1.一种基于深度神经网络的争议焦点识别方法,其特征在于,包括以下步骤:
步骤一:获取大量的裁判文书,并使用正则表达式方法对所述裁判文书进行初步清洗,提取其中原告诉称及被告辩称表述,由法学专家进行成对表述的争议焦点类别标注,完成争议焦点库的构建;
步骤二:利用所述争议焦点库对基于深度神经网络的模型进行句子级与段落级的训练,得到争议焦点识别器;基于深度神经网络的模型包括输入层、模型层、修正层和输出层,所述步骤二包括以下步骤:步骤二一:输入层以文本预处理后的诉方文本、辩方文本、诉辩文本匹配后得到的诉方句子和辩方句子作为输入文本,并将其转换为易于模型理解的张量,输入至模型层的嵌入层,用于模型层计算句子级的特征表示与段落级的特征表示;
步骤二二:在模型层,接受诉方文本、辩方文本、诉辩文本匹配后得到的诉方句子和辩方句子输入张量,并计算句子级的特征表示与段落级的特征表示后,进一步采用基于BERT‑CBGA的矛盾检测模型进行矛盾检测,用于计算矛盾检测特征表示,所述矛盾检测特征表示包括句子级矛盾检测特征表示;采用具有卷积结构的模型进行矛盾分类,用于计算矛盾分类特征表示,所述矛盾分类特征表示包括句子级矛盾分类特征表示和段落级矛盾分类特征表示;在句子级别进行矛盾检测与分类,对通过诉辩文本匹配后得到的诉辩句子对输入张量进行矛盾检测,得到诉辩句子对是否存在矛盾的向量,进行矛盾分类得到每个句子对的矛盾分类向量,在段落级别进行矛盾分类得到矛盾分类向量;
步骤二三:在修正层,将每个句子对是否存在矛盾关系向量与矛盾分类向量通过叉乘方式对矛盾分类向量进行修正,得到每个句子对的矛盾分类向量表示,将修正后的结果按句子对归属的诉辩文本进行每个类别的最大值提取,得到句子级的整个诉辩文本矛盾分类向量,再通过与段落级的诉辩文本矛盾分类结果进行取平均值计算,得到最终诉辩文本的争议焦点向量表示;
步骤二四:输出层将最终诉辩文本的争议焦点向量表示以争议焦点类别标签进行输出,得到争议焦点识别器;
步骤三:将待识别的诉辩双方成对表述经过预处理后作为输入,传入步骤二训练得到的所述争议焦点识别器中,所述争议焦点识别器输出所述待识别的诉辩双方成对表述的争议焦点所属类别。
2.根据权利要求1所述的一种基于深度神经网络的争议焦点识别方法,其特征在于,利用二值向量对所述争议焦点类别进行表示,所述二值向量作为诉辩双方成对表述的标签向量。
3.根据权利要求1所述的一种基于深度神经网络的争议焦点识别方法,其特征在于,基于BERT‑CBGA的矛盾检测模型包括嵌入层、特征提取层、特征融合层和输出层,采用基于BERT‑CBGA的矛盾检测模型进行矛盾检测的过程包括以下步骤:步骤二二一:嵌入层包括计算原告诉称、被告辩称的词嵌入及句对嵌入,将诉方句子和辩方句子中的每一个词通过词向量矩阵建模为词向量,初始化词向量采用随机初始化,在训练过程中选择词向量不可训练方式,得到诉辩双方语句的词嵌入,通过BERT实现句对嵌入;
步骤二二二:特征提取层分为两步,包括通过对独立句子的卷积操作计算原告诉称、被告辩称的局部特征表示,得到池化输出特征向量,以及通过BiGRU计算原告诉称、被告辩称带有上下文信息的特征,再通过注意力机制进一步提取特征,得到注意力输出特征向量;
步骤二二三:融合层将特征提取层得到的池化输出特征向量和注意力输出特征向量与BERT句对特征进行拼接融合,得到最终的特征即矛盾检测特征;
步骤二二四:输出层为了提高模型的性能和泛化能力,通过一层Dropout和一层由ReLU激活的全连接层,再将其结果传入一层由Sigmoid激活的全连接层进行分类,得到最终的矛盾检测特征表示。