基于深度学习的政务新媒体互动内容摘要自动生成与情感分析模型研究

Governance new media has become the important channel in responding and guiding public opinions, delivering governance service, and so on. Its interactive contents contain rich and complicated connotation and sentiment; relative to traditional content analysis, deep neural network can more effectively realize deep-level mining and utilization of contents because of its more powerful semantic representation and comprehensive ability. This project constructs the interactive contents corpus base on the large-scale data collection from governance new media; and then realizes the vector representation of words based on deep neural network and embedding of syntactic dependency in sentence vectors. Based on Bi-directional Long Short-Term Memory Model and Attention Model, deep learning modeling of summarization automatic generation are explored. Meanwhile, after integrating multi-type sentiment dictionaries, sentimental tagging of words and sentences is conducted, and deep learning modeling of sentiment analysis is also explored. These two models above are then dynamically embedded and combined that aims to automatically generate summarizations and analyze sentiments. Finally, the real-time monitoring system is constructed based on deep learning frames to provide results of summarizations and sentiments in case and empirical studies, that will optimize models and expand applications. Studies in this project will benefit government to monitor the focuses of public opinions and trends of sentiment in real time. It can further respond opinions and guide citizens’ emotion more accurately; and can even improve the governing capacity in terms of practice.

政务新媒体已成为社会舆情回应及引导、政务服务传递等的重要渠道，其互动内容包含了丰富且复杂的语义内涵和情感价值。相对于传统的内容分析，深度神经网络具有更强的语义表征与理解能力，能够有效提升内容深层次挖掘与利用的效果与效率。本项目基于大规模数据采集构建政务新媒体互动内容语料库，基于深度神经网络进行词汇的语义向量化表达，实现句子向量的句法依存特征嵌入。引入双向长短时记忆神经网络模型和注意力机制，构建互动内容摘要自动生成的深度学习模型；同时整合多类型情感词典，进行词汇与句子情感极性标注，构建情感分析的深度学习模型。组合和嵌套上述两种模型，实现摘要自动生成与情感分析的动态融合。在案例与实证分析中，基于深度学习框架构建摘要自动生成与情感分析的实时监控系统，在应用推广中总结经验与实现模型优化。本项目研究有助于政府实时掌控舆论焦点和情感走势，更准确地回应舆论和引导情感，对提升政府执政能力具有现实意义。

1项目背景. 政务新媒体已成为社会舆情回应及引导、政务服务传递等的重要渠道，其互动内容包含了丰富且复杂的语义内涵和情感价值，对互动内容的自动摘要生成与动态情感分析能够快速获取社会舆论焦点与情感倾向，提升政务舆情回应的有效性，对政府把控社会舆论，健康引导民众情绪，以及快速调整施政策略与提升政务服务能力具有重要的现实意义。. 2主要研究内容. 本项目立足于新媒体环境下政府对社会舆情和情感倾向实时监控与引导的现实需求，构建政务新媒体互动内容语料库，进行政务新媒体互动内容自动摘要生成的深度神经网络学习与训练；整合多类型情感词典，实现词汇与句子的情感极性标注，构建政务新媒体互动内容情感预测模型；在大规模案例数据的实证分析中，实现摘要自动生成与情感分析的可视化展示，在应用推广中总结经验与实现模型优化。. 3重要成果. 本项目研究成果主要包括1份研究报告、12篇期刊论文、1份应用方案、5项软件著作权；其中，CSSCI期刊论文7篇，SSCI源刊论文5篇。.重要结果包括研究报告《基于新媒体互动内容的政务舆情挖掘研究》，系列论文的主题主要包括政府微博舆论观点抽取与焦点呈现、基于主动学习的新媒体政务互动内容情感挖掘和摘要生成、政策文本的摘要生成与细粒度分类、议会辩论文本的焦点抽取与演化、新兴主题预测与识别等。. 4关键数据及其科学意义. ①新媒体政务互动内容语料库构建。本项目运用Python语言构建爬虫系统，采集了微博中法律法规草案相关的互动内容，在MySQL数据库中实现了微博政务类评论的格式化存储，设计规则并通过正则表达式清洗互动内容数据。基于上述数据的实验表明，本项目所提研究框架和技术路线有效，实现了面向事件的政务舆情情感分析与焦点挖掘。. ②科学意义。本项目强调理论、技术与应用的全方位结合，依托计算语言学、自然语言处理、深度学习、神经网络、仿真计算实验等领域研究手段和方法，进行我国政务新媒体互动内容的摘要自动生成与情感分析，实现面向事件的政务舆情挖掘。本项目研究既拓展了深度学习在政务信息资源管理与服务领域研究的理论应用，也满足了政府及时把控社会舆论焦点与情感倾向的现实需要。