以法學(xué)知識為中心的認(rèn)知智能是當(dāng)前司法人工智能發(fā)展的重要方向。該文提出了以自然語言處理（NLP）為核心技術(shù)的司法案件案情知識圖譜自動構(gòu)建技術(shù)。以預(yù)訓(xùn)練模型為基礎(chǔ),對涉及的實(shí)體識別和關(guān)系抽取這兩個NLP基本任務(wù)進(jìn)行了模型研究與設(shè)計。針對實(shí)體識別任務(wù),對比研究了兩種基于預(yù)訓(xùn)練的實(shí)體識別模型;針對關(guān)系抽取任務(wù),該文提出融合平移嵌入的多任務(wù)聯(lián)合的語義關(guān)系抽取模型,同時獲得了結(jié)合上下文的案情知識表示學(xué)習(xí)。在"機(jī)動車交通事故責(zé)任糾紛"案由下,和基準(zhǔn)模型相比,實(shí)體識別的F₁值可提升0.36,關(guān)系抽取的F₁值提升高達(dá)2.37。以此為基礎(chǔ),該文設(shè)計了司法案件的案情知識圖譜自動構(gòu)建流程,實(shí)現(xiàn)了對數(shù)十萬份判決書案情知識圖譜的自動構(gòu)建,為類案精準(zhǔn)推送等司法人工智能應(yīng)用提供語義支撐。 

【文章來源】：中文信息學(xué)報. 2020,34(01)北大核心

【文章頁數(shù)】：11 頁

【部分圖文】：

實(shí)體識別模型BERT-Softmax

f(Η,Y)= ∑ i=1 n A y i ,y i+1 + ∑ i=1 n Ρ i,y i ?????? ??? (2)其中,A是輸出標(biāo)簽之間的轉(zhuǎn)移得分矩陣,其中,Aij對應(yīng)標(biāo)簽i到標(biāo)簽j的得分。

我們對句子特征、實(shí)體1特征、實(shí)體2特征進(jìn)行連接,輸入到前饋神經(jīng)網(wǎng)絡(luò),進(jìn)行特征融合,以獲得融合特征Ffused,如式(8)所示。F fused =gelu((F sent ⊕F ent1 ⊕F ent2 )W fused +b fused )?????? ??? (8)


本文編號：3071762