科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着检察机关办理的案件日益增多，用户对检务领域知识的咨询需求逐年增大，传统依靠检察机关领域专家人工解答回复的方式难以应对大规模的咨询服务。为了提高用户咨询服务效率，提升计算机正确理解用户提问意图的能力，提出了一种面向检务知识咨询的异构图神经网络业务类型分类模型。该模型以基于句法依存分析的图表示、基于邻域窗口的图表示作为输入，分别以RGCN和GAT图神经网络作为特征编码器，并通过特征融合实现用户提问内容业务类型预测。同时引入辅助分类器优化特征编码器的学习并提升模型性能，并采用Focal Loss损失函数有效解决了样本数据不均衡问题。此外，该模型与传统深度学习文本分类模型、目前主流的BERT模型在宏平均准确率、模型大小、推理时间等多个维度进行性能对比。对比实验显示，该模型在测试集上的宏平均准确率均优于文本分类基准模型，模型大小和推理时间远小于BERT模型。
