社交网络舆情知识图谱发展动态及趋势研究
王晰巍1，2，韦雅楠1，邢云菲1，王 铎1
（1. 吉林大学管理学院，长春 130022；2. 吉林大学大数据管理研究中心，长春 130022）
摘 要 随着社交媒体的兴起，社交网络舆情的传播和监管成为国内外学者和产业、舆情监管部门关注的新问题。本文通过采集国内外关于知识图谱和社交媒体环境下网络舆情的相关文献，运用定性分析和知识图谱可视化方法，梳理国内外学者在社交媒体网络舆情知识图谱领域的研究热点，并对现有的国内外研究现状进行述评，分析大数据驱动的社交网络舆情主题图谱未来的发展趋势。本研究有助于国内外学者了解社交网络舆情主题图谱领域的研究热点和发展态势，在理论和实践层面为大数据驱动的社交网络舆情主题图谱研究提供研究思路和方向，为相关监管部门未来的舆情监管提供指导。
关键词 社交媒体；网络舆情；知识图谱；发展动态
1 引 言
在大量社交媒体信息交互和传播过程中，舆情监管部门如何快速响应找到舆情事件传播中的关键人物并针对舆情事件进行有效引导，以确保舆情传播朝着健康的社会舆论方向发展？在社交媒体快速发展的过程中如何快速削减微博和微信中扩散的网络谣言和欺诈信息，以及迅速膨胀的短视频这些新兴媒体平台中出现的低俗、有害影像？在大量社交媒体信息快速发展和普及的环境下如何构建健康发展的互联网生态环境，从而引导社交网络舆情健康发展？要解决上述社交媒体发展过程中出现的这些新问题，根据现阶段我国社交媒体信息传播的现实情境，进行社交网络舆情知识图谱构建是解决上述问题的切入点。
知识图谱（knowledge graph）又叫科学知识图谱、知识领域可视化、知识地图或映射地图，使用可以表达知识发展过程和知识组织关系的图形，用直观的可视化方式表达知识资源及其载体[1]。它将各种信息（即大数据）连接在一起，形成一个关系网络，能够从“关系”的视角建立联系，作为表达知识组织关系的实用方法[2]。在知识图谱基础上，围绕分析的主题内容构建“大数据驱动的社交网络舆情主题图谱”，可以对社交网络中的谣言、欺诈、涉敏（如政治敏感）等舆情事件的复杂关系网络、舆情事件时间演进过程进行可视化分析，并识别复杂关系中存在的特定潜在风险，从而提高舆情事件的事前预警和事后监控效率，更好地制定舆情调控策略，这对引导我国互联网生态健康发展具有重要裨益。
综上，过腔和过腔法是曲圣魏良辅《南词引正》“过腔接字，乃关锁之地”音乐理论的产物，是昆曲首创的、迄今世上独一无二的创作法和音调，也是昆曲有别于其他音乐样式的本质特征和核心标志之一。
考虑到美国是我国最主要的大豆进口国之一，2017年我国34%的进口大豆（约3200万吨）来源于美国。由于此前大豆集中到港，短期内国内大豆和豆粕库存处于历史同期高位，供应环境相对宽松。但就长期而言，预计12月开始将加速进入去库存阶段，美豆进口的缺失势必使得未来大豆供应逐渐偏紧。
2 知识图谱研究的国内外热点分析
科学知识图谱最早是在文献计量学和科学计量学基础上逐渐发展而来的，是一种包含多学科的复合型研究手段[3]。2003 年，美国国家科学院率先提出了知识图谱的概念；2005 年大连理工大学刘则渊等学者在国内提出“知识图谱”的概念[4]。知识图谱以其强大的语义处理能力和开放组织能力，已经引起越来越多的科学家在各种学科和专业实践领域的关注。
2.1 知识图谱理论分析
知识图谱通过建立各种关联将各类复杂问题简化下来，通过各种可视化的方式帮助人们分析数据。Franco-Salvador 等[27]分析了跨语言剽窃检测知识图谱，提出了一种基于概念分布式表示的概念间关系加权方法，以西班牙式英语和德式英语抄袭为例，验证知识图谱的检测作用。Smith[28]综合分析了知识图谱的生产工具、工作流程和交互式功能，建议将知识图谱的分析功能应用到挖掘GIS 的新兴领域。Chen 等[29]利用Bicomb 和SPSS 软件，收集CNKI 自1986 年至2016 年的290 篇教学论文，构建了热点问题和发展趋势的主题图谱。学者雷二庆[30]基于Hirsch J E 发表的第一篇h 指数文献的266 篇施引文献，构建了h 指数知识图谱，得出h 指数的研究概况与研究趋势。孙建军[31]收集了Web of Science以及中国知网上有关“链接分析”的数据，使用CitespaceⅡ、SATI 3.1 和Netdraw 软件进行可视化分析，得出国内外链接分析研究的发展趋势。曹树金等[32]基于SSCI 和CSSCI 期刊中知识图谱文献，通过时间分布、节点性论文计算、高频关键词共现、学科分布、核心期刊和边缘期刊等，分析了知识图谱的发展趋势。尹怀琼等[33]利用CiteSpace、Netdraw和SATI 等软件，基于作者、机构、期刊、发文量、发展前沿及热点等数据分析国内学者对“图书馆联盟” 研究的主题图谱， 对比分析了SATI 和CiteSpace 在中文文献题录分析运用中的区别，以及CiteSpace 和Netdraw 在知识图谱分析中的区别。
Kimura 等[63]在贪婪算法的基础上构建了关于社交媒体网络节点影响力的有效近似解算法，对比分析了该方法和传统方法在计算复杂度上的区别。Cano 等[64]利用语义配置文件和PageRank 算法，改进了分析转发关系以及对主题相关性用户的实体影响。Mahyar 等[65]提出DICeNod 方法，作为一种新的测量社交媒体网络舆情节点影响力的方法，不需要直接测量单个节点即可识别社交网络的中心用户。Tulu 等[66]构建了一种基于社区的中介理论，将每个节点到该社区其他节点的连接熵作为度量基础来分析社交媒体中节点的影响力。Ai 等[67]通过收集微信平台开放的事件数据，提出了包含359 个城市节点的空间交互网络，得出了网络舆情传播的地理交互特征，认为舆论传播取决于网络互动的状态。
