突发事件下社交媒体网络舆情风险识别及预警模型研究

李玥琪，王晰巍，王楠阿雪，王小天

（1.吉林大学商学与管理学院，长春 130022；2.吉林大学国家发展与安全研究院，长春 130022；3.吉林大学大数据管理研究中心，长春 130022）

1 引言

2021年世界气象组织灾害统计报告显示全球灾害数量激增[1]。灾害天气事件频率和强度的增加导致极端突发事件频频发生，逐渐成为国家应急管理中关注的重要问题之一[2]，加之新冠肺炎疫情的爆发、气候灾害等突发事件对全球福祉及社会安全造成了威胁，国家应急管理战略部署及“十四五”数字经济发展规划提出，要增强政府数字化治理能力，重点要推进完善风险应急响应处置流程和机制，强化重大问题研判和风险预警，切实有效防范各类风险叠加可能引发的社会稳定问题[3]。中国互联网络信息中心（China Internet Network Information Center，CNNIC）发布的数据显示[4]，截至2021年末我国网民规模达10.32亿，互联网普及率达73.0%。我国拥有庞大的互联网网民群体，在突发事件环境下民众越来越倾向于在社交媒体平台上寻求信息，并进行事件的观点分享和讨论。突发事件情境下的社交媒体风险管理已经成为危机情境下应急管理的重要部分，风险监测识别及预警的创新方法受到学术界和产业界的广泛关注。

突发事件情境下的风险管理近年来成为新兴研究热点。国外的风险管理研究主要聚焦于危机期间的信息沟通研究[5]、风险因素对信息分享行为的影响[6]、基于文本分析方法研究政府危机沟通效果[7]以及基于敏捷和适应性治理视角的危机管理案例分析等[8]。国内学者主要关注于突发事件情境下的社交媒体风险等级评估[9]、风险识别[10]及社交媒体舆情风险的应急管理体系[11]构建研究等。通过对国内外风险管理研究文献的梳理可以发现，目前国内外关于风险管理的研究主要是危机情境下政府网民的风险沟通、网络舆情风险监测及社交媒体风险研判及态势感知等，多采用评价指标体系构建对突发事件下的社交媒体舆情风险进行评价及风险分级，以及从理论体系维度构建风险响应及管理框架；缺少对突发事件情报知识的挖掘，也缺乏通过构建突发事件案例库进行先验案例知识学习后，进行风险研判及预警的协同研究。因此，突发事件下的社交媒体风险管理研究成为热点。本文采纳知识图谱方法构建突发事件社交媒体风险图谱，从知识表示出发，链接数据进行知识推理分析，从而实现社交媒体的风险识别及预警。

本文在研究中主要解决以下3个研究问题：①如何通过构建突发事件社交媒体舆情风险案例知识库进行风险知识获取？②如何识别突发事件社交媒体舆情风险因素及风险因素间的因果关系？③如何基于构建的突发事件风险识别及预警模型对突发事件社交媒体风险进行预警并给出决策支持？本文在理论层面上，结合突发事件下社交网络舆情的风险研判和预警目标，构建基于解释结构模型及贝叶斯网络（interpretative structural modeling-Bayesian networks，ISM-BN）的风险识别及预警模型，为突发事件环境下社交媒体风险管理提供新的理论及方法。在实践层面上，为突发事件应急管理体系中的风险识别及研判工作提供可参考的模型，借助模型实现突发事件社交网络舆情的风险态势感知，为相关舆情监管结构提供管理和决策支持。

2 相关理论

2.1 突发事件社交媒体网络舆情风险

社会学认为风险是指社会损失的不确定性，即风险是危机事件发生的概率及其后果的函数。根据广义层面对风险的定义，本文认为突发事件社交媒体风险是指在突发事件发生的情境下，由外界发生的突发事件的具体特征造成的、公众在社交媒体平台中面对的多种风险的可能。目前社交媒体风险研究主要关注于突发事件情境下社交媒体风险沟通[12-13]、风险监测及评价[14]、风险响应体系构建[15]等。突发事件情境下风险监测与评价关注突发事件情境下网络舆论的风险点识别[16]和风险等级评价[17]，多数采用构建风险评价指标体系实现突发事件严重性评价，并通过风险研判过程实现柔性决策支持[18]。突发事件情境下风险响应体系构建，侧重于风险响应及预警的对策实现，以及风险管理体系架构设计[19]等。

