前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇網絡輿情傳播研究范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

網絡輿情傳播研究范文第1篇

〔關鍵詞〕相似傳播；情景聚類；協同過濾；推薦算法

DOI：10.3969/j.issn.1008-0821.2016.11.009

〔中圖分類號〕G2062〔文獻標識碼〕A〔文章編號〕1008-0821（2016）11-0050-05

〔Abstract〕In the age of the Internet era，the personalized recommendation system gradually is applied to different fields and recommendation algorithm has become a research hot spot at present.Traditional recommendation algorithm，however，often has some problems，for example a cold start，sparse data.In this paper，on the basis of researches on traditional recommendation algorithm，this paper proposed a collaborative filtering recommendation algorithm based on similarity propagation and context puting the similarity between user for user clustering，then the paper found more nearest neighbors of target users，according to the similarity propagation to finally，it recommended projects according to the forecast target users ratings.With the help of online public data，the paper implemented the proposed algorithm and verified the effectiveness of the proposed algorithm on Matlab.experiment showed that the accuracy of the proposed algorithm compared with the traditional algorithm was higher，and the proposed algorithm relieved the problems of traditional recommendation algorithm，such as the cold start and sparse data，etc.

〔Key words〕similarity propagation；context clustering；collaborative filtering；recommendation algorithm

如今，互聯網已經成為人們獲取信息的重要途徑。然而，隨著網絡上信息量越來越大，信息過載的問題也越來越嚴重，這對人們在網上快速查找精確信息造成了很大的困難。個性化推薦系統能夠根據用戶的興趣偏好、項目、需求甚至通過感知用戶的情景來向用戶推薦信息，這不僅很好地解決了信息過載的問題，同時還滿足了用戶的個性化需求。在實際應用方面，亞馬遜、當當等大型電商網站都開發出了自己的推薦系統。在學術研究領域，個性化推薦方面的研究也逐漸進入學者的視野并得到關注，例如美國的Grouplens團隊、Alexander Tuzhilin教授、Paul Resnick教授等對個性化推薦系統及相關的推薦算法進行了深入的研究[1]。

1問題的提出

協同過濾推薦算法作為目前研究較成熟、應用范圍較廣的推薦算法已被廣泛地運用于互聯網各大推薦系統中[2]。然而，傳統的協同過濾推薦算法推薦的準確率和推薦效率往往受到多方面的影響，如對于新用戶存在的冷啟動問題和由于評分矩陣數據稀少導致的數據稀疏問題對推薦算法的質量產生的影響。

本文對傳統的推薦算法進行了改進，將相似傳播的思想和用戶的情景與協同過濾推薦相結合，提出了一種基于相似傳播和情景聚類的網絡協同過濾推薦算法，在傳統協同過濾算法存在的問題得到了較好緩解的同時也提高了推薦算法推薦的準確率。

2相關概念及理論

21情景的定義

情景在不同的領域有不同的定義，心理學、情報學、哲學、組織行為學、教育學、社會學等領域的眾多學者都對情景進行了深入的研究和探討，但關于情景的定義學者們都各執己見，不能達成一致共識，因此情景一直沒有統一的定義。Dey等人認為能描述某一實體特征的信息即為情景[3]。雖然這一定義目前被廣泛引用，但由于不同領域對情景的理解各不相同，情景的定義一直無法準確給出。大多數學者都認同：情景是和實體是不可分的，情景只有與實體產生聯系才具有意義，情景可以將實體的相關信息進行詳細的描述。

22聚類的概念

聚類是利用一定的方法將數據集合劃分成簇中各成員間相似度較高但簇與簇間各不相同的多個簇的過程。聚類的結果往往隨著所使用的聚類方法的改變而改變，使用不同的聚類方法對相同的數據集進行聚類，產生的最終結果也可能不同。劃分的過程不是通過人，而是通過聚類算法進行的。

23協同過濾推薦

協同過濾推薦（Collaborative Filtering Recommendation，CFR）是根據用戶的興趣偏好及相關信息找到與用戶相似的群體，將該群體感興趣的內容作為待推薦的內容推薦給用戶。協同過濾推薦不需要用戶顯式查找自己感興趣的內容或項目，而是根據已有用戶對項目的評分來預測計算該用戶的評分，進而根據評分高低對用戶進行推薦，因此該方法在許多領域得到廣泛的應用。

3傳統協同過濾推薦算法

協同過濾推薦的原理是根據用戶的興趣偏好及相關信息找到與用戶相似的群體，將該群體感興趣的內容作為待推薦的內容推薦給用戶。其中，基于記憶的協同過濾在實際運用中運用范圍較廣，它又可以根據被計算相似度的對象的不同分為用戶和項目兩種類型[4]。

31基于用戶的協同過濾

基于用戶的協同過濾（User-based CF）推薦算法首先是查找與目標用戶相似的群體（即目標用戶的最近鄰），這一過程通常通過利用系統中已有“用戶-項目”評分矩陣中的評分數據來計算用戶與用戶之間的相似度來完成；然后根據生成的最近鄰集合中的用戶對項目的評分數據，利用評分預測計算公式來計算得到目標用戶對某一項目的預測評分；最后根據預測結果對目標用戶進行推薦。整個推薦過程大致可分為目標用戶最近鄰查找和目標用戶對項目的評分預測。余弦相似性、修正的余弦相似性、Tanimoto系數，Pearson相關系數[5]等是在計算相關系數時較常使用的方法。

User-based協同過濾推薦算法在計算用戶間的相似度時多是采用Pearson相關系數的計算方法，根據已有用戶對項目的評分矩陣進行計算。計算用戶u與u′間的相似度，計算公式如下：

sim（u，u′）=∑s∈I（u，u′）（r（u，s）-（u））（r（u′，s）-（u′））∑s∈I（u，u′）（r（u，s）-（u））2（r（u′，s）-（u′））2

