基于嵌入式主题模型的中美疫情政策主题发现研究

[目的/意义]通过对中美在疫情期间发布的政策文本进行主题建模与分析,发现中美两国在面对疫情时的应对措施与关注重心,从而为应对其他类似的重大公共卫生安全事件提供参考。[方法/过程]采用结合词嵌入的主题模型,对爬取的中美政策文本进行主题建模和主题发现,并借助词云进行可视化展示。[结果/结论]中美两国在基本的疫情政策目标上保持一致,但在维持稳定的关注主体、封闭隔离程度以及疫苗问题等实现目标的方式上存在差异。

基于ETM模型的中亚国家“一带一路”网络舆情热点检测

[目的/意义]及时准确地检测中亚国家“一带一路”网络舆情热点,对于推进“一带一路”建设具有积极意义。[方法/过程]首先利用ETM(Embedded Topic Model)模型对文档建模得到候选热点主题;然后借助YAKE关键词抽取算法综合考虑候选热点主题的一致性、独立性和媒体关注度,确定热点主题;最后抽取每一主题的代表性文档以增强热点主题的可理解性。[结果/结论]在构建的中亚国家“一带一路”网络舆情数据集上的实验表明,该方法取得了较好效果。

时空视角下“双减”政策执行的现实问题与负面舆情监测

“双减”政策是我国义务教育领域围绕立德树人根本任务,着眼建设高质量教育体系的战略部署。政策实施以来,受到各类群体的广泛关注,本文从统计学角度,基于时间序列分析“双减”舆情热度,运用动态嵌入式主题模型,对热度最高的五省市不同时段双减舆情文本开展研究,得到不同时段“双减”舆情词云。研究发现,“双减”发布的前三个月民众关注度最高,时间区间内的主题演化跟随了热点话题,2021年与2022年负面主题各有侧重。关注度较高的北京等五省市民众对“双减”的抵触原因不同,并且同一地域不同时间关注话题也存在差异。

图模型框架下的报道性新闻自动摘要方法研究

[目的/意义]针对现有文本自动摘要形成过程中重要技术节点——图模型框架下摘要知识表达方式中内容语义揭示深度不够的问题,提出报道性新闻自动摘要模型方案,为相关领域利用经过摘要处理后的网页报道性新闻文本数据开展实践研究提供借鉴参考。[方法/过程]利用ETM(Embedded Topic Model)融合词向量的主题模型分析工具,在图模型框架下针对目标摘要句的主题构造环节,加入主题重要度特征和语义相关性特征并重新设计报道性新闻句间统计特征,对报道性新闻文本深层次主题语义信息进行挖掘、过滤,以此初步形成报道性新闻自动摘要抽取模型;后续依据报道性新闻摘要主要功能需求提出摘要主题测度功能量化指标体系,建立测度标准与句子统计特征量化方法的对应关系,以此优化调整提出的报道性新闻自动摘要抽取模型。[结果/结论]利用图模型框架下的报道性新闻自动摘要方法具体选取农业领域科技动态报道性新闻的摘要抽取过程进行实证,建立报道性新闻自动摘要测度标准进一步得到优化后报道性新闻摘要模型方案,结果显示在外部报道性功能及内部ROUGE评价测评综合表现上优于对比方法,可以有效提高报道性新闻自动摘要抽取的准确性。