社交网络中敏感舆情事件演化趋势的引导与成效评估方法研究

Online Social Network has become the important place for public opinions propagation, which are usually with clear ideas, widely spreading and bad influence. Research on the methods for guiding their changing trends and reducing their influence are a hot and difficult problem in the area of public opinion monitoring. Public opinion guidance is defined as according to its subjective information to generate the corresponding guidance content automatically. And then employ the appropriate guidance strategy to change the subjective understanding of the target audiences. Focus on the existing difficulties, we employ the depth neural network to achieve the goal of subjective information representation. Following the methods for subjective information recognition in cross modal data, such as text, pictures and videos, are proposed. Secondly, the guidance contents are generated automatically based on the characteristics of public opinion, such as time, environment and other factors. Furthermore, we employ the multi-stage guidance strategy to guide the development trends of public opinion at the right time. Finally, we proposed methods based on information fusion to evaluate the effectiveness of public opinion guidance. The results will provide technical support for monitoring the changing trends of public opinion, and contribute to the construction of a harmonious online society.

社交网络已经成为舆情对抗的重要阵地，其中的舆情具有观点明确、传播范围广、影响恶劣等特点，如何引导舆情发展态势以降低其危害是目前舆情监控研究的重点和难点。舆情引导是指针对舆情中的主观信息，自动生成相应的引导内容，采取合适的引导策略，以改变目标受众的主观认识。针对其中存在的难点问题，本项目首先提出了基于深度神经网络的类人脑主观信息表示方法，并在此基础上实现文本、图片、视频等跨模态数据中主观信息的识别。随后，提出了融合舆情事件要素的内容自动生成方法，所生成的文本符合舆情在主题、时间、环境等因素等特征，易被引导目标接受。再者，提出了多阶段拟人化的引导策略，选择合适的时机介入引导，由先期引导和后期疏导为主要目标实现舆情发展趋势的控制。最后，提出了信息融合框架下的舆情引导成效评估方法，并据此实现引导策略的修正和有效性验证。项目研究成果将对舆情发展态势的引导提供技术支撑，为营造和谐的线上社会做出贡献。

社交媒体的广泛应用，促使线上虚拟社会快速发展，由于虚拟社会中的言论具有随意性、突发性、传播速度快、受众面广、真假难辨等特点，给国家政治稳定和社会安全带来的巨大的挑战。本项目围绕网络舆情的引导与成效评估中的主观信息识别难、引导内容生成难、引导策略选择困等难点问题展开研究，主要研究成果包括：1）提出了一种高质量引导文本智能加工方法。针对舆情事件往往包含多个主题及多种情感的问题，设计了包含隐式条件向量指导的生成器和多个判别器的生成对抗网络结构，隐式条件向量可以动态地学习到数据中更多条件相关的特征，新增条件判别器对生成器的生成过程提供更强的约束，进一步增强舆情引导的针对性和贴合性。2）提出了一种基于动态隔离思想的关键节点选择方法。首先建立了一种带有动态隔离策略的限制传播环境，通过理论推导验证了该策略在抑制社交网络信息传播能力方面的有效性。将节点选择方法应用在带动态隔离策略的传播环境中，实验结果表明动态隔离策略能够降低舆情态势，并且减少引导用户的成本。3）提出了一种基于排序学习的舆情事件演化态势评估方法。充分利用标注数据中的专家知识以及有标签数据和无标签数据的关联关系实现舆情事件演化趋势评估，首先从“人”“事”“势”等三要素出发,构建易获取、可量化、有含义的舆情事件演化态势评估指标体系；其次，基于图卷积神经网络构建舆情演化趋势评估模型，利用局部敏感Hash算法挖掘数据的空间结构信息，并利用图卷积求取数据及其邻域的混合特征；最后，针对有标签数据和无标签数据设计相应的损失函数，实现标注数据中专家知识和无标注数据中空间结构信息的综合利用。基于上述研究内容，在IEEE TIFS，IEEE TKDE、KBS，计算机研究与发展等国内外期刊发表论文20余篇，申请发明专利6项，收集了来自新浪微博、Twitter等社交平台的数据过10TB，为社交网络中舆情事件演化趋势的引导和成效评估奠定了扎实的基础。