广州黄埔区网络营销策划推广及网络公关公司推荐哪家好？

互联网发展早期只有几家有影响力的网络平台，研究者只需对这些平台进行监测就可以了解网民态度。随着新技术的发展，各种类型的网络平台井喷式涌现，如今人们既是微博、微信用户，又是Twitter、Facebook用户，单纯监测某一个或某几个平台已经无法帮助研究者全面了解用户真实态度。因此，必须拓宽网络舆情监测的广度和深度，从单通道到多通道，从国内到全球，从表层网络到深网，从公共舆情到圈群化舆情，从内容到“内容+关系”，从舆情监测到社会情绪监测，实现网络舆情监测范围的立体化拓展。

1.舆情监测广度的拓展：从单通道到多通道，从国内到全球，从表层网络到深网，从舆情监测到社会情绪监测

戈夫曼创造性地用戏剧表演的观点来解释人类行为，他认为社会生活就是一个大舞台，每个人都是舞台上的演员，人们会以各种方式塑造自己在他人心目中的形象（濮波，2015：37）。在新媒体环境下，戈夫曼提出的拟剧理论依然具有强大的解释力。微博、微信、抖音等不同的社交媒体平台都可被视为独立的舞台，网络用户会根据不同舞台特点调整自己所要发布的信息，他们的个人形象在不同平台上可能完全不同。在以微博为代表的弱关系平台上，和用户产生互动关系的以陌生人为主，因此用户发布的信息往往更大胆奔放。在以微信为代表的强关系平台上，受限于以熟人为主的社交网络关系，用户的发言一般更乖巧谨慎（毛湛文，2014）。随着技术的发展，能够承载舆情信息的网络通道数量不断增加，网民不仅同时使用多个社交媒体平台，还会在不同的社交媒体平台上发布不同的信息。过去单通道分散化的舆情监测分析已经不能满足当前需要，要全面把握用户动态、绘制完整用户画像就要整合不同媒介平台上的用户数据。

互联网的发展让舆情流动不再受国界的限制，现在不但国外热点舆情事件能引发国内民众关注，国内舆情事件被国外媒体报道后，反馈回国内的情况也屡见不鲜。在世界各国互联互通的背景下，要全面监测分析网络舆情，研究者就要同时了解国内外网民的态度倾向，才能准确把握舆情事件走向。

相对而言，深网是比表层网络更加重要的舆情信息来源。深网中包含各种形式的博客、论坛、个人主页，很多用户会选择在深网中讨论热门舆情事件和种族主义、保守主义等敏感议题。随着移动互联网的发展，部分群体对具有加密功能的通讯软件有了更高需求，基于开源代码的Telegram就是一款全球知名的以保护信息传输私密性著称的APP。除了Telegram等公开软件外，部分行业机构还会开发内部通讯系统，这些系统仅用于内部信息交流，外部人员甚至很难知道这些平台的存在。如果无法采集深网数据，人们进行舆情分析时就会面临严重的基础数据样本不足问题，将舆情监测分析范围从表层网络扩展到深层网络是实现舆情全面监测分析的重要保障。

从论坛、贴吧到微博、微信，移动互联网的发展让舆论的生成模式从“广场式”回归到“议事厅式”（陈龙，2015）。在虚拟空间重新部落化后，具备“我群”特点的特定圈群成为网民获取信息、讨论问题的主要场所。从互动仪式链的角度来看，“我群”的结构相对稳定，群体成员的相似度较高并具有紧密的社会联系。在表达观点的过程中，群体成员相互影响、彼此情绪相互极化，当互动仪式链中的情感能量达到峰值时，就会出现集体体验的高潮，在情绪影响下群体成员会坚定自己对舆情事件的看法并采取行动抒发自己的内心感受（李婷婷，王彬凯，2017）。在“我群”中，舆情信息会沿着人际关系网络如同病毒一般传播和扩散，快速滚雪球式的信息传播模式会在短时间内改变舆论走向。“我群”在与外界发生意见冲突或感受到外在压力时，会迸发出非常强大的力量，一旦有敏感舆情事件发生，相关人员必须对圈群化舆情进行及时监测。

