[发明专利]一种面向裁判文书的文本分类方法

权利要求书

1.一种面向裁判文书的文本分类方法，其特征在于包括以下步骤：

步骤(1)根据案由从裁判文书数据库中提取文书，使用正则表达式提取文书段落；

步骤(2)将待分类的文书段落进行分词，并统计每个词的词频；

步骤(3)对分词后的文档进行文本预处理；

步骤(4)使用TF-IDF对预处理后的文本进行特征提取；

步骤(5)使用SVM分类器对裁判文书进行模型训练；

步骤(6)将待分类裁判文书输入到分类器，利用所述分类器对裁判文书进行分类，从而输出裁判文书文本类别标注；

步骤(1)中根据案由从裁判文书数据库中提取文书段落，具体包括：

(1.1)在裁判文书数据库中根据的案由提取出相应的文书；

(1.2)编写正则表达式，并根据编写的正则规则提取裁判文书中的“案件基本情况”段落；

(1.3)对提取出来的“案件基本情况”段落进行人工标记，从而标记出该段落的所属类别；

所述的人工标记具体实现如下：

对“案件基本情况”段落进行关键词提取，关键词类别包括：地名、领域词汇名以及其他名称；领域词汇名包括：经济、服装、建筑、娱乐、军事以及体育等；

根据提取的关键词，初步标记该段落的所属类别。

2.根据权利要求1所述的一种面向裁判文书的文本分类方法，其特征在于步骤(2)中所述的待分类的文书段落进行分词，并统计每个词的词频，具体如下：

(2.1)将待分类文书段落进行分句，并将每个句子进行分词，将待分类文书段落转化成由词汇组成的列表，得到所有词汇的集合Ⅰ；

(2.2)根据列表统计分词后每个词语在文书段落中出现的词频，并根据词频对所有词汇按降序排列，从而得到新的词汇集合Ⅱ；

所述的分句通过标点符号完成，分句的标点符号包括逗号、顿号、分号、冒号、句号、感叹号和问号。

3.根据权利要求2所述的一种面向裁判文书的文本分类方法，其特征在于步骤(3)中对词汇集合Ⅱ进行预处理，得到新的词汇集合Ⅲ，具体包括：

(3.1)去除带有符号、数字、字母的词汇；

(3.2)去除地名；

(3.3)去除法院专有词；

所述的符号包括标点符号以及特殊字符；

所述的数字包括罗马数字、中文大写数字；

所述的法院专有词包括原告、被告、当事人、全国最高人民法院、高级人民法院、中级人民法院、基层人民法院等；

(3.4)去除低频噪声词汇；

去除低频噪声词汇有利于文书分类的准确性和提高分类算法的速度，保留词频大于或等于阈值T的词汇。

4.根据权利要求3所述的一种面向裁判文书的文本分类方法，其特征在于步骤(4)中采用TF-IDF算法对词汇集合Ⅲ进行特征提取，将词汇集合Ⅲ用一个特征向量表示，所述的特征提取方式如下：

TF-IDF＝TF(w)*IDF(w)；

TF(w)＝词语w在词汇集合Ⅲ中频率数/词汇集合Ⅲ中的词汇数量；

IDF(w)＝ln(所有文书段落的总数/包含字符w的所有文书段落的总数)。

5.根据权利要求4所述的一种面向裁判文书的文本分类方法，其特征在于步骤(5)使用SVM分类器对文书段落进行模型训练：

将词汇集合Ⅲ输入到支持向量机进行训练，其中将词汇集合Ⅲ的70％用于训练，从而获得向量机分类器，将30％词汇集合Ⅲ的30％用于测试，从而得到最佳向量机分类器。