《食品科学》：中国人民公安大学刘忠轶教授等：基于主题模型与情感特征增强的食品安全网络舆情演化分析方法

食品安全是维护以生命安全和身体健康为主体的公共卫生安全、确保国家安全稳定和促进社会经济发展的基石。近年来，随着中国经济的迅猛增长与居民生活质量的持续提升，公众对食品消费需求日益多元化与精细化，食品安全问题的重要性更加凸显，诸如食品添加剂的滥用、假冒伪劣产品的泛滥、农兽药残留超标等现象屡见不鲜。这些恶性事件不仅严重侵害了消费者的身体健康权益，更严重冲击了公众对食品安全体系的信任基础。由此造成的网络舆情便会在社交媒体平台上迅速引发公众的广泛讨论与情感共鸣，形成具有鲜明特色的食品安全网络舆情。这类网络舆情不仅映射出公众对食品安全问题的深切忧虑与关注，更对政府食品安全监管效能、企业社会责任、社会道德伦理等多维度提出了更高要求。鉴于此，政府部门亟需构建高效的食品安全网络舆情分析机制，并从中提炼出网民关注的焦点与情绪倾向，以准确把握舆情发展态势，进而实现对舆情的有效管控。

中国人民公安大学公安管理学院的韩坤、刘忠轶*选取“油罐车混装食用油”事件作为典型案例，基于大规模的微博评论数据，综合运用生命周期理论和隐含狄利克雷分布（LDA）主题模型，以及基于大模型情感特征增强的双向编码器表示（BERT）-双向长短期记忆网络（BiLSTM）-广义线性模型（GLM）情感分类模型，通过综合分析网络舆情主题与情感演化，深入挖掘海量数据中的主题信息与情感演化规律，以期为食品安全网络舆情的科学应对提供理论支撑与决策参考。

01

研究现状

1.1 国内外研究总体分析

为了综述国内外学者在食品安全网络舆情领域的研究现状，本研究采用双轨检索策略。以“public opinion +social media + food safety”作为关键词在Web of Science核心库平台进行检索，时间跨度为2010年1月1日至2024年11月30日，获得英文文献34 篇。同日，以“食品安全 +网络舆情”为检索关键词在中国知网平台上进行检索，共获取中文文献209 篇，分别采用CiteSpace软件对这些文献进行可视化分析，结果如图1、2所示。

从英文文献的研究现状来看，食品安全网络舆情的研究主要集中在舆情传播机制、消费者行为、舆情风险治理及政策应对等方面。而中文文献则更侧重于食品安全监管、大数据监控、政府治理以及突发事件应对等领域。相关研究日益关注通过网络舆情监测技术，实现对食品安全风险的有效管理与预警。此外，数据安全以及舆情监测技术的创新与应用，在国内研究中也占据了重要地位。

1.2 情感分析方法研究

情感分析是自然语言处理（NLP）领域的重要研究方向，旨在通过分析文本数据确定其中的情感倾向，主要包括基于情感词典、基于传统机器学习及基于深度学习的方法。基于情感词典的方法依赖预先构建的情感词典，如SentiWordNet，通过词汇及其情感值计算文本情感倾向。这种方法可解释性强，但效果受限于词典的完整性和准确性。基于传统机器学习的方法是在经过文本预处理后，采用人工筛选的方式进行特征选择，然后用选择好的特征表示整个文本，最后采用支持向量机、朴素贝叶斯、K最近邻等分类器识别文本的情感倾向。这种方法依赖特征工程，对于文本中复杂情感表达及上下文依赖性的捕捉能力有限。相比之下，基于深度学习的方法通过构造长短时记忆网络（LSTM）、图神经网络、卷积神经网络（CNN）等深度学习模型，实现了对数据内在特征的自动学习与高效提取。这一转变不仅摆脱了情感分析中复杂的规则设置，还赋予了模型更为卓越的性能表现。目前的前沿研究多采用 BERT等预训练模型生成文本的向量表示，进而结合特定分类算法进行情感分类。Liao Wenxiong等使用预训练模型RoBERTa进行特征提取，并使用文档关注加强对全文的理解，使RoBERTa能够更准确地提取文本所表达的情感。Cao Zixuan等使用BERT提取源域与目标域中的文本特征，并将其映射至共享特征空间，以促进跨领域情感信息的共享与迁移，从而实现跨领域的情感分析。

