社交媒体是公众获取、参与和传播社会热点问题的主要工具,也是人们寻求社会帮助与支持、进行舆论监督的重要渠道。当信息创造与传播变得愈发普遍,公众试图追溯话题的真实情况。尤其是遇到敏感性议题,如社会安全事件、公共卫生事件、自然灾害等,非理性言论、谣言也会随之出现。个体之间的互动加速舆论的传播,负面情绪的聚集推动舆情爆发。网络舆情的演化反映了社会舆情的变化趋势,其发展过程具有规律性,通过研究网络舆情演化规律可以更好地预测舆情事件的发展趋势。此外,监测网络舆情的演变趋势有利于政府及时采取应急准备、预防暴力、以及维持文明健康的网络环境。本文在情绪认知评价理论的基础上,结合深度学习方法和异常检测算法探究了网络舆情演化规律问题。首先,本文构建了Bi LSTM-GCN情感分类模型。基于BERT构建词向量,利用Bi LSTM创建上下文单词表示,结合LTP构建了图卷积网络对网络舆情文本进行情感分类。接着,基于负面情绪这一指标,本文引入异常检测算法获取舆情演变的异常点,提出了基于情感分析与EDM算法的网络舆情演化模型。进一步地,为探究舆情事件演化的其他适用模型,本文通过实验对比传统的基于Logistic曲线模型和其他异常检测算法,包括STL算法、BOCD算法和SHESD算法。此外,考虑在社交媒体环境下,本文结合复杂适应系统理论分析舆情特征并提出引导策略。网络舆情事件的发生是对家暴现象曝光的一种重要途径,家暴类网络舆情事件的处理有助于推动公共管理的创新与改进。本文选取“宇芽被家暴”事件的高赞评论文本为例,基于31323条有效数据进行处理与分析,相应的研究结论如下:（1）Bi LSTM-GCN情感分类模型的准确率为0.8741,优于传统的情感分析模型。（2）基于EDM算法的舆情演化模型能够有效识别异常点,将舆情事件划分为潜伏期、爆发期和衰退期。在本文案例中,EDM算法识别出两次爆发期。（3）STL和SHESD算法有助于刻画舆情演化规律,但无法实时地监测异常点。BOCD算法则不适合用于舆情监测。（4）舆情本身即为一个复杂适应系统,不同主体相互影响作用,致使舆论爆发。就公共卫生问题而言,政府部门应在舆论潜伏期及时识别求助信息提供线上支援与线下帮助。在舆论爆发期借助媒体力量实时地发布事件真相,深挖问题背后的社会根源、相关的法律法规、解决方案,缓解公众的负面情绪,引导公众正确认识问题,提高政府公信力。