网络舆情监测是现代社会中的一项重要工作^[1]，它为分析和预测互联网上突发事件趋势提供适当的信息，有利于防止社会冲突^[2]。以2019冠状病毒病(corona virus disease 2019，COVID-19) 大流行引发的重大公共卫生安全事件为例，社交网络中的负面舆论为科学防疫带来了诸多不良影响，关于负面舆情事件发展情况的信息被聚焦和夸大，伴随而来的便是COVID-19舆情热点的突发、频发^[3]。近年来由于信息传播的规模和速度迅速加快，网络舆情工作的重点已从监测转向预警^[4]。相关部门如果能尽早地对公众舆论进行建模分析和预警，发布官方新闻反驳谣言等，将有助于公众更好地了解网络舆情真实的发展趋势，避免不必要的恐慌，确保社会秩序的正常和稳定^[5]。实时预测网络热点事件也有助于避免不良公众舆论引起二次舆情事件的暴发。

网络舆情预警研究的基础是自然语言处理，随着计算机算力提升和机器学习的发展，基于文本分类的方法在舆情预警研究中得到了广泛运用，该类方法通过对大量舆情数据进行分类，然后对不同类别的文本进行分析，实现对负面舆情言论的识别和检测，主要包括假新闻检测^[6]和情感分析^[7]等。假新闻检测法中，虚假信息大多为一条独立的文本，可以通过文本分类任务剥离出不实的新闻，准确率越高的分类模型越能更早地分辨出不可靠的信息，达到早期预警的目的^[8]。然而，假新闻检测法不能直接应用在情感分析的舆情预警任务上，因为舆情事件中的文本信息是无数条信息的集合，不能简单地通过一条消极情绪文本实现预警的效果。情感分析法往往需要先构建文本分类器^[9]，对大量舆情数据进行情绪分类，然后对不同情绪的文本进行分析，最后通过构建舆情评价指标分析和预警网络舆论热点事件^[10]。

为实现基于情感分析方法的舆情分析，现有学者采用情感分类和主题挖掘协同分析的方法^[11]，如Li等^[12]通过对情感主题在舆情生命周期不同阶段的评论数和关注数统计，分析热点话题的舆情倾向，达到舆情防控的目的；张瑜等^[13]基于离散Bass模型对网络舆情演化情况进行分析，设定词频-逆文档频率(TF-IDF)权重阈值，通过对敏感性舆论话题不同主题的情绪趋势进行监测，实现舆情预警。但这种方法通常使用大量事后信息建模拟合舆情发展趋势，分析预测舆情发展动向，所以即时性不足。

为解决情感分析方法不能直接进行早期舆情预警的问题，本文提出了一种基于情感分类和主题提取的舆情主题建模方法，以研究负面舆情主题代替研究负面舆情事件进行早期预警；为解决早期预警即时性不足的问题，构建一种新的早期预警评价指标——舆情主题算数指数(public opinion topic arithmetic index，POI)，并设定舆情指标触发阈值，达到早期预警的目的。

1 相关工作

研究网络舆情的方法包括文本分类^[14]、文本挖掘^[15]和复合模型^[11]等。在基于文本分类的相关研究中，情感分析法通常需要先构建文本分类器，如机器学习模型、深度学习模型、预训练深度学习模型等。机器学习模型^[16]如朴素Bayes(naive Bayes, NB)^[17]、K近邻(K-nearest neighbor, KNN)^[18]算法、支持向量机(support vector machine, SVM)^[19]等，可以自动学习和识别数据中的模式和特征，避免了传统手工方法需要手动定义和调整的步骤，提高了效率和准确性，如王晰巍等^[20]基于NB模型从词频、地域和时间3个可视化维度，对移动环境下网络舆情用户情感演化进行研究。但机器学习模型性能相对较低，而且很大程度上取决于数据质量和完整性，如果数据存在缺失、噪声或不准确的情况，可能会对模型的准确性和稳定性产生负面影响。大多数深度学习模型如循环神经网络(recurrent neural network, RNN) 等，比机器学习模型的性能更优，如Hu等^[14]采用长短期记忆网络(long short-term memory, LSTM)^[21]构建了基于细粒度情感分析的汽车产品投诉危机智能预警系统；Shen等^[7]针对高校网络舆情分析和危机舆情预警的需要，提出了一种基于卷积神经网络(convolutional neural network, CNN)和LSTM模型，用于研究短文本舆情信息的情感分析方法；Choudrie等^[22]基于预训练大语言模型RoBERTa^[23]和迁移学习构建了一种多类情绪分类器系统，用于新冠大流行事件的网络舆情情绪分析研究。