其中，r（u，s）代表用戶u對項目s的評分，r（u′，s）代表用戶u′對項目s的評分；（u）代表用戶u對所有項目評分的平均分，（u′）代表用戶u′對所有項目評分的平均分；I（u，u′）代表用戶u與用戶u′都有評分的項目的集合。

通過計算目標用戶與非目標用戶間的相似度找到與目標用戶相似的用戶群體，將該群體的集合作為目標用戶的最近鄰集合D。生成最近鄰集合后，將最近鄰集合中用戶對項目的評分數據代入評分預測公式來對目標用戶進行偏好預測。預測目標用戶u對某一項目s′的評分時可采用如下公式[6]：

P（u，s′）=∑u′∈D[sim（u，u′）R（u′，s′）]∑u′∈Dsim（u，u′）

其中R（u′，s′）代表用戶u的最近鄰集合中的用戶對項目s′的評分，sim（u，u′）代表用戶u與u′的相似度，D為用戶u的最近鄰集合。

以上公式計算出來的預測結果將作為對目標用戶進行推薦的依據。

32基于項目的協同過濾

基于項目的協同過濾（Item-based CF）推薦算法首先是找到與項目相似的項目群，這一過程通常通過利用已有用戶對項目的評分數據計算項目與項目之間的相關系數來完成；項目相似群生成后，根據用戶對群體中各項目的已有評分數據來計算用戶對某一項目的預測評分；最后根據評分計算結果對用戶產生相關推薦。計算項目t與t′間的相似度，計算公式如下：

sim（t，t′）=∑u∈u（t，t′）（r（u，t）-（t））（r（u，t′）-（t′））∑u∈u（t，t′）（r（u，t）-（t））2（r（u，t′）-（t′））2

其中，r（u，t）代表用戶u對項目t的評分，r（u，t′）代表用戶u對項目t′的評分；（t）代表所有用戶對項目t評分的平均分，（t′）代表所有用戶對項目t′評分的平均分；u（t，t′）代表對項目t與t′都有評分的用戶的集合。

根據項目間相關系數的計算生成項目的最近鄰集合I，之后根據生成的相似的項目群體來預測用戶對項目的評分。如計算用戶a對項目i的預測評分，計算公式如下[7]：

P（a，i）=（i）+∑j∈I（i，j）sim（i，j）（r（a，j）-（j））∑j∈I（i，j）sim（i，j）

其中，（i）代表所有用戶對項目i評分的平均分，（j）代表所有用戶對項目j評分的平均分；sim（i，j）代表項目i與項目j間的相似度；I（i，j）代表項目i的最近鄰集合。

計算出預測評分后依據預測結果對用戶進行推薦。

然而，對于新用戶和評分數據較少的用戶，利用傳統的協同過濾推薦算法很難對其進行準確的推薦。本文在對傳統推薦算法研究的基礎上，將相似傳播的思想和用戶的情景與協同過濾推薦相結合，提出了一種基于相似傳播和情景聚類的協同過濾推薦算法，對傳統的推薦算法進行改進以解決冷啟動及數據稀疏等問題。由于在個性化推薦的過程中充分考慮用戶的情景，使得推薦結果更能滿足用戶個性化的需求，準確率也相對較高。

4基于相似傳播和情景聚類的協同過濾推薦算法

41算法思路

基于聚類的協同過濾推薦算法是根據一定的聚類算法利用已有的“用戶-項目”評分矩陣將用戶分成多個不同的簇，通過計算用戶與各簇的距離來找到與目標用戶距離最小的簇作為目標用戶的相似用戶群體，最后將目標用戶相似群體中的用戶對某一項目的加權平均分作為目標用戶對該項目的評分，以此方式來預測目標用戶對項目的偏好程度，然后對用戶進行推薦。

然而對于新用戶，由于缺少相關信息，在查找用戶最近鄰時可能會出現很大的誤差，最終影響推薦的準確性。情景能很好地描述用戶的特征，對個性化推薦有著至關重要的影響。

本文將用戶的情景因素引入到個性化推薦中，充分考慮情景對推薦效果的影響，對原有的基于聚類的協同過濾推薦算法在相似度計算公式和用戶評分預測公式進行改進，提出了一種基于相似傳播和情景聚類的協同過濾推薦算法。該算法根據用戶的情景對用戶進行聚類，同時引入相似度傳播的思想，能夠很好地緩解以前算法存在的數據稀疏性問題。

相似傳播，就是根據每個用戶或項目的最近鄰找出最近鄰的最近鄰，這樣能尋找出與目標用戶相似的更多的鄰居，提高推薦結果的準確性。例如，若用戶u的最近鄰為u1，而u1的最近鄰為u、u2和u3，則在預測用戶u對某一項目的評分時，可以根據一定的算法利用用戶u1、u2和u3的評分預測用戶u的評分，最終進行推薦。

在推薦系統中利用情景對推薦信息進行過濾的時間并非是固定的，根據利用情景的先后，可將情景感知推薦系統分為情景預過濾、后過濾與建模3種不同的形式[8]。情景預過濾是在推薦過程中首先根據用戶的情景剔除部分不匹配數據，生成與用戶情景相關的評分數據集，之后根據推薦算法對數據集進行用戶評分預測，最終將與用戶情景匹配的結果推薦給用戶。本文所提算法工作流程圖如圖1所示：

