收稿日期：２０１４－１０－１４ 修回日期：２０１４－１１－３０
基金项目：国家自然科学基金项目“２４小时知识工厂的知识共享活动模型与服务支持系统研究”（编号：７１１７１１５３
）。作者简介：夏火松（１９６４－），男，博士，教授，博士生导师，研究方向：知识管理、数据挖掘、物流信息管理和电子商务、ＤＳＳ；甄化春（１９８９－），男，硕士研究生，研究方向：数据挖掘、信息管理。
·舆情研究·
大数据环境下舆情分析与决策支持研究文献综述＊
夏火松 甄化春
（武汉纺织大学管理学院 武汉 ４３００７３
）摘 要 大数据时代使得传统的舆情分析方式发生了剧变，已有的舆情分析技术和监控系统很难适应这一情景的变化。大数据舆情处理理论和技术的研究与发展状况，迫切需要很好的梳理。论文对当前国内外的舆情分析及决策支持系统的构建等相关研究进行了文献梳理和分析，
对当前的网络舆情分析的关键技术进行了总结，构建了大数据时代舆情监控与决策支持的分层模型，并针对当前网络舆情分析的不足进行了讨论，提出了值得研究的问题。最后对社会舆情分析的发展方向进行了展望。关键词 大数据 舆情分析 决策支持
中图分类号 Ｇ３５３．１１ 文献标识码 Ａ 文章编号 １００２－１９６５（２０１５）０２－０００１－０６ＤＯＩ １０．３９６９／ｊ
．ｉｓｓｎ．１００２－１９６５．２０１５．０２．００１Ｐｕｂｌｉｃ Ｏｐｉｎｉｏｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｔｕｄｙ ｕｎｄｅｒ Ｂｉｇ
Ｄａｔａ ＳｕｒｒｏｕｎｄｉｎｇｓＸｉａ Ｈｕｏｓｏｎｇ
Ｚｈｅｎ Ｈｕａｃｈｕｎ（Ｓｃｈｏｏｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ，Ｗｕｈａｎ Ｔｅｘｔｉｌｅ Ｕｎｉｖｅｒｓｉｔｙ
，Ｗｕｈａｎ ４３００７３）Ａｂｓｔｒａｃｔ Ｔｈｅ ｎｅｗ ｂｉｇ ｄａｔａ ｅｒａ ｂｒｉｎｇｓ ａ ｇｒｅａｔ ｃｈａｌｌｅｎｇｅ ｔｏ ｔｈｅ ｏｒｉｇｉｎａｌ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄｓ．Ｔｈｅ ｅｘｉｓｔｉｎｇ ｐｕｂｌｉｃ ｏｐｉｎ－ｉｏｎ ａｎａｌｙｓｉｓ ｔｅｃｈｎｏｌｏｇｉｅｓ ａｎｄ ｏｎｌｉｎｅ ｐｕｂｌｉｃ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍｓ ａｒｅ ｉｎｓｕｆｆｉｃｉｅｎｔ ｆｏｒ ｔｏｄａｙ＇ｓ ａｐｐｌｉｃａｔｉｏｎ ｒｅｑｕｉｒｅｍｅｎｔｓ．Ｔｈｅｒｅ ｉｓ ａｎ ｕｒ－ｇｅｎｔ ｎｅｅｄ ｆｏｒ ｔｈｅ ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｓｔａｔｕｓ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｔｒｅｎｄ ｏｆ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ａｎａｌｙｓｉｓ ｕｎｄｅｒ ｂｉｇ ｄａｔａ ｓｕｒｒｏｕｎｄｉｎｇｓ．Ｔｈｉｓ ｐａｐｅｒｓｕｍｍａｒｉｚｅｄ ｔｈｅ ｐｒｅｓｅｎｔ ｓｔｕｄｙ ｓｉｔｕａｔｉｏｎ ｏｆ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ａｎａｌｙｓｉｓ ｈｏｍｅ ａｎｄ ａｂｒｏａｄ ａｎｄ ｐｒｏｐｏｓｅｄ ａ ｈｉｅｒａｒｃｈｉｃａｌ ｍｏｄｅｌ ｆｏｒ ｐｕｂｌｉｃ ｏ－ｐｉｎｉｏｎ ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｄｅｃｉｓｉｏｎ ｓｕｐｐｏｒｔ．Ｓｉｍｕｌｔａｎｅｏｕｓｌｙ，ｗｅ ｄｉｓｃｕｓｓｅｄ ｔｈｅ ｗｅａｋ ｐｏｉｎｔｓ ｏｆ ｔｈｅ ｐｒｅｓｅｎｔ ｓｔｕｄｙ．Ｆｉｎａｌｌｙ，ｗｅ ｐｕｔ ｆｏｒ－ｗａｒｄ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｔｒｅｎｄ ｏｆ ｔｈｅ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ａｎａｌｙｓｉｓ ｉｎ ｔｈｅ ｃｏｎｔｅｘｔ ｏｆ ｂｉｇ ｄａｔａ ｅｒａ．Ｋｅｙ ｗｏｒｄｓ ｂｉｇ
ｄａｔａ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ａｎａｌｙｓｉｓ ｄｅｃｉｓｉｏｎ ｓｕｐｐｏｒｔ０ 引 言
大数据的发展与应用给社会的各方面带来了深远的影响，其中大数据情景下社会舆情的研究成为当前政府、企业和科研机构的一个热点研究课题。２０１２年３月奥巴马政府推出了包括大数据的管理、
分析、可视化以及大数据辅助决策等项目的“
大数据研究与开发计划”，２０１３年国务院副总理汪洋谈大数据时以流感病毒的舆情分析为例强调了大数据分析对于政府工作的重要性。近年来，以“郭美美事件”、“切糕王子”以及“航母Ｓｔｙｌｅ”为代表的社会热点事件进一步的推动了大数据时代社会舆情研究的热潮。
在大数据时代，如何快速的对海量网络数据进行
分析并建立舆情监控和引导机制从而为管理者提供决策支持是当前研究的热点和难点。相对于传统的社会舆情分析，大数据时代的社会舆情分析更集中于对大量网络数据的搜集、存储、清洗并结合文本挖掘技术从大量低价值密度的数据中获取相关的舆情研究信
息［
１－３］
。大数据时代为我们提供了海量研究数据同时，
其数据容量大、流动快、形态多样、价值密度低以及真实性不高等特点，使得仅依据数据统计进行舆情监
控的传统方法不再适用［４－６］
。如何浓缩海量信息，抵
抗“数据爆炸”，从而实现舆情信息增值并提高关联数据的趋势研判能力是大数据时代舆情分析的重大挑
战［
３，７］
。文章对大数据舆情分析以及决策支持系统相关的研究文献进行了归纳总结，对文献中有关大数据
第３４卷 第２期２０１５年２月 情 报 杂 志ＪＯＵＲＮＡＬ ＯＦ ＩＮＴＥＬＬＩＧＥＮＣＥ Ｖｏｌ．３４ Ｎｏ．２
Ｆｅｂ． ２０１５
处理以及网络数据挖掘相关的技术进行了梳理并提出了大数据时代舆情分析的一般研究框架，同时构建了大数据舆情监控与决策支持分层模型。
文章研究过程中获取参考文献和相关资料的过程如下：首先以“Ｂｉｇ Ｄａｔａ”或“Ｐｕｂｌｉｃ Ｏｐｉｎｉｏｎ”或“ＰｕｂｌｉｃＳｅｎｔｉｍｅｎｔ”或“Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍ”为关键词在Ｗｅｂ Ｏｆ Ｓｃｉｅｎｃｅ数据库中分别以出版时间和引用次数为搜索顺序，并从检索结果中分别选择了前５０篇高频引用的外文文献和５０篇最新出版的外文文献，剔除无关文献，共得到７９篇相关文献。同时在ＥＢＳＣＯ，Ｅｌｓｅｖｉｅｒ，ＥＩ，ＳｐｒｉｎｇｅｒＬｉｎｋ数据库中以上述四个关键词按时间和引用次数下载相关外文文献５１篇，并在Ｇｏｏｇｌｅ Ｓｃｈｏｌａｒ中以“Ｂｉｇ ｄａｔａ ａｎｄ Ｐｕｂｌｉｃ Ｏｐｉｎｉｏｎ Ａ－ｎａｌｙｓｉｓ”为关键词搜索了２０篇最新文献。最后在中国知网和万方数据库以及维普数据库中以“大数据”或“舆情分析”或“决策支持”或“大数据舆情”为检索条件下载相关中文文献７０篇。通过对这些文章的阅读和分析得到后述分析结论。
本文的研究结构如下：第二部分梳理了国内外舆情分析与决策支持研究和发展的概况，第三部分对大数据环境下网络舆情分析的关键技术进行了总结，第四部提出了大数据环境下网络舆情分析的分层模型，第五部指出了当前舆情分析的不足，并对社会舆情分析和决策支持相关的研究问题与研究趋势进行了归纳。
１ 社会舆情分析与决策支持的研究和发展概述
从已有舆情研究文献内容看，社会舆情研究大致经历了传统社会舆情分析、网络舆情分析和大数据舆情分析三个阶段。传统社会舆情分析更趋向于研究热点事件、政策及新颁布的法律条文对于社会舆情的影响之间的关系［８］。ＭａｃＬｅｎｎａｎ等［９］通过调查抽样方式研究了新西兰民众对于酒精政策的态度，Ａｌａｎ等［１０］使用盖洛普世界民意调查数据研究了恐怖袭击与民众态度之间的联系。网络舆情的研究经历了早期简单粗放的研究阶段和当前海量网络舆情研究的阶段［１１］。Ｔｗｉｔｔｅｒ、Ｆａｃｅｂｏｏｋ、微博、人人等社交网络平台的兴起掀起了网络舆情研究的热潮，Ｃｅｒｏｎ［１２］通过Ｔｗｉｔｔｅｒ获取２０１２年法国大选中网民情感取向数据并对大选结果进行预测，证明了社交媒体较好的预测能力。康伟［１３］通过搜集新浪网、腾讯网和人民网等网站中“１１．１６校车事故”的舆情信息，构建了该事件的舆情传播网络拓扑图，进而提出网络舆情的引导策略。
大数据舆情分析是舆情研究的一个前沿课题，其利用数据挖掘和大数据处理相关技术从海量数据中提取有用的知识用于决策支持［１４－１５］。现有文献主要从
大数据舆情相关的机遇、挑战以及研究方法上进行概述，从技术层面研究大数据舆情的文献相对较少。Ｂｒｏｎｉａｔｏｗｓｋｉ［１６］、马兵［７］、李彪［１７］、李希光［１８］等针对当前大数据舆情研究面临的问题从理论角度进行了叙述，对社会舆情搜集、研判和预警作了详细的介绍。喻国明以百度搜索词为研究对象，采用大数据分析技术对中国社会热点舆情进行了分析［１９］。ＪＩ Ｃ［４］、Ｍｅｒ－ｊａ［２０］对并行处理、云计算、高级机器学习和智能数据处理等大数据处理技术进行了研究。李金海等［２１］利用大数据思想构建了网络舆情的文本挖掘模型，并通过实验验证了模型的准确性和时效性。
在舆情分析的决策支持研究方面，传统决策支持系统以模型库为基础，通过模块调用分析函数并将调查结果以可视化的方式展示给决策用户，能够较好的处理传统舆情分析中以调查问卷、统计等方式搜集的量小且结构单一的数据（如图１）［１４］。在网络舆情研究方面，国内外已有众多成果，其中代表性的有国外的Ｔｗｅｌｖｅｆｏｌｄ、Ｂｕｚｚ Ｍｅｔｒｉｃｓ、Ｒｅｐｕｔａｔｉｏｎ Ｄｅｆｅｎｄｅｒ、Ｃｉ－ｓｉｏｎ以及国内的人大方正、Ｒａｎｋ、Ｇｏｏｎｉｅ、军犬、麦知讯等舆情监控系统。对于大数据舆情的分析，学界尚未形成一套完整的研究体系，其主要通过继承网络舆情分析的技术和方法并结合大数据的特性进行相关的分析和处理［２１－２２］
。
图１ 传统社会舆情分析的决策支持系统
２ 大数据环境下网络舆情分析的关键技术
当前社会舆情的研究正处于从网络舆情研究到大数据舆情研究的过渡期，在处理技术上，大数据舆情分析继承了网络舆情分析的诸多方法［４－５，２２］。同时，二者在分析步骤上具有相同的范式。通过对网络舆情分析和大数据舆情分析的相关文献的归纳，文章总结出大数据时代网络舆情分析的基本研究框架和五类关键技术：信息采集、热点发现、热点评估、主题跟踪和分析处理［２３－２４］。
２．１ 信息采集技术 信息采集是网络舆情分析的第一步，其包含数据的爬取、数据的存储和清洗等相关技术。当前的学者主要通过网络爬虫程序、网站ＡＰＩ接口获取研究数据。常用的网络爬虫Ｈｅｒｉｔｒｉｘ，Ｎｕｔｃｈ和Ｌａｂｉｎ。Ｈｕ［２５］等人在Ｈｅｒｔｒｉｘ的基础上增加关键词管理模块、内容提取模块、最佳优先策略和重复删除模
·
２
· 情 报 杂 志 第３４卷
