环保舆情监测？公司舆情监控系统

当前，我国正处在经济社会剧烈转型的多元化时代，观念交锋尖锐激烈，利益博弈复杂敏感，矛盾问题集中凸显，特别是随着经济快速发展带来的环境问题也日益突显。近年来，各种环境污染事件频频曝出，主要涉及化工、医药、石油、采矿、蓄电池 等工业行业，以及农业、交通运输业等。

每一次环境污染舆情的出现，必然伴随着极高的网络轰动和舆情热议，像“连云港拟建中法核循环项目”、 “江苏常州外国语学校“毒地” 致500名学生身体出现异常”、“江西新余黑作坊水污染 两次逼停百万人口城市供水 ”等事件，都曾一度掀起社会的舆论热潮。2016年1月《地下水动态月报》发表了一篇名为“80%地下水不能饮用”的文章，舆情一出，迅速引起了各大媒体的争相报道以及各界人士的广泛关注。网络舆论的不成熟（个别营销号的恶性炒作）加上官方回应的不及时，饮用水的质量问题引起了社会公众群体性的恐慌，事后尽管水利部门及时澄清，也没免除受千夫所指的尴尬境地。

环境污染问题一直备受关注，相关环保企业的任何一个应对措施都将面临着全国公众的热议，对污染治理的结果更是关系群众的生命安危，责任之大，无疑给相关环保单位的舆情应对带来巨大的压力。

推进环保行业舆情监测工作 提升舆情处置能力

1、加强环境保行业的监管力度，从源头着手解决现实问题

正是由于经济的快速发展，群众的高度关注，相关监管部门才更应该加强环保企业的监管力度。面对涉及环境污染的企业，相关部门应该进一步加强治理污染企业的执法力度，以儆效尤，学会把事后的积极应对变为事前的积极预防。

环保舆情发生后，及时处理和解决现实问题才是重中之重。诸多舆情推至高潮都是因为相关政府、企业不作为，问题迟迟得不到关注和处理才酿成舆情危机的。因此，相关政府部门和企业在面对环境问题时，应该加强对问题的重视，第一时间着手环境污染问题的调查和处理，以最快的速度阻止污染问题的继续恶化；并积极加强与当事方、受害者和网民的沟通，对已经造成的损失进行赔偿，公开向受害方道歉，化解流言，赢得人民群众的理解和尊重，从根本上降低网络舆情的负面影响。

2、尽快发布权威信息，挤压谣言和环保舆论的生长空间

环保舆情发生初期，各种信息爆料会不断地出现在舆论场上，有的为真，有的半真半假，有的干脆全是假的。事实上，这个时期因受真实信息还在调查的客观条件限制，使得环保部门的权威信息在这个窗口期处于缺位状态，不能满足公众对信息的需求度，导致这个时期内公众更容易接受谣言的灌输，从而引起群体性的轰动，“日本核泄漏引发中国多地现“抢盐风波”的新闻从侧面反映出公众对待不确定的舆情所持的态度。

可以想象，一旦假信息占据了舆论主流，真实信息就会不断的被边缘化，舆情处置陷入被动。那么环保舆情发生的初期，除了督促实体部门尽快查清事件原委外，更要打击谣言、积挤压其舆论空间，以确保后续真实信息能够顺利地占据舆论主流。

3、积极应用新媒体，建立环保部门官方微博

环保企业必须与时俱进、转变观念，积极应对新媒体时代的到来。相关环保企业应该开通自己的官方微博，规范企业信息披露及新闻发布制度，给企业发展营造风清气顺的舆论环境。针对网上负面新闻、评述、论坛、博客等，要利用自己的企业微博及时跟评、发帖、转载，放大正面声音，发挥“主场优势”，稀释、中和、平衡负面舆论。必要时，还可请第三方专家发表言论正面回应，澄清事实。

其次要加强对企业高管及中层管理人员对网络舆情和企业危机公关知识的培训，掌握与公众和媒体打交道的语言艺术与技巧；坦诚面对各类媒体对已发生事件的评论，不回避、不隐瞒、不消极应对，并充分发挥“主场优势”,积极引导媒体和公众重大关切以及媒体关注事态发展的正面效应。

