本文是一篇留学生毕业论文，本文以话题衍生现象为切入角度，深入研究多维舆情的形成机制并对网民进行舆情监测。首先基于复杂网络传播动力学模型模拟初始舆情演化过程，同时引入舆情变异机制揭示衍生子话题产生过程，并利用 Brown 运动确定子话题传播参数，子话题与初始舆情构成多层SIR 模型，继而引入基本再生数判别衍生子话题是否能形成新一维度的舆情，从而揭示多维舆情形成的全过程，最后建立用户画像和随机森林算法相结合的用户舆情监测系统，对爬取的用户数据进行高危用户识别并选取案例进行实证分析。
第 1 章 绪论
1.1 选题背景
根据中国互联网络信息中心（CNNIC）发布的第 48 次《中国互联网络发展状况统计报告》显示，截止 2021 年 6 月，我国网民规模达到 10.11 亿，互联网普及率升至 71.6%[1]，且网民规模仍然保持平稳增长。随着网民规模的不断扩大和移动互联网技术的飞速发展，使得网络已成为人们日常获取信息、相互交流的媒介和工具。同时，新浪微博作为新型社交媒体深刻地改变了用户间的在线信息传播方式，每个用户可以通过关注、评论、转发、点赞等方式参与舆情讨论并进行用户间的互动，这种开放性和强互动性使得网络公共空间内的各种信息更加纷繁复杂。由于微博社交平台本身具有的开放性、灵活性等特征，线下热点事件爆发后，往往会在线上平台产生相关热点话题并迅速传播，在短时间内成为全民讨论的公共话题，初始热点话题演化为初始舆情后，往往随着事件的进一步披露以及外界各种因素的刺激，衍生出一系列的与该话题相关的子话题，其中一部分子话题演化为衍生舆情，与初始舆情交织在一起形成多维舆情，并引发更强烈的舆情影响力，带来舆情新危机，甚至出现部分网民通过微博抨击相关企业和政府的现象，给企业经营和政府形象带来巨大的破坏和冲击，从而使得网络舆情的应对与治理更加困难和漫长。在此背景下，衍生子话题究竟如何产生，哪些原因使得子话题形成衍生舆情从而构成多维舆情，多维舆情事件形成过程中，又该如何对用户进行舆情监测，为了回答这一系列问题，有必要对网络舆情衍生现象进行理论研究并建立舆情用户监测机制，并将其应用于在线广告投放、APP 软件更新以及高危用户监测等领域。
1.2 研究意义
1.2.1 理论意义
当前学术界对网络舆情的研究相对成熟，初始舆情往往有迹可循且有方法论，但衍生舆情的形成，特别是其形成的时间节点以及生命周期变化过程难以捉摸，多数学者或将话题衍生作为 SIR 模型的一个参数进行研究，或从宏观层面围绕网络衍生舆情的定义、潜在危害、传播的共性特征等方面进行探讨，鲜少有学者对衍生舆情的形成进行建模分析。本文将衍生舆情与初始舆情联系起来，从话题衍生角度对多维舆情形成全过程进行建模，不仅补充了衍生舆情发生机理的定量理论研究，对多维舆情概念的扩充和研究也具有重要理论意义。
此外，多维舆情形成后，针对网络舆情监测研究，本文从宏观角度考虑了网络舆情的话题衍生性，从微观角度爬取了用户评论文本及相关信息，构建了网络舆情用户监测系统，对网络负面舆情管控理论研究具有一定的理论意义。
1.2.2 现实意义
当前，随着自媒体技术的普及与发展，越来越多的网民在微博上发表关于突发事件的言论，其中不乏极端的负面言论，而网络信息的开放式传播使得负面言论极可能引发负面舆情，甚至出现部分用户通过微博平台抨击相关企业和政府的现象，这些用户的负面言论使得舆情进一步发酵，给企业经营和政府形象带来巨大的破坏和冲击，给社会的和谐与稳定带来了较大的影响和冲击。因此，明确多维舆情的形成过程并对用户进行舆情监测对政府和企业而言具有重要的现实意义。
首先，对于政府而言，当突发公共卫生事件在网络上爆发并形成多维舆情时，公众会将矛头指向政府监管不力，有损政府形象，负面舆情肆意蔓延甚至可能造成社会恐慌，因此了解多维舆情的形成过程并对网民进行监测有助于政府制定更好的舆情应对政策，有助于保持我国国民经济的稳定增长和社会的和谐安定，有助于减少不稳定因素对社会发展造成的负面影响，有助于节约政府的管理成本，并提高政府公信力。
其次，对于企业而言，与其相关的负面舆情在网络爆发后，极易引起公众的反感，企业形象遭到破坏导致消费者数量锐减，甚至可能波及整个行业的发展，而明确多维舆情的发生机理、建立高危用户舆情监测机制，能够在一定程度上规避舆论信息带给企业的负面影响，有助于企业在遭遇舆情风险时及时应对并将经济损失降到最低，维护正面良好的企业形象。
第 2 章 相关文献综述
2.1 针对多维舆情形成过程的研究
本节将多维舆情定义为初始舆情与衍生舆情交织在一起形成的舆情，当单个或多个衍生舆情产生时，则构成多维舆情，而衍生舆情则是多维舆情形成的基础，也是研究的主要内容。因此本节综述主要围绕衍生舆情和多维舆情两部分展开论述。
