一种基于CLCA-CGCN的行为极性分类方法

为了应对法律文本中行为极性分类的挑战，本发明引入了一种创新的算法模型，融合上下文注意力的对比学习(Contrastive Learning with Context Attention,CLCA)和CGCN(Core Graph Convolutional Network,CGCN)的行为极性分类模型。该模型专门设计用于行为极性分类任务，通过结合上下文信息和对比学习策略，以提升对复杂法律文本数据的分类准确性和效率。本发明针对法律领域行为极性分类的模糊性和抽象性，提出了融合标签信息的对比学习算法，兼顾了有标签的行为极性分类任务和对比学习任务，提高了行为在不同案件类别标签下的极性分类效果。对于上下文依赖问题，本发明引入特殊的上下文注意力机制，引导模型对存在的行为进行合理的聚合和区分，增强行为词嵌入在极性信息上的表征能力和模型对上下文内容的理解能力。本发明提出了CGCN网络，基于采样思想和对模型的横向扩展缓解了GCN网络在抗噪声方面的不足之处和特征表示能力退化现象，提高行为极性分类的泛化性和抗噪声能力。在公开文本分类数据集和法律数据集上的实验表明，使用本发明提出的模型可以有效提高行为极性分类的效果并且具有一定极性分类泛用性，本发明的模型较为契合法律领域的行为极性分类要求。