基于法律的知识图谱构建

发布时间：2021-08-12 15:28

　　自2012年谷歌提出“知识图谱”（Knowledge Gragh,KG）以来,各行各业的人们不断进行相关研究,知识图谱在法律领域也引起了研究者们的关注,但是目前这方面的研究工作很少有相关的文献报告。本文旨在研究法律领域的知识图谱构建,从中国裁判文书网上获取判决书,以判决书为数据进行相关研究。由于没有公开的法律领域的标注语料,所以首先要从裁判文书网上获取判决书,然后预先定义好判决书实体的各种特征,包括词特征、词性特征、词典特征、拼写特征、前后缀特征等,最后对判决书进行统一化标注,在这个基础上,做了以下工作:1)命名实体识别是知识抽取的重要环节,它是构建知识图谱的关键技术之一,本文重点对命名实体识别进行研究。其中CRF（条件随机场）是基于统计的机器学习方法,在命名实体识别中有着广泛的应用。以CRF为基线,根据判决书的实体特征定义了一个特征函数集,通过CRF++训练CRF的权重,得到CRF命名实体识别模型进行数据测试,可以得到定义的特征函数集可以提高CRF命名实体识别的效果。2)近年来,由于大数据时代和处理器的发展,深度学习逐渐显示了它的优势,在命名实体识别中取得了良好的效果。提出Bi-LS... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：50 页

【学位级别】：硕士

【部分图文】：

google搜索页面

百度搜索知识推理是指在已知的知识基础上推出新的知识或解决问题，在知识图谱完成之后,利用知识图谱里已有知识加以挖掘，可以得到隐含或缺失的信息，让知识

一个CRF模型

【参考文献】：
期刊论文
[1]理论术语抽取的深度学习模型及自训练算法研究[J]. 赵洪,王芳.  情报学报. 2018(09)
[2]基于CRF和Bi-LSTM的保险名称实体识别[J]. 陈彦妤,杜明.  智能计算机与应用. 2018(03)
[3]基于BiLSTM-CRF的关键词自动抽取[J]. 陈伟,吴友政,陈文亮,张民.  计算机科学. 2018(S1)
[4]基于CNN-BLSTM-CRF模型的生物医学命名实体识别[J]. 李丽双,郭元凯.  中文信息学报. 2018(01)
[5]基于CRF与规则相结合的中文电子病历命名实体识别研究[J]. 翟菊叶,陈春燕,张钰,陈玉娥,刘玉文.  包头医学院学报. 2017(11)
[6]知识图谱的发展与构建[J]. 李涛,王次臣,李华康.  南京理工大学学报. 2017(01)
[7]知识图谱研究进展[J]. 漆桂林,高桓,吴天星.  情报工程. 2017(01)
[8]知识图谱构建技术综述[J]. 刘峤,李杨,段宏,刘瑶,秦志光.  计算机研究与发展. 2016(03)
[9]知识图谱的技术实现流程及相关应用[J]. 曹倩,赵一鸣.  情报理论与实践. 2015(12)
[10]基于CRF和规则相结合的地理命名实体识别方法[J]. 何炎祥,罗楚威,胡彬尧.  计算机应用与软件. 2015(01)

硕士论文
[1]面向法律文书的中文命名实体识别方法研究[D]. 王礼敏.苏州大学 2018
[2]领域知识图谱的自动化构建[D]. 彭乾慧.重庆大学 2017
[3]初中数学问题的全知识图谱设计与实现[D]. 朱游娟.电子科技大学 2016
[4]基于CRF的中文微博交通信息事件抽取[D]. 熊佳茜.上海交通大学 2014
[5]基于CRF的中文命名实体识别研究[D]. 史海峰.苏州大学 2010



本文编号：3338576