2.2 知识图谱应用分析
点评：本研究的特色之处在于，应用网络建模分析的方法，揭示了转录调节因子基因靶向的性别特异性模式与结肠癌的存活结果相关。这种方法也可用于了解性别如何影响其他癌症的进展和对治疗的反应。
2.3 知识图谱构建分析
将各类原始数据整合起来，使用自动或半自动的技术方式提取出知识要素，并将其存入知识库的数据层和模式层的过程，称为知识图谱构建[19]。知识图谱构建已成为分析知识的组织关系以及各种智能的更有效的应用方式。学者Kim 等[20]提出使用知识图谱来获得和表示组织知识，并提出建立知识地图的路线与具体过程，并以制造公司为例进行案例研究。Abel[21]通过建立知识图谱的网络学习平台来提高参与学习者的体验，分析了知识图谱在促进组织学习的Web 平台设计中的作用。Shi 等[22]构建语义健康知识图谱分析新的模型，以实现异质医学知识与服务语义的整合。Shaw[23]通过假设不同的知识映射方法（专家和自学者）可以达到不同的学习绩效水平，分析知识图谱建构方法与学习绩效之间的关系。学者魏瑞斌[24]基于共词网络，构建《情报学报》和《中国图书馆学报》期刊的知识图谱。张洋等[25]针对图书情报领域的学术信息，以传统网络数据库、网络学术博客、网络学术论坛等信息平台为数据来源，采用共现分析方法构建了基于不同信息源的知识图谱。宋宁远[26]以斯普林格·自然集团的Sci Graph 项目为例，从数据来源、数据组织、内容加工三个方面进行案例分析，并在此基础上讨论了面向智慧数据的科学知识图谱的构建。
2.4 主题图谱的可视化分析
学者Zins[4]提出了一整套完整的、系统的信息科学知识地图研究领域，研究内容涵盖了基础、应用、操作和过程、技术、资源、知识工作者、内容、环境、组织、用户等。Balaid 等[5]基于系统的文献综述方法梳理分析了132 篇关于知识图谱的文献，对知识图谱的概念、优势、技术、分类和方法进行综述，并分析研究的未来趋势；研究结果表明，知识图谱是提高组织效率的必要策略。Zhu等[6]分析知识图谱概念的语义相似度计算，提出WordNet、DBpedia、WPATH 等可用于测量知识图概念间的语义相似度的方法。学者陈悦等[7]论述了知识图谱引入国内学术界后引起大量关注，CiteSpace作为知识图谱的研究工具被广泛应用，但通过梳理500 多篇使用CiteSpace 的文献后发现存在CiteSpace工具使用不当的现象；因此，论文从4 个方面介绍了CiteSpace 的功能设计、使用方法、理论基础、未来趋势等，使CiteSpace 在科研领域发挥作用。焦晓静等[8]基于文献梳理和对比分析的方法提出知识图谱的定义，并分析了知识图谱与知识地图关系，认为知识图谱是一种科学计量学的可视化方法。冯新翎等[9]从知识管理理论的视角出发，对比分析了“Google 知识图谱”和“科学知识图谱”，并讨论在大数据背景下两类知识图谱在知识获取、知识组织、知识存储、知识共享和知识创新等方面的发展趋势。
3 社交网络舆情研究热点分析
第二，社交媒体环境下网络舆情用户传播行为和突发事件研究较多，针对社交媒体网络舆情知识图谱研究成果相对较少。近些年，随着网络技术的发展人们在进行信息交互时倾向于选择更为便捷的移动端社交媒体，移动端也随之成为社交网络舆情传播的主要载体。收集移动端社交网络舆数据，建立社交网络舆情指标体系可以更好地了解社交网络舆情发展特征，可以更好地了解移动环境下社交网络舆论信息传播的规律，有助于了解社交媒体舆情传播过程，构建社交媒体舆情传播监控系统，规范社交媒体环境下网络舆情信息传播行为[73]。
3.1 社交网络舆情事件传播
国外学者Choi[34]以韩国政治话题为研究事件，使用社会网络和统计分析的方法，构建了Twitter 平台的舆情信息传播模式，并以Twitter 平台的网络用户数据作为测试对象，分析公众对政治关注度与选举结果、民意调查之间关系的有效性；Kim 等[35]提出了基于知识图谱可视化工具来挖掘社交媒体网络舆情的方法，并以韩国方便面事件为例，验证了该方法可用于社交网络舆情分析；Hampton 等[36]提出社交网络平台的有些功能与较低端的、可被感知的社会意见一致有关，这一研究结论可帮助了解社交媒体用户对于一些政治话题的参与意愿；Overbey等[37]提出了舆情链接跟踪方法，把带有情感的Twit‐ter 信息与相关新闻内容进行关联，再利用链接事件代码数据评估Twitter 信息，并可监控网络用户对政治行为者的情绪。
学者Blázquez-Ruiz 等[10]基于计量学理论分析了食品科学领域的知识图谱，对近10 年来食品科学领域的关键字进行了分析。Kim[11]基于娱乐本体构建K-POP 知识地图，分析了各种对象及其相互关系，得出知识图谱可以在不同的应用程序之间进行分配和共享；研究通过聚合来自不同数据源的一组相关数据集来创建知识图谱，并提出了一个语义数据模型来表示歌手、团体以及他们的活动、组织和娱乐内容的全面概况。Chi 等[12]以科技出版管理为例，提出了一种基于知识图谱和数据分析技术的科学元数据集成管理模型，用来分析智能教育中的知识图谱。国内一些学者分析了知识图谱在不同领域的应用，如科研领域、教育领域、社会问题解决等方面[13]，技术预见领域[14]，图书情报学领域[15]，商业领域[16]，各类期刊编辑[17]，旅游推荐、电影/音乐推荐、电子商务、职位推荐等领域[18]。国内外学者已将知识图谱应用到生活、科研、教育等多个领域，在产业领域知识图谱已成为数据时代服务应用的综合性平台。
