基于深度学习的法律文书识别方法研究

doi:10.16180/j.cnki.issn1007-7820.2019.12.018

电子科技 ›› 2019, Vol. 32 ›› Issue (12): 84-86.doi: 10.16180/j.cnki.issn1007-7820.2019.12.018

• • 上一篇

基于深度学习的法律文书识别方法研究

孟昕

扬州大学广陵学院,江苏扬州 225000

收稿日期:2018-12-29 出版日期:2019-12-15 发布日期:2019-12-24
作者简介:孟昕(1990-),女,助教。研究方向:现代高校思政工作及法学信息化。
基金资助:
江苏高校哲学社会科学研究项目(2019SJB928)

Research on Recognition Method of Legal Documents Based on Deep Learning

MENG Xin

Guangling College, Yangzhou University, Yangzhou 225000, China

Received:2018-12-29 Online:2019-12-15 Published:2019-12-24
Supported by:
Jiangsu University Philosophy and Social Sciences Research Project(2019SJB928)

摘要/Abstract

摘要：

为了提升数字化法律文书知识库的建设效率,文中提出了基于深度学习理论的法律文书识别方法。该方法基于长短期记忆(LSTM)网元结构构建深度神经网络,引入遗忘门进行网元的状态更新,使用Softmax函数作为非线性传播函数,实现自然语言中的实体识别。经测试,该方法可以有效的提取法律文书中的当事人姓名、案由和审判机构等;在文中所采用的测试集上,相较于CRFs算法,该方法在准确率、召回率和F上均可以取得约10%的提升。

关键词: 法律文书, 自然语言处理, 深度学习, 实体识别, LSTM, CRFs

Abstract:

In order to improve the construction efficiency of the knowledge base of digital legal documents, this paper proposed a method of legal document recognition based on the theory of deep learning. This method constructed deep neural network based on long and short term memory (LSTM) network element structure, and realized entity recognition in natural language. After testing, this method could effectively extract the names of people, places and institutions in legal documents. In the test set used in this paper, compared with the CRFs algorithm, this method could achieve about 10% improvement in accuracy, recall and F.

Key words: legal documents, natural language processing, deep learning, entity recognition, LSTM, CRFs

中图分类号:

TN911.7

孟昕. 基于深度学习的法律文书识别方法研究[J]. 电子科技, 2019, 32(12): 84-86.

MENG Xin. Research on Recognition Method of Legal Documents Based on Deep Learning[J]. Electronic Science and Technology, 2019, 32(12): 84-86.

图/表 6

图1

图2

表1

表2

表3

表4

参考文献 10

[1]	Sundar N G, Sunny A T . An efficient information extraction model for personal named entity[J]. International Journal of Computer Trends & Technology, 2013,4(3):446-449. doi: 10.1016/j.heliyon.2019.e02734 pmid: 31720472
[2]	Zhao X, Wu Y, Song G , et al. A deep learning model integrating FCNNs and CRFs for brain tumor segmentation[J]. Medical Image Analysis, 2017,43(7):98-111. doi: 10.1016/j.media.2017.10.002 pmid: 29040911
[3]	Lydia L, Bing Q, Yanyan Z , et al. A syntactic path-based hybrid neural network for negation scope detection[J].Frontiers of Computer Science, 2018(3):56-63.
[4]	Zhang M, Yu N, Fu G . A simple and effective neural model for joint word segmentation and POS tagging[J].IEEE ACM Transactions on Audio,Speech,and Language Processing, 2018(5):17-31.
[5]	Chuan-Long Y, Yue-Fei Z, Jin-Long F , et al. A deep learning approach for intrusion detection using recurrent neural networks[J].IEEE Access, 2017(9):11-17.
[6]	Wang Y, Lin X, Wu L , et al. Effective multi-query expansions: collaborative deep networks based feature learning for robust landmark retrieval[J].IEEE Transactions on Image Processing, 2017(6):31-38.
[7]	Zhang Y, Zhang M, Liu Y , et al. Boost phrase-level polarity labelling with review-level sentiment classification[J].Computer Science, 2015(4):46-53.
[8]	Li S, Lin J, Li G , et al. Vehicle type detection based on deep learning in traffic scene[J]. Procedia Computer Science, 2018,13(1):564-572.
[9]	Huang Y, Liu X, Tian X , et al. Deep supervised dictionary learning for no-reference image quality assessment[J]. Journal of Electronic Imaging, 2018,27(2):1-9.
[10]	Lv P, Zhong Y, Ji Z , et al. Unsupervised change detection based on hybrid conditional random field model for high spatial resolution remote sensing imagery[J].IEEE Transactions on Geoscience & Remote Sensing, 2018(5):1-14. doi: 10.1016/j.jenvman.2006.04.023 pmid: 17123698