块建立了一个增强的Ｈｅｒｉｔｒｉｘ，提高了抓取数据与热点话题的相关度。Ｍｅｈｔａ［２６］，Ｓｉｇｎｏｒｉｎｉ等［１］利用Ｔｗｉｔ－ｔｅｒ ＡＰＩ流获取了Ｔｗｉｔｔｅｒ中热点事件的实时数据。Ｘｉａｏ Ｓ等利用Ｓｉｎａ微博的官方ＡＰＩ接口和网络爬虫相结合的方法搜集了大量研究数据，克服了新浪微博不提供大量分析数据的问题［２２］。大数据时代数据爬取面临的主要技术难题是如何同时提高获取数据的精度、速度以及对不同领域和各种形态的数据的有效爬取［２７－３１］。Ａｃｋｅｒｍａｎ等［２７］提出的基“ＳＹＳＫＩＬＬ ＆ＷＥＢＥＲＴ”，“ＤＩＣＡ”和“ＧＲＡＮＴ ＆ＬＥＡＲＮＥＲ”三个智能体的方法能够对特定领域的舆情信息进行爬取，并通过设定特征集合来提高信息搜集的精度，但是该方法在搜集不同领域的知识和信息时舆情信息精度较低且系统运行速度较慢。Ｃｈａｋｒａｂａｒｔｉ等［２９］提出了一个聚焦爬虫的超文本资源发现系统，它能实现对预先定义的热点事件相关的网络信息的快速提取以及数据库的实时更新，但是该方法不能对其未定义的热点舆情数据进行有效的爬取。Ａｇｇａｒｗａｌ等［３２］发明了一项智能爬取技术，能够通过自主学习来提高后续信息爬取的精度和广度，但是不能对预定义的热点进行爬取。另外，对于音频、视屏以及图片和文本等各种混杂的数据的获取，目前还没有一些有效的技术手段。
现阶段的网络舆情分析的数据存储方法主要是将获取的热点数据直接存储于ＳＱＬＳｅｒｖｅｒ，ＯＲＡＣＬＥ，Ｓｙｂａｓｅ等数据库中。大数据的出现以及结构数据的改变对常规的数据存储技术带来了巨大挑战。对于不同的数据类型，学术界提出了三种大数据存储技术：海量非结构化数据的分布式文件存储系统、海量半结构化数据的ＮｏＳＱＬ数据库和海量结构的分布式并行数据库系统［３３］。数据的清洗是对采集的数据进行整理，删除无效网页数据和重复的文本数据。
２．２ 网络舆情热点发现技术 网络舆情热点发现包括目标话题的识别与跟踪（ＴＤＴ），其强调对新信息的发现和特定热点的关注，通过聚类将信息汇总给用户，并自动跟踪新闻事件，提供事件发展的轨迹［２７－２９，３４］。根据［２３－２６］文献，可以将数据清洗分为数据采集阶段无效链接、重复和无关数据的清理以及分词特征提取时停用词的剔除两个阶段。当前主要使用人工方法和基于特征词表以及停用词表的方法，通过自学习进行数据的清洗工作。该技术根据文本聚类的算法从大量Ｗｅｂ网页中发现网络舆情热点。现有的研究技术主要有Ｓｉｎｇｌｅ－ｐａｓｓ聚类算法、Ｋ－ｍｅａｎｓ、ＫＮＮ最邻近法、支持向量机（ＳＶＭ）算法和ＳＯＭ神经网络聚类算法。
Ｓｉｎｇｌｅ－Ｐａｓｓ是话题发现中最常用的聚类算法，其在动态聚类和速度上表现较好，但是在时效性和精度方面存在不足。近年来国内相关学者对此算法进行了改进，取得了不错的效果。税仪冬等［３５］提出了一种周期性分类和Ｓｉｎｇｌｅ－ｐａｓｓ聚类结合的话题识别和跟踪方法。该方法能够降低漏检率和错检率，减少归一化错误的识别代价。方星星，吕永强［３６］通过引入子话题中心和时间距离计算公式并根据文档内容相似度和文档时间距离来计算相似度使算法在漏检率、误检率、耗费函数等方面有了显著改善。Ｋ－ｍｅａｎｓ算法是一种基于硬划分的无监督聚类算法。该算法具有良好的可伸缩性和很高的效率，但是需要事先给定分类簇数Ｋ，并且其分类结果受初始值、噪声和孤立点的影响较大。ＫＮＮ算法是一种基于类比学习的非参数分类技术。该方法在统计模式识别中有很好的效果，对于未知和非正态分布可以得到较高的分类准确率，但是当训练样本过多时计算速度会减缓。支持向量机（ＳＶＭ）是用来解决同一时间内多热点事件的识别和报道的分类问题的一种方法，其采用结构风险最小化原则，范化能力强且不易出现过学习现象，在处理小样本时有出色的学习能力和推广能力。但ＳＶＭ算法在多类分类的研究还处于探索性阶段且在算法的实现方面存在训练速度慢、算法相对复杂的问题。ＳＯＭ神经网络聚类算法是一种无监督的学习方法，通过模拟人脑对信号的处理特点而发展起来的一种人工神经网络。ＳＯＭ聚类的难点是如何设置输出层的节点个数，过多或过少都会对聚类的质量和网络收敛的效率产生影响。因此，ＳＯＭ神经网络不能够准确的识别不同类别的事件，有可能将不同热点事件混淆。
对于以上几种热点发现算法，相关学者对其进行了比较。习婷等［３７］通过对比以上两种算法发现，Ｓｉｎ－ｇｌｅ－ｐａｓｓ算法在网络热点检测中比Ｋ－ｍｅａｎｓ算法的效果更好。柳虹，徐金华［３８］通过对比实验发现ＳＶＭ比Ｋ－ｍｅａｎｓ算法在热点发现中表现出更好的效果，并且对于建立在结构风险最小化理论基础上的ＳＶＭ算法能够处理高维的文本多类分类问题，同时表现出良好的泛化效果。尽管传统的Ｓｉｎｇｌｅ－ｐａｓｓ和Ｋ－ｍｅａｎｓ算法存在很多缺陷，但是由于它们相对简单的规则和较快的计算速度而被广泛的用于当前大数据聚类分析中。
２．３ 热点评估和跟踪 热点评估是根据热点事件中公众的情感和行为反应对舆情进行等级评估并设立相应的预警阈值。词频统计、情感分类是网络舆情评估的两个主要手段。词频统计是对网络调查数据、网络文章关键词和浏览统计数据等信息进行分析并作出评估。这种方式对于文本量大的结构化数据的处理效果较好，但是对于社交网站中海量非结构化的文本数据并不能有效地评估。因此，这种热点评估方法通
·
３
·
第２期 夏火松，等：大数据环境下舆情分析与决策支持研究文献综述
常结合领域词典和相似性计算，根据设立的相似度阈值进行相关情感词语的分类统计。中文语言的Ｗｏｒｄ－Ｎｅｔ和英文语言的ＨｏｗＮｅｔ是两种常用的词语相似度计算工具。基于情感分类的热点评估在舆情评估领域使用的较为普遍，夏火松等［３９］对情感研究进行了综述，详细介绍了情感分类的两类关键技术：基于概率论和信息理论的分类算法，如朴素贝叶斯算法（ＮＢ），最大熵算法（ＭＥ）以及基于机器学习的分类算法，如决策树，支持向量机（ＳＶＭ）等。当前主要使用Ｋ最近邻算法（ＫＮＮ）和朴素贝叶斯算法（ＮＢＣ）进行热点跟踪，通过对热点舆情的快速分类，实现跟踪目的［３４］。ＫＮＮ算法对于舆情信息的分类准确性较高，但是对于大批量数据的处理速度较慢。ＮＢＣ算法在分类效率上较为稳定，但是由于其模型假设属性之间相互独立的特点，使得其分类误差率受到了一定的影响。
２．４ 分析处理 舆情分析是根据热点事件的分析结果评估事件的舆情等级并根据已有的标准采取相应的控制和引导措施。分析处理是大数据时代网络舆情监控中决策层的范畴，它涵盖了舆情事件的早期预警、舆情的引导、网络民意的反馈、沟通和舆情的总结评估机制［４０］。网络舆情预警阈值的设置同其它领域舆情设置相似，通常基于分类或聚类的思想，根据已有的舆情信息的关注度、传播速度以及影响程度将舆情信息分为绿、黄、橙、红四种颜色等级，其中绿色最弱，红色表示最危险等级。在舆情预警中，常用的分类学习方法有神经网络、贝叶斯分类器、最近邻方法和ＳＶＭ。Ａｌｅｓｓｉｏ使用支持向量回归的方法对Ｔｗｉｔｔｅｒ中Ｈ１Ｎ１相关的语料进行分类［１］。Ｓｕｎ Ｘ等基于ＳＶＭ模型对新浪微博大数据进行了样本训练和分类［２２］，Ｃｕｎｅｙｔ［４１］使用人工神经网络、决策树、回归分析模型构建了一个金融风险等级预测机制ＦＰＩ。在网络舆情引导模型的构建上，Ｆｅｎｇ Ｃａｏ等［４０］从政府、企业以及意见领袖三方探讨了网络舆情引导的策略。
根据上述网络舆情分析的关键技术总结，文章提出了大数据时代网络舆情分析的一般研究框架（见图２）。
３ 大数据环境下舆情分析的决策支持系统分层模型
对基于社会舆情分析的决策支持系统的研究，当前国内外的有关文献相对较少。在已有的舆情系统中，决策支持模块一般处于舆情监控系统的服务层，其功能是通过可视化的界面为用户提供决策依据［２４，４０，４２］。当前舆情监控系统中决策支持层的主要功能有：利用现有模型对舆情信息进行分析，掌控舆情的热度和发展态势；自动生成各类统计数据和舆情报告辅助决策；实时监控，发现重要信息和敏感信息及时预警。在当前舆情监控系统中，舆情的应对策略最终由人制定的，缺少智能化的策略推荐系统。ＦｅｎｇＣａｏ［４０］，Ｊｉｅ Ｄｉｎｇ等［４３］提出的舆情监测模型中决策支持模块为一种决策辅助工具，不能自主生成舆情决策策略。当前学者主要从数据的采集和清洗模块、数据的分析模块和决策支持三大模块来构建舆情分析和决策支持系统。基于此，文章根据大数据处理的相关技术提出大数据时代舆情分析及决策支持系统构架
。
图２ 大数据时代网络舆情分析的一般研究框架
３．１ 大数据处理的相关技术 大数据时代的到来对现有的数据处理技术带来了巨大的挑战，Ｊｉ Ｃ等［４］从大数据的储存和管理、计算和分析以及大数据安全三个角度分析了大数据给现有技术带来的挑战。在数据存储上，当前的数据存储技术远远不能满足数据的增长速度。思科公司数据统计表明，当前数据的增长速度仍高于网络的承载能力，同时数据异质性问题减缓了数据存储的速度。为应对数据存储方面的挑战，亚马逊公司的Ｗｅｂ服务、ＡＴ＆Ｔ的突出托管、Ａｐ－ｐＮｅｘｕｓ、ＧｏＧｒｉｄ、Ｒａｃｋｓｐａｃｅ云托管、ＩＢＭ／Ｇｏｏｇｌｅ／Ｍｉ－ｃｒｏＳｔｒａｔｅｇｙ商务智能云都推出了各种类型的云服务用于解决大数据的存储问题［４４］。云服务可以实现以最少的工作或服务建立一个共享的结构化的计算资源供应平台，从而缓解大数据存储问题。但是云服务相关的技术目前处于未成熟期，面临着数据安全、成本、技术融合、服务水平协议等采纳方面的挑战和云协同性问题［４５］。
在数据的分析和计算方面，处理问题的速度是一个重要的现实需求，但是在解决现实问题时需要遍历数据库中的所有相关的数据，这在大数据时代将花费大量的时间。通过数据索引技术解决数据遍历问题是
·
４
· 情 报 杂 志 第３４卷
当前的一个重要优化手段，但是该方法仅适用于数据结构单一的情况。大数据结构多样性的特点要求将合适的索引技术同持续更新的预处理技术结合来处理该问题［４６］。目前并行处理和分治算法是处理大数据问题的通用模式，基于云技术可以实现成百上千的计算机同时处理大数据计算问题，从而降低模型成本和时间成本［４７］。Ｈａｄｏｏｐ［４８］是当前学术界和企业界用来解决大数据存储和分析问题的一个主流技术，它是Ａ－ｐａｃｈｅ开源分布系统的构架基础，由ＨＤＦＳ、ＭａｐＲｅ－ｄｕｃｅ和ＨＢａｓｅ组成。陈彦舟等［４９］设计了一个基于Ｈａｄｏｏｐ的微博舆情监控平台，并通过实验证明该平台在分析大规模微博舆情数据的有效性。
３．２ 大数据舆情分析及决策支持的分层构架模型 文章通过对Ｆｅｎｇ Ｃａｏ［４０］，Ｃｈｅｎｇ Ｘｉａｎ－Ｙｉ［２４］，陈彦舟［４９］等学者构建的舆情预警系统的模型的归纳并结合大数据处理的相关技术和决策支持系统的相关理论，提出了大数据舆情分析与决策支持的分层模型（如图３）。该模型分为数据搜集与存储、数据分析和决策支持三个模块，其中数据搜集与存储和数据分析模块在原有的舆情分析系统基础上增加了大数据存储和分析的技术，在决策支持模块增加了专家知识库。该模型在解决大数据存储和分析问题的同时利用专家知识库对舆情处理提供针对性的策略，弥补了舆情预警系统中决策支持模块仅能被动提供决策辅助的缺陷
。
图３ 网络舆情分析与决策支持的分层模型
４ 结论与讨论
社会舆情分析一直是学界研究的一个热点课题。从当前研究看，国内外学者的研究视角大多集中于网络舆情分析的算法以及舆情监控系统的研究，对大数据舆情分析相关的技术研究相对缓慢，还不能满足现
实需求，同时对舆情分析相关的决策支持研究相对较少。论文在前人的研究的基础上，通过对大数据环境下舆情研究及其决策支持相关文献的总结归纳，对大数据时代网络舆情分析的关键技术进行了综述，指出了当前研究的不足，并提出了大数据时代舆情研究的一般研究分层模型，对以后的研究有一定的参考价值。
大数据时代社会舆情的研究还处于探索性的阶段，众多大数据的处理技术还处于尝试阶段，对于海量数据的存储、分析以及网络舆情分析的构架仍未有一个统一的模式。这些问题具体体现在以下几个方面：ａ．尚未成熟的大数据处理技术。当前大数据的研究更多体现在理论研究层面上，尽管上文介绍了众多的大数据处理技术（如Ｈａｄｏｏｐ、云计算），但由于数据安全性问题，这些技术并未完全的应用于市场。
