强化量化研究，增加反映群众诉求的精准性
构建舆情大数据情绪指标，量化反映网民态度。网民分享的评论观点，被认为是公众意见的重要来源，情感分析研究成为了解社情民意的重要方法。目前，机器学习可以对一些常用的情感
表达进行分类，如正面、负面及中立，以及衍生出如高兴、悲伤、恐惧、快乐等复杂情绪。在此基础上，我们结合舆情声量数据和关键词组，通过权重分配和归一化处理，构建舆情大数据情绪分析指标，包括关注度、满意度、期盼度、烦心度、焦虑度等，量化反映网民态度，实时开展话题或者专题监测。如，我们聚焦人民群众的“操心事、烦心事”，在就业收入、物价、教育、食品安全、社会保障、基层治理等方面形成高质量的民生大数据系列报告。我们也对不同维度的舆情大数据情绪分析指标进行组合分析。如，在医药卫生风险研究中，识别出人民群众关注度和焦虑度“双高”的五大风险领域。我们还把舆情大数据情绪分析指标与公开数据、第三方数据等进
专 题
行交叉验证分析。如，在民众对健康期盼的研究中，利用POI数据分析，即对一些地理位置上有意义的点进行分析，发现我国公共运动场所的实际供给区域分布不平衡，与民众对“加强公共健身场地建设和管理”的突出期盼相吻合，准确反映群众期盼诉求。
构建深度学习模型，精准发现扶贫问题线索。深度学习是机器学习领域中的一个研究方向，它模仿人脑的机制来解释数据。我们利用卷积神经网络（CNN）、循环神经网络（RNN）等深度学习算法，构建了关于扶贫方面的精准线索发现模型，能在海量信息中快速准确地筛选出所需的精准线索。利用该模型，我们对易地扶贫搬迁相关网络舆情信息开展了多轮监测，先后对近430万条信息进行了分析，筛选发现有效问题线索近200条，涉及15个省份。从核实的情况看，筛选出的问题线索多数属实，地方据此及时进行了整改，并针对部分苗头性倾向性问题举一反三，有效推动了工作落实，提升了群众满意度。