[发明专利]一种基于司法领域知识抽取的高效司法文档分类方法

摘要

本发明提供了一种基于司法领域知识抽取的高效司法文档分类方法，包括建立司法文书领域知识模型、自动化知识抽取和基于WMD的司法文档分类三个阶段；其中，自动化知识抽取包括：(a)关键词抽取；(b)关键词优先级；(c)提取出判决结果；(d)审判结果的标准化；(e)带标签的数据集；基于WMD的司法文档分类：(f)词向量表示，形成一个中文分词包；(g)词袋模型(nBOW)表示文档；(h)构建两个词之间的距离；(i)计算文档之间的距离，最后采用kNN算法进行司法文档分类。本发明的司法文档分类方法，分类准确、效率高，通过司法文书的相似性分析，实现类案推送，为司法人员提供智能辅助办案服务，可以显著提高办案的质量和效率。

主权项

1.一种基于司法领域知识抽取的高效司法文档分类方法，其特征在于，包括建立司法文书领域知识模型、自动化知识抽取和基于WMD的司法文档分类三个阶段；所述司法文书领域知识模型，基于犯罪构成理论构建，模型包含犯罪构成的四要件，即：主体、客体、主观方面、客观方面；同时模型还包括文书基本信息和判决结果信息；所述客观方面又包括危害行为和危害结果；所述自动化知识抽取通过以下步骤实现：1)客观方面的抽取：基于客观方面部分总是位于一篇文档的中间部分，且总是自成一个段落，和在段落的开始部分会存在一些特定的关键词语的特性，构造了所需的规则库；(a)关键词抽取：基于上述规则库，抽取客观方面相关段落，用于提取案件的判决结果；客观方面所在的段落，其第一句话总是包含特定关键词；(b)关键词优先级：将步骤(a)获得的客观方面司法文件中，检察院指控的客观方面与法院经审理查明的客观方面区分开，并对关键词设置了不同的优先级，在司法文书中含有两份客观方面时，会优先抽取含有高优先级关键词的部分；2)审判结果的抽取及其标准化：(c)提取判决结果：基于审判结果具有固定的用语和结构的规则，即被告人+姓名+犯+罪名+判处+判决结果，从步骤1)获得的客观方面提取出判决结果；(d)审判结果的标准化：步骤(c)抽取的审判结果中，将主刑部分中的汉字数字转化为阿拉伯数字，且将非以年为单位的数值转化为以年为单位来表示；(e)将步骤(d)标准化的文件进行标签化，获得带标签的数据集；所述基于WMD的司法文档分类：3)WMD度量计算任意已抽取信息之间的文档距离：(f)词向量表示：将上述抽取的的司法文档与中文维基百科语料库组成一个语料库，并除去了上述文档中的停用词；再使用了jieba分词对中文司法文档进行分词：将一个汉字序列切分成一个单独的词，形成一个中文分词包；(g)WMD使用正则化的词袋模型(nBOW)表示文档，设d∈Rn表示一篇文档，其中n表示nBOW模型的长度，即数据集中不同词的数目(去除停用词)，代表文档中第i个词的计算公式，得到两个文档的nbow向量：其中ci是第i个词在该文档中出现的次数，分别用d和d′表示两篇不同的文档；(h)WMD使用词向量技术，这样两个词i和j之间的距离可以自然的用二者在词向量空间的欧氏距离表示：c(i,j)＝||xi‑xj||2  (2)为了避免混淆词距离与文档距离，将c(i,j)称为词转移代价；(i)通过词转移代价计算出了文档之间的距离，具体做法是：令d中的每个词都可以部分或全部的转化为d′中的任何词，那么将d中的全部词转化为d′中的全部词所花费的最小代价即是两个文档之间的距离；用一个流量矩阵T∈Rn×n表示d中的词向d′中的词的转化情况，Tij表示d中第i个词向d′中第j个词的转化量，为了保证d完全的转化为了d′，需要满足∑jTij＝di,即词i转化到d′中各词的量的总和等于dj，同样的，还需令∑jTij＝dj′,这是为了满足d中各词转化到词j的量的总和等于dj′；在满足以上两个约束同时，文档之间的距离可表示为：这样计算得到的两个文档之间的距离可以表示文档的相似度，此距离越小，文档之间越相似；4)kNN算法进行司法文档分类：通过WMD计算的文档距离，来找到待分类文档的k个最相邻的文档，从而实现文档分类，在分类中进一步优化kNN算法中的参数k，即一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。