食品安全是維護以生命安全和身體健康為主體的公共衛(wèi)生安全、確保國家安全穩(wěn)定和促進社會經(jīng)濟發(fā)展的基石。近年來，隨著中國經(jīng)濟的迅猛增長與居民生活質(zhì)量的持續(xù)提升，公眾對食品消費需求日益多元化與精細化，食品安全問題的重要性更加凸顯，諸如食品添加劑的濫用、假冒偽劣產(chǎn)品的泛濫、農(nóng)獸藥殘留超標等現(xiàn)象屢見不鮮。這些惡性事件不僅嚴重侵害了消費者的身體健康權益，更嚴重沖擊了公眾對食品安全體系的信任基礎。由此造成的網(wǎng)絡輿情便會在社交媒體平臺上迅速引發(fā)公眾的廣泛討論與情感共鳴，形成具有鮮明特色的食品安全網(wǎng)絡輿情。這類網(wǎng)絡輿情不僅映射出公眾對食品安全問題的深切憂慮與關注，更對政府食品安全監(jiān)管效能、企業(yè)社會責任、社會道德倫理等多維度提出了更高要求。鑒于此，政府部門亟需構(gòu)建高效的食品安全網(wǎng)絡輿情分析機制，并從中提煉出網(wǎng)民關注的焦點與情緒傾向，以準確把握輿情發(fā)展態(tài)勢，進而實現(xiàn)對輿情的有效管控。

中國人民公安大學公安管理學院的韓坤、劉忠軼*選取“油罐車混裝食用油”事件作為典型案例，基于大規(guī)模的微博評論數(shù)據(jù)，綜合運用生命周期理論和隱含狄利克雷分布（LDA）主題模型，以及基于大模型情感特征增強的雙向編碼器表示（BERT）-雙向長短期記憶網(wǎng)絡（BiLSTM）-廣義線性模型（GLM）情感分類模型，通過綜合分析網(wǎng)絡輿情主題與情感演化，深入挖掘海量數(shù)據(jù)中的主題信息與情感演化規(guī)律，以期為食品安全網(wǎng)絡輿情的科學應對提供理論支撐與決策參考。

01

研究現(xiàn)狀

1.1 國內(nèi)外研究總體分析

為了綜述國內(nèi)外學者在食品安全網(wǎng)絡輿情領域的研究現(xiàn)狀，本研究采用雙軌檢索策略。以“public opinion +social media + food safety”作為關鍵詞在Web of Science核心庫平臺進行檢索，時間跨度為2010年1月1日至2024年11月30日，獲得英文文獻34 篇。同日，以“食品安全 +網(wǎng)絡輿情”為檢索關鍵詞在中國知網(wǎng)平臺上進行檢索，共獲取中文文獻209 篇，分別采用CiteSpace軟件對這些文獻進行可視化分析，結(jié)果如圖1、2所示。

從英文文獻的研究現(xiàn)狀來看，食品安全網(wǎng)絡輿情的研究主要集中在輿情傳播機制、消費者行為、輿情風險治理及政策應對等方面。而中文文獻則更側(cè)重于食品安全監(jiān)管、大數(shù)據(jù)監(jiān)控、政府治理以及突發(fā)事件應對等領域。相關研究日益關注通過網(wǎng)絡輿情監(jiān)測技術，實現(xiàn)對食品安全風險的有效管理與預警。此外，數(shù)據(jù)安全以及輿情監(jiān)測技術的創(chuàng)新與應用，在國內(nèi)研究中也占據(jù)了重要地位。

