论文部分内容阅读
网络舆情是网民对网络事件发表的个人观点、意见等行为倾向,当网络舆情发展到一定程度,将聚集或转化为网络舆论。习近平总书记在2016年的4.19讲话中指出“互联网已经成为舆论斗争的主战场”,网络舆论对于网络生态的正常发展起着重要性作用。若负面的网络舆论充斥着网络环境,这将影响我国的社会安定和意识形态安全。因此,及时了解网络舆情趋势,预测未来的发展态势,将有助于消解负面的舆论,维护网络生态的健康发展。由此,网络舆情的预测研究具有理论价值和社会现实意义。目前,多领域的预测研究主要采用组合预测模型用于时间序列的预测,既克服单一预测算法的缺点,更能发挥单一预测算法的优势,提高预测模型的准确性。本文基于多领域的预测模型提出了合适的网络舆情预测模型,用于提高预测模型的准确性,为网络舆情的管控提供理论支持。工作内容主要包括三个方面:(1)梳理网络舆情和网络舆情预测研究的文献内容,找出现有舆情预测的不足之处。据此引入或提出合适的网络舆情预测模型,以网民热议的“韩国部署萨德”事件和2017年“全国两会”事件作为舆情热点事件,使用微信指数、微博微指数和百度指数作为网络舆情发展趋势的量化值,进行舆情预测实验。模型预测结果以均方根误差、平均绝对百分误差和希尔不等系数作为评价标准,比较三个组合预测模型的实验结果,选取最佳的预测模型作为网络舆情预测研究的解决方案,提供新的舆情预测方法。(2)引入小波神经网络模型(WNN模型)和基于经验模态分解的BP神经网络模型(EMD-BPNN模型)用于舆情预测,并对这两个模型进行改进优化。对于WNN模型,采用附加动量法对其进行优化改进,考虑模型误差在梯度上的作用,同时还考虑误差曲面上变化趋势对模型的影响,从而避免WNN模型陷入局部最优值。对EMD-BPNN模型,采用Levenberg-Marquardt算法对其改进优化,处理模型的冗余参数问题,避免预测模型陷入局部极小值,从而加快收敛速度。(3)采用经验模态分解的算法思想,提出融合极限梯度算法(XGBoost)拟合模型的残差,在此基础上利用经典的短期时间序列模型——自回归(AR)模型用以预测网络舆情的发展趋势,即构建网络舆情预测模型EMD-XGBoost-AR模型。实验结果证明,该模型具有较好的评估性能和预估准确度。