摘要：【目的】当新的舆情事件出现时,准确高效地预测出该事件是否会发生反转。【方法】首先,根据舆情反转事件反转点前的演化特点及演化过程构建事件特征;其次,通过设计聚类中心数自动寻优过程提出改进的KE-SMOTE算法,对正负样本分布悬殊的事件集合进行均衡处理;再次,基于均衡处理后的事件集构建以神经网络为基础的集成学习分类模型,实现舆情反转预测;最后,选取2021年发生的30个热点舆情事件对所构建的模型进行验证,并对预测结果与真实结果不符的事件逐一分析错误原因,同时对于如何避免舆情反转现象提出相应的对策建议。【结果】本文构建的集成学习分类模型在测试集上的预测准确率为99.7%,同时,较高的召回率显示所有反转事件均被预测正确,与舆情反转预测任务的要求相符。【局限】随着舆情反转事件从发生到反转之间的时长越来越短,可以获取的数据集也越来越少,所提出的特征和模型是否依然有效值得深入研究。【结论】所构建的基于改进KE-SMOTE算法的舆情反转预测模型可以在事件发生初期较为精准地识别出舆情反转事件。

摘要：【目的】基于网络舆情事件展开分析,确定其属性特征及分类。当出现新的网络舆情事件时,可提前预测该事件是否会发生反转,既能帮助政府及时调整舆论导向,又能防止政府媒体的公信力受到负面影响。【方法】收集近5年发生的具有代表性的网络舆情事件,设计改进的SMOTE算法对事件数据集进行平衡分布处理,构建基于神经网络集成学习的舆情反转预测模型,并采用精确率、召回率等指标对模型的预测效果进行评估。选取2020年最新发生的网络舆情事件案例对提出的模型进行测试,进一步揭示所构建的反转预测模型的内在机制。【结果】通过实证研究,构建的神经网络集成学习分类模型准确率达99%,F值和AUC值均为0.99,验证了模型的可行性和较强的泛化性能。【局限】只选取舆情反转事件的部分特征进行研究,对未来发生的舆情反转事件表征不够全面。【结论】所构建的舆情反转预测模型可以提前准确预测舆情事件是否会发生反转。

摘要：伴随着后真相时代的到来,在网络舆情中"真相"这个词逐渐被人所淡忘。理性认知让位于情感,信息茧房成为全媒体时代大众认知的趋势,而媒体的责任意识薄弱,公信力骤降,算法推荐取代把关人的监督功能,使网络舆情愈加混乱。本文从现状入手,对后真相时代中的网络舆情成因做出分析,并提出反思与综合治理的应对策略。