1.2 情感分析方法研究

情感分析是自然語言處理（NLP）領域的重要研究方向，旨在通過分析文本數(shù)據(jù)確定其中的情感傾向，主要包括基于情感詞典、基于傳統(tǒng)機器學習及基于深度學習的方法?；谇楦性~典的方法依賴預先構(gòu)建的情感詞典，如SentiWordNet，通過詞匯及其情感值計算文本情感傾向。這種方法可解釋性強，但效果受限于詞典的完整性和準確性?；趥鹘y(tǒng)機器學習的方法是在經(jīng)過文本預處理后，采用人工篩選的方式進行特征選擇，然后用選擇好的特征表示整個文本，最后采用支持向量機、樸素貝葉斯、K最近鄰等分類器識別文本的情感傾向。這種方法依賴特征工程，對于文本中復雜情感表達及上下文依賴性的捕捉能力有限。相比之下，基于深度學習的方法通過構(gòu)造長短時記憶網(wǎng)絡（LSTM）、圖神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡（CNN）等深度學習模型，實現(xiàn)了對數(shù)據(jù)內(nèi)在特征的自動學習與高效提取。這一轉(zhuǎn)變不僅擺脫了情感分析中復雜的規(guī)則設置，還賦予了模型更為卓越的性能表現(xiàn)。目前的前沿研究多采用 BERT等預訓練模型生成文本的向量表示，進而結(jié)合特定分類算法進行情感分類。Liao Wenxiong等使用預訓練模型RoBERTa進行特征提取，并使用文檔關注加強對全文的理解，使RoBERTa能夠更準確地提取文本所表達的情感。Cao Zixuan等使用BERT提取源域與目標域中的文本特征，并將其映射至共享特征空間，以促進跨領域情感信息的共享與遷移，從而實現(xiàn)跨領域的情感分析。

1.3 食品安全網(wǎng)絡輿情研究

食品安全網(wǎng)絡輿情，是指以食品安全事件為核心內(nèi)容，以互聯(lián)網(wǎng)信息技術為載體，以公眾的意見、態(tài)度、情緒為導向的網(wǎng)絡輿情集合體。與一般網(wǎng)絡輿情相比，食品安全網(wǎng)絡輿情是食品安全問題在網(wǎng)絡虛擬層面的一種交互式表現(xiàn)，具有專業(yè)性、復雜性以及關聯(lián)性等特征。在食品安全網(wǎng)絡輿情的研究領域，學者們主要聚焦于食品安全網(wǎng)絡輿情的不同構(gòu)成要素、傳播規(guī)律、風險預警等方面。具體而言，食品安全網(wǎng)絡輿情的構(gòu)成要素具有復雜多樣性，涵蓋網(wǎng)民、政府、企業(yè)及媒體等主體要素、客體要素，以及輿情信息的核心議題。此外，還涉及載體要素，如手機平臺、微博、社交網(wǎng)站等新媒體工具，以及時間與空間維度等關鍵要素。這些構(gòu)成要素在輿情醞釀、發(fā)展及演變的各個階段中扮演著至關重要的角色，對輿情動態(tài)變化的進程產(chǎn)生了深遠的影響。關于食品安全網(wǎng)絡輿情傳播規(guī)律的研究旨在深入剖析輿情從產(chǎn)生到消退的全過程及其影響因素，分為輿情生命周期、關鍵節(jié)點和輿情熱度三大方面。輿情生命周期研究通過細分輿情事件的漲落、序變、沖突及衰變等階段，構(gòu)建管理策略，以指導政府有效導控輿情。食品安全輿情關鍵節(jié)點的研究側(cè)重于從單個或者多個輿情事件中選取關鍵節(jié)點，以探究輿情的傳播特點。而基于熱度的食品安全網(wǎng)絡輿情研究，主要關注熱度的影響因素以及不同社交平臺上的話題熱度變化趨勢。關于食品安全網(wǎng)絡輿情風險預警的研究只要涉及利用大數(shù)據(jù)、人工智能等先進技術，對網(wǎng)絡上與食品安全相關的信息進行全面、及時的監(jiān)測與分析，以預測和評估潛在的食品安全風險。洪巍等以言語行為理論為總體研究框架，構(gòu)建食品安全網(wǎng)絡輿情信息傳播風險評估體系，并基于稀疏性多標簽學習模型，有效識別輿情風險監(jiān)管中的薄弱環(huán)節(jié)，為食品安全網(wǎng)絡輿情的風險監(jiān)測與預警提供決策依據(jù)。

