劉 剛，傅瑋萍，馬鶯歌

(哈爾濱工程大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，黑龍江 哈爾濱 150001)

0 引言

中國社會保障政策體系逐漸趨于碎片化發(fā)展態(tài)勢，導(dǎo)致了城市社保制度與農(nóng)村社保制度的互相割離，私有經(jīng)濟以及與國有經(jīng)濟社會保險制度不同，多種社會保險政策同時生效的不良狀況[1]。為有效地緩解并預(yù)防社保政策中的碎片化現(xiàn)象，本文通過分析政策碎片之間深層的內(nèi)在聯(lián)系，實現(xiàn)碎片化政策的重新組織。在此基礎(chǔ)上對結(jié)構(gòu)化的政策網(wǎng)絡(luò)進行碎片消解，使政策網(wǎng)絡(luò)結(jié)構(gòu)更加明晰。除此之外，本文基于結(jié)構(gòu)化的政策網(wǎng)絡(luò)，在新政策的制定過程中，對碎片化政策的產(chǎn)生加以預(yù)防。本文所提出的政策分析與制定計算機仿真技術(shù)，可以幫助決策者清晰看到政策的體系結(jié)構(gòu)，并預(yù)測新政策在該政策體系中的地位，為有效地消減和預(yù)防政策碎片化現(xiàn)象提供有效的解決方案。

1 相關(guān)工作與理論基礎(chǔ)

1.1 相關(guān)研究工作

1.1.1 國內(nèi)外研究現(xiàn)狀

政策網(wǎng)絡(luò)研究起始于20世紀(jì)90年代初，幾位數(shù)學(xué)科學(xué)家及諾貝爾獎獲得者共同提出了政策系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)及其特征。發(fā)展到目前，主要有三種研究方向： 英國傳統(tǒng)、美國傳統(tǒng)以及荷蘭和德國傳統(tǒng)[2]。T.Lowi、H.Heclo等美國學(xué)派研究者著眼于政策網(wǎng)絡(luò)的微觀層次，通過模擬政策在制定的流程節(jié)點間的互動，來分析預(yù)測政策制定和執(zhí)行的效果及網(wǎng)絡(luò)的形態(tài)演化。而英國傳統(tǒng)將分析重點放在不同政策部門之間的結(jié)構(gòu)關(guān)系上。從政策體制本身入手，分析政策網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及影響。以荷蘭、德國領(lǐng)域?qū)＜覟槭椎膶W(xué)者從宏觀層次上進行政策網(wǎng)絡(luò)理論研究，將政策網(wǎng)絡(luò)看成一種全新的國家治理手段[3]。

我國政策網(wǎng)絡(luò)理論研究起步較晚，近些年開始逐漸流行，成果較少。目前，只有很少的政策網(wǎng)絡(luò)理論成果問世[4-5]。文獻[6]對政策網(wǎng)絡(luò)的方方面面進行了細(xì)致而又全面的介紹，包含： 政策網(wǎng)絡(luò)起源、政策網(wǎng)絡(luò)的不同釋義、政策網(wǎng)絡(luò)要素及其作用、政策網(wǎng)絡(luò)的研究意義，以及具體的政策網(wǎng)絡(luò)的理論研究手段。然而，不同派別的研究人員對于政策網(wǎng)絡(luò)理論的認(rèn)識并不統(tǒng)一，對于政策網(wǎng)絡(luò)中的基礎(chǔ)定義各執(zhí)一詞。鑒于此種情況，系統(tǒng)深入地研究政策網(wǎng)絡(luò)理論是十分重要的[7-8]。

政策血緣挖掘理論是政策網(wǎng)絡(luò)研究的一個新方向。文獻[9]形式化地定義了政策族譜樹的概念，用于描述顯性的政策體系樹狀結(jié)構(gòu)，在此基礎(chǔ)上形成了政策森林的概念。該理論的基本思想是，挖掘政策體系中不能從政策族譜樹中體現(xiàn)的政策碎片之間的隱藏關(guān)系。并稱這種關(guān)系為隱性政策血緣關(guān)系，稱不同政策中形成這種隱性政策血緣的因素為隱性政策基因。

文獻[10]利用隱性政策血緣挖掘理論，闡述了一種有效的隱性政策血緣關(guān)系的挖掘方法。將隱性基因引入文本進行相似度計算中，從而發(fā)現(xiàn)了常規(guī)政策語言相似關(guān)系探究手段所無法提取的隱性政策血緣關(guān)系。除此之外，文獻[11]在文獻[10]建立的政策網(wǎng)絡(luò)基礎(chǔ)上，利用節(jié)點的介數(shù)計算，挖掘政策血緣網(wǎng)絡(luò)中的顯性政策要點。通過對網(wǎng)絡(luò)政策血緣的傳播演化規(guī)律進行探索，實現(xiàn)了基于網(wǎng)絡(luò)政策血緣負(fù)載模型的建立?；谠撠?fù)載模型，定義并計算政策血緣網(wǎng)絡(luò)中節(jié)點的脆性度，并據(jù)此進行衡量政策血緣網(wǎng)絡(luò)里網(wǎng)絡(luò)節(jié)點的重要度，從而挖掘出網(wǎng)絡(luò)中的脆性點。

1.1.2 現(xiàn)存理論的不足

盡管上述理論從不同方面對政策進行了深入的研究，并取得了豐富的研究成果。然而針對政策碎片化問題時，上述方法仍存在著如下不足：

(1) 政策模型分析。政策模型分析主要通過基于Agent進行政策實施環(huán)境建模，通過政策與政策執(zhí)行環(huán)境之間的互動，研究分析政策的執(zhí)行效果，以及環(huán)境對政策延邊的影響。然而這些研究方法是從政策外部對政策進行分析，并未深入剖析政策內(nèi)部深層的層次結(jié)構(gòu)。面對政策碎片化問題時，只能分析碎片政策對社會的影響，并不能分析或解決政策碎片化對于政策系統(tǒng)本身帶來的影響。

(2) 政策網(wǎng)絡(luò)分析。政策網(wǎng)絡(luò)分析將政策體系看作復(fù)雜網(wǎng)絡(luò)系統(tǒng)架構(gòu)，是從復(fù)雜網(wǎng)絡(luò)系統(tǒng)演化的角度上研究政策系統(tǒng)本身的演變過程，并通過演化算法預(yù)測政策體系未來的發(fā)展趨勢。政策網(wǎng)絡(luò)分析方法網(wǎng)絡(luò)的構(gòu)建，完全拋開了現(xiàn)實世界的真實網(wǎng)絡(luò)，只是通過演化生成網(wǎng)絡(luò)與實際網(wǎng)絡(luò)進行對比校正網(wǎng)絡(luò)演化模型及其參數(shù)。除此之外，面對政策碎片化問題，只能預(yù)測政策系統(tǒng)的碎片化趨勢，并不能有效地提出解決并預(yù)防政策碎片化現(xiàn)象。

