CN112529743B - 合同要素抽取方法、装置、电子设备及介质 - Google Patents
合同要素抽取方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112529743B CN112529743B CN202011502263.4A CN202011502263A CN112529743B CN 112529743 B CN112529743 B CN 112529743B CN 202011502263 A CN202011502263 A CN 202011502263A CN 112529743 B CN112529743 B CN 112529743B
- Authority
- CN
- China
- Prior art keywords
- contract
- pair library
- extracted
- keyword
- data sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 29
- 239000012634 fragment Substances 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000013518 transcription Methods 0.000 description 4
- 230000035897 transcription Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000007115 recruitment Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及语义解析技术,揭露一种合同要素抽取方法,包括:从合同数据样本集中提取要素问题集和要素答案集,对合同数据样本集筛选和同义词扩写得到扩写词对库,对合同数据样本集进行文本片段框选和格式转换,得到训练数据集并抽取得到标准要素集,计算其与要素答案集的损失值,直到要素抽取模型收敛,得到标准要素抽取模型;利用标准要素抽取模型对待抽取合同及抽取的合同片段进行要素抽取,得到多种输出要素集并投票输出合同要素。本发明还涉及区块链技术,所述扩写词对库等可以存储在区块链节点中。本发明还揭露一种合同要素抽取装置、电子设备及存储介质。本发明可以解决通过预设的实体识别规则提取实体时建模困难且准确率较低的问题。
Description
技术领域
本发明涉及语义解析技术领域,尤其涉及一种合同要素抽取方法、装置、电子设备及计算机可读存储介质。
背景技术
合同是民事主体之间设立、变更、终止民事法律关系的协议,通常由民事主体之间根据想要约束的条款自由订立,因此不同合同之间格式各不相同,描述方式也有差别。一般一篇合同的字数接近几万字,在双方准备签订合同之前,通常需要对合同中的关键合同要素进行抽取并仔细查阅。
现有的抽取关键合同要素的方法通常是根据预设的实体识别规则,提取合同中一个或者多个实体,并对实体进行关系抽取和对实体关系进行求并集,得到最终的关键合同要素,这种方法需要维护实体识别和实体关系抽取两个方面,增大了处理层级关系的难度,同时建模困难,准确率较低。
发明内容
本发明提供一种合同要素抽取方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决通过预设的实体识别规则提取实体时建模困难且准确率较低的问题。
为实现上述目的,本发明提供的一种合同要素抽取方法,包括:
获取合同数据样本集,从所述合同数据样本集中提取要素问题及对应的要素答案,得到要素问题集和其对应的要素答案集;
根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库;
根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,并将所述要素问题集和所述文本片段集进行格式转换,得到训练数据集;
利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,计算所述标准要素集和所述要素答案集之间的损失值,根据所述损失值调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,得到标准要素抽取模型;
获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,利用所述标准要素抽取模型对所述待抽取合同及所述合同片段进行要素抽取,得到一种或者多种输出要素集;
根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素,并输出所述合同要素。
可选地,所述根据所述合同数据样本集利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库,包括:
对所述合同数据样本集进行分词处理,得到分词数据集;
对所述分词数据集进行词性标注和去停用词处理,得到初始数据集;
根据所述关键词对库,从所述初始数据集中筛选出扩展关键词,并根据所述扩展关键词构建语义共现网络;
利用所述语义共现网络分析所述关键词对库,生成同义词列表,选取所述同义词列表中的前N个词扩充到关键词对库中,得到扩写词对库。
可选地,所述根据所述关键词对库,从所述初始数据集中筛选出扩展关键词,并根据所述关键词构建语义共现网络,包括:
从所述初始数据集中搜索得到与所述关键词对库中的关键词具有相同词性的词语集合作为扩展关键词;
以所述关键词对库中的关键词为中心,以具有相同词性的扩展关键词作为邻居节点,构建语义共现网络。
可选地,所述利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,包括:
对所述训练数据集进行向量化处理,得到训练向量集;
利用所述要素抽取模型中的门控制机制对所述训练向量集进行向量变换处理,得到变换向量集;
利用所述要素抽取模型中的多层神经网络对所述变换向量集进行向量概率计算,得到所述变换向量集对应的概率值集合;
将所述概率值集合中概率值大于预设概率阈值的变换向量对应的训练数据判定为标准要素,汇总得到标准要素集。
可选地,所述获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,包括:
对所述待抽取合同进行归类处理,得到所述待抽取合同的合同类别;