ｂ．舆情监控系统中决策支持模块的功能过于单一。决策支持系统的研究已相对成熟，当前已发展到ＩＤＤＳ和３ＩＤＤＳ阶段，而舆情监控系统中决策支持模块仅能为用户提供决策辅助的可视化图形和数据，不能够自主地为用户推荐针对性的决策策略，这反映了决策支持系统与舆情监控系统的匹配失衡问题，同时也说明学界对于这一交叉领域的研究相对较少，后续需要给予更多的研究。
ｃ．大数据和舆情分析以及决策支持研究过于分散。当前国内外学者对于大数据和舆情分析以及决策支持的研究众多，但是对于大数据舆情研究相对较少，而舆情分析和决策支持系统的研究则更少，这种现状使得当前缺乏一个相对统一的舆情分析技术、模式和决策支持系统。
根据当前学界和企业界的研究进展情况，未来大数据舆情研究方向如下：
ａ．结合数据挖掘技术分析方法与行为分析方法的交叉验证的研究成为未来研究该问题的一种趋势。
ｂ．结合云计算、大数据、移动可追塑性分析、个性化特征识别的网络机器人与社会心理分析实验因果模型成为未来研究的一种趋势。
ｃ．构建基于分层模型的平台与研究主题的知识管理型决策支持平台成为未来研究的一种趋势。
参考文献
［１］ Ｓｉｇｎｏｒｉｎｉ，Ａｌｅｓｓｉｏ，Ａｌｂｅｒｔｏ Ｍａｒｉａ Ｓｅｇｒｅ，Ｐｈｉｌｉｐ Ｍ Ｐｏｌｇｒｅｅｎ．Ｔｈｅ ｕｓｅ ｏｆ Ｔｗｉｔｔｅｒ ｔｏ Ｔｒａｃｋ Ｌｅｖｅｌｓ ｏｆ Ｄｉｓｅａｓｅ Ａｃｔｉｖｉｔｙ ａｎｄ
Ｐｕｂｌｉｃ Ｃｏｎｃｅｒｎ ｉｎ ｔｈｅ ＵＳ Ｄｕｒｉｎｇ ｔｈｅ Ｉｎｆｌｕｅｎｚａ Ａ Ｈ１Ｎ１ Ｐａｎ－
ｄｅｍｉｃ［Ｊ］．ＰｌｏＳ ｏｎｅ，２０１１，６（５）：１－１０．
［２］ Ｔｉｅｎ Ｊ Ｍ．Ｂｉｇ Ｄａｔａ：Ｕｎｌｅａｓｈｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ ＳｙｓｔｅｍｓＳｃｉｅｎｃｅ ａｎｄ Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１３，２２（２）：１２７－１５１．
［３］ Ａｇｒａｗａｌ Ｄ，Ｂｕｄａｋ Ｃ，Ｅｌ Ａｂｂａｄｉ Ａ，ｅｔ ａｌ．Ｂｉｇ Ｄａｔａ ｉｎ ＯｎｌｉｎｅＳｏｃｉａｌ Ｎｅｔｗｏｒｋｓ：Ｕｓｅｒ Ｉｎｔｅｒａｃｔｉｏｎ Ａｎａｌｙｓｉｓ ｔｏ Ｍｏｄｅｌ Ｕｓｅｒ
·
５
·
第２期 夏火松，等：大数据环境下舆情分析与决策支持研究文献综述
Ｂｅｈａｖｉｏｒ ｉｎ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｓ［Ｍ］．Ｄａｔａｂａｓｅｓ ｉｎ ＮｅｔｗｏｒｋｅｄＩｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ．Ｓｐｒｉｎｇｅｒ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐｕｂｌｉｓｈｉｎｇ，２０１４：１－１６．
［４］ Ｊｉ Ｃ，Ｌｉ Ｙ，Ｑｉｕ Ｗ，ｅｔ ａｌ．Ｂｉｇ Ｄａｔａ Ｐｒｏｃｅｓｓｉｎｇ：Ｂｉｇ Ｃｈａｌｌｅｎｇｅｓａｎｄ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｒｃｏｎｎｅｃｔｉｏｎ Ｎｅｔｗｏｒｋｓ，２０１２，１３（３／４）：１－２０．
［５］ Ｃｈｅｎ Ｈ，Ｃｈｉａｎｇ Ｒ Ｈ Ｌ，Ｓｔｏｒｅｙ Ｖ Ｃ．Ｂｕｓｉｎｅｓｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄＡｎａｌｙｔｉｃｓ：Ｆｒｏｍ Ｂｉｇ Ｄａｔａ ｔｏ Ｂｉｇ Ｉｍｐａｃｔ［Ｊ］．ＭＩＳ ｑｕａｒｔｅｒｌｙ，２０１２，３６（４）：１１６５－１１８８．
［６］ Ｍｉｃｈａｅｌ Ｋ，Ｍｉｌｌｅｒ Ｋ Ｗ．Ｂｉｇ Ｄａｔａ：Ｎｅｗ Ｏｐｐｏｒｔｕｎｉｔｉｅｓ ａｎｄＮｅｗ Ｃｈａｌｌｅｎｇｅｓ［Ｇｕｅｓｔ Ｅｄｉｔｏｒｓ＇Ｉｎｔｒｏｄｕｃｔｉｏｎ］［Ｊ］．Ｃｏｍｐｕｔ－ｅｒ，２０１３，４６（６）：２２－２４．
［７］ 马 兵．大数据时代舆情服务的机遇与挑战［Ｊ］．中国记者，２０１３（６）：１１６．
［８］ Ｊｅｎｎｉｆｅｒ Ｂａｃｈｎｅｒ，Ｋａｔｈｙ Ｗ．Ｈｉｌｌ．Ａｄｖａｎｃｅｓ ｉｎ Ｐｕｂｌｉｃ Ｏｐｉｎｉｏｎａｎｄ Ｐｏｌｉｃｙ Ａｔｔｉｔｕｄｅｓ Ｒｅｓｅａｒｃｈ［Ｊ］．Ｔｈｅ Ｐｏｌｉｃｙ Ｓｔｕｄｉｅｓ Ｊｏｕｒ－
ｎａｌ，２０１４，４２（１）：５１－７０．
［９］ Ｍａｃｌｅｎｎａｎ Ｂ，Ｋｙｐｒｉ Ｋ，Ｌａｎｇｌｅｙ Ｊ，ｅｔ ａｌ．Ｐｕｂｌｉｃ Ｓｅｎｔｉｍｅｎｔ Ｔｏ－ｗａｒｄｓ Ａｌｃｏｈｏｌ ａｎｄ Ｌｏｃａｌ Ｇｏｖｅｒｎｍｅｎｔ Ａｌｃｏｈｏｌ Ｐｏｌｉｃｉｅｓ ｉｎＮｅｗ Ｚｅａｌａｎｄ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｄｒｕｇ Ｐｏｌｉｃｙ，２０１４，２３（１）：４５－５３．
［１０］Ａｌａｎ Ｂ．Ｋｒｕｅｇｅｒ ａｎｄ Ｊｉｔｋａ Ｍａｌｅｃｋｏｖá．Ａｔｔｉｔｕｄｅｓ ａｎｄ Ａｃｔｉｏｎ：Ｐｕｂｌｉｃ Ｏｐｉｎｉｏｎ ａｎｄ ｔｈｅ Ｏｃｃｕｒｒｅｎｃｅ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｔｅｒｒｏｒ－ｉｓｍ［Ｊ］．Ｓｃｉｅｎｃｅ，２００９，３２５（５９４７）：１５３４－１５３６．
［１１］刘 建．大数据时代的舆情版图———访武汉大学信息管理学院教授、舆情研究学者沈阳［Ｊ］．人民论坛，２０１３（１５）：２２－２３．［１２］Ｃｅｒｏｎ Ａ，Ｃｕｒｉｎｉ Ｌ，Ｉａｃｕｓ Ｓ Ｍ，ｅｔ ａｌ．Ｅｖｅｒｙ Ｔｗｅｅｔ Ｃｏｕｎｔｓ？
Ｈｏｗ Ｓｅｎｔｉｍｅｎｔ Ａｎａｌｙｓｉｓ ｏｆ Ｓｏｃｉａｌ Ｍｅｄｉａ Ｃａｎ Ｉｍｐｒｏｖｅ ＯｕｒＫｎｏｗｌｅｄｇｅ ｏｆ Ｃｉｔｉｚｅｎｓ’Ｐｏｌｉｔｉｃａｌ Ｐｒｅｆｅｒｅｎｃｅｓ Ｗｉｔｈ Ａｎ Ａｐｐｌｉ－ｃａｔｉｏｎ ｔｏ Ｉｔａｌｙ ａｎｄ Ｆｒａｎｃｅ［Ｊ］．Ｎｅｗ Ｍｅｄｉａ ＆Ｓｏｃｉｅｔｙ，２０１４，１６（２）：３４０－３５８．
［１３］康 伟．突发事件舆情传播的社会网络结构测度与分析———基于“１１·１６校车事故”的实证研究［Ｊ］．中国软科学，２０１２，（７）：１６９－１７８．
［１４］Ｐｏｗｅｒ Ｄ Ｊ．Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍｓ：Ｃｏｎｃｅｐｔｓ ａｎｄ ＲｅｓｏｕｒｃｅｓＦｏｒ Ｍａｎａｇｅｒｓ［Ｍ］．Ｇｒｅｅｎｗｏｏｄ Ｐｕｂｌｉｓｈｉｎｇ Ｇｒｏｕｐ，２００２．［１５］Ｃｈｅｎ Ｈ，Ｃｈｉａｎｇ Ｒ Ｈ Ｌ，Ｓｔｏｒｅｙ Ｖ Ｃ．Ｂｕｓｉｎｅｓｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄＡｎａｌｙｔｉｃｓ：Ｆｒｏｍ Ｂｉｇ Ｄａｔａ ｔｏ Ｂｉｇ Ｉｍｐａｃｔ［Ｊ］．ＭＩＳ ｑｕａｒｔｅｒｌｙ，２０１２，３６（４）：１１６５－１１８８．
［１６］Ｂｒｏｎｉａｔｏｗｓｋｉ Ｄ Ａ，Ｐａｕｌ Ｍ Ｊ，Ｄｒｅｄｚｅ Ｍ．Ｔｗｉｔｔｅｒ：Ｂｉｇ ｄａｔａ ｏｐ－
ｐｏｒｔｕｎｉｔｉｅｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２０１４，３４５（６１９３）：１４８－１４８．
［１７］李 彪．大数据视域下社会舆情研究的新境界［Ｊ］．编辑之友，２０１３（６）：１３－１５．
［１８］李希光．大数据时代的舆情研判和舆论引导［Ｊ］．中国广播，２０１４（５）：１０２－１０３．
［１９］喻国明．构建社会舆情总体判断的大数据方法———以百度海
量搜索数据的处理为例［Ｊ］．新闻与写作，２０１３（７）：６７－６９．［２０］Ｍａｈｒｔ Ｍ，Ｓｃｈａｒｋｏｗ Ｍ．Ｔｈｅ ｖａｌｕｅ ｏｆ Ｂｉｇ Ｄａｔａ ｉｎ ｄｉｇｉｔａｌ ｍｅｄｉａｒｅｓｅａｒｃｈ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｂｒｏａｄｃａｓｔｉｎｇ ＆Ｅｌｅｃｔｒｏｎｉｃ Ｍｅｄｉａ，２０１３，５７（１）：２０－３３．
［２１］李金海，何有世，熊 强，等．基于大数据技术的网络舆情文本
挖掘研究［Ｊ］．情报杂志，２０１４，３３（１０）：１－６．
［２２］Ｓｕｎ Ｘ，Ｙｅ Ｊ，Ｒｅｎ Ｆ．Ｍｕｌｔｉ－ｓｔｒａｔｅｇｙ Ｂａｓｅｄ Ｓｉｎａ Ｍｉｃｒｏｂｌｏｇ
Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ ｆｏｒ Ｏｐｉｎｉｏｎ Ｍｉｎｉｎｇ［Ｍ］／／Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｍ－
ｐｕｔｉｎｇ Ｍｅｔｈｏｄｏｌｏｇｉｅｓ．Ｓｐｒｉｎｇｅｒ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐｕｂｌｉｓｈｉｎｇ，２０１４：５５１－５６０．
［２３］Ｎｇｕｙｅｎ Ｖ Ｄ，Ｖａｒｇｈｅｓｅ Ｂ，Ｂａｒｋｅｒ Ａ．Ｔｈｅ Ｒｏｙａｌ Ｂｉｒｔｈ ｏｆ２０１３：Ａｎａｌｙｓｉｎｇ ａｎｄ Ｖｉｓｕａｌｉｓｉｎｇ Ｐｕｂｌｉｃ Ｓｅｎｔｉｍｅｎｔ ｉｎ ｔｈｅ ＵＫｕｓｉｎｇ Ｔｗｉｔｔｅｒ［Ｃ］／／Ｂｉｇ Ｄａｔａ，２０１３ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ－ｆｅｒｅｎｃｅ ｏｎ．ＩＥＥＥ，２０１３：４６－５４．
［２４］Ｘｉａｎ Ｙｉ Ｃ，Ｌｉｎｇｌｉｎｇ Ｚ，Ｑｉａｎ Ｚ，ｅｔ ａｌ．Ｔｈｅ Ｆｒａｍｅｗｏｒｋ ｏｆ Ｎｅｔ－ｗｏｒｋ Ｐｕｂｌｉｃ Ｏｐｉｎｉｏｎ Ｍｏｎｉｔｏｒｉｎｇ ａｎｄ Ａｎａｌｙｚｉｎｇ Ｓｙｓｔｅｍ Ｂａｓｅｄｏｎ Ｓｅｍａｎｔｉｃ Ｃｏｎｔｅｎｔ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｎｖｅｒ－
ｇｅｎｃｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，２０１０，５（１０）．
［２５］Ｈａｏ Ｈｕ，Ｙｕｅｊｉｎｇ Ｇｅ，Ｄｏｎｇｙａ Ｈｏｕ．Ｕｓｉｎｇ Ｗｅｂ Ｃｒａｗｌｅｒ Ｔｅｃｈｎｏｌｏｇｙｆｏｒ Ｇｅｏ－Ｅｖｅｎｔｓ Ａｎａｌｙｓｉｓ：Ａ Ｃａｓｅ Ｓｔｕｄｙ ｏｆ ｔｈｅ Ｈｕａｎｇｙａｎ ＩｓｌａｎｄＩｎｃｉｄｅｎｔ．Ｓｕｓｔａｉｎａｂｉｌｉｔｙ［Ｊ］．２０１４，６（４）：１８９６－１９１２．
［２６］Ｍｅｈｔａ Ｒ，Ｍｅｈｔａ Ｄ，Ｃｈｈｅｄａ Ｄ，ｅｔ ａｌ．Ｓｅｎｔｉｍｅｎｔ Ａｎａｌｙｓｉｓ ａｎｄＩｎｆｌｕｅｎｃｅ Ｔｒａｃｋｉｎｇ Ｕｓｉｎｇ Ｔｗｉｔｔｅｒ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌｏｆ Ａｄｖａｎｃｅｄ Ｒｅｓｅａｒｃｈ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ ＥｌｅｃｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｉｎｇ（ＩＪＡＲＣＳＥＥ），２０１２，１（２）：７２－７９．
