网络舆论传播的数学建模模型
基于大数据分析的网络舆情传播模型研究与建模
基于大数据分析的网络舆情传播模型研究与建模随着互联网的发展，人们对于舆情传播的关注度也越来越高。
网络舆情传播模型研究与建模是一个旨在分析和理解大数据中的舆情信息，揭示其传播机制和规律的研究领域。
本文将从定义网络舆情、大数据分析的概念入手，探讨基于大数据分析的网络舆情传播模型的研究与建模。
首先，我们需要明确什么是网络舆情。
网络舆情是指通过互联网平台上的信息流传播的涉及社会、经济、政治、文化等各个领域、各个层面的舆论和情感表达。
网民通过各种社交媒体、论坛、博客等平台进行信息发布和分享，这些信息在网络上迅速传播，引发大量网友的参与和讨论，进而形成一种舆论场景。
大数据分析是指通过对大规模数据集进行采集、存储、处理和分析，从中发现隐藏的模式、关联和趋势，进而提供决策支持和洞察。
在网络舆情研究中，大数据分析扮演着至关重要的角色。
通过搜集、爬取、存储和处理互联网上的大量数据，如新闻、微博、微信、论坛等，我们可以得到丰富的舆情信息资源。
基于大数据分析的网络舆情传播模型的研究与建模是为了深入理解和预测舆情的传播特征和机制。
在传统的舆情研究中，学者们通常基于小样本和有限信息来进行分析，这样往往不能准确反映真实的情况。
而大数据分析所采用的海量数据和算法可以帮助我们更全面地认知舆情现象，揭示网络舆情的发生、演化和蔓延规律。
在研究网络舆情传播模型时，我们可以基于影响力传播理论，构建相应的模型。
影响力传播理论认为，网络舆情传播是由一系列的信息源和受众之间的相互作用所导致的。
信息源通过发布信息，受众通过接受和传播信息，从而形成一种信息传播的网络。
在这个网络中，每个个体都有不同的影响力大小，信息的传播路径也是多样的。
我们可以通过建立数学模型，对网络舆情的传播进行建模和分析。
一个常用的网络舆情传播模型是SIR模型，即易感者（susceptible）、感染者（infected）、恢复者（removed）模型。
在这个模型中，舆情的传播过程可以看作是一种病毒的传播过程。
基于数据驱动的社交网络舆情信息传播仿真建模
仿真建模是研究网络舆情信息传播的重要手段之一，可以帮助我们模拟 和预测舆情信息的传播规律和趋势。
03
研究意义
本研究旨在通过数据驱动的仿真建模方法，深入探究社交网络舆情信息
传播的内在机制和规律，为政府和企业提供有效的舆情管理和应对策略
。
国内外研究现状及发展趋势
国内外研究现状
目前，国内外学者已经对社交网络舆情信息传播进行了广泛 的研究，包括传播模型、传播路径、传播效果等方面。然而 ，现有的研究大多基于传统的传播模型和统计方法，缺乏对 数据驱动方法的深入研究和应用。
结果分析与讨论
结果分析
对实验结果进行深入分析，包括比较不同参数设置对传播效果的影响、探讨传播规律与用户行为之间 的关系等。
结果讨论
根据实验结果进行讨论，分析数据驱动的社交网络舆情信息传播仿真建模的优缺点，并提出改进和优 化建议。同时，将实验结果与现有研究成果进行对比和分析，以验证本研究的可行性和有效性。
基于数据驱动的社交网络舆 情信息传播仿真建模
汇报人：文小库 2023-12-19
目录
• 引言 • 社交网络舆情信息传播模型构
建 • 基于数据驱动的仿真建模方法
研究 • 实验验证与结果分析 • 结论与展望
01
引言
研究背景与意义
01 02
数据驱动的社交网络舆情信息传播
随着社交网络的快速发展，网络舆情信息传播成为了一个重要的研究领 域。数据驱动的方法可以帮助我们更好地理解和预测舆情信息的传播过 程。
中心性分析
计算节点的中心性指标， 如度中心性、介数中心性 等，以识别关键节点在信 息传播过程中的作用。
舆情信息传播机制研究
信息传播路径
