網絡輿情事件鏈演化分析

李仁德 馮倩 李瑜 曹春萍

摘要：為防范輿情風險，分析網絡輿情的細粒度演化，提出一種去冗余的衍生事件內容關聯演化分析框架。通過文本挖掘技術從海量文本流中提取主要的衍生事件，將輿情內容壓縮到人工可判讀的數量級；利用詞移距計算相鄰兩個時間片上的衍生事件相似度，構建反映演化關系的衍生事件鏈圖。以“上海特斯拉自燃”事件為例進行事件鏈演化分析，得到微博網絡輿情事件發展不同階段涉事主體在各個衍生事件中的話題轉移關系，最后魯棒性分析的結果驗證了該分析方法具有降低微博短文本冗余信息的能力，提高了事件演化關聯識別分析的準確性。該研究方法為輿情事件的事后復盤、同類輿情事件的預判和介入、衍生事件的科學研判提供了決策支持。

關鍵詞：事件鏈；輿情演化；網絡輿情；特斯拉自燃

中圖分類號：G206.3 文獻標志碼：A

Evolution of online public opinion based on chain of sub-events

LI Rende， FENG Qian， LI Yu， CAO Chunping

（Library， University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract：The evolution analysis of the public opinion in emergency is the foundation for the risk prevention and control. An analysis framework for the evolution of the public opinion was proposes based on the event chain. Firstly， text mining technology was used to extract the main sub- events from the massive text stream，thereby reducing the public opinion content to the order of magnitude that can be manual interpretation and discrimination. Secondly， the word mover's distance was used to calculate the similarity of sub-events on two adjacent time slices， so that the event chain diagram could be constructed. The evolution analysis was carried out with the case of "Tesla spontaneous combustion in Shanghai”. The relationship of topic shifting was built between sub-events at different stages of the evolution. Finally，it was verified by the robustness analysis that the method can reduce the problem of redundant information in short texts of microblogs and improve the accuracy of sub-event correlation. The research results provide decision support for the post-event review，the prediction and intervention of similar public opinion events， and the scientific evaluation of sub-events.

Keywords： chain of sub-events; public opinion evolution; online public opinion; Tesla spontaneously combustion

網絡輿情分析與治理關乎國家安全和社會穩定。黨的二十大報告提出，需加強全媒體傳播體系建設，塑造主流輿論新格局，健全網絡綜合治理體系，推動形成良好網絡生態。如何有效分析海量輿情信息，細粒度研究輿情演化規律，降低輿論負面影響，成為涉事方應對輿論亟需關注的問題。面對各種社會矛盾和利益分化現象的相繼涌現，人們為自己發聲，表達利益訴求的欲望日益高漲，促使輿情事件的演化表現出多樣性和復雜性的特征。傳統的網絡輿情分析關注輿情在社交媒體中的內容演化[1-2]，然而，事件的發展會衍生出一系列事件，細粒度的衍生事件關系往往隱含更多的演化規律。本文將衍生事件定義為延續主體事件某一特定方面的事件，對衍生事件進行分析對于輔助網絡輿論的引導工作以及預測類似事件的發展方向具有重要的參考價值[3-4]。

傳統輿情演化的文本分析方法經歷了兩個階段。第一個階段以話題檢測與追蹤（topic detection and tracking， TDT）為代表，該階段的研究能夠實現話題信息的聚合[5-6]，提升人們對海量信息識別的能力。但在獲取話題信息后， TDT 技術并沒有對話題內容的聯系和發展過程進行深入分析，致使用戶不能清楚地掌握事件的衍生和演變歷程。第二階段是在第一階段的基礎上，對話題的內容演化進行深入分析，主要采用主題模型和事件鏈方法[7-8]。主題模型可以挖掘出事件中隱含的主題信息，通過分析每一時間段的主題分布，結合時間信息得到事件內容的演化脈絡。但該方法一般呈現出按時間排列的主題詞語集合，且不同時間段的詞語集合存在大量的重疊，致使一些不了解該輿情事件的用戶很難深入理解話題演化脈絡?；谑录湹木W絡輿情演化研究方法，首先檢測話題中包含的相關事件，然后識別事件之間是否存在演化關系，最后通過建立事件鏈得到輿情內容的演化脈絡。事件演化的邏輯源于隨時間發展出現的各衍生事件?？傮w來說，傳統輿情演化研究的基本思路是提取事件在不同發展階段的內容信息，并按時間順序展示給用戶。但這些研究對于提取哪些事件信息、事件之間是否具有演化關系，以及用何種方法能預測類似網絡輿情的態勢走向等問題并沒有作深入的回答。

