网络舆情法律

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇网络舆情法律范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

网络舆情法律范文第1篇

〔关键词〕相似传播；情景聚类；协同过滤；推荐算法

DOI：10.3969/j.issn.1008-0821.2016.11.009

〔中图分类号〕G2062〔文献标识码〕A〔文章编号〕1008-0821（2016）11-0050-05

〔Abstract〕In the age of the Internet era，the personalized recommendation system gradually is applied to different fields and recommendation algorithm has become a research hot spot at present.Traditional recommendation algorithm，however，often has some problems，for example a cold start，sparse data.In this paper，on the basis of researches on traditional recommendation algorithm，this paper proposed a collaborative filtering recommendation algorithm based on similarity propagation and context puting the similarity between user for user clustering，then the paper found more nearest neighbors of target users，according to the similarity propagation to finally，it recommended projects according to the forecast target users ratings.With the help of online public data，the paper implemented the proposed algorithm and verified the effectiveness of the proposed algorithm on Matlab.experiment showed that the accuracy of the proposed algorithm compared with the traditional algorithm was higher，and the proposed algorithm relieved the problems of traditional recommendation algorithm，such as the cold start and sparse data，etc.

〔Key words〕similarity propagation；context clustering；collaborative filtering；recommendation algorithm

如今，互联网已经成为人们获取信息的重要途径。然而，随着网络上信息量越来越大，信息过载的问题也越来越严重，这对人们在网上快速查找精确信息造成了很大的困难。个性化推荐系统能够根据用户的兴趣偏好、项目、需求甚至通过感知用户的情景来向用户推荐信息，这不仅很好地解决了信息过载的问题，同时还满足了用户的个性化需求。在实际应用方面，亚马逊、当当等大型电商网站都开发出了自己的推荐系统。在学术研究领域，个性化推荐方面的研究也逐渐进入学者的视野并得到关注，例如美国的Grouplens团队、Alexander Tuzhilin教授、Paul Resnick教授等对个性化推荐系统及相关的推荐算法进行了深入的研究[1]。

1问题的提出

协同过滤推荐算法作为目前研究较成熟、应用范围较广的推荐算法已被广泛地运用于互联网各大推荐系统中[2]。然而，传统的协同过滤推荐算法推荐的准确率和推荐效率往往受到多方面的影响，如对于新用户存在的冷启动问题和由于评分矩阵数据稀少导致的数据稀疏问题对推荐算法的质量产生的影响。

本文对传统的推荐算法进行了改进，将相似传播的思想和用户的情景与协同过滤推荐相结合，提出了一种基于相似传播和情景聚类的网络协同过滤推荐算法，在传统协同过滤算法存在的问题得到了较好缓解的同时也提高了推荐算法推荐的准确率。

2相关概念及理论

21情景的定义

情景在不同的领域有不同的定义，心理学、情报学、哲学、组织行为学、教育学、社会学等领域的众多学者都对情景进行了深入的研究和探讨，但关于情景的定义学者们都各执己见，不能达成一致共识，因此情景一直没有统一的定义。Dey等人认为能描述某一实体特征的信息即为情景[3]。虽然这一定义目前被广泛引用，但由于不同领域对情景的理解各不相同，情景的定义一直无法准确给出。大多数学者都认同：情景是和实体是不可分的，情景只有与实体产生联系才具有意义，情景可以将实体的相关信息进行详细的描述。

22聚类的概念

聚类是利用一定的方法将数据集合划分成簇中各成员间相似度较高但簇与簇间各不相同的多个簇的过程。聚类的结果往往随着所使用的聚类方法的改变而改变，使用不同的聚类方法对相同的数据集进行聚类，产生的最终结果也可能不同。划分的过程不是通过人，而是通过聚类算法进行的。

23协同过滤推荐

协同过滤推荐（Collaborative Filtering Recommendation，CFR）是根据用户的兴趣偏好及相关信息找到与用户相似的群体，将该群体感兴趣的内容作为待推荐的内容推荐给用户。协同过滤推荐不需要用户显式查找自己感兴趣的内容或项目，而是根据已有用户对项目的评分来预测计算该用户的评分，进而根据评分高低对用户进行推荐，因此该方法在许多领域得到广泛的应用。