研究信息在社交网络中的 传播路径，包括信息的起 始节点、传播过程中的关 键节点和终止节点。
数学建模谣言传播
数学建模谣言的传播假设1第1个人还是会参加第2次的谣言传播。
即第1个人和相信谣言的人会不断传播谣言假设2相信此谣言的人每人在单位时间内传播的平均人数正比于当时尚未听说此谣言的人数这个比恒定不变假设3传播的时候也会传给传播谣和听过谣言的人设第i个单位时间开始时相信谣言总人数xyz(i)没听过人数mt(i)受传播人数中没听过的人数占总人数比例（共有n+1个人，出去自己就有n个人）t(i)=mt(i)/n;受传播人数如果k为定植scb(i)=k*mt(i)*xyz(i);受传播人数中没听过谣言的人数(考虑到传播的时候也会传给传播谣和听过谣言的人)sch_mt(i)=scb(i)*t(i);其中相信的有scb_mt_xx(i)=sch_mt(i)*p*a/100+sch_mt(i)*(1-p)*b/100;其中不相信的有scb_mt_bxx(i)=sch_mt(i)-scb_xx(i);第i＋1时刻单位时间开始时相信谣言总人数xyz(i+1)=xyz(i)+scb_mt_xx(i);没听过人数mt(i+1)=mt(i)-sch_mt(i);受传播人数中没听过的人数占总人数比例t(i+1)=mt(i+1)/n;受传播人数如果k为定植scb(i+1)=k*mt(i+1)*xyz(i+1);受传播人数中没听过谣言的人数(考虑到传播的时候也会传给传播谣和听过谣言的人)sch_mt(i+1)=scb(i+1)*t(i+1);其中相信的有scb_mt_xx(i+1)=sch_mt(i+1)*p*a/100+sch_mt(i+1)*(1-p)*b/100; 其中不相信的有scb_mt_bxx(i+1)=sch_mt(i+1)-scb_xx(i+1);可以看到各种数构成了一个循环，这样就可以无限迭代下去根据由1单位时刻相信谣言总人数xyz(1)=1没听过人数mt(1)=n然后迭代下去。
如果假设1中第1个人不参与，只有其他相信的人参与。
基于信息传播模型SIR传染病模型的社交网络舆情传播动力学模型研究
基于信息传播模型SIR传染病模型的社交网络舆情传播动力学模型研究一、概述随着信息技术的飞速发展，社交网络已成为人们获取信息、表达观点的重要平台。
在社交网络中，舆情信息的传播速度之快、范围之广，使得其对社会舆论的影响力日益增强。
对社交网络舆情传播机制的研究显得尤为重要。
本文基于信息传播模型SIR传染病模型，对社交网络舆情传播动力学进行深入研究，旨在揭示舆情传播的基本规律，为舆情引导和控制提供理论依据。
SIR传染病模型是描述传染病传播过程的一种经典数学模型，它将人群分为易感者（Susceptible）、感染者（Infected）和康复者（Recovered）三类，并通过建立微分方程来描述各类人群数量的变化。
该模型在传染病防控领域具有广泛应用，为政府制定防控策略提供了有力支持。
本文将SIR模型引入社交网络舆情传播研究，通过对舆情信息的传播过程进行数学建模，分析舆情传播的动力学特征。
研究内容包括舆情传播的影响因素、传播路径以及传播速度等，旨在揭示舆情传播的内在机制。
通过本研究，我们期望能够更深入地理解社交网络舆情传播的动力学过程，为舆情引导和控制提供更为有效的策略。
同时，本研究也将为信息传播学、社会学等相关领域的研究提供新的思路和方法。
1. 社交网络舆情传播的背景与意义随着信息技术的迅猛发展和移动互联网的普及，社交网络已经成为人们获取信息、表达观点、交流情感的重要平台。
在这个高度信息化的时代，社交网络舆情传播的速度和影响力日益凸显，对社会稳定、政治决策、经济发展等方面产生了深远影响。
深入研究社交网络舆情传播的动力学模型，对于有效预测舆情走势、制定科学合理的舆情应对策略具有重要意义。