42算法

本文所提算法大致可分為以下3個步驟：

421聚類

本文根據用戶情景的不同將用戶進行聚類。首先確定出k個聚類中心，然后計算不同情景間的相似度，依此將用戶分成k個簇，使得每個簇中的用戶有相似的情景。由于情景的屬性是混合型的，在計算情景間相似度前需對用戶的情景進行抽象描述。本文通過采用余弦相似性計算用戶情景的相似性對用戶進行聚類。將用戶的情景定義為C，計算情景C1與情景C2間的相似性的計算方式如下：

sim（C1，C2）=C1?C2C1C2

通過計算情景間的相似性，將情景相似度高的用戶聚類在一起，生成情景最近鄰集合M。

422最近鄰集合的生成

計算目標用戶到通過情景聚類得到的各簇之間的距離，找到與目標用戶距離最近的簇，并計算目標用戶與簇中各用戶間的相似度。本文在傳統的計算用戶相似度的基礎上引入用戶的情景因素，對傳統的相似度計算方法進行改進，提出了基于情景的用戶相似度的計算，如計算目標用戶u與用戶u′間的相似度，計算方法如下：

sim（u，u′）=∑j∈I（u，u′，c）（r（u，c，j）-（u，c））（r（u′，c，j）-（u′，c））∑j∈I（u，u′，c）（r（u，c，j）-（u，c））2（r（u′，c，j）-（u′，c））2

其中，r（u，c，j）代表用戶u在情景c下對項目j的評分，r（u′，c，j）代表用戶u′在情景c下對項目j的評分；（u，c）代表用戶u在情景c下對所有項目評分的平均分，（u′，c）代表用戶u′在情景c下對所有項目評分的平均分；I（u，u′，c）代表用戶u與用戶u′在情景c下有共同評分的項目的集合。

根據以上公式計算出目標用戶與簇中各用戶的相關系數，將與目標用戶相似度較高的用戶放入同一集合中，生成目標用戶的最近鄰集合N。

在計算項目與項目間的相似度時，本文在基于項目的協同過濾經典算法Slope One算法[9]中引入用戶的情景，形成“用戶-情景-項目”模型，在計算項目間相似度時將情景因素對用戶對項目評分的影響考慮在內，提出基于情景的項目相似度計算方法，計算項目t與項目t′的相似度的計算方法如下：

sim（t，t′）=1-∑u∈U（c，t，t′）[r（u，c，t）-r（u，c，t′）]U（c，t，t′）Pm

其中r（u，c，t）代表用戶u在情景c下對項目t的評分，r（u，c，t′）代表用戶u在情景c下對項目t′的評分；U（c，t，t′）代表在情景c下對項目t與t′均有評分的用戶數，U（c，t，t′）代表在情景c下對項目t與項目t′均有評分的用戶的集合，Pm表示滿分評分。

通過計算項目間的相關性生成項目的相似項目群作為項目的最近鄰集合A。

423推薦的生成

假設用戶u的用戶最近鄰集合表示為N，情景c的情景最近鄰集合表示為M，項目t的項目最近鄰集合表示為A，則用戶u在情景c下對項目t的預測評分Gu，c，t可通過目標用戶u的用戶最近鄰集合N中的用戶在情景c下對項目t的評分，目標用戶u在情景c的情景最近鄰集合M下對項目t的評分，以及目標用戶u在情景c下對項目t的項目最近鄰集合A中項目的評分求得。用戶u在情景c下對項目t的預測評分計算方法如下：

Gu，c，t=13k1∑u′∈Nsim（u，u′）[R（u′，c，t）-（u′，c）]+（u，c）+k2∑c′∈Msim（c，c′）[R（u，c′，t）-（c′，t）]+12[（c，t）+（u，c）]+k3∑t′∈Asim（t，t′）[R（u，c，t′）-（c，t′）]+（c，t）

其中k1=1∑u′∈Nsim（u，u′），k2=1∑c′∈Msim（c，c′），k3=1∑t′∈Asim（t，t′）。R（u′，c，t）代表用戶u′在情景c下對項目t的評分，R（u，c′，t）代表用戶u在情景c′下對t的評分，R（u，c，t′）代表用戶u在情景c下對項目t′的評分；（u′，c）代表用戶u′在情景c下對所有項目評分的平均分，（c′，t）代表所有用戶在情景c′下對項目t評分的平均分，（c，t′）代表所有用戶在情景c下對項目t′評分的平均分；（u，c）代表用戶u在情景c下對所有項目評分的平均分，（c，t）代表所有用戶在情景c下對項目t的評分的平均分。

43實驗和結論

為了驗證本算法的有效性，筆者利用Matlab進行了驗證。本文用來驗證的數據集來自Grouplens提供的公開數據集，該數據集中包含了用戶的情景信息、用戶對電影的評分（1～5分之間）。筆者通過對公開數據集中數據的處理，從原始數據集中選出評分較多的用戶，其中包括1 000名用戶在不同情景下對3 000部電影做出的160 000條評分作為驗證數據，其中用來訓練的數據占70%，用來測試的數據占30%，實驗對預測分數達45分以上的電影向用戶做推薦。

在仿真過程中，通過計算不同算法（含本文算法與傳統算法）間的平均絕對誤差（MAE，Mean Absolute Error）來加以證明本文算法的有效性。設預測評分集合為P={p1，p2，p3，…，pi，…，pn}，實際評分集合為Q={q1，q2，q3，…，qi，qn}，則平均絕對誤差的計算公式如下：

MAE=∑ni=1pi-qin

所得結果如圖2所示。由圖中可看出在最近鄰數目相同時，本文算法的MAE值明顯小于Slope One算法和傳統的協同過濾推薦算法，本文所提算法推薦的準確率與以上兩種算法相比相對較高。