綜上所述，目前針對食品安全網(wǎng)絡輿情的研究內(nèi)容主要聚焦于對網(wǎng)絡輿情信息的靜態(tài)描述，鮮有對其動態(tài)特性和演變規(guī)律的探究。然而，輿情的發(fā)展本質(zhì)上是一個持續(xù)變化的過程，單純依靠靜態(tài)分析手段可能會削弱輿情管理工作的時效性和有效性。鑒于此，本文提出一個融合LDA主題模型與BERT-BiLSTM-GLM情感分類模型的食品安全網(wǎng)絡輿情演化分析框架。以“油罐車混拉食用油”事件為實證案例，從主題與情感兩方面深入剖析食品安全網(wǎng)絡輿情的動態(tài)演變過程，并據(jù)此開展輿情管控策略的決策研究，以期為相關部門提供差異化、精準化的管控策略支持，提升食品安全網(wǎng)絡輿情的應對與管理效能。

02

研究設計

2.1 研究框架

以食品安全事件為研究背景，構(gòu)建一個網(wǎng)絡輿情演化分析框架（圖3），該框架由4 個核心部分組成：首先，進行數(shù)據(jù)采集與預處理，旨在獲取與食品安全事件緊密相關的網(wǎng)絡輿情評論數(shù)據(jù)，并進行必要的數(shù)據(jù)預處理工作；其次，依據(jù)生命周期理論，結(jié)合數(shù)據(jù)的時序特征和線下事件的實際演化情況，對輿情階段進行科學劃分；第三，采用LDA模型對輿情數(shù)據(jù)進行深入的主題挖掘，以進行主題演化分析，并同時運用BERT-BiLSTMGLM模型智能分析輿情各階段所呈現(xiàn)的情感特征和演化規(guī)律；最后，基于主題與情感演化的分析結(jié)果，提煉出有效的管控策略，為決策輸出提供支撐。

2.2 研究方法

2.2.1生命周期界定準則

目前，關于網(wǎng)絡輿情演化的研究多基于生命周期理論進行階段劃分。本文采用蘭月新等劃分的輿情傳播三階段模式，將食品安全網(wǎng)絡輿情生命周期劃分為3 個階段（圖4）。

潛伏期是輿情事件的初始階段。網(wǎng)絡上出現(xiàn)有關事件的初步信息和少量評論，通常由官方媒體或自媒體發(fā)布，但由于關注人數(shù)較少，難以引起廣泛的社會及官方部門關注。隨著信息的傳播和擴散，輿情發(fā)展至擴散期。意見領袖和普通網(wǎng)民等群體開始轉(zhuǎn)發(fā)相關信息，導致輿情關注度、評論量及熱度迅速攀升，事件的影響范圍顯著擴大。此階段是輿情生命周期中最具影響力和傳播力的時期，也是相關部門需密切關注并采取有效應對的關鍵階段。消退期是輿情事件在達到峰值后的減弱階段。當事件得到解決或缺乏新的關注點時，若政府及相關部門能夠采取合理有效的輿情應對措施，輿情熱度和關注度逐漸回落，盡管部分群體仍持續(xù)關注，但總體呈現(xiàn)消退趨勢。

2.2.2基于LDA的輿情主題挖掘

LDA模型是一種基于貝葉斯概率的生成式主題模型。該模型通過文檔主題的概率分布對文檔進行分類，并進一步通過提取同一主題下的文檔內(nèi)容聚類這些主題，具備高效的抽樣推理算法和良好的模型泛化能力。因此，本文選擇LDA模型挖掘輿情發(fā)展各階段中的潛在主題，進而從微博輿情評論數(shù)據(jù)中提取出網(wǎng)民隱含的觀點和態(tài)度。

LDA模型在運行之前需要確定文檔集合中的最優(yōu)主題數(shù)，本文采用困惑度（Perplexity）與一致性（Coherence）結(jié)合的方法確定最優(yōu)主題數(shù)，其計算公式如式（1）、（2）所示：

式中：D表示分詞詞匯集合；M表示文本數(shù)量；Nd、P（wd）分別表示文本d的詞匯數(shù)目與生成概率；P（wi）、P（wj）分別表示單個詞匯wi與wj出現(xiàn)的概率；P（wi，wj）表示兩個詞匯wi與wj同時出現(xiàn)的概率。