Neuendorf 等[42]论述了公众对边缘群体的看法，将带有幽默感的舆情信息视为边缘化群体预测舆情的工具，幽默感受政治取向影响，网民能够过滤和整合社会政治问题；研究结果证实，除了社会定位因素外，幽默感还提供了一套切实可行的关于边缘群体的民意预测指标。Furin 等[43]通过向用户提供来自社交平台中公开数据的有关个人敏感数据的数量，得出他们对位置感知场景的结论、态度和行为。Zhao 等[44]在分析了新浪微博数据的基础上，构建了一套新的社交网络情感传感器系统，该系统可用来分析网络热点话题，以及话题的情感分布状况。Kim 等[45]收集了网民在Twitter 平台针对两款存在竞争的手机评论内容，并利用文本挖掘、情感分析和自然语言处理方法对网民的购买意向做出分类。Abedin 等[46]通过定量方法分析在灾难发生时，使用Twitter 将有助信息的快速传播，并重点分析了社交网络用户在灾害响应阶段使用Twitter 的情况。
图1 国外社交网络舆情主题图谱发展关键词知识图谱
图2 国内社交网络舆情主题图谱发展关键词知识图谱
3.2 社交网络舆情传播行为
国内学者张宁熙[38]分析了大数据背景下社交媒体突发事件的特性，提出了如何将大数据应用到网络突发事件舆情信息工作中。吴鹏等[39]以突发事件网络用户情感倾向为核心，分析政府、网络用户、新媒体的交互过程，设计分析了网络用户在突发事件网络舆情中行为决策的动因和发展规律。陈璟浩等[40]采用生存分析方法，以突发社会安全事件的网络舆情数据为研究对象，对70 起重大社会安全事件进行分析，得出各类社会安全事件网络舆情的生存周期以及影响社会安全事件网络舆情生存时间的影响因素。马哲坤等[41]基于突发事件网络舆情的时间特征指标进行突发词项识别、突发话题图谱构建、语义补充与完善，在突发事件特征的基础上过滤不相关网络内容，建立含有语义关系的突发话题图，实现突发事件网络舆情热点话题传播分析。
建议对业绩较好，已经有一定影响力和市场信誉度的科研众包平台，通过认定的方式授予平台相关资质，允许一些财政资助的科研项目或科研项目的子课题在平台上发包，或是由财政资助的科研项目产生的科技成果在平台上实施转化。一方面可以让财政资助的科研项目找到最佳的接包方，实现科技资源的最优配置；另一方面，通过适当的行政手段，可以帮助科研众包平台树立平台的公信力和影响力，进而打造出具有高认可度的科研众包品牌。
李磊等[47]基于不同舆情主题的微博用户行为数据进行聚类分析，认为信息交互过程中的微博用户可分为“一般关注型”、“主动参与型”和“信息传播型”3 种类型，在此基础上对用户的转发行为数据做了分析。朱毅华等[48]利用仿真方法推演分析网络舆情演化机理，分析网络用户个体行为在网络舆情传播过程、传播内容、网民个体属性对舆情演化传播的影响等。廖海涵等[49]使用相关分析、偏相关分析、回归分析等方法来分析采集的用户发布数、评论数、转发数等数据，得出用户信息行为特征。郭淼等[50]研究了社交网络中个体在改进SEIR 网络模型的数学表达以及评价个体传播能力的PageRank算法，并利用数值仿真对改进SEIR 模型进行了验证以分析用户转发行为。赵丹等[51]使用量化分析方法，构建社交网络环境下网络舆情特征指标，并分析了社交网络舆情的传播过程及传播特征；研究结果表明，社交网络舆情传播在一定程度上符合优先权选择、兴趣驱动、兴趣衰减及周期性规律，对相关部门加强社交网络舆情的监管和引导有一定的指导作用。
3.3 社交网络舆情传播模型及情感模型
Mulder[52]提出一种可以分析舆论传播特征的解释模型，并用此模型分析了19 世纪荷兰民众关于核能话题的态度。Wu 等[53]基于OpinionFlow 可视化分析系统，检测网络舆情传播模式并构建了意见扩散模型，预测Twitter 用户之间的信息传播。Fan 等[54]设计了基于AEE（agent-event-environment）范式的元建模框架，作为开发可视化建模环境或工具的基础，并构建了一种面向领域专家的方法来指导社交媒体平台上的信息传播建模方法。Sohn 等[55]利用Agent 建模来分析影响网络用户意见动态的边界条件，分析个体通信网络规模的分布状况，认为网络用户意见分布可能出现螺旋上升的现象。Zhang 等[56]从大规模网络feed 中获得数据后构建模型，来分析集体情绪状态的度量与股票交易数据是否相关。Feng[57]针对社交媒体事件情感计算困难问题，构建了词典监督下的情绪计算模型，可用来挖掘网络社交媒体中的热点新闻，分析基于情绪计算的舆情。Zhang 等[58]使用最大熵模型对微博内容做了情感分析和舆情预测，该模型采用细粒度方法对中文微博情感进行分类，对微博内容进行预处理，利用最大熵模型对分类器进行训练，并利用选择性集成分类器对情绪进行分析；实验结果表明，该算法的精度为0.88，验证了该方法的可行性和有效性。王高飞等[59]使用Vensim PLE 构建移动社交网络舆情演化的动力学模型，对模型进行仿真，有效引导移动社交网络舆情的传播与演化；宾宁等[60]构建了一个博弈分析模型，并以茂名PX 事件为例，分析了舆论的演变过程，并基于求解模型的演化稳定策略来分析各主体在社交网络舆情演变过程中的博弈过程，提出各作用主体为有效引导网络舆情演变而应采取的方法。曾群等[61]使用结构方程方法分析了社交网络舆情的传播机制，构建了网络用户舆情传播行为影响因素的双路径模型；研究结果表明，媒体干预加速网络舆情传播的扩散，政府引导可以平息网络舆情并引导网络舆情健康发展。崔鹏等[62]提出了突发事件网络舆情发展的生命周期模型，分析了突发事件网络舆情演化规律，并提出突发事件网络舆情生命周期中的演化态势，从而帮助政府提升应对网络舆情的应对能力。