1.3 食品安全网络舆情研究

食品安全网络舆情，是指以食品安全事件为核心内容，以互联网信息技术为载体，以公众的意见、态度、情绪为导向的网络舆情集合体。与一般网络舆情相比，食品安全网络舆情是食品安全问题在网络虚拟层面的一种交互式表现，具有专业性、复杂性以及关联性等特征。在食品安全网络舆情的研究领域，学者们主要聚焦于食品安全网络舆情的不同构成要素、传播规律、风险预警等方面。具体而言，食品安全网络舆情的构成要素具有复杂多样性，涵盖网民、政府、企业及媒体等主体要素、客体要素，以及舆情信息的核心议题。此外，还涉及载体要素，如手机平台、微博、社交网站等新媒体工具，以及时间与空间维度等关键要素。这些构成要素在舆情酝酿、发展及演变的各个阶段中扮演着至关重要的角色，对舆情动态变化的进程产生了深远的影响。关于食品安全网络舆情传播规律的研究旨在深入剖析舆情从产生到消退的全过程及其影响因素，分为舆情生命周期、关键节点和舆情热度三大方面。舆情生命周期研究通过细分舆情事件的涨落、序变、冲突及衰变等阶段，构建管理策略，以指导政府有效导控舆情。食品安全舆情关键节点的研究侧重于从单个或者多个舆情事件中选取关键节点，以探究舆情的传播特点。而基于热度的食品安全网络舆情研究，主要关注热度的影响因素以及不同社交平台上的话题热度变化趋势。关于食品安全网络舆情风险预警的研究只要涉及利用大数据、人工智能等先进技术，对网络上与食品安全相关的信息进行全面、及时的监测与分析，以预测和评估潜在的食品安全风险。洪巍等以言语行为理论为总体研究框架，构建食品安全网络舆情信息传播风险评估体系，并基于稀疏性多标签学习模型，有效识别舆情风险监管中的薄弱环节，为食品安全网络舆情的风险监测与预警提供决策依据。

综上所述，目前针对食品安全网络舆情的研究内容主要聚焦于对网络舆情信息的静态描述，鲜有对其动态特性和演变规律的探究。然而，舆情的发展本质上是一个持续变化的过程，单纯依靠静态分析手段可能会削弱舆情管理工作的时效性和有效性。鉴于此，本文提出一个融合LDA主题模型与BERT-BiLSTM-GLM情感分类模型的食品安全网络舆情演化分析框架。以“油罐车混拉食用油”事件为实证案例，从主题与情感两方面深入剖析食品安全网络舆情的动态演变过程，并据此开展舆情管控策略的决策研究，以期为相关部门提供差异化、精准化的管控策略支持，提升食品安全网络舆情的应对与管理效能。

02

研究设计

2.1 研究框架

以食品安全事件为研究背景，构建一个网络舆情演化分析框架（图3），该框架由4 个核心部分组成：首先，进行数据采集与预处理，旨在获取与食品安全事件紧密相关的网络舆情评论数据，并进行必要的数据预处理工作；其次，依据生命周期理论，结合数据的时序特征和线下事件的实际演化情况，对舆情阶段进行科学划分；第三，采用LDA模型对舆情数据进行深入的主题挖掘，以进行主题演化分析，并同时运用BERT-BiLSTMGLM模型智能分析舆情各阶段所呈现的情感特征和演化规律；最后，基于主题与情感演化的分析结果，提炼出有效的管控策略，为决策输出提供支撑。

2.2 研究方法

2.2.1生命周期界定准则

目前，关于网络舆情演化的研究多基于生命周期理论进行阶段划分。本文采用兰月新等划分的舆情传播三阶段模式，将食品安全网络舆情生命周期划分为3 个阶段（图4）。

潜伏期是舆情事件的初始阶段。网络上出现有关事件的初步信息和少量评论，通常由官方媒体或自媒体发布，但由于关注人数较少，难以引起广泛的社会及官方部门关注。随着信息的传播和扩散，舆情发展至扩散期。意见领袖和普通网民等群体开始转发相关信息，导致舆情关注度、评论量及热度迅速攀升，事件的影响范围显著扩大。此阶段是舆情生命周期中最具影响力和传播力的时期，也是相关部门需密切关注并采取有效应对的关键阶段。消退期是舆情事件在达到峰值后的减弱阶段。当事件得到解决或缺乏新的关注点时，若政府及相关部门能够采取合理有效的舆情应对措施，舆情热度和关注度逐渐回落，尽管部分群体仍持续关注，但总体呈现消退趋势。

