CN111709244B - 一种用于矛盾纠纷事件因果关系识别的深度学习方法 - Google Patents
一种用于矛盾纠纷事件因果关系识别的深度学习方法 Download PDFInfo
- Publication number
- CN111709244B CN111709244B CN201911144453.0A CN201911144453A CN111709244B CN 111709244 B CN111709244 B CN 111709244B CN 201911144453 A CN201911144453 A CN 201911144453A CN 111709244 B CN111709244 B CN 111709244B
- Authority
- CN
- China
- Prior art keywords
- sentence
- contradictory
- dispute
- text
- causal relationship
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008094 contradictory effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 230000000694 effects Effects 0.000 title claims description 10
- 230000001364 causal effect Effects 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000003491 array Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/182—Alternative dispute resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种用于矛盾纠纷事件因果关系识别的深度学习方法,所述方法包括以下步骤:步骤1:获取训练语料文本;步骤2:训练语料文本预处理;步骤3:自动标注提取的每个句子数组,输出标注后的M个包含1个结果句子、1个原因句子和15随机句子的句子数组;步骤4:训练基于上下文注意力机制的因果关系识别模型;步骤5:待识别的矛盾纠纷事件描述文本预处理,输出对应的句子的语义特征向量;步骤6:将语义特征向量组合后输入训练好的因果关系识别模型中;步骤7:输出矛盾纠纷事件间的因果关系。该技术方案解决了传统的基于机器学习的分类方法的因果关系识别准确度不高的问题。
Description
技术领域
本发明涉及一种深度学习方法,具体涉及一种用于矛盾纠纷事件因果关系识别的深度学习方法,属于大数据应用服务平台技术领域。
背景技术
大数据技术使得实现对综治网格内各类矛盾纠纷事件的全覆盖和零遗漏成为可能,然而排查出来的矛盾纠纷大数据是纷繁复杂的,如何从各类矛盾纠纷事件中发现因果关系,为矛盾纠纷及时、高效、源头化解提供依据,以免导致重大案事件的发生,是目前亟待解决的问题。
目前,事件间的关系识别多采用基于机器学习的分类方法,该方法首先需要对语料库进行人工标注,然后提取事件之间的文本特征,再通过构造分类模型,识别事件间的因果关系。
但是,基于机器学习的分类方法的主要存在以下问题:第一,对矛盾纠纷事件间的隐性因果关系识别适用性不强;第二,没有考虑到事件描述文本中的句子的上下文信息;第三,人工标注的经济成本和时间成本太大,因此,迫切的需要一种新的方案解决上述技术问题。
发明内容
本发明正是针对现有技术中存在的问题,提供一种用于矛盾纠纷事件因果关系识别的深度学习方法,该技术方案解决了传统的基于机器学习的分类方法的因果关系识别准确度不高,且对矛盾纠纷事件间的隐性因果关系识别适用性不强的问题。
为了实现上述目的,本发明的技术方案如下,一种用于矛盾纠纷事件因果关系识别的深度学习方法,其特征在于,所述方法包括以下步骤:
步骤1:获取训练语料文本;
步骤2:训练语料文本预处理,输出从M个事件描述文本中提取的M个包含2个因果关系、15个上下文非因果关系句子的句子数组;
步骤3:自动标注提取的每个句子数组,输出标注后的M个包含1个结果句子、1个原因句子和15随机句子的句子数组;
步骤4:训练基于上下文注意力机制的因果关系识别模型;
