人工智能提升网络舆情分析能力.docVIP

人工智能提升网络舆情分析能力 　　舆论是“社会的皮肤”，是反映社会形势的晴雨表。而舆情分析是根据特定需要，针对社会舆论问题对于相关数据进行深层次的思维加工和分析研究，得到相关结论的过程。网络是当下社会舆论的主要载体之一，在互联网时代，尤其是移动互联网时代，大数据及大数据分析技术为舆情分析和研判提供了全新的资源、方法与范式。 　　从总体上说，现阶段网络舆情分析的基本框架为：信息采集、热点发现、热点评估与热点跟踪和分析处理（见图1）。 　　由于网络舆情数据存在着海量、多维度等特点，舆情数据的深度价值挖掘一直是这一领域发展的瓶颈之一。近年来，人工智能技术的兴起与实用化，为我们借助于人工智能实现网络舆情分析的自动化、智能化、精准化提供了新的手段和路径。为此，一些研究者也做出有益的探索，如使用小波分析分解舆论发展过程，再利用人工神经网络进行建模预测舆论走向；使用神经网络仿真模拟舆论发展过程；使用灰度预测和模式识别预测舆论走势等。 　　本文试图在梳理舆情研究的?F状与特点的前提下，探讨在现有技术条件下，网络舆情分析的实践范式存在的缺陷与不足，而人工智能技术可以为网络舆情分析带来哪些有应用前景的改变。 　　人工智能提升网络舆情分析能力的环节 　　现阶段网络舆情分析的不足可以主要归结为“人机不协调”的问题。在应当使用机器进行学习和处理的权重配比、走势预测、情感分析、效果检查上，现实应用显得机械、浅层次；而在应当使用人工进行分析的特征维度划分、对策建议提供上，现实应用又显得粗糙、重复，且机器对人的辅助不够有力，分工协同的模式还不成熟。 　　得益于数理算法和计算机科学的发展，人工智能时代的机器学习能力日益增强，这为网络舆情分析领域实现自动化、精准化、智能化创造了新的契机，而实现新要求的关键点在于切实实现网络舆情分析领域中的人机互动与双向协同。 　　1.数据预处理环节：特征的人工识别与机器匹配的协同。 　　在互联网的社交网络中充斥着非结构、半结构数据，数据库需要为这些数据提供合适的存储标签，方便分类和调用。在数据特征分类上，人的作用至关重要。完全依赖无监督的学习，不仅需要大量数据拟合，而且速度慢、容易产生偏差。因此，在最初的特征分类中，可以由人工尽量设计较细的分类，此后通过信息增益等算法，经历半监督式机器学习的训练，在分类环节可以去除影响力较小的部分，留下影响力较大的部分，在机器能力支撑下建立合理的特征维度数量，并赋予权重。这种特征的构建方式更能体现舆情信息的原貌，对现实的解释力更强。 　　2.热点发现环节：话题预测的机器提示与人工选择的协同。 　　人工智能是建立在数理模型和计算机支持上的一种应用，其内核依赖因果逻辑和概率统计。即使人工智能可以自动探索不同事物之间的关联，它判断是非的方式只能是：第一，A能推导出B，或不能。第二，根据以往经验，某事件有多大的概率会发生。所以，想让人工智能做出正确的判断，要么存在必然的因果逻辑，要么有足够的案例用以辅助统计。 　　然而，现实生活中有许多事物并不真正按照因果逻辑运行。很多情况下，人工智能需要依靠概率预测事物的走向，但又不是任何事情都有足够的先例可供学习。 　　对舆论的预测很难按照因果逻辑执行，想做到准确预测只能先依靠足够多的、已完结的舆论话题作为机器学习的对象，寻找它们概率上的特征。凭借之前的这些经验，将有可能产生重大影响的舆论在萌芽期识别出来，并设计回应办法。即便如此，机器也不可能完全精准地预测舆论，在一定范围内的预测建议中，需要人的智慧进行分析判断，找出真正存在进一步发酵可能的舆论。同时，这样的人工选择行为需要完整的记录，作为机器进一步学习的训练集，以供下一次舆论预测参考。这种人机互动的模式可以提升机器学习的能力，使人工智能逐步达到更高水平，更加智能地为人提供辅助。 　　3.对策分析环节：专家库的经验及其量化。 　　技术领域公认，操纵机器进行情感分析，比事实分析要困难得多。机器可以通过分词法、训练集的反复训练学会分析句子成分、找到陈说的事实，但对于微妙情感的辨析、反讽修辞的运用，机器极难进行判断。鉴于此，在对舆论进行整理、分析和预测的过程中，人工智能对于事实的理解能力可以提升到与人类比肩的程度，但对于舆论的情感判断，机器恐怕很难达到人类的理解高度。 　　在互联网时代，情感是一种十分重要的逻辑，许多互联网事件的发酵、扩散，背后都有情感诉求的影子，有时情感诉求甚至超出理智诉求，成为左右舆论极其重要的一个因素。因此，在舆情分析的对策环节中，梳理的事实可以由机器提供，但对策建议始终要依赖专家的经验。当然，对专家库中的经验予以量化，可以为类似舆情再出现时提供辅助建议，逐渐使机器的智慧能为人类提供更高水平的咨询意义上的帮助，乃至应对一些常见的、并不新颖的舆情危机――而这类舆情危机