[发明专利]一种面向裁判文书的文本信息抽取方法

说明书

本发明是一种面向裁判文书的文本信息抽取方法，主要步骤包括：根据中文裁判文书的书写规律与文书结构，设计文书分段模型存储逻辑段；分析文书各逻辑段的内容，确定每个逻辑段包含的信息项，设计文书信息项模型；以裁判文书为输入，逻辑段特征为依据，输出文书分段模型；以文书分段模型为输入，信息项特征为依据，提取信息项内容，构建文书信息项模型；将文书信息项模型转化为XML格式文档。本发明主要针对民事一审、民事二审、刑事一审、刑事二审、行政一审、行政二审共六类案件的裁判文书，设计了一种面向裁判文书的文本信息抽取方法，能够对任意一篇裁判文书做文本信息抽取，并输出XML格式文档，其结果将为面向裁判文书的文本分析提供重要基础。

技术领域

本发明涉及一种针对中文裁判文书的文本信息抽取技术，具体涉及一种面向裁判文书的文本信息抽取方法，属于自然语言处理技术领域。

背景技术

裁判文书是法官在案件审理终结后，依据案件事实和法律条款，对案件实体和程序问题所做出的具有法律约束力的书面结论。裁判文书忠实地记录了案件的裁判过程，因此包含了大量的有价值信息。对裁判文书的分析与研究对司法审判活动具有重要意义。但是，在法院实际工作中，裁判文书是由法官使用自然语言书写的文档，如果不做任何预处理，将难以高效地利用裁判文书中的信息。我国多地法院均已建立了法院裁判文书网上公开系统，但尚未开展对裁判文书的解析工作。因此，采用信息化的方式，对裁判文书进行信息抽取，将其转化为计算机可以理解的结构化数据，对于解决这个问题具有非常重要的意义。

针对中文裁判文书的结构化处理主要是以裁判文书书写规律与文书结构为基础，结合法律标准和法院实际业务需求，确定文书结构划分以及需要提取的信息项，设计文书信息项模型，研究法律领域自然语言处理技术，构建文书信息项模型，并将模型转化为XML结构化文档输出。

中文裁判文书具有规范的书写格式与文书结构，本专利利用裁判文书的这一特点设计并构造了文书分段模型，将裁判文书划分为七个逻辑段，以便于有针对性地对裁判文书进行结构化处理。不同案件类型的裁判文书在文书结构上是相同的，都可以分为“文首”、“当事人”、“诉讼记录”、“案件基本情况”、“裁判分析过程”、“判决结果”和“文尾”共7个逻辑段，但是不同案件类型的逻辑段落中所包含的信息项是不同的。针对这个问题，本专利为各类案件设计了对应的文书信息项模型，并构建了对应的文书解析器，分别对各类案件进行结构化处理。需要抽取的文书信息项类型有多种，无法使用统一的方法进行抽取，针对这个问题，本专利提出了多种抽取方法以满足各类信息项的抽取需求。为使文书结构化有效地应用于法律业务中，采用XML文档作为文书结构化的输出载体。XML技术已经非常成熟稳定，是一种可以让用户自己定义标记的语言。主要用于在网页上组织信息，同时也用来确保网络交互合作时，具有良好的可靠性和互操作性。本专利中选择使用XML输出结构化数据，使得XML文件的结构可以复杂到任意程度。XML内容与应用分开，具有良好的复用性，数据可以被不同的应用程序加以利用。由于法院业务需求，需要在不同部门、不同程序之间传递裁判文书信息，使用XML作为文书存储结构保证了结构化文书的普遍适用性，使法律文书中的信息可以按照法院业务需求在各种场景下适用。

发明内容

本发明是一种面向裁判文书的文本信息抽取方法，主要针对民事一审、民事二审、刑事一审、刑事二审、行政一审、行政二审共六类案件的裁判文书，根据裁判文书的书写规律和文书结构，设计了一种文书分段模型和一种文书信息项模型，提出了一种构造文书分段模型的方法和一种构造文书信息项模型的方法。最终实现结构化中文裁判文书，输出XML结构化文档，使得中文裁判文书能够更有效地应用于针对中文裁判文书的研究中，并在裁判文书质量评查、裁判文书可视化、审判系统信息校对等领域中发挥作用。

本发明所属的一种面向裁判文书的文本信息抽取方法，包括以下步骤：

步骤(1)根据中文裁判文书的书写规律与文书结构，将文书划分为七个逻辑段，设计文书分段模型存储逻辑段；