本文擬解決的關鍵問題包括： a.如何從海量微博文本流中提取衍生事件？ b.如何確定輿情事件間的邏輯關系并構建事件鏈圖？ c.如何利用事件鏈圖分析輿情內容變化？事件鏈是指在一定的時空條件下，一個事件觸發另一個或者多個事件的現象，事件相繼觸發形成鏈式結構特征。網絡輿情事件鏈是初始輿情事件在其所處情境的作用下觸發了與它關聯的其他輿情事件，從而形成的鏈式效應[9]。事件鏈反映了事件之間的因果與時序關系，此類鏈式結構證明知識在事件之間具有流動性與轉化性。本文將“上海特斯拉自燃”事件作為事件鏈演化分析案例，對事件鏈形成中的衍生事件提取、衍生事件關聯和演化進行系統性建模和分析。

1 相關研究

網絡輿情事件的演化分析建模涉及3個核心問題： a.事件提取，包括一類核心事件或活動以及所有與之直接相關的事件或活動，可以由多個衍生事件組成； b.事件鏈關聯，核心事件發生后所引發的一系列衍生事件，以及形成的事件鏈式效應； c.事件演化，刻畫事件鏈上不同類型的衍生事件的信息傳播與變化過程。

事件演化分析的首要任務是從海量文本中發現隱含的衍生輿情事件，其文本的非結構化特性以及衍生輿情事件的隱含性是兩大瓶頸。在 Automatic Content Extraction [2]評測會議中，“事件”被描述為一個動作的發生或狀態的變化，但目前學術界對“事件”仍沒有統一的定義。Sun 等[10]將事件表示為謂詞+論元結構。事件提取涉及文本挖掘與聚類等方法[11]，通過事件提取的技術，可以用來生成衍生輿情事件。衍生事件的研究多基于主題模型[7，12]，主題模型通常假設衍生輿情事件數目固定，然而主題會隨著事件的發展以及網絡成員的交互行為而發生變化。此外，事件提取研究多以事件的事實發生為依據，對無監督學習情況下衍生輿情事件的多樣性、復雜性和適用性的研究需要進一步拓展。對于相似度高、聯系緊密的多個衍生事件，有效識別關鍵衍生輿情事件對于追蹤事件演化過程至關重要。針對以上問題，本文基于 Single-Pass 語義聚類提取文本簇，從海量文本流中抽取主要的代表性文本簇并對其進行摘要描述，并歸納衍生事件。

首先，需提取文檔中包含的衍生事件，識別事件之間是否具有演化關系[13-14]，構建事件鏈。由于具有演化關系的事件之間內容一般較為相似，現有研究將該問題轉化為事件內容相似度計算問題[15-16]。Nallapati 等[15]根據兩個事件對應文檔之間的相似度平均值來計算兩個事件間的相似度。 Yang 等[16]利用事件內容相似度、時間鄰近度和網頁分布鄰近度對事件演化關系進行建模，從新聞語料庫中發現事件演化圖。 Xu 等[17]利用關聯挖掘規則建立事件間的語義演化關系。多數研究通過比較事件關鍵詞的相似度來識別事件間演化關系，例如基于向量空間表示事件內容、用余弦相似度計算事件相似性，或是基于詞頻概率，采用 JS 散度或 KL 散度計算事件相似性。這些方法多依賴于詞語級的相似度比較，無法兼顧文檔的詞匯語義信息。本文基于詞移距（word mover's distance， WMD）構建事件鏈。在語義聚類歸納得到的衍生事件基礎上，通過詞移距計算相鄰兩個時間片上的衍生事件相似度來識別事件間的演化關系，從而得到更好的事件演化關系識別性能，提高事件鏈圖構建的準確性。