公众舆论的趋势受到互联网上许多因素的影响，各因素之间的关系往往是复杂而紧密耦合的。文本挖掘方法也可以很好地分析社交网络舆情特征^[24]，为舆情监督有关部门治理网络生态环境提供参考和借鉴^[25]。文本挖掘主要包括2种方式，一种是文本聚类，如Iftene等^[26]基于语义相似性、文本聚类和事件检测提出了一种早期危机检测模型，通过检测相关事件表达的情绪在地图视图上显示有潜在风险的区域；Chen等^[1]提通过基于熵的网络舆论相似性分析方法，对社交网络的热点和危机舆情事件进行聚类和识别。另一种是文本提取，如Han等^[27]基于隐含Dirichlet分布模型和随机森林算法提出了一种主题提取和分类模型，通过研究COVID-19相关的新浪微博文本在1 h内的时间变化和空间分布，分析了COVID-19在中国流行早期的公众舆论。Xu等^[28]提出一种基于跨媒体分析的突发事件检测与观点挖掘方法，将检测到的突发事件利用观点挖掘分析舆情，然后通过语义扩展技术生成时间序列进行预警。文本挖掘能够有效地对大量的文本数据进行挖掘和分析，更好地理解网络舆情的主题和趋势，揭示数据中的隐藏信息，为预警研究提供有价值的信息。但文本挖掘的效果和准确性受数据预处理和特征提取的影响较大。

在复杂的互联网环境中，有许多因素可以影响公众舆论，单一方法往往不足以对复杂的舆情系统建模和分析，因此许多学者将文本分类、文本挖掘与其他理论模型结合进行舆情预警。Shah等^[11]通过对COVID-19患者的在线评论进行情感分类，并使用改进的隐含Dirichlet分布模型进行主题建模，分析了COVID-19暴发早期新兴和衰退的话题的情感趋势；Sarirete等^[29]基于情感分析、主题提取对COVID-19期间社交网络对疫苗的情绪态度进行分析；Vicario等^[30]充分利用在线社交媒体上传播错误信息中用户的偏见和两极化等特征，基于主题提取和情感分类构建了一个潜在错误信息目标的早期预警框架。

2 网络舆情早期预警模型

本文基于情感分类和主题提取的复合方法构建网络舆情早期预警模型，如图 1所示，首先对COVID-19相关新浪微博文章(以下简称博文)进行数据采集，接着进行预处理，之后使用ERNIE 3.0情感分类器^[31]对博文进行情感分类，计算不同情绪的博文数量。然后使用TF-IDF算法对含有消极情绪的博文进行主题提取，选择出与负面舆情事件相关联的主题词。接着利用爆发指数(explosion index, EI)、情绪指数(sentiment index, SI) 和传播指数(dissemination index, DI)，对舆情主题建模，输出消极情绪主题词和其对应的POI值，若模型输出值超出POI阈值，则触发预警；若未超过，则继续进行数据采集。

2.1 ERNIE 3.0情感分类器

情感分类模块使用ERNIE 3.0大语言模型，如图 2所示，ERNIE 3.0是一个持续多范式统一的预训练框架，融合了自回归和自编码网络，使得模型可以广泛用于预训练、微调和零/小样本学习。它使用一个共享的Transformer网络来完成语义表示任务，并利用特定的自我注意掩码来控制预测条件的上下文。ERNIE 3.0使不同的任务范式能够共享在共享网络中学习到的基本抽象特征，并分别利用在各自的任务特定网络中学习到的任务特定顶层具体特征。此外，ERNIE 3.0引入ERNIE 2.0中的持续多任务学习框架用于学习通用语义表示。

