基于主动学习的新媒体政务互动内容情感挖掘研究

[目的/意义]新媒体平台逐渐成为政民交互的重要载体,准确把握新媒体政务互动内容中的情感倾向,有助于提升政府舆情把握能力与社会治理能力。[方法/过程]在BERT文本语义表示基础上,将主动学习策略与BiLSTM模型集成,进行新媒体政务互动内容情感倾向分析,以提升模型对互动内容情感数据的有效利用。[结果/结论]针对“法律法规草案公开征求意见类”微博互动内容的实验表明,将主动学习引入BERT-BiLSTM模型后,模型的准确率、召回率及F值提升,新媒体政务互动内容情感呈现效果较好。文章所提模型科学可行,能够在减少数据依赖的情况下,提升情感挖掘的效率。

基于主题聚类的新媒体政务互动内容摘要生成研究

【目的】基于主题聚类生成新媒体政务互动内容舆情摘要,保障政府部门对舆情事件的及时准确把控。【方法】从互动内容文本特征分析入手,通过Top2Vec主题聚类、TextRank抽取式摘要生成和TransformerCopy生成式摘要生成,多角度呈现新媒体政务互动内容的摘要内涵。【结果】模型的ROUGE-1、ROUGE-2和ROUGE-L值分别达到22.05%、6.93%和20.96%,对比发现其效果优于Seq2Seq和Seq2Seq-Attention模型。【局限】仅获取了10部法律法规草案的微博政务互动内容,未在更广泛的新媒体政务互动内容中验证本文方法。【结论】本文方法能够揭示事件主题类别和舆情摘要,具备一定的领域适应性和应用优势。