基于深度注意力扩散图神经网络的法律文本细粒度分类方法

作     者：韩普 王志伟 杜文文 张子豪 

作者机构：南京邮电大学管理学院 江苏省数据工程与知识服务重点实验室 

出 版 物：《数据分析与知识发现》 (Data Analysis and Knowledge Discovery)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 0301[法学-法学] 03[法学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 030101[法学-法学理论] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：江苏高校青蓝工程 国家级大学生创新创业训练项目“基于PaddlePaddle深度学习框架的中文法律长文本分类研究”(项目编号:202310293048Z) 南京邮电大学“华礼人才支持计划”拔尖人才的研究成果之一 

主　　题：法律文本分类 深度图神经网络 细粒度分类 解耦合 注意力扩散 

摘      要：[目的]利用解耦技术缓解过度平滑并构建深度图网络学习文本隐藏特征，同时采用注意力扩散机制增强图网络的长距离交互能力，以提升法律文本细粒度分类效果。[方法]本研究提出了基于深度注意力扩散图神经网络的法律文本细粒度分类模型FLGNN，该模型首先使用预训练模型BERT作为嵌入层获取长距离语义特征，接着构建文本有向图通过深度图网络捕获文本全局图信息和隐藏特征，最后利用特征融合和节点级注意力机制优化文本特征并进行分类任务。[结果]模型在来自北大法宝数据库的数据集PKULawData上Acc值达94.85%，较BERT、DADGNN和RCNN等基线模型的Acc值分别提升了1.15%、3.44%和1.72%；在法律合同文本数据集JSCLawData上Acc值达90.91%，较BERT、DADGNN和RCNN等基线模型的Acc值分别提升了1.35%、4.19%和4.10%。[局限]模型在其它领域的适用性需要进一步探究。[结论]FLGNN模型能捕获法律文本的全局图信息并挖掘深层语义信息，进一步提升了法律文本细粒度分类效果，可为法律领域智能化管理和人工智能提供有效支撑。