輿情演化分析主要研究輿情事件內容及關系隨時間和空間的變化趨勢[18]。 Yang 等[16]通過事件演化識別技術來自動識別事件演化關系，并通過事件鏈的形式展示事件內容演化圖。 Liu 等[19]提出了一種動態網絡知識擴散的方法，從細粒度層面反映網絡知識的演變，豐富了輿情演變分析的視角。 Li 等[20]通過演化分析的方法，發現無論信息傳播的內容特征如何，用戶的社交結構特征具有一定穩定性。 Lian 等[21]使用 SIR 模型分析了政府、媒體和網民3組人群在時間和空間上的相互作用，從網絡空間結構的角度研究了網絡輿情傳播的規律和效果。這些研究關注事件不同發展階段的內容信息，但輿情事件不同側面的演化過程無法兼顧。特定輿情事件的發展過程往往伴隨著相關衍生輿情事件的產生，每一個衍生輿情事件都在描述事件的不同側面。

綜上，系統地理解輿情事件的演化發展脈絡，亟需從隱含的衍生輿情事件的提取、演化關系的關聯構建，以及演化過程的時空發展趨勢上，進行綜合分析和評判。輿情事件分析中，衍生事件的提取是關聯分析的基礎，關聯分析是演化分析的前提條件，演化分析的結果是事件鏈的形式。本文提出的基于事件鏈的輿情演化分析方法，從事件提取、事件鏈構建和演化圖構建3方面研究了網絡輿情的演化，使用戶可以直觀、清晰地了解輿情事件的細粒度演化過程，掌握輿情事件的因果關聯和來龍去脈。

2 研究方法

2.1 輿情演化框架

事件鏈的網絡輿情演化研究分為事件提取、事件鏈構建和演化圖構建3個過程，對應的技術包括微博短文本聚類和衍生事件關聯。首先，利用文本挖掘技術從海量文本流中提取出主要的衍生輿情事件；其次，通過詞移距計算相鄰兩個時間片上的衍生事件相似度來識別事件間的演化關系，從而構建事件鏈圖；最后，基于事件鏈圖和事件演化概率構建此次網絡輿情的內容演化圖。分析框架流程如圖1所示。

2.2 事件提取

a.文本預處理。在對數據預處理的基礎上進 一步對文本進行處理，刪除與事件無關的特殊符 號、表情、鏈接，如頻繁出現的詞語“轉發”、 “微博”、“@用戶”，以及標記性符號等。保留 代表話題“#自燃事件#”。使用 Jieba分詞工具對 微博文本內容進行分詞處理，同時去除停用詞、 擬聲詞、特殊符號。如“的”、“地”、“啊”等詞以及無用的標點符號，得到每條博文詞匯集。

b.關鍵詞提取。通過 TextRank[22]算法對分詞后的博文詞匯集進行關鍵詞提取，得到博文關鍵詞詞匯集X ={x1; x2;···; xn}，其中，xi為提取的關鍵詞。

c.文本聚類。為了能夠充分研究詞匯與詞匯之間的關系，考慮到 word2vec 只是基于詞的維度進行語義分析，并不具有上下文的語義分析能力，本文在 word2vec 的基礎上增加一個段落向量的 doc2vec，訓練文檔集中所有詞匯，并進行詞向量表征，然后運用余弦相似度算法通過博文關鍵詞計算任意兩兩博文之間的語義相似度。相較于KL 散度或 JS 散度，余弦距離是從方向上區分差異，將閾值對相似的文本向量關鍵詞合并，兩文本向量距離越小則相似度越高。

對文檔集中所有詞匯對應的關鍵詞向量采用 Single-Pass[23]增量聚類算法聚成 J 個文本簇，將事件提取問題轉化為對關鍵詞向量的聚類問題。預設一個聚類閾值，順序處理輸入的文檔，計算新文檔與已識別事件之間的相似度，如果相似度大于該聚類閾值，則將該文檔加入與它相似度最大的文本簇中，否則將該文檔作為新事件創建。聚類得到各個文本簇后按照詞頻降序排列，截取頻率最高的前d個詞，作為聚類后的文本簇關鍵詞集合Ei ={x1; x2;···; xd}，i =1;2;···; s。

d.衍生事件提取。文本聚類將海量的輿情事件壓縮到人工可判讀的數量級，同時有助于獲得相互獨立的輿情事件。僅僅將輿情事件的表示視為一個簡單的詞袋不便于之后的演化分析，因此，對得到的文本簇關鍵詞集合Ei結合原數據對應的文本內容，概括性描述出輿情事件摘要。