目前关于突发事件风险等级研判及预测的研究多采用在理论层面进行评价指标体系构建并进行预测分析的方法，对过往舆情风险案例的学习且对风险因子间因果关系的分析研究相对较少。舆情案例库的知识提供了大量风险可能发生的条件概率。因此，本文通过构建社交网络舆情案例知识库对舆情案例进行学习，对突发事件的社交网络舆情风险进行预测，并基于预测结果给出预警决策。

2.2 信息生态理论

信息生态理论源于张新时院士提出的信息生态学概念，他指出，信息生态学不仅具有信息科学的高科技与信息理论的优势，而且继承和发展了生态学的传统理论，强调对人类、生态系统及生物圈生存有关问题的综合分析研究、模拟与预测[20]。靖继鹏[21]认为，信息生态理论是利用生态学的观点和方法，研究信息生态系统的构成因子、因子之间相互作用、信息流和能量流的传递，以及系统的合理构建和优化等问题。多数学者采用信息生态理论对网络舆情进行分析。例如，利用信息生态链理论构建网络舆情信息生态链，分析微博舆情传播结构[22]等；采纳信息生态系统理论构建微博舆论生态系统[23]，并对社交媒体网络舆情生态[24]进行评价等。突发事件情境下社交媒体网络舆情风险的发生原因不是简单线性或独立的，而是系统性的和耦合的，需要采纳系统学的理论及观点对风险发生的驱动机制进行分析。

本文采用信息生态系统理论，从信息、信息人、信息环境及信息技术四个信息生态因子出发，对突发事件情境下的社交媒体网络舆情的风险因素进行识别。同时，根据信息生态系统理论分析风险因素间的因果关系，并分析风险因素的功能和相互作用对整个系统的影响，即确定各风险因素对突发事件社交媒体生态系统发生风险的影响[25]。

2.3 贝叶斯网络理论

贝叶斯网络（BN）又称信度网络，是贝叶斯方法的扩展，是实现不确定知识的表达和知识间关系推理的有效模型之一，可以对各种因素之间的不确定性和复杂关系进行建模[26]。贝叶斯网络是有向无环图，主要包括网络拓扑和条件概率表两个部分。网络拓扑是贝叶斯模型的定性描述，网络拓扑中的每个节点代表一个随机变量。节点通过有向弧连接，从而形成变量之间的依赖关系。条件概率表示变量之间的关系，子节点与其父节点之间的关系表示为有向边并捕获为条件概率表[27]。根节点即目标变量节点的概率为先验概率，其他节点（根节点除外）的概率称为条件概率表，用于表达子节点与父节点变量之间的关系和交互强度，描述模型的量化信息。先验概率和条件概率表是BN计算的基础。

与聚类、决策树和神经元网络等其他机器学习方法相比，贝叶斯网络的样本量或数据集即使很小，也具有良好的预测准确性。同时，可以处理系统中结构或参数的知识和不确定性之间的关系，能够从过往数据中学习结构以及系统的参数，还可以结合专家知识和前序分析形成旧知识和新数据的整合。贝叶斯网络模型可以有效预测突发事件情境下社交媒体网络舆情风险发生的可能性并分析其变量间的因果关系，其预测结果可以帮助突发事件应急管理机构更好地分配应急力量及响应对策[28]。

3 突发事件社交媒体网络舆情风险识别及预警模型

3.1 基于知识图谱实现突发事件社交网络舆情风险知识获取

本文采用知识图谱的构建方法实现社交网络舆情风险的知识获取。知识图谱是描述现实世界中概念、常识及其关系的结构化语义知识库，其基本组成单元是＜实体，关系，实体＞三元组和＜实体，属性，属性值＞三元组。与传统知识库相比，知识图谱可以完成语义推理任务，通过存储丰富的实例信息对数据之间的联系进行关系展示，并实现实例数据间的关系路径发现及因果推理过程[29]。本文参考以往知识图谱构建方法采集突发事件社交媒体舆情的要素信息，完成知识收集、知识抽取和知识存储与检索三个环节的知识收集过程。