5結語

本文在對用戶進行推薦時充分考慮用戶的情景因素對推薦結果的影響，根據情景間的差異將用戶進行聚類，且在計算用戶和項目相似度以及用戶對項目的預測評分時也將情景的影響考慮在內，最終實現對用戶的項目推薦，仿真實驗證明了本文所提算法是有效且可行的。由于在推薦過程中不僅考慮用戶的情景因素對用戶偏好的影響，同時引入相似傳播的思想使得目標用戶能找到更多的鄰居，這樣很好地緩解了傳統算法中一直存在的冷啟動問題，而且進一步提高了推薦算法的準確率。但由于在根據用戶情景對用戶進行聚類時需反復迭代，計算所花時間較長，造成整個推薦過程所花時間相對較長，因此未來的研究希望能圖2不同算法的MAE值比較

在提高推薦效率上有所突破。

參考文獻

[1]馮鵬程.基于情境感知的個性化推薦算法的研究[D].上海：東華大學，2014.

[2]鄧曉懿，金淳，韓慶平，等.基于情境聚類和用戶評級的協同過濾推薦模型[J].系統工程理論與實踐，2013，（11）：2945-2953.

[3]詹麗華，李育嫦，潘瑞冰.基于情景感知的移動搜索的演變和實現[J].圖書館理論與實踐，2015，（11）：102-105.

[4]奉國和，梁曉婷.協同過濾推薦研究綜述[J].圖書情報工作，2011，16：126-130.

[5]邱均平，張聰.高校圖書館館藏資源協同推薦系統研究[J].圖書情報工作，2013，22：132-137.

[6]羅文.協同過濾推薦算法綜述[J].科技傳播，2015，（7）：115，196.

[7]董坤.基于協同過濾算法的高校圖書館圖書推薦系統研究[J].現代圖書情報技術，2011，（11）：44-47.

網絡輿情傳播研究范文第2篇

[關鍵詞]網絡輿情；治理；政府；商業化；網媒；演化博弈；前景理論；政媒合作

DOI：10.3969/j.issn.1008―0821.2017.06.001

[中圖分類號]G206.2 [文獻標識碼]A [文章編號]1008―0821（2017）06―0003―06

網絡輿情的自由發展容易演化升級并蔓延到現實生活，影響社會穩定并損害政府形象和公信力。已有研究表明，網絡輿情的治理僅靠政府的力量是不夠的，在網絡輿情危機事件中，危機的發生、發展、沖突到解決的過程，網媒的輿論導向作用不可小覷。因此，政府需要協同網媒等多元治理主體，充分發揮網媒對輿情引導的主體作用，運用媒體的資源，快速并有效地傳播信息、引導輿論及公眾的態度。中國社會化商業資訊（CIC）從企業商業運營的角度，將社會化媒體概括為論壇社區、微博、社交網站等，事實上以門戶網站、微博為代表的網絡新媒體已經成為危機事件、輿論的主要來源地，網媒以其技術特性，使信息傳播產生難以估量的“蝴蝶效應”。商業化性質的網媒由于其自身的局限性，面臨追逐經濟利益和履行社會責任的矛盾，為了吸納人氣、提高點擊率與影響力，獲取經濟利益，以消息人士的口吻傳播不確定的信息，或者以虛假新聞作為噱頭，迎合受眾的低級趣味，散播暴力、媚俗信息。

為了研究網絡輿情相關主體問的利益沖突，已有學者將博弈論融入到網絡輿情的研究中，以相關主體在利益驅使下的行為選擇為對象，研究輿情產生與發展原因，具有較高的理論意義和現實參考價值。吳峰從博弈視角對重大突發事件的輿論博弈機制進行研究，認為突發事件輿論走向是多方力量博弈的結果，包括傳統媒體內部的博弈、新媒體內部的博弈、傳統媒體和新媒體輿論之間的博弈及國內媒體與國外媒體間的博弈。宋余超等在τ咔櫓魈飫啾鴰分的基礎上，進行輿情主題與不同的參與主體組合的匹配，然后構建對應的三方博弈模型，運用演化博弈的思想求解不同情境下各個參與主體的演化穩定策略。劉人境等將地方政府部門與弱勢群體的策略互動和行為演化融入到傳染病傳播模型中，用于模擬輿論的擴散和收斂過程。周飛從網絡輿情參與方的角度出發，根據最大化自身利益為目的做出策略選擇，建立網民、政府及網媒博弈場，對政府的決策提出建議。趙靜嫻利用演化博弈方法建立偽輿情三方演化博弈模型，分析了治理網絡偽輿情中各要素間的博弈關系。劉錦德以演化博弈為基礎，建立對稱博弈矩陣，引入個體的記憶長度，根據設定的交互規則更新觀點，表明網絡輿情傳播中存在羊群效應，并且受多種因素的影響。針對網絡輿情危機的處理，宋彪針對網絡輿情在產生和發展過程中所呈現的群體性特點，應用群體動力學和演化博弈論的方法，構建網絡輿情疏導模型，并指出一些新聞媒體在網絡上新聞，標新立異夸大事實必須落實到政府的日常管理。

上述研究成果對網絡輿情的監管和治理提供了豐富的理論基礎，但是并沒有充分考量以門戶網站（新浪、今日頭條）、微博等商業化網媒作為盈利主體的性質及其影響力，對政府充分發揮網媒對輿情引導的主體作用的研究有所不足。大量的應急處置實踐證明，政府與網絡媒體的關系既有管理成分又有博弈成分，這種關系在兩者之間造成了一定的互耗，影響了對的處置。因此，本文在此基礎上，研究兩者的立場和地位演變，探討建立政府與網絡媒體的積極合作關系，以實現對網絡輿情的有效治理。結合前景理論，建立博弈支付的前景價值矩陣，分析在決策者不完全理性的條件下，商業化的網媒在面對網絡輿情時的策略選擇，分析商業化網媒以負責任態度進行傳播的約束條件，并進一步考慮政府和網媒之間利益相關性，探究政媒合作制度對網媒行為的影響。