(3) 隱性政策血緣理論。該理論基于真實政策網(wǎng)絡(luò)，對其結(jié)構(gòu)進行深層挖掘。并在此基礎(chǔ)上對政策節(jié)點的重要性以及脆弱性進行了深層的研究。然而該理論中并未提出針對建成的網(wǎng)絡(luò)進行碎片化的治理與防護的措施，這使得該理論對于政策碎片化問題的解決顯得不夠完善。

本文從上述結(jié)論出發(fā)，立足于現(xiàn)階段的已有研究成果，提出一種全新的政策分析方法。本方法基于隱性政策血緣理論，引入政策文本處理的語義理解，并基于“知網(wǎng)”的政策詞語相似度和依存句法分析算法，實現(xiàn)政策血緣網(wǎng)絡(luò)的構(gòu)建。在此基礎(chǔ)上，基于層次聚類思想，提出政策血緣網(wǎng)絡(luò)層次演化方法，提取政策血緣網(wǎng)絡(luò)的樹狀結(jié)構(gòu)，并在此結(jié)構(gòu)基礎(chǔ)上提出新政策的判余與位置鎖定。

1.2 政策血緣理論

深入研究新中國成立后的政策體系演化過程，可以發(fā)現(xiàn)，所有政策均由憲法衍化而來，因而目前所有有效或已失效的政策都因與憲法之間的祖孫關(guān)系而存在內(nèi)在的聯(lián)系，稱之為政策血緣關(guān)系。例如，在我國的社會保障體系中，政策之間的政策血緣關(guān)系如圖1所示。

圖1中所展示的即為一顆政策族譜樹，它描述了圖中節(jié)點的父子關(guān)系。由圖可知，樹中路徑距離較遠(yuǎn)的政策節(jié)點之間的血緣關(guān)系應(yīng)當(dāng)較為薄弱[10]。

圖1 中華人民共和國社保體系結(jié)構(gòu)示意

1.2.1 政策基因

家族政策通過家族基因來傳播和繼承政策血緣關(guān)系[11]。同理，政策族譜樹的衍化過程中傳遞的主要內(nèi)容便是政策基因。政策基因具體到以自然語言書寫的政策文本中，即可以是政策概念、政策詞語、政策條款、政策段落或政策篇章，視具體情況而定。

1.2.2 政策血緣網(wǎng)絡(luò)

正是政策之間隱性血緣關(guān)系的存在，使政策譜系樹中不同的分支之間存在了或強或弱的聯(lián)系，形成網(wǎng)狀結(jié)構(gòu)，稱之為政策血緣網(wǎng)絡(luò)，這種網(wǎng)絡(luò)以政策文本為網(wǎng)絡(luò)頂點，政策文本之間的血緣關(guān)系作為邊，兩個政策文本間的相似度作為權(quán)值，下面進行形式化定義，如式(1)所示。

G=(V,E,W)

(1)

其中，V是頂點集合，該集合有限非空，V中的每個節(jié)點代表真實政策系統(tǒng)中的政策文本。E為邊的集合集，任意ej∈E(G)，使得ej=(vi,vj)，且ej=(vi,vj)表示政策網(wǎng)絡(luò)節(jié)點之間的政策血緣關(guān)系。頂點之間的相似度W為網(wǎng)絡(luò)中邊的權(quán)值。

1.3 復(fù)雜網(wǎng)絡(luò)聚類方法

復(fù)雜網(wǎng)絡(luò)從本質(zhì)上講是具有一定特性和拓?fù)鋸?fù)雜性的圖，一個由著名學(xué)者錢學(xué)森提出的較為嚴(yán)謹(jǐn)?shù)亩x為： 如果一個網(wǎng)絡(luò)具有自組織、自相似、吸引子、小世界以及無標(biāo)度中的部分或全部性質(zhì)，則該網(wǎng)絡(luò)是復(fù)雜網(wǎng)絡(luò)[12]。

聚類分析是將所需處理的數(shù)據(jù)對象的集合按照它們的相似度分成多個聚類簇或數(shù)據(jù)對象子集的過程，是一種常用的數(shù)據(jù)挖掘方法。

文獻[13]綜合上述分類方法，對聚類算法進行如圖2所示的分類，并對每一類聚類算法進行簡要介紹。圖2中，根據(jù)聚類算法是否需要在聚類之前輸入?yún)?shù)，將聚類方法分為參數(shù)方法和非參數(shù)方法。在參數(shù)聚類方法中，又可分為軟聚類方法(模糊聚類方法)、劃分聚類方法和基于模型的聚類方法。

圖2 聚類方法分類

2 政策血緣網(wǎng)絡(luò)體系構(gòu)建

2.1 政策血緣網(wǎng)絡(luò)體系

觀察中華人民共和國人力資源與社會保障部官方網(wǎng)站中公開的社保相關(guān)政策體系，該體系中將社保政策分為八大類，其主要組織形式如圖3所示。

圖3 社會保險政策體系

對于上述不同類別的政策子系統(tǒng)，其內(nèi)部又可根據(jù)不同的側(cè)重分出不同的子類，每個子類包含若干相關(guān)政策。有些政策的組織形式是彼此隔離，互不相關(guān)的。從內(nèi)容上來講，它們或?qū)嵤┑氖荏w相似或相關(guān)，或?qū)嵤┺k法相似或相關(guān)，這種聯(lián)系并沒能從政策族譜樹中體現(xiàn)，這就是政策間的隱性血緣關(guān)系。挖掘這種政策間的隱性血緣，并根據(jù)這種天然的聯(lián)系構(gòu)建隱性政策網(wǎng)絡(luò)，將是解決政策碎片化問題的有力工具。

政策血緣網(wǎng)絡(luò)是一個由微觀、中觀、宏觀三個層面構(gòu)成的政策網(wǎng)絡(luò)體系。其中，微觀層次的政策血緣網(wǎng)絡(luò)是從政策基因的角度上來考慮的；中觀政策血緣網(wǎng)絡(luò)是從政策細(xì)胞的角度上來考慮的；而宏觀政策血緣網(wǎng)絡(luò)是從政策文本的角度上來研究政策血緣網(wǎng)絡(luò)。

定義1(政策個體) 對于政策文本集C={L1,L2,…,Ln}，C所包含的每一個獨立的政策文本Li即為一個政策個體。

定義2(政策細(xì)胞) 對于政策文本L={M1,M2, …,Mn}，L所包含n個政策條款M1,M2, …,Mn即為組成L的n個政策細(xì)胞。

定義3(政策基因) 對于政策細(xì)胞M={S1,S2, …,Sn}，M所包含的m個政策詞語S1,S2, …,Sn即為M的m個政策基因。

政策細(xì)胞作為政策個體的基本單位，是政策個體所攜帶信息的最小單位載體，而政策基因作為政策細(xì)胞內(nèi)的遺傳物質(zhì)對于政策細(xì)胞的形態(tài)以及功能特點起到?jīng)Q定性的作用，進而決定對政策個體的形態(tài)以及所攜帶的信息。