2.2.2基于LDA的舆情主题挖掘

LDA模型是一种基于贝叶斯概率的生成式主题模型。该模型通过文档主题的概率分布对文档进行分类，并进一步通过提取同一主题下的文档内容聚类这些主题，具备高效的抽样推理算法和良好的模型泛化能力。因此，本文选择LDA模型挖掘舆情发展各阶段中的潜在主题，进而从微博舆情评论数据中提取出网民隐含的观点和态度。

LDA模型在运行之前需要确定文档集合中的最优主题数，本文采用困惑度（Perplexity）与一致性（Coherence）结合的方法确定最优主题数，其计算公式如式（1）、（2）所示：

式中：D表示分词词汇集合；M表示文本数量；Nd、P（wd）分别表示文本d的词汇数目与生成概率；P（wi）、P（wj）分别表示单个词汇wi与wj出现的概率；P（wi，wj）表示两个词汇wi与wj同时出现的概率。

2.2.3基于BERT-BiLSTM-GLM模型的情感演化分析

在舆情分析任务中，情感判断是洞悉公众态度、评估社会风险及制定应对策略的核心环节。通过精准识别网民情感倾向，能够揭示事件传播过程中群体情绪的演化规律，预警潜在的社会矛盾与舆论危机，并为针对性干预提供科学依据。为了精确识别微博舆情中所蕴含的情感倾向，本文提出了一种基于大模型情感特征增强的情感分类模型（BERT-BiLSTM-GLM）。该模型由4 个主要层次组成：情感特征增强层、特征提取层、特征融合层和情感分类层，具体结构如图5所示。首先，使用大型语言模型GLM-4-9B-Chat对输入文本进行情感特征增强，然后将增强后的文本数据与原始数据共同输入至特征提取层提取文本特征，接着通过注意力机制对两类特征进行深度融合，最后利用Softmax函数进行情感分类。

1）情感特征增强层

在情感特征增强层采用大语言模型GLM-4-9B-Chat对输入文本进行情感特征的强化处理。GLM-4-9B模型由智谱AI于2024年6月4日正式发布，其衍生版本GLM-4-9B-Chat经过针对人类语言偏好与理解的深度优化，专注于提升语言理解与生成的能力，为文本情感特征的强化提供了技术支撑。首先将GLM-4-9B-Chat部署至本地环境，然后通过提示词工程（Prompt）为该大语言模型设定特定角色——语言专家，以此激发模型深入挖掘并增强原始文本中的情感特征，以提高情感分析的准确性和效率。情感特征增强前后的文本对比如表1所示。

2）情感特征增强层

特征提取层由两个BERT-BiLSTM复合模型构成，分别对经过情感特征增强后的文本数据与原始文本数据进行特征抽取。其中，BERT模型凭借其深层的双向Transformer编码器架构，能够高效且双向地对输入文本进行语义表征。在此

基础上，BiLSTM进一步捕获由BERT提取的特征向量中所蕴含的上下文信息。BiLSTM模型通过构建包含前向和后向两个方向的LSTM网络结构，实现了对上下文语义信息的有效学习与共享。其计算过程如式（4）～（6）所示：

式中：表示上一时刻隐藏层的状态；表示下一时刻隐藏层的状态。为前向LSTM生成的隐藏状态序列；为反向LSTM生成的隐藏状态序列。这两个状态序列被链接为h t ，为每个时间步提供完整的上下文信息；x t 表示经过BERT模型编码后，第t个词或字符位置对应的特征向量。

经过上述处理流程，能够得到经情感特征强化后的文本数据与原始文本数据的特征表示，为后续的情感分析提供丰富而准确的特征信息。

3）特征融合层

尽管大型语言模型在增强原始文本数据的情感特征方面表现出色，但同时也伴随着过度解读的风险，导致情感特征偏离原始文本的真实意图。为解决这一问题，本文引入了注意力机制，旨在动态融合经情感特征增强后的文本数据特征与原始文本数据特征，达到优势互补、提升分析精度的目的。注意力机制动态融合的实现方式如式（7）、（8）所示：