4、建立环境污染舆情应急管理系统

由于舆论危机往往爆发突然、发展迅速，如果等到危机来临之时才想到如何应对，就会乱了阵脚，错失危机处理的最佳时机。凡事预则立，不预则废。建立环保舆论危机处理预案制度，是妥善处理环保舆论危机的重要保证。

环境突发事件及其舆情的应对需要充足的应急资源以及专业的人力储备，因此，应建立健全突发事件应急管理组织体系，建设前后衔接、功能齐全、综合配套、运转灵活的舆情危机管理体系。设立分管部门，对环境突发事件进行实时信息监测和预警研判。在日常工作中把应对机制落到实处，把纸上谈兵变成现实演练，密切掌控重要的舆情动态，做好环保舆情的监测。

通常来说，舆情分析系统的主要功能作用分为两大部分，一是舆情数据收据，二是舆情数据分析，以识微商情为例：

一、收集舆情数据

收集所有主流新闻、社交、视频等网站和App、博客、论坛等的公开提及。以企业为例，根据需求，通过关键词来设定监测主题，一般是监测品牌声誉、营销活动、竞争对手、行业动态、某个事件这几个方面。

二、舆情数据分析

1重点统计

重点统计提供了监测主题下一些重要数据的一个概览，比如相关信息总量、负面信息量、热门传播内容等，这样可以对于当前的情况有一个基本的了解。

2时间趋势

时间趋势，有些工具也可能叫发展趋势、舆情态势，指某个监测主题在某一段时间内的网络信息发展趋势。网络信息瞬息万变，趋势也是跟随着实时变化的。通过设定的关键词得到趋势数据后，可以直观的了解监测主题的整体舆情发展情况是上升还是下降，总结舆情传播的路径和特征，评估舆情发展阶段、预测未来趋势。

3情感分析

情感分析，也称为意见挖掘或情感AI，指分析在线文章以确定它们所承载的情感基调的过程。该过程背后的科学基于自然语言处理和机器学习的算法，将文章分类为正面、中性、负面。情感分析有助于找出发帖者对某个话题的态度。情绪分析会展现舆情整体情绪倾向，对网络上新闻媒体、网民的总态度进行正面、负面、中性（或非敏感、敏感）划分。如果监测的品牌、产品或服务的负面评价突然激增，则表明舆情危机可能正在酝酿中。

4话题分析

话题分析，指监测主题下被被多数表达的话题内容，可能是某个事件的关键事实、也可能是主流的观点。通过话题分析，可以把握事件声量倾向性、关键词、主要观点，以及其在媒体渠道的传播情况，话题分析模块中，一般从媒体报道和网民言论两方面进行分析，概括总结不同身份视角下的不同舆论声音，全面了解舆情聚焦方向。若媒体报道和网民言论趋同，也可合并划分。

5媒体类型

媒体类型，指信息传播媒介类型。通过媒体类型分析，可以了解到监测主题下的关注者、参与者、传播者主要分布在哪些渠道及每个渠道的传播趋势。通过对媒体类型的筛选，还可以了解到各个渠道上的情感倾向、话题倾向等多个维度数据。以此为依据，可以选择适合的渠道开展公关或者营销活动。

6属地分析

属地即IP归属地属地。6月27日，国家互联网信息办公室发布《互联网用户账号信息管理规定》，自2022年8月1日起施行。《规定》提出，在互联网用户账号信息页面展示合理范围内的互联网用户账号的互联网协议（IP）地址归属地信息，便于公众为公共利益实施监督。属地分析将呈现信息的地域分布，进一步了解不同地域间网民对监测主体的关注热度、分析关注人群的地域特征。

7热门网站

热门网站，即根据监测主题下产生信息较多的网站。通过对信息的分布渠道进行分析，了解舆情分布的平台情况，传播什么样的内容。企业可以结合媒体类型，为之后的活动传播渠道规划提供参考。

8热门文章

热门文章，即监测主题下获得较多传播的内容。一般从文章标题、信息来源、内容概要进行聚合分析，加入传播时间及转发量等方面考量，展现舆情传播中的热门内容。通过热门文章，方便快速了解监测期内舆情的重点事件或媒体的发文侧重点。