將《中華人民共和國社會保險法》的第二章 “基本養(yǎng)老保險”的前兩句和第三章“基本醫(yī)療保險”的前兩句分別當(dāng)作兩個政策個體，如表1所示。那么對于政策個體L1，組成它的政策細(xì)胞為L1M1和L1M2，L1M1和L1M2任何政策條款的改變都會直接引起政策個體L1結(jié)構(gòu)上的改變。而對于政策細(xì)胞L1M1={S1,S2,S3}={基本，養(yǎng)老，保險}，S1,S2,S3分別是對政策細(xì)胞產(chǎn)生決定性作用的組成部分。

表1 政策個體的一個例子

綜上所述，政策血緣網(wǎng)絡(luò)體系的結(jié)構(gòu)如圖4所示。

圖4 政策血緣網(wǎng)絡(luò)體系結(jié)構(gòu)示意圖

首先對于三層政策血緣網(wǎng)絡(luò)體系加以形式化定義：

定義4(三層政策網(wǎng)絡(luò)) 微觀政策網(wǎng)絡(luò)Snet(V1,E1,W1)，中觀政策網(wǎng)絡(luò)Mnet(V2,E2,W2)及宏觀政策網(wǎng)絡(luò)Lnet(V3,E3,W3)，它們都是加權(quán)無向網(wǎng)絡(luò)，其中：

網(wǎng)絡(luò)節(jié)點的集合分別為V1={S1,S2,…,Sn}，V2={M1,M2,…,Mn}，V3={L1,L2,…,Ln}，其中Si為政策基因，Mi為政策細(xì)胞，Li為政策個體；邊的集合都表示為E={e1,e2,…,em}，集合中的元素分別描述了節(jié)點間的相似關(guān)系；邊的權(quán)值的集合表示為W，集合中元素為邊所連接的節(jié)點對應(yīng)的政策基因(政策細(xì)胞或政策個體)間的相似度值。

明確了由微觀到宏觀的三層政策血緣網(wǎng)絡(luò)，下面可以形式化定義政策血緣網(wǎng)絡(luò)體系的概念：

定義5(政策血緣網(wǎng)絡(luò)體系) 政策血緣網(wǎng)絡(luò)體系可形式化為PNS=(Lnet,Mnet,Snet,R(L,M),R(M,S))，其中： (1)Lnet,Mnet,Snet依次分別為宏觀，中觀和微觀政策血緣網(wǎng)絡(luò)；(2)R(L,M)={e1lm,e2lm, …,enlm}為宏觀政策血緣網(wǎng)絡(luò)與中觀政策血緣網(wǎng)絡(luò)之間的邊的集合，集合內(nèi)元素eilm表示宏觀政策血緣網(wǎng)絡(luò)節(jié)點Lp對于中觀政策血緣網(wǎng)絡(luò)中節(jié)點Mc的包含關(guān)系(Lp,Mc, weight)；(3)R(M,S)={e1ms,e2ms, …,enms}為中觀政策血緣網(wǎng)絡(luò)與微觀政策血緣網(wǎng)絡(luò)之間的邊的集合，集合內(nèi)元素eims表示中觀政策血緣網(wǎng)絡(luò)節(jié)點Mp對于微觀政策血緣網(wǎng)絡(luò)中節(jié)點Sc的包含關(guān)系(Mp,Sc, weight)。

2.2 網(wǎng)絡(luò)體系構(gòu)建的關(guān)鍵技術(shù)

政策血緣網(wǎng)絡(luò)體系的構(gòu)建主要包括體系中節(jié)點的發(fā)現(xiàn)，節(jié)點間關(guān)系的挖掘，節(jié)點間關(guān)系權(quán)重的計算。其中，政策血緣網(wǎng)絡(luò)體系中的節(jié)點包括政策個體、政策細(xì)胞以及政策基因。政策個體即政策篇章，政策細(xì)胞為政策篇章中所包含的政策條款，而政策基因則為政策條款中的政策詞語。本文規(guī)定，政策篇章中的每句話作為政策條款。而獲取政策基因的關(guān)鍵在于對政策文本進行分詞，因此政策血緣網(wǎng)絡(luò)體系構(gòu)建的節(jié)點發(fā)現(xiàn)主要依靠基于標(biāo)點的政策條款獲取和政策文本分詞技術(shù)來實現(xiàn)。

政策血緣網(wǎng)絡(luò)體系中主要存在兩種類型的邊： (1)網(wǎng)內(nèi)邊： 各層網(wǎng)絡(luò)內(nèi)部節(jié)點之間的邊；(2)網(wǎng)際邊： 聯(lián)通不同層次網(wǎng)絡(luò)之間的邊。每個下層節(jié)點都存在一條指向上層節(jié)點的被包含關(guān)系的邊。網(wǎng)際邊的權(quán)值由如下公式計算，對于上層節(jié)點i，以及下層節(jié)點j，聯(lián)通i和j之間邊的權(quán)值為：

(2)

政策血緣網(wǎng)絡(luò)體系中，邊的挖掘以及權(quán)值計算主要分為兩部分，其一是網(wǎng)際邊的權(quán)值計算，這項工作可由式(2)實現(xiàn)；另一部分則為網(wǎng)內(nèi)邊的權(quán)值計算，具體到三個層次的政策血緣網(wǎng)絡(luò)。微觀網(wǎng)絡(luò)的網(wǎng)內(nèi)邊權(quán)值由政策基因相似度計算得來。中觀網(wǎng)絡(luò)的網(wǎng)內(nèi)邊權(quán)值由政策條款的相似度計算得來，宏觀網(wǎng)絡(luò)的網(wǎng)內(nèi)邊權(quán)值由政策個體的相似度計算得來，實現(xiàn)了上述過程，便可實現(xiàn)政策血緣網(wǎng)絡(luò)的構(gòu)建，其構(gòu)建過程如圖5所示。

圖5 政策網(wǎng)絡(luò)體系構(gòu)建流程

圖5中，政策血緣網(wǎng)絡(luò)體系的構(gòu)建主要分為兩個步驟。首先根據(jù)宏觀網(wǎng)絡(luò)中政策個體包含條款的數(shù)量建立宏觀網(wǎng)絡(luò)與中觀網(wǎng)絡(luò)之間的網(wǎng)際邊，網(wǎng)際邊的權(quán)值由公式(2)計算。依次通過中文分詞，依存對提取算法，計算每個政策細(xì)胞內(nèi)部包含的政策基因數(shù)量，根據(jù)公式建立中觀網(wǎng)絡(luò)與微觀網(wǎng)絡(luò)之間的網(wǎng)際邊。至此體系框架構(gòu)建完成。