对于情感分类任务的应用，首先初始化具有预先训练好共享网络参数的ERNIE 3.0，然后使用已标注的情感数据集继续进行训练以微调模型参数，得到3种(消极、中性和积极)分类的情感分类器。超参数的设置包括：学习率为4×10^-5，批处理大小为64，最大文本长度为185个字符，epoch为10个轮次。

2.2 TF-IDF算法

主题提取模块使用TF-IDF算法，词频(TF)表示字词在文本中出现的频率，逆文档频率(IDF)表示关键词的普遍程度。该算法基于统计的关键词进行主题提取，反映了字词对一个文件集或语料库中文档的重要性。本文将每个名词视为一个潜在的主题，每篇博文视为一个文档，利用TF-IDF算法计算频率来捕捉频繁出现的字词，同时避免在每个文档中通过逆文档频率而出现的不重要的字词，字词的重要性随着它在文件中出现次数的增加而提升，在语料库中出现频率的增加而降低。一些通用字词对于表达文章的主题并没有太大作用，反倒是一些TF较低的字词更有效，所以仅使用TF是不合适的。如果包含该字词的文档越少而IDF越大，说明该字词具有很好的类别区分能力。TF-IDF的权重为TF和IDF的乘积，计算方法如式(1)所示。

$\left\{\begin{array}{l} \mathrm{TF}_{t, d}=\log _a\left(1+\mathrm{tf}_{t, d}\right), \\ \mathrm{IDF}_t=\log _a\left(\frac{M}{1+\mathrm{df}_t}\right), \\ (\mathrm{TF}-\mathrm{IDF})_{t, d}=\mathrm{TF}_{t, d} \times \mathrm{IDF}_t . \end{array}\right.$

(1)

其中：tf_{t, d}为主题词t在文档d中出现的频率，df_t为包含主题词t的文档数量，M为文档总数。

2.3 POI

为了深入了解消极情绪主题信息，本文结合EI、SI和DI 3个指标综合计算POI，以反映消极情绪主题的影响程度。

2.3.1 EI计算方法

EI是一种常用于电商购物节销售利润对比的统计方法，用以评估本期的某个指标在前一个时间段内的增速程度。在网络舆情事件中，EI反映了当前消极情绪主题的文本数量比前一段时间内平均文本数量的增加速度。热点舆情事件中的消极情绪主题词的出现频率通常出现异常陡增。EI越高表明舆情暴发速度越快，舆情事件越严重；EI为0或负值时表明负面舆论不增长甚至负增长。主题词t的EI计算公式如下：

$\mathrm{EI}_t=\frac{\operatorname{Relu}\left(\mathrm{df}_{t, \mathrm{~N}}^n-\frac{1}{n-1} \sum\limits_{i=1}^{n-1} \mathrm{df}_{t, \mathrm{~N}}^i\right)}{1+\frac{1}{n-1} \sum\limits_{i=1}^{n-1} \mathrm{df}_{t, \mathrm{~N}}^i}.$

(2)

其中：df_{t, N}ⁿ和df_{t, N}ⁱ分别为第n天和第i天主题词t出现的消极(Negative)博文数量。Relu为激活函数又叫线性整流函数，是人工智能神经网络中常用的方法，该函数在数值≤0时输出0，＞0时输出原数值，具体过程如图 3所示。

EI_t≥1代表第n天主题词t的消极博文数量已经达到前(n-1)d均值的2倍及以上，增长程度100%。当df_{t, N}ⁿ小于前(n-1)d平均数量时，消极情绪舆论呈现负增长，触发Relu激活函数，此时EI_t值为0，不再提供预警信息。EI主要反映舆情主题的暴发和激增情况。当舆情主题暴发并迅速成为公众关注的焦点时，EI会相应地增加。

