在线政民互动作为数字政府建设的一部分，其自动化机制的研究是极其重要的。当前政民互动中的问题由人工进行分派，耗费大量人力、时间成本的同时，分派准确率受限于工作人员的知识水平也无法保证。随着深度学习等技术的发展，应用自动分类技术改革该机制成为了可能。将政务问答文本作为模型输入，通过大规模语料训练，将其分类到不同的责任部门下，即可完成自动化分派任务。然而政务问答数据由于含有较多领域词且文本较短、特征较为稀疏导致传统的分类模型无法很好地完成分类任务。因此本文提出了一种基于政务服务知识图谱的短文本分类模型GQA-K-BERT。具体而言，本文首先构建了政务服务知识图谱，将其作为外部知识引入BERT短文本分类模型中。同时，模型使用自训练的分词模型以提高知识嵌入的准确性，并将问题与答案共同作为训练输入来丰富短文本特征。另外，使用焦点损失函数减弱了各个部门数据量极度不平衡对分类结果带来的影响。最后，本文利用北京市政府相关数据对模型表现进行测试，结果显示模型的宏平均指标均在86%以上，微平均指标均在88%以上，取得了较好的部门分派结果。综上，利用本文提出的模型可以在一定程度上优化政府内部工作机制，实现从人工分派方式到自动化分派方式的转变，在保证分类准确率的基础上，减少在线政民互动的处理环节，压缩处理时限，从而提升政府的工作效率，推动数字政府建设进程。