欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020101414052
申请人: 昆明理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:包括:步骤1、融合案件要素和词构建基于案件要素的句子关联图,来表征句子信息和句子之间的关联关系;

步骤2、使用图卷积神经网络学习句子信息和句子之间的关联关系,对句子进行分类,得到每个句子的重要性评分;

步骤3、按重要性对句子进行排序,通过去重和时序关系调整得到摘要。

2.根据权利要求1所述的基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:所述步骤1中,构建基于案件要素的句子关联图中,包含3种节点:其中主节点是句子,辅助节点是词和案件要素,用来增强表征句子间的关联关系;该图中共有6种关系:(Sent,Sent)、(Sent,Word)、(Sent,Case)、(Word,Word)、(Word,Case)(Case,Case),其中Sent表示句子节点,Word表示词节点,Case表示案件要素节点。

3.根据权利要求1所述的基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:所述步骤2中,使用图卷积神经网络的方法,在图上进行特征学习,得到每个句子的重要性表征,并使用softmax对句子进行打分。

4.根据权利要求1所述的基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:所述步骤3中,在句子打分的基础上,选取得分高的句子,使用ROUGE值的方法计算句子的相似性来去除冗余信息,使用新闻发布顺序来对句子进行重排序,最终得到摘要。

5.根据权利要求1所述的基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:所述步骤1中,案件要素由案件名、案发地、涉案人员和案件描述四种关键词构成。

6.根据权利要求2所述的基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:所述3种节点共具有6种关系,使用词频-逆文档频率TF-IDF、互信息PMI、同属关系、包含关系来计算边的权重:(Sent,Sent)关系使用是否同属于一篇文本来判断;(Sent,Word)关系使用词频-逆文档频率(TF-IDF)来计算;(Sent,Case)关系使用案件要素是否包含于句子来表示;(Word,Word)关系使用词的互信息(PMI)来计算;(Word,Case)关系使用词和案件要素是否相等来判断;(Case,Case)的关系使用案件要素是否同属于一案件来判断。

7.根据权利要求1所述的基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:所述融合案件要素和词构建基于案件要素的句子关联图,来表征句子信息和句子之间的关联关系,包括:使用词频-逆文档频率TF-IDF、互信息PMI、同属关系、包含关系方法来计算边的权重,构建了一个包含句子、词和案件要素三种节点的句子关联图:G=(V,E)                            (1)V={S,W,C}                          (2)其中集合V表示图中节点的集合,由三部分构成:句子集合S、词集合W和案件要素集合C;

句子集合S={s1,s2...sl}里共有l个句子,是不同文档簇的所有文档经过去除特殊字符、分句、去除短句子等预处理之后的句子总和,其中s2表示第2个句子,l表示句子集合的大小;

词集合W={w1,w2...wm}由所有的词构成,其中m表示词表大小;

案件要素集合C={c1,c2...cn}共有n个案件要素,包括多文本簇中的案件要素,其中c2表示第2个案件要素;E表示图中边的集合:E={(vi,vj)|v∈V},其中vi表征图中第i个节点;

因为图中有3种节点,所以图的邻接矩阵A由9个分块矩阵构成,如公式3所示,其中Ass表是句子和句子节点的关系矩阵,Asw表示句子和词节点的关系矩阵,Asc表示句子和案件要素节点的关系矩阵, 表示句子和案件要素节点的关系矩阵的转置;

共有6种边,每种边的定义和计算如公式(4):

其中Aij表示第i和j两个节点之间边的权值,这六种关系的具体计算方法是:(1)对于句子与句子节点的关系矩阵Ass,使用同属关系来计算:当一个句子和另一个句子同属于一个文本时,在它们之间连接一条边。

(2)对于句子和词节点关系矩阵Asw:使用词频-逆文档频率TF-IDF的方法来计算词节点wj和句子节点si之间边的权重,如公式(5)所示:TF-IDF(si,wj)=TF(si,wj)*IDF(si)                 (5)其中si表示第i个句子节点,wj表示第j个词节点,TF表示词在句子中的词频,IDF表示词在所有文本中出现的频率;通过在句子和大量词之间构建关联关系,能用词来表征句子的特征,同时也在所有句子之间构建了一层关联关系;

(3)对于句子和案件要素节点关系矩阵Asc,使用包含关系来计算:当一个案件要素出现在某个句子中时,在它们之间连接一条边;

(4)对于词于词关系矩阵Aww:使用互信息PMI来计算两个词节点之间边的权重,如公式(6)所示:其中wi和wj表示第i和第j个词节点,两个词的相关性越大,其PMI值也就越大,当PMI的值小于0时,表示两个词相关性为负,也就是互斥的,此时两个词之间边权重为0;

(5)对于词与案件要素关系矩阵Awc:当案件要素和词相同时,在它们之间连接一条边;

(6)对于案件要素和案件要素关系矩阵Acc,使用同属关系来计算:当一个案件要素和另一个案件要素同属一个案件时,在它们之间连接一条边;

通过以上方法构建一个融合案件要素的句子关联图。

8.根据权利要求1所述的基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:所述使用图卷积神经网络学习句子信息和句子之间的关联关系,对句子进行分类,得到每个句子的重要性评分,包括:使用两层图卷积网络GCN学习句子信息和句子之间的关联关系,对句子进行分类,得到每个句子的重要性评分,具体如下:每一个节点在进行卷积的时候,既要包含周围节点的特征,又要包含自身的特征,所以每个节点还应该有一个连接到其自身的闭环,还需要将邻接矩阵A对角线上元素初始化为

1,即:

Aii=1                            (7)最后构成一个大小为size*size的图的邻接矩阵A:

令图的度矩阵为D,表示每一个节点和多少个其他节点相连,其中度矩阵对角线上元素为:Dii=∑jAij                          (9)根据公式(8)和(9)得到能进行图卷积操作的规范化的矩阵

将节点的特征矩阵X初始化为一个和邻接矩阵A一样大小的单位矩阵,相当于使用one-hot向量表示节点的特征;

在第一层图卷积网络中:

其中L(1)表示第一层的输出, 是规范化的邻接矩阵,X是特征矩阵,W0是参数矩阵,激活函数使用ReLU;在第二层图卷积网络中使用softmax进行分类,如公式(13)所示;

采用交叉熵作为模型的损失函数:

其中S是训练集中参与计算损失的所有的句子,yi表示第i个句子的标签, 表示第i个句子的预测结果,通过两次图卷积操作后,得到每一个句子节点的分类结果,表示每一个句子的得分。

9.根据权利要求1所述的基于案件要素句子关联图卷积的案件舆情摘要生成方法,其特征在于:所述按重要性对句子进行排序,通过去重和时序关系调整得到摘要,包括:(1)对于测试集中不同的文本簇分别进行摘要生成;

(2)对于一个文本簇,首先选取一个得分最高的句子加入候选摘要句集合中;

(3)然后选取下一个句子和候选摘要句集合中的每一个句子计算相似性,采用基于ROUGE值的方法来计算两个句子之间的相似性,其值若小于相似性阈值,则将该句子加入候选摘要句集合中;

(4)重复第二步的操作,直到候选摘要句集合长度超过阈值;

(5)最后再对候选摘要句集合中的句子按照文章发表的时序、以及句子在文档中出现的顺序排序,得到最终的多文档摘要。