政策工具与政策主题叠加视角下的社会治理演化分析

【目的/意义】为明晰社会治理政策演化动因,揭示中央与地方政策执行差异,为政府决策提供参考,构建了政策工具与政策主题叠加视角下的社会治理演化分析框架。【方法/过程】首先统计政策发布时间及主体,明确社会治理政策外部特征;然后编码中央与地方政策文本,探究数据治理的影响以及中央与地方政策工具差异;而后采用LDA和BERT模型提取政策演化路径,揭示其内部演化规律;最后叠加政策工具和政策主题,进一步分析政策内容特征。【结果/结论】实验结果表明,当前社会治理政策工具以基础型为主,协同型、创新型工具使用不足,中央与地方政策工具结构亟需协调;社会治理水平不断提升,治理主体逐渐多元,治理模式日益科学,治理问题趋于复杂。【创新/局限】政策演化路径提取有限,有待进一步探究。

基于多标签标注学习的城市画像文本分类方法研究

【目的】针对当前城市画像领域数据计算面临的相关文本非结构化、长短不一、主题非单一化等问题,研究利用机器学习技术,分析获取社交长文本的多标签,为城市画像文本分析和其他相关分析提供新的思路。【方法】从知乎平台获取有关城市印象的社交文本,对文本进行分句和降噪处理,结合已有的城市画像标注框架,对部分文本进行人工标注,采用支持向量机分类模型、卷积神经网络模型、朴素贝叶斯模型行训练,并对三种模型的结果进行对比分析。通过效果最优模型得到所有长文本的全部标签,使用ML-kNN多标注学习模型进行训练得到多标签社交文本分类模型。【结果】在单标签文本分类模型方面,支持向量机分类模型整体效果最优,对于短文本标注准确率达0.6900。使用ML-kNN构建多标签文本分类模型,准确率最高达到0.8103,平均汉明损失为0.0353。【局限】没有充分考虑文本前后关联对主题分类的影响。【结论】基于社交长文本数据,利用ML-kNN多标签学习算法,构建长文本多标签分类模型,能够有效实现城市画像社交长文本的多标签识别。