1.一种基于多特征融合SKIPGRAM模型和生成网络的诉辩焦点识别方法，其特征在于：包括如下步骤：

步骤1：将裁判文书按照标点符号进行切分，将切分之后的语句存放在文本语句列表中，得到文本语句列表S＝{S1,S2,S3,……,ST}，其中，S1到ST表示切分完成之后的第1条语句到第T条语句，T为整数；

步骤2：将文本语句列表S＝{S1,S2,S3,……,ST}中每条语句依次放入到分类网络中，得到每条语句对应的预先定义好的句子分类类别LY；

步骤3：提取裁判文书所属的案件类别标签LL；

步骤4：依次将特征标签LY和LL添加到每条语句的后面进行融合，得到融合后的语句，将融合后的语句组成新的文本语句列表S′＝{S′1,S′2,S′3,…,S′i,…,S′T}；其中，S′i为融合后的第i条语句，S′i＝{Si，LY，LL}；

Si表示原本的第i条语句，LY为句子分类类别，LL为案件类别标签；

步骤5：将新的文本语句列表放入到SKIPGRAM‑BILSTM‑Attention诉辩焦点识别网络中进行训练预测，得到新的文本语句列表中每个语句的概率，将概率最高的两个语句作为诉辩双方争议的焦点；

所述步骤5，包括如下步骤：

步骤5.1：将每个句子S′i＝(L1，L2，L3，......，LT，LY，LL)，通过SKIPGRAM模型层的词向量编码器转换为编码层向量其中, 为句子S′i中第

i个词Li的编码之后的输出向量化表示， 为句子S′i中句子分类类别LY的向量化表示，为句子S′i中案件类别标签LL的向量化表示；

步骤5.2：将句子S′i中每一个词作为中心词l，设置中心词l的上下文出现周围词c的集合为Dp，设置中心词l的上下文不出现周围词c的集合Dn；

步骤5.3：根据中心词l对应的向量化表示vl、周围词c对应的向量化表示v′c、句子分类类别LY的向量化表示 和案件类别标签LL的向量化表示 计算目标函数L；

步骤5.4：遍历句子S′i中每一个词作为中心词l，得到每一个词对应的目标函数L，计算每一个词对应的目标函数L的梯度，当目标函数L的梯度最大时，目标函数L中所有周围词c的对应的向量化表示v′c作为句子S′i中第i个词Li最优向量化表示(e1，e2，...ei...，eT)，将句子S′i中向量化表示 作为句子分类类别LY、案件类别标签LL的最优向量化表示(eY，eL)，得到句子S′i最优向量化表示Ei＝[e1，e2，...ei...，eT，eY，eL]；

步骤5.6：重复步骤5.1到步骤5.4，SKIPGRAM模型层输出每个句子的向量化表示E＝[e1，e2，...ei...，eT，eY，eL]；

步骤5.7：将每个句子的向量化表示E中的词的最优向量化表示ei分别输入双向LSTM网络中进行训练,得到前向和后向的输出分量化表示 计算如下所示：其中， 和 分别表示正向和逆向的LSTM神经网络， 和 分别表示对应的正向和逆向LSTM网络的词向量化输出； 为正向 网络中词的向量化表示输出 的前一时刻的词的向量化表示输入， 为反向 网络中词的向量化表示输入 的后一时刻的词的向量化表示输出；

步骤5.8：通过正向 网络将E＝[e1，e2，...ei...，eT，eY，eL]转换为通过反向 网络将E＝[e1，e2，...ei...，eT，eY，eL]转换为步骤5.9：正向输出的向量化表示 和逆向输出的向量化表示 和最优向量化表示ei拼接作为第i个词在句子中的隐状态表示hi，拼接公式如下所示：步骤5.10：通过拼接hi序列得到BILSTM模型层输出的句子的隐状态表示H，计算公式如下所示：H＝[h1；h2；…；hn]；

步骤5.11：句子的隐状态表示H输入Attention层，输出注意力权重矩阵A，计算公式如下所示：T

A＝softmax(Ws2tanh(Ws1H))；

T

其中，Ws1和Ws2是注意力层的参数，H为BILSTM层输出的句子的向量化表示的转置，tanh(*)表示双曲正切函数；

步骤5.12：将句子的隐状态表示H和注意力权重矩阵A进行相乘，得到句子的矩阵Z，计算公式如下所示：Z＝AH；

步骤5.13：依次将每个句子的矩阵Z作为全连接层的输入，输出每个句子的概率 将概率最高的两个语子作为诉辩双方争议的焦点。

2.根据权利要求1所述的基于多特征融合SKIPGRAM模型和生成网络的诉辩焦点识别方法，其特征在于：所述步骤1还包括：将原始的文本语句列表S＝{S1,S2,S3,……,ST}依次放入到CRF网络，去除掉无用的词，得到处理之后的文本 利用处理之后的文本 重复步骤2‑步骤5，得到诉辩双方争议的焦点。

3.根据权利要求2所述的基于多特征融合SKIPGRAM模型和生成网络的诉辩焦点识别方法，其特征在于：全连接层采用softmax激活函数求出各个句子对应的概率，概率计算公式如下所示：其中，W和b分别是全连接层的权重矩阵和偏置。

4.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1‑3中任一所述的一种基于多特征融合SKIPGRAM模型和生成网络的诉辩焦点识别方法。

5.一种计算机设备，其特征在于：包括：

存储器，用于存储指令；

处理器，用于执行所述指令，使得所述计算机设备执行如权利要求1‑3中任一所述的一种基于多特征融合SKIPGRAM模型和生成网络的诉辩焦点识别方法。