式中：W z 为权重矩阵；σ为Sigmoid激活函数；x o 为原始文本特征；x e 为经过情感特征增强后的文本数据特征；为融合后的文本特征。

03

实证分析

选取“油罐车混拉食用油”事件作为实证分析对象，其百度指数变化趋势如图6所示。该事件一经曝光，便迅速跃升为公众舆论的焦点，舆情热度在短时间内急剧攀升，形成了多个舆情高峰。另一方面，事件的热度指数呈现出明显的波动性，且该波动状态持续较长时间，这不仅是公众高度关注与持续讨论的直观反映，也体现了网民情感共鸣与情绪表达的传播特性。因此，“油罐车混拉食用油”事件不仅展现了舆情传播的广泛性和快速性，还凸显了公众社交网络中的情感传播特性，为探究社交网络环境下的舆情演化机制、规律及影响提供了有意义的案例素材。

3.1 数据采集与预处理

以新浪微博为数据来源，采用Python爬虫技术采集了2024年7月1日至20日期间的热门微博评论数据，共获取原始数据57 914 条。为确保分析的有效性，首先对数据进行预处理，包括删除无效数据，如特殊符号“!”“?”及“@用户名”形式的评论；其次，使用Jieba中文分词工具进行分词，并通过自定义词典和哈尔滨工业大学停用词表过滤无意义词汇；最后，对处理后的文本数据进行情感标注，标注工作由3 位具备相关专业知识的研究人员执行，其中-1表示消极，1表示积极。最终获得有效数据48 461 条，作为本文的基础数据。具体数据样本如表2所示。

3.2 微博舆情生命周期划分

本文借助“舆情通”平台，采集并分析全网范围内关于“油罐车混拉食用油”舆情事件的信息来源走势，以此验证生命周期界定准则有效性。如图7、8所示，全网信息来源的变动趋势与微博评论数量的增减态势高度吻合，均呈现出显著的峰值分布特性，且随时间推移逐步趋于稳定状态，符合生命周期界定准则的特征。

基于数据分析，“油罐车混拉食用油”舆情事件可划分为3 个阶段：潜伏期（7月1—7日）、扩散期（7月8—11日）和消退期（7月12—20日）。事件起源于7月2日《新京报》对油罐车混装食用油的报道，因传播范围有限处于潜伏阶段。7月8日人民日报权威介入后，舆情评论量当日激增至峰值，正式进入扩散期。随着7月11日国务院食品安全委员会办公室（以下简称食安办）启动多部门联合处置机制，舆情热度逐步回落至消退期，7月16日后趋于平稳，反映出公众关注度的理性化转向。此外，8月25日国务院通报调查结果虽引发短暂舆情反弹，但其热度显著低于原生舆情，因此，本文主要集中探讨原生舆情的演变历程及其影响机制。

为进一步证明舆情周期划分的合理性，收集舆情数据采集时间区间的线下相关事件发展情况，见表3。7月2日《新京报》的首次报道标志潜伏期开始，7月8日权威媒体介入推动舆情扩散，国务院食安办随后的迅速响应与信息公开促使舆情逐渐消退。舆情数量变化与事件发展情况相符，证明舆情周期划分符合实际规律。

3.3 微博舆情主题演化分析

3.3.1主题个数确定

本文采用困惑度分析与一致性分析则相结合的方法，通过绘制阶段主题数与困惑度、一致性得分变化的关系图（图9），并结合数据分析，确定了潜伏期包含3 个主题，扩散期包含6 个主题，消退期则包含4 个主题。这一判定结果为后续的微博舆情主题演化分析提供了关键性基础。

3.3.2 主题演化分析

基于已确定的主题数量，计算舆情演化各阶段对应的“主题-词语”概率分布。通过LDA主题模型分析，分别提取各阶段核心主题及“主题-词语”概率分布中词频排序前8 位的高频特征词（表4～6）。