社交网络舆情传播的研究背景源于网络空间的复杂性和动态性。
在社交网络中，用户之间通过发布、转发、评论等方式进行信息交流和情感传递，形成了复杂的网络结构和传播路径。
同时，网络空间的匿名性、即时性等特点使得舆情传播具有更强的不确定性和难以预测性。
网络舆情分析的算法和模型研究
网络舆情分析的算法和模型研究随着互联网技术的不断发展，网络舆情的分析、研究和预警越来越受到大家的关注。
网络舆情是指在互联网上出现的、反映群众情绪和态度的信息，包括新闻报道、文章评论、微博、朋友圈等。
网络舆情的分析和研究，对于政府决策、公共舆论导向、媒体监管等方面都有着极其重要的作用。
然而，由于网络舆情的复杂性和高度随机性，其分析和预测成为了一个十分具有挑战性的研究课题。
网络舆情的分析主要依赖于相应的算法和模型。
近年来，这方面的研究已经取得了一定的进展。
下面，本文在不涉及政治方面的前提下，就网络舆情分析的算法和模型研究展开探讨。
一、文本分类算法文本分类是网络舆情分析的基本方法之一。
它是将文本数据分为不同类别的过程。
文本分类的算法多种多样，其中较为常见的有贝叶斯算法、支持向量机算法和神经网络算法等。
不同的算法适用于不同类型的数据。
贝叶斯算法是基于贝叶斯定理的一种分类算法。
它基于训练集中的数据，计算出每个类别的条件概率，从而根据输入的文本数据确定其类别。
贝叶斯算法是一种简单快速的分类算法，但是其准确度较低，适用于处理大规模文本分类的问题。
支持向量机是一种比较常用的分类算法，其基本思想是将数据映射到高维空间中，从而通过超平面将数据分为不同的类别。
支持向量机具有较高的分类准确率和较好的泛化能力。
神经网络是一种模仿人脑神经结构进行信息处理的算法。
它通过构建多层神经元网络进行文本分类。
神经网络模型的分类准确率高，但是由于其网络结构复杂、参数多，因此运算速度较慢。
二、情感分析模型情感分析是网络舆情分析的重要内容之一。
情感分析主要是针对文本信息中涉及的情感色彩进行分析，从而了解舆论对于某一事件、事物或人物的倾向性。
推特情感分析模型是一种常用的情感分析模型。
它采用机器学习技术，通过对推特中已标注的情感语料库进行训练，从而对未标注的文本数据进行情感分类。
推特情感分析模型已经被广泛应用于各种领域，包括市场调研、舆情分析等。
网络舆情分析与传播模型研究
网络舆情分析与传播模型研究随着互联网的普及和社交媒体的兴起，网络舆情成为了人们获取信息和表达观点的重要渠道。
网络舆情分析与传播模型研究旨在通过对网络舆情内容、传播途径和影响因素的分析，深入理解和预测舆情发展趋势，为决策者提供科学依据，以更好地应对舆情事件。
本文将探讨网络舆情的定义、特点和影响，并介绍目前常用的网络舆情分析与传播模型。
首先，网络舆情是指网络上关于某一特定事件或话题的舆论倾向和情感表达。
与传统媒体相比，网络舆情更加快速、广泛和互动。
用户可以通过社交媒体平台、博客和论坛等渠道自由表达观点，形成庞大的舆论场。
网络舆情具有时效性强、传播速度快和参与度高的特点，对社会和个人都有重要影响。
网络舆情的分析与传播模型主要是通过大数据技术和文本挖掘方法来实现的。
一方面，分析者可以收集大量的网络舆情数据，如微博热搜榜、新闻评论、话题讨论等。
这些数据包含了用户的观点、情绪和行为，并可以通过计算机算法进行挖掘和分析。
另一方面，传播模型则可以对网络舆情的传播路径和影响因素进行建模。
常用的模型包括信息传播模型、网络结构模型和情感分析模型等。
信息传播模型是研究网络舆情传播的基础模型之一，通常使用SIR模型（Susceptible-Infected-Recovered）来描述信息在网络中的传播过程。