“指导青年教师”的业绩，能较好地反映优秀教师的指导能力和综合水平，作为教师专业发展的评价要素，其认可度高达98.20分。
3.4 社交网络舆情节点特征及传播影响力
我校药学专业校企合作成功的经验，就是将学生实习与就业工作有机结合。首先，要加强对学生的职业指导和职业生涯规划教育，将就业观教育贯穿于教育教学始终，让学生树立正确的就业观，充分认识到“有位才有为，有为才有位”的现实规律。其次，通过在企业实习，进一步强化学生理论与实践有机结合的学习，使其积累工作经验，了解企业对人才素质的基本要求，帮助学生找准定位，为学生进入职场成功就业做好准备。我国药学专业校企合作仍处于学习借鉴、实践探索阶段，应切实加强药学专业校企合作的规范与管理，培养面向生产、服务和管理第一线的高素质药学技能型高级人才。
黄微等[68]基于大数据技术、舆情理论、信息传播理论等，分析了大数据背景下社交媒体网络舆情传播中的主体、客体、媒体、本体和空间共5 个要素的特征，揭示社交媒体网络舆情信息传播的内在运行机制。Cheng 等[69]以郭美美事件为例，分析该事件舆情信息的传播对中国红十字会产生的负面影响。王晰巍等[70]基于新媒体环境下突发事件网络舆情信息传播特征在各个阶段的变化，构建了舆情传播模型并分析了突发事件网络舆情演化规律和预警规律在移动端和非移动端的区别。侯治平等[71]使用语义关联方法，利用Gephi 软件得出网络结构特征并将其可视化，以屠呦呦获诺得贝尔奖的博文文本为分析对象，研究学术网络舆情信息传播规律。
4 研究现状述评及未来研究趋势
4.1 研究现状述评
第一，社交媒体环境下网络舆情的传统分析方法相对较多，针对大数据驱动环境下社交媒体网络舆情研究的成果相对较少。国外在此领域近2 年的研究大多采用实证分析、内容分析和案例分析，还有一部分采用问卷、模型实验、在线调查和仿真分析的研究方法；国内在此领域的研究虽然数量相对较多，但大多运用的是描述性理论分析和案例分析，还有一部分采用问卷调查、社会网络分析、实证分析、实验分析和模型等研究方法。通过对用户在一定时间内关注的信息点记录的统计分析，一些学者构建了热点、焦点、重力、角度、敏感性、敏感度、频率、进度、互联网内容传播的拐点、舆论等分析模型[72]。同时，还有文献总结分析了社交网络舆情监测分析软件和监测系统。
在收集国内外社交网络舆情主题图谱发展趋势和趋势数据的基础上，分析了主题词的引文频率和中心性指数。基于近5 年国内外社交网络舆情主题图谱发展检索文献关键词数据，绘制知识图谱（图1、图2）。按照主题词被引频率进行排列，国外社交媒体网络舆情主题词主要集中于social media、so‐cial networks 和Twitter 等，说明国外社交媒体主题词更加关注于社交媒体平台；国内社交媒体网络舆情主题词主要集中于网络舆情、大数据和新媒体等，说明国内社交网络舆情主题词更加关注于网络舆情和大数据。
如上所述，慕课在我国高校掀起了基于MOOC的课程建设高潮。MOOC平台在我国高校的本土化创新和多元化开发，极大地推动了高校线上线下相结合的混合学习教学模式改革。在大数据时代背景下，MOOC平台广泛采用学习分析技术，对学习者的学习行为，特别是对学习者基于ICT的交流模式等进行跟踪分析。慕课平台通过对学习者行为的大数据分析，促进了数字化学习。
第三，对知识图谱的应用和构建层面的研究成果相对较多，运用主题图谱分析社交媒体网络舆情引导策略的研究成果相对较少。越来越多的国内外学者关注于将知识图谱作为研究社交网络舆情的方法，研究种类可以概述为理论研究、应用研究、构建研究和可视化分析，其作用主要是明晰学科结构、分析研究内容、描述科研合作、预测学科前沿、揭示学科关系、促进科研管理、探究学科历史、进行科学评价、用于学科分类和检索知识信息等。利用知识图谱分析社交网络舆情，加强对社交媒体环境下的网络舆情传播中的舆情传播意见领域、关键词汇、不同群体、不同事件的主题图谱进行分析，有助于相关机构引导社交网络信息传播行为，以及制定舆情传播的引导策略[74]。
综上所述，对比上述知识图谱和社交网络舆情分析在国内外领域的发展动态，可以看出目前我国针对社交媒体环境下网络舆情知识图谱的构建研究还刚刚起步。随着社交媒体和知识图谱在推动我国舆情传播和大数据分析中作用的不断提升，如何结合中国社交网络舆情发展的现实情境，构建大数据驱动的社交网络舆情知识图谱的理论及方法，针对典型人物群体、典型事件类型、典型社交媒体，运用大数据、情感语料分析、涉敏语料、自然语言处理、机器翻译等多种研究方法构建主题图谱，并结合中国现实情境制定社交网络舆情传播的调控策略，是追踪和借鉴国外此领域最新研究成果，推动我国舆情研究在理论和实践层面纵深化发展所面临的新课题。此外，构建知识图谱并结合社交网络舆情分析的其他方法，来分析和引导舆情发展，成为舆情研究的主要方法。
4.2 研究趋势分析
现有文献已经在知识网络图谱的理论、应用、构建和分析等方面取得了相对丰富的研究成果。但是目前来看，将二者结合起来，寻求大数据驱动环境下社交媒体舆情主题图谱构建和引导策略的研究相对较少。分析此领域未来研究趋势如下。