根据主题的概率分布，舆情各阶段主题讨论的内容侧重点存在差异。在事件初期（潜伏期），舆情围绕媒体报道和企业责任展开。媒体通过曝光事件，引发公众关注。关键词如“记者”“揭露”“披露”等显示出媒体在这一阶段发挥的关键作用，公众通过“点赞”“感谢”等表达对媒体监督的认同。同时，企业责任的缺失逐渐成为讨论焦点，尤其是中储粮和食用油监管不力的问题，引发了强烈的公众反响。此外，“健康”“危害”“菜籽油”等关键词表明公众开始担忧食品安全问题。在扩散期，食品安全问题成为舆论的焦点。关键词如“致癌”“残留”“可怕”等反映了公众对食用油安全性和健康影响的极度担忧。同时，呼吁依法维权的声音加强，公众期望通过国家和法律途径保障自身权益。与此同时，涉事企业如金龙鱼、鲁花等品牌的信任危机加剧，消费者对品牌选择产生不安。此外，公众对监管部门的要求更加明确，呼吁加强监管和追责，并要求严厉惩处涉事企业和个人。进入消退期后，舆情热度逐渐下降，但公众并未停止对事件后续发展的关注。对事件调查结果和责任追究的公开化要求尤为突出。公众对事件调查结果和责任追究的透明度要求更为迫切，希望了解更多信息，寻求维权途径。同时，部分舆论开始出现阴谋论的倾向，尤其是对医疗和保险行业的利益关联进行猜测。在这一阶段，尽管舆情热度有所降低，但公众仍在密切关注事件的处理进展。

3.4 微博舆情情感演化分析

3.4.1情感分类模型评估

1） 对比试验

为了验证所提模型的有效性，将构建的食品安全网络舆情数据集按照8∶2的比例划分为训练集与测试集，为模型评估提供数据基础。同时，为验证模型泛化能力，还采用ChnSentiCorp2公开数据集进行情感分类测试。该数据集包含1 200 条验证集数据、1 200 条测试集数据和9 230 条训练集数据，本文将3 个数据集合并，同样按照训练集与测试集8∶2的比例进行划分。在参数设置方面，设定模型训练轮次（epoch）为10，批处理大小（batch_size）为64，学习率（learning rate）为1×10-5，隐藏层大小（hidden_size）为768。选取目前主流的情感分析模型BiLSTM、LSTM-CNN、BERT-BiLSTM、CNN-BiGRU进行比较实验。实验采用情感分析任务中两个常用的评价指标，即准确率（Accuracy）与F1值（F1-score）验证模型的效果。

由表7可知，BERT-BiLSTM-GLM模型在自建数据集上的F1值高达98.36%，显著优于其他对比模型。此外，该模型在ChnSentiCorp数据集上的F1值也达到了97.63%，具有最优的性能表现，表明BERT-BiLSTMGLM模型具备良好的普适性，在不同的数据集上均表现出卓越性能。

2）消融实验

为了验证BERT-BiLSTM-GLM模型各模块的有效性，本文对该模型进行模块删除的消融实验，w/o表示在完整模型上去除一些内容，GLM表示情感特征增强模块，BERT表示预训练模型，Attention表示注意力机制模块。消融实验结果如表8所示。

实验结果表明，移除GLM模块的双通道模型性能显著降低，验证了GLM-4-9B-Chat情感特征增强模块的有效性。此外，缺失注意力机制将导致模型性能下降，证实其在特征融合方面的关键作用。而去除BERT预训练模型的性能最低，表明预训练词向量在构建情感语义表征时具有重要作用。

3.4.2情感演化分析

借助BERT-BiLSTM-GLM模型研究情感演化过程，得到不同情感评论数量和情绪占比时序分布（图10）。舆情事件各阶段情感分布极为不均，消极情感占主导地位，均在60%以上，积极情感比例较低。具体而言，在潜伏期，消极情感占82.66%，积极情感仅占17.34%；进入扩散期后，消极情感占比升至89.41%；至消退期，消极情感降至60.53%，虽有所下降，但仍保持较高水平。此次食品安全事件引发广泛关注，网民情绪易极端化，缺乏理性分析，情感分布严重失衡。因此，针对该食品安全事件网民普遍持有的消极情感，相关部门需加强情感引导，实时监控情感动态，以缓解网民情绪，防止事态失控或向恶意方向发展。

统计各阶段情感倾向的讨论主题制作词云图，将网络舆情情感分析结果进行可视化呈现（图11）。在潜伏期，公众的积极情感主要表现为对媒体揭露问题的支持和对市场监督体系的信任。进入扩散期后，积极情感逐渐聚焦于政府对事件的迅速响应与处理能力上，期待政府能够积极介入、维护公众利益。此外，部分公众呼吁通过合法途径维权，表现出对国家法律体系的信赖。至消退期，公众积极肯定政府及时介入调查并采取行动，同时表达对未来市场监管加强、涉事企业整改及市场环境透明规范的期待。