2.从内容到“内容+关系”

过去，网络舆情分析主要关注民众针对舆情事件在网络平台中发表的言论，研究重点集中在舆情的内容层面上，例如，什么类型的舆情事件更容易引发网民关注、什么样的舆情信息表达方式更容易吸引受众眼球、通过参与舆情事件讨论网民表达了怎样的诉求。舆情分析从单一内容转向“内容+关系”标志着人们意识到节点和网络在信息传播过程中同等重要。数据节点记录了网民“说过什么”，通过分析这些节点，研究者可以发现当前主要的社会矛盾和公民的内在诉求。复杂社会网络记录了网民“为什么这么说”，对于相同的社会问题，起初不同个体有不同的理解，舆论的最终形成反映了多数人有了趋于一致的意见，这是舆论场中不同主体、不同信息非线性互动的结果。新技术的出现不仅为分析节点信息提供了便利，还为描绘测量不同节点之间关系提供了有力工具。在深度挖掘数据间的相关性之后，研究者可以找出影响网民互动关系的因素，并通过控制这些因素改变舆论走向（葛岩等，2020）。

3.从舆情监测到社会情绪监测

在“弱事实—强情绪”成为网络舆论的新型表达方式后，网络舆情监测分析也出现了从内容到情绪的改变（刘璐，谢耘耕，2018）。舆论既反映了深刻的社会问题，也反映了当下人们的社会情绪和社会心态。在研究社会风险的过程中，美国学者萨德曼提出了一个著名的风险公式，即风险=危害+愤怒，情绪是改变社会风险强弱、影响公众网络行为的重要因素（Labouchardiere et al.， 2014）。在社会学家斯梅尔塞提出的价值累加理论中，也提到了社会情绪对集体行为的影响。在他看来，结构性怨恨和一般化信念是集体行为产生的重要条件。当人们对社会问题持有相同意见时，被压迫情绪就会被再造和夸大，结构性怨恨将转化为一般化信念（冯仕政，2013：63）。在愤怒、怨恨、悲伤等情绪支配下，网民将积极参与舆情事件讨论、助推舆情事件传播。随着社交媒体的普及，网民有了更多渠道表达自己对舆情事件的意见，用户的评价反馈中蕴含了大量情感信息。在基于舆情事件关键词建立的模型中，自然语言处理技术下的语义核函数可以通过比对目标类别向量与文本语义特征向量之间的相似度，判别文本极性。情感分析技术可以实现对网民情感持有率、情感强度以及舆情事件属性等的分析，计算出不同阶段网络舆论整体的情感倾向，完成对网民观点极性、观点强度以及观点属性的深入挖掘，实时追踪网民情绪变化态势。

过去，人们在谈论数据融合时主要关注数据本身的融合；现在，人们更希望通过广泛聚合内外部数据，从数据中发现知识，发现舆情事件的演化规律和变化特点，以便更好地为舆论引导、社会治理提供服务。

1.从数据库到数据仓库

在网络舆情研究中，全面系统收集并存储数据是进行舆情监测分析的基础。传统的舆情信息存储方式已经不能再满足大数据时代的需要，想要将传统舆论研究方法获取的数据和大数据方法采集的数据融合起来，引入数据仓库技术势在必行。