然后，基于《知網(wǎng)》的詞語相似度計算方法[14-15]，實現(xiàn)政策基因的相似度計算，得到微觀網(wǎng)絡(luò)中網(wǎng)內(nèi)邊的權(quán)值；利用依存句法分析方法[16-19]對政策細(xì)胞進行句法分析，將政策細(xì)胞間的相似度計算轉(zhuǎn)化為政策細(xì)胞句法分析樹之間的相似度計算，從而利用句法分析樹匹配的方法[20]實現(xiàn)政策細(xì)胞相似度計算，得到中觀網(wǎng)絡(luò)中網(wǎng)內(nèi)邊的權(quán)值；基于向量空間模型[21]將政策個體表示為政策細(xì)胞的特征向量，將兩個政策個體所包含的政策細(xì)胞之間相似度的期望作為政策個體的相似度值，從而得到宏觀網(wǎng)絡(luò)的網(wǎng)內(nèi)邊權(quán)值。整個政策血緣網(wǎng)絡(luò)體系的構(gòu)建，算法如下：

算法1 政策血緣網(wǎng)絡(luò)體系構(gòu)建算法輸入: 政策個體集合C={Text1, Text2,…, Textn}輸出: 政策血緣網(wǎng)絡(luò)體系PNS=(Lnet, Mnet, Snet, R(L, M), R(M, S))PNS=(Lnet, Mnet, Snet, R(L, M), R (M, S))for 每一個 政策文本Texti in C { Li=Texti; Lnet=Lnet∪{ Li} 根據(jù)標(biāo)點符號, 提取Li中的政策條款Li={item1, i-tem2, … , itemn} for 每一個政策條款 itemj in Li { Mj= itemj; R(L, M)=R(L, M) ∪C (Li, Mj, 1/l); Mnet=Mnet∪Mj 對Mi進行分詞,得到政策基因序列Mj={word1, word2, … ,wordm} for 每一個政策詞語wordk in Mj{ Sk=wordk; R(M, S)=R(M, S)∪C (Mj, Sk, 1/m); Snet=Snet∪Sk } } }for Li, Lj in Lnet{ for Mi in Li,Mj in Lj{ for Si in Mi,Sj in Mj{ 計算并返回Sim (Si, Sj) Snet=Snet∪Sim (Si, Sj) } 計算并返回Sim (Mi, Mj) Mnet=Mnet∪Sim (Mi, Mj) } 計算Sim (Li, Lj) Lnet=Lnet∪Sim (Li, Lj)}

3 政策血緣網(wǎng)絡(luò)體系結(jié)構(gòu)演化

3.1 宏觀政策血緣網(wǎng)絡(luò)的層級劃分

通過第二節(jié)的敘述，實現(xiàn)了政策血緣網(wǎng)絡(luò)體系的構(gòu)建。該體系使從微觀、中觀和宏觀三個不同的角度觀察政策血緣網(wǎng)絡(luò)體系的結(jié)構(gòu)成為可能。無論從哪個角度來看，政策血緣網(wǎng)絡(luò)都是沒有層次的扁平化網(wǎng)絡(luò)。當(dāng)面對越來越嚴(yán)重的政策碎片化問題時，僅僅依靠該網(wǎng)絡(luò)體系并不能對政策的碎片管理和消減產(chǎn)生直接貢獻。解決政策碎片化問題的關(guān)鍵是對宏觀政策網(wǎng)絡(luò)進行層級劃分，實現(xiàn)同功能政策的替代或分解，減少平行政策數(shù)量。因此，本文提出應(yīng)用劃分聚類方法，實現(xiàn)政策網(wǎng)絡(luò)節(jié)點的聚類，從而延緩碎片化。

3.1.1 自底向上的層次聚類方法AGNES

自底向上的層次聚類的基本思想是，對于待聚類數(shù)據(jù)集合，首先將集合中的每一個數(shù)據(jù)都看做是一個類，然后根據(jù)一定的計算標(biāo)準(zhǔn)計算不同類之間的相似度，合并相似度滿足要求的類，形成新的類，照此過程進行迭代，直到數(shù)據(jù)集中所有的數(shù)據(jù)都合并到一個大類中。其主要步驟描述如下：

(1)首先把數(shù)據(jù)集合中的每個數(shù)據(jù)初始化為一個初始類。(2)對于每個類，利用既定的相似度計算方法，兩兩計算不同類之間的相似度。(3)選擇相似度符合實驗法要求的類，將這些類合并為一個類。(4)重復(fù)步驟(2)～(3)，直到數(shù)據(jù)集中所有的類聚集都凝聚為一個大類。

AGNES算法是一種硬聚類方法，每個類中的節(jié)點只明確的歸屬于一個類，這必將導(dǎo)致某些節(jié)點間相似關(guān)系的忽視。除此之外，AGNES算法中只考慮了節(jié)點之間的相似關(guān)系，并未考慮節(jié)點之間的包含關(guān)系。在實際的政策網(wǎng)絡(luò)節(jié)點中，其政策個體可能是另一個政策的子政策。AGNES中，某個類一旦形成，那么該類中的任何節(jié)點將永遠(yuǎn)從屬于該類，并不能隨著該類節(jié)點的增多而偏移向其他的類。如果某個合并的決策在后來被證明是不好的選擇，在AGNES算法中是無法退回并修正的，這將導(dǎo)致聚類結(jié)果的偏差愈加增大。為此，本文提出一種新的層次聚類方法PBNAP(Policy Blood Network Architecture Partition)。該方法基于AGNES算法思想，并加以改進，適用于在政策血緣網(wǎng)絡(luò)的基礎(chǔ)上進行網(wǎng)絡(luò)層次劃分。

3.1.2 宏觀政策血緣網(wǎng)絡(luò)層級劃分算法PBNAP

政策細(xì)胞指政策條款，政策個體指包含了多個政策條款的政策篇章。政策細(xì)胞的相似度采用基于依存句分析及依存樹匹配相結(jié)合的方法，而政策個體間的相似度值是政策細(xì)胞相似度的期望值。由于政策個體中包含了政策細(xì)胞，故兩者的相似度值可以進行比較，從而定義政策個體的相異度如下：

對于政策個體L1和L2，其相似度為Sim(L1,L2)，設(shè)L1所包含的所有政策細(xì)胞中，與L2中任意節(jié)點間相似度都小于Sim(L1,L2)的節(jié)點個數(shù)為nsub，則稱nsub與L1的比值為L1相對于L2的相異度。形式化定義如下：

定義6(相異度) 對于政策個體L1和L2，設(shè)L1與L2之間的相似度為Sim(L1,L2)，L1的子集SubL1與L2的子集SubL2形成以兩政策節(jié)點之間的二元關(guān)系為元素的集合，S={|Mi∈SubL1,Mj∈SubL2,Sim(Mi,Mi)

(3)

L2相對于L1的相異度與上述公式類似。由上述定義可知，政策個體之間的相異度反映的是政策個體的個性程度。Dif(L1,L2)越大，說明在政策個體L1中，其包含的政策細(xì)胞與L2中政策細(xì)胞相異的就越多，政策個體L1相對于L2的個性程 度 就 越