［２７］Ａｃｋｅｒｍａｎ，Ｍａｒｋ，ｅｔ ａｌ．Ｌｅａｒｎｉｎｇ Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｕｓｅｒ Ｐｒｏｆｉｌｅｓ：Ａｐｐｌｉｃａｔｉｏｎｓ ｆｏｒ Ｆｉｎｄｉｎｇ Ｉｎｔｅｒｅｓｔｉｎｇ Ｗｅｂ Ｓｉｔｅｓ，Ｎｏｔｉｆｙｉｎｇ Ｕｓ－
ｅｒｓ ｏｆ Ｒｅｌｅｖａｎｔ Ｃｈａｎｇｅｓ ｔｏ Ｗｅｂ Ｐａｇｅｓ，ａｎｄ Ｌｏｃａｔｉｎｇ ＧｒａｎｔＯｐｐｏｒｔｕｎｉｔｉｅｓ［Ｊ］．ＡＩ Ｍａｇａｚｉｎｅ，１９９７，１８（２）：４７－５６．
［２８］Ｊｉａｎｇ，Ｄｉ，Ｋｅｎｎｅｔｈ Ｗａｉ－Ｔｉｎｇ Ｌｅｕｎｇ，Ｗｉｌｆｒｅｄ Ｎｇ．＂Ｆａｓｔ Ｔｏｐ－ｉｃ Ｄｉｓｃｏｖｅｒｙ ｆｒｏｍ Ｗｅｂ Ｓｅａｒｃｈ Ｓｔｒｅａｍｓ．＂ｉｎ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆＴｈｅ ２３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ．Ｉｎ－ｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ Ｃｏｎｆｅｒｅｎｃｅｓ Ｓｔｅｅｒｉｎｇ Ｃｏｍｍｉｔ－ｔｅｅ，２０１４：９４９－９６０．
［２９］Ｃｈａｋｒａｂａｒｔｉ，Ｓｏｕｍｅｎ，Ｍａｒｔｉｎ Ｖａｎ ｄｅｎ Ｂｅｒｇ，Ｂｙｒｏｎ Ｄｏｍ．ＦｏｃｕｓｅｄＣｒａｗｌｉｎｇ：Ａ Ｎｅｗ Ａｐｐｒｏａｃｈ ｔｏ Ｔｏｐｉｃ－Ｓｐｅｃｉｆｉｃ Ｗｅｂ Ｒｅｓｏｕｒｃｅ Ｄｉｓ－ｃｏｖｅｒｙ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｎｅｔｗｏｒｋｓ，１９９９，３１（１１）：１６２３－１６４０．
［３０］Ｈａｆｒｉ，Ｙｏｕｎèｓ，Ｃｈａｂａｎｅ Ｄｊｅｒａｂａ．Ｈｉｇｈ Ｐｅｒｆｏｒｍａｎｃｅ ＣｒａｗｌｉｎｇＳｙｓｔｅｍ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ｔｈ ＡＣＭ ＳＩＧＭＭ ＩｎｔｅｒｎａｔｉｏｎａｌＷｏｒｋｓｈｏｐ ｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｔｒｉｅｖａｌ．ＡＣＭ，２００４：２９９－３０６．
［３１］Ｂａｅｚａ－Ｙａｔｅｓ，Ｒｉｃａｒｄｏ，Ｃａｒｌｏｓ Ｃａｓｔｉｌｌｏ．Ｂａｌａｎｃｉｎｇ Ｖｏｌｕｍｅ，Ｑｕａｌｉｔｙ Ａｎｄ Ｆｒｅｓｈｎｅｓｓ Ｉｎ Ｗｅｂ Ｃｒａｗｌｉｎｇ［Ｊ］．Ｉｎ Ｓｏｆｔ Ｃｏｍｐｕ－ｔｉｎｇ Ｓｙｓｔｅｍｓ－Ｄｅｓｉｇｎ，Ｍａｎａｇｅｍｅｎｔ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ．２００２．［３２］Ａｇｇａｒｗａｌ，Ｃｈａｒｕ Ｃ，Ｆａｔｉｍａ Ａｌ－Ｇａｒａｗｉ，Ｐｈｉｌｉｐ Ｓ Ｙｕ．Ｉｎｔｅｌｌｉ－ｇｅｎｔ Ｃｒａｗｌｉｎｇ ｏｎ ｔｈｅ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ ｗｉｔｈ Ａｒｂｉｔｒａｒｙ Ｐｒｅｄｉ－ｃａｔｅｓ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ．ＡＣＭ，２００１：９６－１０５．
［３３］李海波，程耀东．大数据存储技术和标准化［Ｊ］．信息技术与标准化，２０１３（５）．
［３４］王登峰．网络舆情事件热点发现的算法比较分析［Ｊ］．信息通信，２０１４（２）：３２－３４．
［３５］税仪冬，瞿有利，黄厚宽．周期分类和Ｓｉｎｇｌｅ－Ｐａｓｓ聚类相结合的话题识别与跟踪方法［Ｊ］．北京交通大学学报：自然科学版，２００９，３３（５）：８５－８９．
［３６］方星星，吕永强．基于改进的ｓｉｎｇｌｅ－ｐａｓｓ网络舆情话题发现研究［Ｊ］．计算机与数字工程，２０１４，４２（７）：１２３３－１２３７．
［３７］习 婷，李菊芳．Ｓｉｎｇｌｅ－Ｐａｓｓ算法和Ｋ－ｍｅａｎｓ算法在Ｗｅｂ话题分析中的对比性研究［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄ－
（下转第２１页）
·
６
· 情 报 杂 志 第３４卷
具有明显影响，发帖者数量越多、传播意愿越强烈，则越容易形成舆情事件；
ｄ．网民密度和网民对舆情事件的兴趣程度对是否形成舆情事件具有明显影响，网民密度越大、对事件的兴趣程度越高，则越容易形成舆情事件。
根据以上结论，针对网络论坛的舆情管理可以给出以下三点建议：
ａ．网络论坛的舆情管理应该以网友比较集中的知名论坛的热门板块为重点管理对象，集中注意力和资源进行长期监测和管理；
ｂ．对于网络论坛中短时间内集中出现的、同主题的帖子要加大舆情监测力度，分析发帖者身份，对于比较集中的发帖者，应该重点关注；
ｃ．对于论坛中的版主、知名版友等“意见领袖”类人物应该重点管理，可以通过“意见领袖”引导论坛中舆情事件的发展演化，塑造和把握“意见领袖”有利于对网络舆情的控制。
网络论坛舆情演化的仿真实验取得了一定的研究成果，同时也存在不完善之处。本次仿真实验主要考虑了ｔｕｒｔｌｅ和ｐａｔｃｈ之间的交互，未考虑ｔｕｒｔｌｅ之间的交互，这是本研究未来工作方向之一，除此之外，传播学、信息学、情报学等其他学科中的经典理论及模型在网络舆情演化中的应用也需要进一步研究。
参考文献
［１］ 许 鑫，章成志，李雯静．国内网络舆情研究的回顾与展望［Ｊ］．情报理论与实践，２００９（３）：１１５－１２０．
［２］ 林 敏．网络舆情影响因素及其作用机制研究［Ｄ］．杭州：浙
江大学，２０１３．
［３］ 王来华．與情研究概论［Ｍ］．天津：天律社会科学院出版社，２００３：３２－４０．
［４］ 陈力丹．舆论学———舆论导向研究［Ｍ］．北京：中国广播电视出版社，２００５：３６－３８．
［５］ 詹络武．公共情结与大众传媒的宣导机制［Ｊ］．郑州大学学报：哲学社会科学版，２００８，（１１）：１５９－１６３．
［６］ 高承实，陈 越，等．网络舆情几个基本问题的探讨［Ｊ］．情报杂志，２０１１，３０（１１）：５２－５６．
［７］ 彭 鹏．网络情绪型舆论的调控［Ｊ］．军事记者，２００４（７）：４８－４９．［８］ 方付建．突发事件网络舆情演变研究［Ｄ］．武汉：华中科技大学，２０１１．
［９］ 董天策．网络新闻传播学［Ｍ］．福州：福建人民出版社，２００９（２）：２９４．
［１０］张 莹．网络论坛舆论传播现象研究［Ｄ］．长春：吉林大学，２０１１．［１１］中国互联网信息中心（ＣＮＮＩＣ）．第２６次中国互联网络发展状况统计报告［Ｒ］，２０１０（７）．
［１２］朱毅华，郭诗云等．网络舆情研究中的仿真方法应用综述［Ｊ］．情报杂志，２０１３，３２（１０）：２９－３５．
［１３］刘小波．基于ＮｅｔＬｏｇｏ平台的舆情演化模型实现［Ｊ］．情报资料工作，２０１２（１）：５５－６０．
［１４］宗立勇，顾宝炎．危机沟通环境中网络舆情演变的Ｍｕｌｔｉ－Ａｇｅｎｔ建模研究［Ｊ］．情报科学，２０１０（９）：１４１４－１４１９．
［１５］保罗·Ｆ·拉扎斯菲尔德．人民的选择：选民如何在总统选战中做决定［Ｍ］．北京：中国人民大学出版社，２０１２．
［１６］张春华．网络舆情社会学的阐释［Ｍ］．北京：社会科学文献出版社，２０１２．
［１７］宗立勇，顾宝炎等．基于注意力资源分配机制的网络危机舆情演变研究［Ｊ］．情报理论与实践，２０１０（１０）：２９－３３．
（责编：白燕琼）
檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪
（上接第６页）
ｖａｎｃｅｄ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｆｏｒ Ｅｄ－ｕｃａｔｉｏｎ（ＩＣＡＩＣＴＥ２０１４），２０１４：１９０－１９５．
［３８］柳 虹，徐金华．网络舆情热点发现研究［Ｊ］．科技通报，２０１１（３）．
［３９］夏火松，彭柳艳，余梦麟．自动情感文本分类研究综述［Ｊ］．情报学报，２０１１（５）：５３０－５３９．
［４０］Ｆｅｎｇ Ｃａｏ，Ｚｈｅｎｊｉ Ｚｈａｎｇ ｅｃｔ．Ａ Ｍｏｄｅｌ ｏｆ Ｅｃｏｌｏｇｉｃａｌ Ｍｏｎｉｔｏ－ｒｉｎｇ ａｎｄ Ｒｅｓｐｏｎｓｅ Ｓｙｓｔｅｍ ｆｏｒ Ｉｎｔｅｒｎｅｔ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ ｏｆ Ｍｕｌｔｉｍｅｄｉａ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１４，９（５）：３７３－３９０．
［４１］Ｓｅｖｉｍ Ｃ，Ｏｚｔｅｋｉｎ Ａ，Ｂａｌｉ Ｏ，ｅｔ ａｌ．Ｄｅｖｅｌｏｐｉｎｇ ａｎ Ｅａｒｌｙ Ｗａｒｎ－ｉｎｇ Ｓｙｓｔｅｍ ｔｏ Ｐｒｅｄｉｃｔ Ｃｕｒｒｅｎｃｙ Ｃｒｉｓｅｓ［Ｊ］．Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌｏｆ Ｏｐｅｒａｔｉｏｎａｌ Ｒｅｓｅａｒｃｈ，２０１４，２３７（３）：１０９５－１１０４．
［４２］北大方正研究院．以科技手段辅助网络舆情突发事件的监测分析———方正智思舆情辅助决策支持系统［Ｊ］．信息化建设，２００５（１０）．
［４３］Ｊｉｅ Ｄ，Ｊｕｎｇａｎｇ Ｘ．ＩＰＯＭＳ：ａｎ Ｉｎｔｅｒｎｅｔ Ｐｕｂｌｉｃ Ｏｐｉｎｉｏｎ Ｍｏｎｉｔｏ－ｒｉｎｇ Ｓｙｓｔｅｍ［Ｃ］／／Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ｄｉｇｉｔａｌ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄＷｅｂ Ｔｅｃｈｎｏｌｏｇｉｅｓ，２００９．ＩＣＡＤＩＷＴ＇０９．Ｓｅｃｏｎｄ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ ｔｈｅ．ＩＥＥＥ，２００９：４３３－４３７．［４４］Ｄｉｌｌｏｎ Ｔ，Ｗｕ Ｃ，Ｃｈａｎｇ Ｅ．Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ：Ｉｓｓｕｅｓ ａｎｄ Ｃｈａｌ－ｌｅｎｇｅｓ［Ｃ］／／Ａｄｖａｎｃｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋｉｎｇ ａｎｄ Ａｐｐｌｉｃａ－ｔｉｏｎｓ（ＡＩＮＡ），２０１０ ２４ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ．Ｉｅｅｅ，２０１０：２７－３３．
［４５］Ｄｅｍｉｒｋａｎ Ｈ，Ｄｅｌｅｎ Ｄ．Ｌｅｖｅｒａｇｉｎｇ ｔｈｅ Ｃａｐａｂｉｌｉｔｉｅｓ Ｏｆ Ｓｅｒｖｉｃｅ－Ｏｒｉｅｎｔｅｄ Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍｓ：Ｐｕｔｔｉｎｇ Ａｎａｌｙｔｉｃｓ ａｎｄＢｉｇ Ｄａｔａ ｉｎ Ｃｌｏｕｄ［Ｊ］．Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍｓ，２０１３，５５（１）：４１２－４２１．
