网络舆情传播研究

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篇网络舆情传播研究范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

网络舆情传播研究范文第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.

网络舆情传播研究范文第2篇

[关键词]网络舆情；治理；政府；商业化；网媒；演化博弈；前景理论；政媒合作

DOI：10.3969/j.issn.1008―0821.2017.06.001

[中图分类号]G206.2 [文献标识码]A [文章编号]1008―0821（2017）06―0003―06

网络舆情的自由发展容易演化升级并蔓延到现实生活，影响社会稳定并损害政府形象和公信力。已有研究表明，网络舆情的治理仅靠政府的力量是不够的，在网络舆情危机事件中，危机的发生、发展、冲突到解决的过程，网媒的舆论导向作用不可小觑。因此，政府需要协同网媒等多元治理主体，充分发挥网媒对舆情引导的主体作用，运用媒体的资源，快速并有效地传播信息、引导舆论及公众的态度。中国社会化商业资讯（CIC）从企业商业运营的角度，将社会化媒体概括为论坛社区、微博、社交网站等，事实上以门户网站、微博为代表的网络新媒体已经成为危机事件、舆论的主要来源地，网媒以其技术特性，使信息传播产生难以估量的“蝴蝶效应”。商业化性质的网媒由于其自身的局限性，面临追逐经济利益和履行社会责任的矛盾，为了吸纳人气、提高点击率与影响力，获取经济利益，以消息人士的口吻传播不确定的信息，或者以虚假新闻作为噱头，迎合受众的低级趣味，散播暴力、媚俗信息。

为了研究网络舆情相关主体问的利益冲突，已有学者将博弈论融入到网络舆情的研究中，以相关主体在利益驱使下的行为选择为对象，研究舆情产生与发展原因，具有较高的理论意义和现实参考价值。吴峰从博弈视角对重大突发事件的舆论博弈机制进行研究，认为突发事件舆论走向是多方力量博弈的结果，包括传统媒体内部的博弈、新媒体内部的博弈、传统媒体和新媒体舆论之间的博弈及国内媒体与国外媒体间的博弈。宋余超等在τ咔橹魈饫啾鸹分的基础上，进行舆情主题与不同的参与主体组合的匹配，然后构建对应的三方博弈模型，运用演化博弈的思想求解不同情境下各个参与主体的演化稳定策略。刘人境等将地方政府部门与弱势群体的策略互动和行为演化融入到传染病传播模型中，用于模拟舆论的扩散和收敛过程。周飞从网络舆情参与方的角度出发，根据最大化自身利益为目的做出策略选择，建立网民、政府及网媒博弈场，对政府的决策提出建议。赵静娴利用演化博弈方法建立伪舆情三方演化博弈模型，分析了治理网络伪舆情中各要素间的博弈关系。刘锦德以演化博弈为基础，建立对称博弈矩阵，引入个体的记忆长度，根据设定的交互规则更新观点，表明网络舆情传播中存在羊群效应，并且受多种因素的影响。针对网络舆情危机的处理，宋彪针对网络舆情在产生和发展过程中所呈现的群体性特点，应用群体动力学和演化博弈论的方法，构建网络舆情疏导模型，并指出一些新闻媒体在网络上新闻，标新立异夸大事实必须落实到政府的日常管理。

上述研究成果对网络舆情的监管和治理提供了丰富的理论基础，但是并没有充分考量以门户网站（新浪、今日头条）、微博等商业化网媒作为盈利主体的性质及其影响力，对政府充分发挥网媒对舆情引导的主体作用的研究有所不足。大量的应急处置实践证明，政府与网络媒体的关系既有管理成分又有博弈成分，这种关系在两者之间造成了一定的互耗，影响了对的处置。因此，本文在此基础上，研究两者的立场和地位演变，探讨建立政府与网络媒体的积极合作关系，以实现对网络舆情的有效治理。结合前景理论，建立博弈支付的前景价值矩阵，分析在决策者不完全理性的条件下，商业化的网媒在面对网络舆情时的策略选择，分析商业化网媒以负责任态度进行传播的约束条件，并进一步考虑政府和网媒之间利益相关性，探究政媒合作制度对网媒行为的影响。

