間的常數(shù)。

2.1.2 輸入數(shù)據(jù)的歸一化處理

由于指標(biāo)選取的時(shí)候?qū)ο鄳?yīng)的各項(xiàng)預(yù)警指標(biāo)進(jìn)行了一定的量化處理，在進(jìn)行模型構(gòu)建時(shí)，為了便于計(jì)算，減小誤差，再一次的進(jìn)行歸一化處理，即通過公式將所有收集到的原始數(shù)據(jù)進(jìn)行整理，同意轉(zhuǎn)化為（0，1）區(qū)間內(nèi)的無量綱指標(biāo)值。

指標(biāo)有正負(fù)方向之分，所以在進(jìn)行數(shù)據(jù)歸一化的無量綱指標(biāo)處理時(shí)，也有著不同的方法。正向指標(biāo)指標(biāo)值越大越安全，所以以最小值為基準(zhǔn)進(jìn)行歸一化處理，即在進(jìn)行無量綱化處理時(shí)采用公式（2）進(jìn)行處理；而負(fù)項(xiàng)指標(biāo)與正向指標(biāo)恰好相反，指標(biāo)值越小越安全，在無量綱化處理時(shí)以最小值為基準(zhǔn)，進(jìn)行歸一化處理即采用公式（3）。

2.1.3 訓(xùn)練參數(shù)的設(shè)置

在對(duì)數(shù)據(jù)進(jìn)行歸一化處理之后，設(shè)置訓(xùn)練參數(shù)，訓(xùn)練參數(shù)的設(shè)置不同也會(huì)對(duì)網(wǎng)絡(luò)性能有一定的影響。

設(shè)置隱含層、輸出層傳遞函數(shù)為logsig（對(duì)數(shù)S型傳遞函數(shù)），具有非線性的特點(diǎn)，設(shè)置訓(xùn)練函數(shù)為traingdx（學(xué)習(xí)率可變的BP算法），學(xué)習(xí)函數(shù)為learngdm（梯度下降動(dòng)量學(xué)習(xí)函數(shù)），在相對(duì)應(yīng)的訓(xùn)練參數(shù)設(shè)置中，設(shè)置顯示間隔show = 25，設(shè)置網(wǎng)絡(luò)學(xué)習(xí)效率lr = 0.05，設(shè)置動(dòng)量參數(shù)mc = 0.9，設(shè)置最大訓(xùn)練次數(shù)epochs =1000，設(shè)置目標(biāo)誤差goal =1e-5，而其余的相關(guān)參數(shù)保持默認(rèn)值不變。

2.2 預(yù)警模型建立

依據(jù)公式（1）進(jìn)行隱含節(jié)點(diǎn)的確認(rèn)，可計(jì)算出神經(jīng)元的個(gè)數(shù)為4-13之間，通過測(cè)試發(fā)現(xiàn)當(dāng)a=10時(shí)，神經(jīng)網(wǎng)絡(luò)的性能達(dá)到最佳，即確定隱含層節(jié)點(diǎn)數(shù)為10。選取2017年11月“攜程親子園虐童”事件作為本文的研究對(duì)象，以10個(gè)具體指標(biāo)建立企業(yè)網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系。首先分析企業(yè)網(wǎng)絡(luò)輿情指標(biāo)體系中的各項(xiàng)指標(biāo)的性質(zhì)，得到分析結(jié)果如表1所示。按照攜程親子園事件的進(jìn)展設(shè)定了8個(gè)時(shí)間點(diǎn)，方便數(shù)據(jù)采集以及觀測(cè)，如表2所示。

利用烽火輿情軟件進(jìn)行相應(yīng)的關(guān)鍵詞檢索，得出“攜程親子園”事件的輿情走勢(shì)，分析相應(yīng)的負(fù)面輿情占比，通過當(dāng)日的負(fù)面輿情占全部輿情數(shù)的占比得出觀點(diǎn)傾向度，輿情走勢(shì)如圖2所示。利用百度指數(shù)工具高級(jí)檢索對(duì)“攜程親子園”限定關(guān)鍵詞進(jìn)行檢索，得出搜索量以及搜索量變化指標(biāo)原始數(shù)據(jù)如圖3所示。

