CN112734154B - 一种基于模糊数相似度的多因素舆情风险评估方法 - Google Patents

Abstract

本发明公开了一种基于模糊数相似度的多因素舆情风险评估方法。首先，使用扩展优劣解距离法得到风险因素的影响程度，同时使用层次分析法得到指标模型结构及各层元素的排列次序；其次，处理不同数据类型的输入得到风险因素事实系数评估值并进行融合；最后，基于模糊数相似度将评估综合值映射到风险等级与模糊数转换***中，得到舆情风险等级。本发明可以多源融合工作流程中的风险因素，更加全面、综合地对当前舆情风险给出细粒度的评估；对负面话题和正面话题进行不同的统计策略，较传统方法更具合理性，能够较好的反映舆情倾向性，构建的指标模型有利于风险因素的细化，同时风险指标具有更客观的影响程度评价。

Description

一种基于模糊数相似度的多因素舆情风险评估方法

技术领域

本发明涉及风险管理、模糊数学技术领域，具体涉及一种基于模糊数相似度的多因素舆情风险评估方法。

背景技术

随着互联网的快速发展，舆论形成和传播的速度日益加快，民众在网络媒体中针对热点事件的舆论给工作带来了极大的风险与挑战。因此，对工作过程中的舆情风险精准化评估的需求逐渐增长，其中如何构建舆情风险的评估内容，如何进行风险等级定量分析是要解决的两个核心问题。现有的机器学习、模糊矩阵等方法由于历史数据有限、风险评估精度要求高等原因，难以有效应用于实际业务。

针对于此，基于模糊数相似度的风险评估模型在处理风险模糊性和不确定性方面有较强的技术优势。该方法将模糊集理论应用于风险评估和多属性决策中，以模糊数连续隶属度函数为基础，将定性评价转化为区间数形式的数学表达，在此基础上对其进行模糊运算、模糊聚合或模糊推理等操作，从而获取精确的风险等级。因此，基于模糊分析法的风险评估能够有效解决定性评价与定量分析的转换问题。该方法主要包括四类模型：基于模糊排序的评估模型、基于模糊数相似度的评估模型、模糊推理模型和模糊矩阵模型。在基于模糊排序的评估模型中，首先需要建立排序基准，然后根据排序结果确定风险等级。在实际工作场景中，通常是对某一个工作流程单独评估，较少出现多个评估对象进行对比的情况，因此较难建立排序模型。在模糊推理方面，研究者通常在模糊推理***(Fuzzy InferenceSystem，简称FIS)中，利用风险矩阵结构描述隶属度函数和If-Then规则，并基于事件信息对风险进行评估预测，该方法是模糊控制研究的理论基础，常用于工业领域，不适用于文书流转为主要操作的场景。

模糊矩阵模型代表了一类引入模糊集理论的定性分析方法。该模型利用模糊区间数代替实数，更加真实地反映人为评价，从而细化矩阵粒度。虽然在一定程度上减少风险结(risk tie)的数量，提高了风险等级区分能力，但本质仍属于定性评估且构建过程十分繁复，针对包含多因素风险的业务，难以建立有效的定量分析模型。

基于模糊数相似度的评估模型利用模糊风险测度和风险等级的相似度确定预警级别，该模型将单一的评估对象直接与风险级别相对应，不存在多个对象相互依赖，当仅有一个工作流程时，也能输出对应的风险预警等级，并且排除人为因素进行风险等级确定。因此满足业务场景的评估需求，同时具备较高的评估准确性。

综上所述，基于模糊数相似度的评估模型不仅能够有效转换工作场景下的定性风险评价，而且能够建立针对单一工作的独立评估机制。但在特殊数据处理和评估准确性等方面仍存在不足，成为制约精准化舆情风险评估的瓶颈。

目前的现有技术之一是管理***，此类***主要服务于基础业务流程规范管理与时间管理，缺少对多因素舆情风险的评估与管理。其中，现行工作流程风险防控体系采用表格的形式定义，每个风险因素条目定义为风险项、风险等级与风险责任人。

