[发明专利]一种裁判文书信息提取方法

权利要求书

1.一种裁判文书信息提取方法，其特征在于，该方法包括以下步骤：

(1)获取裁判文书的整个HTML并解析，从HTML中提取无格式的文本text；

(2)对提取的无格式文本text进行标注，在每个事件的标注任务中，一个标签定义为事件类型或实体类型，若一个标签和其他标签都存在关系，则把该标签定义为事件类型，而其他标签定义为实体类型，定义裁判文书中的事件结构为：事件类型-实体类型-…-实体类型，从无格式的文本text标注出每个事件下的事件类型及实体类型对应的文字，得到标注数据；

(3)将无格式的文本text按字切分，得到一个数组，记为x，x_i为数组x中的第i个字；若x中的x_i，x_i+1，…，x_i+j被标注为一个事件类型或实体类型，则其对应标签为y_i，y_i+1，…，y_i+j，记为事件类型或实体类型-B，事件类型或实体类型-I，…，事件类型或实体类型-I，事件类型或实体类型-I的个数为j个；若x_i在无格式的文本text中既没有被标记为事件类型也没有被标记为实体类型，则其对应标签y_i记为O；从而得到一个完整的样本(x，y)；

(4)对完整的样本(x，y)进行处理，具体包括以下步骤：针对数组x，对x进行向量化，得到x¹；针对标签y，若y中元素y_i不是事件类型-B也不是事件类型-I，则改为O，得到新的标签，记为y¹；从而得到事件类型提取模型的样本(x¹，y¹)；

(5)采用谷歌开源的BERT模型作为事件类型提取模型，并将步骤(4)中得到的样本(x¹，y¹)输入BERT模型中进行训练，得到训练好的事件类型提取模型，记为model_1；

(6)对标签y¹中的事件进行处理；具体为：针对数组x，初始化一个事件类型矩阵Event_Embedding，该事件类型矩阵Event_Embedding每一行对应一种事件类型的向量，若数组y¹的元素y_i¹是事件类型-B或事件类型-I，从事件类型矩阵Event_Embedding中找到该事件类型的向量，把该向量赋值给x_i²，由此得到数组x²；针对标签y，若y中元素y_i是事件类型-B或事件类型-I，则改为O，得到的新数组，记为y²；从而得到实体类型提取模型的样本([x¹，x²]，y²)；

(7)将自注意力网络self-attention作为实体类型提取模型，将步骤(6)中得到的样本([x¹，x²]，y²)输入到实体类型提取模型进行训练，事件类型矩阵Event_Embedding为实体类型提取模型所需要拟合的参数，在训练过程中迭代更新，得到训练好的实体类型提取模型，记为model_2；

(8)获取未经人工标注过的待预测裁判文书的HTML并解析，然后将无格式的文本text按字切分得到数组x，使用BERT模型对数组x进行向量化，得到x¹，将x¹输入到model_1得到y¹，根据步骤(6)对y¹中的事件进行处理，得到待预测裁判文书的[x¹，x²]，输入到model_2中得到y²；根据y¹和y²得到每个事件类型及实体类型对应的文字。

2.根据权利要求1所述的一种裁判文书信息提取方法，其特征在于，通过Python模块BeautifulSoup解析裁判文书的HTML，提取无格式的文本text。

3.根据权利要求1所述的一种裁判文书信息提取方法，其特征在于，步骤(4)中，使用Google开源的BERT模型提供的Word Embedding和Position Embedding对x进行向量化。