2.3 事件鏈構建

a.衍生事件生成。一次網絡輿情對應著多個不同階段以及相關的衍生輿情事件，記為衍生事件，根據提取的輿情文本簇概括性描述出其發展階段對應的衍生事件集 E ={E1; E2;···; Es}。

b.演化關系識別。具有演化關系的兩個衍生事件通過語義進行關聯，采用 WMD 計算衍生事件之間的相似度，即一個衍生事件中所有關鍵詞“流向”另一個衍生事件的最小代價。衍生事件 Ei和Ej之間的相似度通過將Ei中所有詞“移動”到 Ej中所有詞的最小距離來度量，即

d（Ei ; Ej）= T ij（m） TijL（i; j）= T ij（m） Tij||i?j||2 （1）

式中： L（i; j）表示詞i和詞j間的歐氏距離； Tij表示衍生事件Ei中的詞i有多少轉化為Ej中的詞。

為確保能完全轉化，需進行如下約束：

Tij = Ei′; Tij = Ej ′;?i; j ∈{1;2;···; n}（2）

其中

Ei′=

式中， ci表示詞i的詞頻。

本文只計算相鄰兩個時間片上衍生事件的相似度，如果相鄰兩個時間片上衍生事件間的相似度值大于或等于該閾值，則認為兩個衍生事件在內容上存在演化關系，即兩者間建立邊關系。反之，如果它們之間的相似度值小于該閾值，則表明是相互獨立的兩個衍生事件，即兩個衍生事件在內容上不存在演化關系。根據計算的相似度可得到衍生事件之間的相關關系，進而構建出事件鏈圖。

2.4 演化圖構建

將構建事件鏈圖中的輿情衍生事件以“節點對”的形式兩兩結合進行計算，每個節點對代表著網絡輿情事件鏈節點之間的可能演化關系。運用統計概率式（4）計算出各衍生事件的先驗概率，然后再利用條件概率式（5）計算出節點對間的演化概率。衍生事件之間的演化概率構成事件內容演化圖。

p（Ei）=且?p（Ei）=1; i =1;2;···; n ?（4）

p（Ei|Ej）=p（Ei）p（Ej|Ei）?

式中，|Ei|為頻次。

3 實證分析

3.1 實驗數據集與預處理

數據集來源于中國新聞史學會計算傳播學研究委員會與新浪微熱點大數據研究院聯合舉辦的第二屆傳播數據挖掘競賽中“上海特斯拉自燃事件”的微博文本數據，從2019年4月21日到5 月5日共15 d，總計61688條博文。該事件發生于4月21日晚，上海某小區一地下車庫內一輛特斯拉轎車忽然冒煙而引起自燃，進而引發社會各個群體對新能源電動車安全性問題的一系列熱議。

3.2 事件提取

數據預處理去除標簽為機器人的數據以及少于10個字的微博文本后，得到40119條博文，進一步刪除與文本話題無關的特殊符號、表情符號等，并使用 Jieba分詞工具進行博文分詞。采用 TextRank 算法對分詞后的博文詞匯集進行關鍵詞提取，得到每條博文關鍵詞詞匯集。詞匯集中存在大量關鍵詞相似的冗余輿情事件，為了消除冗余，使用 doc2vec訓練文檔集中所有詞匯進行詞向量表征，然后運用余弦相似度算法計算任意兩兩博文之間的語義相似度，根據閾值對相似的文本向量關鍵詞進行合并。選取的相似度閾值為0.83。

根據閾值對相似的文本向量關鍵詞進行合并，對文檔集中所有詞匯對應的關鍵詞向量采用 Single-Pass 聚類算法聚成 J 個文本簇，將事件提取問題轉化為對關鍵詞向量的聚類問題。文本簇的聚類，采用 K 折交叉檢驗的方法作驗證。取 K=5，將原始數據隨機分為5份，對每一份數據作相似性計算，并得到每份樣本的衍生事件提取結果。兩兩對比隨機樣本的關鍵詞集合，通過余弦相似性比較不同樣本之間衍生事件的語義相似度，結果如表1所示。

