司法智能是目前人工智能应用领域的研究热点和难点之一。案件分析和理解是案件审理的基础,其核心是案件实体关系和事件关系抽取技术。在实践中,由于司法案件情节和关系的复杂性,司法案件实体关系和事件关系抽取还存在诸多困难,例如:实体分布离散导致的远距离实体关系抽取困难,因果指示词缺乏导致的隐式事件因果关系抽取困难,干扰信息导致的关系识别精度降低等问题,需要针对司法领域的特点深入研究案件实体关系和事件关系抽取方法。本文重点解决司法案件关系抽取的三个关键问题:1)如何构建案件实体远距离关联特征,对司法案件远距离实体关系进行抽取,同时减少错误和重复关系三元组的产生,提高案件实体关系识别的准确率。2)如何充分挖掘案件文本语义特征,对事件隐式因果关系进行抽取,并对顺序时序和同步时序关系进行区分,提高案件中事件关系识别的准确率。3)如何在保证不缺失案件背景语义的条件下,削弱干扰语句的语义信息,提升案件实体关系和事件关系的准确率。针对以上三个问题,本文主要研究以下三个内容:1)基于远距离依赖特征和指称聚合的司法案件实体关系抽取方法。为了解决司法案件远距离实体关系抽取困难、实体指称组合爆炸的问题,本文通过对司法案件文本进行依存句法分析,并添加自反依赖,利用图神经网络对改进后的依存关系编码进行多轮传播以获取实体远距离依赖特征。同时,分别构建头实体表示空间和尾实体表示空间对指称进行实体聚合表示,减少重复和无效实体关系三元组的产生,从而提升实体关系抽取的准确率和召回率。2)融合上下文和多尺度局部特征的案件事件时序因果关系联合抽取方法。为了解决事件隐式因果关系抽取困难,以及顺序时序和同步时序关系难以区分的问题,本文使用双向GRU和多尺度卷积神经网络分别获取司法案件文本上下文语义特征和不同粒度的局部语义特征,并将上述特征进行融合,得到更为丰富的案件文本语义表示。针对因果关系和时序关系抽取分别构建各自的关系编码器和解码器,利用三种不同的共享参数策略实现因果特征和时序特征之间的交互,通过时序关系和因果关系的关联为彼此正确识别提供额外语义信息。3)基于干扰信息语义弱化的案件实体关系和事件关系抽取方法。为了削弱司法案件中实体关系与事件关系干扰语句的语义信息,降低干扰信息对关系抽取的影响,本文分析了司法案件文本中实体、事件分布与干扰信息的关联,通过计算实体、事件的概率分布,初步降低干扰语句的语义权重。同时利用句子级注意力机制进一步获取干扰语句与关系特征的低关联权重值,降低模型对干扰信息语义学习的能力,而提升模型对关系特征的获取能力,从而提升实体关系和事件关系识别的准确率。本文构建了司法案件数据集,对提出的三个方法进行了实验评价,结果显示本文方法在各评价指标上均优于对比方法。同时,本文开发了一个司法案件实体关系和事件关系抽取原型系统,进一步检验了所提出方法的有效性。