典型文献
基于BERT模型的科技政策文本分类研究
文献摘要：
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.
文献关键词：
科技政策;文本分类;BERT模型;关键词提取
中图分类号：
作者姓名：
沈自强;李晔;丁青艳;王金颖;白全民
作者机构：
齐鲁工业大学(山东省科学院)经济与管理学部,济南 250014;山东省科技发展战略研究所,济南 250014;山东省计算中心(国家超级计算济南中心),济南 250014
文献出处：
引用格式：
[1]沈自强;李晔;丁青艳;王金颖;白全民-.基于BERT模型的科技政策文本分类研究)[J].数字图书馆论坛,2022(01):10-16
A类：
B类：
BERT,科技政策,政策文本,文本分类,分类研究,智慧政务,应用背景,文本数据,政策匹配,深度学习模型,TextRank,TF,IDF,文本关键词,标题,优化实验,不同深度,分类效果,政策关键词,文本自动分类,关键词提取
AB值：
0.377387
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