3传统协同过滤推荐算法

协同过滤推荐的原理是根据用户的兴趣偏好及相关信息找到与用户相似的群体，将该群体感兴趣的内容作为待推荐的内容推荐给用户。其中，基于记忆的协同过滤在实际运用中运用范围较广，它又可以根据被计算相似度的对象的不同分为用户和项目两种类型[4]。

31基于用户的协同过滤

基于用户的协同过滤（User-based CF）推荐算法首先是查找与目标用户相似的群体（即目标用户的最近邻），这一过程通常通过利用系统中已有“用户-项目”评分矩阵中的评分数据来计算用户与用户之间的相似度来完成；然后根据生成的最近邻集合中的用户对项目的评分数据，利用评分预测计算公式来计算得到目标用户对某一项目的预测评分；最后根据预测结果对目标用户进行推荐。整个推荐过程大致可分为目标用户最近邻查找和目标用户对项目的评分预测。余弦相似性、修正的余弦相似性、Tanimoto系数，Pearson相关系数[5]等是在计算相关系数时较常使用的方法。

User-based协同过滤推荐算法在计算用户间的相似度时多是采用Pearson相关系数的计算方法，根据已有用户对项目的评分矩阵进行计算。计算用户u与u′间的相似度，计算公式如下：

sim（u，u′）=∑s∈I（u，u′）（r（u，s）-（u））（r（u′，s）-（u′））∑s∈I（u，u′）（r（u，s）-（u））2（r（u′，s）-（u′））2

其中，r（u，s）代表用户u对项目s的评分，r（u′，s）代表用户u′对项目s的评分；（u）代表用户u对所有项目评分的平均分，（u′）代表用户u′对所有项目评分的平均分；I（u，u′）代表用户u与用户u′都有评分的项目的集合。

通过计算目标用户与非目标用户间的相似度找到与目标用户相似的用户群体，将该群体的集合作为目标用户的最近邻集合D。生成最近邻集合后，将最近邻集合中用户对项目的评分数据代入评分预测公式来对目标用户进行偏好预测。预测目标用户u对某一项目s′的评分时可采用如下公式[6]：

P（u，s′）=∑u′∈D[sim（u，u′）R（u′，s′）]∑u′∈Dsim（u，u′）

其中R（u′，s′）代表用户u的最近邻集合中的用户对项目s′的评分，sim（u，u′）代表用户u与u′的相似度，D为用户u的最近邻集合。

以上公式计算出来的预测结果将作为对目标用户进行推荐的依据。

32基于项目的协同过滤

基于项目的协同过滤（Item-based CF）推荐算法首先是找到与项目相似的项目群，这一过程通常通过利用已有用户对项目的评分数据计算项目与项目之间的相关系数来完成；项目相似群生成后，根据用户对群体中各项目的已有评分数据来计算用户对某一项目的预测评分；最后根据评分计算结果对用户产生相关推荐。计算项目t与t′间的相似度，计算公式如下：

sim（t，t′）=∑u∈u（t，t′）（r（u，t）-（t））（r（u，t′）-（t′））∑u∈u（t，t′）（r（u，t）-（t））2（r（u，t′）-（t′））2

其中，r（u，t）代表用户u对项目t的评分，r（u，t′）代表用户u对项目t′的评分；（t）代表所有用户对项目t评分的平均分，（t′）代表所有用户对项目t′评分的平均分；u（t，t′）代表对项目t与t′都有评分的用户的集合。

根据项目间相关系数的计算生成项目的最近邻集合I，之后根据生成的相似的项目群体来预测用户对项目的评分。如计算用户a对项目i的预测评分，计算公式如下[7]：

P（a，i）=（i）+∑j∈I（i，j）sim（i，j）（r（a，j）-（j））∑j∈I（i，j）sim（i，j）

其中，（i）代表所有用户对项目i评分的平均分，（j）代表所有用户对项目j评分的平均分；sim（i，j）代表项目i与项目j间的相似度；I（i，j）代表项目i的最近邻集合。