3.3 事件鏈構建

a.衍生事件生成。根據文本聚類消除冗余輿情事件后，最終保留4024個合并文本，歸為 16個文本簇[9]，作為基礎數據。這些文本簇涵蓋了企業、車主、消防、媒體、專家、網友等不同社會群體，能夠較好地反映出消費者維權類網絡輿情的主要特征及演化規律。由此，以文本簇涉及的相似群體為依據，人工劃分并概括性地描述出對應的衍生事件Ei，衍生事件可以幫助全面深入地理解事件的各個方面。根據文本聚類統計出事件的出現頻次，為了方便后續的演化概率計算，此處利用統計概率式（4）計算出各衍生事件的初始條件概率。

b.演化關系識別。通過 WMD 計算相鄰兩個時間片上衍生事件之間的相似度來識別事件間的演化關系。若相似度大于某一閾值則認為兩者之間具有演化關系，即衍生事件間建立邊關系，構建出網絡輿情事件鏈圖，如圖2所示。

判別衍生事件關系的閾值取0.61。在事件發生后，該網絡輿情同時向4種潛在的衍生輿情事件演化，即消防介入、媒體介入、企業發聲和網友參與，這些衍生事件都是不同參與方對初始輿情事件發生后的回應。例如，博文“在得知這起發生在上海的事故后，昨晚我們第一時間派出團隊趕往現場。我們正在積極聯絡相關部門并配合核實情況。根據目前的信息顯示，沒有人員傷亡”，就是企業對事件發生后的回應。而每種潛在衍生事件又可能引發多種不同的演化路徑。例如，企業發聲后又出現車主發聲、媒體介入和事件處理3種潛在衍生事件。該事件鏈圖反映了此次輿情事件發生后產生的一系列衍生輿情事件，著重揭示了不同事件節點之間的潛在演化路徑。

3.4 演化圖構建

將4024個聚類樣本對應的衍生事件以事件鏈節點對的形式兩兩結合，每個節點對代表著網絡輿情事件鏈節點間的可能演化。衍生事件的先驗概率是事件鏈節點對演化概率計算的基礎，不同輿情階段的節點演化概率借助條件概率式（5）計算獲得?；谑录溄Y構以及各衍生事件節點對的演化概率得到不同演化路徑的發生概率，圖2即為事件內容演化圖。在輿情爆發初始階段，該網絡輿情同時向4個方向演化（消防介入、媒體介入、企業發聲、網友參與），此時向媒體演化的概率最小，而是主要集中在企業發聲上，反映了初始輿情事件爆發后，人們更傾向于關注涉事方特斯拉的官方回應。企業發聲后，網絡輿情演化出了3條發展路徑（車主發聲、媒體介入、事件處理），其中車主發聲的轉移率高達51.36%，此時車主急切需要企業給出答復。在媒體介入事件后，企業和車主演化的概率基本持平，因為分別作為涉事方和維權方，媒體對其關注度基本相同。在網友參與階段，由于大量的網友參與產生了較多的謠言與曲解事件，極易引起行業專家進行初步解讀，消除網友的各種猜測。隨著時間的推移，在車主和媒體的共同推動下，事件進入最終的處理階段。

事件發生可利用狀態轉移矩陣來預測下一步的衍生輿情事件，直至整個事件趨于穩定終止。經過7次迭代，得到趨于穩定狀態下的演化趨勢圖，如圖3所示。

根據傳播學中輿情發展的經典四階段（萌芽、興起、成熟、衰退）理論，將萌芽和興起階段合并為一個“突發”階段，將事件演化分為突發（0—1），成熟（1—3），衰退（3—7）3個階段進行分析。在時間步0—1階段，衍生事件發生的狀態概率較小，這是由于在上海特斯拉自燃事件發生以前，網絡上就零散地存在著眾網友對新能源汽車安全性問題的討論，事件發生企業作為涉事方被關注程度最高，大量網友參與，直接推動了輿情事件的發生。此時消防受關注程度也較高，這是因為消防在第一時間介入事故現場進行處理并通報。與此同時，車主作為維權方也開始發聲。在時間步1—3階段，輿情事件處于成熟期，可以清晰地看出媒體受關注程度最高，說明此時公眾更關注媒體對于事件進展情況的報道。在此階段，意見領袖在輿情的傳播過程中起到了導向作用，權威解讀與媒體的報道也在一定程度上消除了網友因曲解而產生的噪音，導致網友參與度下降。在時間步3—7階段，人們對事件處理結果的關注度越來越高，都期待事件的最終調查結果出現，對媒體的關注則相對平穩。隨著時間的發展，企業遲遲沒有給出最新調查結果，車主也沒有得到及時答復，因此，企業和車主作為事件處理的主體方，受關注度逐漸增長。最后，輿情隨各方主體的關注減少進入衰退期。