9热词分析

热词分析，即监测主题下被频繁使用的词组分析。通过热词分析，可以了解被舆论重点关注的事件关键信息、主流态度/观点等。

10信息类型

信息类型，即人群发布内容的类型，一般分为原贴、转发和评论。通过分析发文类型的占比情况、随时间各类型信息变化趋势，可以了解到人群对于事件的参与度，在舆情传播中的不同作用。一般评论较多的代表此事有更大的争议性，原贴、转帖占比更大的的代表人们更希望此事得到传播。

大数据技术，就是从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。

大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用(大数据检索、大数据可视化、大数据应用、大数据安全等)。

一、大数据采集技术

数据是指通过RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化(或称之为弱结构化)及非结构化的海量数据，是大数据知识服务模型的根本。重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术;突破高速数据解析、转换与装载等大数据整合技术;设计质量评估模型，开发数据质量技术。

互联网是个神奇的大网，大数据开发和软件定制也是一种模式，这里提供最详细的报价，如果你真的想做，可以来这里，这个手技的开始数字是一八七中间的是三儿零最后的是一四二五零，按照顺序组合起来就可以找到，我想说的是，除非你想做或者了解这方面的内容，如果只是凑热闹的话，就不要来了。

大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实现对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理等。必须着重攻克针对大数据源的智能识别、感知、适配、传输、接入等技术。基础支撑层：提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。重点攻克分布式虚拟存储技术，大数据获取、存储、组织、分析和决策操作的可视化接口技术，大数据的网络传输与压缩技术，大数据隐私保护技术等。

二、大数据预处理技术

主要完成对已接收数据的辨析、抽取、清洗等操作。1)抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的。2)清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。

三、大数据存储及管理技术

大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。开发可靠的分布式文件系统(DFS)、能效优化的存储、计算融入存储、大数据的去冗余及高效低成本的大数据存储技术;突破分布式非关系型大数据管理与处理技术，异构数据的数据融合技术，数据组织技术，研究大数据建模技术;突破大数据索引技术;突破大数据移动、备份、复制等技术;开发大数据可视化技术。

开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，非关系型数据库主要指的是NoSQL数据库，分为：键值数据库、列存数据库、图存数据库以及文档数据库等类型。关系型数据库包含了传统关系数据库系统以及NewSQL数据库。

开发大数据安全技术。改进数据销毁、透明加解密、分布式访问控制、数据审计等技术;突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。

四、大数据分析及挖掘技术

大数据分析技术。改进已有数据挖掘和机器学习技术;开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术;突破基于对象的数据连接、相似性连接等大数据融合技术;突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘涉及的技术方法很多，有多种分类法。根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等;根据挖掘对象可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web;根据挖掘方法分，可粗分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为:归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。统计方法中，可细分为:回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析

(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。神经网络方法中，可细分为:前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。

从挖掘任务和挖掘方法的角度，着重突破：

1可视化分析。数据可视化无论对于普通用户或是数据分析专家，都是最基本的功能。数据图像化可以让数据自己说话，让用户直观的感受到结果。

2数据挖掘算法。图像化是将机器语言翻译给人看，而数据挖掘就是机器的母语。分割、集群、孤立点分析还有各种各样五花八门的算法让我们精炼数据，挖掘价值。这些算法一定要能够应付大数据的量，同时还具有很高的处理速度。

3预测性分析。预测性分析可以让分析师根据图像化分析和数据挖掘的结果做出一些前瞻性判断。

4语义引擎。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。语言处理技术包括机器翻译、情感分析、舆情分析、智能输入、问答系统等。

5数据质量和数据管理。数据质量与管理是管理的最佳实践，透过标准化流程和机器对数据进行处理可以确保获得一个预设质量的分析结果。

六、大数据展现与应用技术

大数据技术能够将隐藏于海量数据中的信息和知识挖掘出来，为人类的社会经济活动提供依据，从而提高各个领域的运行效率，大大提高整个社会经济的集约化程度。在我国，大数据将重点应用于以下三大领域：商业智能、政府决策、公共服务。例如：商业智能技术，政府决策技术，电信数据信息处理与挖掘技术，电网数据信息处理与挖掘技术，气象信息分析技术，环境监测技术，警务云应用系统(道路监控、视频监控、网络监控、智能交通、反电信诈骗、指挥调度等公安信息系统)，大规模基因序列分析比对技术，Web信息挖掘技术，多媒体数据并行化处理技术，影视制作渲染技术，其他各种行业的云计算和海量数据处理应用技术等。