计算出预测评分后依据预测结果对用户进行推荐。

然而，对于新用户和评分数据较少的用户，利用传统的协同过滤推荐算法很难对其进行准确的推荐。本文在对传统推荐算法研究的基础上，将相似传播的思想和用户的情景与协同过滤推荐相结合，提出了一种基于相似传播和情景聚类的协同过滤推荐算法，对传统的推荐算法进行改进以解决冷启动及数据稀疏等问题。由于在个性化推荐的过程中充分考虑用户的情景，使得推荐结果更能满足用户个性化的需求，准确率也相对较高。

4基于相似传播和情景聚类的协同过滤推荐算法

41算法思路

基于聚类的协同过滤推荐算法是根据一定的聚类算法利用已有的“用户-项目”评分矩阵将用户分成多个不同的簇，通过计算用户与各簇的距离来找到与目标用户距离最小的簇作为目标用户的相似用户群体，最后将目标用户相似群体中的用户对某一项目的加权平均分作为目标用户对该项目的评分，以此方式来预测目标用户对项目的偏好程度，然后对用户进行推荐。

然而对于新用户，由于缺少相关信息，在查找用户最近邻时可能会出现很大的误差，最终影响推荐的准确性。情景能很好地描述用户的特征，对个性化推荐有着至关重要的影响。

本文将用户的情景因素引入到个性化推荐中，充分考虑情景对推荐效果的影响，对原有的基于聚类的协同过滤推荐算法在相似度计算公式和用户评分预测公式进行改进，提出了一种基于相似传播和情景聚类的协同过滤推荐算法。该算法根据用户的情景对用户进行聚类，同时引入相似度传播的思想，能够很好地缓解以前算法存在的数据稀疏性问题。

相似传播，就是根据每个用户或项目的最近邻找出最近邻的最近邻，这样能寻找出与目标用户相似的更多的邻居，提高推荐结果的准确性。例如，若用户u的最近邻为u1，而u1的最近邻为u、u2和u3，则在预测用户u对某一项目的评分时，可以根据一定的算法利用用户u1、u2和u3的评分预测用户u的评分，最终进行推荐。

在推荐系统中利用情景对推荐信息进行过滤的时间并非是固定的，根据利用情景的先后，可将情景感知推荐系统分为情景预过滤、后过滤与建模3种不同的形式[8]。情景预过滤是在推荐过程中首先根据用户的情景剔除部分不匹配数据，生成与用户情景相关的评分数据集，之后根据推荐算法对数据集进行用户评分预测，最终将与用户情景匹配的结果推荐给用户。本文所提算法工作流程图如图1所示：

42算法

本文所提算法大致可分为以下3个步骤：

421聚类

本文根据用户情景的不同将用户进行聚类。首先确定出k个聚类中心，然后计算不同情景间的相似度，依此将用户分成k个簇，使得每个簇中的用户有相似的情景。由于情景的属性是混合型的，在计算情景间相似度前需对用户的情景进行抽象描述。本文通过采用余弦相似性计算用户情景的相似性对用户进行聚类。将用户的情景定义为C，计算情景C1与情景C2间的相似性的计算方式如下：

sim（C1，C2）=C1・C2C1C2

通过计算情景间的相似性，将情景相似度高的用户聚类在一起，生成情景最近邻集合M。

422最近邻集合的生成

计算目标用户到通过情景聚类得到的各簇之间的距离，找到与目标用户距离最近的簇，并计算目标用户与簇中各用户间的相似度。本文在传统的计算用户相似度的基础上引入用户的情景因素，对传统的相似度计算方法进行改进，提出了基于情景的用户相似度的计算，如计算目标用户u与用户u′间的相似度，计算方法如下：

sim（u，u′）=∑j∈I（u，u′，c）（r（u，c，j）-（u，c））（r（u′，c，j）-（u′，c））∑j∈I（u，u′，c）（r（u，c，j）-（u，c））2（r（u′，c，j）-（u′，c））2

