[发明专利]一种半监督司法实体及事件联合提取方法

说明书

一种半监督司法实体及事件联合提取方法，其步骤如下：司法文本分词处理，司法文本数据多特征嵌入，构建司法实体及事件联合提取模型，提取实体、事件和事件属性。本发明基于双向LSTM网络构建司法实体及事件联合提取模型，融合多种特征，有效提高提取准确度；同时模型训练基于数据增广和批量数据混合的半监督模型，极大提升提取模型的可用性。

技术领域

本发明属于自然语言处理领域，涉及一种半监督司法实体及事件联合提取方法。

背景技术

在智能裁判和智能法律咨询机器人系统中，信息提取技术是最为基础和核心的部分。它能将非结构化的裁判文书，问答库等资料转换成结构化的表、关键词、事件链等数据，以便于后续决策算法部署，从而提供更精准的裁判、更切合用户意图的回答。例如下面的案例：

{2015年2月11日X时，在平度路金杨路南约10米处，被告薛XX驾驶的牌号为沪L5XXXX小客车与驾驶电动自行车的原告杨XX发生碰撞，造成杨XX受伤、两车受损的道路交通事故。经上海市公安局浦东分局交通警察支队认定，薛XX未确保安全，承担事故主要责任，杨XX未在非机动车道内行驶，承担次要责任。}

通过手动标注抽取为{原告：杨XX；被告：薛XX；责任认定单位：浦东分局交警支队；事件：交通事故；事件车辆：小客车，电动自行车；事件后果：原告受伤，两车受损；事件责任：被告主要责任，原告次要责任}，这种结构化数据比上面的非结构化数据更有条理性，也更易进行结果推理。示例中的抽取包含了实体名识别，事件识别及事件属性(attributes)识别，这三种技术结合在广义上也被称为事件提取。目前事件提取的工作主要集中在事件触发词及其相关属性的预测上，而将实体名识别等工作交由手动标注或者现有NER(实体名识别)工具包完成。这种分层流水线式架构会引起误差放大，例如，实体名提取的错误可能会传播到事件触发词及其相关属性的识别中。最近有工作通过联合预测实体名，事件触发词及其属性来解决这个问题。但是，深度学习的训练过程需要大量带标注的数据，而从零开始进行手动标注成本过高。

发明内容

为了克服现有技术中存在的不足，本发明在于提供了一种避免大量手动标注的问题、极大提高事件提取模型在实际工程上的可用性、降低整体模型的复杂度的半监督司法实体及事件联合提取方法。

本发明采用的技术方案是：

一种半监督司法实体及事件联合提取方法，其步骤如下：

(1)司法文本以句为单位进行分词处理，形成词列表W＝w₁，w₂，...w_i...w_n，w_i是第i个词，n是词的数量；

(2)司法文本数据多特征嵌入，将分词后的司法文本数据转换成数字向量，所述多特征嵌入包括字符嵌入、词嵌入、词性嵌入和依赖特征嵌入，形成多特征嵌入司法文本向量；

(3)将步骤(2)得到的多特征嵌入司法文本向量输入经过训练的司法实体及事件联合提取模型，提取实体、事件和事件属性，具体包括：所述多特征嵌入司法文本向量输入双向LSTM网络，定义实体、事件和事件属性识别任务，在双向LSTM网络的输出层实现实体、事件和事件属性联合提取。

进一步，所述司法文本数据多特征嵌入，以词为基准，将词对应的词性特征和依赖特征串联，并将词对应的多个字符向量串联，获得多特征嵌入司法文本向量，形成多特征嵌入司法文本向量序列V＝v₁，v₂，...v_i...v_n。

进一步，所述多特征嵌入司法文本向量序列V输入双向LSTM网络，生成隐藏向量序列H＝h₁，h₂，...h_i...h_n，hi为传统LSTM沿前后方向传递的级联向量：