数据仓库是数据库概念的升级，数据仓库技术的引入实现了舆情分析的四大变革。第一，数据仓库实现了对不同数据库信息的集成。从本质上来讲，数据库和数据仓库都是存放数据的空间，但数据仓库存储的数据规模更大，一个数据仓库可以将多个不同数据库的数据汇集起来，为内外部舆情数据融合打下基础。例如，数据仓库可以将分别存储于不同数据库中的民意调查数据、用户消费数据、社交媒体数据、生理变化数据、地理位置数据等整合到一起。第二，数据仓库延长了信息存储的时间。数据库中信息保存的时间相对短暂，数据仓库中信息保存的时间则较长，大型数据仓库中信息保存的时间长达几十年。舆情研究中，历史数据的价值比横截面数据的价值高，在数据仓库技术的帮助下，人们可以对相关舆情事件进行长达十年、二十年的跟踪，还可以利用历史数据对谣言等长期存在于舆情传播过程中的现象进行分析。第三，具有面向主题特征的数据仓库将提升舆情分析效率。所谓主题，是指用户使用数据仓库进行分析决策时所关心的重点方面，数据仓库会以主题为分类标准安排数据。在进行舆情分析时，不同组织机构有不同的侧重点，有的关心环境问题，有的关心经济问题，有的关心食品安全问题，数据仓库可以在相关部门进行具体的舆情分析时提供针对性信息。第四，数据仓库更加重视数据清洗工作。随着人工智能技术的发展，可以持续高频率生产信息内容的机器人水军逐步成为网络水军的主力，这些机器人有目的地制造热点、营造舆论幻象与共识，污染了真实民意（张林贺，2018）。在舆情监测分析过程中，如果将网络水军发布的内容也涵盖在分析范围内，无疑会使人们得到错误的统计结果。因此，数据仓库会根据网络舆情参与者的周期性行为特征、社会结构特征、社会交往频率等，自动识别网络水军，将网络水军发布的信息排除在数据仓库之外。

2.从数据层融合到知识融合和服务层融合

就数据融合而言，社会调查数据、社交媒体数据、传感数据、地理信息数据等信息的汇集仅仅实现了数据层融合的工作，此时数据库中存储的数据是笼统、待加工的，要想真正发挥数据价值，还要实现数据的知识融合与服务层融合。

经过知识融合，信息的可阅读性、可理解性会大幅提升，人们获得的信息和实际需求将更加匹配。换言之，知识融合可以通过寻找数据之间的内在关联，为更好地解释数据奠定基础。实现知识融合需要经过以下步骤：第一，对知识进行抽象和建模；第二，利用关系推演获取显式深度知识；第三，利用推理归纳方法获取隐式深度知识；第四，普遍规律的总结和提炼。利用数据仓库中的舆情数据，可以建立包括业务模型、逻辑模型、物理模型在内的各种模型，并利用历史知识推断两个实体之间的关系、预测对应实体的发展趋势。例如，研究者可以通过搜集社交媒体数据，探索网民信息分享行为是否服从某种数据分布规律。

就服务层融合而言，在舆论研究中，数据融合的最终目的是为相关人员提供服务。对很多人来说，经过数据层融合和知识融合后的信息依然难以理解。服务层融合以服务决策主体为目的，通过为决策主体提供地图、报表等易于阅读的可视化信息，优化舆情信息呈现方式。例如，可视化技术可以将GIS地理信息数据和舆情数据结合起来，帮助人们从电子地图中直观发现舆情事件发生的热点地区，并自动化呈现出这些区域的特点。

3.从个人信息档案到动态用户画像

20世纪90年代，人们发现可以利用性别、年龄、兴趣、偏好等资料构建用户个人信息档案，为决策提供依据。受限于当时的技术条件，研究人员只能利用问卷法或访谈法了解不同目标用户的特征，总结其差异和共性，抽象出拥有目标用户最普遍特征的虚拟形象。通过问卷法或访谈法收集到的用户数据规模较小且数据类型单一，由此建立的用户个人信息档案自然粒度较粗，其准确度、区分度和可用性不强。随着社交媒体的快速发展，网络空间中积累的用户个人信息日益丰富；移动通信设备和传感设备的普及，让用户行为数据的实时采集成为可能；大数据技术的进步让人们可以从海量数据中抽取能够反映用户特征的个性化标签。如今研究者可以利用用户画像技术，准确分析网民的兴趣爱好、消费习惯、政治倾向等。在2016年美国总统大选中，剑桥分析公司利用Facebook泄露的个人数据为几千万美国选民绘制了用户画像，在个人性格分析和政治立场判断的基础上，特朗普竞选团队根据不同选民特点采取了针对性宣传措施。

