在互联网飞速发展的时代背景下,网络事件层出不穷,当大量网民在网络上对网络事件所引发的社会问题或现象表达其意见、态度、情绪时,便可能会形成网络舆情。若负面、极端等消极信息成为网络舆情的主流,则会产生网络舆情危机风险,特别是诸如“新冠病毒肺炎疫情”重大公共突发事件引发的网络舆情呈现更强的复杂性和不确定性,给社会治理和公共安全管理带来很大困难。若对负面事件所引发的网络舆情没有实施及时有效的引导与治理,则会对社会的公共安全造成很大的消极影响,如何利用相关预测方法有效把握网络舆情发展态势,提高网络舆情引导和治理效率,是当前提高网络舆情治理能力亟待解决的问题之一。本文以贝叶斯理论为基础,通过对静态贝叶斯网络结构学习算法和动态贝叶斯网络结构学习算法优化,利用从新浪微博和百度平台获取的网络舆情事件相关数据,构建基于知识和数据驱动的动态贝叶斯网络的网络舆情危机态势预测模型,并针对实例数据进行网络舆情态势预测。首先,本文针对贝叶斯网络结构学习提出了一种基于微生物遗传算法的混合算法。该算法将最大信息系数和微生物遗传算法结合,采用筛选因子确定初始网络结构,增加种群多样性,优化种群的初始质量,最后通过实验证明该算法的有效性;在动态贝叶斯网络结构学习算法优化过程中,利用改进后的证据理论算法将不同的先验进行融合,并对最大信息系数构建的网络结构进行修正补充,得到融合先验知识的动态贝叶斯网络结构学习算法;最后,根据领域知识构建相应的网络舆情评价指标体系,然后将指标作为贝叶斯网络结构的节点,通过收集、量化指标变量,构建融合先验知识的DBN结构,利用EM算法对其进行参数学习,采用五折交叉验证法对所构建的模型性能进行了验证,并利用该预测模型对“新冠病毒肺炎疫情”事件进行态势分析,提出相应的网络舆情治理建议。本文提出的基于贝叶斯网络的网络舆情态势预测模型,充分考虑了网络舆情先验知识、网络舆情各因素之间的影响规律以及指标之间在时间维度上的依存关系,并能够利用时序数据对在不同时间片上的节点概率进行更新。相比传统的静态贝叶斯网络模型,本文模型具有更优的预测能力,能够为网络舆情应急管理部门提供一些关于舆情治理方面的决策支持。