第一，以知识图谱为基础构建大数据驱动的社交网络舆情分析理论及方法。当前利用知识图谱分析社交媒体网络舆情主要是针对宏观层面，主要关注于运用知识图谱分析网络舆情相关领域研究的态势、主题研究领域及研究热点等。构建大数据驱动的社交网络舆情主题图谱，需要对社交网络舆情中的人物、实体、事件、关系等进行系统的分析，需要有一个完整的、全面的、有代表性的知识库支撑[75]。目前，通过文献资料和现场调研，大部分学术层面的研究是利用知识图谱对学科前沿进行可视化分析。从产业层面构建的知识图谱大多是在新闻数据大数据采集后，进行可视化分析的，基于社会网构建知识图谱的相关理论、方法和平台工具很少。因而，构建大数据驱动的社交网络舆情知识图谱，研究社交网络舆情中人物、事件、地点、时间等在“实体-关系-实体”中的知识表示、推理机制和异构信息整合理论及方法，对大数据驱动的社交网络舆情主题图谱的构建具有重要作用。在知识图谱基础上，国内学者刘挺[76]提出事理图谱（event evolutionary graph）概念，即以事件作为知识的基本单元更能反映客观世界的知识，形成事理图谱，在使用逻辑和应用等方面将对知识图谱做重要补充。事理图谱与知识图谱的融合，通过因果关系事件，将事件中的实体进行关联，结合实体之间的关联可以进一步扩大查询范围，实现整个图谱的联动，并结合因果事件的实体，提高社交网络舆情分析结论的科学性。
第二，以典型人物、事件、社交媒体构建社交网络舆情主题图谱。随着社交媒体技术发展，网络舆情分析也更加复杂。因此，有必要针对典型人物（网络舆情事件关注主体）、网络舆情事件（关注于事件发展过程和本质）、不同社交媒体平台（微博、微信、各类网站、QQ、Twitter、Facebook 等）、各种类型的数据（文本、视频、音频）等采用新的方法、新的手段和新的技术。在社交媒体环境中收集、组织和分析舆情信息，需要运用大数据方法分析不同敏感话题的舆论传播规律和特征，以及社交媒体环境中的主题和热点，从而以点带面，把握社交网络舆情发展规律进而有效引导。目前，产业界已经开始在搜索、推荐、问答机器人、智能助理、穿戴设备、反欺诈、临床决策等领域开始进行知识图谱的应用。在社交网络舆情中，可以运用“水波”的深度学习模型对社交网络中在人物、事件、典型社交媒体中用户发布的各种评论数据进行深度挖掘和分析。在人物主题图谱分析中，可以进行社交网络舆情人物主题的实体和关系构建，并基于知识图谱的舆情人物主题进行推理和社群关系发现，运用知识图谱工具对社交网络舆情人物主题图谱进行多角度的可视化分析。在热点事件主题图谱分析中，可以进行社交网络舆情热点事件数据集成，并基于多数据源进行舆情热点事件的通用主题图谱设计，基于舆情热点事件进行初始状态和爆发状态两个时间节点的横断面知识图谱可视化分析。在典型社交媒体主题图谱构建中，可以从微薄、微信、短视频3 个典型社交媒体进行主题知识库构建及生态性评价。
第三，以主题图谱可视化来掌控社交网络舆情发展和制定舆情调控策略。社交媒体快速发展的过程中，相关舆情监管部门如何针对不同类型的重大突发事件的社会舆情进行监管，以保证舆情传播朝着健康的社会舆论方向发展？如何利用“两微一短”（微博、微信、短视频）的社交网络舆情传播工具，对舆论生态进一步进行净化？政府部门如何结合不同类型重大舆情突发事件的演化规律，从信息人（舆情传播者、接受者、转发者）、信息（舆情信息）、信息技术（监管工具、传播工具、大数据分析）、信息环境（经济、政治、文化、法律）和谐发展角度制定社会舆情应对策略？为了解决社交媒体发展过程中网络舆情演变出现的新问题，分析典型群体、典型事件和典型实例，随着社交网络的快速发展和普及，需要评价我国社交媒体网络舆情的生态环境。以网络生态健康发展为目标，以中国社交媒体为基础构建社交网络舆情生态性评价指标。针对大数据分析平台捕捉到的不同社交媒体中突发事件舆情的传播周期特点，健全网络信息生态法律法规环境，完善网络信息生态技术环境，引导和建立网络信息生态系统的自组织和自调节机制，构建多利益主体共同参与、相互协作的政府社交网络舆情引导策略。
5 结 语
从现有研究成果来看，大数据环境下基于知识图谱进行社交网络舆情传播规律和应对策略的学术研究成果相对较少，产业层面基于知识图谱工具对社交网络舆情进行文本、影音、视频等多元数据进行舆情监控的成果正是产业界目前关注的热点。因此，大数据环境下社交网络舆情围绕人物、事件和不同社交媒体类型的主题图谱构建的理论框架研究和产业监测平台构建，是当前学术界和产业界关注的共同热点问题。
中国经济进入高质量发展的新时代，建设网络强国是新时代赋予我们的历史使命。我国互联网生态的治理和舆情的监控需要有适合时代发展需求的现代化治理工具和平台提供相应的支撑。构建大数据驱动的社交媒体网络舆情大数据采集源，聚焦社交媒体网络舆情传播中的热点问题与舆情事件，揭示社交媒体舆情传播的新特点和新规律，有助于利用大数据技术提升国家网络治理水平的现代化，更好地构建新时代背景下国家互联网生态治理体系。
应用知识图谱来分析社交网络舆情也存在一定的局限性。由于知识图谱需要建立大量的实体和关系，并通过机器学习构建起社交媒体舆情领域知识库，因此需要结合本体、语义网和自然语言处理、机器学习更多的理论及方法，开展跨学科的交叉和纵深研究。
参 考 文 献
[1] 曾天山. 内容之马与方法之车——以方法创新提高教育研究质量[J].中国教育学刊,2012(10):71-78.
