作为一个从事品牌舆情行业多年的老人闲谈一下。

舆情监测，无可避免的就是大数据，所以舆情分析实际上是从几个维度来看。

1、基础层：数据维度，数据量大、范围广，筛选能力强。也就是时效性高、定位能力强。

2、业务层：理解客户需求，抓住分析目标，找准定位。随着互联网数据量级规模的大幅度提升，从海量数据中定位是一件越来越难的事情。无论如何使用搜索技术、知识图谱技术、人工智能技术（主要是NLP），都很难逃离一个BUG，那就是技术对业务痛点难以支持。

下面直接谈干货：

首先分析客户需要的是什么，大部分情况下表面是个报告，实际则大都有其他的想法，舆情产品经理需要揣摩客户真实的内心以及舆论环境对他们的影响。

比如企业，是领导出现了负面新闻，还是产品出现了负面新闻。客户是要分析报告然后安排公关公司处理，还是要一条龙服务？是负面公关压制、SEO处理、发文洗白，还是其他处理方式？是截止到目前时间点的一次性报告，还是持续追踪，还是要明确给出可执行的处置方案？

比如政府相关部门，客户想要的是什么？（该内容我就不在此阐述了）。

如果不是负面公关事件，而是营销活动要分析什么？整个舆情事件是需要数据多一些，还是要把前因后果、各种脉络摸清，像讲故事一样写成报告给客户？

当把这些问题尽量问清楚、搞清楚之后，很多疑问就可以解决了。

真正的分析，或者掏钱多的分析，是一定要加入人工分析的，这也是为什么舆情分析师的岗位一直有存在的价值，而不是被自动化机器所替代。

分析的时候，要从事件本身的发展脉络、网络传播数据、社会影响及网民观点等几个维度来分析。此时，还需要注意数据的假象问题。比如我们发现了一个舆情事件，舆情系统目前主要的定位方式是关键词组合。从语言学角度来说，一个事件的定义是主题词 + 地点 + 特定称呼或形容词 + 人物 + 公司或组织。但这对NLP的技术要求很高，地名有通用列表，但是别名以及地域上下级关系需要自动发现，和人工标注的方法来提高识别准确率。而人名则必须是一个基于AI技术的识别模型，不管是用深度学习还是别的技术。机构和组织名除了可以用已有的库以外，还需要识别模型。当这些关键的实体都能被识别出来之后，一篇文章的大部分关键要素就能被识别出来了，但是描述关系仍然需要通过句法识别以及词性标注来优化，还需要新词发现系统来发现一些特殊的描述，尤其是网民对某个特殊事件起的特定“外号”。

综上所述，一个合格的NLP系统会把一篇文章以上要素和结构都识别出来，然后再做高阶处理。比如一篇文章出现了多个地名，那么这篇文章到底说的是哪个地方？这需要算法识别出核心地点。比如检索关联文章的时候，要发现该地域范围内的所有文章，而不是只盯着某个地名，比如我们要找的是北京市的某个事件，但实际发生地是在朝阳区，甚至是某个小区，这个关联关系也要被发现。除此之外，人物在文中的地域描述、职位描述、形容词以及和其他人的句法描述关系，都可以提取出来，形成网状结构，其实这就是知识图谱的雏形。所以舆情监测的高级阶段肯定是知识图谱化的，分析角度和维度也可以更自由，可以很快发现特殊的网民观点、特殊的人物关联关系等等。

上文中谈了很多维度，但实际上我更喜欢从产品和技术的角度，探讨舆情以及大数据产品。我是品牌营销和舆情监测方向多年的市场负责人，欢迎大家交流。

关注头条号，输入【 舆情 】，1对1 咨询。