1政府和网媒行为的演化博弈

1.1模型假设与构建

网络舆情是突发事件的衍生产物之一，网络舆情的传播反过来又会加大原生事件的应急处置难度。网媒作为观点、舆论交流传播的平台提供方，对网络舆情的监管具有不可推卸的责任和义务。因此，本文研究的重点是政府的舆情监管部门和以微博、论坛等为代表的商业化运作网媒之间策略选择的博弈，下文简称政府和网媒。

已有研究表明，突发事件容易引发网络世界的大范围讨论，从博弈的角度，网民的策略选择是（参与、不参与），事实上，商业性质网媒从盈利的角度，更希望有大量网民能参与到话题讨论，网民的不完全理性、跟风的特征、隐性矛盾的集中爆发使得虚假言论更容易传播，而商业性质网媒以不负责任态度进行传播时，往往更容易造成“轰动效应”。因此，出于本文研究侧重点的考虑，不再将网民假设为博弈主体。

假设1：博弈主体为政府和网媒，均为不完全理性，因此博弈主体对策略的选择主要基于自身对策略支付值的心理预期，并非策略本身的直接损益。Kahneman和Tversky于20世纪70年代提出的前景理论，是心理学方面对期望效用理论的改进，认为人们对价值的感知并非价值本身，而是较之某一参照点的相对值，本文以此来衡量博弈主体的损益，将政府和网媒双方对博弈支付值的心理感受定为前景价值V，由价值函数.f（x）和权重函数x（p）组成：

假设2：网络舆情随着事件不路⒔停影响扩大，网媒获得人气提升带来的效益，出于经济利益的考量，网媒不以负责任的态度进行引导，并且在一知半解的情况，为追求优先报道，以消息人士等口吻片面化的言论，放任平台内极端、片面、虚假言论肆意传播。若网媒选择以负责任的态度积极应对，及时监测舆情的发展情况，对片面极端、虚假言论进行有效的管控，联系相关主体辟谣，制定相应策略，则需要付出人气流失、网民关注度降低等损失。网络舆情的演化结果会直接影响社会福利进而影响政府收益，网媒的议题设置对网络舆情的演化具有重大影响，从政府和网媒博弈的角度，政府有两种策略选择，即对网媒进行积极管控或消极管控，所以政府的策略集合为{积极管控A1，消极管控A2}；网媒也有两种策略选择：{负责B1，不负责B2}。

假设3：网络舆情的演化可能会加大原生事件的应急处置难度，产生一系列衍生事件，不利于社会稳定，网络舆情失控致危机事件发生，博弈双方均将承担其策略选择所造成的风险损失，假定博弈双方分别需要承担的责任成本线性相关，如果网络舆情失控事件发生后的政府需要承担的责任成本为G，则网络媒体需要承担的责任成本为δG，其中δ为责任成本的传递系数。

假设4：博弈双方的策略选择具有协同效应，当政府采取策略A1，网媒采取策略B1，网络舆情失控从而导致网络舆情危机发生的概率较小，本文假设此情景下，网络舆情演化升级引发危机事件的概率为零；当且仅有一方采积极策略时，即策略组合为{A1，B2}或{A2，B1}，网络舆情失控发生的概率会增大，当策略组合为{A2，B2}，网络舆情失控并导致网络舆情危机事件发生的概率最大。

假设5：模型中，政府消极态度无论是否导致网络舆情的失控，都会引起社会福利的下降，且成本G已设定为可变函数，故将政府G2假设为常数，且C1》C2。

根据上述假设，构建不完全信息下网络舆情危机防治过程中政府和网媒之间策略选择的博弈模型，关于模型的参数设置，如表1所示：

通过模型参数及博弈策略组合确认政府和网媒之间博弈支付的感知价值，如表2所示：

1.3模型的指导意义

第一，在同时满足式（10）所述的条件时，网络舆情危机发生的概率最低：网媒负责任时付出的成本不能大于被政府处罚风险的感知价值及政府积极管控的情景下的网络舆情危机事件发生后风险传递成本之和，且不能大于策略组合为{A1，B1}，为网媒带来的传递的外部性安全效益的感知r值；政府积极管控时付出的成本的感知价值，不能大于惩处网媒获得收入的感知价值、消极管控付出的成本的感知价值与实施积极管控带来的安全效益的感知价值之和，且不能大于消极管控成本的感知价值与在网媒积极管理时可能发生网络舆情危机事件的风险感知价值之和。