该模型将网络用户划分为易感人群（Susceptible）、感染人群（Infected）和恢复人群（Recovered），模拟事件在网络中的传播和扩散过程。
通过模型参数的调整，可以预测舆情的传播范围和传播速度，为舆情事件的治理提供科学建议。
网络结构模型是研究网络社区和互联网拓扑结构对舆情传播的影响的重要模型。
研究发现，网络的拓扑结构对信息的传播速度和规模有显著影响。
例如，研究表明，在小世界网络结构下，信息传播的效率更高，而在无标度网络结构下，信息传播范围更广。
因此，通过分析网络的拓扑结构，可以预测舆情的传播规模和路径，并采取针对性的干预措施。
网络舆情演化模型研究与应用
网络舆情演化模型研究与应用随着互联网的普及和社交媒体的兴起，网络舆情已经成为一种非常重要的社会现象。
它影响着个人、组织和整个社会的决策和行为。
因此，研究和应用网络舆情演化模型是非常必要的。
一、网络舆情演化模型的定义网络舆情演化模型，简单来说，就是将网络舆情的演化过程，用数学方法和模型来描述和预测的模型。
这个模型通常包括了许多因素：时间、内容、人群、情感、呈现形式等等。
通常，网络舆情演化模型分为两大类：1. 基于物理的模型：根据网络连接规则、人类行为规律和传染病模型的思想，将网络舆情转化为动态网络的演化过程，并用物理数量和网络拓扑结构来描述舆情的演化过程。
2. 基于数学的模型：从个体的行为分析入手，将网络舆情理解为人群行为的结果，引入统计、物理学和机器学习等多种方法，以建立有效的预测模型。
二、网络舆情演化模型的应用网络舆情演化模型可以应用于各个方面。
以下介绍几个常见应用：1. 预测社会事件：通过网络舆情演化模型，可以预测出社会事件的演化过程和趋势，如政治事件的发展、市场行情的波动、科技发展的方向等等。
2. 企业品牌建设和危机应对：企业可以通过网络舆情演化模型来了解市场和客户态度，进而制定有针对性的策略，提高品牌知名度和声誉度。
同时，也可以通过网络舆情演化模型，盯住舆情的发展和趋势，及时做出危机应对策略。
3. 政府决策：政府可以通过网络舆情演化模型，了解社会热点和民意态度，判断政策的受欢迎程度和影响，调整和优化政策。
4. 研究网络互动行为：网络舆情演化模型可以解释和模拟人类行为的复杂性和变化性，例如，如何通过个人之间的交流来形成领导者和人群；如何通过不同的市场规则来刺激人们的行为等等。
三、网络舆情演化模型的挑战和展望网络舆情演化模型虽然有着广泛的应用，但是也面临着许多挑战。
以下介绍几个典型的挑战：1. 数据的质量和及时性：网络舆情演化模型的数据来源来自于网络，数据的质量和及时性都会受到各种因素的影响。
网络舆情信息的传播模型研究
网络舆情信息的传播模型研究随着互联网的普及和社交媒体的快速发展，网络舆情已经成为了一种重要的信息传播形式。
网络舆情指的是通过互联网媒体和社交平台传播的与公众关心的事件、话题或个人相关的信息。
网络舆情的传播模型研究对于我们了解网络舆情的形成和影响力有着重要的意义。
一、传统传播模型在研究网络舆情的传播模型之前，我们首先来了解一下传统的传播模型。
传统的传播模型主要分为线性模型和环形模型。
线性模型认为信息是从发送方通过媒体传递给接收方的单向传播过程，忽视了接收方对信息的解读和态度的反馈。
环形模型则更加强调接收方的反馈和影响，认为信息传递是一个循环的过程。
然而，传统的传播模型对于网络舆情的传播过程来说并不完全适用。
网络舆情的特点在于信息的迅速传播和广泛影响，接收方不再是被动接受信息的角色，而是可以主动参与和传播信息的。
因此，网络舆情的传播模型需要考虑更多的因素。
二、弱连接与强连接传播模型弱连接与强连接理论源于社会网络理论，是一种用于描述信息传播的模型。
强连接指的是个体之间关系紧密、信息传递快速的网络联系，主要通过亲戚、朋友等密切关系传播信息。