本文通过构建突发事件社交媒体网络舆情风险知识图谱得到突发事件舆情风险案例库。将舆情案例以知识图谱的形式存储，采用合并、匹配及关联查询等功能对典型舆情风险案例进行图检索和查询，为后续风险知识的分析和发现提供支撑。本文在采纳知识图谱构建的基础上，整合舆情案例的多种数据来源，学习舆情案例的知识，进行风险知识实体发现，更加侧重于捕捉导致风险发生的关键因素，并发现风险要素之间的关联路径及因果关系。突发事件舆情风险案例库的构建，一方面通过知识图谱展示过往突发事件舆情风险案例的全貌，另一方面通过知识关联发现风险因素并提供风险因素路径关系的实例支撑。同时，还提供后续风险识别及预测的事件查询及案例知识库的存储，帮助风险识别模型进行实时更新和数据维护，从而提升风险识别模型的精度。突发事件下社交媒体网络舆情风险知识图谱构建模式层和数据层如图1所示，包含的实体间关系如表1所示。

表1 突发事件社交媒体网络舆情风险案例库知识图谱中的实体及实体间关系

图1 突发事件社交媒体网络舆情风险知识图谱构建模式层和数据层

3.2 基于ISM识别突发事件社交网络舆情风险因素

本文基于解释结构模型（interpretative structural modeling，ISM）识别社交网络舆情风险因素之间的关系，实现突发事件社交网络舆情知识分析；基于突发事件社交媒体网络舆情风险案例库知识图谱构建得到风险要素之间的关系。由于直接构建贝叶斯网络拓扑并不客观，采纳ISM方法可以得到客观的层次结构图并调整为贝叶斯网络拓扑。因此，在知识图谱的基础上，本文采纳ISM进一步对驱动风险发生的要素之间因果关系及有向路径进行确定。ISM方法把待分析的系统，通过梳理拆分成各种因素，然后分析因素以及因素之间的直接二元关系，并把这种概念模型映射成有向图。通过布尔逻辑运算揭示系统的结构，并在不损失系统整体功能前提下，以最简的层次化有向拓扑图的方式展示系统结构及因素之间的关系。

本文根据信息生态理论并结合构建的突发事件社交媒体网络舆情知识图谱，定义突发事件社交媒体系统的风险因素。本文认为，突发事件社交媒体网络舆情存在四类风险因素，包括信息风险、信息人风险、信息环境风险和信息技术风险。本文用ui表示风险因素的每i个子指标，四类风险因素及包含的具体子指标下的影响因素如表2所示。经过专家对风险因素相互关联的判断获得因素间的映射路径并确定风险因素和子指标后，通过建立关系矩阵、建立可达矩阵及将可达矩阵分级三个步骤得到突发事件社交媒体风险因素层次结构与有向路径（具体构建公式略）。根据可达矩阵的不同层次，利用节点和弧形成子指标的有向因果图。有向因果图旨在描述子指标的水平相互依存关系以及子指标在两个相邻层次之间的垂直影响。ISM得到的有向因果图，显示了所有子指标的可视连接以及它们之间的互连，即确定了风险要素之间的层次结构和要素之间的因果关系。

表2 突发事件社交媒体网络舆情风险因素

3.3 基于BN方法进行突发事件社交网络舆情风险预警分析

本文构建贝叶斯网络模型进行社交网络舆情风险预测进而实现风险预警。通过突发事件社交媒体案例知识图谱的构建得到导致突发事件风险发生的因素，通过ISM方法得到风险因素间的有向路径及层次结构图。经过上述两个过程，可以调整贝叶斯网络拓扑并进行风险预警。突发事件社交媒体案例知识图谱，经过风险要素的补充过程与构建的贝叶斯网络一一对应，将知识图谱的案例库知识传入贝叶斯网络，从而进行风险预警。使用贝叶斯网络进行突发事件社交网络舆情的风险分析及预警，需要训练贝叶斯预测模型及使用贝叶斯模型进行预警。关于贝叶斯预警模型的训练，首先，输入知识图谱中大量案例相关知识进行参数学习，确定贝叶斯网络的条件概率表及先验概率；其次，通过样本集与测试集的交叉验证过程，确定构建的预测模型有效性；最后，进入使用贝叶斯模型进行预警环节，通过输入待预测案例的相关知识，得到贝叶斯网络的预测结果。对结果为高风险的事件进行预警，从而实现完整的突发事件社交网络舆情风险预警过程。

