互联网的飞速发展,既孕育着机遇,又带来了挑战。一方面,许多网络社交媒介涌入人们的生活,如微信、微博、贴吧等,使得人们在发表自己的言论时不受时间空间的限制,互联网俨然成为了人们思想文化信息的集散地。另一方面,正是由于人们在互联网上发表的言论存在自由性强、受众面广、传播速度快和超越时空性等特点,为虚假违法消息的传播提供途径,容易导致舆情负面危机,互联网因此成为社会舆论的放大器。因此,如何用科学的方法预测网络舆情的发展趋势、并进行有效地引导,对保证国家安全和促进社会和谐有重要的意义。首先,传统的预测方法受技术和数据源限制,多数围绕网络舆情趋势的历史数据本身展开,通过对舆情趋势历史数据进行建模,探究其潜在规律从而达到对舆情未来趋势的变化预测的目的。然而这类预测方法只考虑了单一事件因素,忽视了同类事件对待预测事件舆情趋势的影响。实际生活中,相同或相似的主题、主体和情绪的事件会彼此关联,构成舆情事件群,同一个事件群内的事件往往发展趋势相近,待预测事件的发展趋势难免会受到关联事件的影响,引起自身舆情发展趋势的变化。基于这一现象本文提出了一种基于多维度语义关联特征的LSTM网络舆情趋势预测方法（MSA-LSTM）,提取关联事件语义文本信息,计算主题、主体、情绪与待预测事件的关联度,得出多维度语义关联特征,与单一事件角度特征相结合,作为LSTM神经网络的输入,以此来对网络舆情趋势进行预测。实验结果证明,与基于时间序列和单一事件角度特征的LSTM网络舆情趋势预测方法相比,MSA-LSTM方法得到的预测结果可以更好地拟合舆情趋势的真实值,降低预测误差。接着,由于网络舆情事件存在众多不确定因素,使用LSTM模型进行预测会导致计算复杂度过高,参数量过大等问题,且在训练的过程中也容易出现梯度消失和过拟合现象。针对以上问题,首先,本文采用了一种相比LSTM参数更少更容易收敛的RNN拓展单元GRU来代替LSTM,解决了 LSTM算法复杂度过高,参数量过大的问题;其次,将SDZ方法应用于GRU单元,来对GRU的记忆单元进行概率化的更新,以保证正确信息在网络中向前和向后传递,提高预测准确率;再次,融入L1和L2范数相结合正则化方法约束神经网络中各单元输入权重;最后用softsign函数替代tanh激活函数,避免了梯度消失的问题。对此,本文提出了一种基于MSR-GRU网络舆情趋势预测方法,选择基于多维度语义关联特征的LSTM网络舆情趋势预测方法（MSA-LSTM）和基于多维度语义关联特征的GRU网络舆情趋势预测方法（MSA-GRU）作为对照实验,实验结果显示,MSA-LSTM和MSA-GRU预测方法在舆情趋势预测的问题上预测结果差别并不大,但MSR-GRU方法比MSA-LSTM、MSA-GRU的预测方法得到的舆情趋势更贴近真实值,误差更小,证明了该方法的有效性。