第二，根据前景理论可知，不完全理性的决策者在进行风险决策时，往往并不是依据期望效用理论进行判断，往往是获得收益时倾向于风险厌恶，面对损失时却倾向于是风险偏好。网媒采取负责任策略时需要付出确定性费用及点击量下降导致的净损失B，而选择不负责任的策略时，有一定的概率付出惩罚损失D和舆情危机传递损失犯。此时，网媒的风险偏好使其不愿意承担确定性成本，愿意承担风险选择不负责策略；而政府同样受到风险偏好影响，不愿意承担确定性的成本，尽量减少积极管控所需支付的成本。

第三，博弈主体的风险偏好会妨碍系统模型正常的稳定性演化，致使网络舆情演化失控导致危机发生，其原因可能是网络空间的虚拟性，导致π（p）和G被低估，即危机发生的概率及其影响被低估，且网络舆情治理的实际操作与理论、法规的（脱节），以及博弈主体对既得利益的偏好，积极管控、负责需付出成本的前景价值（C1，B）被高估.问责机制的失范导致政府消极管控成本C2的前景价值被低估。

本文尝试引入与网媒具有责任感时付出的成本B、网络舆情危机风险成本G等相关的变量，政媒合作为网媒带来的收益H，分析网媒在政媒合作条件下的价值感受及收益H对网媒行为的影响，进一步解释网媒责任感缺失的原因，研究政府激励网媒发挥主动性的管控模式。

2政媒合作制度对网媒行为的影响

2.1政媒合作制度对网媒行为的影响模型

网络舆情的治理可以借鉴“公共服务多元化”的理论精髓，充分发挥网媒对网络舆情引导的主体作用。

假定6：网媒作为不负责传播者时，可以获得人气提升带来收益r，网络舆情的影响面越大，网媒的收益r越高，若网络舆情演化失控导致危机发生则政府的善后成本c12越大，所假定G是r的单调函数，即G=ψ（r），说明政府有意愿开展政媒合作共同治理网络舆情。

3结语

本文运用演化博弈论对网络舆情中的政府和网媒行为进行博弈分析，考虑到博弈主体不完全理性对风险偏好的影响，引入前景理论构建博弈的感知价值矩阵，更能切实反映在面对网络舆情时，政府与网媒之间的博弈情境。

网络舆情传播研究范文第3篇

【关键词】涉警网络舆情；媒体影响；应对策略

一、前言

网络舆情是指通过网络传播的消息影响了社会群众的认知与情感的过程。涉警网络舆情对公安机关的工作能力以及队伍形象产生了一定的影响，在网络技术发达的当下，利用涉警网络舆情进行非法交易与传播的事件逐渐增多，对公安形象以及工作造成了不利影响。因此，只有重视涉警网络舆情的媒体应对策略，才能营造良好的网络环境，更好的维护社会的安定与团结。

二、涉警网络舆情的媒体影响分析

（一）积极影响。随着信息技术的不断创新和发展，信息传播的渠道和方式也在不断的优化中，利用网络技术，能够使得信息处理更加公开和透明，能够实现信息传递的方便有效，利用网络技术，能够最大程度的保证消息的真实性，能够在第一时间对信息进行反馈，从而减少人为对事件的加工和修饰，符合当前社会的发展需要。如利用网络技术，警方可以建立相应的公众平台，对突发性事件及时进行公布，同时也可以利用网络技术实现消息的转发，进一步扩大消息的传播范围，从而增强涉警网络舆情的影响力。另外，通过利用网络技术，能够实现内部的统一管理，在公安机关内部，利用网络技术，能够创建网络警务管理中心，将上级领导部门的工作指示第一时间传递给个人，保证相关工作内容的有效落实，另外，依靠涉警网络舆情的发展过程，能够及时反应出内部管理存在的漏洞，从而进行有效的统一管理，增大民众对警方的评价渠道，根据民众的反应优化工作模式，落实改革举措，从而提高警方的工作效率及能力，助力于维护社会的安定与团结。

