[發(fā)明專利]一種面向司法文本數(shù)據(jù)的關鍵詞提取方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910237329.2
• 申請日: 2019-03-27
• 公開（公告）號: CN110059311B
• 公開（公告）日: 2023-04-28
• 發(fā)明（設計）人: 張云云;王開紅;丁鍇;陳濤;蔣立靚;胡慷;沈曉宇;陳寅峰
• 申請（專利權）人: 銀江技術股份有限公司
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/216;G06F40/242;G06F16/36;G06F16/951;G06Q50/18
• 代理公司: 杭州之江專利事務所(普通合伙) 33216
• 代理人: 張慧英

本發(fā)明涉及一種面向司法文本數(shù)據(jù)的關鍵詞提取方法及系統(tǒng)，本發(fā)明首先以引入法律名稱和司法相關專業(yè)性詞匯表用于分詞，并且進行人工復檢來構建司法專業(yè)詞匯標注表；然后通過將構建司法專業(yè)詞匯標注詞典和大規(guī)模的用戶詞典，進行分詞，去除停用詞等方法，獲取詞語；并且采集統(tǒng)計各類糾紛與案由的關鍵詞搜索詞匯，共同組成候選關鍵詞；其次，加入標題詞權重和詞語全局性權重值方法修正候選關鍵詞TF_IDF的權值，如果待提取的文檔中未含有候選關鍵詞，那么采用文檔中每個詞的TF_IDF歸一化值作為TextRank算法初始權值輸入，得到最終的詞語權值。本發(fā)明可以較好地匹配司法文本數(shù)據(jù)，匹配性高，適用于大部分的司法文本數(shù)據(jù)；并且加快了提取速度，同時提取準確度高。

技術領域

本發(fā)明涉及自然語言處理技術領域，尤其涉及一種面向司法文本數(shù)據(jù)的關鍵詞提取方法及系統(tǒng)。

背景技術

隨著計算機技術和互聯(lián)網(wǎng)技術的高速發(fā)展，各行業(yè)領域都逐步邁入了信息化的行列，因此，司法領域也走上了信息化建設的道路。據(jù)統(tǒng)計，中國裁判文書網(wǎng)上可查詢5千多萬份文書，且每天以3萬左右的規(guī)模遞增，另外還有各大司法所人民調解系統(tǒng)中的各類矛盾糾紛案例。然而，面對日益增長的海量司法文本數(shù)據(jù)，用戶需要花費很多時間在閱讀案件信息和關鍵詞信息獲取，例如，2018年12月新聞中報道的“634頁法院一審判決書”，面對如此厚的判決書，等真正看完，上訴期都過期了。那么通過對司法文本數(shù)據(jù)中特征性較強的、便于作為分類/標識/統(tǒng)計的關鍵詞進行提取，并做整理和語義抽取，可以為案件貼上相應維度的標簽，在類案搜索推薦、相似案例統(tǒng)計等工作中很大程度上提高匹配的準確度和提升匹配的時間性能。

近年，在關鍵詞提取方面已經(jīng)做了大量的研究。如專利號CN201810007166.4提出了一種基于規(guī)則的醫(yī)患糾紛案件關鍵詞提取方法，主要依賴于關鍵詞類別建立醫(yī)患糾紛關鍵詞提取規(guī)則模板，然后將案件模塊化，定義各模塊化的關鍵詞集合，通過關鍵詞提取規(guī)則生成關鍵詞偽表達式進程提取；專利號CN201710605900.2提出了一種基于word2vec與詞共現(xiàn)相結合的文本關鍵詞抽取方法，主要是采用word2vec生成的詞向量進行聚類，再結合詞共現(xiàn)等基本特征提取文本關鍵詞。

然而在上述的關鍵詞提取方法，特別是針對司法文本數(shù)據(jù)的關鍵詞方法中，都存在一定的局限性。主要原因是：(1)司法文本數(shù)據(jù)具有很多專業(yè)性詞匯，不能直接使用分詞工具，需要構建特定的司法專業(yè)詞匯表；(2)不僅要考慮詞匯的局部高頻性，還要從全局出發(fā)，考慮詞匯重要性；(3)適合大部分的司法文本數(shù)據(jù)，如所有的裁判文書、各類人民調解矛盾糾紛案例及協(xié)議書等。

發(fā)明內(nèi)容

本發(fā)明為克服上述的不足之處，目的在于提供一種面向司法文本數(shù)據(jù)的關鍵詞提取方法及系統(tǒng)，本發(fā)明首先以引入法律名稱和司法相關專業(yè)性詞匯表用于分詞，并且進行人工復檢來構建司法專業(yè)詞匯標注表；然后通過將構建司法專業(yè)詞匯標注詞典和大規(guī)模的用戶詞典，進行分詞，去除停用詞等方法，獲取詞語；并且采集統(tǒng)計各類糾紛與案由的關鍵詞搜索詞匯，共同組成候選關鍵詞；其次，加入標題詞權重和詞語全局性權重值方法修正候選關鍵詞TF_IDF的權值，如果待提取的文檔中未含有候選關鍵詞，那么采用文檔中每個詞的TF_IDF歸一化值作為TextRank算法初始權值輸入，得到最終的詞語權值。本發(fā)明可以較好地匹配司法文本數(shù)據(jù)，匹配性高，適用于大部分的司法文本數(shù)據(jù)；并且加快了提取速度，同時提取準確度高。

本發(fā)明是通過以下技術方案達到上述目的：一種面向司法文本數(shù)據(jù)的關鍵詞提取方法，包括如下步驟：

(1)采集并預處理司法文本數(shù)據(jù)，對司法文本數(shù)據(jù)進行分詞、停用詞去除，獲取詞語；

(2)構建關鍵詞詞典，并設置關鍵詞詞典標注詞初始權值w_initial；