基于结构内容特征的裁判文书自动推荐研究

doi:10.3772/j.issn.1000-0135.2022.02.006

情报学报

2022, Vol. 41

Issue (2): 167-175 DOI: 10.3772/j.issn.1000-0135.2022.02.006

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于结构内容特征的裁判文书自动推荐研究

梁柱¹, 沈思², 叶文豪³, 王东波¹

1.南京农业大学信息管理学院,南京 210095
2.南京理工大学经济管理学院,南京 210094
3.南京大学信息管理学院,南京 210023

Automatic Recommendation of Judgment Documents Based on Structural Content Features

Liang Zhu¹, Shen Si², Ye Wenhao³, Wang Dongbo¹

1.College of Information Management, Nanjing Agricultural University, Nanjing 210095
2.School of Economics & Management, Nanjing University of Science and Technology, Nanjing 210094
3.School of Information Management, Nanjing University, Nanjing 210023

摘要
图/表
参考文献
相关文章 (4)

全文: PDF (943 KB) HTML (115 KB)
输出: BibTeX | EndNote (RIS)

摘要在现有的裁判文书检索系统上，非专业领域的用户检索具有局限性。目前，法律领域的智能检索仅在基于裁判文书的法律条文的推荐和分类上开展了研究，缺乏对裁判文书自动推荐的相关研究，因此，本文提出了一种利用类新闻的事实性文本智能推荐裁判文书的方法，结合目前的研究工作，总结裁判文书的结构和内容特征，利用类新闻的事实性文本模拟非法律专业用户的检索查询式，构建含有结构内容特征的裁判文书语料库，并自动推荐相关裁判文书文档。结果显示，利用裁判文书的法院意见结构内容特征，对新闻语料进行特征词表示之后，LambdaMART模型在文本匹配结果上表现良好，优于传统的全文检索技术。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	梁柱
	沈思
	叶文豪
	王东波

关键词 ：裁判文书, 信息检索, LambdaMART, 文本匹配

收稿日期: 2020-05-23

基金资助:国家社会科学基金后期资助项目“基于时间感知模型的学术主题检索与演化挖掘研究”（19FTQB015）。

作者简介: 梁柱，男，1997年生，硕士研究生，主要研究领域为信息检索；沈思，女，1983年生，博士，讲师，硕士生导师，主要研究领域为机器学习、信息检索；叶文豪，男，1994年生，硕士，主要研究领域为文本挖掘；王东波，男，1981年生，博士，教授，博士生导师，主要研究领域为自然语言处理与文本挖掘、信息计量，E-mail：db.wang@njau.edu.c；

引用本文:

梁柱, 沈思, 叶文豪, 王东波. 基于结构内容特征的裁判文书自动推荐研究[J]. 情报学报, 2022, 41(2): 167-175.
Liang Zhu, Shen Si, Ye Wenhao, Wang Dongbo. Automatic Recommendation of Judgment Documents Based on Structural Content Features. 情报学报, 2022, 41(2): 167-175.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2022.02.006 或 https://qbxb.istic.ac.cn/CN/Y2022/V41/I2/167