在每個(gè)時(shí)間節(jié)點(diǎn)以“天”為單位做平均值處理，使數(shù)據(jù)具備可比性。評(píng)論數(shù)、點(diǎn)贊數(shù)、真實(shí)性、敏感度、傾向度、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)變化、轉(zhuǎn)發(fā)數(shù)變化等指標(biāo)數(shù)據(jù)通過新浪微博獲取，在8個(gè)時(shí)間點(diǎn)獲取的原始數(shù)據(jù)，為了使數(shù)據(jù)之間的關(guān)聯(lián)性更高，各個(gè)指標(biāo)之間的數(shù)據(jù)的可比性更強(qiáng)，在依據(jù)指標(biāo)的性質(zhì)的基礎(chǔ)上進(jìn)行數(shù)據(jù)的歸一化處理，歸一化后的數(shù)據(jù)如表3所示。

利用Matlab 2017a軟件進(jìn)行模型的建立，以時(shí)間1-時(shí)間7的指標(biāo)數(shù)據(jù)作為模型的訓(xùn)練樣本，選取時(shí)間8的指標(biāo)數(shù)據(jù)作為檢驗(yàn)樣本來進(jìn)行模型檢驗(yàn)工作的實(shí)施。期望輸出如表4、表5所示。

通過調(diào)用Matlab 2017a軟件中的神經(jīng)網(wǎng)絡(luò)工具箱，參照上述的傳遞以及訓(xùn)練參數(shù)設(shè)置，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建，對(duì)訓(xùn)練樣本進(jìn)行167次訓(xùn)練后，誤差值為9.945e-6，達(dá)到訓(xùn)練目的，如圖4所示。

3、模型可靠性驗(yàn)證

通過案例“滴滴空姐遇害事件” 進(jìn)行模型可靠性驗(yàn)證，數(shù)據(jù)如表6所示：

利用烽火輿情軟件進(jìn)行相應(yīng)的關(guān)鍵詞檢索，得出“滴滴出空姐遇害”事件的輿情走勢(shì)，分析相應(yīng)的負(fù)面輿情占比，通過當(dāng)日的負(fù)面輿情占全部輿情數(shù)的占比得出觀點(diǎn)傾向度。利用百度指數(shù)工具高級(jí)檢索對(duì)“滴滴”限定關(guān)鍵詞進(jìn)行檢索，得出搜索量以及搜索量變化指標(biāo)原始數(shù)據(jù)。在每個(gè)時(shí)間節(jié)點(diǎn)以“天”為單位做平均值處理，使數(shù)據(jù)具備可比性。評(píng)論數(shù)、點(diǎn)贊數(shù)、真實(shí)性、敏感度、傾向度、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)變化、轉(zhuǎn)發(fā)數(shù)變化等指標(biāo)數(shù)據(jù)通過新浪微博獲取，對(duì)9個(gè)時(shí)間點(diǎn)獲取的原始數(shù)據(jù)進(jìn)行歸一化處理，歸一化后的數(shù)據(jù)如表7所示。

通過以上建立的模型將原始數(shù)據(jù)進(jìn)行代入檢驗(yàn)，與期望輸出結(jié)果表8進(jìn)行比較。

與期望輸出結(jié)果進(jìn)行比較后，發(fā)現(xiàn)時(shí)間6的輸出出現(xiàn)差錯(cuò)，其余結(jié)果一致，準(zhǔn)確率達(dá)到87.5%。