弱连接则指的是个体之间关系较为松散、信息传递需要借助其他渠道的网络联系，主要通过社交媒体、论坛等传播信息。
在网络舆情的传播过程中，弱连接与强连接起到了不同的作用。
强连接传播主要发生在熟人社交圈，信息传递效率高，但影响范围有限。
而弱连接传播发生在广泛的社交网络中，信息传递范围广，但传播效率相对较低。
在研究网络舆情的传播模型时，我们需要考虑到弱连接和强连接的作用，并对其进行适当的权衡。
三、信息引爆与传播模型信息引爆和传播模型是一种描述信息传播过程的模型。
它认为信息传播的过程可以分为信息引爆和信息传播两个阶段。
信息引爆阶段是指信息在社交媒体等平台上得到迅速传播和关注的过程，通常是由于信息的内容或事件的特殊性引起公众的关注和转发。
信息传播阶段则是指在引爆阶段后，信息通过强连接和弱连接不断传播和扩散的过程。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5.2.1.1 确定评价对象集和指标集 假设评价对象集为；指标集为，其中 （ =1，2，…，）是指第个 指标。其原始指标数据矩阵为： 其中表示第个评价对象的第个指标值。 5.2.1.2利用灰色关联度计算模糊隶属度 1）确定最优指标集 其中（=1，2，…，）为第 个指标在各个评价对象中的最优值。因此我 们可构造初始矩阵U： 其中 表示评价对象 的第个指标 的指标值（=1，2，…，；=1，2， …，）。 2）对原始指标值进行无量纲化处理 由于评价中所涉及的各个指标因素具有不同的量纲，不能进行直接比 较，因此，需要对原始数据指标进行无量纲化处理。 假定第 个指标的最小值为，最大值为， 令 ，（=1，2，…，；=1， 2，…，） 即为 的无量纲值。 则对原始指标矩阵U 进行无量纲化处理的结果矩阵C 为： 3）计算灰色关联系数 对数据无量纲化处理后，把最优指标集作为参考序列，将各评价对象的 指标值（=1，2，…，）作为比较序列，那么第 个评价对象 在第个指 标下的无量纲化指标值与其最优指标 的关联系数为（ =1，2，…，； =1，2，…，）。 式中∈[0， 1]称为分辨系数，一般取=0.5。 采用这种方式求得的关联系数就是隶属度。 4）构造模糊关系矩阵 其中（ =1，2，…，； =1，2，…，）表示评价对象 在第个指标下的无 量纲化指标值与其最优指标 的关联系数。 5.2.1.3 利用层次分析法计算各指标权重 原理已在模型一中叙述，得到权重矩阵。 5.2.1.4 模糊合成与综合评价 其中 为评价对象 （ i=1，2…，n）综合所有评价指标后得到的综 合隶属度，也即是该对象属于优越的程度。 最后，根据 （ i=1， 2…，n）的大小，对评价对象进行综合评 价，其中越大，表示评价效果越好。 5.2.2 模型二的验证 通过对大量的网络舆论事件研究分析，我们选取“躲猫猫”事件对
五、模型建立与求解
5.1 问题模型的建立与求解。
5.1.1 模型的建立 我们将问题分为3个层次：目标层O、准则层C、方案层P；每层有若 干个元素，各层元素间的关系用相连的直线表示。通过相互比较确定各 准则对目标的权重，及各方案对每一准则的权重。将上述两组权重进行 综合，确定各方案对目标的权重。运用层次分析模型，大致分为以下4 个步骤： 1）建立层次分析结构模型：
外在因素
新闻线人 传统媒体 帖子总数 主帖数 日帖子数 日点击量
内在因素
0.7