2.2.3基于BERT-BiLSTM-GLM模型的情感演化分析

在輿情分析任務中，情感判斷是洞悉公眾態(tài)度、評估社會風險及制定應對策略的核心環(huán)節(jié)。通過精準識別網(wǎng)民情感傾向，能夠揭示事件傳播過程中群體情緒的演化規(guī)律，預警潛在的社會矛盾與輿論危機，并為針對性干預提供科學依據(jù)。為了精確識別微博輿情中所蘊含的情感傾向，本文提出了一種基于大模型情感特征增強的情感分類模型（BERT-BiLSTM-GLM）。該模型由4 個主要層次組成：情感特征增強層、特征提取層、特征融合層和情感分類層，具體結(jié)構(gòu)如圖5所示。首先，使用大型語言模型GLM-4-9B-Chat對輸入文本進行情感特征增強，然后將增強后的文本數(shù)據(jù)與原始數(shù)據(jù)共同輸入至特征提取層提取文本特征，接著通過注意力機制對兩類特征進行深度融合，最后利用Softmax函數(shù)進行情感分類。

1）情感特征增強層

在情感特征增強層采用大語言模型GLM-4-9B-Chat對輸入文本進行情感特征的強化處理。GLM-4-9B模型由智譜AI于2024年6月4日正式發(fā)布，其衍生版本GLM-4-9B-Chat經(jīng)過針對人類語言偏好與理解的深度優(yōu)化，專注于提升語言理解與生成的能力，為文本情感特征的強化提供了技術支撐。首先將GLM-4-9B-Chat部署至本地環(huán)境，然后通過提示詞工程（Prompt）為該大語言模型設定特定角色——語言專家，以此激發(fā)模型深入挖掘并增強原始文本中的情感特征，以提高情感分析的準確性和效率。情感特征增強前后的文本對比如表1所示。

2）情感特征增強層

特征提取層由兩個BERT-BiLSTM復合模型構(gòu)成，分別對經(jīng)過情感特征增強后的文本數(shù)據(jù)與原始文本數(shù)據(jù)進行特征抽取。其中，BERT模型憑借其深層的雙向Transformer編碼器架構(gòu)，能夠高效且雙向地對輸入文本進行語義表征。在此

基礎上，BiLSTM進一步捕獲由BERT提取的特征向量中所蘊含的上下文信息。BiLSTM模型通過構(gòu)建包含前向和后向兩個方向的LSTM網(wǎng)絡結(jié)構(gòu)，實現(xiàn)了對上下文語義信息的有效學習與共享。其計算過程如式（4）～（6）所示：

式中：表示上一時刻隱藏層的狀態(tài)；表示下一時刻隱藏層的狀態(tài)。為前向LSTM生成的隱藏狀態(tài)序列；為反向LSTM生成的隱藏狀態(tài)序列。這兩個狀態(tài)序列被鏈接為h t ，為每個時間步提供完整的上下文信息；x t 表示經(jīng)過BERT模型編碼后，第t個詞或字符位置對應的特征向量。

經(jīng)過上述處理流程，能夠得到經(jīng)情感特征強化后的文本數(shù)據(jù)與原始文本數(shù)據(jù)的特征表示，為后續(xù)的情感分析提供豐富而準確的特征信息。

3）特征融合層

盡管大型語言模型在增強原始文本數(shù)據(jù)的情感特征方面表現(xiàn)出色，但同時也伴隨著過度解讀的風險，導致情感特征偏離原始文本的真實意圖。為解決這一問題，本文引入了注意力機制，旨在動態(tài)融合經(jīng)情感特征增強后的文本數(shù)據(jù)特征與原始文本數(shù)據(jù)特征，達到優(yōu)勢互補、提升分析精度的目的。注意力機制動態(tài)融合的實現(xiàn)方式如式（7）、（8）所示：

式中：W z 為權重矩陣；σ為Sigmoid激活函數(shù)；x o 為原始文本特征；x e 為經(jīng)過情感特征增強后的文本數(shù)據(jù)特征；為融合后的文本特征。