3.5 內容演化的評判指標

由于衍生輿情事件的歸納涉及人為標簽，具有 一定的主觀性，因此，將其與 Timeline[24]和 StoryTelling[25]方法進行對比。實驗邀請9位志愿者從準確性和易理解性兩方面對3個方法進行評分。其中，準確性是指該演化過程是否能準確描述輿情事件的發展，易理解性是指演化過程是否有助于用戶理解事件的脈絡。評分標準為1～5 分，從低到高依次代表很差、差、一般、良好、優秀。取平均值作為輿情演化方法的評判結果，如表2所示。

評分結果顯示，采用的事件鏈方法使得輿情內容演化在準確性和易理解性兩方面均表現良好。

此外，當兩個文檔沒有出現相同詞語時，WMD 方法依舊可以識別其語義是否相同，使得衍生事件的關系配對更加穩定，并且配合上一步事件提取剔除的冗余信息，能夠得到穩定的演化結果。事件演化圖的魯棒性分析承接上述 K 折交叉檢驗的方法，同時對比了詞移距與傳統的余弦相似性、歐式距離、 Jaccard 相似性、海明距離。對每一份樣本單獨進行事件演化圖的概率分析，得到衍生事件轉移概率的相似性對比結果，如表3所示。

4 結束語

輿情事件分析中細粒度的衍生事件演化迫切需要方法論的支撐，為此，提出了一種基于事件鏈的研究方法。利用文本挖掘技術從海量文本流中抽取出主要的衍生輿情，通過短文本相似性合并，擴充對衍生事件的富文本信息認知，解決了微博短文本信息冗余的問題。通過詞移距計算相鄰兩個時間片上的衍生事件相似度，識別衍生事件間的演化關系，并構建事件鏈圖，能夠更準確并穩定地獲取不同類型事件之間的轉移概率，解決了衍生事件的關聯關系識別問題。最后，對事件鏈圖提出了一種關聯事件對演化概率計算的方法，基于事件鏈圖和事件演化概率構建輿情事件的內容演化圖。兩種文本相似性的方法組合，取得了更穩定的事件鏈構造結果。

本文對微博輿情事件演化分析提供了以下啟發： a.對輿情事件的事后復盤具有參考價值。通過輿情事件的文本分析和計算，可以了解事件的衍生和演化關系。事后復盤對于輿情案例制作、政策制定及危機公關解決具有關鍵的參考作用。 b.對同類輿情事件的預判和介入提供管理依據。用戶可通過演化圖清楚地掌握輿情事件隨時間發展的演變過程，為類似網絡輿情事件的應對工作提供參考，同時有助于決策主體把握輿情演化的過程與機制，對于輔助網絡輿論的引導工作以及作出合理的應急決策具有現實意義。 c.對細粒度衍生事件引發的輿情異化提供了科學支撐。不同利益主體在輿情事件發展各階段對于推動衍生話題的作用和關系迥然不同，通過微博輿情的建模，梳理主事件與衍生事件關系以及進行事件發展的量化，有助于形成科學的網絡輿情研判機制。

研究的不足之處在于，衍生事件的提取雖然有利于直觀理解事件的不同側面以及公眾輿論的熱點遷移，但衍生事件的含義由人工概括描述。如何引用外部知識提升衍生事件的可理解性與準確性將是下一步的研究工作。同時，識別演化關系時只考慮了相鄰兩個時間片上的衍生事件相似度，未設置一個時間范圍閾值以提高演化識別的精準性。在未來的研究中，如何將人類知識融合機器學習、深度學習、復雜網絡等技術提高事件分析的性能，以及如何充分利用微博的鏈接關系來提高事件演化關系識別的精準性，也是值得深入探討的問題。

參考文獻：

[1] MA H Y. Research of evolution mechanism of network group event based on grounded theory under micro-blog platform[J]. Journal of Service Science and Management， 2015， 8（5）：678–684.

[2] LI S Y， LIU Z X， LI Y L. Temporal and spatial evolution of online public sentiment on emergencies[J]. Information Processing & Management， 2020， 57（2）：102177.

[3] HUO L， MA C Y. The interaction evolution model of mass incidents with delay in a social network[J]. Physica A ： Statistical Mechanics and its Applications， 2017， 484： 440–452.

[4]張磊， 王延章， 陳雪龍， 等.面向突發事件應急決策的情景建模方法[J].系統工程學報， 2018， 33（1）：1–12.