2.3.2 SI计算方法

社交网络中善于煽动公众情绪的群体越来越多，大多数社交网络用户在讨论中很难始终维持中立态度，容易受舆论事件和社会情绪的影响而变得情绪化。消极情绪比例在本文是指网络舆情事件中消极博文数量与积极文章数量的比值，SI可利用消极情绪比例反映当前社交网络用户对舆情事件的消极情绪比前一时段的增长程度。SI越高，表明该主题当前消极情绪人群比例比前一时段更高，引发了大量的消极情绪和情感，舆情事件越严重。主题词t的SI计算公式如下：

$\mathrm{SI}_t=\operatorname{Relu}\left(\frac{\mathrm{df}_{t, \mathrm{~N}}^n}{1+\mathrm{df}_{t, \mathrm{P}}^n}-\frac{\sum\limits_{i=1}^{n-1} \mathrm{df}_{t, \mathrm{~N}}^i}{1+\sum\limits_{i=1}^{n-1} \mathrm{df}_{t, \mathrm{P}}^i}\right).$

(3)

其中df_{t, P}ⁱ为第i天主题词t出现的积极(Positive)博文数量。

SI_t≥1代表了第n天主题词t的消极情绪比例已达到前(n-1)d均值的2倍及以上，增长程度大于100%。当第n天的消极情绪比例小于前(n-1)d均值时，积极情绪占据主导地位，触发Relu激活函数，此时SI_t为0，不再提供预警信息。

2.3.3 DI计算方法

DI反映了当前网络空间消极情绪博文传播数量比前一时段的增长程度。消极博文数量较多的舆情事件影响力大，覆盖范围广，危害性高；消极博文数量较少的舆情事件也有可能在某些特定人群传播，不代表影响性较小。因此结合EI和SI一起计算，能更有效衡量舆情事件的危害程度。主题词t的DI计算公式如下：

$\mathrm{DI}_t=\arctan \left(\log _a\left(1+\operatorname{Relu}\left(\operatorname{df}_{t, \mathrm{~N}}^n-\frac{1}{n-1} \sum\limits_{i=1}^{n-1} \mathrm{df}_{t, \mathrm{~N}}^i\right)\right)\right).$

(4)

由于本文使用的数据集为百万级别，所以计算DI时的log函数的底数a取10，这与实际社交网络微博平台上亿级别的信息传输存在一定差距，因此对更大级别数据进行计算时可对a的值进行适当更改。为防止消极情绪博文基数过大造成持续预警，本文采用arctan函数进行归一化处理。当EI和SI均较低时，DI不会进行预警；而当舆情主题在短时间内迅速传播并影响到更广泛的人群中时，DI会相应地增加。

2.3.4 综合计算POI

结合EI、SI和DI 3个指标综合计算POI，用以反映消极情绪主题的影响程度。主题词t的POI计算公式如下：

$\mathrm{POI}_t=\mathrm{SI}_t+\mathrm{EI}_t+\mathrm{DI}_t .$

(5)

2.4 舆情情感主题建模

舆情情感主题建模主要包括情感分类、主题提取和POI计算。本文以负面舆情事件的主题词为切入点，在情感分类和主题提取后，对舆情主题进行建模。具体来说，情感分类模块将大量的微博舆情信息S={s₁, s₂, …, s_m}使用ERNIE 3.0情感分类器进行分类，得到包含j条消极文本的集合N={N₁, N₂, …, N_j}、包含l条中性文本的集合E={e₁, e₂, …, e_l}和包含k条积极文本的集合P={p₁, p₂, …, p_k}。然后在主题提取模块使用TF-IDF算法对消极情绪文本N进行主题提取，得到第w条消极情绪文本N_w的主题词t_w，最后对POI值进行计算，假设POI的预警值为2，则输出POI≥2的主题词和相应的POI值。伪代码如图 4所示。