03

實證分析

選取“油罐車混拉食用油”事件作為實證分析對象，其百度指數(shù)變化趨勢如圖6所示。該事件一經(jīng)曝光，便迅速躍升為公眾輿論的焦點，輿情熱度在短時間內(nèi)急劇攀升，形成了多個輿情高峰。另一方面，事件的熱度指數(shù)呈現(xiàn)出明顯的波動性，且該波動狀態(tài)持續(xù)較長時間，這不僅是公眾高度關注與持續(xù)討論的直觀反映，也體現(xiàn)了網(wǎng)民情感共鳴與情緒表達的傳播特性。因此，“油罐車混拉食用油”事件不僅展現(xiàn)了輿情傳播的廣泛性和快速性，還凸顯了公眾社交網(wǎng)絡中的情感傳播特性，為探究社交網(wǎng)絡環(huán)境下的輿情演化機制、規(guī)律及影響提供了有意義的案例素材。

3.1 數(shù)據(jù)采集與預處理

以新浪微博為數(shù)據(jù)來源，采用Python爬蟲技術采集了2024年7月1日至20日期間的熱門微博評論數(shù)據(jù)，共獲取原始數(shù)據(jù)57 914 條。為確保分析的有效性，首先對數(shù)據(jù)進行預處理，包括刪除無效數(shù)據(jù)，如特殊符號“!”“?”及“@用戶名”形式的評論；其次，使用Jieba中文分詞工具進行分詞，并通過自定義詞典和哈爾濱工業(yè)大學停用詞表過濾無意義詞匯；最后，對處理后的文本數(shù)據(jù)進行情感標注，標注工作由3 位具備相關專業(yè)知識的研究人員執(zhí)行，其中-1表示消極，1表示積極。最終獲得有效數(shù)據(jù)48 461 條，作為本文的基礎數(shù)據(jù)。具體數(shù)據(jù)樣本如表2所示。

3.2 微博輿情生命周期劃分

本文借助“輿情通”平臺，采集并分析全網(wǎng)范圍內(nèi)關于“油罐車混拉食用油”輿情事件的信息來源走勢，以此驗證生命周期界定準則有效性。如圖7、8所示，全網(wǎng)信息來源的變動趨勢與微博評論數(shù)量的增減態(tài)勢高度吻合，均呈現(xiàn)出顯著的峰值分布特性，且隨時間推移逐步趨于穩(wěn)定狀態(tài)，符合生命周期界定準則的特征。

基于數(shù)據(jù)分析，“油罐車混拉食用油”輿情事件可劃分為3 個階段：潛伏期（7月1—7日）、擴散期（7月8—11日）和消退期（7月12—20日）。事件起源于7月2日《新京報》對油罐車混裝食用油的報道，因傳播范圍有限處于潛伏階段。7月8日人民日報權威介入后，輿情評論量當日激增至峰值，正式進入擴散期。隨著7月11日國務院食品安全委員會辦公室（以下簡稱食安辦）啟動多部門聯(lián)合處置機制，輿情熱度逐步回落至消退期，7月16日后趨于平穩(wěn)，反映出公眾關注度的理性化轉(zhuǎn)向。此外，8月25日國務院通報調(diào)查結(jié)果雖引發(fā)短暫輿情反彈，但其熱度顯著低于原生輿情，因此，本文主要集中探討原生輿情的演變歷程及其影響機制。

為進一步證明輿情周期劃分的合理性，收集輿情數(shù)據(jù)采集時間區(qū)間的線下相關事件發(fā)展情況，見表3。7月2日《新京報》的首次報道標志潛伏期開始，7月8日權威媒體介入推動輿情擴散，國務院食安辦隨后的迅速響應與信息公開促使輿情逐漸消退。輿情數(shù)量變化與事件發(fā)展情況相符，證明輿情周期劃分符合實際規(guī)律。

3.3 微博輿情主題演化分析

3.3.1主題個數(shù)確定

本文采用困惑度分析與一致性分析則相結(jié)合的方法，通過繪制階段主題數(shù)與困惑度、一致性得分變化的關系圖（圖9），并結(jié)合數(shù)據(jù)分析，確定了潛伏期包含3 個主題，擴散期包含6 個主題，消退期則包含4 個主題。這一判定結(jié)果為后續(xù)的微博輿情主題演化分析提供了關鍵性基礎。