其中，r（u，c，j）代表用户u在情景c下对项目j的评分，r（u′，c，j）代表用户u′在情景c下对项目j的评分；（u，c）代表用户u在情景c下对所有项目评分的平均分，（u′，c）代表用户u′在情景c下对所有项目评分的平均分；I（u，u′，c）代表用户u与用户u′在情景c下有共同评分的项目的集合。

根据以上公式计算出目标用户与簇中各用户的相关系数，将与目标用户相似度较高的用户放入同一集合中，生成目标用户的最近邻集合N。

在计算项目与项目间的相似度时，本文在基于项目的协同过滤经典算法Slope One算法[9]中引入用户的情景，形成“用户-情景-项目”模型，在计算项目间相似度时将情景因素对用户对项目评分的影响考虑在内，提出基于情景的项目相似度计算方法，计算项目t与项目t′的相似度的计算方法如下：

sim（t，t′）=1-∑u∈U（c，t，t′）[r（u，c，t）-r（u，c，t′）]U（c，t，t′）Pm

其中r（u，c，t）代表用户u在情景c下对项目t的评分，r（u，c，t′）代表用户u在情景c下对项目t′的评分；U（c，t，t′）代表在情景c下对项目t与t′均有评分的用户数，U（c，t，t′）代表在情景c下对项目t与项目t′均有评分的用户的集合，Pm表示满分评分。

通过计算项目间的相关性生成项目的相似项目群作为项目的最近邻集合A。

423推荐的生成

假设用户u的用户最近邻集合表示为N，情景c的情景最近邻集合表示为M，项目t的项目最近邻集合表示为A，则用户u在情景c下对项目t的预测评分Gu，c，t可通过目标用户u的用户最近邻集合N中的用户在情景c下对项目t的评分，目标用户u在情景c的情景最近邻集合M下对项目t的评分，以及目标用户u在情景c下对项目t的项目最近邻集合A中项目的评分求得。用户u在情景c下对项目t的预测评分计算方法如下：

Gu，c，t=13k1∑u′∈Nsim（u，u′）[R（u′，c，t）-（u′，c）]+（u，c）+k2∑c′∈Msim（c，c′）[R（u，c′，t）-（c′，t）]+12[（c，t）+（u，c）]+k3∑t′∈Asim（t，t′）[R（u，c，t′）-（c，t′）]+（c，t）

其中k1=1∑u′∈Nsim（u，u′），k2=1∑c′∈Msim（c，c′），k3=1∑t′∈Asim（t，t′）。R（u′，c，t）代表用户u′在情景c下对项目t的评分，R（u，c′，t）代表用户u在情景c′下对t的评分，R（u，c，t′）代表用户u在情景c下对项目t′的评分；（u′，c）代表用户u′在情景c下对所有项目评分的平均分，（c′，t）代表所有用户在情景c′下对项目t评分的平均分，（c，t′）代表所有用户在情景c下对项目t′评分的平均分；（u，c）代表用户u在情景c下对所有项目评分的平均分，（c，t）代表所有用户在情景c下对项目t的评分的平均分。

43实验和结论

为了验证本算法的有效性，笔者利用Matlab进行了验证。本文用来验证的数据集来自Grouplens提供的公开数据集，该数据集中包含了用户的情景信息、用户对电影的评分（1～5分之间）。笔者通过对公开数据集中数据的处理，从原始数据集中选出评分较多的用户，其中包括1 000名用户在不同情景下对3 000部电影做出的160 000条评分作为验证数据，其中用来训练的数据占70%，用来测试的数据占30%，实验对预测分数达45分以上的电影向用户做推荐。

在仿真过程中，通过计算不同算法（含本文算法与传统算法）间的平均绝对误差（MAE，Mean Absolute Error）来加以证明本文算法的有效性。设预测评分集合为P={p1，p2，p3，…，pi，…，pn}，实际评分集合为Q={q1，q2，q3，…，qi，qn}，则平均绝对误差的计算公式如下：

MAE=∑ni=1pi-qin

所得结果如图2所示。由图中可看出在最近邻数目相同时，本文算法的MAE值明显小于Slope One算法和传统的协同过滤推荐算法，本文所提算法推荐的准确率与以上两种算法相比相对较高。