现有技术之一的缺点是：(1)现有成熟管理***缺乏对多因素工作舆情风险的评估与管理；(2)现有风险防控体系风险点因素单一，未宏观考虑多风险因素；(3)现有风险防控体系风险等级固定，评估的过程未充分结合客观数据，评估结果不准确。

目前的现有技术之二是网络舆情多维度分析***，其包含的主要功能为：负面舆情分析、热点分析、舆情爆发趋势分析等等。其中负面舆情分析基于对各大主流网络平台的相关文本进行正/负情感值分析得到评估结果。

现有技术之二的缺点是：(1)在该***中，缺乏对于多维度舆情分析的风险评估算法，分析内容维度多，但相互独立；(2)***中的负面舆情为文本情感值的简单统计，缺乏焦点话题的分析，负面情感分析准确度不高。

发明内容

本发明的目的是克服现有方法的不足，提出了一种基于模糊数相似度的多因素舆情风险评估方法。本发明解决的主要问题是，(1)现有舆情风险指标体系中，风险因素单一，风险等级固定；(2)现有舆情分析平台仅对文本进行简单的情感分析，未针对焦点话题进行精准分析；(3)现有舆情风险管理方法无法克服风险的模糊性和不确定性，未综合动态分析当前舆情状态，仅给出固定的评估结果。

为了解决上述问题，本发明提出了一种基于模糊数相似度的多因素舆情风险评估方法，所述方法包括：

基于历史工作文书和工作流程规则库抽取舆情风险因素，构建风险因素集合，并组建专家组，由专家使用短语集合对该风险因素集合的影响程度进行表述，采集以上数据形成风险因素影响程度数据集；

使用层次分析法构建初始舆情风险指标模型的三层结构以及定义各层级节点，该模型由目标层、准则层和指标层三部分组成，其中，目标层确定评估的主体是舆情风险，准则层基于对历史工作文书的鱼骨图分析定义决策者、当事人、情况属性、舆情状态四个标准准则，指标层由风险因素以及对应的影响程度所构成；

基于所述风险因素影响程度数据集构建评价矩阵，使用扩展优劣解距离法综合多维评价矩阵计算得到各项风险因素的影响程度；

基于所述各项风险因素的影响程度，使用层次分析法确定所述初始舆情风险指标模型中各层元素的排列次序，得到体系结构完整的最终舆情风险指标模型；

收集分析当前所处理工作的相关舆情数据，对所述最终舆情风险指标模型中的风险因素进行评估得到模型指标层中每个风险指标的事实系数；

融合所述最终舆情风险指标模型指标层中的风险因素影响程度与所述事实系数，得到基于多因素评估的舆情风险综合值；

基于模糊数的图形特性，通过计算基于回转半径的模糊数相似度将所述基于多因素评估的舆情风险综合值映射到风险等级与模糊数转换***中，从而得到当前所处理工作的舆情风险等级；

如果所述舆情风险等级或其变化趋势满足触发预警条件，则按照风险预案执行相应的预警操作。

优选地，所述短语集合，具体为：

短语集合LT＝{“相当低”(absolutely low),“很低”(very low),“低”(low), “较低”(fairly low),“中等(medium)”,“较高”(fairly high),“高”(high),“很高”(veryhigh),“相当高”(absolutely high)}。

优选地，所述基于所述风险因素影响程度数据集构建评价矩阵，使用扩展优劣解距离法综合多维评价矩阵计算得到各项风险因素的影响程度，具体为：

基于所述风险因素影响程度数据集构建评价矩阵；

构建风险因素评价的正负理想解；

计算所述评价矩阵中每个评价方案与所述正理想解的欧式距离，以及其与所述负理想解的欧式距离；

计算所述评价矩阵中每个评价方案与所述正负理想解的距离比，并对其进行归一化得到每个评价方案的权重；

对所述每个评价方案权重和所述每个评价方案进行加权求和，得到各项风险因素影响程度评价。

本发明提出的一种基于模糊数相似度的多因素舆情风险评估方法，可以多源融合工作流程中的风险因素等多维信息，更加全面、综合地对当前舆情风险给出细粒度的评估；对负面话题和正面话题进行不同的统计策略，较传统方法更具合理性，能够较好的反映舆情倾向性，本方法构建的指标模型，在构建阶段有利于风险因素的细化，在维护阶段有利于模型的扩展，同时风险指标具有更客观的影响程度评价。