［４６］Ｃｈｅｎ，Ｊｉｎｃｈｕａｎ，ｅｔ ａｌ．Ｂｉｇ Ｄａｔａ Ｃｈａｌｌｅｎｇｅ：Ａ Ｄａｔａ Ｍａｎａｇｅ－ｍｅｎｔ Ｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］．Ｆｒｏｎｔｉｅｒｓ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，２０１３，７（２）：１５７－１６４．
［４７］Ｇｕｎａｒａｔｈｎｅ Ｔ，Ｗｕ Ｔ，Ｃｈｏｉ Ｊ Ｙ，ｅｔ ａｌ．Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ Ｐａｒａ－ｄｉｇｍｓ Ｆｏｒ Ｐｌｅａｓｉｎｇｌｙ Ｐａｒａｌｌｅｌ Ｂｉｏｍｅｄｉｃａｌ Ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｃｏｎｃｕｒｒｅｎｃｙ ａｎｄ Ｃｏｍｐｕｔａｔｉｏｎ：Ｐｒａｃｔｉｃｅ ａｎｄ Ｅｘｐｅｒｉｅｎｃｅ，２０１１，２３（１７）：２３３８–２３５４．
［４８］Ｓｈｖａｃｈｋｏ Ｋ，Ｋｕａｎｇ Ｈ，Ｒａｄｉａ Ｓ，ｅｔ ａｌ．Ｔｈｅ Ｈａｄｏｏｐ ＤｉｓｔｒｉｂｕｔｅｄＦｉｌｅ Ｓｙｓｔｅｍ［Ｃ］／／Ｍａｓｓ Ｓｔｏｒａｇｅ Ｓｙｓｔｅｍｓ ａｎｄ Ｔｅｃｈｎｏｌｏｇｉｅｓ（ＭＳＳＴ），２０１０ ＩＥＥＥ２６ｔｈ Ｓｙｍｐｏｓｉｕｍ ｏｎ．ＩＥＥＥ，２０１０：１－１０．［４９］陈彦舟，曹金璇．基于Ｈａｄｏｏｐ的微博舆情监控系统［Ｊ］．计算机系统应用，２０１３，２２（４）：１８－２２．（责编：贺小利）
·
１
２
·
第２期 郭勇陈，等：基于意见领袖的网络论坛舆情演化多主体仿真研究
国内网络舆论文献研究综述 管理学院2011级行政管2班姓名艾尼瓦尔·吾斯曼学号20112555 摘要：互联网的发展为公众参与社会事务提供了开放、互动、自由的环境，公众可以随时在这个公开的环境中表达意见和看法。而公民在网络上表达观点和看法的同时也出现了一些不可避免的负面影响，严重影响了社会和谐，因此近几年以来政府部门和社会看重对网络舆论和网络舆论监督管理，同时对网络舆论进行监督和管理。作者通过收集整理大量的文献，就现在网络所拥有的表象分析，对于舆论所表达的概念，还有出现的问题及其必要性展开梳理，期望能为网络舆论的治理提供全面的总结资料。 关键字：网络舆论、网络论舆监管、文献综述 Development of the Internet for the public to participate in community affairs offers an open, interactive, free environment, the public can express their views and opinions at any time in the open environment. While citizens to express their views and opinions in the network also had a negative impact of some of the inevitable, seriously affected the social harmony, so in recent ye ars since the government and the social value of online public opinion and public opinion manag ement network, while the network of public opinion supervision and management. The authors col lected a lot of literature, the concept of a network of public opinion, necessity, status, and its im pact on the conduct of the system comb, hoping to provide a comprehensive summary of inform ation management for the network of public opinion. 目录 国内网络舆论文献研究综述 (1) 一、网络舆论与网络舆论监管的概念界定 (3) （一）网络舆论的概念 (3) （二）网络舆论的特征 (3) （三）网络舆论形成和传播的主要原因 (4) （四）网络舆论监督和管理的必要性 (4) （五）网络舆论监督和管理的内涵 (4) （六）网络舆论监督和管理的基本原则 (5) 二、国内外网络舆论监督和管理的研究现状 (6) （一）国外网络舆论监督管理的研究现状 (6) （二）国外对于网络舆情引导监督和管理的主要特点有 (7) （三）国内网络舆情监管的研究现状 (8) 三、我国网络舆情监管存在的主要问题 (9) （一）应对网络舆情的态度被动，行动速度迟缓 (9) （二）网络舆情监管部门执行网络法规刚性不强 (9) 四、网络舆情有效监管的路径选择 (10) （一）政府信息公开 (10) （二）加强对网络舆情的引导 (10) （三）完善对网络舆情预防和处理 (11) （四）完善网络立法 (11) （五）提高全民的综合素养 (12) 参考文献 (12) 一、网络舆论与网络舆论监管的概念界定 （一）网络舆论的概念
信息资源管理文献综述 题目：大数据背景下的信息资源管理 系别：信息与工程学院 班级：2015级信本1班 姓名： 学号：1506101015 任课教师： 2017年6月 大数据背景下的信息资源管理 摘要：随着网络信息化时代的日益普遍，我们正处在一个数据爆炸性增长的“大数据”时代，在我们的各个方面都产生了深远的影响。大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力就是大数据技术，这也是一个企业所需要必备的技术。“大数据”一词越来越地别提及与使用，我们用它来描述和定义信息爆炸时代产生的海量数据。就拿百度地图来说，我们在享受它带来的便利的同时，无偿的贡献了我们的“行踪”，比如说我们的上班地点，我们的家庭住址，甚至是我们的出行方式他们也可以知道，但我们不得不接受这个现实，我们每个人在互联网进入大数据时代，都将是透明性的存在。各种数据都在迅速膨胀并变大，所以我们需要对这些数据进行有效的管理并加以合理的运用。
关键词：大数据信息资源管理与利用 目录 大数据概念.......................................................... 大数据定义...................................................... 大数据来源...................................................... 传统数据库和大数据的比较........................................ 大数据技术.......................................................... 大数据的存储与管理.............................................. 大数据隐私与安全................................................ 大数据在信息管理层面的应用.......................................... 大数据在宏观信息管理层面的应用.................................. 大数据在中观信息管理层面的应用.................................. 大数据在微观信息管理层面的应用.................................. 大数据背景下我国信息资源管理现状分析................................ 前言：大数据泛指大规模、超大规模的数据集，因可从中挖掘出有价值 的信息而倍受关注，但传统方法无法进行有效分析和处理.《华尔街日
本科毕业设计(论文)文献综述 学院专业 学生姓名学号 指导教师职称 合作导师职称 论文题目企业进销存系统的设计 文献综述： 摘要：随着当今世界计算机技术的飞速发展，计算机在企业管理中应用的普及，利用计算机实现企业进销存管理势在必行。商品或货物实行信息化管理，可以提高管理水平和工作效率，同时也可以地大限度地减少手工操作带来的失误，对企业内部的一系列资源也进行全面的整合，而企业管理成为在整合、调整过程中主要调整对象。随着企业信息化进程的不断发展企业进销存管理系统在企业管理中都有广泛的应用前景。 关键词：管理，进销存，进销存管理 1 管理信息系统（MIS） 1.1 管理信息系统的产生和概念 企业管理水平是企业经营成败的重要因数，进入二十一世纪后，企业的经营环境发生了巨大的变化，企业面临着知识经济和经济一体化的新局面。“信息化是我国加快实现工业化和现代化的必然选择，坚持以信息化带动工业化，以工业化促进信息化”。信息化被提升到了国家战略层面，企业信息化是企业发展的必经之路。从企业内部来看，必须构建企业的最佳业务流程，通过信息流，协同各生产经营单位和部门的商流、物流和资金流，合理配置企业资源，提高核心企业的竞争能力和市场应变能力。 管理信息系统(MIS)是一个由人、计算机等组成的能进行信息的收集、传递、储存、加工、维护和使用的系统，必然能代替过去大量、繁杂的手工操作。而且知识经济时代最显著的特征是商业企业的结构随着产品技术进步、市场变化而快速变化，时效经济和消费个性化会不断增强。一个优秀的信息系统能使管理者对商业企业了如指掌，用数据帮助企业家瞻前顾后，使企业家能把有限的精力更多地用于处理风险规避上。
语音识别 在计算机技术中，语音识别是指为了达到说话者发音而由计算机生成的功能，利用计算机识别人类语音的技术。（例如，抄录讲话的文本，数据项;经营电子和机械设备;电话的自动化处理），是通过所谓的自然语言处理的计算机语音技术的一个重要元素。通过计算机语音处理技术，来自语音发音系统的由人类创造的声音，包括肺，声带和舌头，通过接触，语音模式的变化在婴儿期、儿童学习认识有不同的模式，尽管由不同人的发音，例如，在音调，语气，强调，语调模式不同的发音相同的词或短语，大脑的认知能力，可以使人类实现这一非凡的能力。在撰写本文时（2008年），我们可以重现，语音识别技术不只表现在有限程度的电脑能力上，在其他许多方面也是有用的。 语音识别技术的挑战 古老的书写系统,要回溯到苏美尔人的六千年前。他们可以将模拟录音通过留声机进行语音播放，直到1877年。然而，由于与语音识别各种各样的问题，语音识别不得不等待着计算机的发展。 首先,演讲不是简单的口语文本——同样的道理,戴维斯很难捕捉到一个note-for-note曲作为乐谱。人类所理解的词、短语或句子离散与清晰的边界实际上是将信号连续的流,而不是听起来: I went to the store yesterday昨天我去商店。单词也可以混合,用Whadd ayawa吗?这代表着你想要做什么。第二,没有一对一的声音和字母之间的相关性。在英语,有略多于5个元音字母——a,e,i,o,u,有时y和w。有超过二十多个不同的元音, 虽然,精确统计可以取决于演讲者的口音而定。但相反的问题也会发生,在那里一个以上的信号能再现某一特定的声音。字母C可以有相同的字母K的声音，如蛋糕，或作为字母S，如柑橘。 此外,说同一语言的人使用不相同的声音,即语言不同,他们的声音语音或模式的组织，有不同的口音。例如“水”这个词,wadder可以显著watter，woader wattah等等。每个人都有独特的音量——男人说话的时候,一般开的最低音，妇女和儿童具有更高的音高(虽然每个人都有广泛的变异和重叠)。发音可以被邻近的声音、说话者的速度和说话者的健康状况所影响，当一个人感冒的时候，就要考虑发音的变化。
