摘 要：近年来，随着社会经济的发展，信息传播手段的变化，以及民众参与意识的增强，舆 情的产生和传播变得复杂多样，网络舆情也呈现突发性、复杂性和时空性等特征。传统的舆情监督 方法出现效率低、数据不准、不易及时跟踪处理等问题，难以适应菏泽市舆情监督的实际需求。为 此，本文立足于研究人工智能与公共治理融合发展，聚焦“技术、制度、动态”敏捷舆情监督治理 的探讨，深入进行理论探索和实践尝试，以期为菏泽市舆情治理优化提供有效思路和实践方法。 

关键词：人工智能；公共治理；舆情监督；敏捷治理

在社会治理数字化转型深入推进的时代背景下，舆情监 督已然成为社会风险预警与治理效能提升的关键环节。其体系 化、智能化建设是衡量城市治理现代化水平的重要标尺。菏泽 市是鲁西南地区的重要城市之一，近年来在舆情监督领域形成 了具有区域特色的实践范式。

 一、菏泽市舆情监督的现状、困境 及转型必要性

（一）菏泽市舆情监督现状 

菏泽市是鲁西南地区的重要城市，近年来在舆情监督方面 积极探索，充分利用新闻网站、社交网站、政务类热线等12个 渠道进行监测，做到舆情处置及时，实现“检线索、发宣传、 研判准”，形成以任务闭环为核心的全链路。值得一提的是， 菏泽将舆情监督纳入市委专项督查范围，做到与纪检监察、人 大监督“一条线”，有助于治理重心从末端应对向源头预防地 转变。但其目前依旧是以传统的舆情监督模式占主导地位，智 能技术应用还停留在单一领域，尚未形成全流程的智能舆情监督体系。 

（二）菏泽市传统舆情监督模式的现实困境 

全媒体时代，菏泽市传统的舆情监督工作面临多重困境： 首先，舆情监测的视野单一，采取传统媒体抽样监测，对短视 频、快手等新媒体现状的掌控不到位；其次，没有网络舆情监 测分析智能化技术辅助，无法对网络舆情海量信息实现快速抓 取、精准分类，导致舆情研判被动滞后；再次，舆情研判部门 配合不紧密，相关部门内外沟通不畅，应急处置被动；最后， 舆情应对重心滞后，传统的舆情应对模式重视“灭火”，缺乏 对舆情生成的深层次社会矛盾挖掘，缺乏“预防—应对—治 理”的回应闭环意识。 

（三）人工智能赋能菏泽市舆情监督转型的必要性 

传统舆情监督依赖人眼和常规渠道巡查，面对全媒体时代 的海量信息易出现舆情漏报、误判等情况。人工智能的自然语 言理解、情感分析等技术可以抓取全媒体各平台的舆情数据， 准确查找关键信息、识别风险信息，提高舆情监督的广泛性和 时效性。同时，人工智能的智能分析能够洞悉舆情背后所反映 的深层社会矛盾，为治本找到靶心。同时，人工智能可以突破部门间封锁的局面，通过信息共享和智能互联，有效梳理部门 协同舆情处置关系，提升舆情处置的应急能力。因此，引入人 工智能技术，是菏泽市舆情监督转型升级，应对全媒体挑战、 促进治理体系和治理能力现代化的必然选择。

二、人工智能赋能菏泽市舆情监督转型的 实践路径

如技术路线图所示，本研究提出“感知—决策—执行” 智能舆情治理思路，多模数据聚合实现跨平台舆情精准感知， GNN（图神经网络）结合强化学习实现智能决策，设计适用于 人工智能系统的敏捷治理监管制度体系，保证高效的治理执 行。本系统突破大舆情背景下跨平台实时关联分析、实时干预 等难题，实现舆情治理从“被监管”到“能预测”的根本转变。

技术路线图

（一）基于跨平台关联分析的多模态舆情感知技术 

1.跨平台数据采集与融合

跨平台数据采集与融合采用分布式异构打破地域、平台 限制，高效采集大量异构数据。其对社交媒体进行数据收集 时，用分布在各地区的边缘节点采集，能够克服访问限制， 实现每天单个边缘节点采集数据数量达百万级。该平台采集 时采用去重、降噪、格式化等操作进行数据预处理，通过哈 希算法和语义相似度模型去除重复内容，然后将数据通过多模态标准化处理完成格式统一。以电商平台的数据评论举 例，系统可以将语义重复的评论进行合并，对于图片数据， 系统能够通过超分辨率恢复技术来提高图片质量，为后续分 析提供标准化输入。

2.多模态特征提取与融合

多模态特征提取与融合技术构建了多模态的联合表征学 习，可对文本、图像、视频等数据进行高级语义对齐与高阶特 征融合。多模态特征提取阶段采用模态专用的编码器和模态共 享的语义空间映射提取技术。对文本部分而言，直接使用预训 练的语言模型(如BERT[1]、RoBERTa[2]等)得到词语特征向量， 通过自注意力机制汇总为文档级别文本特征；对图像部分使用 卷积层(如ResNet[3]、Vision Transformer[4]等)来捕捉不同尺度的 图像特征，并使用RPN网络[5]获取语义图像中明显的区域；对 视频内容部分使用3D卷积捕捉不同尺度和时序上的信息，同 时使用3D方法分离或削弱音频信息中的语音内容获得其中的 语义信息。