目前已有较多学者对衍生舆情形成进行了研究，主要包括两个方面：一是对衍生舆情传播与演化机理的研究；二是对衍生舆情形成原因与应对策略的研究。具有代表性的成果如下：Lan et al.[2]从网络舆情衍生效应类型下的信息异化视角，基于 logistic 模型构建了网络舆情衍生效应的数学模型。Zhang and Feng[3]针对新闻在微博上传播时会产生衍生话题，提出了双层耦合的 SEIR 舆情传播模型。Korobeinikov[4]考虑了有几个平行的感染阶段的 SIR 和 SEIR 单元模型的全局特性。Yang et al.[5]针对同一网络中两种不同类型的竞争信息传播，提出了一种竞争扩散模型，即单向状态转移线性阈值模型(LT1DT)，研究了谣言在社交网络中的传播最小化问题。Zanette and Damian[6]研究了一个小世界网络上谣言传播的似传染病模型的动力学。Moreno et al.[7]推导了描述在复杂的异构网络上发生的谣言过程动力学的均场方程，并用随机方法对这些方程进行数值求解。Zhou etal.[8]考虑网络拓扑结构和相邻感染节点的不平等基础对谣言传播的影响，结果表明最终感染节点的数量取决于网络的拓扑结构。Chen et al.[9]研究了网络中个体异质性和动态从众性对舆情极化的影响，研究结果表明异质性个体对极化有较大影响。Wang et al.[10]提出了一种改进的能量模型来定量表征谣言在社交网络上的传播，并基于真实社会网络进行了大量的实验，以评估模型参数、网络结构和有效链接率的影响。Askarizadeh et al.[11]提出一个演化博弈模型来分析社交网络中的谣言过程，考虑人们的决策对谣言传播和控制的影响。分析表明，具有说服力的反谣言信息传播和定位谣言控制中心对辟谣有重要影响。
2.2 针对网络舆情用户监测的研究
一般而言，网络舆情监测主要是指通过一系列的技术手段对相关舆情信息进行抓取，实现舆情的监控与追踪[23]。目前学术界围绕网络舆情监测的研究主要集中在宏观和微观两个层面。
对于宏观层面的研究，大部分学者对网络舆情的传播特征进行理论分析并得出应对负面舆情的建议措施，具体研究成果如下：Tan et al.[24]对网舆情分析进行了大量的研究，将层次分析法和小波神经网络有机结合起来开发一个有效可行的网络舆论监测系统，并将萨德事件作为一个案例进行分析，验证了该系统具有良好的评价性能和估计精度。Youet al.[25]提出了一种基于 ElasticSearch (SNES)的面向社交网络的舆情监测平台,将平台各模块以舆情推送和舆情消费的形式连接在一起，并用大量实证证明，该平台能够很好地适应数据实时性高的社交网络，在舆情监测方面有良好的表现。Barachi M E et al.[26]基于双向 LSTM 分类器提出一个实时评估网络舆情特征及用户意见演变的框架,并对一个包含 27.8 万条与气候变化相关的推文的数据集进行实证测试,研究发现，地理位置、选择的话题、文化敏感性和发帖频率都对用户对帖子的反应和随后采取的观点起着关键作用。Hong et al.[27]将网络舆情监测视为分类问题，将“舆情信息是否被转发”作为流行度的衡量标准，考虑信息文本、拓扑结构、时间等因素对特征进行人工抽取，预测舆情信息通过传播在未来的流行性。谭凤雨等[28]通过研究网络舆情演化特征,将数据挖掘技术与网络舆情管理相结合，构建监管策略，营造突发事件舆情健康发展空间，并以COVID-19 疫情发生后的网络舆情为例进行实证研究，为后疫情时代政府政策调整提供一定的依据。Xiao et al.[29]认为网络舆情中用户观点的演变不仅受到相邻个体之间的交互作用的影响，而且在缺乏交互作用的情况下，用户因素自身也会自然更新。
第 3 章 相关研究理论基础.....................................11
3.1 复杂网络传播动力学相关理论...........................11
3.1.1 复杂网络基本拓扑性质........................... 11
3.1.2 复杂网络结构模型....................... 12
第 4 章 新浪微博中多维舆情形成过程建模.........................20
4.1 引言.............................20
4.2 模型构建..................................20
第 5 章 基于用户画像和随机森林的用户监测研究...............50
5.1 引言.....................................50
5.2 模型构建..............................51
第 5 章 基于用户画像和随机