第1章决策支持系统概述 ▲数据： 记载下来的事实，客观属性的值 ▲信息： 构成一定含义的一组数据 ▲系统： 由若干相互联系相互制约的元素结合在一起，并具有特定功能的有机整体。 ▲系统的组成： 1、系统由各元素或子系统组成 2、至少包含两个以上的元素 3、各元素之间相互联系或相互制约 4、具有目的性 5、适应环境的变化 ▲数据处理系统： 是对大量数据进行收集、组织、存储、加工与传播的总和 ▲数据处理系统的特征： 1、数据量大； 2、没有特别复杂的运算； 3、时效性强 ▲管理信息系统MIS： 运用系统管理的理论方法，以计算机网络和现代通信技术为手段，对信息进行收集、组织、存储、加工、传播和使用的人机系统。
▲管理信息系统的基本组成： 管理业务应用系统、数据库系统 ▲管理信息系统特点： 1、以数据库系统为基础； 2、数据录入； 3、数据传输； 4、数据存储； 5、数据查询； 6、数据统计； 7、指标计算 ▲决策支持系统： 以管理科学、运筹学、行为科学、控制论为基础，以计算机技术、模拟技术、信息技术为手段，面向半结构化的决策问题，支持决策活动的具有智能作用的人机系统。 ▲决策支持系统主要特征： 1、关注上层管理人员经常遇到的结构化程度不高、规范化不明 确的问题 2、把模拟或分析技术与传统的数据存取和检索技术结合起来 3、易于非计算机专业的人员，以交互会话的方式使用 4、强调对环境及用户决策方法改变的适应性和灵活性 5、提供决策的良好效果 ▲DSS的功能： 1、管理并提供外部信息 2、收集、管理并提供内部信息 3、收集、管理并提供反馈信息 4、存储和管理数学模型 5、修改和添加数据、模型、方法
国内网络舆情研究综述 丁 也 （周口师范学院新闻系 ４６６００１） 【摘 要】自互联网进入中国后，国内关于网络传播的研究一直没有中断过，但对网络舆情的研究尚处起步阶段。作为一个新兴的研究领域，网络舆情研究在理论与实践的紧密结合中不断拓展和创新。为更好地了解国内网络舆情的研究现状，本文根据对“中国期刊网”的检索结果，选取了其中一些有代表性的文献从网络舆情的概念、形成与传播、收集与研判、监控与引导以及网络舆情危机的预警等方面进行综述。 【关键词】网络舆情；传播；研判；引导；预警 随着网络的兴起和网络技术的普及，网络开始成为舆情汇集的新通道、传播的主阵地。作为现实社会舆情问题在网络空间中的延伸，网络舆情也渐渐走上社会发展的舞台，并发挥了越来越重要的作用。为更好地了解国内网络舆情的研究现状，本研究根据对“中国期刊网”的检索结果，试选取其中一些有代表性的研究成果做一综述，以期全面展示已有相关研究成果，供理论界参考借鉴，并以此推动网络舆情研究的进一步深化。 一、网络舆情的概念 周如俊、王天琪（２００５）认为网络舆情从书面上理解就是在互联网上传播的公众对某一“焦点”、“热点”问题所表现的有一定影响力、带有倾向性的意见或言论的情况。刘毅（２００６）认为网络舆情是由各种社会群体构成的公众，在一定的社会空间内，对自己关心或与自身利益紧密相关的各种公共事务所持有的多种情绪、态度和意见交错的总和。徐晓日（２００７）认为网络舆情是社会舆情的一种表现形式，是公众在互联网上公开表达的对某种社会现象或社会问题的具有一定影响力和倾向性的共同意见。纪红、马小洁（２００７）认为网络舆情就是指在网络空间内，围绕舆情因变事项的发生、发展和变化，网民对执政者及其政治取向所持有的态度。 二、网络舆情的形成与传播 一些研究者从新闻传播学维度对网络舆情的形成和传播规律进行了探讨。周如俊、王天琪（２００５）认为网络舆情的形成主要源于社会矛盾、个人意见的扩展以及偶发事件的激发等诱因。张勇锋（２００８）通过对《旅游新报》事件网络舆情信息在“量”和“质”上的梳理与分析，指出网络舆情所表达的观点和立场倾向其根源和指向仍然是现实生活中存在的现象和问题。曹劲松（２０１０）指出，依据时间轴线分析，网络舆情的发展具有“散播———集聚———热议———流行”四个阶段和“爆发、升华、延续”三个关口。刘毅（２００７）认为，电子邮件和新闻组、即时通讯工具、ＢＢＳ、博客和维客四类网络言论传播渠道是网络舆情传播的基本途径。曾润喜、徐 晓林（２０１０）以新浪网新闻《村官疑因考试领先公安局长之子被设套成逃犯》为研究样本，对网络舆情的传播规律进行研究后发现，网络舆情受到新闻刊发时间的影响，与信息获取便捷度正相关；网络舆情受到网络舆情事件涉及地区的影响，与互联网普及率正相关；网络舆情受到使用媒介类型的影响，互联网网民是主体，手机网民逐步增加；网络舆情的网民态度受到情绪的影响，容易指向党政机关和整个社会，呈现一边倒趋势。 三、网络舆情的收集与研判 网络舆情的收集与研判，是目前国内学术界就网络舆情进行研究的一个重要的内容。当前学术界就此问题进行了卓有成效的研究，取得了较为丰硕的理论成果。李雯静、许鑫、陈正权（２００９）根据网络舆情的特点，从指标设计、分类、构建等方面，在网络舆情信息汇集、分析、预警的工作流程中，按照主题将信息分门别类，统计、计算出若干指标值，对舆情进行横向、纵向的监测和评估，筛选出有价值的信息，帮助舆情工作者对舆情突发事件进行研判及态势预测。 郑魁、疏学明、袁宏永（２０１０）根据公共安全网络舆情研究的需求，将中文分词技术应用于突发事件应急管理中，提出基于ＩＣＴＣＬＡＳ分词技术的网络舆情热点信息的自动发现方法，并通过１个突发事件的实例验证了该方法的实用性和可靠性。该方法读入新闻文本并进行分词和词频统计，从词频表中去除停用词，合并多单位关键词得到突发事件热点信息关键词列表，对网络信息及时进行检索，为突发事件应急决策提供技术支持。柳虹、徐金华（２０１１）提出了一个包括舆情信息采集、信息预处理、特征提取、ＶＳＭ生成、热点发现算法和评价指标等几个部分的网络舆情热点发现模型，并通过实验比较了两种算法：Ｋ－ｍｅａｎｓ方法和ＳＶＭ方法，实验结果表明ＳＶＭ对于网络舆情热点发现方面具有比较好的优势。 刘毅（２００６）研究了内容分析法在网络舆情分析中的作用，认为内容分析法在网络上的应用主要体现在对网络的内容挖掘、对网络的结构挖掘和对网络的使用记录挖掘上，内容分析法在网络舆情信息分析中的作用主要体现在三个方面：（１）描述网络中传播的舆情信息；（２）推论网络舆情信息传播主体的意图以及态度和情绪的倾向性；（３）描述和推论网络舆情信息的产生和变化趋势。黄晓斌、赵超（２００９）研究了文本数据挖掘法在网络舆情分析中的作用。文本挖掘的技术主要包括特征提取、文本分类、文本聚类、关联分析、文本总结、趋势预测等。文本挖掘技术在网络舆情信息分析中的应用体现在五个方面：（１）对网络舆情进行描述；（２）对网络— ０ ６—
文献综述 随着社会经济的发展，企业所面临的外部经营环境发生了明显的变化。战略管理和项目管理作为应对变化的有效手段被越来越多的企业所采用，同时，随着企业规模的扩大，项目的数量和规模急剧扩增，企业中的项目越来越多，企业在面临众多项目而资源有限的情况下，如何组织好、协调好多个项目，同时又要使其与企业战略目标一致成为亟待解决的问题。项目组合管理架起了战略管理与项目管理的桥梁，它是帮助实现项目与企业战略相结合的有效理论和工具。 1 项目组合管理理论 项目组合管理要对每一个项目进行商业价值和利益的评判，集合成项目组合的战略价值，去实现一定的组织目标和利益,项目组合不再是简单的进行多个项目的管理[1]。 项目组合管理是将一系列项目纳入到同一个组合当中,这个组合有独立的项目组合评审报告记录了各个项目的目标、成本、时限、专业技术水平、资源、风险和其他的关键因素。然后项目执行主管便能从整体上把握该组合，恰当地配置资源和调整项目，以使部门的利益回报最大化[2]。 项目组合管理是将单个项目、活动和所需资源与公司战略相联系的过程，从而确保投入的有限资源具有最高的价值和最低的风险。此外，这个过程允许贯穿整个组织的战略沟通，进而更好的选择和执行那些支持公司战略的项目和活动，同时剔除那些劣质项目[3]。 项目组合管理是对项目集进行选择、评价、策划、实施、管理的有效过程[4]。 PMI对组合管理的定义为[5]: 项目组合管理不是简单地管理多个项目,每个项目组合都需要根据自身的商业价值和公司战略来评价,并且要实现一定的商业目标或商业利益。 PMBOK2004这样定义项目组合 组织依据其具体的目标来管理项目组合。项目组合管理的目标之一
指纹识别方法的综述 摘 要: 对在指纹的预处理和特征提取、指纹分类、指纹的匹配过程中的方向图、滤波器、神经网络等关 键性原理和技术做了详细的说明,并对在各个过程中用到的方法做了进一步的比较,讨论了各种方法的优越性。 0 引 言 自动指纹识别是上世纪六十年代兴起的,利用计算机取代人工来进行指纹识别的一种方法。近年 来,随着计算机技术的飞速发展,低价位指纹采集仪的出现以及高可靠算法的实现,更使得自动指纹识 别技术越来越多地进入到人们的生活和工作中,自动指纹识别系统的研究和开发正在成为国内外学术 界和商业界的热点。相对于其他生物特征鉴别技术例如语音识别及虹膜识别,指纹识别具有许多独到 的优点,更重要的是它具有很高的实用性和可行性,已经被认为是一种理想的身份认证技术,有着十分 广泛的应用前景,是将来生物特征识别技术的主流。 1 指纹取像 图 1 是一个自动指纹识别系统AFIS(Automated Fingerprint Identification System) 的简单流程。 → → → ↓ ↑ ———— 将一个人的指纹采集下来输入计算机进行处理是指纹自动识别的首要步骤。指纹图像的获取主要利用设备取像,方便实用,比较适合AFIS 。利用设备取像的主要方法又利用光学设备、晶体传感器和超声波来进行。光学取像设备是根据光的全反射原理来设计的。晶体传感器取像是根据谷线和脊线皮肤与传感器之间距离不同而产生的电容不同来设计的。超声波设备取像也是采用光波来取像,但由于超声波波长较短,抗干扰能力较强,所以成像的质量非常好。 2 图像的预处理与特征提取 无论采取哪种方法提取指纹,总会给指纹图像带来各种噪声。预处理的目的就是去除图像中的噪 音,把它变成一幅清晰的点线图,以便于提取正确的指纹特征。预处理是指纹自动识别过程的第一步, 它的好坏直接影响着指纹识别的效果。常用的预处理与特征提取( Image Preprocessing and Feature Ex 2 t raction) 方法的主要步骤包括方向图计算、图像滤波、二值化、细化、提取特征和后处理。当然这些步骤 可以根据系统和应用的具体情况再进行适当变化。文献[ 1 ]提出了基于脊线跟踪的方法能够指纹取像 图像预处理 特征提取 指纹识别 数据库管理
