舆情监控对于企业来说，至少有如下三个作用：
1、了解用户的关注点；
2、了解行业热点及竞品动态；
3、快速呈现企业的负面消息，并了解原因，以便快速处理；
大体来说，舆情系统构建的流程包括：数据收集、数据处理、舆情分析、结果呈现。下面以微博信息挖掘为例，快速说明一下舆情系统的构建步骤，每一个步骤内容都有很多学问，这里仅抛砖引玉。
首先，定义问题。微博上时常有对其公司的负面消息，需要对其进行有效地回复以处理。但是，之前人工在网上逐条排查的方式，不仅较消耗人力，而且时而完成处理的时间较晚，造成负面的进一步传播。于是，我们希望能将负面微博自动识别，并将结果第一时间提供给运营或客服团队。
第二，收集数据。文本数据可以通过公司自身的业务数据、第三方接口、爬虫等方式获取。本例中，我们通过爬虫的方式，来爬取相关的微博内容。同时，我们还需要这些微博对应的标识（是否负面），以供之后的训练模型中使用，标识可由运营或客服团队来添加。
第三，数据清洗。对一些确定和问题无关的数据，进行规则过滤。如，负面微博为用户自发发出，来自公司应用分享的微博可能性不大，而且这部分量也很大，则可考虑进行过滤。确定过滤规则需要数据人员对业务和具体问题的理解，很多时候，也应与业务团队讨论确定。虽然我们可以通过算法尽可能的排除不合理数据的干扰，但好的数据作用往往大于好的算法。
第四，中文分词。对于英文文本来说，没有这个问题，而微博必然包含大量的中文，因此分词这步骤必不可少。一般来说，可以通过词库分词，或者隐马尔科夫模型进行自动分词，也可以两者一起使用，如优先词库匹配分词，再通过隐马尔科夫模型做新词发现。中文分词还有很多注意点，这里就不展开了。
第五，构建词袋。就是对分词后的文本进行向量化，以便算法进行调用计算。其中一种做法是，先计算词频，形成由频数构成的矩阵，维度是我们之前的各个分词，因此，往往会形成多维的稀疏矩阵。同时，有些词虽然出现频率很高，但对于结果并没多大影响，如果确定，这些可以通过添加停用词列表来过滤，更一般的做法是，进行tf-idf变换，tf-idf认为，在该文本出现多，但在整个语料库出现较少的词，对应该文本的重要性更高，tf-idf的权值也更高。
第六，训练模型。为了更好地验证模型的泛化能力，不会将全部样本进行训练，我们将样本分为训练集和测试集，这里常用留出法或交叉验证的方式。文本分类识别的常用算法有贝叶斯模型、LDA、神经网络等。依据上文所说的词袋构建规则，这里我们尝试可以选用多项式贝叶斯算法，在训练集上来进行微博的二分类训练。
第七，模型评估。用测试集在刚刚训练好的模型上进行预测。二分类模型的常用评估指标有：精确率(precision)和召回率(recall)，F1值、ROC等。这里特别注意，精确率(precision)和召回率(recall)往往无法同时提高，需要权衡，对于本例中的负面消息识别，我们会对召回率有更高的要求。
第八，生成模型并保存。在确定好选择的算法和参数后，我们再用全部样本进行训练，生成最终的模型，并保存。需要保存的不仅是算法模型，还包括过程中的其他transformer，如构建词袋和tf-idf的转换方式。这些全部transformer就可以用来预测新微博是否是负面微博了。
第九，结果呈现。这里，多数情况下需要前端产品，模块可包括：1、负面微博的清晰展现，并提供对应的微博链接，以便快速定位；2、负面微博若要求全部处理，则要提供勾选是否已处理的选项；3、为了快速了解负面微博的焦点，可根据之前的tf-idf权值，制作词云或排序表格；4、自动识别的微博，并非能保证识别出全部负面消息，因此额外可提供全部微博的列表，供人工查询。同时，提供微博负面标记的功能，类似邮件系统里的垃圾邮件标识，这些可以再次投入训练，这样，我们的系统会越用越智能。