1政府和網媒行為的演化博弈

1.1模型假設與構建

網絡輿情是突發事件的衍生產物之一，網絡輿情的傳播反過來又會加大原生事件的應急處置難度。網媒作為觀點、輿論交流傳播的平臺提供方，對網絡輿情的監管具有不可推卸的責任和義務。因此，本文研究的重點是政府的輿情監管部門和以微博、論壇等為代表的商業化運作網媒之間策略選擇的博弈，下文簡稱政府和網媒。

已有研究表明，突發事件容易引發網絡世界的大范圍討論，從博弈的角度，網民的策略選擇是（參與、不參與），事實上，商業性質網媒從盈利的角度，更希望有大量網民能參與到話題討論，網民的不完全理性、跟風的特征、隱性矛盾的集中爆發使得虛假言論更容易傳播，而商業性質網媒以不負責任態度進行傳播時，往往更容易造成“轟動效應”。因此，出于本文研究側重點的考慮，不再將網民假設為博弈主體。

假設1：博弈主體為政府和網媒，均為不完全理性，因此博弈主體對策略的選擇主要基于自身對策略支付值的心理預期，并非策略本身的直接損益。Kahneman和Tversky于20世紀70年代提出的前景理論，是心理學方面對期望效用理論的改進，認為人們對價值的感知并非價值本身，而是較之某一參照點的相對值，本文以此來衡量博弈主體的損益，將政府和網媒雙方對博弈支付值的心理感受定為前景價值V，由價值函數.f（x）和權重函數x（p）組成：

假設2：網絡輿情隨著事件不路⒔停影響擴大，網媒獲得人氣提升帶來的效益，出于經濟利益的考量，網媒不以負責任的態度進行引導，并且在一知半解的情況，為追求優先報道，以消息人士等口吻片面化的言論，放任平臺內極端、片面、虛假言論肆意傳播。若網媒選擇以負責任的態度積極應對，及時監測輿情的發展情況，對片面極端、虛假言論進行有效的管控，聯系相關主體辟謠，制定相應策略，則需要付出人氣流失、網民關注度降低等損失。網絡輿情的演化結果會直接影響社會福利進而影響政府收益，網媒的議題設置對網絡輿情的演化具有重大影響，從政府和網媒博弈的角度，政府有兩種策略選擇，即對網媒進行積極管控或消極管控，所以政府的策略集合為{積極管控A1，消極管控A2}；網媒也有兩種策略選擇：{負責B1，不負責B2}。

假設3：網絡輿情的演化可能會加大原生事件的應急處置難度，產生一系列衍生事件，不利于社會穩定，網絡輿情失控致危機事件發生，博弈雙方均將承擔其策略選擇所造成的風險損失，假定博弈雙方分別需要承擔的責任成本線性相關，如果網絡輿情失控事件發生后的政府需要承擔的責任成本為G，則網絡媒體需要承擔的責任成本為δG，其中δ為責任成本的傳遞系數。

假設4：博弈雙方的策略選擇具有協同效應，當政府采取策略A1，網媒采取策略B1，網絡輿情失控從而導致網絡輿情危機發生的概率較小，本文假設此情景下，網絡輿情演化升級引發危機事件的概率為零；當且僅有一方采積極策略時，即策略組合為{A1，B2}或{A2，B1}，網絡輿情失控發生的概率會增大，當策略組合為{A2，B2}，網絡輿情失控并導致網絡輿情危機事件發生的概率最大。

假設5：模型中，政府消極態度無論是否導致網絡輿情的失控，都會引起社會福利的下降，且成本G已設定為可變函數，故將政府G2假設為常數，且C1》C2。

根據上述假設，構建不完全信息下網絡輿情危機防治過程中政府和網媒之間策略選擇的博弈模型，關于模型的參數設置，如表1所示：

通過模型參數及博弈策略組合確認政府和網媒之間博弈支付的感知價值，如表2所示：

1.3模型的指導意義

第一，在同時滿足式（10）所述的條件時，網絡輿情危機發生的概率最低：網媒負責任時付出的成本不能大于被政府處罰風險的感知價值及政府積極管控的情景下的網絡輿情危機事件發生后風險傳遞成本之和，且不能大于策略組合為{A1，B1}，為網媒帶來的傳遞的外部性安全效益的感知r值；政府積極管控時付出的成本的感知價值，不能大于懲處網媒獲得收入的感知價值、消極管控付出的成本的感知價值與實施積極管控帶來的安全效益的感知價值之和，且不能大于消極管控成本的感知價值與在網媒積極管理時可能發生網絡輿情危機事件的風險感知價值之和。

第二，根據前景理論可知，不完全理性的決策者在進行風險決策時，往往并不是依據期望效用理論進行判斷，往往是獲得收益時傾向于風險厭惡，面對損失時卻傾向于是風險偏好。網媒采取負責任策略時需要付出確定性費用及點擊量下降導致的凈損失B，而選擇不負責任的策略時，有一定的概率付出懲罰損失D和輿情危機傳遞損失犯。此時，網媒的風險偏好使其不愿意承擔確定性成本，愿意承擔風險選擇不負責策略；而政府同樣受到風險偏好影響，不愿意承擔確定性的成本，盡量減少積極管控所需支付的成本。

