机器学习视域下网络舆情公开渠道精准化治理研究／曾关秀 胡 峰

　　二、机器学习在舆情公开渠道选择上的应用

　　在舆情治理中，机器学习能通过与传统的数据分析模型相结合，计算出以前无法用传统方法检验的假设，优化渠道选择的具体流程，利用大数据使各项变量间相关性的探索更有效，得出更为精准的结果，从而构建出高效的舆情公开渠道管理体系。具体来说，在选择舆情公开渠道时，利用大数据技术抓取各类舆情的网络数据，再选择适用的机器学习算法从大量的舆情案例中学习，筛选出舆情公开渠道选择后续效果的影响因子，如舆情类型、舆情发源地、舆情演变阶段、渠道表现效果等。不同的因子结合形成一个完整的、针对特定舆情的数据集，再将形成的数据集嵌入算法，利用算法自行从大量的舆情事件数据中提取反复出现的舆情规律与模式，通过不断地自我调整与拟合，最终生成一个成熟的机器学习模型。一旦发生舆情事件，可将该舆情涉及的数据信息代入相应且已成熟的模型中，根据想要进行信息投放的不同渠道计算出不同的预期概率，相关部门则可根据这一概率的大小确定该舆情事件相关信息公开的最优渠道，有效提高舆情治理的时、效、度。现阶段机器学习类型主要分为监督学习、无监督学习、半监督学习，它们能根据舆情事件不同的特质发挥各自的效能。

　　（一）监督学习：精准锚定舆情公开渠道

　　较常见的网络舆情大多可分为政治、经济、社会等类别，相同类别的舆情都具有共同的特质。机器学习不仅可以根据不同网络舆情事件的特点进行精准分类，其监督学习的模式还能为同类舆情公开渠道的锚定提供科学参考依据。在使用监督学习算法建立模型时，需要选取以往已发生舆情事件的历史数据代入，形成明确的标签或结果，并将舆情危机过程中的有效渠道与无效渠道分别“告知”该模型，使模型能够根据某些迹象确定该渠道公开信息的有效性，找出对应的影响因子，即某条数据有一个明确的标签或结果与其对应。通过不断学习、训练，再将预测结果与“训练数据”的实际结果进行比较，持续调整预测模型，直到预测结果达到预期准确率，最终形成一个成熟的模型，对同类信息渠道进行预测。监督学习能与历史案例库有机结合，代入的历史舆情事件数据越多，其准确率就越高，一旦发生同类型舆情事件，就能快速且准确地确定有效的公开渠道，助力实现舆情精准引导。

　　（二）无监督学习：计算预测舆情公开渠道

　　在国内外形势日趋复杂的情况下，网络舆情的类型和特点也会随之更新、变异，随时都有可能出现以往从未遇到过的新型网络舆情。在这一情况下，无监督学习模式利用算法技术可自行对事件进行分析，有效防止有关部门在应对时出现措手不及的情况。尚无结果标签的新型舆情事件，计算机凭借强大的计算能力自行分析新数据的特征，通过归纳总结其规律，得出相应的结果，最终达到将其他数据代入生产模型中进行结果预测的效果。因此，当出现与以往事件无共性特点的舆情事件，且又无法找到可靠的迹象来确定何种公开渠道的有效性较高时，可以通过训练无监督学习对其进行模型计算，预测出该舆情最有效的公开渠道，为决策提供科学的参考意见。

　　（三）半监督学习：抽取