1.基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法,其特征在于:包括:Step1、利用依存句法分析提取待抽取句中核心成分,构成候选要素集合;
Step2、利用Step1中得到的候选要素之间的依存关系,构成要素间的关系矩阵;
Step3、利用Step1中得到的候选要素集合和Step2中得到的关系矩阵,通过依存关系层对候选要素建模,得到候选要素的关系特征;
Step4、通过上下文建模层对整个待抽取句进行建模,得到整个待抽取句的上下文特征;
Step5、利用Step4中得到的待抽取句上下文特征进行案件领域相关性预测,得到待抽取句的案件领域预测损失;
Step6、利用Step3中得到的候选要素的关系特征和Step4中得到的待抽取句的上下文特征进行案件要素预测,得到要素预测损失;
Step7、利用Step5中得到的案件领域预测损失和Step6中得到的要素预测损失进行联合学习,得到案件要素抽取模型,利用得到的案件要素抽取模型进行案件要素抽取。
2.根据权利要求1所述的基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法,其特征在于:所述步骤Step1的具体步骤为:Step1.1、以整个句子依存句法中的每个动词最为基础,根据词性与依存关系抽取出与其具有依存边的时间、地点、主语及谓语词,没有出现的成分以空值代替。
3.根据权利要求1所述的基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法,其特征在于:所述步骤Step2的具体步骤为:Step2.1、根据候选要素两两间是否具有依存关系填写关系矩阵,有关系则对应位置为
1,无关系则对应位置为0,矩阵的对角线为全1。
4.根据权利要求1所述的基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法,其特征在于:所述步骤Step3的具体步骤为:Step3.1利用候选要素集合中的词和Step2中得到的关系矩阵,通过图卷积神经网络对候选要素进行建模,得到依存关系中间层特征;
Step3.2利用Step3.1中得到的依存关系中间层特征,通过多层感知机网络对其进行建模,得到候选要素的关系特征。
5.根据权利要求1所述的基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法,其特征在于:所述步骤Step4的具体步骤为:Step4.1通过双向循环神经网络对整个待抽取句进行建模,得到上下文中间特征;
Step4.2利用Step4.1中得到的上下文中间特征进行首位拼接操作,得到整个待抽取句的上下文特征。