3.4 ISM-BN模型

经过上述步骤，本文构建了基于ISM-BN的突发事件社交媒体网络舆情风险识别及预警模型，如图2所示。模型实现了对突发事件社交媒体网络舆情风险的知识获取、知识分析及风险预警三个步骤的全流程闭环，保障风险识别过程的精准与客观。模型主要分为三大模块，在知识获取模块，采纳突发事件社交媒体网络舆情的风险知识库对风险案例进行可视化，同时存储风险案例知识及风险因素；在知识分析模块，通过解释结构模型对风险因素之间的因果关系与层级结构进行分析，确定风险要素之间的驱动关系；在决策支持模块，建立贝叶斯网络用于突发事件社交媒体的风险结果预警及分析。与以往风险监测模型[35-36]相比，模型构建的风险案例库知识获取环节，在后续模型的使用过程中可以对社交网络舆情的风险案例进行持续更新和补充，进一步提升模型的准确率及精度。模型使用的解释结构方程模型ISM及贝叶斯网络（BN），是确定风险因素之间耦合和相互作用路径的关键，也是确定突发事件社交媒体风险系统中信息、信息人、信息环境及信息技术耦合时对风险发生的作用的关键。经过上述ISM-BN模型风险识别及预警的过程可以有效识别舆情风险，同时保障了风险识别模型的精度完善功能。

4 实证研究

4.1 数据来源及平台选择

本文通过网络爬虫代码及手工抓取两种方式收集微博及短视频平台的相关舆情案例数据，共收集到29条数据作为突发事件社交媒体网络舆情风险识别与预警模型训练的样本案例，通过训练并计算贝叶斯网络的条件概率。本文选取“河南7·20暴雨”事件作为具体的实证案例进行突发事件社交媒体网络舆情风险知识图谱舆情事件案例库构建，并实现突发事件网络舆情风险识别及预警过程。“河南7·20暴雨”社交网络舆情是典型的自然灾害类舆情事件，突发程度高且事件持续时间较久，波及范围较广，是突发事件中社交媒体网络舆情的典型代表，在我国的微博及短视频平台上引起了广泛关注[42]。

本文分别采集了微博及抖音平台中该舆情事件的全生命周期话题数据，时间为2021年7月20日至2021年7月30日，同时构建舆情分析语料库。采集内容包括视频发布文本内容，视频转评赞数据，视频发布用户名，发布用户获赞、关注与粉丝数量，用户地址，发布时间，视频评论文本内容、评论时间、评论用户名、评论用户地址，以及评论用户的获赞、关注与粉丝数量。经过数据清洗及无效数据清除等步骤，最终从微博平台获取了总计163687条原创、转发及评论有效数据，抖音平台获取了总计132634条原创及评论有效数据。手工抓取了该社交网络舆情事件百度搜索指数、事件持续时长等无法批量获取的数据。舆情事件风险因素数据的收集方法及量化指标如表3所示。

4.2 河南暴雨网络舆情的风险知识图谱构建

研究采用开源知识图谱工具Neo4j构建突发事件社交媒体网络舆情风险知识图谱，并构建突发事件案例知识库，构建结果如图3所示。图3a展示了突发事件案例知识库中自然灾害、公共卫生、核电和紧急事件以及社会安全四个类别下存储的突发事件知识图谱实例，展现了突发事件社交网络舆情知识图谱中事件和事件类别之间的关系。本文选取“河南暴雨”突发事件进行突发事件社交媒体网络舆情知识图谱的实例展示。在查询节点数量有限的基础上，以事件中“人民日报”用户节点进行路径查询，展示局部的突发事件下社交网络舆情风险知识图谱，如图3b所示。“河南7·20暴雨”突发事件下的风险知识图谱，清晰展现了河南暴雨事件发生过程中与事件存在关系路径的相关实体，包括该舆情事件的发布人、发布时间、信息发布结构、事件种类、事件高频词和舆情事件的空间信息等，同时也展示了事件发生过程中的实体之间的关联关系及最短路径。根据案例事件风险知识图谱可以初步确定导致突发事件舆情风险发生的重点要素分别为用户要素、事件要素、地理位置要素、信息要素等，为风险要素的识别及风险要素之间的因果关系确定提供了实例支撑。