参数描述	参数值
词向量维度	100
LSTM层输出维度	128
全连接层输出维度	64
Batch层	32

算法	P	R	F
CRFs	98.92%	94.53%	96.67
LSTM	99.30%	94.60%	96.89

算法	P	R	F
CRFs	79.52%	65.90%	72.09
LSTM	92.58%	74.77%	82.73

算法	P	R	F
CRFs	75.4%	68.23%	72.21
LSTM	87.48%	76.50%	81.62

[1]	程晓雅,张雷. 基于深度学习的有遮挡人脸识别方法研究[J]. 电子科技, 2022, 35(1): 35-39.
[2]	赵崇,迟蒙蒙,储聪,张鹏. 导盲犬行走机构运动仿真及其视觉识别算法研究[J]. 电子科技, 2021, 34(9): 66-72.
[3]	马立新,豆晨飞,宋晨灿,杨天笑. 基于特征融合卷积神经网络的绝缘子无损检测[J]. 电子科技, 2021, 34(7): 26-30.
[4]	张仕森,孙宪坤,尹玲,李世玺. 基于神经网络的文本标题生成原型系统设计[J]. 电子科技, 2021, 34(5): 35-41.
[5]	薛永杰,巨志勇. 基于改进AlexNet的鱼类识别算法[J]. 电子科技, 2021, 34(4): 12-17.
[6]	邵杭,王永雄,秦宇龙. 基于深度学习与显著性的数字图像构图优化[J]. 电子科技, 2021, 34(3): 36-42.
[7]	闫超,孙占全,田恩刚,赵杨洋,范小燕. 基于深度学习的医学图像分割技术研究进展[J]. 电子科技, 2021, 34(2): 7-11.
[8]	郑萌. 基于变分模型的英汉翻译系统设计[J]. 电子科技, 2020, 33(12): 75-78.
[9]	程俊华,曾国辉,刘瑾. 基于深度学习的复杂背景图像分类方法研究[J]. 电子科技, 2020, 33(12): 59-66.
[10]	邬倩,吴飞,骆立志. 基于深度学习的人体骨架动作识别[J]. 电子科技, 2020, 33(11): 79-83.
[11]	郑萌. 基于改进注意力机制模型的智能英语翻译方法研究[J]. 电子科技, 2020, 33(11): 84-87.
[12]	段雨佳,鞠婷. 基于深度学习的代码审查意见有效性评估[J]. 电子科技, 2020, 33(1): 39-45.
[13]	仝泽友,冯仕民,侯晓晴,丁恩杰. 基于安全帽佩戴检测的矿山人员违规行为研究[J]. 电子科技, 2019, 32(9): 26-31.
[14]	胡少聪. 基于深度学习的人脸识别方法研究[J]. 电子科技, 2019, 32(6): 82-86.
[15]	姜猛,王子牛,高建瓴. 基于异构数据联合训练的中文分词法[J]. 电子科技, 2019, 32(4): 29-33.

基于深度学习的法律文书识别方法研究

Research on Recognition Method of Legal Documents Based on Deep Learning

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 10

相关文章 15

Metrics

本文评价

推荐阅读 10