（二）消极影响。由于网络对于消息传播监管范围及深度存在一定的缺陷，导致网络发言过于自由化，人们可以通过网络进行消息的与传播，在实际的网络信息传播过程中，存在大量不实的报道内容，引发网络民众对警方的误解，从而造成警方的公信力有所降低。涉警网络舆情的媒体应对主动权不在警方手中，造成警方在涉警网络舆情具体事件中，常常不具备话语权，使得警方面临来自多方面的舆论压力，影响了正常工作的有序进行。另外，由于网络传播具有及时性，且随着网络技术的不断创新和发展，互联网越来越普及，虚假消息的传播能力越来越强，一些不法分子利用网络可以煽动网络民众的情绪，激起民众的不满，严重威胁了社会的安定与团结，同时也使得警方的工作增加了难度。网络舆情具有蝴蝶效应，任何微小的事件都有可能引发强烈信任危机和社会动荡，但是针对于网络舆情的控制力度，警方的主动权还不够明确，同时也没有完善的法律保障和工作方案，导致在处理涉警网络舆情事件时，难以发挥出有效的作用，影响了公安机关在社会群众心目中的形象。

三、涉警网络舆情的媒体应对策略

（一）增强涉警网络舆情的危机意识。由于网络的普及和公安工作的特殊性质，因此，公安机关在处理社会事务时必须要扩大工作范围，针对于涉警网络舆情繁荣发展现状，警方应当加强网络意识，强化危机感，由网络引发的社会事务逐渐增多，对警务工作的冲击也逐渐增大。因此，警方应当重视涉警网络舆情的媒体应对能力，加强与网络民众的沟通力度，可以通过建立警民交流群、微信公众号等形式，增大公安机关的宣传力度，拉近公安机关与社会群众的关系，不仅能够树立良好的形象，同时也能增大对网络舆情的了解力度，从而制定多层次的应对预案，有效化解民众对于公安机关的误解，有效控制恶性事件的蔓延，促进公安机关正常工作的有效展开。

（二）创新涉警网络舆情的处理模式。传统的涉警网络舆情媒体应对的模式内容主要在于规避风险，采用公告等形式予以，这样不仅造成公安机关的反应速度过慢，不能在第一时间对涉警事件做出回应。同时由于事件的不公开化处理，反而容易引发民众的猜测，不利于公安机关的形象。因此，在实际的涉警网络舆情的媒体应对过程中，应当注重媒体应对的方式，创新涉警网络舆情的处理模式，必须要本着开诚布公的心态，要把真实事件的发生过程向社会群众予以公布，保护民众的知情权，正确控制涉警网络舆情的发展方向。同时注重事态发展的阶段性报道，要及时做出回应，经过充分的调查后，对后续事件的报道要详细且符合相关法律的规定，同时要对善后工作积极主动予以告知。只有这样，才能在实践中总结出涉警网络舆情的处理经验，才能有效降低负面影响，维护公安机关的形象，发挥出优秀的公安队伍在处理社会事务中的作用。

（三）重视涉警网络舆情的处理监控。社会秩序的维护必须依靠于公安机关的力量，随着网络技术的不断创新和发展，网络在社会秩序中扮演的角色越来越重要，不仅存在积极的影响，同时也会对社会秩序产生一定的消极影响。因此，为了有效的维护社会秩序，保证社会的安定与团结，同时抑制网络危机事件的发生，就必须要加大对网络的监控力度，又由于在涉警网络舆情中，警方受到来自各方面舆论压力，必须要通过有效的监控工作，掌握网络舆情的发展主动权，从而对于事态的发展进行控制，避免不法分子利用涉警网络舆情从事非法活动。

四、结语

综上所述，只有增强涉警网络舆情的危机意识、创新处理模式，同时加强网络的监控力度，才能保证在涉警网络舆情中，公安机关掌握主动权，才能有效维护公安机关的形象。

参考文献

[1]赵建生，邹智勇，周树华.网络负面社会心态和传播效应对涉警公共危机事件处置工作的影响及其解决对策[J].公安研究，2010.

[2]尹李紫琳，苟晓朦，张顺灵.自媒体时代政府网络舆情应对策略分析[J].广西师范学院学报（哲学社会科学版），2015.