3 实验与分析 3.1 数据预处理和分析

本文采用的数据集为2020年召开的第26届中国信息检索学术会议(26th China Conference on Information Retrieval，CCIR 2020)中的评测大赛“疫情期间网民情绪识别”赛题^[32]，以下简称为COVID-19相关微博情感数据集。该会议的组织者依据与COVID-19相关的230个主题词进行数据采集，抓取了2020年1月1日至2月19日期间共计100万条博文数据，包括90万条未标注情绪类别的数据和10万条已标注情绪类别的数据，分别可组成未标注数据集和已标注数据集。

首先对数据进行预处理，主要包括数据初筛和数据清洗。数据初筛主要针对数据集中少量无法使用的数据，从已标注数据集中删除了文本内容空白数据共计359条，删除标签空白和标签错误的数据共计81条，处理后的已标注数据集拥有99 560条数据。将标签空白和错误的标注数据加入到未标注数据集中，处理后的未标注数据集拥有900 081条数据。已标注数据集中积极情绪博文的数量k为25 376条，中性情绪博文的数量l为57 283条和消极情绪博文的数量j为16 901条，按照6∶2∶2划分训练集、验证集、测试集，详细信息如表 1所示。

数据清洗主要针对文本中的信息噪声。本文对已标注数据和未标注数据均进行了清洗，主要执行以下操作：1) 删除文本中的“@+用户名”、表情符、邮箱(abc@demo.com)，2) 删除不必要的空格和换行符，3) 取消转义HTML标记，4) 用URL替换文本中提到的超链接，5) 将繁体字转换为简体字。

预处理后，使用ERNIE 3.0情感分类器对900 081条未标记数据进行情绪分类，分类完成后将其与已标注数据集融合，得到全部已标注数据999 641条，需要说明的是，由于2020年2月19日的博文不完整，所以不作为后续实验分析的样本。全部已标注数据集中，中性情绪博文的数量l为596 427条，占比59.66%；积极情绪博文的数量k为245 593条，占比24.57%，消极情绪博文的数量j为157 621条，占比15.77%。

COVID-19相关的博文数量随时间的变化如图 5a所示，2020年1月19日之前，相关博文总数和3种情绪类别的博文数量占比均保持相对稳定；1月19日后，3种情绪类别的博文数量均呈现逐渐增加的趋势，并在1月20日及以后呈现暴发性增长；同时，积极和消极情绪博文占比均逐渐增加，中性情绪博文数量开始减少，且绝大多数日期中积极情绪博文数量多于消极情绪。

消极与积极情绪博文数量、COVID-19确诊人数随时间的变化分别如图 5b与5c所示。对比可知，1月20日后，消极情绪博文数量的占比最先开始增加，积极情绪博文数量的占比减少，而1月21日后积极情绪博文占比也开始增加。1月23日消极情绪博文数量上升至峰值，1月24日积极情绪博文数量才出现峰值，表明公众的消极情绪大多先于积极情绪暴发。不同情绪类别博文的数量和占比与中国政府相关媒体发布信息的行为密切相关，如2020年1月20日钟南山院士通过中国中央电视台证实了COVID-19存在“人传人”现象，消极情绪博文数量逐渐增加并于1月23日达到首个峰值，在博文总数中的占比也最大。

因此，当某些主题的消极情绪博文数量出现暴发性增长，或占比远大于积极情绪博文时，该主题所对应的网络事件往往潜伏着严重的舆情危机。通过情绪主题分析舆情事件是一种有效的方法。

3.2 舆情情感主题分析

使用TF-IDF算法针对预处理后的COVID-19相关微博情感数据集中2020年1月1日至2月18日的消极情绪博文进行主题提取，选择出TF-IDF权重排名前10的主题词，如表 2所示。这些主题词大致与4类舆情事件相关联，分别是：公众自身疫情防护和保障，COVID-19疫情公共卫生事件，新型冠状病毒起源，医院超负荷运转。不同舆情事件的主题词所关联的舆情事件可能存在交叉。

