信息量的剧增使得对信息处理和运用的重要性在很多领域凸显出来。在司法领域,法律案例已经构成了相当大规模的案例集,这些案例集包含了不同的法律机构及个人对不同案例的评判标准和结果,蕴含着丰富的行业知识和专业智慧。对案例相关信息进行提炼,为法律机构提供相似案例的审判结果,进行判决推荐,可以更好地实现历史案例的价值。而如何对大规模的案例信息进行自动或半自动的抽取和标注,是形成判决推荐的基础,是构建案例本体实例库时重要的步骤。

本研究拟在构建一种基于本体的信息抽取与标注模型,结合刑事判决书本体,针对刑事判决书案例的文本特征进行实体抽取、属性识别和关系抽取,并将抽取结果经过语义标注,构造案例信息本体库,以供进一步检索推荐。

信息抽取是构建语义网^{[ 1, 2]}的基础,是指从文本中抽取指定的事件、事实等信息,并形成结构化存储的过程。Cardie^{[ 3]}描述的信息抽取通用过程包括符号化和标注、句法分析、抽取、合并与模板生成5个部分。其中,语义标注与信息抽取是密不可分的两个关联过程,是在一个领域本体的指导下为文档添加规范化知识表示的过程,通常包括类型标注和关系抽取两个部分。

目前已有的语义标注工作主要包括三种类型:

(1)基于机器学习和关系元数据的传统方法,主要是对标注好的训练集进行训练,但在实际应用中需要定义匹配规则等来实现知识的转化;

(2)基于本体的方法,利用本体中已有的实例来简化抽取过程中对概念实例的识别;

(3)自然语言处理的方法,借助语法结构和句法分析实现实体关系的抽取。

KIM^{[ 4]}中的语义标注模块,利用GATE实现自然语言处理的一系列集成,如分词、词性标注、命名实体识别、规则匹配和指代识别等。荆涛等^{[ 5]}通过构造基于正则表达式规则的通用类型标注器和基于词汇构建的本体类型标注器进行标注,并通过分析句中词汇间的依存关系构造语法关系三元组。高琦^{[ 6]}提出一种基于弱监督的Bootstrapping和规则的本体标注模型,通过不断循环本体解析、文本分类和信息标注抽取的过程来实现对本体内容的丰富。Pandit^{[ 7]}形成了基于解析树和依赖树的信息抽取方法,通过句法结构对实体进行识别,再与本体模型进行匹配,实现内容扩充。

本文基于对多种语义标注和抽取算法的研究,针对法律案例文本的特点,综合运用本体、正则表达式、自然语言处理技术等多种方法构建信息抽取与标注模型,实现对法律案例信息的语义化表述。

按照本文所述的抽取方法和抽取规则,笔者结合自然语言处理和正则表达式模式构建规则抽取器,以C#为编程语言,实现对XML模板的构建。采用“北京市第二中级人民法院”2006年-2012年“故意伤害罪”相关的1 000个刑事判决书的文本文档为数据集(文档长度大约在5KB-15KB之间)进行信息抽取算法的实现和XML模板的构建。由于篇幅所限,仅以某审判案例中“法律角色”部分的自然语言文本为抽取案例,并展示抽取标注后对应的XML文档。

审判案例部分文档的内容截取如下所示(案例范例的斜体字部分对应XML抽取出的内容。):

……

被告人张XX,男,46岁,1962年5月16日出生于山西省盂县,汉族,小学文化,北京市XXX公司职工,住北京市朝阳区慈云寺商场院内平房(户籍所在地:北京市朝阳区关东店X巷XX号);因涉嫌犯故意伤害罪于 2008年3月17日被羁押,同年3月28日被逮捕;现羁押在北京市第一看守所。

指定辩护人王建京,北京市京工律师事务所律师。

……

抽取标注后对应的XML文档部分,如下所示:

< ?xml version="1.0" encoding="UTF-8"? >

< Judgement >

< Entities_JudgementCName="刑事判决书" >判决书_(2008)二中刑初字第XXXXX号

……

< Roles CName="法律角色" >

< Role_defendentCName="被告人" >张XX

< Role_defendent_nameCName="被告人姓名" >张XX

< /Role_defendent_name >

< Role_defendent_sexCName="被告人性别" >男

< /Role_defendent_sex >

< Role_defendent_ageCName="被告人年龄" >46岁

< /Role_defendent_age >

< Role_defendent_birthdateCName="被告人出生年月" >1962年5月16日

< /Role_defendent_birthdate >

< Role_defendent_birthplaceCName="被告人出生地" >山西省盂县

< /Role_defendent_birthplace >

< Role_defendent_nationCName="被告人民族" >汉族

< /Role_defendent_nation >

< Role_defendent_educationCName="被告人文化水平" >小学文化

< /Role_defendent_education >

< Role_defendent_careerCName="被告人职业" >北京市XXX公司职工

< /Role_defendent_career >

< Role_defendent_addressCName="被告人住址" >北京市朝阳区慈云寺商场院内平房

< /Role_defendent_address >

< Role_defendent_residenceCName="被告人户籍地" >北京市朝阳区关东店X巷XX号

< /Role_defendent_residence >

< Role_defendent_crimeCName="涉嫌罪名" >故意伤害罪

< /Role_defendent_crime >

< Role_defendent_detainedCName="被羁押日期" >2008年3月17日

< /Role_defendent_detained >

< Role_defendent_arrestedCName="被逮捕日期" >同年3月28日

< /Role_defendent_arrested >

< Role_defendent_detainplaceCName="现羁押地" >北京市第一看守所

< /Role_defendent_detainplace >

< /Role_defendent >

< Role_defenderCName="辩护人" >王建京

< Role_defender_nameCName="辩护人姓名" >王建京

< /Role_defender_name >

< Role_defender_unitCName="辩护人单位" >北京市京工律师事务所律师

< /Role_defender_unit >

< /Role_defender >

……

< /Entities_Judgement >

< Relations_Judgement >

< Relation_defendRName="Has辩护人" >

< Source CName="被告人" >张XX

< Domain CName="辩护人" >王建京< /Domain >

< /Reltion_Defend >

……

< /Relations_Judgement >

< /Judgement >

对于内容抽取后的XML文档,需要依据XML对RDF文档的转化规则,用编程的方式实现对RDF文档的转化,最终将RDF文档导入本体库中,构建本体实例。

在实验中,笔者对1 000个审判案例分10组进行实验,采用召回率和准确率两个指标作为模型的评价标准,实验结果如表3所示:

表3

表3

表3 实验结果 组别 召回率 准确率 1 65.2% 52.3% 2 68.1% 57.8% 3 71.2% 63.5% 4 78.4% 69.4% 5 84.9% 72.6% 6 87.8% 73.9% 7 86.3% 78.1% 8 89.2% 80.2% 9 88.7% 82.6% 10 89.4% 81.4%

表3 实验结果

经过实验,该模型的抽取结果基本达到预期效果,证明了该算法的有效性。但模型对信息的抽取仍不能达到完全准确,在后续研究中,会在模型中引入自然语言处理中的句法分析,达到提高模型信息抽取精度的目的。

本文通过对案例信息进行抽取提炼,捕捉案例中有价值的语义信息,变案例集为计算机可以理解的语义网络,即本体实例库。笔者构建了基于本体的审判案例自动抽取标注模型,并进行了算法的设计与实现以及对基于正则表达式规则抽取器的构建工作。由于刑事判决书既有一定的书写模式结构,又兼具语言表述的多样性,所以在进行信息抽取时,对于规则结构比较清晰的内容,结合正则表达式构建抽取规则模板,实现了基于线索词的信息抽取方法。对于规则结构并不是很清晰的部分,结合自然语言处理技术,基于分词、词性标注和语义分析,来识别信息抽取重点,实现灵活语义的抽取。而如何精准地从表达灵活的信息中抽取所需信息,也将是未来研究的重点,同时还需对XML模板和正则表达式规则进行进一步细化与完善。