[1]周龚雪,马伟锋,龚一飞,等.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.
ZHOU Gongxue,MA Weifeng,GONG Yifei,et al.Causality extraction from traffic accidents texts based on deep learning[J].,2022,(01):42-51.
点击复制
基于深度学习的交通事故文本因果关系抽取(
/HTML)
《浙江科技学院学报》[ISSN:1001-3733/CN:61-1062/R]
- 卷:
-
- 期数:
-
2022年01期
- 页码:
-
42-51
- 栏目:
-
- 出版日期:
-
2022-02-27
文章信息/Info
- Title:
-
Causality extraction from traffic accidents texts based on deep learning
- 文章编号:
-
1671-8798(2022)01-0042-10
- 作者:
-
周龚雪; 马伟锋; 龚一飞; 王柳迪
-
浙江科技学院 信息与电子工程学院,杭州 310023
- Author(s):
-
ZHOU Gongxue; MA Weifeng; GONG Yifei; WANG Liudi
-
School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, Zhejiang, China
-
- 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
- 分类号:
-
TP391.1
- 文献标志码:
-
A
- 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 shortterm memory networks,BiLSTM)及多头注意力机制(multihead selfattention,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。
更新日期/Last Update: