文献类型：期刊文章

作　　者：洪文兴[1] 胡志强[1] 翁洋[2] 张恒[3] 王竹[4] 郭志新[5]

HONG Wenxing;HU Zhiqiang;WENG Yang;ZHANG Heng;WANG Zhu;GUO Zhixin(School of Aerospace Engineering,Xiamen University,Xiamen,Fujian 361102,China;School of Mathematics,Sichuan University,Chengdu,Sichuan 610065,China;Galawxy Inc.,Chengdu,Sichuan 610036,China;School of Law,Sichuan University,Chengdu,Sichuan 610207,China;School of Public Affairs and Administration,University of Electronic Science and Technology of China,Chengdu,Sichuan 611731,China)

机构地区：[1]厦门大学航空航天学院,福建厦门361102 [2]四川大学数学学院,四川成都610065 [3]成都星云律例科技有限责任公司,四川成都610036 [4]四川大学法学院,四川成都610207 [5]电子科技大学公共管理学院,四川成都611731

出　　处：《中文信息学报》

基　　金：国家重点研发计划(2018YFC0830300);福建省科技计划(2018H0035);厦门市科技计划(3502Z20183011)。

年　　份：2020

卷　　号：34

期　　号：1

起止页码：34-44

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：以法学知识为中心的认知智能是当前司法人工智能发展的重要方向。该文提出了以自然语言处理(NLP)为核心技术的司法案件案情知识图谱自动构建技术。以预训练模型为基础,对涉及的实体识别和关系抽取这两个NLP基本任务进行了模型研究与设计。针对实体识别任务,对比研究了两种基于预训练的实体识别模型;针对关系抽取任务,该文提出融合平移嵌入的多任务联合的语义关系抽取模型,同时获得了结合上下文的案情知识表示学习。在"机动车交通事故责任纠纷"案由下,和基准模型相比,实体识别的F1值可提升0.36,关系抽取的F1值提升高达2.37。以此为基础,该文设计了司法案件的案情知识图谱自动构建流程,实现了对数十万份判决书案情知识图谱的自动构建,为类案精准推送等司法人工智能应用提供语义支撑。

关 键 词：司法案件 知识图谱 实体识别  关系抽取

分 类 号：TP391]