图3 抖音平台“河南7·20暴雨”事件网络舆情风险知识库

图3构建的知识图谱涵盖了社交网络舆情事件中的关键节点发现和社区发现，同时突出了知识图谱风险要素之间的知识关联分析。在知识图谱单层和多层关联分析中，图4展现了知识图谱舆情事件关联分析的结果。其中，图4a展现了“事件之间语义”的单层关联，确定了河南暴雨舆情事件的高频关键词语义网络，整体舆论内容以“河南加油”“平安保佑”“河南难关”等正面观点为主。图4b和图4c展示了“事件-人物-时间”及“事件-人物-信息结构”实体关联的查询结果。图4d展示了“事件-时间-空间-人物”实体关联的查询结果。分析结果显示，7月20及7月21日中该舆情事件的信息发布人空间位置集中在广州、上海、台州和苏州等地点。

图4 突发事件风险知识图谱关联查询图示

4.3 河南暴雨网络舆情的风险因素关系识别

在确定了风险因素的基础上，结合文献[43]采用6位专家评分的方式得到该突发事件下社交网络舆情的风险因素关系矩阵，如表4所示。根据关系矩阵表计算可达性矩阵，并将可达性矩阵划分为不同层级，最后得到突发事件下社交媒体网络舆情的风险因素之间因果路径及层级关系，并构建风险因素之间的有向路径拓扑图，如图5所示。

表4 突发事件社交媒体网络舆情风险因素关系矩阵表

图5显示了基于ISM方法的因素分层结果。突发事件下社交媒体网络舆情的风险因素，根据其对舆情风险发生的直接或者间接驱动关系可划分为四个层级（L1～L4）。其中，直接导致舆情风险是否发生的要素层级是L1，即最直接要素层级，包含用户参与度（u7）、用户风险感知（u10）、事件突发程度（u11）、突发事件热度（u12）、突发事件持续时长（u13）、官方机构干预程度（u14）及社交平台响应对策（u15）。这些要素之间对于风险发生的驱动关系是并列作用的。L1层级要素成为突发事件社交媒体网络舆情风险是否发生的根节点，受L2、L3、L4层级要素的影响后，直接作用于风险是否发生的结果。

图5 基于ISM的突发事件社交媒体网络舆情风险有向图

L2层级和L3层级为中间要素层级，对风险发生的结果具有调节作用。L1层级逐个要素的状态受到L2层级要素的直接调控，例如，用户参与度（u7）受突发事件信息情感负面程度（u3）、信息真实性（u4）、信息危害性（u5）要素的直接影响，用户风险感知（u10）受信息情感负面程度（u3）、信息真实性（u4）、信息危害性（u5）、用户级别（u8）及用户数据素养（u9）的直接影响，以及突发事件热度（u12）受到L2层级全部要素的调控等。

L2层级的部分要素的状态受到L3层级要素的直接调控。例如，信息情感负面程度（u3）受到用户类型（u6）、社交媒体平台的信息监测技术（u17）及信息审核技术（u19）的直接影响，平台突发事件监管体系的全面性（u16）受到平台信息监测技术（u17）、信息安全技术（u18）及基础设施建设技术（u20）的直接影响。L4层级为最根本要素层级，仅包含信息内容（u2）一个要素，即影响突发事件社交媒体网络舆情风险发生的最根本要素为信息内容本身，L4层级直接调节L3层级的要素状态，并通过L3层级及L2层级对L1层级要素实现间接调节作用。

4.4 贝叶斯网络构建及事件预测

本文采纳ISM分析得到的因果路径及层级结果构建贝叶斯网络模型。ISM分析得到的有向拓扑结构较为复杂，其中一些子指标之间存在循环连接。去除网络中的冗余链接并删除圆弧链接，修剪后得到最终的贝叶斯网络（BN）预测模型，如图6所示。

