5.1模型构建
当前，随着自媒体技术的普及与发展，越来越多的网民在微博上发表关于突发事件的言论，其中不乏极端的负面言论，而网络信息的开放式传播使得负面言论极可能引发负面舆情，如“长春长生疫苗事件”，网络舆情由最初的“对疫苗公司追究问责”，衍生出了“长生生物公司股票”“长春长生公司背景”和“国家药监局管理不善”等多个衍生舆情，针对这起多维舆情的讨论将民众对政府监管部门的愤慨、不信任的心情点燃，甚至出现部分用户通过微博抨击相关企业和政府的现象，这些用户的负面言论使得舆情进一步发酵，给企业经营和政府形象带来巨大的破坏和冲击。但由于在网上发表言论的用户数量庞大，无法对每一个用户进行舆情监测，因此对用户个性化分类识别能够帮助舆情管理者制定更具有针对性的舆情应对方案。基于此，本章将通过微博发布负面言论而极易对企业声誉或社会稳定带来较大破坏的人群定义为高危人群[73]，而针对用户的网络舆情监测能在短时间内识别并了解高危用户的动向，从而大大提高负面舆情公关的效率，减小负面舆情破坏力，同时也能大大节省舆情管控成本。
微博中的负面舆情爆发后，对高危用户进行监测识别实际上就是对参与负面舆情讨论的用户进行监测并识别出高危用户，首先爬取在微博多个热点话题中发表言论的用户数据，利用用户画像技术对其进行分类，进而利用随机森林算法进行有监督的分类识别，从而辨别出网络影响力大的高危用户人群。本节整体框架如图 5.1 所示。
第 6 章 总结与展望
6.1 总结
随着互联网网民规模的不断扩大，新浪微博作为新型社交平台，舆情影响力日益扩大，负面舆情话题衍生现象频发，给社会的稳定带来较大冲击和影响。基于此，本文以话题衍生现象为切入角度，深入研究多维舆情的形成机制并对网民进行舆情监测。首先基于复杂网络传播动力学模型模拟初始舆情演化过程，同时引入舆情变异机制揭示衍生子话题产生过程，并利用 Brown 运动确定子话题传播参数，子话题与初始舆情构成多层SIR 模型，继而引入基本再生数判别衍生子话题是否能形成新一维度的舆情，从而揭示多维舆情形成的全过程，最后建立用户画像和随机森林算法相结合的用户舆情监测系统，对爬取的用户数据进行高危用户识别并选取案例进行实证分析。
通过仿真实验和实证研究可得到以下结论：
（1）当信息异化度达到一定阈值后，才会有衍生子话题产生；此外，当信息异化度较高时，最早产生的衍生子话题不一定能形成衍生舆情，反而后期衍生子话题也可能形成衍生舆情，且信息异化度对于产生的衍生子话题数量影响较大，但对于最终形成的舆情维数影响较小。
（2）环境作用力和子话题包含的信息量是影响多维舆情形成的关键因素，其中环境作用力对早期产生的子话题影响较大，而子话题包含的信息量是其能否形成衍生舆情的关键因素。
（3）与初始舆情话题相关度高的子话题更容易形成衍生舆情；但当所有子话题与初始舆情的相关度都较高时，相关程度最高的子话题不一定能形成衍生舆情，而是早期产生的子话题更容易形成衍生舆情。
（4）网络拓扑结构对子话题产生的个数没有太大影响，但对参与子话题讨论的个体数量有较大影响，且聚集系数高、平均路径长度短的网络拓扑结构所形成的多维舆情维数更高。
参考文献（略）