决策支持系统国内外研究现状 摘要：决策支持系统国内外研究现状决策支持系统DSS(DeeisionS即portSystem)是信息系统研究的最新发展阶段。它是运用可供利用的、合适的计算机技术，针对半结构化和非结构化问题，通过人机互换方式帮助和改善管理决策制定的有效性的系统。卫生装备是保证部队平时和战时顺利完成卫勤保障任务的物质基础和重要条件。作为军队后勤战略体系中的重要组成部分，卫生装备发展战略是对未来一个时期军队卫生装备发展的整体谋划，包括对未来一定时期卫生装备整体保障效能的基本取向，对卫生装备发展在高层次、大系统、全方位等方面的综合筹划。它必须适应不同的卫勤保障模式，并随着军事战略和保障要求的变革而发生内在的客观变化，与战场环境及战争样式同步发展。它决定了一个国家在未来一段时期内，军队卫生装备发展的方向和基本要求，其决策是否得当将直接影响到卫勤力量的组成和作用的发挥，直接关系到装备研究成果和平战时卫勤保障的水平。 关键词：卫生装备；决策支持系统； 整个卫生装备发展过程大致可以分为图中两个阶段: 卫生装备发展战略制定阶段和卫 生装备发展战略实施与管理阶段。前一阶段是重点，决定了卫生装备体系建设的方向，后一阶段是在前一阶段的指导下按步骤完成的。在环境评价的基础上，确定可能的威胁来源与威胁程度，从而确定我军可能担负的卫勤保障任务，并进行一系列比较研究，发现我军卫生装备体系的不足之处，从而提出一系列需求方案，再根据合适的方法对各种方案中提出的发展对象进行效能评估研究，将评估结果作为卫生装备发展战略决策的依据。因此，卫生装备发展战略研究的重点就是体现在如何制定战略上。在卫生装备研究方面，决策支持系统已用于卫生装备选型与编配等方面的研究。但在卫生装备发展方向与重点研究中，尚没有较系统的辅助研究手段，大部分发展研究工作都是研究人员根据实际经验和成功的案例进行，已经不能满足卫生装备科学发展的需要。因此巫需建立一个系统、实用的卫生装备发展决策平台，供从事卫勤保障与卫生装备决策的机关和研究人员使用，同时也为全军野战卫生装备论证中心提供决策平台。 国内外研究现状：决策支持系统国内外研究现状决策支持系统DSS(DeeisionS即portSystem)是信息系统研究的最新发展阶段。它是运用可供利用的、合适的计算机技术，针对半结构化和非结构化问题，通过人机互换方式帮助和改善管理决策制定的有效性的系统。目前，DSS 己成为系统工程与计算机应用领域中的重要研究课题。通过国内外相关专家、学者的不断探索和研究，DSS在国内外学术界的理论研究和国民经济的实际应用中得到了 迅猛发展，在军事应用领域也有广阔的发展前景，世界各国都在竞相开发军事应用中的DSS。 国外民用代表性的DSS (1)GeodataAnalysisandnisply System(GADs)这是由IBM研究开发的一个地理 数据分析与显示系统，其作用是用计算机来构造和演示地图，它被用于辅助设计警察的巡逻线路、规划城市发展、安排学校的辖区范围等。 (2)water ware 江河流域综合规划决策支持系统。作为EuxekaEU487计划的最终成果，在墨西哥莱尔玛流域进行应用，以建立水量和水质的平衡，用这种方法可以产生一个取代历史流量资料的稳定流态，用来确定应改进哪些地方的废水处理设施以获取最大的利益。它采用了完全开放式的、模块化的体系，根据集合程度的不同，具有不同的层次和结构。系统包括如下基本结构:a、主菜单程序，用以协调各项独立的任务;b、地理信息系统(GIS)，
信息资源管理文献综述题目：大数据背景下的信息资源管理 系别：信息与工程学院 班级：2015级信本1班 姓名： 学号：1506101015 任课教师： 2017年6月
大数据背景下的信息资源管理 摘要：随着网络信息化时代的日益普遍，我们正处在一个数据爆炸性增长的“大数据”时代，在我们的各个方面都产生了深远的影响。大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力就是大数据技术，这也是一个企业所需要必备的技术。“大数据”一词越来越地别提及与使用，我们用它来描述和定义信息爆炸时代产生的海量数据。就拿百度地图来说，我们在享受它带来的便利的同时，无偿的贡献了我们的“行踪”，比如说我们的上班地点，我们的家庭住址，甚至是我们的出行方式他们也可以知道，但我们不得不接受这个现实，我们每个人在互联网进入大数据时代，都将是透明性的存在。各种数据都在迅速膨胀并变大，所以我们需要对这些数据进行有效的管理并加以合理的运用。 关键词：大数据信息资源管理与利用 目录 大数据概念 (3) 大数据定义 (3) 大数据来源 (3) 传统数据库和大数据的比较 (3) 大数据技术 (4) 大数据的存储与管理 (4)
大数据隐私与安全 (5) 大数据在信息管理层面的应用 (6) 大数据在宏观信息管理层面的应用 (6) 大数据在中观信息管理层面的应用 (7) 大数据在微观信息管理层面的应用 (8) 大数据背景下我国信息资源管理现状分析 (9) 前言：大数据泛指大规模、超大规模的数据集，因可从中挖掘出有价值 的信息而倍受关注，但传统方法无法进行有效分析和处理.《华尔街日 报》将大数据时代、智能化生产和无线网络革命称为引领未来繁荣的大技术变革.“世界经济论坛”报告指出大数据为新财富，价值堪比石油.因此，目前世界各国纷纷将开发利用大数据作为夺取新一轮竞争制高点的重要举措. 当前大数据分析者面临的主要问题有:数据日趋庞大，无论是入库和查询，都出现性能瓶颈;用户的应用和分析结果呈整合趋势，对实时性和响应时间要求越来越高;使用的模型越来越复杂，计算量指数级上升;传统技能和处理方法无法应对大数据挑战. 正文：
数据挖掘简介 数据挖掘的任务 数据挖掘的任务就是从实例集合中找出容易理解的规则和关系。这些规则可以用于预测未来趋势、评价顾客、评估风险或简单地描述和解释给定的数据。通常数据挖掘的任务包括以下几个部分: 数据总结目的是对数据进行浓缩，给出它的紧凑描述。传统的也是最简单的数据总结方法是计算出数据库的各个字段上的求和值、平均值、方差值等统计值，或者用直方图、饼图等图形方式表示。数据挖掘主要关心从数据泛化的角度来讨论数据总结。数据泛化是一种把数据库中的有关数据从低层次抽象到高层次上的过程。数据泛化目前主要有两种技术:多维数据分析方法和面向属性的归纳方法。 多维数据分析方法是一种数据仓库技术，也称作联机分析处理(OLAP，onLineAnalysisProeess)。数据仓库是面向决策支持的、集成的、稳定的、不同时间的历史数据集合。决策的前提是数据分析。在数据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集操作，这类操作的计算量特别大。因此一种很自然的想法是，把汇集操作结果预先计算并存储起来，以便于决策支持系统使用。存储汇集操作结果的地方称作多维数据库。多维数据分析技术已经在决策支持系统中获得了成功的应用，如著名的SAS数据分析软件包、Businessobject公司的决策支持系统Businessobjeet，以及IBM公司的决策分析工具都使用了多维数据分析技术。 采用多维数据分析方法进行数据总结，它针对的是数据仓库，数据仓库存储的是脱机的历史数据。为了处理联机数据，研究人员提出了一种面向属性的归纳方法。它的思路是，直接对用户感兴趣的数据视图(用一般的SQL查询语言即可获得)进行泛化，而不是像多维数据分析方法那样预先就存储好了泛化数据。方法的提出者对这种数据泛化技术称之为面向属性的归纳方法。原始关系经过泛化操作后得到的是一个泛化关系，它从较高的层次上总结了在低层次上的原始关系。有了泛化关系后，就可以对它进行各种深入的操作而生成满足用户需要的知识，如在泛化关系基础上生成特性规则、判别规则、分类规则，以及关联规则等。数据挖掘的分类 数据挖掘所能发现的知识有如下几种: .广义型知识，反映同类事物共同性质的知识; .特征型知识，反映事物各方面的特征知识; .差异型知识，反映不同事物之间属性差别的知识; .关联型知识，反映事物之间依赖或关联的知识; .预测型知识，根据历史的和当前的数据推测未来数据; .偏离型知识。揭示事物偏离常规的异常现象。 所有这些知识都可以在不同的概念层次上被发现，随着概念树的提升，从微观到中观再到宏观，以满足不同用户、不同层次决策的需要。例如，从一家超市的数据仓库中，可以发现的一条典型关联规则可能是“买面包和黄油的顾客十有八九也买牛奶”，也可能是“买食品的顾客几乎都用信用卡”，这种规则对于商家开发和实施客户化的销售计划和策略是非常有用的。 数据挖掘的方法 数据挖掘并非一个完全自动化的过程。整个过程需要考虑数据的所有因素和其预定的效用，然后应用最佳的数据挖掘方法。数据挖掘的方法很重要。在数据挖掘的领域里.有一点已经被广泛地接受，即不管你选择哪种方法，总存在着某种协定。因此对实际情况，应该具体分析，根据累积的经验和优秀的范例选择最佳的方法。数据挖掘中没有免费的午餐，也没
语音识别技术综述 The summarization of speech recognition 张永双 苏州大学 摘要 本文回顾了语音识别技术的发展历史，综述了语音识别系统的结构、分类及基本方法，分析了语音识别技术面临的问题及发展方向。 关键词：语音识别；特征；匹配 Abstact This article review the courses of speech recognition technology progress ,summarize the structure,classifications and basic methods of speech recognition system and analyze the direction and the issues which speech recognition technology development may confront with. Key words: speech recognition;character;matching 引言 语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科，所涉及的领域有信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等，甚至还涉及到人的体态语言（如人民在说话时的表情手势等行为动作可帮助对方理解）。其应用领域也非常广，例如相对于键盘输入方法的语音输入系统、可用于工业控制的语音控制系统及服务领域的智能对话查询系统，在信息高度化的今天，语音识别技术及其应用已成为信息社会不可或缺的重要组成部分。 1.语音识别技术的发展历史 语音识别技术的研究开始二十世纪50年代。1952年，AT&Tbell实验室的Davis等人成功研制出了世界上第一个能识别十个英文数字发音的实验系统：Audry系统。
人工智能发展综述 摘要:概要的阐述下人工智能的概念、发展历史、当前研究热点和实际应用以及未来的发展趋势。 关键词:人工智能; 前景; 发展综述 人工智能(Artificial Intelligence)自1956 年正式问世以来的五十年间已经取得了长足的进展,由于其应用的极其广泛性及存在的巨大研究开发潜力, 吸引了越来越多的科技工作者投入人工智能的研究中去。尤其是八十年代以来出现了世界范围的开发新技术的高潮，许多发达国家的高科技计划的重要内容是计算机技术,而尤以人工智能为其基本重要组成部分。人工智能成为国际公认的当代高技术的核心部分之一。 1什么是人工智能 美国斯坦福大学人工智能研究中心尼尔逊教授给人工智能下了这样一个定义:人工智能是关于知识的学科, 是怎样表示知识以及怎样获得知识并使用知识的科学。从人工智能所实现的功能来定义是智能机器所执行的通常与人类智能有关的功能,如判断、推理、证明、识别学习和问题求解等思维活动。这些反映了人工智能学科的基本思想和基本内容, 即人工智能是研究人类智能活动的规律。若是从实用观点来看,人工智能是一门知识工程学:以知识为对象,研究知识的获取、知识的表示方法和知识的使用。 从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。如果仅从技术的角度来看，人工智能要解决的问题是如何使电脑表现智能化，使电脑能更灵活方效地为人类服务。只要电脑能够表现出与人类相似的智能行为,就算是达到了目的，而不在乎在这过程中电脑是依靠某种算法还是真正理解了。人工智能就是计算机科学中涉及研究、设计和应用智能机器的—个分支，人工智能的目标就是研究怎样用电脑来模仿和执行人脑的某些智力功能，并开发相关的技术产品，建立有关的理论。 2 人工智能历史 当然，人工智能的发展也并不是一帆风顺的，人工智能的研究经历了以下几
