隨著大數(shù)據(jù)、云計(jì)算、人工智能等新一代信息技術(shù)的快速發(fā)展和政府信息化水平的提升,政府的治理范疇、內(nèi)容和手段也受到了不可忽視的影響,近年來(lái)政府大數(shù)據(jù)也逐漸成為政務(wù)管理者和研究者關(guān)注的焦點(diǎn)。通過(guò)對(duì)海量政策文本的挖掘,在定性研究的基礎(chǔ)上,借助信息技術(shù)等計(jì)量化手段對(duì)政策文本進(jìn)行科學(xué)化的分析,找出政策文本的個(gè)性與共性規(guī)律,輔助政策研究者更好地進(jìn)行量化研究,并為政策挖掘研究提供理論與技術(shù)支撐。同時(shí),政策文本大數(shù)據(jù)挖掘會(huì)對(duì)政府治理產(chǎn)生深刻變革和影響,利用政務(wù)大數(shù)據(jù)提升政府決策水平和治理能力,對(duì)政府管理創(chuàng)新乃至智慧決策來(lái)說(shuō)是一場(chǎng)新的機(jī)遇和挑戰(zhàn)。本文首先對(duì)政策挖掘的現(xiàn)狀和相關(guān)文獻(xiàn)進(jìn)行分析,結(jié)合實(shí)踐及相關(guān)理論與技術(shù)提出采用深度學(xué)習(xí)中LSTM網(wǎng)絡(luò)模型對(duì)政策文本進(jìn)行挖掘研究,并對(duì)LSTM算法模型進(jìn)行改進(jìn),提出了 SimHash-LSTM算法,提高了政策挖掘中文本分類的精度。本研究借助網(wǎng)絡(luò)爬蟲技術(shù)從互聯(lián)網(wǎng)上獲取中央及各個(gè)地方的百萬(wàn)份政策文本,并對(duì)文本進(jìn)行清洗處理,構(gòu)建了一個(gè)相對(duì)全面的政策文本數(shù)據(jù)庫(kù),進(jìn)而基于改進(jìn)的LSTM神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)對(duì)政策文本的分類、政策擴(kuò)散等深入挖掘,并提供了智慧城市領(lǐng)域的政策文本分類以及... 