第三，博弈主體的風險偏好會妨礙系統模型正常的穩定性演化，致使網絡輿情演化失控導致危機發生，其原因可能是網絡空間的虛擬性，導致π（p）和G被低估，即危機發生的概率及其影響被低估，且網絡輿情治理的實際操作與理論、法規的（脫節），以及博弈主體對既得利益的偏好，積極管控、負責需付出成本的前景價值（C1，B）被高估.問責機制的失范導致政府消極管控成本C2的前景價值被低估。

本文嘗試引入與網媒具有責任感時付出的成本B、網絡輿情危機風險成本G等相關的變量，政媒合作為網媒帶來的收益H，分析網媒在政媒合作條件下的價值感受及收益H對網媒行為的影響，進一步解釋網媒責任感缺失的原因，研究政府激勵網媒發揮主動性的管控模式。

2政媒合作制度對網媒行為的影響

2.1政媒合作制度對網媒行為的影響模型

網絡輿情的治理可以借鑒“公共服務多元化”的理論精髓，充分發揮網媒對網絡輿情引導的主體作用。

假定6：網媒作為不負責傳播者時，可以獲得人氣提升帶來收益r，網絡輿情的影響面越大，網媒的收益r越高，若網絡輿情演化失控導致危機發生則政府的善后成本c12越大，所假定G是r的單調函數，即G=ψ（r），說明政府有意愿開展政媒合作共同治理網絡輿情。

3結語

本文運用演化博弈論對網絡輿情中的政府和網媒行為進行博弈分析，考慮到博弈主體不完全理性對風險偏好的影響，引入前景理論構建博弈的感知價值矩陣，更能切實反映在面對網絡輿情時，政府與網媒之間的博弈情境。

網絡輿情傳播研究范文第3篇

【關鍵詞】涉警網絡輿情；媒體影響；應對策略

一、前言

網絡輿情是指通過網絡傳播的消息影響了社會群眾的認知與情感的過程。涉警網絡輿情對公安機關的工作能力以及隊伍形象產生了一定的影響，在網絡技術發達的當下，利用涉警網絡輿情進行非法交易與傳播的事件逐漸增多，對公安形象以及工作造成了不利影響。因此，只有重視涉警網絡輿情的媒體應對策略，才能營造良好的網絡環境，更好的維護社會的安定與團結。

二、涉警網絡輿情的媒體影響分析

（一）積極影響。隨著信息技術的不斷創新和發展，信息傳播的渠道和方式也在不斷的優化中，利用網絡技術，能夠使得信息處理更加公開和透明，能夠實現信息傳遞的方便有效，利用網絡技術，能夠最大程度的保證消息的真實性，能夠在第一時間對信息進行反饋，從而減少人為對事件的加工和修飾，符合當前社會的發展需要。如利用網絡技術，警方可以建立相應的公眾平臺，對突發性事件及時進行公布，同時也可以利用網絡技術實現消息的轉發，進一步擴大消息的傳播范圍，從而增強涉警網絡輿情的影響力。另外，通過利用網絡技術，能夠實現內部的統一管理，在公安機關內部，利用網絡技術，能夠創建網絡警務管理中心，將上級領導部門的工作指示第一時間傳遞給個人，保證相關工作內容的有效落實，另外，依靠涉警網絡輿情的發展過程，能夠及時反應出內部管理存在的漏洞，從而進行有效的統一管理，增大民眾對警方的評價渠道，根據民眾的反應優化工作模式，落實改革舉措，從而提高警方的工作效率及能力，助力于維護社會的安定與團結。

（二）消極影響。由于網絡對于消息傳播監管范圍及深度存在一定的缺陷，導致網絡發言過于自由化，人們可以通過網絡進行消息的與傳播，在實際的網絡信息傳播過程中，存在大量不實的報道內容，引發網絡民眾對警方的誤解，從而造成警方的公信力有所降低。涉警網絡輿情的媒體應對主動權不在警方手中，造成警方在涉警網絡輿情具體事件中，常常不具備話語權，使得警方面臨來自多方面的輿論壓力，影響了正常工作的有序進行。另外，由于網絡傳播具有及時性，且隨著網絡技術的不斷創新和發展，互聯網越來越普及，虛假消息的傳播能力越來越強，一些不法分子利用網絡可以煽動網絡民眾的情緒，激起民眾的不滿，嚴重威脅了社會的安定與團結，同時也使得警方的工作增加了難度。網絡輿情具有蝴蝶效應，任何微小的事件都有可能引發強烈信任危機和社會動蕩，但是針對于網絡輿情的控制力度，警方的主動權還不夠明確，同時也沒有完善的法律保障和工作方案，導致在處理涉警網絡輿情事件時，難以發揮出有效的作用，影響了公安機關在社會群眾心目中的形象。

三、涉警網絡輿情的媒體應對策略

（一）增強涉警網絡輿情的危機意識。由于網絡的普及和公安工作的特殊性質，因此，公安機關在處理社會事務時必須要擴大工作范圍，針對于涉警網絡輿情繁榮發展現狀，警方應當加強網絡意識，強化危機感，由網絡引發的社會事務逐漸增多，對警務工作的沖擊也逐漸增大。因此，警方應當重視涉警網絡輿情的媒體應對能力，加強與網絡民眾的溝通力度，可以通過建立警民交流群、微信公眾號等形式，增大公安機關的宣傳力度，拉近公安機關與社會群眾的關系，不僅能夠樹立良好的形象，同時也能增大對網絡輿情的了解力度，從而制定多層次的應對預案，有效化解民眾對于公安機關的誤解，有效控制惡性事件的蔓延，促進公安機關正常工作的有效展開。