[2] 蔡立辉,杨欣翥.大数据在社会舆情监测与决策制定中的应用研究[J].行政论坛,2015,22(2):1-10.
[3] 旷芸,梁宗经,雷应喜.基于信息可视化的空间经济学科学计量研究[J].科技管理研究,2012,32(21):219-224.
[4] Zins C. Knowledge map of information science[J]. Journal of the American Society for Information Science and Technology, 2007,58(4):526-535.
[5] Balaid A,Abd Rozan M Z,Hikmi S N,et al.Knowledge maps:A systematic literature review and directions for future research[J].International Journal of Information Management, 2016, 36(3):451-475.
[6] Zhu G G, Iglesias C A. Computing semantic similarity of con‐cepts in knowledge graphs[J]. IEEE Transactions on Knowledge and Data Engineering,2017,29(1):72-85.
[7] 陈悦, 陈超美, 刘则渊, 等. CiteSpace 知识图谱的方法论功能[J].科学学研究,2015,33(2):242-253.
[8] 焦晓静,王兰成.知识图谱的概念辨析与学科定位研究[J].图书情报工作,2015,59(15):5-11.
[9] 冯新翎,何胜,熊太纯,等.“科学知识图谱”与“Google 知识图谱”比较分析——基于知识管理理论视角[J].情报杂志,2017,36(1):149-153.
[10] Blázquez-Ruiz J, Guerrero-Bote V P, Moya-Anegón F. New sci‐entometric-based knowledge map of food science research (2003 to 2014)[J]. Comprehensive Reviews in Food Science and Food Safety,2016,15(6):1040-1055.
[11] Kim H. Building a K-Pop knowledge graph using an entertain‐ment ontology[J]. Knowledge Management Research & Practice,2017,15(2):305-315.
[12] Chi Y,Qin Y,Song R,et al.Knowledge graph in smart education:A case study of entrepreneurship scientific publication manage‐ment[J].Sustainability,2018,10(4):995.
[13] 廖胜姣,肖仙桃.科学知识图谱应用研究概述[J].情报理论与实践,2009,32(1):122-125.
[14] 王伟军, 王金鹏. 科学知识图谱在技术预见中的应用探析[J].情报科学,2010,28(8):1127-1131.
[15] 孙宁,陈雅,WoS视域下国际网络舆情研究知识图谱分析[J].情报资料工作,2014(4):21-26.
[16] 王仁武,袁毅,袁旭萍.基于深度学习与图数据库构建中文商业知识图谱的探索研究[J].图书与情报,2016(1):110-117.
[17] 荣霞. 我国期刊编辑出版研究热点及趋势研究——基于CiteSpace可视化分析[J].出版广角,2018(17):49-51.
[18] 常亮,张伟涛,古天龙,等.知识图谱的推荐系统综述[J].智能系统学报,2019,14(2):207-216.
[19] 浅谈知识图谱基础[EB/OL].(2017-05-04)[2019-02-23].https://www.jianshu.com/p/4f09043e22ea.
[20] Kim S,Suh E,Hwang H.Building the knowledge map:An indus‐trial case study[J]. Journal of Knowledge Management, 2003, 7(2):34-45.
[21] Abel M H.Knowledge map-based web platform to facilitate orga‐nizational learning return of experiences[J].Computers in Human Behavior,2015,51:960-966.
[22] Shi L X, Li S J, Yang X R, et al. Semantic health knowledge graph: Semantic integration of heterogeneous medical knowledge and services[J]. BioMed Research International, 2017, 2017:1-12.
[23] Shaw R S.The learning performance of different knowledge map construction methods and learning styles moderation for program‐ming language learning[J].Journal of Educational Computing Re‐search,2019,56(8):1407-1429.
[24] 魏瑞斌. 基于共词网络的学术期刊知识图谱构建[J]. 情报杂志,2011,30(10):36-42.
[25] 张洋,谢卓力.基于多源网络学术信息聚合的知识图谱构建研究[J].图书情报工作,2014,58(22):84-94.
[26] 宋宁远. 面向智慧数据的科学知识图谱构建——以SciGraph为例[J].科技与出版,2017(11):17-19.
[27] Franco-Salvador M, Rosso P, Montes-y-Gómez M. A systematic study of knowledge graph analysis for cross-language plagiarism detection[J]. Information Processing & Management, 2016, 52(4):550-570.
[28] Smith D A. Online interactive thematic mapping: Applications and techniques for socio-economic research[J]. Computers, Envi‐ronment and Urban Systems,2016,57:106-117.