表中各二级网络舆论指数指标的权重一级指标在网络舆论指数的权重 * 二级指标在一级指标中所占的权重。 各因素对网络舆论影响的权重比值如图所示： 由图可以看出每天的帖子数和每天的点击量在网络舆论的影响因素 中所占比重最大，这说明网民对舆论的关注程度对网络舆论的影响最 大。网络版主对网络舆论也有重要影响，而主帖数、帖子总数、传统媒 体、新闻线人对网络舆论也有一定影响。 5.2 问题二模型的建立与求解 5.2.1 模型的建立 由于考虑到大量未知信息的存在，采用灰色关联分析方法，计算各 指标的灰色度，并以关联度作为隶属度，建立模糊关系矩阵，然后利用 层次分析法计算各指标的相对权重，再进行模糊合成，最终得出评价的 结果。 以下是该模型建立的具体步骤。
三、符号说明
D w CR U A 网络舆论指数 权重向量 一致性比率 二级指标集 评价对象集
第个评价对象的第个指标值 灰色关联系数
R P
模糊关系矩阵 层次分析法计算得到的各指标 权重
网络舆论指数的大小
四、模型假设
1、外在因素的影响只有两个状态：介入或不介入。 2、假设论坛的统计的数据都是真实的。 3、假设网民在各论坛分布均匀。 4、假设调查期间网民总数保持不变。
网络舆论的传播问题
摘要
持有、接受、表达某种相同、相似的观点的人在社会人群中所占 的比例超过一定的阀值，这时候这种观点就上升为舆论 （opinions）。互联网 作为开放的网络平台，已成为新闻集散地、观点集散地和民声 集散地。网络舆论呈现的状态极为活跃和显著，有可能影响到社会安定 和其他政治问题，因此有必要找出其影响因素，研究其发展态势，在 必要时对其进行适当的控制和引导。 对于问题一，我们在查阅相关资料以及对网络舆论的分析理解后， 将影响网络舆论的因素分为两大类：外在因素和内在因素。外在因素主 要是推动舆论的发展，而内在因素表现为网民对舆论的关注程度。各大 类因素又分为若干类。由于各影响因素的权重不等，我们运用层次分析 法计算各因素的权重如下: 网络版 主
4
5
6
7
8
9
10 11
0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51 定义一致性比率 当<0.1时，通过一致性检验。 权向量即为最大特征根对应的列向量经过归一化处理而得到的
4）组合权向量及其一致性的检验
第二层对第一层的权向量 第三层对第二层各元素的权向量
日点击 4 3 0.5 1 0.316 量 最大特征值= 4.195，CI =0.065, RI=0.900, CR=0.072<0.1,通过一致 性检验。 综合分析以上各个影响网络舆论指数的二级指标和一级指标可得：
一级指标
一级指标 在目标层 中的权重 0.3
二级指标 网络版主
二级指标在 一级指标的 权重 0.637 0.105 0.258 0.113 0.097 0.473 0.316 0.191 0.031 0.077 0.079 0.068 0.331 0.221
构造矩阵 第三层对第一层的组合权向量即为：
因此根据第三层对第一层的组合权向量即可得出影响网络舆论的各 种因素对网络舆论所占的权重。 5.1.2问题模型的求解 利用AHP层次分析软件，通过确定不同网络舆论指数的权重程度， 并采用几何法对不同指数形成判断矩阵，通过条件后得出权重如下： 1、 影响网络舆论指数的一级指标 网络舆论指数 外在因素 内在因素 外在因素 1 3/7 0.3 内在因素 7/3 1 0.7 最大特征值=2.000，CI=0.000 ，RI=0.000 ，CR=0.000<0.1，通过一致 性检验 2、二级指标占外在因素的权重 外在因素 网络版主 新闻线人 传统媒体 网络版主 新闻线人 1 0.2 5 1 3 0.33 0.637 0.105
二、问题分析
