提到舆情监测，无可避免的就是大数据，所以舆情分析实际上是从几个维度来看的。
基础层：数据维度，数据量大、范围广，筛选能力强。也就是时效性高、定位能力强。
业务层：理解客户需求，抓住分析目标，找准定位。
随着互联网数据量级规模的大幅度提升，从海量数据中定位是一件越来越难的事情。无论如何使用搜索技术、知识图谱技术、人工智能技术（主要是NLP），都很难逃离一个BUG，那就是技术对业务痛点的难以支持。这一点所有厂商都是且行且珍惜的，所以下面直接谈干货不再谈无聊的理论。
首先要分析客户需要的什么，大部分情况下表面上是个报告，实际上则大都有其他的想法，舆情产品经理需要揣摩客户真正的内心以及业务环境对他们的影响。比如面对企业，是领导出现负面新闻了，还是产品出现负面新闻了，客户只要分析报告然后安排公关公司处理，还是一条龙服务？负面公关压制、SEO处理、发文洗白？这对应的是很多种分析方法，是截止到目前时间点的一次性报告？还是持续追踪？还是要在结尾明确给出可执行的处置方案？
如果是政府组织客户会想要什么？（我就不在此阐述了）如果不是负面公关事件，而是营销活动要分析什么？整个舆情事件是需要数据多一些，还是要把前因后果、各种脉络摸清，像讲故事一样写成报告给客户？
当把这些问题尽量问清楚或搞清楚以后，有很多疑问就可以解决了。真正的分析，或者掏钱多的分析，是一定要加入人工分析的维度的，这也是为什么舆情分析师的岗位一直有存在的价值，而不是被机器完全自动化替代。
分析的时候，要从事件本身的发展脉络维度、网络传播数据的维度、社会影响以及网民观点的几个维度来分析。真实分析的时候，需要注意数据的假象问题，这部分技术角度来说可以处理，但是大部分舆情产品由于算力问题都没能力解决。
比如，如果我们发现了一个舆情事件，所有的舆情系统目前主要的定位方式就是关键词组合。从语言学角度来说，一个事件的定义是主题词+地点+特定称呼或形容词+人物+公司或组织，但是这对NLP的技术要求很高，地名有通用列表，但是别名以及地域上下级关系需要自动发现+人工标注方法来提高识别准确率；而人名则必须是训练出一个基于AI技术的识别模型，不管是用深度学习还是别的技术；机构和组织名除了可以用已有的库以外，还需要训练识别模型。当这些关键的实体能被识别出来以后，一篇文章的大部分关键要素就会被识别出来，但是描述关系仍然需要通过句法识别以及词性标注来优化，还需要新词发现系统来发现一些特殊的描述，尤其是网民会对某个特殊事件起特定“外号”。
综上所述，一个合格的NLP系统会把一篇文章以上要素和结构都识别出来，然后再做一些高阶处理，比如这篇文章出现了多个地名，那么到底这个文章说的是哪个地域的？需要算法识别出来核心地域，而且该地域是范围，如果检索关联文章的时候，要发现该地域范围内所有的文章，而不是只盯着某个地名，比如我们要找的是北京市的某事件，但是实际上发生地是朝阳区，甚至是某个小区，这个关联关系也要发现。除此之外，人物在文中的职位描述、地域描述、形容词以及和其他人的句法描述关系，也都可以提取出来，形成网状结构，其实这就是知识图谱的雏形。
所以舆情监测的高级阶段肯定是知识图谱化的，分析角度和维度也可以更自由，比如可以很快发现特殊的网民观点、特殊的人物关联关系等等。