附图说明

图1是本发明实施例的一种基于模糊数相似度的多因素舆情风险评估方法的总体流程图；

图2是本发明实施例的语言描述与模糊数的转换***的示意图；

图3是本发明实施例的舆情风险指标模型结构图；

图4是本发明实施例的模糊数与比较标度转换***的示意图；

图5是本发明实施例的随机一致性指标RI的数值查询图；

图6是本发明实施例的舆情文本负面情感值计算流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例的一种基于模糊数相似度的多因素舆情风险评估方法，如图1所示，该方法包括：

S1，基于历史工作文书和工作流程规则库抽取舆情风险因素，构建风险因素集合，并组建专家组，由专家使用短语集合对该风险因素集合的影响程度进行表述，采集以上数据形成风险因素影响程度数据集；

S2，使用层次分析法构建初始舆情风险指标模型的三层结构以及定义各层级节点，该模型由目标层、准则层和指标层三部分组成，其中，目标层确定评估的主体是舆情风险，准则层基于对历史工作文书的鱼骨图分析定义决策者、当事人、案情属性、舆情状态四个标准准则，指标层由风险因素以及对应的影响程度所构成；

S3，基于所述风险因素影响程度数据集构建评价矩阵，使用扩展优劣解距离法综合多维评价矩阵计算得到各项风险因素的影响程度；

S4，基于所述各项风险因素的影响程度，使用层次分析法确定所述初始舆情风险指标模型中各层元素的排列次序，得到体系结构完整的最终舆情风险指标模型；

S5，收集分析当前所处理工作相关舆情数据，对所述最终舆情风险指标模型中的风险因素进行评估得到模型指标层中每个风险指标的事实系数；

S6，融合所述最终舆情风险指标模型指标层中的风险因素影响程度与所述事实系数，得到基于多因素评估的舆情风险综合值；

S7，基于模糊数的图形特性，通过计算基于回转半径的模糊数相似度将所述基于多因素评估的舆情风险综合值映射到风险等级与模糊数转换***中，从而得到当前所处理工作舆情风险等级；

S8，如果所述舆情风险等级或其变化趋势满足触发预警条件，则按照风险预案执行相应的预警操作。

步骤S1，其中风险因素集合为RISK＝{r₁,r₂,…,r_n}，短语集合LT＝{“相当低”(absolutely low),“很低”(very low),“低”(low),“较低”(fairly low),“中等(medium)”,“较高”(fairly high),“高”(high),“很高”(very high),“相当高”(absolutely high)}。

步骤S3，具体如下：

S3-1，基于S1预处理阶段采集的风险因素影响程度数据集构建评价矩阵：

其中，N表示风险因素的个数，M为数据集中的评价数量，s_mn为第m 条评价针对第n项风险因素的影响程度所给出评价值，s_mn是评价的语言描述对应的区间形式的广义模糊数(a₁,a₂,a₃,a₄；w)，其映射关系如图2所示。

S3-2，构建风险因素评价的正负理想解：

其中，和/>分别定义为：

S3-3，计算每个评价方案s_m与正理想解的欧式距离：

计算每个评价方案s_m与负理想解的欧式距离：

S3-4，计算每个评价方案与正负理想解的距离比，并对其进行归一化得到评价方案的权重：

S3-5，对每个评价方案权重和每个评价方案s_m进行加权求和，得到每个风险因素影响程度评价

步骤S4，舆情风险指标模型包括目标层A、准则层B和指标层C，如图3所示，具体如下：

S4-1，将风险因素按照其影响程度编入指标层C，风险因素按照其自有属性连接对应的准则。在B的孩子节点中，指标按照影响程度进行排序。给B层的节点指定初始排序，并进行模型的一致性验证。