5结语

本文在对用户进行推荐时充分考虑用户的情景因素对推荐结果的影响，根据情景间的差异将用户进行聚类，且在计算用户和项目相似度以及用户对项目的预测评分时也将情景的影响考虑在内，最终实现对用户的项目推荐，仿真实验证明了本文所提算法是有效且可行的。由于在推荐过程中不仅考虑用户的情景因素对用户偏好的影响，同时引入相似传播的思想使得目标用户能找到更多的邻居，这样很好地缓解了传统算法中一直存在的冷启动问题，而且进一步提高了推荐算法的准确率。但由于在根据用户情景对用户进行聚类时需反复迭代，计算所花时间较长，造成整个推荐过程所花时间相对较长，因此未来的研究希望能图2不同算法的MAE值比较

在提高推荐效率上有所突破。

参考文献

[1]冯鹏程.基于情境感知的个性化推荐算法的研究[D].上海：东华大学，2014.

[2]邓晓懿，金淳，韩庆平，等.基于情境聚类和用户评级的协同过滤推荐模型[J].系统工程理论与实践，2013，（11）：2945-2953.

[3]詹丽华，李育嫦，潘瑞冰.基于情景感知的移动搜索的演变和实现[J].图书馆理论与实践，2015，（11）：102-105.

[4]奉国和，梁晓婷.协同过滤推荐研究综述[J].图书情报工作，2011，16：126-130.

[5]邱均平，张聪.高校图书馆馆藏资源协同推荐系统研究[J].图书情报工作，2013，22：132-137.

[6]罗文.协同过滤推荐算法综述[J].科技传播，2015，（7）：115，196.

[7]董坤.基于协同过滤算法的高校图书馆图书推荐系统研究[J].现代图书情报技术，2011，（11）：44-47.

网络舆情法律范文第2篇

网络媒介是一种巨大的电子信息媒介，要想实现对网络的整体管制是比较困难的，因此政府部门应该加大对突发事件网络舆情的监管力度，对网络舆情实行行政监管。新时代，网络环境日趋国际化，各国对于网络舆情的管理方式不尽相同。我国对于网络舆情的管理理念是多管齐下，各项工作同时展开，从上到下建立健全网络舆情管理体制，每个部门做好本职工作，并将突发事件网络舆情的管理法治化，在解决突发事件的过程中，对于严重损害网络信息管理的个人或行为，可以采取法律的手段来进行制止。另外，国家广电总局对于网络资源的控制上，是通过层层筛选、层层把关，尽最大努力净化网络环境，对各项网络信息进行细心审查，避免造成网络舆论信息混乱。

2强化互联网行业和相关媒体的自我约束意识

网络媒介作为互联网行业的一个分支，要想真正地管理好网络舆情，只靠国家相关部门的约束和管理是远远不够的，还需要从事这一行业的相关媒体的共同努力，确保自身的行为符合国家相关法律法规。对于处于互联网行业中的各公司、各媒体，应该成立各自的行业监管协会，对于违规行为，应该及时制止并督促其改正，对于行为比较恶劣的，可以采用法律的手段进行制裁。众人拾柴火焰高，只有行业中的每一成员严格做好自己分内的事，加强对网络资源的审查，这样在面临突发事件时，才可以有效地避免网络舆情乱象的发生，使得网络环境得到平稳、和谐的发展。

3加强突发事件网络舆情管理能力

尽管国家一直在完善突发事件网络舆情的管理，但还会有一些网络舆情失控的现象发生，在面临这些问题时，相关部门应该就具体情况具体分析，及时找出事情发生的原因，这就需要相关部门在日常的训练中，加强对于突发事件网络舆情的管理能力。在行业内部，应该加强网络管理工作者的综合能力，定期组织他们进行学习培训，明确突发事件网络舆情应对的基本理念和思想，开展突发事件网络舆情的研究工作，定期组织相关工作人员进行实情演练，提高他们应对突发事件网络舆情的处理能力，避免在发生突发事件时束手无策。坚实的突发事件网络舆情管理工作者是净化网络环境的基本保障，因此加强突发事件网络舆情管理能力是十分重要的。