图6 贝叶斯网络（BN）预测模型（彩图请见http://qbxb.istic.ac.cn/）

得到贝叶斯网络模型后，需要输入突发事件案例数据供贝叶斯网络模型进行学习，以得到条件概率表及先验概率。从突发事件的特征[44]出发，参考知微事见平台[42]及百度指数的舆情指数的数据后，共选取了具有强烈代表性的16个舆情事件作为突发事件案例。分别采集16个突发事件在微博及抖音两个平台的舆情数据供贝叶斯网络模型进行学习，包括微博平台数据16条及对应的短视频平台数据13条。

本文使用案例库数据进行学习并验证。为客观评价并细化舆情事件风险的级别[28]，将预警结果划分为低风险、中风险及高风险，并进行事件舆情风险等级的预测。为保证模型的精度并保证数据验证过程具有可重复性[41]，本文将案例数据划分为25条训练数据和4条测试数据，进行6次交叉验证。第一次验证选取事件1～事件4作为测试集，其他样本作为训练集；第二次验证选取事件5～事件8作为测试集，其他样本作为训练集，以此类推进行仿真验证。

本文以GeNIe软件的K2算法作为推理算法，得到条件概率表。由于篇幅原因，仅列出6次验证结果的部分对比数据，如表5所示。经过6次交叉验证后，有2个事件的测试结果和实际结果不一致，如事件6，低风险（low）、中风险（medium）及高风险（high）的概率均为33%，由于概率非常接近导致了结果错误，事件15也是同样的原因。针对这样的误差，可以通过进一步细化风险分类等级来优化模型准确率。总体上，构建的风险预测模型的预测准确率为93.10%，与未采纳ISM方法构建的风险预警模型的研究[31,37]相比，准确率的精度有所提升。

表5 部分仿真交叉验证对比数据

采用河南暴雨事件的抖音平台数据及微博数据进行实例验证，结果如表6所示。验证结果与实际结果一致，证明本文构建的贝叶斯网络模型在社交媒体网络舆情风险的预警应用中是可靠的。

表6 河南暴雨事件指标数据和预测结果

5 讨论

5.1 突发事件社交媒体网络舆情风险知识库

突发事件社交媒体网络舆情风险知识图谱的构建，可以帮助舆情管理机构进行舆情事件事态发展的追踪并为风险识别提供知识库[45]。本文提出的突发事件社交媒体网络舆情风险预警模型，通过知识图谱构建获取社交媒体网络舆情风险知识并进行存储。一方面，风险识别知识库可为后续社交网络舆情风险因素的识别提供支撑；另一方面，采用图挖掘技术和语义匹配方式构建突发事件网络舆情风险识别知识库，包含全部实体要素及实体要素间的关联关系，便于突发事件社交网络舆情全景态势的把控和舆情风险敏感节点的洞察。同时，与贝叶斯网络形成从知识获取到风险预警的完整闭环，实现社交网络舆情风险态势层级的研判以及异常舆情风险点的发现[46]。构建的多层和多维突发事件社交媒体网络舆情风险识别知识库，提供了实体关联查询功能，可实现事件的知识发现，并从时间维、空间维、语义维和用户维对知识进行单维度的舆情事件关联分析，以及对事件发展过程态势的切片式追踪。基于知识图谱构建的风险识别知识库，还可从关联关系角度进行单层和多层舆情事件关系分析，从而全面立体地展示突发事件发生时的舆论多维面貌及具体行动路径[25]。

5.2 突发事件社交媒体网络舆情风险因果关系

突发事件社交媒体网络舆情风险因素之间的关系具有一定因果关系。突发事件社交媒体网络舆情风险存在的因果关系，说明了突发事件下社交媒体网络舆情风险发生的过程是一个系统性过程。从实证数据分析的结果来看，信息人、信息、信息环境及信息技术四种风险类别中，信息环境的风险是影响社交媒体网络舆情发生的最直接风险因素，同时信息本身的风险是影响社交媒体网络舆情风险发生的最底层因素。突发事件中社交媒体网络舆情的风险因素存在的因果关系路径，为相关机构提供了社交媒体网络舆情风险规避的溯源方法。社交媒体发生网络舆情风险时，风险规避的根本是追溯舆情风险发生时的舆情事件源头，并关注不同社交媒体平台的敏感信息识别，以及通过采纳多模态信息融合技术手段[47]对不同信息结构的内容进行整合，从而实现智能情报挖掘和情感监测。同时，进一步实现敏感人群监测等[48]，实现科学舆情监测向智能舆情监测的转变。舆情监管机构要重视如何利用多模态信息间深层次的因果关联进行信息的深度挖掘，从而有效发现突发事件的严重程度、宏观态势和驱动因素等事件的隐藏信息，揭示社交媒体信息与事件态势之间的关联关系及映射机制，为突发事件下的社交网络舆情应急管理提供更加可靠的决策支持[49]。