3.3.2 主題演化分析

基于已確定的主題數(shù)量，計算輿情演化各階段對應的“主題-詞語”概率分布。通過LDA主題模型分析，分別提取各階段核心主題及“主題-詞語”概率分布中詞頻排序前8 位的高頻特征詞（表4～6）。

根據(jù)主題的概率分布，輿情各階段主題討論的內(nèi)容側(cè)重點存在差異。在事件初期（潛伏期），輿情圍繞媒體報道和企業(yè)責任展開。媒體通過曝光事件，引發(fā)公眾關注。關鍵詞如“記者”“揭露”“披露”等顯示出媒體在這一階段發(fā)揮的關鍵作用，公眾通過“點贊”“感謝”等表達對媒體監(jiān)督的認同。同時，企業(yè)責任的缺失逐漸成為討論焦點，尤其是中儲糧和食用油監(jiān)管不力的問題，引發(fā)了強烈的公眾反響。此外，“健康”“危害”“菜籽油”等關鍵詞表明公眾開始擔憂食品安全問題。在擴散期，食品安全問題成為輿論的焦點。關鍵詞如“致癌”“殘留”“可怕”等反映了公眾對食用油安全性和健康影響的極度擔憂。同時，呼吁依法維權的聲音加強，公眾期望通過國家和法律途徑保障自身權益。與此同時，涉事企業(yè)如金龍魚、魯花等品牌的信任危機加劇，消費者對品牌選擇產(chǎn)生不安。此外，公眾對監(jiān)管部門的要求更加明確，呼吁加強監(jiān)管和追責，并要求嚴厲懲處涉事企業(yè)和個人。進入消退期后，輿情熱度逐漸下降，但公眾并未停止對事件后續(xù)發(fā)展的關注。對事件調(diào)查結(jié)果和責任追究的公開化要求尤為突出。公眾對事件調(diào)查結(jié)果和責任追究的透明度要求更為迫切，希望了解更多信息，尋求維權途徑。同時，部分輿論開始出現(xiàn)陰謀論的傾向，尤其是對醫(yī)療和保險行業(yè)的利益關聯(lián)進行猜測。在這一階段，盡管輿情熱度有所降低，但公眾仍在密切關注事件的處理進展。

3.4 微博輿情情感演化分析

3.4.1情感分類模型評估

1） 對比試驗

為了驗證所提模型的有效性，將構(gòu)建的食品安全網(wǎng)絡輿情數(shù)據(jù)集按照8∶2的比例劃分為訓練集與測試集，為模型評估提供數(shù)據(jù)基礎。同時，為驗證模型泛化能力，還采用ChnSentiCorp2公開數(shù)據(jù)集進行情感分類測試。該數(shù)據(jù)集包含1 200 條驗證集數(shù)據(jù)、1 200 條測試集數(shù)據(jù)和9 230 條訓練集數(shù)據(jù)，本文將3 個數(shù)據(jù)集合并，同樣按照訓練集與測試集8∶2的比例進行劃分。在參數(shù)設置方面，設定模型訓練輪次（epoch）為10，批處理大小（batch_size）為64，學習率（learning rate）為1×10-5，隱藏層大?。╤idden_size）為768。選取目前主流的情感分析模型BiLSTM、LSTM-CNN、BERT-BiLSTM、CNN-BiGRU進行比較實驗。實驗采用情感分析任務中兩個常用的評價指標，即準確率（Accuracy）與F1值（F1-score）驗證模型的效果。

由表7可知，BERT-BiLSTM-GLM模型在自建數(shù)據(jù)集上的F1值高達98.36%，顯著優(yōu)于其他對比模型。此外，該模型在ChnSentiCorp數(shù)據(jù)集上的F1值也達到了97.63%，具有最優(yōu)的性能表現(xiàn)，表明BERT-BiLSTMGLM模型具備良好的普適性，在不同的數(shù)據(jù)集上均表現(xiàn)出卓越性能。

2）消融實驗

為了驗證BERT-BiLSTM-GLM模型各模塊的有效性，本文對該模型進行模塊刪除的消融實驗，w/o表示在完整模型上去除一些內(nèi)容，GLM表示情感特征增強模塊，BERT表示預訓練模型，Attention表示注意力機制模塊。消融實驗結(jié)果如表8所示。