大。那么對于政策個體L1和L2，在推斷他們之間的包含關(guān)系時，假設(shè)相異度閾值β是一個較小的常數(shù)，則由相異度可以得到如下推斷：

(1) 若min{Dif(L1,L2),Dif(L2,L1)}>β，則說明，L1和L2不具有父子關(guān)系； (2)若Dif(L1,L2)>β>Dif(L2,L1)，則L2是L1的子政策； (3)反之，若Dif(L2,L1)>β>Dif(L1,L2)，則L1是L2的子政策；(4)若min{Dif(L1,L2),Dif(L2,L1)}≤β，則L1和L2是完全相同的兩個節(jié)點；

定義7(政策個體之間的包含度) 對于政策個體L1對L2的包容度定義為政策個體L2從屬于政策個體L1，其計算如式(4)所示。

(4)

由式(4)可知，當(dāng)C(L1,L2) >1時，說明L2是L1的子政策；當(dāng)C(L1,L2)∈(0,1)時，說明L1是L2的子政策。當(dāng)C(L1,L2)=0時，說明L2與L1互為冗余政策；而當(dāng)C(L1,L2)=-1時，說明L1與L2之間無父子關(guān)系。

對于已構(gòu)建好的政策血緣網(wǎng)絡(luò)，首選在宏觀政策血緣網(wǎng)絡(luò)LNet中選取度最低(即度為1)的n個節(jié)點SubLNet0={L1,L2,…,Ln}作為最底層的葉子節(jié)點(網(wǎng)絡(luò)中度數(shù)最小的節(jié)點必定為葉子節(jié)點)。關(guān)于?Li∈SubLNet0，其只存在一個鄰居節(jié)點，設(shè)為pLi。假設(shè)網(wǎng)絡(luò)是連通圖的前提下，那么其鄰居節(jié)點pLi必定會有另外的 鄰 居 節(jié) 點。 故pLi的 度 一

定大于1，且其鄰居節(jié)點pLi為Li的父節(jié)點。由此網(wǎng)絡(luò)中初始形成了n個由SubLNet中節(jié)點以及其鄰居節(jié)點形成類。之后，對于SubLNet中所有節(jié)點的鄰居節(jié)點形成的集合NebSubLNet0，對?Li∈NebSubLNet0滿足Li沒有父節(jié)點。首先，確定其鄰居節(jié)點集合Neb={LiN1,LiN2,…,LiNm}，然后，對于?LiNj∈NebLi且滿足Sim(Li,LiNj)以及LiNj沒有父節(jié)點和子節(jié)點，分別計算C(Li,LiNj)，根據(jù)包含度確定這Li和LiNj之間的父子關(guān)系。反復(fù)迭代，直至網(wǎng)絡(luò)中最后一個節(jié)點的位置確定。算法的示意圖如圖6所示。

圖6 PBNAP算法流程示意圖

綜上所述，政策血緣網(wǎng)絡(luò)層次劃分算法描述如下：

算法2 政策血緣網(wǎng)絡(luò)層次劃分算法輸入: 政策血緣網(wǎng)絡(luò)體系PNS,包含度閾值β輸出: 宏觀層次的政策血緣網(wǎng)絡(luò)Lnet中的父子關(guān)系集合Rfor節(jié)點Li in Lnet{ for節(jié)點Lj in Lnet{ 計算Li與Lj之間的包含度C(Li, Lj) IfC(Li, Lj) > 0 && C(Li, Lj) < 1 { R=R∪{(Lj, Li)} }else if C(Li, Lj) > 1{ R=R∪{(Li, Lj)} }else if C(Li, Lj)=0{ R=R∪{(Li, Lj)} } } }

3.2 政策網(wǎng)絡(luò)的去碎片化演化

通過3.1節(jié)介紹的理論，實現(xiàn)了扁平化宏觀政策血緣網(wǎng)絡(luò)的樹狀層次劃分。然而這種樹狀層次的形成是以犧牲政策個體內(nèi)部比重較小的政策細(xì)胞之間的相似度為代價的。在實際的政策網(wǎng)絡(luò)中，政策碎片化的正向傳播體現(xiàn)在政策個體之間時，不僅沒有鮮明的體系層次，且從政策文本內(nèi)容上來講，還存在著不同政策個體所包含的政策細(xì)胞之間的交叉。針對此問題，本文在層次化宏觀政策血緣網(wǎng)絡(luò)的基礎(chǔ)上，對中觀的政策細(xì)胞網(wǎng)絡(luò)進行演化，消減網(wǎng)絡(luò)中的碎片化節(jié)點。

在物理學(xué)中的萬有引力定律中，任意兩個質(zhì)點通過連心線方向上的力相互吸引。該引力大小與它們質(zhì)量的乘積成正比，與它們距離的平方成反比，與兩物體的化學(xué)組成和其間介質(zhì)種類無關(guān)。故可以如下定義政策個體之間的吸引力。

定義8(政策個體之間吸引力) 政策個體之間吸引力表示文本之間的相互吸引程度，它與文本的長度成正比，與文本之間的距離成反比。

對于政策個體L1={M11,M12,…,M1n}和L2={M21,M22,…,M2n}，由上文可以計算L1,L2之間的相似度Sim(L1,L2)，則文本之間的距離為：

(5)

那么L1,L2之間的吸引力F(L1,L2)的計算公式為：

(6)

對于政策文本L1和L2，它們所包含的內(nèi)容越多，相似度越大，則它們之間的吸引力越強。對于一個政策細(xì)胞M和一個政策個體L，在考量它們之間的吸引力F(L,M)時可以將政策細(xì)胞M看成是一篇只由一條政策條款組成的政策個體，表示為長度為1的空間向量，那么它們之間吸引力可簡化為式(7)：

F(L,M)=|L|×Sim(L,M)

(7)

由此本文提出基于政策文本吸引力的政策文本去碎片化方法，其中政策森林的構(gòu)建過程如圖7所示。

圖7 政策森林構(gòu)建

具體的去碎片化算法描述如下：

算法3 政策血緣網(wǎng)絡(luò)層去碎片化算法輸入: 政策血緣網(wǎng)絡(luò)體系PNS,Lnet的層次結(jié)構(gòu)R(節(jié)點父子關(guān)系),相似度閾值γ輸出: 政策血緣森林for Li in Lnet { for Lj in Lnet { if ( Li, Lj ) 不屬于R { for Mx屬于Li {

續(xù)表

通過政策血緣網(wǎng)絡(luò)的去碎片化，刪除了層次政策血緣網(wǎng)絡(luò)中的非父子關(guān)系，從而構(gòu)建了有一棵或多棵政策血緣樹構(gòu)成的政策血緣森林。下面對政策血緣樹進行形式化定義：

