信安项目——如何监测与研判网络舆情？

不实言论的广泛传播

网络暴力带来的伤害…

你是否也陷入过网络舆情的漩涡？

互联网新媒体的普及

改变了舆论原有的传播方式

使得互联网已经成为了

具有复杂信息传播格局的舆论斗争主战场

研究背景——网络舆情

网络舆情具有

传播速度快、影响范围广、社会影响力大等特点

不好的网络舆论

往往会传播负面和虚假信息

容易响公司、企事业单位的公众形象

引发公众的情绪对立、激化社会矛盾

因此
利用网络舆情数据

对网络舆情进行准确分析和预测

显得尤为重要

然而

舆情转发规模预测机制不够合理

对舆情倾向性的判断准确度不高

对于舆情分析的数据不够直观和多元化…

仍有众多风险问题

时刻发生在网络舆情的战场上

针对这些问题

实验室的项目团队“打完这场就去开高达”

又提出了怎样的解决方案呢？

让我们看看他们给出的答案吧

作品名：《基于微博转发量预测与情感分析的舆情安全监测系统》

项目团队：打完这场就去开高达

指导老师：石兴民、刘雪娇

成员：陈奕涵、薛煜晓、兰莹莹、刘子阳

获奖成果：第十五届全国大学生信息安全竞赛作品赛优胜奖

作品从舆论情感和转发规模两方面入手，以微博数据为基础构建了自动化的大屏舆情安全监测分析系统。为了更好地实现项目，保证预测结果的准确性是重中之重，而要得到理想的预测结果，算法模型与基础数据的重要性不言而喻。对此，团队成员在算法选择与实现上付出了不少努力。

解决思路简述

1.基于随机森林的微博转发量预测模型

    随机森林是以决策树为基础学习器的集成学习算法，其层次结构包括数据输入层、采样层、分类训练层、输出层四部分。可对数据进行预处理，并进行自主重采样，创建网络搜索对象，重新分裂以做到对微博转发量更准确的预测与评估。同时根据特征相关性热力图，从微博中提取出特征标志加入到随机森林算法中进行模型训练，从而达到提升预测准确度的目的。

随机森林算法模型

2.基于Bert模型的舆情情感分析

     Bert模型是一个预训练的语言表征模型，其结构包括数据输入层、位置编码处理层、学习训练层、残差连接层、输出层。

     其算法流程分为位置编码处理和Self-Attention处理两部分。Bert模型通过MLM捕捉舆情词语特征和NSP捕捉舆情句子级别特征预训练，能更准确地对舆情情感做出分析。

Bert模型

3.情感极性分析和多分类模型训练

     通过对周情感变化的分析，基于情感值分类积极和消极，得到周情感变化曲线以及情感极性占比。同时对微博用户情感进行详细分类，并统计出各类情感人数占比，可以更清晰准确的得出用户的情感分类图，了解到用户的情感状况。

微博数据抓取与数据集预处理

测试数据

        1. 将csv格式的数据进行读取并且存储到云数据库当中，实现站库分离，降低服务器的运行压力，减少了数据安全风险。

        2.使用当前流行的JAVA框架——SpringBoot，对数据作简要处理，设计接口将数据库中的数据以json格式返回到前端页面。