基于HMM的话题风险状态预测方法研究

摘要

如何在互联网海量信息中预测话题风险性和演化趋势,是舆情监管部门的工作重点。针对话题演化趋势预测研究中存在的不足:话题状态划分方法单一、话题状态演化预测研究缺乏等,从话题预警的视角,提出话题风险状态预测方法,为舆情监管部门提供预警依据。首先,基于向心度和密度指标划分不同等级的话题风险状态,直观地刻画话题引发舆论危机的风险程度;其次,基于HMM(Hidden Markov Model,隐马尔可夫模型)对各话题风险状态构建模型,并将各风险状态下所对应的观测序列数据作为训练集训练模型;最后,根据极大相似准则选用最佳模型预测话题观测值,进而借助平面坐标映射法得到话题在未来时刻的风险状态。以新冠肺炎疫情事件为研究样本话题,验证基于HMM的话题风险状态预测方法的有效性,交叉检验的平均预测准确率达到90%以上,相比于BP神经网络、LSTM以及RNN时间序列预测模型,该方法的预测误差更小。