基于图注意力网络的因果关系抽取

因果关系作为一种重要的关系类型在关系推理等许多领域中起着至关重要的作用,因此对因果关系进行抽取是文本挖掘中的一项基本任务.与传统文本分类方法或关系抽取不同,采用序列标注的方法可以抽取文本中的因果实体并确定因果关系方向,不需要依赖特征工程或因果背景知识.主要贡献有:1)拓展句法依存树到句法依存图,将图注意力网络应用到自然语言处理中,引入了基于句法依存图的图注意力网络的概念;2)提出Bi-LSTM+CRF+S-GAT因果关系抽取模型,根据输入的词向量生成句子中每个词的因果标签;3)对SemEval数据集进行修正与拓展,针对其存在的缺陷制定规则重新标注实验数据.在拓展后的SemEval数据集上进行了大量的实验,结果表明:该模型在预测准确率上比现有最优模型Bi-LSTM+CRF+self-ATT提高了0.064.

基于领域知识图谱的应急处置预案动态融合

随着与社区矫正对象有关的突发事件情况的日益复杂,从已有应急预案库中匹配得到的单一固定方案无法通过动态注入数据为不同的异常情景制定智能化应急处置预案,难以满足应急决策所需.为了提高社区服刑监管质量以及信息化监管水平,本文针对异常情景数据的多源异构、复杂关联和动态演化等特点,对多源异构数据进行联合挖掘,构建司法领域知识图谱(KGjudicial)与犯罪事理图谱(ELGcrime),为智能化应急预案的动态生成提供数据基础与辅助决策支持.此外,针对跨区域、多部门应急协同处置的实际业务需求,本文探究多部门信息协同方法以及应急处置预案的动态对接机制.结合司法领域知识图谱与犯罪事理图谱提出多部门应急处置预案融合技术,实现司法行政跨区域联合执法,提高社区服刑监管质量,节约社区矫正对象管理成本,为司法行政多部门的应急处置提供技术支持,维护社会长治久安.