在特征融合阶段，首先计算两个模态间的相似度，例 如：跨模态注意力装置，以跨模态变换器（Cross-Modal Transformer）计算文本—图像、文本—视频等模态间相似度矩 阵，计算两个模态间的关联关系权重，随后使用门控融合网络 （gated fusion network）动态加权上述模态特征，抑制耗时冗 余特征，放大可供补充使用的特征，如在新闻事件检测中，系 统能主动把文本中所提到的“地震”特征和图片所显示的“炸 楼”特征关联权重放大，并把与场景无关的信息如“天空”等 弱化。

（二）基于GNN和RL的动态策略生成 

1.基于GNN的动态图建模

动态图建模用来表示舆情传播的过程，刻画时间维度上 舆情的网络状态。首先，构造用户、帖子、平台等异质的动态 图，用转发、引用等边表示舆情传播的传递过程，边增加时间 戳表示图的演化顺序。同时，还要考虑时刻间的依赖关系， 使用动态图神经网络，自适应地组合相互邻接节点不同时刻信 息，产生汇聚节点，最终得到动态图中舆情的传播路径、情感等各项特征，供给策略生成算法进行下一步的策略生成。

2.RL策略优化与动态决策

利用动态图特征，RL策略优化、动态决策可以对舆情监督 进行实时决策。动态图生成的节点属性、传播路径、舆情结果 是支撑AI决策的基础，本方法可以实现离散动作和连续动作并 行处理，强化学习指导各部门的协同决策，当舆情突变时，模 型能实时更新状态，触发策略的实时修正，最终实现舆情监督 从被动反应到主动预警的升级。

（三）“监测—决策—反馈”敏捷制度的系统设计 

“监测—决策—反馈”敏捷制度需围绕快速响应、动态调 整、闭环优化三大核心构建，通过流程标准化、技术赋能和机 制创新实现高效协同。

1.监测层：构建全域感知网络

舆情监测首要任务是全面接收风险信号，不能因数据来源 单一造成漏洞。首先是实现平台监测无死角，实时监控门户网 站、社交媒体、新闻网站、网帖、新闻自媒体、短视频等主流 媒介，并解析信息、图片（如截屏或表情包）、视频（如直播 或二次剪辑）、音频（如播客）等可能存在的风险信息，然后 针对重要节点进行精准判断，用图数据库的方式标注权重大的 用户，如粉丝数量达到百万级的网络账户，以及常发不良信息 的高风险用户等，为用户提供有针对性的干预监测点。

2.决策层：打造智能决策中枢 

决策层的任务是打造智能决策中枢，实现决策策略的准 确性和及时性。其一，形成标准化策略库。对不同舆情场景的 差异性，例如谣言、集体投诉、突发事件等预先设计一系列模 块式的策略手段，形成“权威账户发声”“声明发布”“法律 追责”等类似标准化动作的预案库。其二，AI赋能决策优化机 制。利用强化学习算法建立策略推荐引擎，用历史案例训练一 个模型，能够针对当前舆情提供最优决策。采用平台化工具强 化部门的配合，如企业微信、钉钉等平台上的舆情工具模块， 将不同部门的职能人员，例如，监测、法务、公关等紧密联 系，实时分享进度，避免“孤岛”等问题。

3.反馈层：构建闭环优化系统

反馈层以建立闭环优化系统为核心任务，目的是通过经验 复盘实现策略改进，形成“监测—决策—优化”的循环提升机 制。策略动态更新、人员能力提高是闭环提升的双轮驱动。一 方面，系统会通过训练实现策略智能化升级，把典型案例积聚 到系统知识库中，供新员工学习使用，也可供AI训练使用；另 一方面，每月开展模拟突发事件演练，如让团队30分钟内输出 突发事件的应对方案，提升快速应对能力，最终达到系统和团 队能力提升的闭环。

三、结语

本文主要分析人工智能赋能菏泽市舆情监督的转型实践， 列举菏泽市舆情监督现状和面临的困境，提出人工智能如何应 用于舆情监督监测、分析、预警、处置全流程。可以发现人工 智能很好地解决了传统舆情监督实践中遇到的问题，极大地提 升了舆情监督工作效率，使菏泽市舆情监督得到了从“经验驱 动”向“大数据驱动”的转型。

基金项目：本文系 2025 年度菏泽市社会科学规划课题“人 工智能赋能菏泽市舆情监督的转型实践研究”阶段性成果

参考文献 

[1]Devlin J, Chang M W, Lee K, et al. BERT: Pre-training  of deep bidirectional transformers for language understanding[EB/ OL]. (2 018-10-11)[2 026-05-25]. ht t ps://a r x iv.org/ abs/1810.04805. 

[2]Liu Y , Ott M , Goyal N ,et al.RoBERTa: A Robustly  Optimized BERT Pretraining Approach[J]. 2019.DOI:10.48550/ arXiv.1907.11692. 

[3]He K , Zhang X , Ren S ,et al.Deep Residual Learning for  Image Recognition[J].IEEE, 2016.DOI:10.1109/CVPR.2016.90. 

[4]Dosovitskiy A , Beyer L , Kolesnikov A ,et al.An Image  is Worth 16x16 Words: Transformers for Image Recognition at  Scale[J]. 2020.DOI:10.48550/arXiv.2010.11929. 

[5]Ren S , He K , Girshick R ,et al.Faster R-CNN: Towards  Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,  2017, 39(6):1137-1149.DOI:10.1109/TPAMI.2016.2577031.