0    引言

預測網絡輿情熱度有助于及時掌握輿情動態(tài)，提高應對輿情危機的能力。但突發(fā)重大公共衛(wèi)生事件的網絡輿情具有長周期性、快傳播性以及強破壞性的特點，其輿情擴散更容易導致輿情危機的出現、發(fā)酵使其難以控制。隨著新冠肺炎疫情的出現，國家和政府越來越重視“生物安全”，尤其是可能遲滯或中斷民族復興歷史進程的風險挑戰(zhàn)，當然也構成人類生存面臨的重要威脅。過往對網絡輿情的研究內容主要是對研究對象的文本內容進行分詞與詞性分析、演化規(guī)律以及影響機理進行分析。從風險的社會放大理論來看，網絡輿情會在短時間內擴散并隱藏著潛在的風險。如果對突發(fā)事件的輿情預測處理不當，會隨著消極情緒的蔓延，形成“漣漪效應”趨勢,導致更為嚴重的輿情危機,加劇網絡輿情的監(jiān)管難度。

目前，國內外的許多學者在突發(fā)事件輿情熱度預測方面做了大量的研究。王努努等通過情感分類分析出網民的不同情感態(tài)度，隨著時間的變化對不同情感進行情感預測。輿情熱度研究一般分為以單一變量的變化規(guī)律和趨勢進行輿情熱度的預測研究，和以多個變量構建輿情熱度模型進行輿情熱度預測。在輿情熱度預測方法上，張和平等運用百度搜索指數作為輿情熱度指標，利用灰色馬爾科夫模型對輿情熱度進行預測；王寧等利用百度指數和微指數來衡量輿情熱度的大小，使用灰色模型進行輿情熱度預測；陳福集等基于殘差修正的多因素灰色模型來對網絡輿情進行預測；蘭月新等首先建立輿情熱度模型，然后在建立模型的基礎上使用多維度Logistic模型對輿情熱度預測；Chen使用模糊綜合評價法選定輿情熱度的指標并進行預測；曾子明等構建微博輿情熱度評價指標體系,利用信息熵確定各個指標的權重,使用BP神經網絡的對突發(fā)傳染病輿情熱度趨勢預測并驗證模型的可行性；徐敏捷等將Logistic模型、指數平滑法和灰色預測結合起來預測網絡輿情。以上的國內外的網絡輿情熱度預測大多數采用的是機器學習算法和深度學習算法，大多數使用單一的模型或者組合模型，優(yōu)點是相對簡單，預測效率較高，缺點是不能適應不同類型時間序列數據的需要，一定程度上影響整體的預測效果。結合突發(fā)公共衛(wèi)生事件輿情治理和目前已有的輿情預測研究成果，文章通過ARIMA算法和加入注意力機制LSTM對新型冠狀病毒感染肺炎事件進行輿情熱度預測，使用準確率更高的算法進行預測仿真得出輿情熱度的發(fā)展趨勢，并對輿情監(jiān)測和引導提出可行性建議。

本文詳細內容請下載：http://theprogrammingfactory.com/resource/share/2000005256

作者信息：

許露萌

（上海工程技術大學管理學院，上海201600）