在人们都更倾向于使用移动互联、智能手机的今天,对于网络信息的态度表达也更加快捷、直接,网络成为大众舆情的主要载体,网络舆情应运而生。然而任何事物都有两面性,网络伪舆情也随之出现,并影响和扰乱人们的生活、企业的运作和政府的决策,为了减少其恶劣影响、提升网民的网络体验和优化网络环境,不仅要从稂莠不齐的网络舆情环境中快速识别伪舆情事件,还要对网络伪舆情进行精准分类,让相关部门能“对症下药”。本文以网络热门事件的传播数据为研究对象,使用机器学习的分类和聚类模型以达到上述目的,具体研究内容如下:(1)介绍网络伪舆情分类和识别研究的背景及意义,阐述业内对网络伪舆情的研究现状,总结出指标选取存在事后性、模型选择单一、实际应用效果不清楚等缺陷,然后提出本文的研究方向。(2)分时段、分渠道采集网络舆情事件的实时传播趋势数据,即统计各小时内各个渠道中高影响力用户的传播次数,然后分别绘制真实舆情事件和伪舆情事件的传播趋势图,根据趋势图的区别选取和量化得到第一类指标,包括有效传播时间、热议次数、单位时间内传播量、分渠道占比、传播渠道离散程度等;第二类指标描述的是信息源特征,包括来源渠道和用户影响力指数。然后选择Logistic Regression与SVM两种机器学习模型作为识别网络伪舆情的候选模型,通过模型训练与效果对比确定最佳模型。(3)完成对网络伪舆情的高效识别后,再对网络伪舆情事件进行分类。为了对网络伪舆情内部进行细分,依据舆情事件的特征构建另一套指标体系,主要是影响力指数、持续时间、舆论场占比、峰值传播速度和传播渠道数这类宏观指标。基于新的数据进行聚类分析最后得到三个类别,结合聚类结果和实际传播表现对每个类别总结其特征,最后为相关部门的精准治理提出针对性建议。论文通过对网络舆情数据的定量分析,为提高相关部门防控网络伪舆情提供参考,具有一定的指导意义和现实意义。