面向司法案件的案情知识图谱自动构建

被引：58

作者：

洪文兴 ^{[1
]}

胡志强 ^{[1
]}

翁洋 ^{[2
]}

张恒 ^{[3
]}

王竹 ^{[4
]}

郭志新 ^{[5
]}

机构：

[1] 厦门大学航空航天学院

[2] 四川大学数学学院

[3] 成都星云律例科技有限责任公司

[4] 四川大学法学院

[5] 电子科技大学公共管理学院

来源：

中文信息学报 | 2020年 / 34卷 / 01期

基金：

国家重点研发计划;

关键词：

司法案件; 知识图谱; 实体识别; 关系抽取;

D O I：

暂无

中图分类号：

D926 [司法制度]; TP18 [人工智能理论];

学科分类号：

030202 [中外政治制度]; 140502 [人工智能];

摘要：

以法学知识为中心的认知智能是当前司法人工智能发展的重要方向。该文提出了以自然语言处理（NLP）为核心技术的司法案件案情知识图谱自动构建技术。以预训练模型为基础,对涉及的实体识别和关系抽取这两个NLP基本任务进行了模型研究与设计。针对实体识别任务,对比研究了两种基于预训练的实体识别模型;针对关系抽取任务,该文提出融合平移嵌入的多任务联合的语义关系抽取模型,同时获得了结合上下文的案情知识表示学习。在"机动车交通事故责任纠纷"案由下,和基准模型相比,实体识别的F1值可提升0.36,关系抽取的F1值提升高达2.37。以此为基础,该文设计了司法案件的案情知识图谱自动构建流程,实现了对数十万份判决书案情知识图谱的自动构建,为类案精准推送等司法人工智能应用提供语义支撑。

引用

页码：34 / 44

页数：11

共 7 条

[1]

A Combination of RNN and CNN for Attention-based Relation Classification.[J].Xiaobin Zhang;Fucai Chen;Ruiyang Huang.Procedia Computer Science.2018,

[2]

Named Entity Recognition with Bidirectional LSTM-CNNs.[J].Jason P.C. Chiu;Eric Nichols.Transactions of the Association for Computational Linguistics.2016,

[3]

Wikidata.[J].Denny Vrandečić;Markus Krötzsch.Communications of the ACM.2014, 10

[4]

Dropout: a simple way to prevent neural networks from overfitting..[J].Nitish Srivastava;Geoffrey E. Hinton;Alex Krizhevsky;Ilya Sutskever;Ruslan Salakhutdinov.Journal of Machine Learning Research.2014, 1

[5]

DBpedia - A crystallization point for the Web of Data [J].