（二）創新涉警網絡輿情的處理模式。傳統的涉警網絡輿情媒體應對的模式內容主要在于規避風險，采用公告等形式予以，這樣不僅造成公安機關的反應速度過慢，不能在第一時間對涉警事件做出回應。同時由于事件的不公開化處理，反而容易引發民眾的猜測，不利于公安機關的形象。因此，在實際的涉警網絡輿情的媒體應對過程中，應當注重媒體應對的方式，創新涉警網絡輿情的處理模式，必須要本著開誠布公的心態，要把真實事件的發生過程向社會群眾予以公布，保護民眾的知情權，正確控制涉警網絡輿情的發展方向。同時注重事態發展的階段性報道，要及時做出回應，經過充分的調查后，對后續事件的報道要詳細且符合相關法律的規定，同時要對善后工作積極主動予以告知。只有這樣，才能在實踐中總結出涉警網絡輿情的處理經驗，才能有效降低負面影響，維護公安機關的形象，發揮出優秀的公安隊伍在處理社會事務中的作用。

（三）重視涉警網絡輿情的處理監控。社會秩序的維護必須依靠于公安機關的力量，隨著網絡技術的不斷創新和發展，網絡在社會秩序中扮演的角色越來越重要，不僅存在積極的影響，同時也會對社會秩序產生一定的消極影響。因此，為了有效的維護社會秩序，保證社會的安定與團結，同時抑制網絡危機事件的發生，就必須要加大對網絡的監控力度，又由于在涉警網絡輿情中，警方受到來自各方面輿論壓力，必須要通過有效的監控工作，掌握網絡輿情的發展主動權，從而對于事態的發展進行控制，避免不法分子利用涉警網絡輿情從事非法活動。

四、結語

綜上所述，只有增強涉警網絡輿情的危機意識、創新處理模式，同時加強網絡的監控力度，才能保證在涉警網絡輿情中，公安機關掌握主動權，才能有效維護公安機關的形象。

參考文獻

[1]趙建生，鄒智勇，周樹華.網絡負面社會心態和傳播效應對涉警公共危機事件處置工作的影響及其解決對策[J].公安研究，2010.

[2]尹李紫琳，茍曉朦，張順靈.自媒體時代政府網絡輿情應對策略分析[J].廣西師范學院學報（哲學社會科學版），2015.

作者簡介

網絡輿情傳播研究范文第4篇

關鍵詞：網絡輿情 網絡輿情分析與監測

當前，網絡已成為反映社會輿情的重要途徑。網絡輿情已滲透到社會的各個層面，成為了一股強大的、不容忽視的輿論力量。因此，如何識別和分析網絡輿情信息，如何對輿情進行監測和有效引導，對于維護當今社會的穩定和發展具有重要的現實意義。

1 我國網絡輿情現狀

由于當前我國正處于社會變革和轉型的關鍵時期，各種社會矛盾日益凸現，各種社會問題日益受到人們的關注，越來越多的人們愿意通過各類信息渠道表達自己的個人觀點和想法。隨著移動互聯時代到來，借助移動終端和各種網絡互動軟件，人們可以隨時隨地的發表觀點，報道事件，尤其在突發公共事件中，任何一個人都可以對事件進行現場報道，社會輿論的生成機制發生了深刻的變革。

當前我國網絡輿論場的強度，在世界居首。2011年，我國網絡輿論力度驟然增強，上網發聲的階層越來越廣泛，網民高度警覺和關注著現實社會的各種熱點事件。特別是“7?23”動車追尾事故和郭美美事件等敏感事件，造成網上網下人聲鼎沸，成為當時最大的網絡熱點。

因此，在當前復雜的社會環境下，加強輿情信息工作，及時掌握輿情動態，積極引導社會輿論，是維護社會穩定和安全的重要舉措。而研究和分析網絡輿情信息，明確輿情信息的來源是前提和基礎。目前，微博、微信、即時通訊軟件、博客、跟帖與網絡留言、網絡社群和網絡社區等是傳播網絡輿情信息的最主要途徑。

2 網絡輿情信息主要包含的內容

2.1 重大事件。所有的重大事件的發生都會在很短的時間內迅速在網絡上傳播開來，與事件發生有關的各個報道，新聞，各方面的消息和熱點都會在各個網站上鋪天而來，在短時間內就會出現大量的評論，跟貼和發帖等等。

2.2 突發事件。量變到質變的過程是突發事件產生的一個重要階段，例如“日本大地震后我國的搶鹽事件”，在發生初期，并沒有引起太多人的關注，只是在民間出現了許多的“謠言”，但其迅速擴散，就會影響到廣大群眾，并有可能造成整個社會的恐慌。

2.3 國家的經濟工作和重點工作。網絡上的主流的意識形態還是需要各個新聞媒體來傳播，需要政府和組織來引導，繼而形成被大眾所接受的健康向上的主流輿論，政府部門要引導人民群眾，最大限度地在廣大人民群眾中形成共識，來統一不同領域，不同階級中的意識和信念，形成了社會的主流言論。

2.4 一些關系國際民生的重大政策的改革更容易引起人們的廣泛關注，形成網絡輿情熱點事件。

2.5 和大多數人民自身利益密切相關的事件。因為輿情的一個重要作用就是人民群眾對自身利益的訴求表達的一個重要渠道。在群眾利益受到傷害時，他自然需要一個平臺來尋求幫助和進行訴求，網絡就是這樣一個很好的輿情平臺。