步骤5:待识别的矛盾纠纷事件描述文本预处理,输出对应的句子的语义特征向量;
步骤6:将语义特征向量组合后输入训练好的因果关系识别模型中;
步骤7:输出矛盾纠纷事件间的因果关系。
作为本发明的一种改进,步骤1中获取训练语料文本过程如下:
1-1利用网络爬虫工具,从政务微博、重大新闻网站、政府网站等多源网页中采集事件文本数据,形成初始事件文本库;
1-2从多源业务数据库中采集矛盾纠纷大数据,形成矛盾纠纷事件分析库;
1-3对初始事件文本库中的数据和分析库中的矛盾纠纷事件数据进行清洗,提取出矛盾纠纷事件描述文本,形成训练语料文本。
作为本发明的一种改进,所述步骤2中所述的训练语料文本的预处理过程如下:
2-1标注训练语料文本中每个矛盾纠纷事件描述文本中的因果关系连接词;
2-2根据因果关系连接词,从M个事件描述文本中提取的M个包含2个因果关系、15个上下文非因果关系句子的句子数组;
作为本发明的一种改进,所述步骤3具体为:通过自动化标注程序,对从M个矛盾纠纷事件描述文本中提取的M个句子数组进行标注,输出M个包含1个结果句子、1个原因句子和15随机句子的句子数组。
作为本发明的一种改进,步骤4所述的训练基于上下文注意力机制的因果关系识别模型,具体实现如下:
4-1将标注后的M个句子数组分成两部分,随机选取75%保留因果连接词,25%删去因果关系连接词;
4-2特征向量提取,基于BERT语义编码模型对步骤(3)中输出的每个句子数组中的每个句子进行语义特征编码,输出768维的语义特征向量;
4-3选取任意一个句子数组,将任意一个句子数组中的1个结果句子分别与1个原因句子、15个随机句子两两组成16个1536维的向量Xi;
向量Xi表示为:
Xi=concat(Q|Ki);
其中,Q为结果句子的语义特征向量,Ki为原因句子或者随机句子的语义特征向量,i取值范围为从1到16;
4-4构建权重值计算网络;
4-5将向量Xi输入到权重值计算网络中,计算得出结果句子与随机句子、原因句子的因果关系权重值Vi;
因果关系权重值Vi计算公式为:
Vi=c(tanh(aXi))
其中,a为输入层和隐藏层连接得到的权重参数,c为隐藏层和输出层连接得到的权重参数,i取值范围为从1到16。
4-6利用softmax对步骤(4-4)计算得出的因果关系注意力向量V进行归一化处理,输出最终的注意力向量V′;
4-7依次选取剩余的任意一个句子数组,将选取的任意一个句子数组中的1个结果句子分别与1个原因句子、15个随机句子两两组成1536维的向量Xi;
4-8重复步骤(4-4)和步骤(4-5),直至遍历全部句子数组。
作为本发明的一种改进,所述步骤5:待识别的矛盾纠纷事件描述文本预处理过程如下:
5-1将待识别的每个矛盾纠纷事件描述文本分句,并为每个矛盾纠纷事件描述文中每个句子编码,即依据每个句子在对应的矛盾纠纷事件描述文中的位置分别进行0-N编码;
5-2基于BERT语义编码模型,对步骤(5-1)输出的每个句子进行语义特征编码,输出768维的语义特征向量。
作为本发明的一种改进,所述步骤(6)中将预处理后的特征向量组合后输入训练好的因果关系识别模型中,具体实现如下:
6-1任意选取其中两个预处理后的矛盾纠纷事件描述文本,并抽取其中一个矛盾纠纷事件描述文本中的一个句子作为目标句子,分别与另外一个矛盾纠纷事件文本中抽取的16个上下文句子两两组成16个1536维的向量;
6-2将步骤(6-1)输出的16个1536维的向量输入到训练好的因果关系识别模型中。
6-3依次选取剩余的矛盾纠纷事件描述文本中的任意两个,重复步骤(6-1)和(6-2),直至遍历所有待识别的矛盾纠纷事件描述文本。
作为本发明的一种改进,步骤(6-1)具体为:抽取其中一个矛盾纠纷事件文本中的一个句子作为目标句子,另外一个矛盾纠纷事件文本中抽取的16个上下文句子,具体操作为:其中一个矛盾纠纷事件文本从位置编码为1的句子开始,依次遍历所有句子;另外一个矛盾纠纷事件文本从位置编码为1的句子开始,依次遍历窗口宽度为16的16个上下文句子(如果不足16句,则用None代替)。
作为本发明的一种改进,所述步骤(7)具体为:
利用步骤(6-2)输出的属于任意两个不同事件描述文本的任意两个句子间的因果关系权重值Vi,识别出属于两个不同事件描述文本的任意两个句子间的因果关系,即通过属于两个不同事件描述文本的其中任意两个句子间的因果关系的判断,输出任意两个不同事件间的因果关系。