主题词“口罩”和“病毒”与公众自身疫情防护和保障的舆情相关。其中“口罩”的TF-IDF权重最高(15.32%)，相关博文数量为12 102条；“病毒”的权重为9.35%，排名第4，相关博文数量为15 466条。这表明公众对病毒的防护措施非常关心，但由于当时的口罩供应量出现过短期不足，引发了一些不安和消极情绪。

主题词“疫情” “肺炎”和“新冠”与COVID-19疫情公共卫生事件的舆情相关。“疫情”的权重(14.97%)虽然排名第2，但相关博文数量最多(17 108条)；“肺炎”的权重(10.82%)排名第3，相关博文数为11 528条。这体现了COVID-19疫情公共安全事件的发生会导致公众的消极情绪通过社交网络平台快速蔓延。“新冠”的权重(4.27%)和相关博文数量(4 285条)最少，这可能是因为微博平台的部分用户倾向于使用“疫情”或“肺炎”之类的简略表达。

主题词“野味”和“蝙蝠”与新型冠状病毒起源的舆情相关。“野味”的权重(8.61%)排名第5，相关博文数量为7 945条；“蝙蝠”的权重(6.14%)排名第8，相关博文数量为6 704条。当时围绕病毒的起源产生了大量谣言，干扰了相关部门正常的舆论引导工作，引发了一些消极情绪。

主题词“医院” “医生”和“病例”与医院超负荷运转的舆情相关。3个主题词的权重相近，分别为7.42%、6.91%和5.04%。公众出于对自身生命健康和卫生安全的考虑，对事件基本情况、进展程度、政府措施、防控手段等信息有较大需求。但随着感染病例的增多出现了医院超负荷运转、医务人员短缺等现象，导致了消极情绪的产生和传染，可能引发更深层次的网络舆情危机。

3.3 舆情事件周期分析

根据舆情发展态势，有的学者将舆情周期划分为3或4个阶段^[33]。结合社交网络舆情事件特点，本文将舆情周期划分为潜伏期、暴发期、持续期和衰退期。以主题词“医生”为例，结合2.3节提出的EI，分析各阶段的发展情况。

若从2020年1月1日开始分析，则无法统计该日期前的相关博文总数(超出数据集的时间周期)，同时为防止样本量过小造成误差，本节选择1月8日为计算起始日。以EI作为划分舆情周期的依据，当EI不超过或未连续超过预警值时为潜伏期，该时期的博文总数并没有持续暴发性变化，而是在一定范围波动；当EI开始长时间超过预警值并持续增长至峰值时为暴发期，舆情事件呈现暴发性增长，短时间内的讨论热度迅速达到较高水平；当EI首次低于预警值并在预警值附近波动时为持续期，该时期虽然博文总数增速减缓，但其基数仍然较大；当EI首次小于0并在0附近波动时，每日的博文总数进入负增长，舆情事件进入衰退期。

如图 6所示，在主题词“医生”的相关舆情事件中，2020年1月19日及以前为潜伏期，1月20日至1月25日为暴发期，1月26日至2月2日为持续期，2月3日及以后为衰退期。潜伏期中，大部分日期的EI小于2并保持小范围波动，说明话题进入社交网络用户视野引发讨论，但讨论量较低；暴发期中，EI开始大于2并且持续增长直至1月20日达到峰值(7.42)，主题词“医生”的博文总数也在同一日达到峰值，说明话题热度很高，社交网络转发和评论的数量迅速增加。持续期中，EI经暴发期后首次跌至2以下，并在2左右来回波动，博文总数也基本保持不变，说明随着政府相关部门的逐渐发声，社交网络博文的情绪类别逐渐趋于稳定。衰退期中，EI首次跌破1并逐渐降至0甚至负值，说明该话题热度减退，参与转发、讨论信息的博文总数也逐渐减少，舆情事件可能逐渐消散。然而，在持续期和衰退期仍需持续关注舆情，防止二次舆情事件的发生。例如2020年2月6日李文亮医生在抗击疫情时因感染COVID-19去世，引发大规模的社交网络用户共情，相关话题一度达到微博热搜第一名，于是当天与主题词“医生”相关的博文总数大量增加，直到2月14日重新进入衰退期。

