第一章 引言
随着互联网技术的飞速迭代与社交媒体平台的深度普及，网络空间已演变为社会舆论集散与各类意识形态碰撞的主要场域。极端民族主义情绪作为一种具有强烈排他性与攻击性的非理性社会思潮，极易在信息高度互联的环境中被放大与异化。本研究聚焦于此类情绪的扩散机制，其核心在于利用现代信息技术手段，通过“网络爬虫-情感分析-社会网络”的融合框架，实现对网络舆情演化过程的精准捕捉与科学治理。网络爬虫技术作为数据获取的基础工具，能够根据预设的规则自动抓取各大社交平台上的海量文本数据，为后续分析提供详实的语料支撑；情感分析技术则运用自然语言处理算法，对采集到的非结构化文本进行语义挖掘与情感倾向判别，精准定位含有极端情绪的言论内容，将其与一般性讨论进行有效区分。在此基础上，社会网络分析进一步构建用户间的互动关系模型，通过计算节点中心度、聚类系数等关键指标，清晰揭示极端情绪在不同用户群体间的传播路径、关键节点及其级联效应。这一技术路径的实现，不仅有助于从宏观层面掌握网络舆论场的整体态势，更能从微观层面识别情绪爆发的源头与扩散的枢纽。对于公共管理实践而言，深入理解该机制具有重要的现实意义，它能够为相关部门提供从源头监测、过程预警到精准干预的全流程决策依据，从而将传统的被动应对转变为主动治理，有效维护网络空间的意识形态安全与社会稳定。
第二章 基于“网络爬虫-情感分析-社会网络”融合的极端民族主义情绪扩散机制实证分析
2.1 多技术融合的极端民族主义情绪数据采集与预处理
本研究旨在深入探讨极端民族主义情绪的扩散机制，其首要基础是构建高质量、多源异构的实证数据集。针对极端民族主义情绪具有隐蔽性强、煽动性大及跨平台传播等特点，本研究制定了定向数据采集方案，综合运用网络爬虫技术，重点对微博、知乎及抖音短视频评论区等主流社交平台进行深度数据抓取。在采集过程中，通过设定包含特定民族主义关键词与敏感事件标签的检索规则，确保目标数据的针对性与覆盖面，从而获取能够反映舆论态势的原始文本信息。
鉴于原始网络数据普遍存在格式杂乱、噪声干扰大等质量问题，必须实施严格的数据预处理流程。该流程涵盖四个关键步骤：首先是文本格式修正，统一编码并清理HTML标签及特殊符号，规范文本结构；其次是无效内容过滤，剔除广告、乱码及与主题无关的灌水信息，提升数据纯度；再次是敏感语义标注，对包含极端攻击性、排外性言论的样本进行人工复核与分类标记，为后续情感计算提供基准；最后是停用词去除，建立专用停用词表，过滤无实际语义的虚词与高频通用词。
在“网络爬虫-情感分析-社会网络”融合框架下，数据标准化处理起到了承上启下的关键作用。清洗后的规范数据集不仅能够提高自然语言处理模型在情感倾向判断上的准确率，还能准确映射用户间的互动关系，为构建社会网络拓扑结构提供可靠的节点与边数据。通过上述采集与预处理环节，最终形成了内容完整、标注清晰且结构统一的规范化研究数据集，有力保障了后续极端民族主义情绪演化路径与扩散规律实证分析的科学性与有效性。
2.2 情感分析视角下极端民族主义情绪的特征识别与强度划分
情感分析技术是识别极端民族主义情绪特征的核心手段，其实质是利用自然语言处理算法对网络文本进行语义理解和态度判别。在具体操作中，首先依托预训练情感分析模型，结合极端民族主义的语义特征对采集到的网络文本进行情感标注。这一过程并非简单的正负面分类，而是需要针对特定语境下的激进词汇、排他性话语及煽动性表达进行深度语义匹配，从而确保分析结果的准确性与针对性。在此基础上，研究从情感倾向、传播主题、受众特征、出现场域四个维度提取极端民族主义情绪的核心特征，全面解构其内在构成要素。
为了进一步量化分析，研究基于情感得分结果对极端民族主义情绪进行强度层级划分。通过设定科学的阈值区间，将情绪强度由低至高精准划分为三个层级：潜在隐性极端民族主义情绪、中度外显极端民族主义情绪以及高度极端煽动性情绪。其中，潜在隐性情绪往往表现为模糊的群体焦虑，情感得分较低但潜伏性强；中度外显情绪则表现为明确的对立与排斥，情感得分适中；高度极端煽动性情绪特征最为显著，充斥着强烈的攻击性语言，情感得分极高。通过对不同特征、不同强度极端民族主义情绪的表现规律进行总结，能够厘清其从隐性积累到显性爆发的演变轨迹，为后续制定针对性的治理策略提供坚实的数据支撑与逻辑依据。
2.3 社会网络分析框架下极端民族主义情绪的扩散路径与节点角色
