前言
随着疫情发展，公众对疫情关注度有显著变化。从初期迫切需要相关消息，再到全民隔离后信息传播全部依托于社交媒体平台，信息可视化致使各种舆论层出不穷，对舆论的引导管控格外重要。引用模型是处理海量信息的关键。DW模型可存储大量数据方便检索且保持数据的一致完整性、安全可共享，通过组合分析可产生新数据。
模型可以精准定位到主题词汇，从文本中分析和挖掘出隐含的结构信息，且不依赖任何提前标注的信息。
理论基础
模型。数据仓库DW是一个庞大的数据集合，用于支持企业管理决策，长期保存且不会修改所有从ODS来的数据。
多种特征：①效率高；②扩展性；③面向主题；④不可更新；⑤大容量。
主题模型原理。LDA主题模型是由文档、主题、词汇组成的文档生成模型[1]。运用词袋模型的方法将文本向量化表示，文档为词频向量，文本信息为建模所需的数字信息，从众多文本信息中提取出便于理解的关键词，使文本中的降维问题得到解决。计算过程涉及狄利克雷分布（Dirichlet 分布）、多项分布、以及DirichletMultinomial 共轭分布[2]。
分布是多项式分布的共轭先验概率分布，按照贝叶斯推理的逻辑得到Dirichlet-Multinomial 共轭分布的一般表达式针对舆情演变趋势的DW-LDA混合模型及算法。在LDA模型的基础上引入DW，将基础信息按时间序列进行主题和词的分类，利用Gibbs采样算法[3]将数据进行降维处理，对新数据库进行可视化分析，得到事件的总体发展历程及高热度发展主题和词汇，综合结果与事实发展状态还可以有效预测事件的未来演变趋势。
确认研究主体为微博热搜词条，将数据库基础信息进行分类预处理，以月为单位分为M篇文档，每篇文档含有K个潜在主题，每个主题为N’个单词的集合分布。将每篇文档看作热搜词条潜在主题的一个随机混合，其中每个主题看作若干个单词的随机混合。在每篇文档中，根据由Dirichlet先验α控制的多项式分布选择潜在主题，确定一个主题，根据由Dirichlet先验β控制的另一个多项式分布来提取单词。对整个资料库来讲，每篇文档生成过程都是互相独立的，即共形成M+K个互相独立的Dirichlet-Multinomial共轭结构。由模型参数K=5可知，α=10，β=0.01。最终得到DW-LDA混合模型的概率表达式为：
（3-1）
全球新冠疫情风波网络舆情演变趋势实证分析
疫情期间国内外疫情相关数据收集。以微博热搜词条时间与话题讨论次数为关键词，构建基于Python的爬虫框架，对2020年1月日至2020年10月31日的内微博热搜话题进行采集，最终得到条信息。
将原始数据进行预处理，剔除无关信息，关键信息分为医疗应急管理、政府舆情治理、自媒体引导、国际舆情走向、社会舆情发展大主题[4]，每个主题包含10个单词。分别为医疗应急管理：口罩、医护人员、核酸检测、钟南山、传染源、治疗药物、隔离、新增病例、发热门诊、消毒；政府舆情治理：武汉疫情、医院建设、封城、免职问责、复工复产复学、大连疫情、新疆疫情、干部响应、掌控市场价位、确诊者活动范围；自媒体引导：丁香医生、晚安短信、封城日记、云监工、云聚会、钉钉、健康码、疫情知识科普、在一起、直播助力武汉；国际舆情走向：境外输入、国际支援、中国外交、世界卫生组织、最新疫情地图、国外疫情、归国留学生、国际航班、外国人入境、全球携手战疫；社会舆情发展:活动取消、快递、野生动物、网课、献爱心、社区服务、企业转型、疫情防护、红十字会、疫情拐点。
利用DW-LDA混合模型进行数据可视分析。以时间为横轴，热度为纵轴，利用DW-LDA混合模型对数据进行验证。假设微博热搜词集为一个整体的语料库[5]，其中共有D条信息，包含篇文档、K=5个潜在主题、N=N′×K=50个单词。对于每条热搜词条d∈D，由Dirichlet分布θm～Dir(α)得热搜词条d的主题分布参数θm，θm代表文档-主题概率分布；对于每个主题z∈K，由Dirichlet分布φz～Dir(β)得主题z上单词的多项式分布参数φK，φK代表 主 题-词 概 率分布；对于 每 条 热 搜词条 d 对应的单词N，由多项式分布z m,n～Mult(θm)得主题z m,n；由多项式分布～Mult(φk)得词汇wm,n。结果见图1。
月 2月 3月 4月 5月 6月 7月 8月 9月 10月
数据库主题热度变化
医疗应急管理 政府舆情治理 自媒体引导
国际舆情走向 社会舆情发展
图1 数据库主题热度变化
国内舆情演变趋势的动态研究。2020年1月新冠肺炎以武汉为中心向全国范围内爆发，引起社会广泛关注，网络舆论随之发酵。目前为止，舆论主题热度变化是相同的走向趋势[6],先增后降再急速降低，疫情反复使主题热度再度飙升后又显著降低。政府对疫情把控良好，舆论控制在一定的范围内，暂无较大波动。随着国际疫情的发展，新冠肺炎疫苗的研发以及有效治疗药物再次被提及，引起群众的广泛讨论。
综上所述，疫情舆情仍处于波动阶段，政府和相关部门一定要做好研判工作，防止二次爆发。疫情并未走远，舆情尚未结束，只是进入了常态化防护阶段，有一定的发酵程度，政府要做好应对准备。
新冠疫情引发的网络舆情仍处于波动阶段，关于疫情的话题依然占比较大。很多信息经过网络发酵，稍有不慎就会引发二次舆情，做好舆情研判工作，防止舆情爆发是现阶段网络舆情监管工作的重点。
党和政府高效有序的开展疫情防控工作并取得了巨大成绩，网络舆论随着战“疫”的不断成功，变得积极向上充满能量。更多人在社交平台上自发进行谣言驳斥，将舆论往正方向引导。可见，网络舆情需要政府和管理者的积极干预与调控。
对相关疫情舆情，建立舆情监测体系，加强监测力度，建立疫情应对体系，对网上的舆论及时处置；加强舆情风险防范的宣传，培养公众舆情风险防范意识；加强对公众的管理和监督，及时解决问题；建立良好的外部沟通机制，延缓舆情的扩散速度，为采取应对措施争取时间。
参考文献
谭旭,庄穆妮,毛太田,张倩.基于LDA-ARMA混合模型的大规模网络舆情情感演化分析[J]情报杂志
邢云菲,李玉海.高校网络舆情传播主题图谱可视化研究[J]情报科学
史昀嘉.基于LDA主题模型的新浪微博用户兴趣研究[D]山东大学
张卫卫,胡亚琦,翟广宇,刘志鹏.基于LDA模型和Doc2vec的学术摘要聚类方法[J]计算机工程与应用
任凯,郭黎黎,张燕.社交网络舆情事件的生命周期模型研究[J]科技传播
