来源：期刊VIP网 时间：
作者：翁克瑞;周雅洁;於世为;
单位：中国地质大学(武汉)经济管理学院;
摘要：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。
关键词：社交媒体;;政策需求;;BERT;;舆情政策文本
基金资助：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）