3 網絡輿情監測系統的設計

網絡輿情監測系統包含三個層次，自下而上分別為信息采集層、信息挖掘層、信息服務層。每一層為其上一層提供基礎數據，以及為進一步分析奠定基礎。其系統結構如下圖所示：

■

網絡輿情監測系統結構圖

3.1 輿情信息采集層。信息采集層的基本任務是從數據格式多種多樣的網頁中采集出其蘊含的豐富的、各種各樣的輿情信息。采集層的最下層為信息采集的目標網站，如新浪、網易、搜狐、新華網、人民網、鳳凰網、貓撲、天涯社區等；中間層包含爬蟲管理模塊、預處理模塊、分類存儲模塊，爬蟲管理模塊主要采用網絡爬蟲技術獲取互聯網上的輿情信息；最上層將采集的文本信息分為Web內容信息、Web結構和使用記錄信息兩部分內容。

3.2 輿情信息挖掘層。開展輿情信息深度挖掘，發現的熱點問題、分析其態度傾向、處置構成危害的敏感信息是互聯網輿情信息挖掘層的主要任務。它通過分析輿情信息采集層提供的數據，能夠檢測網絡話題、分析民眾的態度傾向、監測網絡敏感信息、評估輿情態勢等，為輿情信息服務層服務相關部門提供客觀依據，是輿情信息處理的核心內容。主要包含文本信息預處理模塊、網絡話題檢測模塊、輿情傾向性分析模塊、敏感信息監控模塊。

3.3 輿情信息服務層。輿情信息服務層是輿情信息挖掘的目標，其輔助相關部門把握輿情動態、關注民情民意、做出正確決策。它一方面提供輿情信息摘要，為相關部門快速了解輿情動態、掌握輿情事件的來龍去脈提供便利，提高工作效率；另一方面綜合考慮話題熱度、傳播擴散度、態度傾向程度、內容敏感度、者影響力等輿情評價指標，并做出輿情評測、適時輿情預警信號，為相關部門及時做出反應提供幫助。

參考文獻：

[1]王磊.公安網絡輿情分析系統的研究[D].北京交通大學，2008（06）.

網絡輿情傳播研究范文第5篇

[關鍵詞]網絡輿情；突發事件；灰色預測；弱化算子

1前言

20世紀90年代中國接人互聯網絡以來，網絡逐漸成為大眾生活的重要組成部分，成為民眾獲取信息的主要渠道之一。據中國互聯網絡信息中心（CNNIC）最新的《第38次中互聯網絡發展狀況統計報告》，截至2016年6月，我國網民規模達到7.10億，互聯網普及率為51.7%，其中，手機在上網設備中占據主導地位，手機網民規模已達6.56億，網民規模的增長率和使用率較上年底持續增長。借助于網絡這一平臺，人們可以自由發表對某一事件的言論和觀點，這使得互聯網成為輿情生發和傳播的主要陣地，關于某一特定突發事件的信息在網絡后，必然會產生網絡輿情。

網絡輿情是指在一定的社會空間內，通過網絡圍繞中介性社會事件的發生、發展和變化，民眾對公共問題和社會管理者產生和持有的社會政治態度、信念和價值觀。網絡輿情傳播大致會經歷潛伏、爆發、平穩和衰退這四個階段，每一個階段都會受一些不確定因素的影響，這些影響使得網絡輿情傳播過程就是一個隨時間變化的不確定過程。網絡輿情的傳播路徑不確定，輿情話題在傳播過程中就可能朝任意方向發展，某一特定的輿情話題可以衍生出多個相關或無關的新的輿情話題，對輿情的態勢走向也會造成一定影響。由于突發事件發生的規模及發展趨勢難以預測、復雜多變，其具有的突發性、危險性、緊迫性和不確定性等特點也使得突發事件中原有信息溝通渠道可能受到影響或是被阻斷，為各種流言、小道消息的滋生和傳播提供了空間，留給決策者思考的時間短，如果不能及時準確獲取全面的、最新的信息，就無法對其進行快速有效處理，會造成極大的負面影響，影響社會穩定。因此，在實踐中，研究網絡輿情的形成、演化的規律，探索網絡輿情引導、控制的對策，對于提升我國政府應對突發事件的能力具有重要作用和價值。本文選取了發生于2016年10月10日的浙江溫州房屋倒塌事件，進行了突發事件網絡輿情演變規律分析，為決策者提供參考價值。

2突發事件屬性和級別

對于突發事件，《中華人民共和國突發事件應對法》將其分為自然災害、事故災害、公共衛生和社會安全四類，而根據事件的嚴重性，由低到高依次劃分為：一般（Ⅳ級）、較大（Ⅲ級）、重大（Ⅱ級）、特別重大（I級）四個級別。在網絡輿情的事件評判中，社會安全事件涉及政治、經濟等各個領域，對這種突發事件的預警工作則顯得尤為重要。

3案例介紹

2016年10月10日下午16點30分，浙江溫州三幢五層樓房倒塌，造成22人死亡，6人受傷，屬較大級別的社會安全事件。事件發生后，迅速引起了網民的關注和討論。

3.1數據的歸納與整理

本文中模型的數據來源新浪微博，網站以及新聞媒體等各大主流平臺。為便于計算現選取發帖量作為研究對象。通過梳理，以事件發生半個小時后間隔為12小時為一個時間段，共計歸納出十一個時間段內網絡傳播數據量（見表1）。

3.2輿情態勢走向

溫州房屋倒塌事故中，網民參與討論發帖的輿情態勢演化歷經兩個波折（見圖1）；10月10日下午16：30事故發生后，11日輿情熱度迅速上升，主要表現為對事故本身的關注；而突發事件網絡輿情的演變規律易受不確定因素的影響，10月11日，新聞媒體等報道出父母用身子護住女兒，女兒得以生存，輿論熱度再次攀升。隨后事件逐漸平息。

4輿情模型的建立與檢驗