2.1问题一的分析 我们知道，影响网络舆论的因素非常多，而且每个因素的影响程度 都不同，因此把该问题转化为多层次分析问题。层次分析法（AHP）是 将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之 上进行定性和定量分析的决策方法。其特点是在对复杂的决策问题的本 质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量 信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的 复杂决策问题提供简便的决策方法将决策。 由于网络舆论的复杂性，需要考虑诸多因素，在遵循客观性、科 学性、可操作性、有效性这四个准则的条件下我们选取较有代表性的影 响指标，其中一级指标分为内在因素和外在因素，外在因素对应的二级 指标为网络版主、新闻线人、传统媒体，内在因素对应的二级指标为帖 子总数、日主帖数、日帖子数、点击量。 然后运用层次分析法进行分析，确定各二级指标在网络舆论中所占 的权重，进而可知其对网络舆论的影响程度。 2．2 问题二的分析
模型二的正确性加以验证。数据选自较有代表性的天涯杂坛从2月13日 到3月12日的数据记录。这里，2月13日到3月12日的每一天对应于模型 中的评价对象；各影响因素对应于模型中的指标；网络舆论指数对应于 模型原理中的综合评价，其值越大，代表当天的事件受各方面的关注度 越高。 5.2.2.1 确定评价对象集和指标集 评价对象集为，其中分别表示第一天、第二天……第28天的舆论指 数；指标集为，其中分别表示网络版主、新闻线人、传统媒体、帖子总 数、主帖数、日帖子数、点击量。 5.2.2.2.将指标集元素进行量化处理 网络版主、新闻线人、传统媒体等外在因素只有两种状态：介入舆 论、为介入舆论。如果他们介入舆论其所占权重完全作用在舆论指数上 贡献量为1，不介入则对网络舆论指数贡献量为0。所以将其介入状态赋 值为1，未介入状态赋值为0。对于“躲猫猫”事件，2月13日首先由 《云南信息报》披露，随后开始网络转载，帖子成为热帖，可以认为传 统媒体、网络版主、新闻线人事件第一天就介入，对其赋值为1，到3月 1日事情基本明了，论坛媒体不再关注此事，此时赋值为0。而帖子总 数、主帖数、日帖子数、日点击量均可以用统计来的数据表示，无需量 化。 由此可得其原始指标矩阵所对应的数据为： = 1 1 1 1122 4 1122 48840 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1347 1379 1388 1526 1731 3088 6100 13011 14066 15346 15834 3 3 1 5 4 6 12 25 24 20 14 225 32 9 138 205 1357 3012 6911 1055 1280 488 8110 821 570 5649 5797 114958 171011 228137 49600 50093 53525
传统媒体 0.33 3 1 0.258 最大特征值=3.039，CI=0.019 ，RI=0.580 ，CR=0.033<0.1，通过一致 性检验。 3、二级指标占内在因素的权重 内在因 帖子总 主帖数 日帖数 日点击量 素 数 帖子总 数 主帖数 日帖子 数 1 0.5 5 2 1 3 0.2 0.33 1 0.25 0.33 2 0.113 0.097 0.473
网络舆论的形成和发展受问题（1）中各因素的影响，各种因素之 间的关系错综复杂，适合于运用模糊理论建立数学模型。但以往各因素 的隶属度往往是通过主观经验或构造隶属度函数来确定的。为了科学 的、准确的确定隶属度，我们首先采用灰色关联分析方法，计算各指标 的灰色关联度，并以关联度作为隶属度，建立模糊关系矩阵，然后利用 层次分析法计算各指标的相对权重，再进行模糊合成，最终得出各因素 相互作用下的网络舆论指数。根据已知时间段的网络舆论指数预测网络 舆论的变化趋势，进而对网络舆论的态势做出客观的评价。