1 李振宇. 法律文献的特征、类型及考证与检索[J]. 人文杂志, 2002(2): 158-160.
2 黄俏娟, 罗旭东. 人工智能与法律结合的现状及发展趋势[J]. 计算机科学, 2018, 45(12): 1-11.
3 Chalkidis I, Kampas D. Deep learning in law: early adaptation and legal word embeddings trained on large corpora[J]. Artificial Intelligence and Law, 2019, 27(2): 171-198.
4 Giri R, Porwal Y, Shukla V, et al. Approaches for information retrieval in legal documents[C]// Proceedings of the 2017 Tenth International Conference on Contemporary Computing. IEEE, 2017: 1-6.
5 张琳, 秦策, 叶文豪. 基于条件随机场的法言法语实体自动识别模型研究[J]. 数据分析与知识发现, 2017, 1(11): 46-52.
6 黄菡, 王宏宇, 王晓光. 结合主动学习的条件随机场模型用于法律术语的自动识别[J]. 数据分析与知识发现, 2019, 3(6): 66-74.
7 高丹, 彭敦陆, 刘丛. 海量法律文书中基于CNN的实体关系抽取技术[J]. 小型微型计算机系统, 2018, 39(5): 1021-1026.
8 Li Z H. A classification retrieval approach for English legal texts[C]// Proceedings of the 2019 International Conference on Intelligent Transportation, Big Data & Smart City. IEEE, 2019: 220-223.
9 陆伟, 黄永, 程齐凯. 学术文本的结构功能识别——功能框架及基于章节标题的识别[J]. 情报学报, 2014, 33(9): 979-985.
10 黄永, 陆伟, 程齐凯. 学术文本的结构功能识别——基于章节内容的识别[J]. 情报学报, 2016, 35(3): 293-300.
11 黄永, 陆伟, 程齐凯, 等. 学术文本的结构功能识别——基于段落的识别[J]. 情报学报, 2016, 35(5): 530-538.
12 黄永, 陆伟, 程齐凯, 等. 学术文本的结构功能识别——在学术搜索中的应用[J]. 情报学报, 2016, 35(4): 425-431.
13 Zhuang C H, Zhou Y M, Ge J D, et al. Information extraction from Chinese judgment documents[C]// Proceedings of the 2017 14th Web Information Systems and Applications Conference. IEEE, 2017: 240-244.
14 赵彦. 司法裁判文书的网络检索路径[J]. 学术交流, 2015(5): 126-131.
15 黄都培. 基于本体的法律信息语义检索[J]. 计算机工程与应用, 2008, 44(28): 196-199.
16 黄都培. 法律信息语义检索方法研究[J]. 法律文献信息与研究, 2009(4): 1-10.
17 邢启迪, 耿骞, 赵盼云, 等. 法律文献资源关联模型设计与应用研究[J]. 图书情报工作, 2017, 61(10): 131-140.
18 Wagh R S, Anand D. Legal document similarity: a multi-criteria decision-making perspective[J]. PeerJ Computer Science, 2020, 6: e262.
19 Padayachy T, Scholtz B, Wesson J. An information extraction model using a graph database to recommend the most applied case[C]// Proceedings of the 2018 International Conference on Computing, Electronics & Communications Engineering. IEEE, 2018: 89-94.
20 Kanapala A, Jannu S, Pamula R. Passage-based text summarization for legal information retrieval[J]. Arabian Journal for Science and Engineering, 2019, 44(11): 9159-9169.
21 Marques M R S, Bianco T, Roodnejad M, et al. Machine learning for explaining and ranking the most influential matters of law[C]// Proceedings of the Seventeenth International Conference on Artificial Intelligence and Law. New York: ACM Press, 2019: 239-243.
22 陈文哲, 秦永彬, 黄瑞章, 等. 基于犯罪行为序列的法律条文预测方法[J]. 计算机工程与应用, 2019, 55(22): 245-249, 264.
23 涂海, 彭敦陆, 陈章, 等. S2SA-BiLSTM: 面向法律纠纷智能问答系统的深度学习模型[J]. 小型微型计算机系统, 2019, 40(5): 1034-1039.
24 McElvain G, Sanchez G, Matthews S, et al. WestSearch Plus: a non-factoid question-answering system for the legal domain[C]// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2019: 1361-1364.
25 Zhou X, Zhang Y, Liu X, et al. Legal intelligence for e-commerce: multi-task learning by leveraging multiview dispute representation[C]// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2019: 315-324.
26 Joachims T. Text categorization with Support Vector Machines: learning with many relevant features[C]// Proceedings of the European Conference on Machine Learning. Heidelberg: Springer, 1998: 137-142.
27 Joachims T. Training linear SVMs in linear time[C]// Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2006: 217-226.
28 Burges C, Shaked T, Renshaw E, et al. Learning to rank using gradient descent[C]// Proceedings of the 22nd International Conference on Machine Learning. New York: ACM Press, 2005: 89-96.
29 Burges C J C, Svore K M, Bennett P N, et al. Learning to rank using an ensemble of lambda-gradient models[C]// Proceedings of the 2010 International Conference on Yahoo! Learning to Rank Challenge. JMLR.org, 2010, 14: 25-35.
30 Burges C J C. From RankNet to LambdaRank to LambdaMART: an overview[R/OL]. Microsoft Research Technical Report MSR-TR-2010-82, 2010, https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/MSR-TR-2010-82.pdf.