[29] Chen X D, Sun Y, He T Z. Historical retrospect and future pros‐pect of research on effective teaching in China—Knowledge map‐ping analysis based on the research over the past three decades(1986-2016)[J].Advances in Higher Education,2018,2(2):1-10.
[30] 雷二庆. h 指数知识图谱分析[J]. 科研管理, 2010, 31(S1): 20-23,38.
[31] 孙建军. 链接分析: 知识基础、研究主体、研究热点与前沿综述——基于科学知识图谱的途径[J]. 情报学报, 2014, 33(6):659-672.
[32] 曹树金,吴育冰,韦景竹,等.知识图谱研究的脉络、流派与趋势——基于SSCI 与CSSCI 期刊论文的计量与可视化[J].中国图书馆学报,2015,41(5):16-34.
[33] 尹怀琼,刘晓英,周良文,等.我国图书馆联盟研究的文献计量和可视化分析——基于Netdraw 和CiteSpace 软件的比较研究[J].图书馆,2018(2):43-49.
[34] Choi S. The two-step flow of communication in Twitter-based public forums[J]. Social Science Computer Review, 2015, 33(6):696-711.
[35] Kim Y, Jeong S R. Opinion-Mining methodology for social me‐dia analytics[J]. KSII Transactions on Internet and Information Systems,2015,9(1):391-406.
[36] Hampton K N,Shin I,Lu W X.Social media and political discus‐sion: When online presence silences offline conversation[J]. In‐formation,Communication&Society,2017:20(7):1090-1107.
[37] Overbey L A,Batson S C,Lyle J,et al.Linking Twitter sentiment and event data to monitor public opinion of geopolitical develop‐ments and trends[C]// Proceedings of the 10th International Con‐ference on Social Computing, Behavioral-Cultural Modeling and Prediction and Behavior Representation in Modeling and Simula‐tion.Cham:Springer,2017:223-229.
[38] 张宁熙. 大数据在突发公共事件网络舆情信息工作中的应用[J].现代情报,2015,35(6):38-42.
[39] 吴鹏,金贝贝,强韶华.基于BDI-Agent模型的突发事件网络舆情应急响应建模研究[J].现代图书情报技术,2016(Z1):32-41.
[40] 陈璟浩,李纲.突发社会安全事件网络舆情演化的生存分析——基于70 起重大社会安全事件的分析[J].情报杂志,2016,35(4):70-74.
[41] 马哲坤,涂艳.基于知识图谱的网络舆情突发话题内容监测研究[J].情报科学,2019,37(2):33-39.
[42] Neuendorf K A, Skalski P D, Jeffres L W, et al. Senses of humor,media use, and opinions about the treatment of marginalized groups[J]. International Journal of Intercultural Relations, 2014,42:65-76.
[43] Furini M, Tamanini V. Location privacy and public metadata in social media platforms:attitudes,behaviors and opinions[J].Mul‐timedia Tools and Applications,2015,74(21):9795-9825.
[44] Zhao Y Y, Qin B, Liu T, et al. Social sentiment sensor:A visual‐ization system for topic detection and topic sentiment analysis on microblog[J]. Multimedia Tools and Applications, 2016, 75(15):8843-8860.
[45] Kim Y,Dwivedi R,Zhang J,et al.Competitive intelligence in so‐cial media Twitter: iPhone 6 vs. Galaxy S5[J]. Online Informa‐tion Review,2016,40(1):42-61.
[46] Abedin B, Babar A. Institutional vs. non-institutional use of so‐cial media during emergency response:A case of Twitter in 2014 Australian bush fire[J]. Information Systems Frontiers, 2018, 20(4):729-740.
[47] 李磊, 刘继. 面向舆情主题的微博用户行为聚类实证分析[J].情报杂志,2014,33(3):118-121.
[48] 朱毅华,张超群.基于影响模型的网络舆情演化与传播仿真研究[J].情报杂志,2015,34(2):28-36.
[49] 廖海涵,靳嘉林,王曰芬.网络舆情事件中微博用户行为特征和关系分析——以新浪微博“雾霾调查:穹顶之下”为例[J].情报资料工作,2016(3):12-18.
[50] 郭淼,焦垣生.网络舆情传播与演变背景下的微博信息转发预测分析[J].情报杂志,2016,35(5):46-51,37.
[51] 赵丹,王晰巍,李师萌,等.新媒体环境下的网络舆情特征量及行为规律研究——基于信息生态理论[J]. 情报学报, 2017, 36(12):1224-1232.
[52] Mulder K. The dynamics of public opinion on nuclear power. In‐terpreting an experiment in the Netherlands[J]. Technological Forecasting and Social Change,2012,79(8):1513-1524.
[53] Wu Y C, Liu S X, Yan K, et al. OpinionFlow: Visual analysis of opinion diffusion on social media[J]. IEEE Transactions on Visu‐alization and Computer Graphics,2014,20(12):1763-1772.
[54] Fan Z C, Qiu X G, Dai W H, et al.A meta-modeling framework for a specific social domain: Public opinion event[J]. Computer Science and Information Systems,2015,12(2):743-765.
[55] Sohn D, Geidner N. Collective dynamics of the spiral of silence:The role of ego-network size[J]. International Journal of Public Opinion Research,2016,28(1):25-45.
[56] Zhang G W, Xu L Y, Xue Y L. Model and forecast stock market behavior integrating investor sentiment analysis and transaction data[J].Cluster Computing,2017,20(1):789-803.
[57] Feng Z. Hot news mining and public opinion guidance analysis based on sentiment computing in network social media[J]. Per‐sonal and Ubiquitous Computing,2019,23(3-4):373-381.