定義9(政策血緣樹)T(V,E, root(T))為一棵由政策文本組成的樹，滿足： (1)該樹中，有且只有一個根節(jié)點root(T)； (2)頂點集合V={L1,L2,…,Ln}中元素為政策文本； (3)邊集合E={ek=|Li,Lj∈V,wk=C(Li,Lj)}，是V上的二元加權(quán)關(guān)系集合，它描述父子節(jié)點之間聯(lián)系的緊密程度。

3.3 政策碎片化的預(yù)防

經(jīng)過前面的介紹，已經(jīng)可以將現(xiàn)存的碎片化政策進行層次構(gòu)建，并消除了層次化血緣網(wǎng)絡(luò)體系中的碎片化條款，從而形成政策血緣森林。在新政策制定的過程當(dāng)中，政策制定者難以掌握所有現(xiàn)存政策信息，因此產(chǎn)生新的政策碎片。如何利用上面提出的層次化的政策血緣網(wǎng)絡(luò)對新政策進行定位至關(guān)重要。本文提出一種基于樹的層次檢索的方法。對于新政策，在政策血緣森林中尋找與新政策節(jié)點相似的已存在的政策個體，通過與這些節(jié)點的匹配為政策制定者提供政策定位的輔助信息。

3.3.1 政策血緣網(wǎng)絡(luò)層次有序化

層次化的政策血緣網(wǎng)絡(luò)的實質(zhì)是一棵或多棵政策血緣樹組成的政策森林。每棵政策樹中的父子節(jié)點之間的關(guān)系存在著相似度大，及包含度大的特點。這棵政策血緣樹的兄弟節(jié)點對于父節(jié)點來說是平等的。它們所處的位置與它們與父節(jié)點的聯(lián)系緊密程度無關(guān)，這不利于政策的逐層檢索。因此，本文在前文所構(gòu)建的政策血緣樹的基礎(chǔ)上，提出一種政策文本包含度的無序政策樹有序化算法，其流程如圖8所示。

圖8 政策樹有序化示例

對于圖中政策血緣樹T={L1,L2,…,L11}，按廣度優(yōu)先的順序?qū)進行層次遍歷，對于遍歷中的每個非葉子節(jié)點Li，設(shè)其直系子節(jié)點集合為Child(Li)=={Li1,Li2,…,Lin}，對于?Lij∈Child(Li)，由加權(quán)樹的邊的權(quán)值可以得到Li對其子節(jié)點Lij的包含度C(Li,Lij)，對Li的所有子節(jié)點按照包含度的由大到小進行排序，分別作為Li由左到右的孩子節(jié)點。繼續(xù)迭代，直至政策血緣樹T中所有的非葉節(jié)點的子節(jié)點全部有序排列。

3.3.2 新政策的位置鎖定

應(yīng)用上文構(gòu)建的政策血緣有序樹所構(gòu)成的政策血緣森林，對于新制定的政策，本文提出一種基于有序樹檢索的政策碎片預(yù)防機制。該機制可以執(zhí)行在新政策的制定和修訂的過程中，用于檢驗新政策相對于已存在的政策樹的冗余度，及對于非冗余政策在政策森林中插入位置的確定。其大致流程如圖9所示。

圖9 新政策的插入

如圖9所示，對于一個新制定的政策Lnew，首先計算政策森林F={T1,T2,…,Tn}中所有樹根節(jié)點對于Lnew的包含度Croot(F,Lnew)，其中Croot(F,Lnew)包含的內(nèi)容為Croot(F,Lnew)={C(root(T1Lnew)),C(root(T2Lnew)),…,C(root(TnLnew))}。Croot(F,Lnew)中，如果其最大元素Max(C(root(TnLnew)))<0，則將政策Lnew作為政策森 林F的 新 政

策樹；若存在Lnew對某個跟節(jié)點的包含度大于所有根節(jié)點對于Lnew的包含度，則Lnew為該根節(jié)點的父節(jié)點；否則Lnew的從屬于對于Lnew包含度最大的政策樹，下面從該樹的根節(jié)點開始，迭代計算Lnew與本次迭代的父節(jié)點的子節(jié)點中，尋找Lnew的下次迭代父節(jié)點，直到找到Lnew的直系父節(jié)點。尋找的過程如圖10所示。

圖10 新政策判余與位置鎖定

圖10中，已知本層父節(jié)點為L，本層父節(jié)點對新政策Lnew的包含度為C(L,Lnew)，則在判斷下一層節(jié)點時會遇到三種情況：

(1)C(L,Lnew) >C(L,LLC)，其中LLC為L的最左孩子。此時若Sim(LLC,Lnew)

(2)C(L,Lnew) >C(L,LRC)，其中LRC為L的最右孩子。此時若Sim(LRC,Lnew)

(3)C(L,LCi) u或Sim(LCj,Lnew) >u，則Lnew為冗余政策；否則，分別計算C(LCi,Lnew)和C(LCj,Lnew)，若C(LCi,Lnew) >C(LCj,Lnew)，則令LCi為下次迭代的父節(jié)點，反之，令LCj為下次迭代的父節(jié)點。

具體的位置鎖定算法描述如下：

算法4 新政策節(jié)點的插入位置鎖定輸入: 政策個體Lnew,有序化政策血緣森林F輸出: 經(jīng)過插入操作的政策森林F計算Lnew與F中所有根節(jié)點的包含度if max ( C( Lnew, root(T) ) )=0{ Lnew 為冗余政策}else if max ( C( Lnew, root(T) ) ) > 1{ Lnew 為政策血緣樹的新的根節(jié)點}else if max ( C( Lnew, root(T) ) ) < 0{ Lnew 為政策森林中的一棵新樹}else{ Lnew 為樹T的子節(jié)點, 按包含度確定Lnew鄰居兄弟節(jié)點 if存在包含關(guān)系, 則遍歷下一層 else{ 在兄弟節(jié)點之間插入Lnew }}

4 實驗結(jié)果及分析

本實驗以中華人民共和國人力資源與社會保障部網(wǎng)站上，政府公開法律法規(guī)的養(yǎng)老保險菜單中，城鎮(zhèn)職工基本養(yǎng)老保險目錄下的10個養(yǎng)老保險相關(guān)政策文本為例，驗證文中研究技術(shù)的有效性。實驗中使用的每一個政策文本，均保存為txt格式。實驗分為四個階段，分別為：

(1) 政策文本相似度計算。通過依存句法分析方法，基于《知網(wǎng)》的詞語相似度計算方法，政策細(xì)胞相似度計算方法，以及政策個體相似度計算方法，實現(xiàn)政策文本相似度計算。

(2) 依據(jù)政策文本相似度計算結(jié)果，構(gòu)建城鎮(zhèn)職工養(yǎng)老保險政策血緣網(wǎng)絡(luò)體系。探究各層次城鎮(zhèn)職工養(yǎng)老保險政策血緣網(wǎng)絡(luò)特點。

(3) 在政策血緣網(wǎng)絡(luò)體系的基礎(chǔ)上，對宏觀政策網(wǎng)絡(luò)進行層次劃分，去碎片演化，觀察樹狀政策血緣網(wǎng)絡(luò)結(jié)構(gòu)特征。

