人工智能提升網絡輿情分析能力

喻國明+馬思源

輿論是“社會的皮膚”，是反映社會形勢的晴雨表。而輿情分析是根據特定需要，針對社會輿論問題對于相關數據進行深層次的思維加工和分析研究，得到相關結論的過程。網絡是當下社會輿論的主要載體之一，在互聯網時代，尤其是移動互聯網時代，大數據及大數據分析技術為輿情分析和研判提供了全新的資源、方法與范式。

從總體上說，現階段網絡輿情分析的基本框架為：信息采集、熱點發現、熱點評估與熱點跟蹤和分析處理（見圖1）。

由于網絡輿情數據存在著海量、多維度等特點，輿情數據的深度價值挖掘一直是這一領域發展的瓶頸之一。近年來，人工智能技術的興起與實用化，為我們借助于人工智能實現網絡輿情分析的自動化、智能化、精準化提供了新的手段和路徑。為此，一些研究者也做出有益的探索，如使用小波分析分解輿論發展過程，再利用人工神經網絡進行建模預測輿論走向；使用神經網絡仿真模擬輿論發展過程；使用灰度預測和模式識別預測輿論走勢等。

本文試圖在梳理輿情研究的現狀與特點的前提下，探討在現有技術條件下，網絡輿情分析的實踐范式存在的缺陷與不足，而人工智能技術可以為網絡輿情分析帶來哪些有應用前景的改變。

人工智能提升網絡輿情分析能力的環節

現階段網絡輿情分析的不足可以主要歸結為“人機不協調”的問題。在應當使用機器進行學習和處理的權重配比、走勢預測、情感分析、效果檢查上，現實應用顯得機械、淺層次；而在應當使用人工進行分析的特征維度劃分、對策建議提供上，現實應用又顯得粗糙、重復，且機器對人的輔助不夠有力，分工協同的模式還不成熟。

得益于數理算法和計算機科學的發展，人工智能時代的機器學習能力日益增強，這為網絡輿情分析領域實現自動化、精準化、智能化創造了新的契機，而實現新要求的關鍵點在于切實實現網絡輿情分析領域中的人機互動與雙向協同。

1.數據預處理環節：特征的人工識別與機器匹配的協同。

在互聯網的社交網絡中充斥著非結構、半結構數據，數據庫需要為這些數據提供合適的存儲標簽，方便分類和調用。在數據特征分類上，人的作用至關重要。完全依賴無監督的學習，不僅需要大量數據擬合，而且速度慢、容易產生偏差。因此，在最初的特征分類中，可以由人工盡量設計較細的分類，此后通過信息增益等算法，經歷半監督式機器學習的訓練，在分類環節可以去除影響力較小的部分，留下影響力較大的部分，在機器能力支撐下建立合理的特征維度數量，并賦予權重。這種特征的構建方式更能體現輿情信息的原貌，對現實的解釋力更強。

2.熱點發現環節：話題預測的機器提示與人工選擇的協同。

人工智能是建立在數理模型和計算機支持上的一種應用，其內核依賴因果邏輯和概率統計。即使人工智能可以自動探索不同事物之間的關聯，它判斷是非的方式只能是：第一，A能推導出B，或不能。第二，根據以往經驗，某事件有多大的概率會發生。所以，想讓人工智能做出正確的判斷，要么存在必然的因果邏輯，要么有足夠的案例用以輔助統計。

然而，現實生活中有許多事物并不真正按照因果邏輯運行。很多情況下，人工智能需要依靠概率預測事物的走向，但又不是任何事情都有足夠的先例可供學習。

對輿論的預測很難按照因果邏輯執行，想做到準確預測只能先依靠足夠多的、已完結的輿論話題作為機器學習的對象，尋找它們概率上的特征。憑借之前的這些經驗，將有可能產生重大影響的輿論在萌芽期識別出來，并設計回應辦法。即便如此，機器也不可能完全精準地預測輿論，在一定范圍內的預測建議中，需要人的智慧進行分析判斷，找出真正存在進一步發酵可能的輿論。同時，這樣的人工選擇行為需要完整的記錄，作為機器進一步學習的訓練集，以供下一次輿論預測參考。這種人機互動的模式可以提升機器學習的能力，使人工智能逐步達到更高水平，更加智能地為人提供輔助。

