基于利益相关者的突发事件网络舆情演化研究

doi:10.3772/j.issn.1000-0135.2022.05.008

情报学报

2022, Vol. 41

Issue (5): 525-535 DOI: 10.3772/j.issn.1000-0135.2022.05.008

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基于利益相关者的突发事件网络舆情演化研究

张教萌¹, 师荣蓉²

1.西北大学数学学院，西安 710127
2.西北大学经济与管理学院，西安 710127

The Evolution of the Online Public Opinion of Stakeholders in Emergencies

Zhang Jiaomeng¹, Shi Rongrong²

1.School of Mathematics, Northwest University, Xi’an 710127
2.School of Economics and Management, Northwest University, Xi’an 710127

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (3414 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要针对突发公共卫生事件提出了一套结合利益相关者的网络舆情监控方法。以新冠肺炎微博数据为例，按照疫情中涉及的社会角色划分了11类利益相关者，将LDA（latent Dirichlet allocation）与LDA2vec串行提取文本主题，借助SnowNLP进行情感分类，通过统计话题的绝对关注度和相对关注度得到不同利益相关者的网络舆情演化过程。实证结果表明，利益相关者的关注点在疫情爆发期内比较一致，而在平稳期内比较分散，最终随着疫情的逐步控制再次集中；相同角色的利益相关者具有相似的话题和情感演化过程，但其侧重点仍有差异；绝对关注度反映了主流舆论影响下的关注点，相对关注度反映了与利益相关者自身利益相关的关注点。本研究揭示了突发公共卫生事件中利益相关者的舆论演化特征，为政府精确监控突发公共卫生事件中不同群体的舆论趋势提供了理论依据与决策参考。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	张教萌
	师荣蓉

关键词 ：突发公共卫生事件, 利益相关者, 网络舆情, 主题模型

收稿日期: 2021-04-06

基金资助:陕西省社会科学基金“舆情咨政研究”专项项目“重大疫情网络舆情中公众表达与舆论引导的互动研究”（2021ZX32）。

作者简介: 张教萌，女，1997年生，硕士研究生，研究方向为网络舆情、文本挖掘；师荣蓉，女，1985年生，博士，副教授，硕士生导师，研究方向为应用统计学，E-mail：srrsmile@163.co；

引用本文:

张教萌, 师荣蓉. 基于利益相关者的突发事件网络舆情演化研究[J]. 情报学报, 2022, 41(5): 525-535.
Zhang Jiaomeng, Shi Rongrong. The Evolution of the Online Public Opinion of Stakeholders in Emergencies. 情报学报, 2022, 41(5): 525-535.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2022.05.008 或 https://qbxb.istic.ac.cn/CN/Y2022/V41/I5/525

1 刘倩, 李晨亮. 基于社交媒体的话题演变研究综述[J]. 数据分析与知识发现, 2020, 4(8): 1-14.
2 吴晓娟. 基于微博文本的网络舆情主题演化分析——以“蓝色钱江放火案”为例[D]. 南京: 南京大学, 2018: 34-40.
3 Xiong J M, Hswen Y, Naslund J A. Digital surveillance for monitoring environmental health threats: a case study capturing public opinion from Twitter about the 2019 Chennai water crisis[J]. International Journal of Environmental Research and Public Health, 2020, 17(14): 5077.
4 Sadri A M, Hasan S, Ukkusuri S V, et al. Crisis communication patterns in social media during Hurricane Sandy[J]. Transportation Research Record: Journal of the Transportation Research Board, 2018, 2672(1): 125-137.
5 Yuan F X, Li M, Liu R. Understanding the evolutions of public responses using social media: Hurricane Matthew case study[J]. International Journal of Disaster Risk Reduction, 2020, 51: 101798.
6 王艳东, 李昊, 王腾, 等. 基于社交媒体的突发事件应急信息挖掘与分析[J]. 武汉大学学报·信息科学版, 2016, 41(3): 290-297.
7 Cortes C, Vapnik V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
8 Wu W J, Li J L, He Z Y, et al. Tracking spatio-temporal variation of geo-tagged topics with social media in China: a case study of 2016 Hefei rainstorm[J]. International Journal of Disaster Risk Reduction, 2020, 50: 101737.
9 赵华, 章成志. 中英文突发事件话题演化对比研究——以H7N9微博为例[J]. 情报资料工作, 2016(3): 19-27.
10 Wang J Z, Zhou Y, Zhang W, et al. Concerns expressed by Chinese social media users during the COVID-19 pandemic: content analysis of Sina Weibo microblogging data[J]. Journal of Medical Internet Research, 2020, 22(11): e22152.
11 刘雅姝, 张海涛, 徐海玲, 等. 多维特征融合的网络舆情突发事件演化话题图谱研究[J]. 情报学报, 2019, 38(8): 798-806.
12 Neppalli V K, Caragea C, Squicciarini A, et al. Sentiment analysis during Hurricane Sandy in emergency response[J]. International Journal of Disaster Risk Reduction, 2017, 21: 213-222.
13 Zhang L, Wei J, Boncella R J. Emotional communication analysis of emergency microblog based on the evolution life cycle of public opinion[J]. Information Discovery and Delivery, 2020, 48(3): 151-163.
14 崔彦琛, 张鹏, 兰月新, 等. 面向时间序列的微博突发事件衍生舆情情感分析研究——以“6.22”杭州保姆纵火案衍生舆情事件为例[J]. 情报科学, 2019, 37(3): 119-126.
15 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.
16 安璐, 欧孟花. 突发公共卫生事件利益相关者的社会网络情感图谱研究[J]. 图书情报工作, 2017, 61(20): 120-130.
17 Blei D M, Ng A Y, Jordan M I. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022.
18 Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space[OL]. (2013-09-07) https://arxiv.org/pdf/1301.3781v3.pdf.
19 Moody C E. Mixing Dirichlet topic models and word embeddings to make lda2vec[OL]. (2016-05-06). https://arxiv.org/pdf/1605.02019v1.pdf.
20 裘惠麟, 邵波. 多源数据环境下科研热点识别方法研究[J]. 图书情报工作, 2020, 64(5): 78-88.
21 李杰, 王雪可, 刘力宾, 等. 医保欺诈事件舆情传播的情感焦点与情感倾向演化研究——基于舆情客体视角[J]. 情报科学, 2020, 38(4): 77-82.
22 安璐, 杜廷尧, 李纲, 等. 突发公共卫生事件利益相关者在社交媒体中的关注点及演化模式[J]. 情报学报, 2018, 37(4): 394-405.
23 Maltoni C, Rossi C, Sánchez G. Improving resilience to emergencies through advanced cyber technologies: the I-REACT project[J]. GEOmedia, 2017, 21(3): 18-22.
24 谢科范, 赵湜, 陈刚, 等. 网络舆情突发事件的生命周期原理及集群决策研究[J]. 武汉理工大学学报(社会科学版), 2010, 23(4): 482-486.
25 Fink S. Crisis management: planning for the inevitable[M]. New York: American Management Association, 1986: 20.
26 于晶. 突发事件政府新闻发布的传播效果研究[D]. 上海: 复旦大学, 2010: 48-49.
27 吴亚楠. 传统媒体与自媒体的博弈研究——以突发公共事件报道为例[D]. 哈尔滨: 黑龙江大学, 2012: 29-30.
28 马缘园. 重大突发公共卫生事件中主流媒体与网络舆情有机运动关系探讨——以新冠肺炎疫情信息传播为例[J]. 新闻爱好者, 2020(9): 27-31.