企业作为市场经济的主体,对市场经济发挥着重要的作用,由于其间有着复杂的“行为”,导致这些复杂“行为”造成的结果千差万别。即便仅仅发生在经营活动中的一个环节,也可能引发舆情,进而影响企业正常的经营活动。目前对于企业网络舆情信息的研究和应用,主要将企业网络舆情的数据作为企业信用评价的一个维度,对于舆情本身的研究主要集中在舆情传播、舆情的情感识别等方面,还缺乏对于舆情内容的深入分析和挖掘。对于很多非上市企业来说,很难获得企业真实的财务数据,多数情况下只能获得公开的企业网络舆情新闻。目前对于企业网络舆情的研究主要存在两类主要问题:（1）企业网络舆情研究目前主要集中在评论文本的情感分析上以及舆情的传播的机制的研究上,主要包括文本的情感倾向性和舆情的起源、传播速度和传播范围。对于舆情的内容深入挖掘较少,如内容的语义分析和关联关系分析,也缺少企业舆情现状和发展趋势等相关研究。（2）企业网络舆情文本的数据量大,主要以半结构化的文本数据为主,通过人工的方式对舆情文本进行主题挖掘、文本分类和语义分析,将耗费大量的人力物力,需要文本挖掘技术和机器学习等技术进行支持。因此,如何通过利用这些企业的网络舆情新闻挖掘企业运行的现状和预测企业发展趋势,已成为了目前研究的热点问题。本文的主要内容包括:（1）构建企业网络舆情研究框架。以乐视的企业网络舆情为例,梳理了企业网络舆情的内涵,即企业网络舆情反映了企业当前经营的现状,指出了企业网络舆情具有演化特征、网络结构化特征和文本数据的非结构化特征;分析了企业网络舆情的影响力,确定了舆情现状分析与舆情预测两个研究目标;根据研究目标,确定了相关研究内容和实现路径,构建了企业网络舆情事件与事理图谱的研究框架。（2）基于语义分析的企业网络舆情事件图谱构建研究。首先,对企业网络舆情中的事件进行抽取,分析文本语句中的命名实体和依存关系,提取以主谓宾关系为主要形式的事件;其次,分析语句的因果关系形式、规则,抽取文本中的因果关系;最后,匹配抽取出的事件和关系,形成企业网络舆情事件图谱。（3）企业网络舆情关键词共现网络研究。提取企业网络舆情关键词,计算关键词的共现频率,生成关键词共现矩阵。通过UCNET和NETDRAW软件对共现矩阵进行社会网络分析,测量指标包括关键词网络中心度、K核网络,分析企业网络舆情当中不同主体、不同事件的影响力,挖掘企业网络舆情中的核心事件。（4）基于机器学习的企业网络舆情事理图谱构建研究。首先,通过Word2vec算法,将主题词转变为向量模式,并通过百万级预训练好的新闻模型,提取出相似的词汇形成企业网络舆情主题词典,为后续事件自动泛化提供预训练数据;其次,构建朴素贝叶斯事件自动泛化分类器,实现抽取事件的一次分类;再次,通过短文本的向量化,计算短文本的相似度,实现事件的二次分类,即事件泛化;最后,计算因果事件之间的转移概率生成企业网络舆情事理图谱,并对具体案例进行分析。本文的创新点包括:（1）提出了基于事件图谱的企业网络舆情演化分析模型。首先,明确了事件图谱的概念,即对具体的企业网络舆情背后的企业危机事件和事件关系,进行梳理及可视化表示;其次,利用自然语言处理技术对企业网络舆情文本进行语义分析,提取企业网络舆情事件和因果关系,构建企业网络舆情当中危机事件发生的先后顺序及因果关系,并以可视化的形式进行展示。（2）设计了基于词共现网络的企业网络舆情事件影响力分析方法。首先,提取企业网络舆情事件中的关键词;其次,根据关键词之间的因果关系和舆情新闻共现关系构建词共现网络;再次,通过网络基本属性、词的中心性和K核对网络中的关键词的影响力分析,推导出舆情事件在企业舆情演化过程中的影响力;最后,对网络相关性对比发现,虽然两类网络展示的角度和侧重点不同,但是网络相关性较高,是对舆情事件影响力分析的相互补充。（3）构建了基于事理图谱的企业网络舆情预测分析模型。首先,通过文献确定了企业危机事件分类标准;其次,基于机器学习算法和词向量相似度计算方法实现了抽取事件的泛化;再次,计算事件之间的转移概率,形成企业网络舆情事理图谱;最后,根据企业网络舆情事理图谱对抽取的案例进行舆情预测。图47幅,表55个,参考文献123篇。