實驗結(jié)果表明，移除GLM模塊的雙通道模型性能顯著降低，驗證了GLM-4-9B-Chat情感特征增強模塊的有效性。此外，缺失注意力機制將導致模型性能下降，證實其在特征融合方面的關鍵作用。而去除BERT預訓練模型的性能最低，表明預訓練詞向量在構(gòu)建情感語義表征時具有重要作用。

3.4.2情感演化分析

借助BERT-BiLSTM-GLM模型研究情感演化過程，得到不同情感評論數(shù)量和情緒占比時序分布（圖10）。輿情事件各階段情感分布極為不均，消極情感占主導地位，均在60%以上，積極情感比例較低。具體而言，在潛伏期，消極情感占82.66%，積極情感僅占17.34%；進入擴散期后，消極情感占比升至89.41%；至消退期，消極情感降至60.53%，雖有所下降，但仍保持較高水平。此次食品安全事件引發(fā)廣泛關注，網(wǎng)民情緒易極端化，缺乏理性分析，情感分布嚴重失衡。因此，針對該食品安全事件網(wǎng)民普遍持有的消極情感，相關部門需加強情感引導，實時監(jiān)控情感動態(tài)，以緩解網(wǎng)民情緒，防止事態(tài)失控或向惡意方向發(fā)展。

統(tǒng)計各階段情感傾向的討論主題制作詞云圖，將網(wǎng)絡輿情情感分析結(jié)果進行可視化呈現(xiàn)（圖11）。在潛伏期，公眾的積極情感主要表現(xiàn)為對媒體揭露問題的支持和對市場監(jiān)督體系的信任。進入擴散期后，積極情感逐漸聚焦于政府對事件的迅速響應與處理能力上，期待政府能夠積極介入、維護公眾利益。此外，部分公眾呼吁通過合法途徑維權，表現(xiàn)出對國家法律體系的信賴。至消退期，公眾積極肯定政府及時介入調(diào)查并采取行動，同時表達對未來市場監(jiān)管加強、涉事企業(yè)整改及市場環(huán)境透明規(guī)范的期待。

在消極情感的演變方面，潛伏期內(nèi)公眾初次獲知消息后，開始對食品安全及企業(yè)監(jiān)管力度產(chǎn)生疑慮。隨著事件全面擴散，消極情緒迅速擴散，公眾對摻假行為、食用油質(zhì)量問題以及政府監(jiān)管不力表現(xiàn)出強烈的憤怒與不滿，要求嚴厲懲處違法企業(yè)和個人。同時，公眾對食品安全狀況以及后續(xù)品牌選擇的擔憂也顯著增強。即便進入消退期，消極情緒仍未完全消散，公眾對事件的后續(xù)處理保持高度關注。此外，部分公眾關于事件背后可能存在醫(yī)院等利益集團牽涉的猜測，也進一步加深了消極情緒。

04

結(jié) 語

本文構(gòu)建了一個融合主題模型與情感特征增強的食品安全網(wǎng)絡輿情演化分析框架，從主題與情感兩方面探討了網(wǎng)絡輿情的演化規(guī)律?；谳浨樯芷诶碚摚瑢⑹称钒踩W(wǎng)絡輿情劃分為潛伏期、擴散期與消退期3 個階段，并結(jié)合LDA主題模型和BERT-BiLSTM-GLM情感分析模型分析了不同階段輿情主題演變與情感演化特征。根據(jù)研究結(jié)論，提出以下應對策略：

1）基于輿情階段演化的應對策略。在潛伏期，輿情應對的重點是早期識別和精準預警。通過實時跟蹤社交媒體和新聞平臺，及時發(fā)現(xiàn)潛在風險，并發(fā)布權威、真實且及時的信息，避免虛假信息加劇輿情風險。進入擴散期后，輿情關注度迅速上升，信息發(fā)布需“事實優(yōu)先”，政府應全面梳理事件情況，發(fā)布權威聲明，并與媒體和公眾人物保持溝通合作，澄清事實，避免謠言傳播。消退期是鞏固成果與修復信任的關鍵，政府應定期更新處理進展，展示處理成果，恢復公眾信任，并通過正面反饋平息不安情緒，推動輿情平穩(wěn)消退。

