基于社会化媒体的公共政策舆情支持度预测研究

发布时间：2020-04-04 21:00

【摘要】：随着Web2.0时代的到来,信息技术的普及,改变了人们的思想和行为,同时也给社会公共事务管理带来了新的挑战。从网络舆情视角来看,伴随着我国社会民主化进程的推进,民众的参政意识正不断增强,网络用户对现行政策的认知倾向可反馈出大量隐性信息,促进我国公共政策的制定与评估。但是,我国现有的公共政策预测研究多集中在政策评价指标体系探索、舆情演化趋势研究、主题观点分析三个方面,很少有文章对政策舆情倾度的发展进行探析。鉴于此,本文构建了基于社会化媒体的公共政策舆情支持度预测模型,将大众对政策的态度变化看作一个随机过程,使用微博在线评论文本作为实验数据,探求民众对某一政策未来的支持度倾向。具体来说,模型由两部分组成:第一阶段,通过政策舆情支持度判断模型生成预测模块的社会化参数,避免以往研究由于主观参数设置造成的误差。该阶段首先建立了政策目标、对象、方案、效果四个评价维度,并从数据情感分析的角度出发,利用领域框架语义词典、政策评论主题词词典识别微博的政策维度,来构建单条文本的政策评价向量,最后使用两种权重测度方法合成公众对政策的最终舆情支持度;第二阶段,利用马尔科夫理论对预测模型进行实现与改进。该部分首先结合用户社会化影响力对原始舆情数据进行更新,并以时间为序列进行统计整理;其次采用遗传与二次规划组合算法对状态转移矩阵求解;最后利用动态误差补偿公式修正预测精度,寻求系统的迭代平衡点,并对Matlab仿真结果进行讨论。为验证模型的效用性,文章最终选取“延迟退休”这一既定政策为案例进行实证研究,实验结果表明:首先,经现实政策走向比对,文中提出的预测模型可有效统计未来民众对延迟退休政策的网络情感倾向;其次,在预测阶段,相比采用单一遗传算法的求解思路,文中提出的组合算法及补偿公式可提高实验预测精度;最后,经案例分析可知目前公众关于延退政策的非异议性比例较低,存在较大的政策风险,政府需不断协调政策事前评估的各项工作,以确保其顺利推行。同时针对该政策现行构想及我国社会化媒体舆情监管工作,本文提出了若干建议,希望对日后政策领域的舆情研究做出些许贡献。
【图文】：

技术路线图,论文,政策,舆情

图 1.1 论文技术路线图本文研究框架主要分为以下五个章节：第一章绪论。阐述文章的研究背景、意义以及国内外政策模拟分析相关研究的进展，并提出本文的整体研究框架、思路及内容。第二章理论综述。对研究中涉及到的相关理论进行综述，，包括政策量化分析、政策模拟、公众态度挖掘技术及马尔可夫预测模型。其中主要介绍与本文相关的三种文本情感分析方法，以及马尔科夫模型的相关概念与常用求解方法。第三章公共政策舆情支持度预测模型研究。本章对全文的理论模型框架进行了构建，该框架主要由政策舆情支持度与马尔科夫预测两个关键模型组成。其中政策舆情支持度模型，主要利用框架语义学与情感词典相结合的方式，从政策目标、政策期望、政策方案、政策对象四个维度识别了民众对该政策的评论类别，并根据政策评价向量，采用基于反语与规则的改进情感分析方法分析了各政策维度的情感倾向并予以合成；马尔科夫预测模型以其上一步分析结果为基础，结合微博用户自身影响力，以月为时间序列统计微博公众的情感倾向，以此为社会化媒体参数构建马尔科夫初始状

流程图,情感分析,文本,流程

文本情感分析（SentimentAnalysis）是典型的自然语言处理技术（Natural LanguaProcessing, NLP）之一，囊括了计算机科学、语言句法甚至逻辑判断学，其重点是主体所表达的态度、观点的情感倾向进行判断，提取文本中表达的主观好恶信息。般情况下，人们对于社会事件的看法总是存在着或多或少的差异，这种分歧在以微博论坛等为代表的社交媒体上表现的尤为明显。文本情感分析现实生活中的应用主要为三大类：（1）推荐系统。以淘宝为例的各大网购平台，通过对用户在线行为的整分类，挑选出相似服务，一方面引导用户的进一步行为方式，另一方面通过反馈机形成用户口碑。（2）过滤系统。通过前期预处理设置，自动过滤文档中的不当信息并提取出作者的情感态度倾向。以各大政务平台为例，在群众观点反馈模块，可对到的邮件进行情感鉴别，对一些明显的恶意攻击行为可自动过滤，加入黑名单。（问答系统。对用户所提问题进行内容鉴别及情感分类，利用情感色彩在语库中匹配最佳答案，目前智能机器人问答系统多采用该方法。近年来，文本情感分析逐渐成为了一个新颖的研究方向，根据其分析过程，可致将其整理为以下四个阶段：分词去停用词情感字典有无监督
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：D630;C912.63

【相似文献】