社交网络平台逐渐成为互联网用户之间新的信息传播媒介。当一件事情发生时,用户借助社交网络平台发布一些文本、表情、图片等信息,来表达与此相关的态度。这些信息通过社交网络进一步被传播扩散,从而产生一定的社会影响。一方面,舆情作为民意的表现形式,有利于政府及管理部门了解民情,服务民众;另一方面,舆情也可能被不法分子利用煽动群众情绪,破坏社会稳定。这一背景下,舆情监测系统的重要性不言而喻。目前国内的新浪微博能在很大程度上反映了民众的舆情,因此监测微博舆情信息具有重要的现实意义。本文分析了国内外舆情监测的研究现状及其应用系统的运行情况,详细阐述了微博舆情监测系统的需求分析,利用深度学习方面的相关模型,设计并开发了一个微博舆情监测系统。该系统具有数据采集、数据预处理、数据宏观分析、事件追踪、热点事件预测和负向舆情监测等功能。系统核心功能模块及原理如下:1.事件追踪模块。该模块利用Bi-GRU模型和Attention机制构建了事件追踪模型,考虑了信息级联规模随时间动态增加的特点,截取了不同时间区间的级联结构信息,以此作为事件追踪模型的输入,来预测同一信息在未来不同时间区间的传播范围;2.热点事件预测模块。由于事件热度与其级联规模往往呈正相关性,基于这一现象,本模块在事件追踪模型的基础上,嵌入信息级联结构进行信息转发次数预测,并根据预测的转发次数来进行热点事件的判断;3.负向舆情监测模块。该模块对用户发布的微博文本进行jieba分词、建立Bow文档词典,之后结合Bi-LSTM神经网络构建深层情感分类器,实现负向舆情的检测功能。在新浪微博数据上的模拟实验结果表明,该舆情监测系统能够对微博数据的舆情传播趋势进行有效的预测,并对未来热点事件作出准确的预判。该系统未来可应用于收集民意,引导政府及管理部门完善决策,维持社会稳定。