中国地质大学(武汉)经济管理学院;
传统政策需求研究因成本和时间因素，逐渐转向利用社交媒体进行政策需求智能发现。尽管社交媒体提供了丰富的公众政策意愿，但捕捉其中的政策观点受到语义模糊性和复杂评论网络关系的挑战。为解决以上问题，本文提出Con Text BERT-CNN模型，以识别社交媒体上的公众政策意愿。该模型结合了优化后的BERT预训练模型和改进的Text CNN架构，通过全词掩码技术增强了中文语义理解，并融合不同层级的解码层输出实现对多层语义信息的精细提取。实验结果表明，Con Text BERT-CNN模型在处理新能源汽车、碳中和、分时电价政策主题的数据集时，分别达到了86.4%、82.0%、82.5%的分类准确率，显著优于传统的深度学习方法，证明其在捕捉和解析公众政策意愿方面具有高效性和准确性。
| 982 | 0 | 102 |
| 下载次数 | 被引频次 | 阅读次数 |
[1]申展.政府网络舆论引导3.0时代的困境与出路[J].现代交际，2020(20）.
[2]陈运雄，罗甜甜.公众基于互联网参与公共政策制定的问题与对策[J].湖南农业大学学报（社会科学版），2017(2）.
[3]裴雷，孙建军，周兆韬.政策文本计算：一种新的政策文本解读方式[J].图书与情报，2016(6）.
[4]黄丽华，姜晓宁.互联网影响公共政策制定的初步分析[J].哈尔滨工业大学学报（社会科学版），2008(1）.
[5]Xiong,Y.,L.Wang.Policy cognition of potential consumers of new energy vehicles and its sensitivity to pur‐chase willingness[J].Journal of Cleaner Production,2020(1）.
[6]王超，杨伟，何浩楠，等.新能源汽车政府推广政策与消费者购买意向--来自西安的实证研究[J].软科学，2021(7）.
[7]张敏，张可，苏辀恒.基于情感体验的政务社交媒体用户信息获取效用研究[J/OL].http：//kns.cnki.net/kcms/detail/22.1264.G2.20240402.1059.002.html,2024-04-02.
[8]Maragkos,K.E.,P.E.Maravelakis.Extracting primary emotions and topics from the Al-Hayat media centre magazine publications,using topic modelling and lexicon-based approaches[J].Social Science Computer Review,2023(5）.
[9]金璐瑶，曾静静.政策文本量化研究：概念、方法与研究视角[J].数字图书馆论坛，2024(4）.
[10]Reshi,A.A.,F.Rustam,W.Aljedaani,et al.Covid-19 vaccination-related sentiments analysis:A case study using worldwide twitter dataset[J].Healthcare,2022(3）.
[11]Hu,M.,B.Liu.Mining and summarizing customer reviews[A].Proceedings of the Tenth ACM SIGKDDInternational Conference on Knowledge Discovery and Data Mining[C].New York:ACM Press,2004.
[12]白沛沅，夏一雪，杨雨光，等.基于诉求词典的突发事件情报感知与实证研究[J].情报杂志，2022(9）.
[13]Khoo,C.S.G.,S.B.Johnkhan.Lexicon-based sentiment analysis:Comparative evaluation of six sentiment lexicons[J].Journal of Information Science,2018(4）.
[14]Haselmayer,M.,M.Jenny.Sentiment analysis of political communication:Combining a dictionary approach with crowdcoding[J].Quality&Quantity,2017(6）.
[15]Lowe,W.,K.Benoit,S.Mikhaylov,et al.Scaling policy preferences from coded political texts[J].Legislative Studies Quarterly,2011(1）.
[16]Pang,B.,L.Lee,S.Vaithyanathan.Thumbs up?Sentiment classification using machine learning techniques[J/OL].https：//arxiv.org/abs/cs/0205070,2002-05-28.
[17]黄萃，吕立远.文本分析方法在公共管理与公共政策研究中的应用[J].公共管理评论，2020(4）.
[18]杨慧，杨建林.融合LDA模型的政策文本量化分析--基于国际气候领域的实证[J].现代情报，2016(5）.
[19]李鑫，韩一冰，李祥飞.基于LDA主题模型的我国医疗健康政策特征分析[J].中国公共卫生管理，2024(3）.
[20]Abdullah,T.,A.Ahmet.Deep learning in sentiment analysis:Recent architectures[J].ACM Computing Surveys,2023(8）.
[21]赵洪，王芳，王晓宇，等.基于大规模政府公文智能处理的知识发现及应用研究[J].情报学报，2018(8）.
[22]胡吉明，付文麟，钱玮，等.融合主题模型和注意力机制的政策文本分类模型[J].情报理论与实践，2021(7）.
[23]Peters,M.E.,M.Neumann,M.Iyyer,et al.Deep contextualized word representations[J/OL].https：//arxiv.org/abs/1802.05365,2018-02-15.
[24]Devlin,J.,M.W.Chang,K.Lee,et al.Bert:Pre-training of deep bidirectional transformers for language understanding[J/OL].https：//arxiv.org/abs/1810.04805,2018-10-11.
[25]Radford,A.,K.Narasimhan,T.Salimans,et al.Improving language understanding by generative pretraining[J/OL].https：//cdn.openai.com/research-covers/language-unsupervised/language_understand‐ing_paper.pdf,2018-06-11.
[26]沈自强，李晔，丁青艳，等.基于BERT模型的科技政策文本分类研究[J].数字图书馆论坛，2022(1）.
[27]沈思，陈猛，冯暑阳，等.Chpo BERT：面向中文政策文本的预训练模型[J].情报学报，2023(12）.
[28]Tenney,I.,D.Das,E.Pavlick.BERT rediscovers the classical NLP pipeline[J/OL].https：//arxiv.org/abs/1905.05950,2019-05-15.
[29]Kim,Y.Convolutional neural networks for sentence classification[J/OL].https：//arxiv.org/abs/1408.5882,2014-08-25.
[30]Zhang,Y.,B.Wallace.A sensitivity analysis of (and practitioners’guide to) convolutional neural networks for sentence classification[J/OL].https：//arxiv.org/abs/1908.06263,2019-08-17.
[31]Misra,D.Mish:A self regularized non-monotonic activation function[J/OL].https：//arxiv.org/abs/1908.08681,2019-08-23.
基本信息:
DOI：10.16493/j.cnki.42-1627/c.20241231.001
中图分类号:G206;C912.63
引用信息:
[1]翁克瑞,周雅洁,於世为.基于BERT的多层次特征融合的舆情文本政策意愿识别模型研究[J].中国地质大学学报(社会科学版),2025,25(01):131-140.DOI:10.16493/j.cnki.42-1627/c.20241231.001.
基金信息:
国家自然科学基金重大项目“复杂政策决策场景的生态建模研究”（72293572）;国家自然科学基金“诉求与热点联动的政策需求挖掘与传播演化模型研究”（72474201）; 教育部人文社会科学研究规划基金项目“基于多粒度特征的社交媒体虚假信息识别与传播干预研究”（24YJA630101）