(4) 在政策血緣森林的基礎(chǔ)上，分別對一個新政策個體及數(shù)據(jù)集中某政策個體的部分政策細(xì)胞稍加改動作為“新政策”，對新政策的冗余判斷及位置鎖定仿真。在此，本文僅展現(xiàn)重要步驟的實驗結(jié)果，省略了某些中間過程的結(jié)果。

4.1 隱性血緣政策網(wǎng)絡(luò)體系的構(gòu)建

經(jīng)過了政策基因、政策細(xì)胞和政策個體之間的相似度計算之后，可以分別構(gòu)建微觀政策血緣網(wǎng)絡(luò)、中觀政策血緣網(wǎng)絡(luò)和宏觀政策血緣網(wǎng)絡(luò)。其中，微觀政策網(wǎng)絡(luò)共14 885個節(jié)點，中觀政策血緣網(wǎng)絡(luò)節(jié)點共644個，宏觀政策網(wǎng)絡(luò)節(jié)點共10個。三層網(wǎng)絡(luò)構(gòu)建結(jié)果分別如圖11～13所示。

圖11 微觀政策血緣網(wǎng)絡(luò)

由圖11中，隨著節(jié)點度的由小增大，節(jié)點的顏色由深至淺逐漸變化。而邊的顏色由深至淺是由邊的權(quán)重(節(jié)點相似度)由大變小導(dǎo)致的。由微觀層次的政策網(wǎng)絡(luò)圖可以看出，微觀層次的網(wǎng)絡(luò)節(jié)點度分布滿足無標(biāo)度特性。

圖12為中觀層次的政策血緣網(wǎng)絡(luò)。由圖可知： 中觀層次的政策網(wǎng)絡(luò)節(jié)點的度分布也明顯具有無標(biāo)度的特性。該圖中節(jié)點越大，顏色越深，度越大；邊顏色越深權(quán)值越大。圖12可以較為明顯的看出實驗數(shù)據(jù)及中的不同政策文本間，第五條政策細(xì)胞的相似度比較大。

圖12 中觀政策血緣網(wǎng)絡(luò)

由圖12可以看出，政策L1、L2、L3、L4、L5、L6、L7、L8、L9的第5個條款M5相似度較大，且與其他同一政策文本內(nèi)的其他政策細(xì)胞基本不相似，由此可以推斷該條款為政策文本中的通用性文字，與特定政策相關(guān)性不大。而對于圖中類似于L8M1、L6M4等節(jié)點，其度較大。說明與其相似的政策細(xì)胞較多，從而可以推斷該條款包含內(nèi)容較廣，后續(xù)有可能細(xì)化成多個政策細(xì)胞或者獨立的政策。

圖13為宏觀政策血緣網(wǎng)絡(luò)的網(wǎng)絡(luò)圖，由圖可知，政策文本L8、L5、L2與較多的政策之間存在著相似關(guān)系，因此可能成為政策樹的根節(jié)點。而L5與L4、L3與L8、L8與L2之間存在著較強的相似關(guān)系，因此有可能成為具有父子關(guān)系的節(jié)點。

圖13 宏觀政策血緣網(wǎng)絡(luò)

4.2 政策血緣網(wǎng)絡(luò)的結(jié)構(gòu)演化

4.2.1 政策血緣網(wǎng)絡(luò)的層次劃分

對于構(gòu)建好的宏觀政策血緣網(wǎng)絡(luò)，僅僅能感性的從中觀察出可能的節(jié)點間關(guān)系。而且該政策網(wǎng)絡(luò)是扁平的，并不存在明顯的層次結(jié)構(gòu)。針對此問題，本階段主要對上一階段構(gòu)建的宏觀層次的政策網(wǎng)絡(luò)進行層次劃分、政策樹的構(gòu)建等相關(guān)處理，以提取出宏觀層次的政策血緣網(wǎng)絡(luò)中的層次結(jié)構(gòu)。首先，要對宏觀政策血緣網(wǎng)絡(luò)中的層次結(jié)構(gòu)進行提取。本實驗中，相異度閾值β選定為0.896，各政策個體之間的包含度計算部分結(jié)果見表2。

表2 政策個體包含度計算部分結(jié)果

經(jīng)試驗反復(fù)調(diào)試，本實驗采用包含度閾值c為0.3，則政策個體中，包含度大于3或大于0小于0.3的為存在父子關(guān)系的節(jié)點，則由政策個體之間的包含度，將宏觀層次的政策網(wǎng)絡(luò)進行層級劃分，結(jié)果如圖14所示。

圖14 宏觀政策血緣網(wǎng)絡(luò)層級劃分

圖14中，節(jié)點間較寬的邊即為有政策節(jié)點之間的包含度所提取出的父子關(guān)系，節(jié)點之間的邊顏色越深，則該邊兩段所連接的父子節(jié)點中，父節(jié)點對于子節(jié)點的包含度越大。而包含所述內(nèi)容較多的節(jié)點，其包含的子節(jié)點越多。如圖中節(jié)點L8的直系孩子節(jié)點為L2，L3，L6，而節(jié)點L6的直系孩子節(jié)點只有L5，那么由此可以初步推斷，L8比L6包含更多的政策信息。

4.2.2 政策血緣網(wǎng)絡(luò)的去碎片化演化

層次化的政策血緣網(wǎng)絡(luò)中還存在著很多相似度較大的非父-子關(guān)系的節(jié)點。針對這樣的節(jié)點，分析其內(nèi)部相似度較大的政策細(xì)胞，并計算這種條款與對應(yīng)節(jié)點之間的萬有引力。對于層次化的宏觀政策血緣網(wǎng)絡(luò)中的非父子節(jié)點，分別檢索這些非父子節(jié)點內(nèi)部條款見的相似度。當(dāng)相似度大于閾值γ大于0.5時，則對該政策細(xì)胞與對方政策個體的萬有引力進行計算。并將該政策細(xì)胞劃分到萬有引力較大的政策個體中，經(jīng)過去碎片化演化的政策血緣網(wǎng)絡(luò)形成政策血緣森林。如圖15所示。

由圖15可知，由實驗數(shù)據(jù)集中這10個政策文本組成的宏觀政策血緣網(wǎng)絡(luò)經(jīng)過去碎片化演化形成的政策血緣森林為兩棵政策血緣樹。其中一棵樹只有一個根節(jié)點L10，另一棵樹中包含9個政策個體，L8為根節(jié)點。對于樹中的父子節(jié)點，其對于子節(jié)點的包含度越大，邊的顏色越深。對于一個根節(jié)點，其子節(jié)點的個數(shù)越多，意味著該節(jié)點越有可能包含更多的信息。而對于一對指定的父子節(jié)點，其包含度越大，說明父節(jié)點與子節(jié)點父子關(guān)系的可靠性就越大。