相对于现有技术,本发明的技术效果如下:该技术方案针对矛盾纠纷事件隐性因果关系识别,提出了相适应的表征事件因果关系的上下文句子对组合输入的策略;该方案构建了注意力权重计算网络,赋予了有利于矛盾纠纷事件因果关系判别的句子对较高的权重,进而能够更好的识别矛盾纠纷事件因果关系。
附图说明
图1本发明方法的流程示意图;
图2本发明的训练模型的示意图。
具体实施方式:
为了加深对本发明的理解,下面结合附图对本实施例做详细的说明。
实施例1:参见图1,一种用于矛盾纠纷事件因果关系识别的深度学习方法,所述方法包括以下步骤:
步骤1:获取训练语料文本;
步骤2:训练语料文本预处理,输出从M个事件描述文本中提取的M个包含2个因果关系、15个上下文非因果关系句子的句子数组;
步骤3:自动标注提取的每个句子数组,输出标注后的M个包含1个结果句子、1个原因句子和15随机句子的句子数组;
步骤4:训练基于上下文注意力机制的因果关系识别模型;
步骤5:待识别的矛盾纠纷事件描述文本预处理,输出对应的句子的语义特征向量;
步骤6:将语义特征向量组合后输入训练好的因果关系识别模型中;
步骤7:输出矛盾纠纷事件间的因果关系。
步骤1中获取训练语料文本过程如下:
1-1利用网络爬虫工具,从政务微博、重大新闻网站、政府网站等多源网页中采集事件文本数据,形成初始事件文本库;
1-2从多源业务数据库中采集矛盾纠纷大数据,形成矛盾纠纷事件分析库;
1-3对初始事件文本库中的数据和分析库中的矛盾纠纷事件数据进行清洗,提取出矛盾纠纷事件描述文本,形成训练语料文本。
所述步骤2中所述的训练语料文本的预处理过程如下:
2-1标注训练语料文本中每个矛盾纠纷事件描述文本中的因果关系连接词;
2-2根据因果关系连接词,从M个事件描述文本中提取的M个包含2个因果关系、15个上下文非因果关系句子的句子数组;
所述步骤3具体为:通过自动化标注程序,对从M个矛盾纠纷事件描述文本中提取的M个句子数组进行标注,输出M个包含1个结果句子、1个原因句子和15随机句子的句子数组。
步骤4所述的训练基于上下文注意力机制的因果关系识别模型,具体实现如下:
4-1将标注后的M个句子数组分成两部分,随机选取75%保留因果连接词,25%删去因果关系连接词;
4-2特征向量提取,基于BERT语义编码模型对步骤(3)中输出的每个句子数组中的每个句子进行语义特征编码,输出768维的语义特征向量;
4-3选取任意一个句子数组,将任意一个句子数组中的1个结果句子分别与1个原因句子、15个随机句子两两组成16个1536维的向量Xi;
向量Xi表示为:
Xi=concat(Q|Ki);
其中,Q为结果句子的语义特征向量,Ki为原因句子或者随机句子的语义特征向量,i取值范围为从1到16;
4-4构建权重值计算网络;
4-5将向量Xi输入到权重值计算网络中,计算得出结果句子与随机句子、原因句子的因果关系权重值Vi;
因果关系权重值Vi计算公式为:
Vi=c(tanh(aXi))
其中,a为输入层和隐藏层连接得到的权重参数,c为隐藏层和输出层连接得到的权重参数,i取值范围为从1到16。
4-6利用softmax对步骤(4-4)计算得出的因果关系注意力向量V进行归一化处理,输出最终的注意力向量V′;
4-7依次选取剩余的任意一个句子数组,将选取的任意一个句子数组中的1个结果句子分别与1个原因句子、15个随机句子两两组成1536维的向量Xi;
4-8重复步骤(4-4)和步骤(4-5),直至遍历全部句子数组。
所述步骤5:待识别的矛盾纠纷事件描述文本预处理过程如下:
5-1将待识别的每个矛盾纠纷事件描述文本分句,并为每个矛盾纠纷事件描述文中每个句子编码,即依据每个句子在对应的矛盾纠纷事件描述文中的位置分别进行0-N编码;
5-2基于BERT语义编码模型,对步骤(5-1)输出的每个句子进行语义特征编码,输出768维的语义特征向量。
所述步骤(6)中将预处理后的特征向量组合后输入训练好的因果关系识别模型中,具体实现如下:
6-1任意选取其中两个预处理后的矛盾纠纷事件描述文本,并抽取其中一个矛盾纠纷事件描述文本中的一个句子作为目标句子,分别与另外一个矛盾纠纷事件文本中抽取的16个上下文句子两两组成16个1536维的向量;
6-2将步骤6-1输出的16个1536维的向量输入到训练好的因果关系识别模型中。
6-3依次选取剩余的矛盾纠纷事件描述文本中的任意两个,重复步骤(6-1)和(6-2),直至遍历所有待识别的矛盾纠纷事件描述文本。