[58] Zhang M C,Zheng R J,Chen J,et al.Emotional component anal‐ysis and forecast public opinion on micro-blog posts based on maximum entropy model[J]. Cluster Computing, 2019, 22(S3):6295-6304.
[59] 王高飞,李明,李梅.基于系统动力学的移动社交网络舆情应对策略研究[J].情报科学,2016,34(10):38-42.
[60] 宾宁,杨树标,胡凤.突发事件网络舆情演化的博弈分析——以茂名PX事件为例[J].情报探索,2017(1):32-39.
[61] 曾群,程晓,周小渝,等.基于双路径模型的网络舆情在社交网络上的传播机制研究[J].情报科学,2017,35(6):29-33,43.
[62] 崔鹏,张巍,何毅,等.突发公共事件网络舆情演化及政府应对能力研究[J].现代情报,2018,38(2):75-83,95.
[63] Kimura M, Saito K, Nakano R. Extracting influential nodes for information diffusion on a social network[C]// Proceedings of the National Conference on Artificial Intelligence. Palo Alto: AAAI Press,2007:1371-1376.
[64] Cano A E,Mazumdar S,Ciravegna F.Social influence analysis in microblogging platforms—A topic-sensitive based approach[J].Semantic Web,2014,5(5):357-372.
[65] Mahyar H, Hasheminezhad R, Ghalebi E, et al. Identifying cen‐tral nodes for information flow in social networks using compres‐sive sensing[J].Social Network Analysis and Mining,2018,8:33.
[66] Tulu M M, Hou R H, Younas T. Identifying influential nodes based on community structure to speed up the dissemination of information in complex network[J]. IEEE Access, 2018, 6: 7390-7401.
[67] Ai C,Chen B,He L N,et al.The national geographic characteris‐tics of online public opinion propagation in China based on We‐Chat network[J].GeoInformatica,2018,22(2):311-334.
[68] 黄微,李瑞,孟佳林.大数据环境下多媒体网络舆情传播要素及运行机理研究[J].图书情报工作,2015,59(21):38-44,62.
[69] Cheng Y,Huang Y H C,Chan C M.Public relations,media cover‐age, and public opinion in contemporary China: Testing agenda building theory in a social mediated crisis[J]. Telematics and In‐formatics,2017,34(3):765-773.
[70] 王晰巍,邢云菲,王楠阿雪,等.新媒体环境下突发事件网络舆情信息传播及实证研究——以新浪微博“南海仲裁案”话题为例[J].情报理论与实践,2017,40(9):1-7.
[71] 侯治平,黄少杰,廉同辉,等.基于语义关联分析的学术网络舆情传播研究——以科学网屠呦呦获诺贝尔奖博文为例[J].情报杂志,2017,36(5):118-123.
[72] 唐涛. 基于大数据的网络舆情分析方法研究[J]. 现代情报,2014,34(3):3-6,11.
[73] 王晰巍,邢云菲,张柳,等.社交媒体环境下的网络舆情国内外发展动态及趋势研究[J].情报资料工作,2017(4):6-14.
[74] 白文倩.基于引文分析方法的教育技术学科知识图谱构建[D].武汉:华中师范大学,2012:17-28.
[75] 国家社科基金重大项目“大数据驱动的社交网络舆情主题图谱构建及调控策略研究”开题[EB/OL].(2019-01-06)[2019-02-28].http://www.cssn.cn/gd/gd_rwdb/gd_zxjl_1710/201901/t20190106_4806848.shtml.
[76] 刘挺.从知识图谱到事理图谱[EB/OL].(2017-11-16)[2019-02-26]. https://blog.csdn.net/tgqdt3ggamdkhaslzv/article/details/785 57548.
Research on the Dynamics and Trends of the Development of Public Opinion Topic Maps in Social Networks
Wang Xiwei1,2,Wei Yanan1,Xing Yunfei1 and Wang Duo1
(1.School of Management,Jilin University,Changchun 130022;2.Bigdata Management Research Center,Jilin University,Changchun 130022)
Abstract： With the development of social media technology,the dissemination and supervision of public opinion on social networks have become a new concern of domestic and foreign scholars,relevant industries,and public opinion supervision departments.This research is based on the collected knowledge map of network public opinion and the social media envi‐ronment of the relevant literature at home and abroad. Qualitative analysis and a knowledge map visualization method are used to comb through domestic and foreign scholars in the social media network public opinion research hotspot in the field of knowledge maps. Analyze the future development trend of big>Key words： social media;online public opinion;knowledge graph;development dynamic
DOI: 10.3772/j.issn.1000-0135.2019.12.010
收稿日期： 2019-03-23；修回日期： 2019-05-21
基金项目： 国家社会科学基金重大项目“大数据驱动的社交网络舆情主题图谱构建及调控策略研究”（18ZDA310）。
作者简介：
王晰巍，女，1975年生，教授，博士生导师，主要研究方向为大数据应用、舆情分析和信息行为，E-mail：wxw_mail@163.com；
在当前广大农民群众收入水平不断提升的前提下，很多农民的体育消费层次也得到了提升。当前党和政府对“三农”问题越来越重视，很多扶持政策已经逐步深入到了农村地区，使农村地区经济水平得到了提升。很多农民群众意识到了身体健康的重要性，也认识到了体育对于精神世界的积极影响。这种思想意识上的转变，对于农村体育事业的发展具有良好的推动作用[3]。
韦雅楠，女，1980年生，博士研究生，主要研究方向为用户信息行为；邢云菲，女，1992年生，博士研究生，主要研究方向为网络舆情；王铎，男，1990年生，博士研究生，主要研究方向为信息互动、数据分析、用户信息行为。
（责任编辑 魏瑞斌）
标签：社交媒体论文; 网络舆情论文; 知识图谱论文; 发展动态论文; 吉林大学管理学院论文; 吉林大学大数据管理研究中心论文;