本文所提方法主要针对有征兆的网络舆情事件，在其潜伏期和暴发前期尽可能早地检测出负面舆情主题，提出预警防范，为相关部门的舆情监测工作和学术研究提供技术和理论支持。但该方法还无法对急性突发舆情事件做到提前预警，所以仍需完善。

3.4 预警评价指标分析

针对POI及其3个子指标(EI、SI、DI)的预警值进行实验分析和选择。为了方便分析每个指标数值的正负波动氛围，本节将式(2)—(5)中的Relu函数删去后再进行计算。EI、SI、DI也可以单独用于分析网络舆情特定方向，预警值设定均不宜过高，要尽量囊括大多数主题词在大部分潜伏期内的数值；也不宜过低，让无隐患主题的小幅波动影响预警效果。TF-IDF权重排名前10的主题词在潜伏期内的预警评价指标统计结果如表 3所示。

EI代表着舆论主题短时间内增长程度。主题词“野味”在潜伏期的EI最低，为-0.87；“疫情”在潜伏期的EI最高，为1.95；大部分主题词的EI方差少于0.26，而“疫情”的方差最高，达到了0.70，说明该主题词在潜伏期内的EI波动较大，不适合作为预警主题词。在去掉过大的EI异常值(1.95)，并考虑其他所有主题词的EI最大值为0.94的情况下，将舆情主题词的EI预警值设定为1，当EI>1时表明舆情主题有突然暴发的趋势，属于异常状态，需要引起关注。

SI代表着社交网络用户对舆情事件的消极情绪比前一时段的增长程度。大部分主题词在潜伏期的SI最大值超过1，“野味”和“蝙蝠”的SI最高，均为6.0；“野味”的SI最低，为-11.75；大部分主题词的SI方差超过1，“野味”甚至达到了24.55，说明主题词在潜伏期的SI值波动均较大，因此本文对SI预警值的选择并不依赖潜伏期，而是暴发期及以后。以主题词“口罩”为例，由图 7a可知，SI在潜伏期和暴发期前期的波动较大，暴发期中后期及以后时期的波动较小；但1月18日以后，SI大多处于1以下。因此将SI预警值设定为1，当SI>1时表明社交网络用户的消极情绪有突然暴发的趋势，属于异常状态，需要引起关注。

DI代表着当前负面舆情主题词数量比之前平均数量的增长程度，“病毒”的方差和标准差均最高，分别为0.55和0.74；大部分主题词的方差位于0.20~0.44，说明DI整体波动不大；“医院”的DI最高，为0.99。为了囊括所有主题词，将DI预警值设定为1。

综合上述3个子指标对POI进行分析。以主题词“口罩”为例，由图 7b可知，POI在暴发期和潜伏期后期波动较大，而且POI达到峰值的日期整体早于博文数量达到峰值的日期，体现了POI进行网络舆情事件早期预警的有效性。舆情前期DI较低，EI与SI较高，舆情中期开始DI较高，EI和SI数值呈现跳跃性，但总体数值较低。因此将POI预警值设置为2，能综合各子指标在不同时期的特点，体现整个舆情周期内的状态。

3.5 早期舆情预警分析

本文将舆情主题词进入暴发期后，相关消极情绪博文数量出现首个峰值的日期设定为峰值日，将EI首次大于1并持续增长至峰值的日期设定为暴发日。表 4总结了TF-IDF权重前10的消极情绪主题词在暴发日和峰值日的各指标信息。