步骤6-1具体为:抽取其中一个矛盾纠纷事件文本中的一个句子作为目标句子,另外一个矛盾纠纷事件文本中抽取的16个上下文句子,具体操作为:其中一个矛盾纠纷事件文本从位置编码为1的句子开始,依次遍历所有句子;另外一个矛盾纠纷事件文本从位置编码为1的句子开始,依次遍历窗口宽度为16的16个上下文句子(如果不足16句,则用None代替)。
所述步骤(7)具体为:利用步骤6-2输出的属于任意两个不同事件描述文本的任意两个句子间的因果关系权重值Vi,识别出属于两个不同事件描述文本的任意两个句子间的因果关系,即通过属于两个不同事件描述文本的其中任意两个句子间的因果关系的判断,输出任意两个不同事件间的因果关系。
需要说明的是上述实施例,并非用来限定本发明的保护范围,在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。
Claims (5)
1.一种用于矛盾纠纷事件因果关系识别的深度学习方法,其特征在于,所述方法包括以下步骤:
步骤1:获取训练语料文本;
步骤2:训练语料文本预处理,输出从M个事件描述文本中提取的M个包含2个因果关系、15个上下文非因果关系句子的句子数组;
步骤3:自动标注提取的每个句子数组,输出标注后的M个包含1个结果句子、1个原因句子和15随机句子的句子数组;
步骤4:训练基于上下文注意力机制的因果关系识别模型;
步骤5:待识别的矛盾纠纷事件描述文本预处理,输出对应的句子的语义特征向量;
步骤6:将语义特征向量组合后输入训练好的因果关系识别模型中;
步骤7:输出矛盾纠纷事件间的因果关系;
步骤1中获取训练语料文本过程如下:
1-1利用网络爬虫工具,从政务微博、重大新闻网站、政府网站等多源网页中采集事件文本数据,形成初始事件文本库;
1-2从多源业务数据库中采集矛盾纠纷大数据,形成矛盾纠纷事件分析库;
1-3对初始事件文本库中的数据和分析库中的矛盾纠纷事件数据进行清洗,
提取出矛盾纠纷事件描述文本,形成训练语料文本;
所述步骤2中所述的训练语料文本的预处理过程如下:
2-1标注训练语料文本中每个矛盾纠纷事件描述文本中的因果关系连接词;
2-2根据因果关系连接词,从M个事件描述文本中提取的M个包含2个因果关系、15个上下文非因果关系句子的句子数组;
所述步骤3具体为:通过自动化标注程序,对从M个矛盾纠纷事件描述文本中提取的M个句子数组进行标注,输出M个包含1个结果句子、1个原因句子和15随机句子的句子数组;
步骤4中训练基于上下文注意力机制的因果关系识别模型,具体实现如下:4-1将标注后的M个句子数组分成两部分,随机选取75%保留因果连接词,25%删去因果关系连接词;
4-2特征向量提取,基于BERT语义编码模型对步骤(3)中输出的每个句子数组中的每个句子进行语义特征编码,输出768维的语义特征向量;
4-3选取任意一个句子数组,将任意一个句子数组中的1个结果句子分别与1个原因句子、15个随机句子两两组成16个1536维的向量Xi;
向量Xi表示为:
Xi=concat(Q|Ki);
其中,Q为结果句子的语义特征向量,Ki为原因句子或者随机句子的语义特征向量,i取值范围为从1到16;
4-4构建权重值计算网络;
4-5将向量Xi输入到权重值计算网络中,计算得出结果句子与随机句子、原因句子的因果关系权重值Vi;
因果关系权重值Vi计算公式为:
Vi=c(tanh(aXi));
其中,a为输入层和隐藏层连接得到的权重参数,c为隐藏层和输出层连接得到的权重参数,i取值范围为从1到16;
4-6利用softmax对步骤4-4计算得出的因果关系注意力向量V进行归一化处理,输出最终的注意力向量V′;
4-7依次选取剩余的任意一个句子数组,将选取的任意一个句子数组中的1个结果句子分别与1个原因句子、15个随机句子两两组成1536维的向量Xi;
4-8重复步骤(4-4)和步骤(4-5),直至遍历全部句子数组。
2.根据权利要求1所述的一种用于矛盾纠纷事件因果关系识别的深度学习方法,其特征在于,所述步骤5待识别的矛盾纠纷事件描述文本预处理过程如下:
5-1将待识别的每个矛盾纠纷事件描述文本分句,并为每个矛盾纠纷事件描述文中每个句子编码,即依据每个句子在对应的矛盾纠纷事件描述文中的位置分别进行0-N编码;
5-2基于BERT语义编码模型,对步骤(5-1)输出的每个句子进行语义特征编码,输出768维的语义特征向量。