4、結(jié)束語

根據(jù)上述構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型，通過對(duì)于時(shí)間1-時(shí)間7的獲取的企業(yè)網(wǎng)絡(luò)輿情預(yù)警指標(biāo)中的10個(gè)二級(jí)具體指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，將時(shí)間8作為模型的檢驗(yàn)樣本，在對(duì)訓(xùn)練樣本進(jìn)行192次訓(xùn)練后，在未達(dá)到最小梯度以及最大的擬合次數(shù)的目標(biāo)要求內(nèi)，達(dá)到最小誤差，使得模型達(dá)到最優(yōu)。通過調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱中創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)后的Simulate工具，進(jìn)行檢驗(yàn)數(shù)據(jù)的測(cè)試，將時(shí)間8的指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理后，導(dǎo)入為P_test，利用訓(xùn)練達(dá)標(biāo)的模型進(jìn)行數(shù)據(jù)預(yù)測(cè)，輸出相應(yīng)的Y數(shù)據(jù)，進(jìn)行輸出規(guī)則轉(zhuǎn)化后與預(yù)計(jì)預(yù)警結(jié)果進(jìn)行比較，發(fā)現(xiàn)結(jié)果一致。在建立模型后，再次通過“滴滴空姐遇害”事件的數(shù)據(jù)進(jìn)行模型可靠性的驗(yàn)證，通過將實(shí)際輸出與期望輸出的結(jié)果進(jìn)行比較，發(fā)現(xiàn)模型預(yù)測(cè)的準(zhǔn)確率為87.5%。通過實(shí)踐證明，本文設(shè)計(jì)的企業(yè)網(wǎng)絡(luò)危機(jī)輿情預(yù)警指標(biāo)體系是合理的，同時(shí)也證明了基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)網(wǎng)絡(luò)輿情預(yù)警模型是有效的。

參考文獻(xiàn)

[1] Gil-Garcia R，Pons-Porrata A.Dynamic Hierarchi-cal Algorithms for Documentclustering[J].Pattern，RecogNition Letters，2010（31）：469-477.

[2] 黃遠(yuǎn)，沈乾，劉怡君.微博輿論場(chǎng)：突發(fā)事件輿情演化分析的新視角[J].系統(tǒng)工程理論與實(shí)踐，2015，35（10）：2564-2572.

[3] Ma N， Liu Y J. Superedge rank algorithm and its application in identifying opinion leader of online public opinion supernetwork[J]. Expert Systems with Applications， 2014，41（4）：1357-1368.

[4] 魏德志，陳福集，鄭小雪.基于混沌理論和改進(jìn)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)方法[J].物理學(xué)報(bào)，2015，64（11）：52-59.

[5] 毛乾任，王朝斌，金洪穎，李艷梅.模糊推理的網(wǎng)絡(luò)輿情觀點(diǎn)聚合CA模型研究[J].小型微型計(jì)算機(jī)系統(tǒng)，2017，38（07）：1479-1484.

[6] 魏德志，陳福集，林麗娜.基于博弈論和SIRS的熱點(diǎn)事件傳播仿真研究[J].系統(tǒng)仿真學(xué)報(bào)，2018，30（06）：2050-2057.

[7] 李喆.基于投影尋蹤模型的網(wǎng)絡(luò)輿情評(píng)價(jià)[J].計(jì)算機(jī)仿真，2017， 34（04）：391-395.

[8] Carolin Kaiser，Sabine Schlick，F(xiàn)reimut Bodendorf. Warning System for Online Market Research-identifying Critical Situations in Online Opinion Formation[J]. Knowledge-based Systems，2011，24：824-836.

[9] Zhao L J， Xie W L， Gao H O， et al. A rumor spreading model with variable forgetting rate[J]. Physica A： Statistical Mechanics & Its Applications（S0378-4371）， 2013， 392（23）： 6146-6154.

[10] 游丹丹.我國(guó)網(wǎng)絡(luò)輿情預(yù)測(cè)研究綜述[J].情報(bào)科學(xué)，2016，34（12）：156-160.

[11] 賀恩鋒，莊林遠(yuǎn)，徐文根.網(wǎng)絡(luò)輿情潛在影響力指標(biāo)體系構(gòu)建及應(yīng)用[J].情報(bào)雜志，2014，33（1）：114-119.

[12] 聶峰英，張旸.移動(dòng)社交網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系構(gòu)建[J].情報(bào)理論與實(shí)踐，2015，38（12）：64-67.

作者簡(jiǎn)介：

侯萍，南京郵電大學(xué)管理學(xué)院，博士，副教授，研究方向： 網(wǎng)絡(luò)輿情，電子商務(wù)；

崔孟杰，南京郵電大學(xué)管理學(xué)院。