情感研究方法涵盖了多种定性和定量的方法和技术，以便对情感进行测量和理解。以下是一些常见的情感研究方法：

问卷调查：通过编制和分发问卷来收集关于情感体验的信息。问卷可以包括关于情感状态、情感感受、情感反应和情感体验的问题。

实验室观察：在实验室环境中，通过观察参与者的行为、面部表情、生理指标等来评估情感。这可以通过使用实验范式、观察记录和视频录制来实现。

自我报告：参与者通过书面或口头形式描述自己的情感体验。这可以通过采访、情感日记或情感日志的形式进行。

生理测量：使用生理指标来评估情感，如心率、皮肤电反应、脑电图等。这些生理指标可以提供客观的数据来评估情感的激活和变化。

面部表情分析：通过分析面部表情来研究情感。这可以通过使用面部表情识别软件、面部动作编码系统（Facial Action Coding System）或者眼动仪等技术来实现。

情感的表现可以包括以下方面：

面部表情：面部表情是情感的主要表现之一，如微笑、愤怒、悲伤、惊讶等。

语言和声音：情感可以通过语言的调调、语速、音量以及使用的词语和表达方式来表现。

体态和姿势：情感可以通过身体的姿势、姿态和动作来表现，如挺直身体、低头、颤抖等。

言语和行为：情感可以通过言语和行为来表现，如亲密的接触、抚摸、搂抱等。

生理反应：情感可以导致生理上的反应，如心率加快、呼吸加深、出汗等。

需要注意的是，情感的表现是多样且个体差异很大的。因此，使用多种方法和技术来综合评估情感是理解和研究情感的重要方面。

按照我的经验来说，我比较推荐蜜度旗下的新浪舆情通⌄首先毋庸置疑的就是除了覆盖全网数据，同时还拥有新浪微博官方数据，对于信息的覆盖性会做得比较好，另外它可以照顾到方方面面，无论是信息挖掘、跟踪溯源、情感分析还是自定义检索，都可以帮助我们在海量的信息里面精准定位有效信息，智能过滤垃圾信息。对于企业来说就可以更早一步了解事件发展动态，调整策略，挖掘背后潜在的商业价值；而对于政府来说，更是一个了解社情民意，正确引导舆论的好机会。而且操作也很便捷，只要按照步骤指示，点击需要的功能即可，多类维度详细的报告也可一键生成。

有还是有的，像百度指数、360指数、微指数，优酷也有视频指数，但是这些的使用有限制，必须是收入了热点词库才有数据，相对而言就是受众极为广泛的舆情才有分析（制作热门就是基于能够共享，用同样的数据支撑起更多的增加访问量和客源）小事件的舆情分析，那肯定是要收费的，看题主是要自己用还是公司用，如果公司用就不要省钱吧。

舆情分析系统基本环节包括：1信息监测：互联网信息（新闻、论坛等）的实时监测、采集、内容提取及排重；2信息管理：对抓取的内容进行自动分类聚类、主题检测、专题聚焦等；3信息服务：将收集并分析整理后的信息直接为用户或为用户辅助编辑提供信息服务，如自动形成舆情信息简报、追踪已发现的舆论焦点等。以蚁坊软件的舆情分析系统的核心技术为例包括：1海量网络信息搜集、存贮、和文本挖掘,7×24小时实时监测，自动调节采集频率，重点网站优先采集。2通过定向采集新闻、论坛、贴吧、问答、电子报、视频、博客、微博等保证重要信息优先采集不丢失，保证了信息收集的全面性。3多角度、多层次展示信息特点，揭示数据规律，帮助用户预判所收集到舆情信息未来走势。

情感分析（Sentiment Analysis）

第一步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。

英文已经有伟大词典资源：SentiWordNet 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。

但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。

第二步，就是识别一个句子是积极还是消极，是主观还是客观。

有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。

但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。

如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训练得到分类器之后就可以把评论分成积极消极、主观客观了。

分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。

中文领域的难度：还是词典太差。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。

另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。

到了第三步，情感挖掘就升级到意见挖掘（Opinion Mining）了。

这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。

这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。

分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。

中文这个领域的研究其实很完善了，技术也很成熟。但需要完善前期情感分析的准确度。

总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。