作者简介

网络舆情传播研究范文第4篇

关键词：网络舆情 网络舆情分析与监测

当前，网络已成为反映社会舆情的重要途径。网络舆情已渗透到社会的各个层面，成为了一股强大的、不容忽视的舆论力量。因此，如何识别和分析网络舆情信息，如何对舆情进行监测和有效引导，对于维护当今社会的稳定和发展具有重要的现实意义。

1 我国网络舆情现状

由于当前我国正处于社会变革和转型的关键时期，各种社会矛盾日益凸现，各种社会问题日益受到人们的关注，越来越多的人们愿意通过各类信息渠道表达自己的个人观点和想法。随着移动互联时代到来，借助移动终端和各种网络互动软件，人们可以随时随地的发表观点，报道事件，尤其在突发公共事件中，任何一个人都可以对事件进行现场报道，社会舆论的生成机制发生了深刻的变革。

当前我国网络舆论场的强度，在世界居首。2011年，我国网络舆论力度骤然增强，上网发声的阶层越来越广泛，网民高度警觉和关注着现实社会的各种热点事件。特别是“7・23”动车追尾事故和郭美美事件等敏感事件，造成网上网下人声鼎沸，成为当时最大的网络热点。

因此，在当前复杂的社会环境下，加强舆情信息工作，及时掌握舆情动态，积极引导社会舆论，是维护社会稳定和安全的重要举措。而研究和分析网络舆情信息，明确舆情信息的来源是前提和基础。目前，微博、微信、即时通讯软件、博客、跟帖与网络留言、网络社群和网络社区等是传播网络舆情信息的最主要途径。

2 网络舆情信息主要包含的内容

2.1 重大事件。所有的重大事件的发生都会在很短的时间内迅速在网络上传播开来，与事件发生有关的各个报道，新闻，各方面的消息和热点都会在各个网站上铺天而来，在短时间内就会出现大量的评论，跟贴和发帖等等。

2.2 突发事件。量变到质变的过程是突发事件产生的一个重要阶段，例如“日本大地震后我国的抢盐事件”，在发生初期，并没有引起太多人的关注，只是在民间出现了许多的“谣言”，但其迅速扩散，就会影响到广大群众，并有可能造成整个社会的恐慌。

2.3 国家的经济工作和重点工作。网络上的主流的意识形态还是需要各个新闻媒体来传播，需要政府和组织来引导，继而形成被大众所接受的健康向上的主流舆论，政府部门要引导人民群众，最大限度地在广大人民群众中形成共识，来统一不同领域，不同阶级中的意识和信念，形成了社会的主流言论。

2.4 一些关系国际民生的重大政策的改革更容易引起人们的广泛关注，形成网络舆情热点事件。

2.5 和大多数人民自身利益密切相关的事件。因为舆情的一个重要作用就是人民群众对自身利益的诉求表达的一个重要渠道。在群众利益受到伤害时，他自然需要一个平台来寻求帮助和进行诉求，网络就是这样一个很好的舆情平台。

3 网络舆情监测系统的设计

网络舆情监测系统包含三个层次，自下而上分别为信息采集层、信息挖掘层、信息服务层。每一层为其上一层提供基础数据，以及为进一步分析奠定基础。其系统结构如下图所示：

■

网络舆情监测系统结构图

3.1 舆情信息采集层。信息采集层的基本任务是从数据格式多种多样的网页中采集出其蕴含的丰富的、各种各样的舆情信息。采集层的最下层为信息采集的目标网站，如新浪、网易、搜狐、新华网、人民网、凤凰网、猫扑、天涯社区等；中间层包含爬虫管理模块、预处理模块、分类存储模块，爬虫管理模块主要采用网络爬虫技术获取互联网上的舆情信息；最上层将采集的文本信息分为Web内容信息、Web结构和使用记录信息两部分内容。

3.2 舆情信息挖掘层。开展舆情信息深度挖掘，发现的热点问题、分析其态度倾向、处置构成危害的敏感信息是互联网舆情信息挖掘层的主要任务。它通过分析舆情信息采集层提供的数据，能够检测网络话题、分析民众的态度倾向、监测网络敏感信息、评估舆情态势等，为舆情信息服务层服务相关部门提供客观依据，是舆情信息处理的核心内容。主要包含文本信息预处理模块、网络话题检测模块、舆情倾向性分析模块、敏感信息监控模块。

3.3 舆情信息服务层。舆情信息服务层是舆情信息挖掘的目标，其辅助相关部门把握舆情动态、关注民情民意、做出正确决策。它一方面提供舆情信息摘要，为相关部门快速了解舆情动态、掌握舆情事件的来龙去脉提供便利，提高工作效率；另一方面综合考虑话题热度、传播扩散度、态度倾向程度、内容敏感度、者影响力等舆情评价指标，并做出舆情评测、适时舆情预警信号，为相关部门及时做出反应提供帮助。

参考文献：

[1]王磊.公安网络舆情分析系统的研究[D].北京交通大学，2008（06）.