不同舆论研究中绘制的用户画像并不完全相同，除了性别、年龄、教育程度、婚姻状况、职业等通用的人口属性外，研究者还可以利用大数据技术有针对性地提取用户特点。研究者可以通过分析用户在搜索引擎或导航类网站中的浏览记录，了解网民对体育、娱乐、财经、时政等哪类信息感兴趣；可以通过分析社交媒体数据，发现联系紧密的网民群体以及信息传播中的关键节点；可以通过分析用户消费数据，评估用户的消费偏好和购买能力；可以通过分析传感设备数据，把握用户的LBS特征和所在地的情况。在进行舆情分析时，研究者要从不同渠道获取用户数据，然后根据自身需要，绘制全面的用户画像。

人工智能时代来临以前，人们重点关注网络舆情的当前态势；人工智能时代来临后，伴随着自然语言处理和机器学习技术水平的不断提高，研究者可以基于案例推理的理论，将引发舆情的事件特点以及舆情演化过程中的特点提取出来，以此作为舆情预测的依据。网络舆情研究正在逐步从现在时走向将来时。

1.从舆情监测到舆情预测

舆情事件的发生是偶然性和必然性的结合，单一舆情事件的出现具有偶然性，但潜藏在事件背后的社会矛盾一旦激烈到某种程度，舆情事件的发生就存在了必然性。监测是预测的基础，预测是监测的目标。舆情预测本质上是一个信息处理的过程，是利用已有的监测数据推测未来舆情发展态势的方法。从这一角度来说，舆情预测和天气预测有异曲同工之处，天气预测的基础就是技术人员对天气信息的监测，例如，印度洋的暖空气北上、西伯利亚的冷空气南下，这样的空气流动趋势意味着两组气团一旦相遇，就会造成大暴雨。

在经历数十年的发展后，现在互联网中已经蕴藏了丰富的舆情数据信息，在大数据技术和人工智能技术的帮助下，研究者可以从案例推理的角度出发，通过对大量舆情案例的研究和对历史数据的统计分析，预测舆情事件的未来发展趋势。具体来说，想要实现较为准确的舆情预测，要进行以下两项工作：第一，要建立完善的案例库。案例推理的理论起源于20世纪80年代，耶鲁大学Roger Schank教授在《动态记忆：计算机与人类学习理论》中首次提出案例推理的模型与框架（李锋刚，2011：10）。案例推理以解决问题为核心，从历史案例库中寻找相似案例，根据新问题的特点对过去的解决方案稍加修改，然后应用于新问题的解决过程中。就舆情研究而言，每年发生的舆情事件数量超过万起，能够引发舆论狂潮的舆情事件有共同的要素特征，研究者可以将引发舆论的事件特点以及舆情演化过程中的特点提取出来，以此作为科学决策的依据。例如，不同类型舆情事件的季节性变化规律、意见领袖的发声规律、政府舆论引导的措施与对应效果等都可以成为被分析的对象。新的舆情事件发生后，人们可以对历史案例进行检索，利用要素匹配的方法，获得与当前情况相似的历史案例解决方案，对其进行修改后可用于当前情况。第二，要建立完整的舆情预测指标体系。研究者要根据案例分析结果，找出影响舆情事件传播的关键要素，建立影响因素之间的层次结构模型，制定出相应的舆情预警预测指标体系。舆情事件发生后，研究者可以根据舆情预警预测指标体系，计算出舆情危机评估得分，确定其对应的区间（如轻度级、严重级和危险级）。相关部门可以根据舆情事件的严重程度采取相应的措施和行动。

2.从经验性预测到实证性预测

从经验性预测到实证性预测是大数据时代舆情预测的重大变化。经验性预测是人类通过对社会现象的长期观察，从重复出现的事物中总结经验性知识的过程。在智能化工具出现前，相关机构会专门邀请舆情研究专家，让他们根据多年的实践经验，对重大舆情事件的发展走向做出判断。这种舆情预测方式有着原始、直观、感性的特点，个人好恶和情绪状态会对舆情预测结果产生影响。在信息流动速度和社会变迁速度同时加快的今天，用笼统抽象的方式进行舆情预测已经无法很好指导社会实践，利用现代科技高效系统地进行舆情预测是未来的发展趋势，将定性研究和定量研究结合起来的实证性舆情预测将成为主流。

