[發明專利]融入篇章語義的涉案新聞要素實體識別方法及系統

有效

• 申請號: 202110023176.9
• 申請日: 2021-01-08
• 公開（公告）號: CN112685549B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 線巖團;王佳雯;王劍;余正濤;郭軍軍;相艷
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F40/295
• 分類號: G06F40/295;G06F16/33;G06F16/35;G06N3/04;G06N3/08
• 代理公司: 昆明人從眾知識產權代理有限公司 53204
• 代理人: 何嬌

本發明涉及融入篇章語義的涉案新聞要素實體識別方法及系統，屬于自然語言處理技術領域。本發明首先從中國新聞網大案要案模塊爬取語料，將所獲新聞文本首段進行刪減，獲取新聞中心句，構建新聞正文句和其所對應新聞中心句的數據庫，其次采用多頭注意力機制從新聞中心句中學習篇章語義表示，并將其與新聞正文句相融合；再通過Bi?LSTM獲取融入篇章語義后的上下文信息，最后采用條件隨機場識別句子中的要素實體。本發明針對涉案新聞正文句子中普遍存在成分指代和成分省略的特點提出的融入篇章語義的涉案新聞要素實體識別方法，有效緩解上下文語義缺失的問題。為后續的涉案新聞輿情分析工作提供強有力的支撐。

技術領域

本發明涉及融入篇章語義的涉案新聞要素實體識別方法及系統，屬于自然語言處理技術領域。

背景技術

在涉案新聞輿情分析領域中，高質量的涉案新聞要素實體是后續工作的基礎、前提和支柱，其可以廣泛應用于多個方面，例如：涉案新聞要素關系抽取、涉案新聞知識圖譜搭建、涉案新聞敏感詞追蹤等。由于涉案新聞正文句中普遍存在成分指代和成分省略的情況，導致語義缺失成為涉案新聞要素實體識別的重點和難點，其直接影響著要素實體識別的準確率，如圖3所示。因此，對語義缺失情況下的涉案新聞要素實體識別方法及系統進行了研究，并對融入篇章語義的涉案新聞要素實體識別方法及系統進行了實現。

發明內容

本發明提供了融入篇章語義的涉案新聞要素實體識別方法及系統，以用于緩解語義缺失的問題，能夠學習到多層次多角度的語義理解，從而提升識別效果。

本發明的技術方案是：第一方面，本發明提供融入篇章語義的涉案新聞要素實體識別方法，所述方法的具體步驟如下：

Step1、首先從涉案新聞的首段刪減得到新聞中心句，再對獲得的新聞正文句和新聞中心句進行分字標注，最后構建標注后的新聞正文句和新聞中心句一一對應的字典；

Step2、使用Skip-gram模型將新聞中心句和新聞正文句轉換成字符向量；

Step3、構建融入篇章語義的涉案新聞要素實體識別模型，實現有效抽取涉案新聞要素實體的功能。

作為本發明的進一步方案，所述步驟Step1的具體步驟為：

Step1.1、首先利用網絡爬蟲程序，從中國新聞網大案要案模塊上爬取涉案新聞語料；

Step1.2、對已爬取出的涉案新聞語料，經過過濾、去噪處理、構建出涉案新聞文本級語料；并把涉案新聞文本級語料存放到數據庫中；

Step1.3、從Step1.2數據庫中取出涉案新聞文本級語料，經過分句處理形成涉案新聞正文句子級語料，并人工對涉案新聞文本首段進行刪減得到新聞中心句，將新聞中心句與新聞正文句一一對應，對涉案新聞中心句和新聞正文句進行分字，形成含涉案新聞正文句子級語料庫，并把涉案新聞正文句子級語料庫的語料存放到數據庫中；

Step1.4、從Step1.3數據庫中取出涉案新聞正文句子級語料，人工根據BIEOS 標簽對涉案新聞正文句子級語料進行類別標注，涉案新聞要素實體類別進行分類，形成含有新聞中心句的涉案新聞標注語料。

作為本發明的進一步方案，所述步驟Step2的具體步驟為：

Step2.1、首先使用Skip-gram模型將涉案新聞語料轉換成字符向量，構成字符向量表，新聞正文句和新聞中心句中的每個字通過查找字向量表轉化為字符向量序列。

作為本發明的進一步方案，所述步驟Step3的具體步驟包括：

Step3.1、融入篇章語義的涉案新聞要素實體識別模型分別有兩個輸入，一個是新聞正文句，另一個是新聞中心句；采用Multi-Head Attention學習篇章語義表示并從不同維度將新聞中心句融入到新聞正文句中，得到融入篇章語義的多層次語義特征；