3.對策分析環節：專家庫的經驗及其量化。

技術領域公認，操縱機器進行情感分析，比事實分析要困難得多。機器可以通過分詞法、訓練集的反復訓練學會分析句子成分、找到陳說的事實，但對于微妙情感的辨析、反諷修辭的運用，機器極難進行判斷。鑒于此，在對輿論進行整理、分析和預測的過程中，人工智能對于事實的理解能力可以提升到與人類比肩的程度，但對于輿論的情感判斷，機器恐怕很難達到人類的理解高度。

在互聯網時代，情感是一種十分重要的邏輯，許多互聯網事件的發酵、擴散，背后都有情感訴求的影子，有時情感訴求甚至超出理智訴求，成為左右輿論極其重要的一個因素。因此，在輿情分析的對策環節中，梳理的事實可以由機器提供，但對策建議始終要依賴專家的經驗。當然，對專家庫中的經驗予以量化，可以為類似輿情再出現時提供輔助建議，逐漸使機器的智慧能為人類提供更高水平的咨詢意義上的幫助，乃至應對一些常見的、并不新穎的輿情危機——而這類輿情危機通常占危機發生總量的80%以上。

人工智能條件下的網絡輿情分析新范式

人機互動是人工智能應用于網絡輿情分析的重要邏輯，結合現有網絡輿情分析模式與流程，以及每一環節的技術支持情況，我們提出人工智能技術支撐下的網絡輿情分析的新范式。即遵循從現實問題，到量化建模，再到探索結論的基本方向，并在每一詳細環節中遵循人機互動與協同的原則，對人工智能技術加以有效應用（見圖2）。

應該說，人工智能的實現，得益于科學界量化整個世界的嘗試?？茖W界試圖構建模型來表達紛繁復雜的客觀世界，并得到了許多成就。這些成就在一定程度上鼓勵了“計算主義”哲學的發展，信奉計算主義的人認為世界在極大程度上是可以被量化的，因此，人工智能才能夠比我們想象的更接近人類。顯然，這種信仰并不代表真理，相反，有更多的學者質疑，我們的世界中不能量化的問題遠遠多于可以量化的問題?，F代經濟學、社會學、政治學的一些研究也表明，不同于自然法則，在人為世界中，人的復雜程度遠超過人類自己的想象和技術可以完全把握的能力。

因而，唯有人和機器相互促進，人的創造力才能被釋放，而非被科技所奴役。人類憑借本身的經驗、判斷和天賦提出新的理論，解決問題的框架，而人工智能強大的數據處理能力和邏輯演繹能力可以為這些新穎的想法提供驗證、修正或否定。人機互動的視角不僅對人工智能條件下的輿情分析具有啟示作用，對所有社會科學而言，人機互動也可以成為普遍遵循的解決問題的模式。

參考文獻

1.夏火松、甄化春：《大數據環境下輿情分析與決策支持研究文獻綜述》，《情報》，2015年第2期，第1-6頁、21頁。

2.舒予、張黎俐：《基于小波分析與人工神經網絡的網絡輿情預測》， 《情報科學》，2016年第4期，第40-47頁。

3.何炎祥、劉健博、孫松濤：《基于神經網絡的微博輿情預測方法》，《華南理工大學學報（自然科學版）》，2016年第9期，第47-52頁。

4.杜智濤、謝新洲：《利用灰色預測與模式識別方法構建網絡輿情預測與預警模型》，《圖書館情報工作》，2013年第8期，第27-33頁。

5.李清敏、張華平：《面向話題的中文微博觀點傾向性分析研究》，《科學技術與工程》，2014年第12期，第227-231頁。

6.李英樂、于洪濤、劉力雄：《基于SVM 的微博轉發規模預測方法》， 《計算機應用研究》，2013年第9期，第2594-2597頁。

7.彭蘭：《萬物皆媒——新一輪技術驅動的泛媒化趨勢》，《編輯之友》，2016年第3期，第5-10頁。

8.李建會：《走向計算主義》，《自然辯證法通訊》，2003年第3期，第31-36頁。