摘 要
新媒体对热点事件的迅速播报，使得舆情反转现象时有发生，识别舆情反转的影响因素，在事件发生之初预测是否会发生舆情反转有助于突发事件管理部门预判舆情发展方向，及时进行舆情引导，维护媒体公信力和网络生态环境健康发展。收集2017—2020年间的38个热点事件的热门微博，从事件、用户、信息、传播四个方面提出议程设置度、信息平衡性、微博报道时效性、评论/转发时效性、事件曝光者类型等30个特征，使用XGBoost计算不同特征在舆情反转预测中的重要性，结合逻辑回归、决策树、随机森林、XGBoost、高斯朴素贝叶斯五种机器学习方法构建舆情反转预测模型，并对模型进行训练和评估，找出最优预测模型。特征重要性实验结果表明，信息平衡性、事件曝光者类型、事件类型对于舆情反转预测的影响最为显著。五种预测模型中，基于随机森林和XGBoost的预测模型综合表现最好。本文分别从媒体、公众和平台三个方面对舆情反转事件的判别和治理提出了建议。
关键词
舆情反转 舆情预测 热点事件 舆情治理 微博分析 机器学习
1 引言
随着互联网和新媒体的飞速发展，信息的发布和传播门槛以及信息发布者和信息受众的沟通门槛大大降低，各大社交媒体平台成为舆论产生和发酵的主要场所。网民从传统媒体时代被动的信息接受者转变为拥有自身话语权的信息发布者和信息传播者，形成了“全民记者”局面[1]。此外，部分主流媒体为抢占新闻先机，将未经证实或未能还原事件全貌的消息报道传播。“全民记者”的非专业性和部分主流媒体的急功近利导致突发事件发生时，缺乏深度、片面且单一的具有明显舆论倾向性的信息在网络中迅速扩散，事件被错误或者片面解读，造成网民观点一边倒的局面。随着事件信息不断补充，事件真相被还原，又导致舆论倒向相反方向，形成舆情反转