4结语

网络舆情法律范文第3篇

关键词：网络舆情；应对策略；探讨

网络舆情就是现阶段的网络传播中，媒体大众和民众网友通过各种网络渠道对当下社会热点话题和公众关注的事件进行谈论、评论、发表观点和看法的一种现象。网络舆情是社会舆论的一种表现形式，随着网络的普及和广泛应用，越来越成为民众表达意见、发表不满、传递情感的一种主要方式。因此，网络舆情的引导和控制是确保社会稳定和民众心态阳光、健康的一种必要策略和手段。应对网络舆情应该从根源上严格筛选信息的健康程度和可传播性，对于已经造成一定影响的网络舆情要通过相应的方式应对、控制。

一、目前我国网络舆情现状与载体

网络舆情的社会影响力主要受到网民数量、参与人数等因素的影响。截止到2016年的统计数据，在我国，上网网民的总数已经达到了7.1亿，手机网民总数已经高达6.56亿。这在我国15岁到60岁的成年人9.4亿的人口比重中，网民数量的比例高达76%。由此可见我国网络信息化的发展程度和广泛程度。通过网络、手机网络S时随地的观看消息、关注社会热点、发表言论、已经成为成年人生活的重要组成部分。比较知名的新浪博客、百度贴吧、各大论坛等都在极力助推网络评论版块的发展，各种软件的手机客户端和微信、QQ也成为传播舆论的主要途径。

二、网络舆情的分类和营销

（一）社会事件和公众现象导致的网络舆情

网络舆情虽然是在网络上传播的一种言论，但是所谈论的话题往往是当下社会的热点话题和流行趋势。网络舆论是有针对性的针对某一社会状况和民众事件引发的大规模的谈论和思想导向。就目前网络舆情的统计分析，我国民众普遍关注的社会热点话题有社会养老、薪酬保障、公共医疗等。的网络舆情主要也是反应了民众切身利益的问题和有关政策策略。

（二）小道消息及虚假消息导致的负面舆情

由于社会舆情能够造成很大的社会反应和民众聚集度，有些社会事件造成的大规模网络舆情产生了一定的经济效益。有些不法分子就利用网络舆情造成的大规模的社会言论从中谋取不法利润。他们借助我国现阶段网络管理制度的不完善现状，钻空子、走偏锋，故意、蓄意捏造虚假消息和负面报道，有些甚至存在欺诈、勒索等犯罪事实，造成民众大规模的社会反响和反对浪潮。使网络环境形成了非常不健康、不文明的状态。

（三）真人真事与社会道德弘扬的正面舆情

除了负面、恶劣的网络舆情，还存在很多正面、积极的网络舆情。网络虽然更大比例是宣泄、、抒发不满、宣泄情绪的地方。但同时也是弘扬正能量、倡导社会善举的优良土壤。近年来，很多社会上的好人好事，乐于救人、见义勇为、绿色通道等好人好事也大量在网络中转帖、流传，大量的正面舆情不断跟帖、跟赞。网络舆情同时也宣传了很多正义、善良的新闻事件，在社会中也形成了效仿和认可的局面。

三、针对网络舆情应对的策略

（一）构筑大数据网络

要想更全面、更系统的控制网络舆情，就需要构筑大数据网络平台。目前我国网络舆情是把整个网络体系分散成一个一个的单元进行监管和控制，单元型的网络舆情监控在可控范围内能够发挥其实时控制的作用，但是由于单元型的网络监管只是局部的管控，单元和单元之间也存在一定程度的“空隙”，在“各自为政”的单元区域网络监控的状态下，很多边缘性网络舆论言论就容易蔓延、滋生。全局性的网络监控就越来越凸显出不健全和不到位，单元型的网络控制互相之间的沟通、协调大都不到位。而且各个信息系统的信息化档次和操作人员水平也参差不齐，构成了信息互联的巨大阻碍。因此，构筑大数据网络成为了必然要求。只有把单元区域的网络监管统一起来，才能够从全局上把握和掌控舆论的正面性和阳光性。有了大数据的互联互通，才能够实现数据库的完整共享并实现实时数据沟通。