在基于社会网络分析框架研究极端民族主义情绪扩散路径与节点角色的过程中，首要任务是构建符合研究主题的社会网络模型。本研究将微博或论坛中的每一个独立用户定义为网络中的“节点”，而“边”则代表用户之间的关注、转发或评论关系。边的赋值规则依据互动频次与情感强度设定，互动越频繁且情感倾向一致，则连接权重越高，从而形成有向加权网络，以精准映射情绪传播的客观载体。在此基础上，利用节点度、中介中心性、接近中心性及聚类系数等核心指标，对网络结构进行量化测度，这是识别关键节点与理解扩散机制的必由之路。
具体操作中，通过计算节点度数可识别影响力较大的用户，而中介中心性则衡量节点控制信息流动的能力，接近中心性反映节点获取信息的效率。依据这些指标的综合表现，可将网络节点划分为三类角色：核心扩散节点、中转节点与边缘跟随节点。核心扩散节点通常具备高节点度与高中介中心性，是极端民族主义情绪的源头和主要放大器；中转节点起到连接不同社群的桥梁作用，负责将情绪从核心圈层向外围传递；边缘跟随节点则处于网络末梢，多表现为被动接受与盲从。
通过分析这三类节点的交互逻辑，可以清晰梳理出情绪扩散的整体路径：即极端情绪由核心节点发起，经由中转节点的多级接力，最终辐射至广泛的边缘跟随节点。这一过程呈现出明显的层级化特征与“中心-边缘”结构，情绪扩散往往沿着强关系链条迅速蔓延，并在高聚类系数的社群内部形成回音室效应，加剧了极化观点的同质化传播。掌握这一网络结构特征与路径演化规律，能够帮助治理主体在复杂的网络环境中精准锁定关键信源与传播枢纽，从而为实施有效的情绪干预与网络治理提供科学的数据支撑与决策依据。
2.4 多维度交互下极端民族主义情绪扩散的核心驱动因素
个体情感认同作为极端民族主义情绪扩散的内在心理基础，在实证数据中表现出强烈的正向驱动作用。通过对前文情感分析结果的进一步挖掘发现，高强度的负面情绪与民族认同感呈现显著正相关，这种基于非理性的情感共鸣不仅降低了受众对信息的批判性辨识能力，更促成了群体内的同质化聚集。网络结构特征则提供了扩散的客观路径，核心节点用户在传播网络中占据枢纽位置，其“意见领袖”效应极大地缩短了信息传递的层级，使得情绪化内容能够突破圈层壁垒，实现裂变式传播。这种中心化的网络结构赋予了极端情绪以极高的扩散效率，使其在短时间内迅速覆盖广泛的受众群体。
平台内容规制与外部事件触发因素则构成了影响扩散强度的外部变量。分析显示，平台审核机制的滞后性与算法推荐逻辑的偏好性，在客观上为极端言论提供了生存与发酵的空间，导致规制效果未能完全阻断情绪的蔓延。与此同时，外部事件作为关键的导火索，其突发性与议题敏感性能够瞬间激活潜藏的网络情绪，引发传播流量的剧烈波动。这四个核心驱动因素并非孤立存在，而是形成了紧密的交互逻辑：外部事件通过刺激个体情感认同引发初始关注，借助关键节点的网络结构进行快速辐射，并在平台规制的薄弱地带得以持续发酵。多因素共同作用，构建了一个从心理动员到结构支撑，再到环境放大的完整闭环机制，从而精准解释了极端民族主义情绪在网络空间中持续扩散与强化的根本原因。
第三章 结论
本研究通过对网络爬虫技术、情感分析方法与社会网络理论的深度融合，系统构建了极端民族主义情绪的识别、监测与治理模型。从基本定义来看，极端民族主义情绪是指在特定网络社群中，表现出过度排斥异己、盲目排外且具有潜在破坏性的非理性心理状态。本研究的核心原理在于利用数据挖掘技术将抽象的网络舆论转化为可量化的数据指标，进而通过数学模型揭示其内在的演变规律。在操作步骤上，首先利用定向网络爬虫技术，针对社交媒体平台的关键节点进行全天候数据采集，精准抓取包含特定情感倾向的文本信息；随后，运用基于自然语言处理的情感分析算法，对海量非结构化数据进行清洗与语义分析，自动识别并标记出具有极端情绪特征的内容；最后，结合社会网络分析方法，构建情绪传播的拓扑结构图，通过计算节点中心度、网络密度等指标，直观呈现情绪扩散的关键路径与核心群体。这一实现路径不仅实现了从“人工监测”向“智能感知”的跨越，更为理解复杂网络环境下的舆论生成机制提供了科学依据。在实际应用中，该研究成果具有重要的社会治理价值。一方面，它能够帮助政府部门及网络平台管理者建立早期的风险预警机制，通过识别情绪扩散的“引爆点”和“关键意见领袖”，实现对极端苗头的及时干预与精准引导，从而防止负面情绪的恶性聚集与爆发；另一方面，基于量化分析的治理策略能够有效提升公共管理的针对性与实效性，推动网络空间治理模式从被动响应向主动预防转型，对于维护国家安全、促进民族团结以及构建清朗的网络空间具有显著的实践意义。