江苏科技信息June 2013 ■ 杨菁赵岩 摘要： 文章收集、整理了关于网络舆情及网络舆情预警的国内外研究成果，对研究内容进行了系统梳理，并在此基础上提出了网络舆情及网络舆情预警研究的不足及展望，为该领域进一步研究奠定了文献基础。关键词：网络舆情；预警机制；危机管理 网络舆情及其预警研究综述 网络舆情及网络舆情预警研究是伴随着信息科技的飞速发展而新兴的学科，随着网民数量的大量增加，该领域相关研究的重要性越发凸显。近几年国内外许多学者将研究视角聚焦于网络舆情及网络舆情预警方面的研究。本文收集、整理了该研究方向上的国内外研究成果，对研究内容进行了系统梳理，并在此基础上提出了网络舆情及网络舆情预警方面的研究不足及研究展望，为该领域的发展奠定基础。 １．网络舆情及网络舆情预警的国外研究现状 关于网络舆情及网络舆情的预警研究，国外学者的相关研究主要集中在以下方面。一部分国外学者的研究主要针对互联网对舆情的影响或网络舆情展开。Ｓａｖｉｇｎｙ和Ｈｅａｔｈｅｒ认为，当代社会舆论总体上由大众媒体促成，并通过沟通系统创造出来。互联网作为一种新的沟通工具，与传统的媒介相比对公众舆论 有重要作用。Ｃｈｒｉｓｔｅｎ等通过实验比较了地方、国家和互联网新闻对公众舆论的影响。 Ｋｏｂａｙａｓｈｉ和Ｔｅｔｓｕｒ通过调查互联网的应用对日本舆论的影响，认为互联网是公众获取和理解政府政策的有效工具。除此之外，各国政府还有相应的法律法规对网络言论、信息及一些商业行为进行管理规范，如美国在９．１１后发布的《爱国者法案》和法国的《信息社会法》等。可以看出这些研究虽然与网络舆情有关，但并没有专门以公共事件的网络舆情危机作为研究对象，仅仅从管理角度进行了一些研究。 还有一部分国外学者的研究则主要偏重于危机事件的应对及决策，大多从群体决策理论框架和批判理论角度出发。从２０世纪初开始，学者们就将群体思维用于解决群体讨论、群体决策、群体成员人际关系等问题。一些学者认为，以网络为媒介形成的虚拟社群，其讨论方式、决策方式、人际关系等，都很像一个 小群体，所以出现了许多以群体传播理论研究网络传播行为的论文。另一些学者的研究以批评理论为工具，探讨网络传播群体中成员的社会背景及性别角色以及由此带来的影响，其关注的重点多是不平等和压迫现象。还有一些文献集中于公众舆情对一任政府及政府对一些重大事件的政策评论及影响上，如：对伊拉克和海湾战争的民意研究、对克林顿政府的民意研究等。 ２．网络舆情及网络舆情预警的国内研究现状 我国正处于社会主义民主化和法制化建设和完善的转型时期，伴随着互联网的高速发展，对网络舆情的研究也迫在眉睫，受到各学者的广泛关注。 理论体系方面，当前网络舆情事件应急处理中存在较多问题，如信息的过度控制导致舆情泛滥；应急准备不足，对突发事件响应速度慢；舆情监测分析手段落后；主流媒体在网络空间的引导缺 基金项目：内蒙古自然科学基金面上项目；项目名称：内蒙古经济、资源、环境发展中的公共危机事件网络舆情预警机制研究；项目编号：２０１２ＭＳ１００８。内蒙古教育厅高等学校科学研究重点项目；项目名称：内蒙古经济、资源、环境非均衡发展的公共危机事件网络舆情预警机制研究；项目编号：ＮＪＳＺ１２０４７。 作者简介：杨菁，内蒙古工业大学，讲师，博士。赵岩，内蒙古工业大学，副教授，博士。 战略研究 12
信息资源管理文献综述题目：大数据背景下的信息资源管理系别：信息与工程学院 班级：2015级信本1班 姓名： 学号：1506101015 任课教师： 2017年6月
大数据背景下的信息资源管理 摘要：随着网络信息化时代的日益普遍，我们正处在一个数据爆炸性增长的“大数据”时代，在我们的各个方面都产生了深远的影响。大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力就是大数据技术，这也是一个企业所需要必备的技术。“大数据”一词越来越地别提及与使用，我们用它来描述和定义信息爆炸时代产生的海量数据。就拿百度地图来说，我们在享受它带来的便利的同时，无偿的贡献了我们的“行踪”，比如说我们的上班地点，我们的家庭住址，甚至是我们的出行方式他们也可以知道，但我们不得不接受这个现实，我们每个人在互联网进入大数据时代，都将是透明性的存在。各种数据都在迅速膨胀并变大，所以我们需要对这些数据进行有效的管理并加以合理的运用。 关键词：大数据信息资源管理与利用 目录 大数据概念 (2) 大数据定义 (2) 大数据来源 (2) 传统数据库和大数据的比较 (3) 大数据技术 (3) 大数据的存储与管理 (4) 大数据隐私与安全 (4) 大数据在信息管理层面的应用 (5) 大数据在宏观信息管理层面的应用 (5) 大数据在中观信息管理层面的应用 (6) 大数据在微观信息管理层面的应用 (7) 大数据背景下我国信息资源管理现状分析 (8)
前言：大数据泛指大规模、超大规模的数据集，因可从中挖掘出有价值 的信息而倍受关注，但传统方法无法进行有效分析和处理.《华尔街日 报》将大数据时代、智能化生产和无线网络革命称为引领未来繁荣的 大技术变革.“世界经济论坛”报告指出大数据为新财富，价值堪比 石油.因此，目前世界各国纷纷将开发利用大数据作为夺取新一轮竞 争制高点的重要举措. 当前大数据分析者面临的主要问题有:数据日趋庞大，无论是入 库和查询，都出现性能瓶颈;用户的应用和分析结果呈整合趋势，对 实时性和响应时间要求越来越高;使用的模型越来越复杂，计算量指 数级上升;传统技能和处理方法无法应对大数据挑战. 正文： 大数据概念 大数据定义 维基百科对大数据的定义则简单明了:大数据是指利用常用软件工具捕获、管理和处理数据所耗时间超过可容忍时间的数据集。也就是说大数据是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理 大数据来源 1)来自人类活动:人们通过社会网络、互联网、健康、金融、经济、交通等活动过程所产生的各类数据，包括微博、病人医疗记录、文字、图形、视频等
专业文献综述 （说明：以下所有红色、蓝色文字仅供参考，学生在写作论文时请保留字体、字号，改写或删除掉文字，黑色文字请保留。每一页的上方(天头)和左侧(订口)分别留边25mm，下方(地脚)和右侧(切口)应分别留边20mm，页眉和页脚为0。论文题目使用黑体三号字，小标题使用黑体小四号字，正文使用宋体小四号字；首行缩进2个字符，行距为单倍行距，段前段后为0.5行，字符间距为标准。为保证打印效果，学生在打印前，请将全文字体的颜色统一设置成黑色。以上说明参阅后请自行删除，包括本文本框！！！） 题目: 基于数据仓库的决策支持系统 姓名: 冯君娜 学院: 信息科学技术学院 专业: 计算机科学与技术 班级: 计科14班 学号: 指导教师: 黄芬职称: 副教授 200 年月日 南京农业大学教务处制
基于数据仓库的决策支持系统（3号黑体） 作者：冯君娜指导老师：黄芬（小四宋体） 摘要：随着社会对信息需求的增加，传统的决策支持系统已不能满足需要。本文就近几年正快速发展的新型决策支持系统――基于数据仓库的决策支持系统进行了讨论。文中给出了决策支持系统的概念及特点，分析了传统决策支持系统的不足之处，并在此基础上提出了基于数据仓库的决策支持系统，介绍了它的体系结构，最后对构成这种新型DSS的技术――数据仓库( DW )技术、联机分析处理( OLAP )技术、数据挖掘( DM )技术作了更深一步的探讨。摘要：×××××××××（200—300字，小四宋体）××××××××……… 关键字：决策支持系统；数据仓库；联机分析处理；数据挖掘（×；××；3-5个，小四宋体） Decision Support System And Data Warehouse(3号T imes New Romar）FENG Jun-na，HUANG fen（小四Times New Romar） (Nanjing Agricultural University, College of Information Science and Technology, Jiangsu Nanjing ) Abstract: As the increment of the society's requirement of information, the traditional decision support system can't satisfy the demand. This paper discusses a new type of DSS which develops quickly in recent years ――the DSS based on data warehouse. In this paper the concept and features of DSS are given and the drawbacks of the traditional DSS is analyzed. On the basis of these, the DSS based on data warehouse is proposed, and the architecture structure is introduced. Finally, the data warehouse technique, the online analytical processing technique and the data mining technique is discussed further in the article which make up of the new type of DSS.（小四Times New Romar，200—300个实词） Key words: decision support system；data warehouse；online analytical processing,；data mining×××××；×××（3-5个，小四Times New Romar） 引言：随着数据库技术的不断发展及数据库管理系统的广泛应用，数据库的数据量和规模也在急剧增长。企业要想在当今日益激烈的竞争环境下生存和发展，建立一个企业的决策支持系统( Decision Support System，简称DSS )非常必要。但企业决策者目前已不仅仅满足于对数据的简单维护和查询，而是更希望能有效地对变化的商业环境进行分析，使信息不仅能反映市场变化的瞬间状态，而且还能反映它的历史及趋势,得到数据更深层次的信息，以利于决策支持。数据仓库的出现及决策支持系统工具的充分利用，无疑给决策支持系统的发展注入了新的活力。（前言（引言）：标题用小四号黑体，其它文字用小四宋体） 正文：×××××（标题用小四号黑体，其它文字用小四宋体）×××××××× 1□决策支持系统的概念及特点