由表可知，主题词“病毒”在峰值日的消极情绪博文数量最多，为761条，“新冠”在峰值日的消极情绪博文数量最少，为137条；“医生”在暴发日的消极情绪博文数量最多，为504条，“新冠”在暴发日的消极情绪博文数量最少，为16条；“新冠”在暴发日前的大部分日期中的消极情绪博文数量为0，这是因为世界卫生组织在2020年1月11日将造成不明原因肺炎的病毒暂时命名为COVID-19，简称为新冠肺炎。“疫情”在暴发日的POI最高(88.27)，“蝙蝠”在峰值日的POI最高(59.57)；“蝙蝠”在暴发日的EI最高(8.91)，“新冠”在峰值日的EI最高(29.82)，且大部分主题词的EI在暴发日比峰值日低，这是因为暴发日为暴发期第一天，之后的上升速度可能加快。与EI相反，大部分主题词的SI在暴发日比峰值日高，这是因为SI在潜伏期和暴发期前期的波动较大，在暴发期后期较为稳定，这也与图 5a中积极情绪博文数量在绝大部分日期多于消极情绪的结论相呼应。预警提前时间是指触发预警阈值的第一条博文发帖时间，比舆情峰值日当天零时提前了多少个h。

本文提出的暴发日整体早于博文数量峰值日，舆情主题词的暴发日比社交网络舆情暴发日期整体提前，舆情事件早期预警时间比暴发日期整体提前，说明本文提出的网络舆情早期预警模型能够及早地感知舆情事件，负面舆情事件也能够得到提前预警。在这10个消极情绪主题词中，“口罩”“疫情”“肺炎”“病毒”主题的暴发日最早，均为2020年1月17日；该日期之后，与新型冠状病毒起源舆情事件相关的“野味”“蝙蝠”主题词，和与医院超负荷运转舆情事件相关的“医院”“医生”“病例”主题词也相继暴发。网络舆情早期预警模型最早于1月8日08时19分开始针对相关主题词进行预警，并且大部分的预警时间远早于实际暴发日。主题词“新冠”的消极情绪博文在暴发日只有16条，但最早在1月10日13时28分就开启了预警，说明该模型的早期预警不一定需要依赖大量数据样本即可实现。主题词“疫情”的最早预警时间比峰值日提前的时间最多，为423.52 h，早期预警次数也最多，为9次；主题词“新冠”的最早预警时间比暴发日提前的时间最多，为250.53 h，早期预警次数为2次。本文所提模型的最早预警时间比舆情暴发日平均提前了161.01 h，平均早期预警2.1次；最早预警时间比舆情峰值日平均提前261.81 h，平均早期预警5.8次，表明该模型具有良好的早期预警能力。

3.6 模型局限性

为了说明网络舆情早期预警模型的局限性，进一步对TF-IDF权重排名前100的消极情绪主题词进行了早期预警。部分主题词没有达到早期预警效果或预警错误，分析其可能原因如下：

1) 模型对无预兆的、突发性的舆情事件的早期预警效果不佳。以主题词“医生”为例，1月19日前“医生”相关消极主题博文数量保持相对稳定，1月20日“朝阳医院眼科某医生被砍”事件登上微博热搜，由于媒体对于事件进展的深度报道和信息核对需要一定时间，该信息空白期内出现了网络负面舆情的暴发，而模型对此无法做到提前预警。

2) 模型中的TF-IDF算法会错将部分常用语的修饰性名词提取为主题词，如“时间”“视频”等。这些词语会出现在消极情绪博文中且占据了较大比例，但实际上并不适合作为主题词。

4 结论

本文基于情感分类和主题提取的方法构建了网络舆情早期预警模型，采用研究消极情绪主题词的方法对负面舆情主题进行量化分析，提出了舆情主题算数指数(POI)，并结合POI的3个子指标，即爆发指数、情绪指数和传播指数，分别剖析了当前舆情主题消极情绪博文数量比前一时段的增加程度，当前社交网络用户对舆情事件消极情绪比前一时段的增长程度，当前网络空间消极情绪博文传播数量比前一时段的增长程度。通过设定各指标预警值，进行早期舆情预警。利用COVID-19疫情暴发初期的微博情感识别数据集验证了该模型具备较优的网络负面舆情事件早期预警能力。