5.3 风险识别及预警模型对舆情风险预警的作用

本文提出的基于ISM-BN突发事件社交媒体网络舆情风险识别及预警模型，可以有效实现突发事件下的社交网络舆情风险分析及预警的联动功能。社交媒体网络空间自身具有信息的生态性，网络舆情研判与预警主要任务就是基于知识进行风险感知，预判网络空间生态环境的不稳定因素。因此，结合信息生态视角构建的社交网络舆情风险识别因素，对突发事件社交媒体网络舆情的事件传播进行全要素的多维分析，进而对舆情事件的态势进行评估，并对存在的舆情风险进行预警，从而全面强化突发事件下社交网络舆情风险的警觉性、敏感度和鉴别力[16]。通过知识图谱进行实体要素之间的情景展示，结合ISM-BN模型进行风险预警，实现了社交网络舆情风险评估结果对相关机构决策过程的支持[50]。模型预警的结果及事例知识，反过来将继续存储于社交网络舆情风险预警的知识库，并进一步形成新的舆情案例知识。这一过程加速形成了要素齐全的突发事件网络舆情案例的情报感知训练集，完成了突发事件风险知识库的迭代和更新，为下一次的突发事件社交网络舆情的风险预警提供了先验知识[51]。同时，基于ISM-BN模型构建的知识图谱可以快速识别舆情风险因素节点，当舆情监管机构得知特定节点存在高风险时，直接以节点为中心通过知识图中的路径快速获取前序案例中的资源部署配置方式[52]，可以实现舆情预警的快速部署和舆情疏导，从而实现“知识获取-知识分析-风险预警”的逻辑分析闭环，实现突发事件社交媒体网络舆情监测向突发事件舆情态势感知的转变，提高舆情风险的“发现力”，强化跨舆论场多维量化分析的“计算力”，实现突发事件舆情整体态势的“感知力”。

6 研究结论

本文在理论层面上，构建基于ISM-BN的突发事件社交媒体网络舆情风险识别及预警模型。通过构建突发事件社交媒体网络舆情风险知识图谱形成突发事件案例库，基于信息生态理论进行社交网络舆情风险因素识别，基于ISM方法进行突发事件社交媒体网络舆情风险要素之间的因果路径及层级关系分析；通过ISM得到的有向路径拓扑图，经过修剪获得贝叶斯网络模型，实现突发事件社交媒体网络舆情风险预警。本文为突发事件社交媒体网络舆情风险研判及预警提供了新的理论视角及研究方法。

在实践贡献方面，本文提出的风险识别及预警模型可为相关机构进行突发事件网络舆情风险研判提供具体的手段及路径。同时可根据本文提出的模型，创新完善突发事件风险研判及应急管理态势感知体系，实现突发事件情境下社交媒体网络舆情风险的有效识别。研究结果表明，基于知识图谱构建的风险识别知识库，可从关联关系角度进行单层和双层舆情事件关系分析，从而全面立体地展示突发事件发生时的多维面貌及具体舆情传播路径。同时，突发事件社交媒体网络舆情风险因素之间的关系具有一定因果关系，可帮助舆情监管机构进行舆情信息间深层次的因果关联挖掘。构建的基于ISM-BN风险识别及预警模型，可帮助有效实现突发事件下的社交网络舆情风险分析及预警的联动功能。

本文也存在一定的局限性。出于数据特征的需求及案例知识库构建的复杂难度，本次案例收集的数据集较少，将在未来的研究中逐渐扩充案例的数据集，进行案例知识库实时更新和进一步的丰富，并将创新不同的风险监测方法对风险预警的结果做进一步对比，以便更加确定本文模型的有效性。