S4-2，构造成对比较矩阵Δ，为风险因素i与风险因素j的评价权重差距，根据图4得到风险因素i与风险因素j的重要性比较结果δ_ij从而构建成对比较矩阵Δ，δ_ij是标量，其具有性质如下：

S4-3，验证层次单排序的一致性。计算矩阵Δ的最大特征根的特征向量，归一化后得到同一层因素对于上一层相对重要性的排序权重。待验证的一致性指标CI为：

其中，λ为矩阵C的最大特征根，n为矩阵C的维度。如果CI＝0，排序有完全的一致性；不一致性随着CI增加而增高。

为了进一步对一致性指标进行量化，引入随机一致性指标RI，RI与矩阵阶数n的关系如图5所示。则量化的一致性指标CR定义为：

如果CR<0.1，则矩阵C通过一致性检验。

S4-4，计算指标层所有风险因素相对于最高层的层次总排序。准则层4 个节点B1,B2,B3,B4对最高层的排序权重为a₁,a₂,a₃,a₄，指标层的n个风险因素对BJ的层次单排序为b_1j,b_2j,…,b_nj。其中CI₁对应与C1、C2对B1 构建的对比矩阵。层次总排序的一致性比例为：

当CR<0.1时，层次总排序通过一致性检验。

S4-5，遍历准则层中节点的排序与排序权重计算，直至多层次舆情风险指标模型通过一致性验证，从而完成舆情风险指标模型的构建。由扩展优劣解距离法(TOPSIS)综合专家组多位专家对风险因素给出的权重评价，得到更加客观的影响程度权重。除此之外，使用层次分析法(AHP)构建更加***化的舆情风险指标体系，有利于风险指标模型的更新维护。

步骤S5，具体如下：

S5-1，根据实时更新的各项舆情数据，计算风险指标模型中风险指标的事实系数。指标评估数据来源分为3类：1)其他相关***提供的数据；2) 工作流程相关人员主动上报的风险数据；3)舆情分析模块所提供的数据。

S5-2，S4构建的最终舆情风险指标模型中，C5、C7为决策者主动输入，输入数据为短语集合LT的元素。

S5-3，S4构建的最终舆情风险指标模型中，C3历史遗留工作由其属性字段决定，True映射为“相当低”、False映射为“相当高”。C4受关键工作类型由其属性字段决定。C9知名决策者由决策者知识图谱提供，True映射为“相当低”、False映射为“相当高”。

S5-4，S4构建的最终舆情风险指标模型中，C1、C2、C6、C8根据实时收集的舆情数据计算得到。其中，C2为舆情覆盖高影响力账号白名单比例， C6和C8为是否在各大热搜榜单出现状态值。C1为基于焦点话题的舆情负面情感值，具体处理流程如图6所示。

(1)在完成文本预处理和向量化后，基于K-Means算法进行话题聚类，按照文本中分词词频信息提取焦点话题文本，在此基础上使用贝叶斯分类器计算话题文本的情感值。

(2)从舆情文本中提出话题文本得到剩余文本，使用贝叶斯分类器得到所有该话题相关剩余文本的情感值。

(3)融合舆情负面值，其定义为：

其中，n_i为话题中负面情感文本的数量，反之p_i为话题中正面情感文本的数量。τ是触发舆情风险的负面情感文本的阈值，M是该工作相关焦点话题的数量。并将情感值按照1到9映射为短语集合LT中的元素。基于焦点话题的情感值分析方法对比传统方法对于舆论倾向的判断更具合理性。

步骤S6，具体如下：

S6-1，将S5中评估得到的风险指标对应的事实系数的数值即风险指标对应事件发生的概率，根据图2转换为模糊数。令GFNS_m＝(lt_m,GFN_m), lt_m是语言表述短语，GFN_m是对应的广义模糊数。风险事实系数的数值v_i转换得到的模糊数表示为：