3.根据权利要求2所述的一种用于矛盾纠纷事件因果关系识别的深度学习方法,其特征在于,所述步骤(6)中将预处理后的特征向量组合后输入训练好的因果关系识别模型中,具体实现如下:
6-1任意选取其中两个预处理后的矛盾纠纷事件描述文本,并抽取其中一个矛盾纠纷事件描述文本中的一个句子作为目标句子,分别与另外一个矛盾纠纷事件文本中抽取的16个上下文句子两两组成16个1536维的向量;
6-2将步骤(6-1)输出的16个1536维的向量输入到训练好的因果关系识别模型中;
6-3依次选取剩余的矛盾纠纷事件描述文本中的任意两个,重复步骤(6-1)和(6-2),直至遍历所有待识别的矛盾纠纷事件描述文本。
4.根据权利要求3所述的一种用于矛盾纠纷事件因果关系识别的深度学习方法,其特征在于,
步骤6-1具体为:抽取其中一个矛盾纠纷事件文本中的一个句子作为目标句子,另外一个矛盾纠纷事件文本中抽取的16个上下文句子,具体操作为:其中一个矛盾纠纷事件文本从位置编码为1的句子开始,依次遍历所有句子;另外一个矛盾纠纷事件文本从位置编码为1的句子开始,依次遍历窗口宽度为16的16个上下文句子(如果不足16句,则用None代替)。
5.根据权利要求4所述的一种用于矛盾纠纷事件因果关系识别的深度学习方法,其特征在于,所述步骤(7)具体为:利用步骤6-2输出的属于任意两个不同事件描述文本的任意两个句子间的因果关系权重值Vi,识别出属于两个不同事件描述文本的任意两个句子间的因果关系,即通过属于两个不同事件描述文本的其中任意两个句子间的因果关系的判断,输出任意两个不同事件间的因果关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144453.0A CN111709244B (zh) | 2019-11-20 | 2019-11-20 | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144453.0A CN111709244B (zh) | 2019-11-20 | 2019-11-20 | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709244A CN111709244A (zh) | 2020-09-25 |
CN111709244B true CN111709244B (zh) | 2023-09-26 |
Family
ID=72536173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144453.0A Active CN111709244B (zh) | 2019-11-20 | 2019-11-20 | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709244B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507124B (zh) * | 2020-12-04 | 2024-03-19 | 武汉大学 | 一种基于图模型的篇章级别事件因果关系抽取方法 |
CN112883169B (zh) * | 2021-04-29 | 2021-07-16 | 南京视察者智能科技有限公司 | 一种基于大数据的矛盾演化分析方法及装置 |
CN113642321B (zh) * | 2021-06-28 | 2024-03-29 | 浙江工业大学 | 面向金融领域的因果关系提取方法和系统 |
CN113779190B (zh) * | 2021-07-20 | 2023-08-18 | 中国科学院自动化研究所 | 事件因果关系识别方法、装置、电子设备与存储介质 |
CN116013027A (zh) * | 2022-08-05 | 2023-04-25 | 航天神舟智慧系统技术有限公司 | 一种群体性事件预警方法与系统 |
CN116843162B (zh) * | 2023-08-28 | 2024-02-09 | 之江实验室 | 一种矛盾调解方案推荐与评分系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598000A (zh) * | 2018-12-28 | 2019-04-09 | 百度在线网络技术(北京)有限公司 | 语义关系识别方法、装置、计算机设备和存储介质 |
