文献类型：期刊文章

作　　者：沈自强[1,2] 李晔[1,2] 丁青艳[3] 王金颖[1,2] 白全民[1,2]

SHEN ZiQiang;LI Ye;DING QingYan;WANG JinYing;BAI QuanMin(School of Economics and Management,Qilu University of Technology(Shandong Academy of Sciences),Jinan 250014,P.R.China;Institute of Science and Technology for Development of Shandong,Jinan,250014,P.R.China;Shandong Computer Science Center(National Super Computer Center in Jinan),Jinan 250014,P.R.China)

机构地区：[1]齐鲁工业大学(山东省科学院)经济与管理学部,济南250014 [2]山东省科技发展战略研究所,济南250014 [3]山东省计算中心(国家超级计算济南中心),济南250014

出　　处：《数字图书馆论坛》

基　　金：山东省高等学校青创科技支持计划“智能时代的产业变革:技术、制度与创业导向”(编号:2020RWG009)资助。

年　　份：2022

期　　号：1

起止页码：10-16

语　　种：中文

收录情况：CSSCI、CSSCI_E2021_2022、NSSD、RWSKHX、ZGKJHX、普通刊

摘　　要：在智慧政务的应用背景下,利用深度学习的方法对海量的科技政策文本数据进行自动分类,可以降低人工处理的成本,提高政策匹配的效率。利用BERT深度学习模型对科技政策进行自动分类实验,通过TextRank算法和TF-IDF算法提取政策文本关键词,将关键词与政策标题融合后输入BERT模型中以优化实验,并对比不同深度学习模型的分类效果来验证该方法的有效性。结果表明,通过BERT模型,融合标题和TF-IDF政策关键词的分类效果最佳,其准确率可达94.41%,证明利用BERT模型在标题的基础上加入政策关键词能够提高政策文本自动分类的准确率,实现对科技政策文本的有效分类。

关 键 词：科技政策  文本分类 BERT模型  关键词提取

分 类 号：TP311]