（二）构建专业舆情应对体系

构建网络舆情应对体系首先应该升级网络舆情监测系统。不良社会效应的网络舆情很多都是从源头开始没有监管到位。由于网络大数据的信息量和数据量不断增长，信息传递的方式方法又呈现多样化、偏门化趋势，这样给舆情监管带来非常大的工作困难。怎样通过舆情监管把舆情信息有效、正确的筛选是初步选择。一般来说，目前我国舆情监管系统存在筛选不到位，新型信息数据录入不到位，信息抓取有疏漏，人工化、原始化严重，智能化水平不高等状况。但是面对一日万里的信息大爆发，现阶段的舆情监控水平完全不能跟上信息发展的速度。所以造成了很多负面舆情、不利言论在形成一定规模之后才大量进行删减、屏蔽。这样的舆情效率工作低下，不利于后期舆情应对和妥善处理。

（三）完善网络舆情法律法规，落实新闻发言人体制

要想强化网络舆情应对体系，还要落实新闻发言人体制。只有落实了网络舆情传播的首问责任，追究到源头，实名认证，有据可查，可以追朔源头，依靠法律法规的健全和完善，对蓄意传播具有恶劣影响的网络言论的不法人士依法惩罚。能够从源头就对新闻和言论的人产生一定的威慑力和约束力，每个网络言论传播人员对所传播的内容负责，从而实现舆情言论的良好控制。

四、结论

综上所述，网络舆情是随着网络信息的飞速发展和信息传递的高速运行而产生的一种新型的社会舆论问题，它是通过虚拟平台传递现实状况的一种体现。政府各个部门应该高度重视，从设备上、人员上和法律制度上不断的完善和健全网络舆情监管力度，从而实现网络舆情的正确应对。

参考文献：

[1]崔智慧.新媒体时代网络舆情的分析及引导策略[J]，青年记者（中旬刊），2015，02（02）：70-71.

网络舆情法律范文第4篇

一、 工作职责

（一）做好网上政务公开工作。定期不定期在网上工商职能范围内的政务信息。工商部门出台的各项规划、各种规章制度和推进的各项重大建设，凡能公开的，都应在网上及时公开，让网民提出意见和建议，接受监督。

（二）在线受理、答复和处理网民反映事项。积极登录相关网站互动式栏目，及时受理、答复和处理网民涉及工商职能范围内工作的投诉、意见和建议，做到“反映即受理，受理即处理”。

（三）组织开展网上宣传引导活动。结合工商部门工作实际，追踪、研判热点难点问题，组织网上宣传，对网上影响较大、议论较多的舆情发表权威言论，掌握网上舆论主导权和话语权。对重大突发事件所引起的网上舆情及严重影响社会政治稳定的重要舆情，应按照市政府的有关要求，遵循分级处置、属地管理、分工负责、快速反应原则，积极监控、研判，并加强信息和舆论引导。

（四）加强和完善版块管理。组织网络评论员对工商部门负责的版块进行动态管理，包括编辑精华区、活跃版面、依据《互联网电子公告服务管理规定》审帖、删除违规帖子等。

二、工作分工

根据网络发言人工作团队特点，设立网络发言人、网络主持人、网络主持人辅助人员（舆情监测员）、网络评论员岗位：

（一）网络发言人：负责对开展网络宣传策划，网络信息，用发帖、跟帖等形式回复网络舆论，进行网络舆情引导等工作的统一组织领导协调。

（二）网络主持人：协助网络发言人工作，具体组织实施有针对性地开展网络宣传策划、网络舆情答复、引导等工作。

（三）网络主持人辅助人员（舆情监测员）：密切监控网络舆情，提供舆情资讯，发现涉及我市工商部门的网络舆情信息及时向网络主持人报告；以网络发言人身份将经审定的答复意见在相应互动式栏目进行正面回复。

（四）网络评论员：根据网络发言人的统一指挥，主动介入有关网站的交互式栏目（论坛、贴吧、说吧、留言板等），在网上就关注的涉及我市工商部门的热点问题、难点问题参与评论，主动导贴、积极跟帖，及时引导网上舆论，维护工商部门的正面形象，最大程度上消除各种负面影响。

