典型文献
基于深度学习的交通事故文本因果关系抽取
文献摘要：
针对交通事故文本因果关系抽取过程中因果事件边界难以识别及连锁因果关系难以抽取的问题,将抽取问题转化为序列标注问题,提出了相对逗号位置特征及基于该特征与字词向量混合的多头注意力卷积双向长短时记忆网络的因果关系抽取方法.首先将字词分别编码后与相对逗号位置特征拼接,其次通过卷积神经网络(convolutional neural network,CNN)、双向长短时记忆网络(bidirectional long and short-term memory networks,Bi-LSTM)及多头注意力机制(multihead self-attention,MHSA)提取深层次的语义信息及长距离特征信息,最后采用条件随机场(conditional random field,CRF)分类器进行分类,得到最终的输出结果.在我们创建的交通事故文本数据集上将本模型与主流模型进行比较,结果表明:本模型抽取结果的召回率与F1值分别提高了5.75％和2.54％,可以更有效地抽取交通事故文本中的因果关系.较完整地抽取因果关系有利于人们分析交通事故的成因,从而为如何有效地预防和避免交通事故的再次发生提供参考.
文献关键词：
因果关系抽取;序列标注;双向长短时记忆网络;多头注意力机制
中图分类号：
作者姓名：
周龚雪;马伟锋;龚一飞;王柳迪
作者机构：
浙江科技学院信息与电子工程学院,杭州310023
文献出处：
引用格式：
[1]周龚雪;马伟锋;龚一飞;王柳迪-.基于深度学习的交通事故文本因果关系抽取)[J].浙江科技学院学报,2022(01):42-51
A类：
multihead
B类：
交通事故,因果关系抽取,连锁,问题转化,序列标注,逗号,位置特征,字词向量,双向长短时记忆网络,分别编,特征拼接,convolutional,neural,bidirectional,long,short,term,memory,networks,Bi,多头注意力机制,self,attention,MHSA,语义信息,长距离,距离特征,特征信息,条件随机场,conditional,random,field,CRF,分类器,输出结果,文本数据,上将,流模型,模型抽取,召回率,较完整,整地,免交,再次发生
AB值：
0.323776
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
