大数据环境下突发公共安全事件网络舆情预警系统研究

于茜 大连科技学院 数字技术学院

引言

随着互联网的快速发展和普及应用，网络舆情成为现阶段主要的舆情方式。随着我国网民数量的激增和移动智能设备的普及，社交网络等新媒体工具逐渐渗透到人们的生活当中。近年来，突发公共安全事件在网上传播的速度越来越快，人们对突发公共安全事件的关注度越来越高，但网络舆情经过有特殊目的的过分渲染将会变成有害的舆论，并且传播迅速声势浩大，危害社会公共安全。近年来我国各类突发公共安全事件频繁发生，给人民生命财产和经济社会发展造成了重大损失，快速收集网络舆情信息，提高当前大数据环境下突发公共安全事件舆情信息的分析能力，及时准确地掌握舆情动态，主动预警，政府积极引导社会舆论，跟踪事态变化，及时向有关部门通报，是网络这一新兴媒体所面临的严肃课题与严峻挑战。

1 大数据环境下突发公共安全事件网络舆情研究存在的问题

近年来学者将模拟仿真、数据挖掘、文本挖掘等技术引入至网络舆情分析研究中。目前比较成熟的技术有：文本采集、文本分类、文本聚类、信息抽取、话题监测、情感分析和数据挖掘等[1]，以上技术和方法适用于传统环境下的网络舆情数据分析，在大数据环境下这些技术、方法适用性较差。在大数据分析方面，深度学习和知识计算研究已初见成效，代表性的知识库或应用系统有KnowItAll[2]，TextRunner[3]，NELL[4]，Probase 等[5]，但目前尚未有成熟的突发公共安全事件知识库和网络舆情分析方法。综上所述，当前突发公共安全事件网络舆情研究存在四个问题：（1）没有针对突发公共安全事件的网络舆情分析方法；（2）没有针对突发公共安全事件的网络舆情预警系统；（3）原有的网络舆情数据分析方法无法处理大数据环境下的海量数据；（4）缺少大数据环境下的突发公共安全事件网络舆情知识库，不能支持相关数据分析。

2 大数据环境下突发公共安全事件网络舆情预警系统

本文在现有大数据分析模型Map/Reduce、Web 服务技术、突发公共安全事件网络舆情预警机制等研究基础上，以突发公共安全事件概念、网络舆情数据特征为主要依据，首先基于Map/Reduce 计算突发公共安全事件网络舆情数据特征及特征值列表，并封装成Web 服务，然后基于已有突发公共安全事件实例采用手动构建突发公共安全事件知识库，并基于线性链条件随机场（lined conditional random field，LCRF）模型对知识库中已有突发公共安全事件知识进行训练，得到最好的模型应用于突发公共安全事件网络舆情数据分析，将新学习到的突发公共安全事件知识更新到知识库，采用此种半监督方法构建知识库，最后基于Web 服务技术实现智能预警，实现大数据环境下突发公共安全事件网络舆情预警系统。

3 基于LCRF 的网络舆情数据分析技术

数据分析是大数据环境下的突发公共安全事件网络舆情预警系统的关键技术。以往的网络舆情数据分析多采用数据挖掘或基于隐马尔可夫模型的文本语义识别技术，近年来发现条件随机场（conditional random field，CRF）模型在识别方面上效果更好，由于突发公共安全事件网络舆情发展过程有严谨的先后关系，可抽象为线性关系，即后续发展状态依赖于前续事件状态，所以本文将线性链条件随机场（LCRF）模型引入网络舆情数据分析。

LCRF 的训练过程就是要得到最优的转移特征和状态特征，将突发公共安全事件知识库中的知识作为模型输入，事件对象是状态序列，对象特征是观测序列，每一个对象特征值就是观测序列的观测值，通过LCRF 模型训练得到最优的转移特征和状态特征，即得到最优的模型。然后将捕获的网络舆情实时数据通过Map/Reduce模型计算得到特征和特征值，输入LCRF 模型进行学习，识别出新的突发公共安全事件。

4 结束语

本文对大数据环境下的突发公共安全事件网络舆情预警系统进行了研究，提出了一个由数据特征及特征值提取、网络舆情数据分析、突发公共安全事件知识库三层构成的预警系统体系，并对基于LCRF 的网络舆情数据分析技术的使用进行了阐述，从而解决了目前大数据环境下的突发公共安全事件网络舆情预警系统研究中的关键技术问题。