（五）业务法律顾问：对网络涉及工商部门业务事项接受法律咨询，对有关回复内容进行审核把关，对热点问题、难点问题提供相关法律意见。

三、工作流程

（一）搜集。舆情监测员原则上要保持相关热点论坛在线状态，发现涉及我市工商部门的网络舆情信息及时向网络主持人报告。

（二）受理。网络主持人对涉及工商部门职责范围内的网民投诉、意见和建议，要尽快做出初步回应（一般不应超过网民发帖_小时），及时组织网络评论员以网民身份进行舆论引导（对需以市工商局网络发言人身份正面回应的事项继续按以下流程进行）。有关涉法、涉诉等不宜公开的网民反映事项，按有关规定处理。

（三）办理。受理网民反映事项后，办公室要及时登记并核实其内容的真实性，根据业务职能通过oa系统转业务科室研究处置措施和答复口径。

（四）答复。办公室将业务科室经oa发文流程审定的答复意见，由舆情监测员以网络发言人身份在相应互动式栏目答复。答复的时限为网民反映事项后_个工作日内（节假日顺延），确需延长办理时间的不得超过__个工作日。同时积极利用工商红盾信息网站及其他网站同时答复。

（五）处理和再答复。在做出答复的同时或答复后，相关业务科室应认真组织力量处理网民反映事项。对于确需更长时间或需多部门联合处置的网民反映事项，要会同办公室以网络发言人身份动态跟帖通报处理的进展和结果，对网民质疑要再回应，还要尽可能同时在新闻媒体上公布有关情况。

四、指导、监督

网络舆情法律范文第5篇

今年，在县委、县政府的正确领导下，在县互联网中心的指导下，我办高度重视网络舆情工作，本着全面、及时、准确、实效的原则，切实做好舆情处置工作，现将具体工作情况汇报如下：

一、领导高度重视，本办全员参与网络舆情工作

年初，《关于印发**县2017年度网络舆情宣传管理工作考核办法的通知》*委办[2018]29号文件精神，成立网络舆情宣传工作领导组，由县委办副主任、县委台办主任贾伯根任组长，县委台办主任袁副组长，徐向东为本办网络发言人，本办其他人员任组员。七月，由于负责人职务变动，按照要求，本办及时调整网络舆情工作领导小组名单，组长改由孙中主任担任。本办已为网络发言人配备了计算机、打印机、复印机、电话等办公设备。

二、注重实效，扎实有效开展网络舆情处置工作

本办网络发言人按要求工作日上网签到，遇特殊情况及时向主管部门报告，保证每月签到22次以上。通讯工作保持24小时畅通。每天按要求浏览“海田漫思”、“海田网事”、“海田网”等范围内有影响的网站，关注与本办、本县有关的帖子，确保第一时间发现舆情，将矛盾消除在萌芽时期。认真做好交办的发帖、跟帖等交办工作。

三、强化职责，及时高效做好舆情网络宣传工作

本办网络发言人按要求每天浏览，并每月转发500条以上微博信息，较好地宣传。本办利用网络信息量大、传播速度快的特点，做好台办宣传工作，全年在网事网站发表宣传帖子30余篇，并按要求完成上级交办的跟帖、回帖工作。

四、积极处置，妥善完成好网络舆情专项工作

本办积极处置《舆情专报》、《舆情交办》等事项，消除网上不良影响。积极响应网络宣传交办工作，妥善处置重大舆情，注意扩大本办的知名度和巧妙化解危机。

五、严格要求，认真做好网络舆情归档工作

根据领导的要求，认真好履行本办的工作职责，搞好网络舆情工作。每天安排好网络回帖人员，负责对涉及本县的相关舆情进行收集，并在发现舆情时及时上报分管领导，对于网络重大事件实行专职人员上网浏览、发帖、跟帖、回复及网络信息宣传等情况的记录，认真做好网络舆情处置和网络宣传等方面的资料归档工作。

六、2014年工作打算

1、加强与兄弟单位的学习合作，加强舆情信息的沟通与交流。加强与兄弟单位间的舆情信息的沟通与交流，能够高效的处置网络舆情事件。