1.一种融合部首向量的分词和胶囊网络法律命名实体识别方法，其特征在于, 具体包括以下步骤：

S1：分词；利用字根向量R与ALBERT的位置向量、段向量、词向量融合，通过卷积神经网络序列标注得到法律数据集语料分词结果，构建法律数据集；具体包括以下步骤：S1‑1：特征表示；在ALBERT训练词向量的过程中，模型将文本数据处理成词向量、位置向量和段向量相加的模式，R‑ALBERT分词模型中，还加入字符的偏旁部首向量R，汉字的偏旁部首承载着一个汉字的形体特征和引申词义，与其他向量融合能够丰富词向量的表征内容；

S1‑2：特征提取；特征提取阶段使用卷积神经网络提取文本局部特征，获得相邻词语互相之间的关联信息；计算过程如公式（1）， (1)

其中 表示卷积之后的文本特征， 为卷积核，表示文本序列，bt为偏置；

S1‑3：标签推理；将提取到的特征线性变换后，通过SoftMax计算每一个标签对于字符的概率，取最大概率标签标记字符，实现分词；字符标签包括{B,M,E,S},其中B表示一个词的开始字符，M表示词的中间字符，E表示结尾字符，S表示单字成词；标签推理过程如公式（2）（4），

~

 (2)

 (3)

 (4)

其中， 表示文本特征线性变换后的结果，之后作为条件概率的输入得到条件概率，条件概率中X为文本序列，y为标签序列；T表示文本序列中的字符个数；最后通过公式（4）得到最大标签概率；

S2：根据语料分词结果，对语料进行四词位标注；

S3：提取句子间特征；将分词后的训练语料利用BERT语言模型得到句子向量和BERT词向量，通过胶囊网络对句子向量表示的文本数据进行计算，提取句子间特征E；

S4：提取句子内部特征H；将BERT的词向量表示的文本向量通过BILSTM神经网络提取句子内部特征H；

S5：将语料句子内部特征和句子间特征联合表示得到文本特征；通过得到的文本特征进行序列标注得到实体识别结果，具体包括以下步骤：通过胶囊网络和BILSTM网络特征提取后会得到句子间特征E和句子内部特征H，将两种层级的特征通过拼接得到特征提取层的最终文本特征，通过SoftMax对序列进行计算，得到实体识别中每一个字符对应的标签概率，选取概率最大的标签作为字符最终的标签，得到实体识别结果，计算过程如公式（12）~

（13）：

 (12)

 (13)

其中X表示融合句子间特征和句子内部特征的特征序列，w为线性变换参数，最后通过argmax得到最大概率的标签序列Y，完成实体识别。

2.根据权利要求1所述的一种融合部首向量的分词和胶囊网络法律命名实体识别方法,其特征在于,所述步骤S2中，还包括检查利用R‑ALBERT分词模型分词之后的语料，将错误部分进行纠正，对专有名词进行重新标注。

3.根据权利要求1所述的一种融合部首向量的分词和胶囊网络法律命名实体识别方法,其特征在于,所述步骤S3中，具体包括以下步骤：S3‑1：将训练语料通过BERT得到句向量，将句向量作为胶囊网络的输入，利用能够提取空间特征的胶囊网络来提取文本的句子间特征；

S3‑2：在胶囊网络中，首先经过卷积层对文本特征计算得到初级胶囊层中的胶囊；然后对文本进行n次卷积操作，将n次卷积提取到的特征组合，得到初级胶囊层中的特征；再对胶囊进行卷积得到胶囊卷积层中更深层次的特征，初级胶囊层和胶囊卷积层之间通过动态路由的方式进行迭代优化，动态路由计算过程如公式（5）（8），~

（5）

（6）

（7）

（8）

卷积胶囊层得到的特征为 ，通过权重共享矩阵 变换后得到投票向量 表示第i个胶囊与第j个实体的对应关系，然后经过SoftMax函数为每个投票向量分配一个权重系数，从而计算对应于每个命名实体类别j的 的加权和 ；最后通过非线性挤压函数作为激活函数得到对实体的向量 ，以用于下一次迭代。

4.根据权利要求1所述的一种融合部首向量的分词和胶囊网络法律命名实体识别方法,其特征在于,所述步骤S4中，具体包括以下步骤：利用BILSTM网络对BERT词向量表示的文本进行特征提取，以得到文本句子内部的上下文特征；BILSTM计算过程如公式（9）（11），~

 (9)

 (10)

 (11)

其中 和 分别表示正向LSTM和反向LSTM提取的特征，H为隐藏层计算，公式（9）、（10）中的 、 表示正向和反向输入数据 的权重参数， 表示上一时刻正向和反向的隐藏层输出的权重参数， 、 表示正向LSTM层和反向LSTM层的偏置，由公式（9）（10）得到正向和反向文本特征之后，通过公式（11）的concat拼接得到最终特征向量 。