基于融合关系信息编码的法律文书实体关系抽取方法

关系重叠是实体关系抽取任务中的一个难题,具体表现为文本中的一个实体存在于多个关系之中。法律文书作为一类存在大量关系重叠的文本,在对其进行关系抽取时要识别这些重叠的关系,而现有的关系抽取方法存在错误传播或识别率不高的问题。针对这种情况,该文提出了联合标注法,构建了联合抽取模型。模型在编码器中获取文本中的关系信息,使用拼接法或权值法来对关系信息和文本信息进行融合,使编码带有关系信息,采用共享的解码器对重叠关系进行识别。在法律文书数据集上进行实验,结果表明,与现有前沿关系抽取方法相比,该关系抽取方法能够更好地识别重叠关系。

采用BERT-BiLSTM-CRF模型的中文位置语义解析

针对利用当前神经网络模型进行中文位置语义解析存在多义词解析效果差、泛化能力差等问题,提出一种基于BERT-BiLSTM-CRF模型的中文位置语义解析方法。首先利用BERT预训练模型对中文位置信息进行预训练,获取所有层中的上下文信息,增强中文位置信息的语义表征能力,然后通过BiLSTM模型提取向量特征信息,最后通过CRF模型进行解码,获取全局最优标注序列。实验结果表明,在不同数量和区域的中文位置信息数据集基础上,BERT-BiLSTM-CRF模型在所有测试集上分词准确率与F1值都优于目前常用的神经网络模型,最高分别可达到93.91%和93.96%。利用BERT-BiLSTM-CRF模型对中文位置信息进行语义解析,不仅有效提高了中文位置信息解析与多义词解析的准确率,而且具有更好的泛化能力。