CN110377759A (zh) * | 2019-07-22 | 2019-10-25 | 中国工商银行股份有限公司 | 事件关系图谱构建方法及装置 |
CN110442675A (zh) * | 2019-06-27 | 2019-11-12 | 平安科技(深圳)有限公司 | 问答匹配处理、模型训练方法、装置、设备及存储介质 |
-
2019
- 2019-11-20 CN CN201911144453.0A patent/CN111709244B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598000A (zh) * | 2018-12-28 | 2019-04-09 | 百度在线网络技术(北京)有限公司 | 语义关系识别方法、装置、计算机设备和存储介质 |
CN110442675A (zh) * | 2019-06-27 | 2019-11-12 | 平安科技(深圳)有限公司 | 问答匹配处理、模型训练方法、装置、设备及存储介质 |
CN110377759A (zh) * | 2019-07-22 | 2019-10-25 | 中国工商银行股份有限公司 | 事件关系图谱构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111709244A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709244B (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
CN107766324B (zh) | 一种基于深度神经网络的文本一致性分析方法 | |
CN107239529B (zh) | 一种基于深度学习的舆情热点类别划分方法 | |
CN105930277B (zh) | 一种基于缺陷报告分析的缺陷源代码定位方法 | |
CN111079430B (zh) | 一种组合深度学习和概念图谱的电力故障事件抽取方法 | |
CN106383816B (zh) | 基于深度学习的中文少数民族地区地名的识别方法 | |
CN106776538A (zh) | 企业非标准格式文档的信息提取方法 | |
CN107092596A (zh) | 基于attention CNNs和CCR的文本情感分析方法 | |
CN109492113A (zh) | 一种面向软件缺陷知识的实体、关系联合抽取方法 | |
CN114926150B (zh) | 一种变压器技术符合性评估数字化智能审核方法与装置 | |
CN111274814B (zh) | 一种新型的半监督文本实体信息抽取方法 | |
CN111767398A (zh) | 基于卷积神经网络的二次设备故障短文本数据分类方法 | |
CN112541600A (zh) | 一种基于知识图谱的辅助维修决策方法 | |
CN114781392A (zh) | 一种基于bert改进模型的文本情感分析方法 | |
CN104699614A (zh) | 一种软件缺陷组件预测的方法 | |
CN116484024A (zh) | 一种基于知识图谱的多层次知识库构建方法 | |
CN109063983A (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN113378024B (zh) | 一种基于深度学习面向公检法领域的相关事件识别方法 | |
CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN116522912B (zh) | 一种包装设计语言模型的训练方法、装置、介质及设备 | |
CN110866172B (zh) | 一种面向区块链系统的数据分析方法 | |
CN116975161A (zh) | 电力设备局放文本的实体关系联合抽取方法、设备、介质 | |
CN115438190B (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
CN114860952A (zh) | 一种基于数据统计和知识指导的图拓扑学习方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |