融合RACNN和BiLSTM的金融领域事件隐式因果关系抽取

作     者：金方焱 王秀利 JIN Fang-yan;WANG Xiu-li

作者机构：中央财经大学信息学院北京102206 国家金融安全教育部工程研究中心北京102206 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2022年第49卷第7期

页      面：179-186页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：金融领域 隐式因果关系抽取 循环注意力卷积神经网络 双向长短时记忆网络 迭代反馈机制 自注意力机制 

摘      要：金融领域的文本信息量大、价值高,尤其是其中的隐式因果关系事件包含着巨大的潜在利用价值。对金融领域文本进行隐式因果关系分析,挖掘隐式因果关系事件中隐含的重要信息,了解金融领域事件更深层的演化逻辑,进而构建金融领域知识库,对金融风险控制、风险预警等具有重要意义。为了提高金融领域中隐式因果关系事件识别的准确度,从特征挖掘的角度入手,提出了一种基于自注意力机制的融合循环注意力卷积神经网络(Recurrent Attention Convolution Neural Network,RACNN)和双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)的隐式因果关系抽取方法。该方法结合了基于迭代反馈机制能提取更重要文本局部特征的RACNN、能更好地提取文本全局特征的BiLSTM以及能更深入地挖掘融合特征语义信息的自注意力机制,在SemEval-2010 Task 8数据集和金融领域数据集上进行了实验,结果表明,评估指标F1值分别达到了72.98%和75.74%,均显著优于其他对比模型。