圖15 政策血緣森林

4.2.3 政策血緣森林的有序化

上面所構(gòu)建的政策血緣森林中的政策血緣樹是無序樹。即對父節(jié)點來說，其與某個子節(jié)點間包含關(guān)系的大小與該節(jié)點位置無關(guān)，這種無序狀態(tài)不利于樹的檢索與插入操作。因此，本實驗對上述政策血緣森林進行包含度的排序，得到有序化的政策血緣森林,其過程如圖16所示。

圖16 政策血緣有序森林

圖16中，在經(jīng)過有序化的政策森里共包含兩棵政策有序樹，其根節(jié)點分別為L8和L10，其中L10為只有一個節(jié)點構(gòu)成的政策樹。而在以L8為根節(jié)點的政策有序樹中，隨著父子節(jié)點間邊的由深至淺，所有父節(jié)點的子節(jié)點均按照父節(jié)點對其包含度由大到小排列。

4.2.4 新政策位置鎖定

對于上述有序化的政策血緣森林，假設(shè)有L11為新政策節(jié)點，本文將演示該政策在政策血緣森林中進行親緣關(guān)系尋找與位置鎖定的過程。該過程通過計算原有政策森林中的各節(jié)點對于新的政策節(jié)點的包含度，進而判斷原有政策節(jié)點與新政策節(jié)點之間的潛在父子關(guān)系。首先計算該節(jié)點與政策森林中所有節(jié)點之間的包含度和相似度，計算結(jié)果見表3。

表3 新政策與政策血緣森林節(jié)點之間的相似度與包含度

圖17 新節(jié)點的插入

圖17中，經(jīng)過包含度和相似度的計算，新政策L11為非冗余節(jié)點，且是政策L6的左孩子。圖中節(jié)點的大小表示節(jié)點孩子數(shù)目的多少，而邊的粗細(xì)表示父子節(jié)點間包含關(guān)系的強弱。

5 結(jié)論

本文提出一種自動化的政策系統(tǒng)結(jié)構(gòu)分析方法，通過分析政策之間深層聯(lián)系，實現(xiàn)碎片化政策的網(wǎng)絡(luò)結(jié)構(gòu)組織，并進行碎片消解，形成結(jié)構(gòu)清晰的政策網(wǎng)絡(luò)，實現(xiàn)基于該政策網(wǎng)絡(luò)的新政策碎片預(yù)防。本文提出的政策分析與制定計算機輔助技術(shù)，可以幫助決策者直觀地把握政策的體系結(jié)構(gòu)，預(yù)測新政策在該政策體系中的地位，為有效地消減和預(yù)防政策碎片化現(xiàn)象提供了有效的解決方案。目前，本文提出的方法尚未完全成熟。如政策文本相似度計算算法，仍處于犧牲算法效率換取算法精確度的階段，尚不足以處理大規(guī)模的文本集。未來的工作主要集中在此類算法的性能優(yōu)化上，以充分發(fā)揮本政策血緣網(wǎng)絡(luò)體系及演化方法在現(xiàn)實政策分析中的重要作用。

[1] 馮瑩. 碎片與重塑社保制度公平之路[N]. 人民法院報，2010-05-17.

[2] 朱亞鵬.公共政策研究的政策網(wǎng)絡(luò)分析視角[J].中山大學(xué)學(xué)報, 2008: 80-83.

[3] Ismael Blanco, Vivien Lowndes, Lawrence Pratchett. Policy Networks and Governance Networks: Towards Greater Conceptual Clarity[J]. Political Studies Review, 2011: 25.

[4] 楊代福.政策網(wǎng)絡(luò)理論途徑的缺失與修正.理論月刊,

2008(3):82-85.

[5] 譚羚雁, 婁成武. 保障性住房政策過程的中央與地方政府關(guān)系——政策網(wǎng)絡(luò)理論的分析與應(yīng)用[J]. 公共管理學(xué)報, 2012, 09(1):52-63.

[6] 朱春奎.政策網(wǎng)絡(luò)與政策工具:理論基礎(chǔ)與中國實踐[M].上海:復(fù)旦大學(xué)出版, 2012.

[7] 唐云鋒, 許少鵬. 政策網(wǎng)絡(luò)理論及其對我國政策過程的啟示[J]. 中共浙江省委黨校學(xué)報, 2012, 28(2):40-45.

[8] 范如國.制度演化及其復(fù)雜性理論[M]. 北京: 科學(xué)出版社, 2011.

[9] 劉剛.面向領(lǐng)域的軟件需求一致性驗證方法研究[D]. 哈爾濱工程大學(xué)博士學(xué)位論文, 2008:21-54.

[10] 劉影. 面向領(lǐng)域的隱形政策血緣挖掘方法研究[D]. 哈爾濱工程大學(xué)碩士學(xué)位論文, 2013:14-33.

[11] 路彩霞. 基于語義的領(lǐng)域政策要點分析與形式化方法研究[D].哈爾濱工程大學(xué)碩士學(xué)位論文, 2014:8-46.

[12] 盧志剛，劉俊榮，劉寶旭. 基于GTST-MLD的復(fù)雜網(wǎng)絡(luò)風(fēng)險評估方法[J]. 計算機科學(xué), 2014.14-23.

[13] 陳寶樓. K-Means算法研究及在文本聚類中的應(yīng)用[D]. 安徽大學(xué)碩士學(xué)位論文, 2013.23-46.

[14] 張瑞霞, 楊國增, 吳慧欣. 基于《知網(wǎng)》的漢語未登錄詞語義相似度計算[J]. 中文信息學(xué)報, 2012, 26(1):16-21.

[15] 朱新華, 馬潤聰, 孫柳,等. 基于知網(wǎng)與詞林的詞語語義相似度計算[J]. 中文信息學(xué)報, 2016, 30(4):29-36.

[16] 陳功,羅森林,陳開江,等.結(jié)合結(jié)構(gòu)下文及詞匯信息的漢語句法分析方法[J]. 中文信息學(xué)報, 2012(1): 9-15.

[17] Calvo H, Gambino O J, Gelbukh A, et al. Dependency syntax analysis using grammar induction and a lexical categories precedence system[C]//Proceedings of the Computational Linguistics and Intelligent Text Processing -, International Conference, Cicling 2011, Tokyo, Japan, February 20-26, 2011. Proceedings. DBLP, 2011:109-120.

[18] 車萬翔,張梅山,劉挺.基于主動學(xué)習(xí)的中文依存句法分析[J].中文信息學(xué)報, 2012(2):18-22.

[19] 辛霄,范士喜,王軒,等.基于最大熵的依存句法分析[J].中文信息學(xué)報, 2009(2):18-22.

[20] 黎琛. 基于依存樹相似度計算的漢語復(fù)句關(guān)系詞自動識別[D]. 華中師范大學(xué)碩士學(xué)位論文, 2015.

[21] Abril D, Navarroarribas G, Torra V. Vector Space Model Anonymization[J]. 2013, 256:141-150.