【文章來(lái)源】：北京交通大學(xué)北京市211工程院校教育部直屬院校

【文章頁(yè)數(shù)】：107 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 深度學(xué)習(xí)研究現(xiàn)狀
        1.2.2 文本挖掘相關(guān)研究
        1.2.3 政策挖掘研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 研究方法和創(chuàng)新點(diǎn)
        1.4.1 研究方法
        1.4.2 創(chuàng)新點(diǎn)
    1.5 論文結(jié)構(gòu)
2 相關(guān)理論與技術(shù)基礎(chǔ)
    2.1 文本挖掘
    2.2 自然語(yǔ)言處理
    2.3 深度學(xué)習(xí)
    2.4 政策挖掘
        2.4.1 政策擴(kuò)散
        2.4.2 主題模型
        2.4.3 相似度計(jì)算
    2.5 本章小結(jié)
3 系統(tǒng)數(shù)據(jù)采集與處理
    3.1 數(shù)據(jù)采集
        3.1.1 網(wǎng)絡(luò)爬蟲
        3.1.2 解析規(guī)則
        3.1.3 數(shù)據(jù)存儲(chǔ)
        3.1.4 全文實(shí)時(shí)索引
    3.2 數(shù)據(jù)處理
        3.2.1 數(shù)據(jù)清洗
        3.2.2 中文分詞
        3.2.3 詞性標(biāo)注
        3.2.4 文本表達(dá)
        3.2.5 特征提取和特征選擇
    3.3 本章小結(jié)
4 政策挖掘算法及改進(jìn)研究
    4.1 傳統(tǒng)政策挖掘算法
        4.1.1 LDA算法
        4.1.2 相似度計(jì)算算法
        4.1.3 TextRank算法
    4.2 基于深度學(xué)習(xí)的挖掘算法
        4.2.1 RNN
        4.2.2 LSTM網(wǎng)絡(luò)算法
    4.3 算法比較與改進(jìn)
        4.3.1 算法比較
        4.3.2 LSTM算法改進(jìn)
    4.4 本章小結(jié)
5 LSTM網(wǎng)絡(luò)建模與算例分析
    5.1 LSTM網(wǎng)絡(luò)建模
        5.1.1 實(shí)驗(yàn)設(shè)計(jì)
        5.1.2 實(shí)驗(yàn)數(shù)據(jù)集
        5.1.3 參數(shù)設(shè)置
        5.1.4 模型性能評(píng)價(jià)指標(biāo)
        5.1.5 實(shí)驗(yàn)對(duì)比及分析
    5.2 LSTM計(jì)算案例分析
        5.2.1 政策統(tǒng)計(jì)分類
        5.2.2 政策地圖
        5.2.3 政策相似度計(jì)算
        5.2.4 政策擴(kuò)散網(wǎng)絡(luò)
    5.3 本章小結(jié)
6 基于LSTM網(wǎng)絡(luò)政策挖掘系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    6.1 系統(tǒng)分析
        6.1.1 需求分析
        6.1.2 功能分析
    6.2 系統(tǒng)設(shè)計(jì)
        6.2.1 架構(gòu)設(shè)計(jì)
        6.2.2 數(shù)據(jù)庫(kù)設(shè)計(jì)
    6.3 系統(tǒng)實(shí)現(xiàn)
        6.3.1 工具與環(huán)境
        6.3.2 主要功能模塊實(shí)現(xiàn)
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 展望
參考文獻(xiàn)
附錄A
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于MAC-LSTM的問(wèn)題分類研究[J]. 余本功,許慶堂,張培行.  計(jì)算機(jī)應(yīng)用研究. 2020(01)
[2]基于注意力長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的中文詞性標(biāo)注模型[J]. 司念文,王衡軍,李偉,單義棟,謝鵬程.  計(jì)算機(jī)科學(xué). 2018(04)
[3]基于CBOW-LDA主題模型的Stack Overflow編程網(wǎng)站熱點(diǎn)主題發(fā)現(xiàn)研究[J]. 張景,朱國(guó)賓.  計(jì)算機(jī)科學(xué). 2018(04)
[4]基于文本挖掘和自動(dòng)分類的法院裁判決策支持系統(tǒng)設(shè)計(jì)[J]. 朱青,衛(wèi)柯臻,丁蘭琳,黎建強(qiáng).  中國(guó)管理科學(xué). 2018(01)
[5]中央政府推進(jìn)政策擴(kuò)散的方式研究——以廉租房政策為例[J]. 朱多剛,胡振吉.  東北大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2017(04)
[6]基于CNN和LSTM混合模型的中文詞性標(biāo)注[J]. 謝逸,饒文碧,段鵬飛,陳振東.  武漢大學(xué)學(xué)報(bào)(理學(xué)版). 2017(03)
[7]統(tǒng)計(jì)模型在中文文本挖掘中的應(yīng)用[J]. 王健,張俊妮.  數(shù)理統(tǒng)計(jì)與管理. 2017(04)
[8]國(guó)際文本挖掘研究主題群識(shí)別與演化趨勢(shì)分析[J]. 張敏,羅梅芬,張艷.  圖書館學(xué)研究. 2017(02)
[9]基于文本挖掘的專業(yè)人才技能需求分析——以電子商務(wù)專業(yè)為例[J]. 詹川.  圖書館論壇. 2017(05)
[10]政策擴(kuò)散視角下的省直管縣財(cái)政改革——基于20個(gè)省份數(shù)據(jù)的探索性分析[J]. 張克.  北京行政學(xué)院學(xué)報(bào). 2017(01)

碩士論文
[1]基于深度學(xué)習(xí)的中文文本情感分類及其在輿情分析中的應(yīng)用研究[D]. 吳俊江.湘潭大學(xué) 2017
[2]基于多元特征融合和LSTM神經(jīng)網(wǎng)絡(luò)的中文評(píng)論情感分析[D]. 李科.太原理工大學(xué) 2017
[3]政策擴(kuò)散視角下中國(guó)公共自行車政策的時(shí)空演進(jìn)及其機(jī)制分析[D]. 矯大海.南京大學(xué) 2017
[4]基于深度學(xué)習(xí)的農(nóng)業(yè)信息分類方法研究[D]. 張曉靜.西北農(nóng)林科技大學(xué) 2017
[5]基于深度學(xué)習(xí)的短文本分類及信息抽取研究[D]. 李超.鄭州大學(xué) 2017
[6]基于深度學(xué)習(xí)的主題建模方法研究[D]. 朱佳暉.武漢大學(xué) 2017
[7]基于機(jī)器學(xué)習(xí)的文本分類算法研究[D]. 鄧攀曉.北京郵電大學(xué) 2017
[8]基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的多標(biāo)簽文本分類[D]. 熊濤.浙江大學(xué) 2017
[9]基于多標(biāo)簽學(xué)習(xí)框架的微博文本分類研究[D]. 高鵬楊.東南大學(xué) 2016
[10]海量短文本的主題挖掘及其可視化[D]. 胡浩.西南石油大學(xué) 2016



本文編號(hào)：3631662