S6-2，将多风险因素根据其影响程度impact和事实系数evaluate进行融合，得到当前工作流程出现的舆情风险等级，融合方法为：

其中，N是风险因素的数量，最后得到舆情风险综合评价的模糊数表示 risk。

步骤S7，具体如下：

基于模糊数的图形特性，通过计算基于回转半径的模糊数相似度将S6 得到的舆情风险综合评价risk映射到风险等级与模糊数转换***中，从而得到当前工作流程的舆情风险等级level：

本发明实施例提出的一种基于模糊数相似度的多因素舆情风险评估方法，可以多源融合工作流程中的风险因素等多维信息，更加全面、综合地对当前舆情风险给出细粒度的评估；对负面话题和正面话题进行不同的统计策略，较传统方法更具合理性，能够较好的反映舆情倾向性，本方法构建的指标模型，在构建阶段有利于风险因素的细化，在维护阶段有利于模型的扩展，同时风险指标具有更客观的影响程度评价。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于模糊数相似度的多因素舆情风险评估方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于模糊数相似度的多因素舆情风险评估方法，其特征在于，所述方法包括：

基于历史工作文书和工作流程规则库抽取舆情风险因素，构建风险因素集合，并组建专家组，由专家使用短语集合对该风险因素集合的影响程度进行表述，采集以上数据形成风险因素影响程度数据集；

使用层次分析法构建初始舆情风险指标模型的三层结构以及定义各层级节点，该模型由目标层、准则层和指标层三部分组成，其中，目标层确定评估的主体是舆情风险，准则层基于对历史工作文书的鱼骨图分析定义决策者、当事人、案情属性、舆情状态四个标准准则，指标层由风险因素以及对应的影响程度所构成；

基于所述风险因素影响程度数据集构建评价矩阵，使用扩展优劣解距离法综合多维评价矩阵计算得到各项风险因素的影响程度；

基于所述各项风险因素的影响程度，使用层次分析法确定所述初始舆情风险指标模型中各层元素的排列次序，得到体系结构完整的最终舆情风险指标模型；

收集分析当前所处理工作的相关舆情数据，对所述最终舆情风险指标模型中的风险因素进行评估得到模型指标层中每个风险指标的事实系数；

融合所述最终舆情风险指标模型指标层中的风险因素影响程度与所述事实系数，得到基于多因素评估的舆情风险综合值；

基于模糊数的图形特性，通过计算基于回转半径的模糊数相似度将所述基于多因素评估的舆情风险综合值映射到风险等级与模糊数转换***中，从而得到当前所处理工作的舆情风险等级；

如果所述舆情风险等级或其变化趋势满足触发预警条件，则按照风险预案执行相应的预警操作。

2.如权利要求1所述的一种基于模糊数相似度的多因素舆情风险评估方法，其特征在于，所述短语集合，具体为：

短语集合LT＝{“相当低”(absolutely low),“很低”(very low),“低”(low),“较低”(fairly low),“中等(medium)”,“较高”(fairly high),“高”(high),“很高”(very high),“相当高”(absolutely high)}。

3.如权利要求1所述的一种基于模糊数相似度的多因素舆情风险评估方法，其特征在于，所述基于所述风险因素影响程度数据集构建评价矩阵，使用扩展优劣解距离法综合多维评价矩阵计算得到各项风险因素的影响程度，具体为：

基于所述风险因素影响程度数据集构建评价矩阵；

构建风险因素评价的正负理想解；

计算所述评价矩阵中每个评价方案与所述正理想解的欧式距离，以及其与所述负理想解的欧式距离；

计算所述评价矩阵中每个评价方案与所述正负理想解的距离比，并对其进行归一化得到每个评价方案的权重；

对所述每个评价方案权重和所述每个评价方案进行加权求和，得到各项风险因素影响程度评价。