2）基于輿情主題與情感演化的應對策略。構(gòu)建綜合輿情監(jiān)控系統(tǒng)，及時發(fā)現(xiàn)輿情議題的演變，實施正面引導策略，防止事態(tài)擴大或引發(fā)二次輿情危機。對于正面情緒的輿情，政府應通過透明的信息發(fā)布、積極的政策宣傳和媒體互動，增強公眾對食品安全管理的信任與認同；而對負面情緒則應迅速回應并提供透明的事件進展，采取分眾化溝通策略，平抑情緒，聯(lián)合社會力量開展食品安全科普教育，轉(zhuǎn)化焦慮為理性思考。

雖然本文構(gòu)建的分析框架為食品安全網(wǎng)絡輿情的演化分析與應對提供了理論支持，但仍存在一定局限性。例如，數(shù)據(jù)源僅限于微博平臺，且數(shù)據(jù)形式局限于文本信息，在一定程度上限制了研究的適用范圍。未來研究可拓寬數(shù)據(jù)來源，納入更多社交媒體平臺及數(shù)據(jù)形式，以探索多模態(tài)視角下的網(wǎng)絡輿情演化機制，進一步提升研究的全面性與普適性。

引文格式：

韓坤, 劉忠軼. 基于主題模型與情感特征增強的食品安全網(wǎng)絡輿情演化分析方法[J]. 食品科學, 2025, 46(23): 367-375. DOI:10.7506/spkx1002-6630-20241219-168.

HAN Kun, LIU Zhongyi. A method for analyzing the evolution of online public opinion on food safety based on topic modeling and sentiment feature enhancement[J]. Food Science, 2025, 46(23): 367-375. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20241219-168.

實習編輯：李杭生；責任編輯：張睿梅。點擊下方閱讀原文即可查看全文。圖片來源于文章原文及攝圖網(wǎng)

為匯聚全球智慧共探產(chǎn)業(yè)變革方向，搭建跨學科、跨國界的協(xié)同創(chuàng)新平臺，由北京食品科學研究院、中國肉類食品綜合研究中心、國家市場監(jiān)督管理總局技術創(chuàng)新中心（動物替代蛋白）、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學、 重慶市農(nóng)業(yè)科學院、 重慶市農(nóng)產(chǎn)品加工業(yè)技術創(chuàng)新聯(lián)盟、重慶工商大學、 重慶三峽科技大學 、西華大學、成都大學、四川旅游學院、北京聯(lián)合大學、 中國-匈牙利食品科學“一帶一路”聯(lián)合實驗室（籌） 共同主辦 的“ 第三屆大食物觀·未來食品科技創(chuàng)新國際研討會 ”， 將于2026年4月25-26日 （4月24日全天報到） 在中國 重慶召開。

長按或微信掃碼進行注冊

為系統(tǒng)提升我國食品營養(yǎng)與安全的科技創(chuàng)新策源能力，加速科技成果向現(xiàn)實生產(chǎn)力轉(zhuǎn)化，推動食品產(chǎn)業(yè)向綠色化、智能化、高端化轉(zhuǎn)型升級，由北京食品科學研究院、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業(yè)大學、安徽農(nóng)業(yè)大學、安徽省食品行業(yè)協(xié)會、安徽大學、合肥大學、合肥師范學院、北京工商大學、中國科技大學附屬第一醫(yī)院臨床營養(yǎng)科、安徽糧食工程職業(yè)學院、安徽省農(nóng)科院農(nóng)產(chǎn)品加工研究所、安徽科技學院、皖西學院、黃山學院、滁州學院、蚌埠學院共同主辦的“第六屆食品科學與人類健康國際研討會”，將于 2026年8月15-16日（8月14日全天報到）在中國 安徽 合肥召開。

長按或微信掃碼進行注冊

會議招商招展

聯(lián)系人：楊紅；電話：010-83152138；手機：13522179918（微信同號）