预测是决策的基础，决策是预测的前提。预测的任务是揭示事物发展趋势及其决定性因素，为决策者提供未来舆情发展趋势的可能性信息。决策是一种面向未来的活动，决策的科学与否，又在很大程度上取决于对未来分析与判断的准确性。因此，舆情预测和决策是前后衔接很紧密的两个信息加工环节。大数据时代来临后，有关公共事件的评论转发量数以千万计，光靠人力难以在短时间内对舆情信息进行精准分析，以个人经验为基础的决策方式也难以保证舆情决策的科学性。因此，引入数据驱动的智能化决策平台势在必行。

1.从经验性决策到数据驱动的决策

在大数据时代来临前，人们进行决策的依据多数基于个体经验以及专家学者的主观判断。大数据时代来临后，人们面对的数据量急速膨胀，仅靠人工难以满足舆情决策的需要，专家主观判断出现错误的几率提高。与此同时，机器学习、情感分析、自然语言处理等人工智能技术的发展，也为舆情决策提供了新契机。在技术的帮助下，舆情决策将从经验主导走向数据驱动，利用数据驱动的辅助决策系统进行舆情决策已经成为未来的发展趋势。 

一个完整的辅助决策系统应该包含数据库、案例库、方案库和专家智库四大部分。具体来说，数据库可以实时保存一定时间内的舆情信息变化情况，案例库记录了过去发生的重大舆情事件相关信息，方案库保存了相似舆情事件的应对方法。以数据库、案例库和方案库为依托，人工智能技术可以从各类舆情信息中识别出人们重点关注的议题，在结合历史数据的基础上，基于案例推理的理论对舆情事件及其传播过程的关键要素进行解构。例如，不同类型舆情事件的季节性变化规律、意见领袖的发声规律、政府舆论引导的措施与对应效果等，都可以成为被分析的对象。新的舆情事件发生后，人们可以对历史案例进行检索，利用要素匹配的方法，获得与当前情况相似的历史案例解决方案，对其进行修改后可用于当前情况。尽管大数据和人工智能技术已经完成了大部分数据分析和整理工作，但计算机依然无法完全取代人类，专家的研究经验依然具有很高价值。在人工智能技术提供出可参考的解决方案后，相关部门可以迅速利用专家智库中的数据和舆论研究专家建立联系，征求专家对舆情事件的主观意见。舆论研究专家将对人工智能处理的数据分析报告进行总结提炼，从自己的实践经验出发对舆情演化趋势做出相应判断，对人工智能的分析结果进行修订和补充。

2.从舆情决策方案的经验性选择到运用模拟仿真技术进行预判

在进行舆情决策时，决策者往往面对多个决策方案。过去，人们需要依靠经验从中选择出最佳方案；如今，随着模拟仿真技术的发展，人们可以利用该技术测试不同决策方案实施效果，从而选择出最佳决策方案。

模拟仿真是利用计算机系统模拟现实情况的技术。很多情况下，人们进行真实实验的经济成本高、安全性低、可操作性差，模拟仿真技术可以帮助研究者突破科学研究的诸多限制，例如，人们可以模拟不同自然环境和气候条件下导弹的运动轨迹。因此，模拟仿真技术在很多领域均有应用。在大数据和人工智能时代来临后，模拟仿真技术在社会科学领域也被广为使用。在舆论研究领域，人们可以模拟舆情事件传播过程中网民意见、情绪、态度的聚类过程；可以模拟舆情事件发生后线上线下不同社会群体的相互作用机制；还可以构建舆论的群体极化与网络动员模型，模拟群体极化过程，探究影响群体极化的因素。模拟仿真技术的飞速发展，为模拟决策方案效果奠定了基础。

网络舆论场中存在包括网民、媒介、政府、利益相关方在内的多种力量。重大舆情事件发生后，不同个体和组织会表达不同的意见、采取不同的措施，这些力量的博弈最终会决定舆情事件的发展走势。经过20多年的发展，随着网络舆情研究的不断深入，不同舆论主体参与舆论博弈的规律开始变得有章可循，例如，舆情事件发生后，政府召开或不召开新闻发布会会产生不同的舆论反响。因此，人们应该引入博弈论的思想，利用模拟仿真技术，预测公众、媒体、社会组织、市场等对决策方案的反应，综合评估不同决策方案的实施效果。