在消极情感的演变方面，潜伏期内公众初次获知消息后，开始对食品安全及企业监管力度产生疑虑。随着事件全面扩散，消极情绪迅速扩散，公众对掺假行为、食用油质量问题以及政府监管不力表现出强烈的愤怒与不满，要求严厉惩处违法企业和个人。同时，公众对食品安全状况以及后续品牌选择的担忧也显著增强。即便进入消退期，消极情绪仍未完全消散，公众对事件的后续处理保持高度关注。此外，部分公众关于事件背后可能存在医院等利益集团牵涉的猜测，也进一步加深了消极情绪。

04

结 语

本文构建了一个融合主题模型与情感特征增强的食品安全网络舆情演化分析框架，从主题与情感两方面探讨了网络舆情的演化规律。基于舆情生命周期理论，将食品安全网络舆情划分为潜伏期、扩散期与消退期3 个阶段，并结合LDA主题模型和BERT-BiLSTM-GLM情感分析模型分析了不同阶段舆情主题演变与情感演化特征。根据研究结论，提出以下应对策略：

1）基于舆情阶段演化的应对策略。在潜伏期，舆情应对的重点是早期识别和精准预警。通过实时跟踪社交媒体和新闻平台，及时发现潜在风险，并发布权威、真实且及时的信息，避免虚假信息加剧舆情风险。进入扩散期后，舆情关注度迅速上升，信息发布需“事实优先”，政府应全面梳理事件情况，发布权威声明，并与媒体和公众人物保持沟通合作，澄清事实，避免谣言传播。消退期是巩固成果与修复信任的关键，政府应定期更新处理进展，展示处理成果，恢复公众信任，并通过正面反馈平息不安情绪，推动舆情平稳消退。

2）基于舆情主题与情感演化的应对策略。构建综合舆情监控系统，及时发现舆情议题的演变，实施正面引导策略，防止事态扩大或引发二次舆情危机。对于正面情绪的舆情，政府应通过透明的信息发布、积极的政策宣传和媒体互动，增强公众对食品安全管理的信任与认同；而对负面情绪则应迅速回应并提供透明的事件进展，采取分众化沟通策略，平抑情绪，联合社会力量开展食品安全科普教育，转化焦虑为理性思考。

虽然本文构建的分析框架为食品安全网络舆情的演化分析与应对提供了理论支持，但仍存在一定局限性。例如，数据源仅限于微博平台，且数据形式局限于文本信息，在一定程度上限制了研究的适用范围。未来研究可拓宽数据来源，纳入更多社交媒体平台及数据形式，以探索多模态视角下的网络舆情演化机制，进一步提升研究的全面性与普适性。

引文格式：

韩坤, 刘忠轶. 基于主题模型与情感特征增强的食品安全网络舆情演化分析方法[J]. 食品科学, 2025, 46(23): 367-375. DOI:10.7506/spkx1002-6630-20241219-168.

HAN Kun, LIU Zhongyi. A method for analyzing the evolution of online public opinion on food safety based on topic modeling and sentiment feature enhancement[J]. Food Science, 2025, 46(23): 367-375. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20241219-168.

实习编辑：李杭生；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

为汇聚全球智慧共探产业变革方向，搭建跨学科、跨国界的协同创新平台，由北京食品科学研究院、中国肉类食品综合研究中心、国家市场监督管理总局技术创新中心（动物替代蛋白）、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，西南大学、 重庆市农业科学院、 重庆市农产品加工业技术创新联盟、重庆工商大学、 重庆三峡科技大学 、西华大学、成都大学、四川旅游学院、北京联合大学、 中国-匈牙利食品科学“一带一路”联合实验室（筹） 共同主办 的“ 第三届大食物观·未来食品科技创新国际研讨会 ”， 将于2026年4月25-26日 （4月24日全天报到） 在中国 重庆召开。

长按或微信扫码进行注册

为系统提升我国食品营养与安全的科技创新策源能力，加速科技成果向现实生产力转化，推动食品产业向绿色化、智能化、高端化转型升级，由北京食品科学研究院、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，合肥工业大学、安徽农业大学、安徽省食品行业协会、安徽大学、合肥大学、合肥师范学院、北京工商大学、中国科技大学附属第一医院临床营养科、安徽粮食工程职业学院、安徽省农科院农产品加工研究所、安徽科技学院、皖西学院、黄山学院、滁州学院、蚌埠学院共同主办的“第六届食品科学与人类健康国际研讨会”，将于 2026年8月15-16日（8月14日全天报到）在中国 安徽 合肥召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）