社会治理文本是政府进行社会管理的重要依据,其中包含了公众对社会中存在的各种问题的反映,蕴含着丰富的社会价值,所以从中准确提取民众关心的热点问题至关重要。但是这些文本数据规模比较庞大,处理起来十分繁琐,加之这些文本还具有长度较短,内容长度不固定等特点,甚至可能含有许多无话题表征能力的冗余文本。这就使得从这些文本中了解当前社会的舆情热点变得比较困难,针对这些问题,本课题决定利用文本挖掘技术开发用于帮助发现社会热点问题的文本分类方法。LDA主题模型是一种语义挖掘方法,本文首先使用LDA对社会治理文本进行分类,推断出文本中话题混合分布的参数以及语义信息,从而鉴别新文本的主题等信息并进行分类。对实验结果进行分析和评价之后,提出一种将LDA和贝叶斯网络结合的分类方案,利用LDA语义挖掘的优势对社会治理文本进行特征扩展,然后对扩展之后的文本使用贝叶斯网络分类,从而提升文本分类效果。在文本分类研究中,专家学者开始使用深度学习领域算法,并在一些分类任务中取得比传统机器学习算法更好的性能。深度学习可以主动学习文本的句法和语义特征,进而获取文本信息的深度特征,降低人工特征提取难度,且具备客观性。所以接下来本文将使用基于深度学习的Bert模型进行社会治理文本的分类研究。不过由于该文本数据具有文本内容短,语法结构不规范,以及文本类别交叉的特点,使得基于Bert的文本分类效果并不理想,因此本文提出将Bert模型和贝叶斯网络结合的文本分类技术。首先使用贝叶斯网络先进行二分类,区分民生查询类和其他类别,然后对其他类别使用Bert再次分类,确定所属的具体类别,从而实现文本分类准确率的提升。