网络舆情传播研究范文第5篇

[关键词]网络舆情；突发事件；灰色预测；弱化算子

1前言

20世纪90年代中国接人互联网络以来，网络逐渐成为大众生活的重要组成部分，成为民众获取信息的主要渠道之一。据中国互联网络信息中心（CNNIC）最新的《第38次中互联网络发展状况统计报告》，截至2016年6月，我国网民规模达到7.10亿，互联网普及率为51.7%，其中，手机在上网设备中占据主导地位，手机网民规模已达6.56亿，网民规模的增长率和使用率较上年底持续增长。借助于网络这一平台，人们可以自由发表对某一事件的言论和观点，这使得互联网成为舆情生发和传播的主要阵地，关于某一特定突发事件的信息在网络后，必然会产生网络舆情。

网络舆情是指在一定的社会空间内，通过网络围绕中介性社会事件的发生、发展和变化，民众对公共问题和社会管理者产生和持有的社会政治态度、信念和价值观。网络舆情传播大致会经历潜伏、爆发、平稳和衰退这四个阶段，每一个阶段都会受一些不确定因素的影响，这些影响使得网络舆情传播过程就是一个随时间变化的不确定过程。网络舆情的传播路径不确定，舆情话题在传播过程中就可能朝任意方向发展，某一特定的舆情话题可以衍生出多个相关或无关的新的舆情话题，对舆情的态势走向也会造成一定影响。由于突发事件发生的规模及发展趋势难以预测、复杂多变，其具有的突发性、危险性、紧迫性和不确定性等特点也使得突发事件中原有信息沟通渠道可能受到影响或是被阻断，为各种流言、小道消息的滋生和传播提供了空间，留给决策者思考的时间短，如果不能及时准确获取全面的、最新的信息，就无法对其进行快速有效处理，会造成极大的负面影响，影响社会稳定。因此，在实践中，研究网络舆情的形成、演化的规律，探索网络舆情引导、控制的对策，对于提升我国政府应对突发事件的能力具有重要作用和价值。本文选取了发生于2016年10月10日的浙江温州房屋倒塌事件，进行了突发事件网络舆情演变规律分析，为决策者提供参考价值。

2突发事件属性和级别

对于突发事件，《中华人民共和国突发事件应对法》将其分为自然灾害、事故灾害、公共卫生和社会安全四类，而根据事件的严重性，由低到高依次划分为：一般（Ⅳ级）、较大（Ⅲ级）、重大（Ⅱ级）、特别重大（I级）四个级别。在网络舆情的事件评判中，社会安全事件涉及政治、经济等各个领域，对这种突发事件的预警工作则显得尤为重要。

3案例介绍

2016年10月10日下午16点30分，浙江温州三幢五层楼房倒塌，造成22人死亡，6人受伤，属较大级别的社会安全事件。事件发生后，迅速引起了网民的关注和讨论。

3.1数据的归纳与整理

本文中模型的数据来源新浪微博，网站以及新闻媒体等各大主流平台。为便于计算现选取发帖量作为研究对象。通过梳理，以事件发生半个小时后间隔为12小时为一个时间段，共计归纳出十一个时间段内网络传播数据量（见表1）。

3.2舆情态势走向

温州房屋倒塌事故中，网民参与讨论发帖的舆情态势演化历经两个波折（见图1）；10月10日下午16：30事故发生后，11日舆情热度迅速上升，主要表现为对事故本身的关注；而突发事件网络舆情的演变规律易受不确定因素的影响，10月11日，新闻媒体等报道出父母用身子护住女儿，女儿得以生存，舆论热度再次攀升。随后事件逐渐平息。

4舆情模型的建立与检验