[5] LI R D， GUO Q， ZHANG X K， et al. Reconstruction of unfolding sub-events from social media posts[J]. Frontiers in Physics， 2022， 10：918663.

[6] LI R D， MA H T， WANG Z Y， et al. Entity perception of two-step-matching framework for public opinions[J]. Journal of Safety Science and Resilience， 2020， 1（1）：36–43.

[7] GUO X， XIANG Y， CHEN Q， et al. LDA-based online topic detection using tensor factorization[J]. Journal of Information Science， 2013， 39（4）：459–469.

[8] HUANG W D， WANG Q， CAO J. Tracing public opinion propagation and emotional evolution based on public emergencies in social networks[J]. International Journal of Computers Communications & Control， 2018， 13（1）：129–142.

[9]夏立新， 畢崇武， 梅瀟， 等.基于事件鏈的網絡輿情事件演化研究[J].情報理論與實踐， 2020， 43（5）：123–130.

[10] SUN R， WANG Z C， REN Y F， et al. Query-biased multi-document abstractive summarization via submodular maximization using event guidance[C]//17th International Conference on Web-Age ?Information Management.Nanchang： Springer， 2016：310–322.

[11] CUI W W， LIU S X， TAN L， et al. TextFlow： towards better understanding of evolving topics in text[J]. IEEE Transactions on Visualization and Computer Graphics， 2011， 17（12）：2412–2421.

[12]關鵬， 王曰芬， 傅柱.不同語料下基于 LDA 主題模型的科學文獻主題抽取效果分析[J].圖書情報工作 ， 2016，60（2）：112–121.

[13] DU Y J， YI Y T， LI X Y， et al. Extracting and tracking hot topics of micro-blogs based on improved latent dirichlet allocation[J]. Engineering Applications of Artificial Intelligence， 2020， 87：103279.

[14] CURISKIS S A， DRAKE B， OSBORN T R， et al. An evaluation of document clustering and topic modelling in two online social networks： twitter and reddit[J]. Information Processing & Management， 2020， 57（2）：102034.

[15] NALLAPATI R， FENG A， PENG F C， et al. Event threading within news topics[C]//Proceedings of the 13th ACM International Conference on Information and Knowledge Management. Washington： ACM， 2004：446–453.

[16] YANG C C， SHI X D， WEI C P. Discovering event evolution graphs from news corpora[J]. IEEE Transactions on Systems， Man， and Cybernetics-PartA ：Systems and Humans， 2009， 39（4）：850–863.

[17] XU Z， WEI X， LUO X F， et al. Knowle： a semantic link network based system for organizing large scale online news events[J]. Future Generation Computer Systems，2015， 43–44：40–50.

[18] FANG S W， ZHAO N， CHEN N， et al. Analyzing and predicting network public opinion evolution based on group persuasion force of populism[J]. Physica A ： Statistical Mechanics and its Applications， 2019， 525： 809–824.

[19] LIU J G， ZHOU Q， GUO Q， et al. Knowledge diffusion of dynamical network in terms of interaction frequency[J]. Scientific Reports， 2017， 7（1）：10755.

[20] LI R D， LIU J G， GUO Q， et al. Social signature identification of dynamical social networks[J]. Physica A ： Statistical Mechanics and its Applications， 2018， 508： 213–222.

[21] LIAN Y， DONG X F， LIU Y J. Topological evolution of the internet public opinion[J]. Physica A ：Statistical Mechanics and its Applications， 2017， 486：567–578.

[22] ZHANG Y， CHEN F， ZHANG W F， et al. Keywords extraction based on word2Vec and TextRank[C]//The 3rd International Conference on Big Data and Education. London： ACM， 2020：37–42.

[23]趙愛華， 劉培玉， 鄭燕.基于 LDA 的新聞話題子話題劃分方法[J].小型微型計算機系統， 2013， 34（4）：732–737.

[24] WANG Z H， SHOU L D， CHEN K， et al. Onsummarization and timeline generation for evolutionary tweet streams[J]. IEEE Transactions on Knowledge and Data Engineering， 2015， 27（5）：1301–1315.

[25] SMITH D， SCHLAEPFER P， MAJOR K， et al. Cooperation and ?the evolution ?of hunter-gathererstorytelling[J]. Nature Communications， 2017， 8（1）：1853.

（編輯：丁紅藝）