根据所述合同类别遍历对应的扩写词对库,查找在所述待抽取合同中出现的扩写词,并标注出查找到的扩写词在所述待抽取合同中的位置;
根据所述扩写词在所述待抽取合同中的位置对所述待抽取合同筛选,得到合同片段集。
可选地,所述根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,包括:
根据所述要素答案集中的要素答案从所述扩写词对库中搜索出所述要素答案对应的多个要素扩写词;
在所述合同数据样本集中搜索所述多个要素扩写词,得到所述多个要素扩展词在所述合同数据样本集中的位置,根据多个要素扩写词的位置框选出所述文本片段集。
可选地,所述计算所述标准要素集和所述要素答案集之间的损失值,包括:
其中,loss为损失值,y为标准要素集,为要素答案集。
为了解决上述问题,本发明还提供一种合同要素抽取装置,所述装置包括:
数据处理模块,用于获取合同数据样本集,从所述合同数据样本集中提取要素问题及对应的要素答案,得到要素问题集和其对应的要素答案集;
扩写词对库生成模块,用于根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库;
训练数据集生成模块,用于根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,并将所述要素问题集和所述文本片段集进行格式转换,得到训练数据集;
模型训练模块,用于利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,计算所述标准要素集和所述要素答案集之间的损失值,根据所述损失值调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,得到标准要素抽取模型;
输出要素集生成模块,用于获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,利用所述标准要素抽取模型对所述待抽取合同及所述合同片段进行要素抽取,得到一种或者多种输出要素集;
投票处理模块,用于根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素,并输出所述合同要素。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的合同要素抽取方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的合同要素抽取方法。
本发明实施例根据从合同数据样本集中提取的要素答案及预设的语义共现网络从合同数据样本集中筛选得到扩写词对库,利用所述扩写词对库可以在合同中快速定位需要抽取的合同要素,因此,本发明实施例利用通过所述扩写词对库训练得到标准要素抽取模型可以准确快速地从待抽取合同中筛选出一种或者多种输出要素集;进一步地,本发明实施例根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素保证了输出的合同要素的准确性。因此,本发明提出的合同要素抽取方法、装置及计算机可读存储介质,可以提高合同要素抽取方法的效率,解决通过预设的实体识别规则提取实体时建模困难且准确率较低的问题。
附图说明
图1为本发明实施例提供的合同要素抽取方法的流程示意图;
图2为图1所示的合同要素抽取方法中其中一个步骤的流程示意图;
图3为本发明实施例提供的合同要素抽取装置的模块示意图;
图4为本发明实施例提供的实现合同要素抽取方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种合同要素抽取方法,所述合同要素抽取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述合同要素抽取方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明实施例提供的一种合同要素抽取方法的流程示意图。在本实施例中,所述合同要素抽取方法包括:
S1、获取合同数据样本集,从所述合同数据样本集中提取要素问题及对应的要素答案,得到要素问题集和其对应的要素答案集。
本发明实施例中,所述合同数据样本集包括多份预设领域的合同文本,比如私募领域的合同文本。
具体地,本发明实施例可以通过专业人员根据现有的业务知识,从所述合同数据样本集中提取出要素问题集,并根据所述要素问题集在所述合同样本数据集中找到对应的要素答案集。
例如,对一份私募合同文本进行要素问题及要素答案进行提取时,提取的要素问题可以为“产品全称”、“产品类别”、“合格投资者身份”、“风险等级”、“是否为自然投资者”等,根据所述要素问题在所述私募合同文本中提取得到多的对应的要素答案可以包括,“产品全称:蓝光组合投资集合资金信托计划”、“产品类别:权益类”、“合格投资者身份:50万元”、“风险等级:R5”和“是否为自然投资者:是”。
S2、根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库。
本发明实施例可以将所述要素答案集与所述合同数据样本集进行比对,筛选出所述要素答案集中与所述合同数据样本集中重合的多个关键词,得到所述关键词集合。
具体地,参阅图2所示所述利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库,包括:
S211、对所述合同数据样本集进行分词处理,得到分词数据集;
S212、对所述分词数据集进行词性标注和去停用词处理,得到初始数据集;
S213、根据所述关键词对库,从所述初始数据集中筛选出扩展关键词,并根据所述扩展关键词构建语义共现网络;
S214、利用所述语义共现网络分析所述关键词对库,生成同义词列表,选取所述同义词列表中的前N个词扩充到关键词对库中,得到扩写词对库。
本发明其中一个实施例可以利用Jieba工具对所述合同数据样本集进行分词处理,将所述合同数据样本集中的每个句子拆分成一个个词语,得到分词数据集。
进一步地,本发明实施例对所述分词数据集进行词性标注和去停用词处理。其中,所述词性标注处理是对分词数据集中的词语进行标注动词、名词、形容词等词性,所述去停用词处理是利用预设的停用词表去掉所述分词数据集中没有实际含义的词语,例如,“啊”,“的”等。
其中,所述停用词表可以参考“哈工大停用词词库”和“四川大学机器学习智能实验室停用词词库”。
进一步地,所述根据所述关键词对库,从所述初始数据集中筛选出扩展关键词,并根据所述关键词构建语义共现网络,包括:
从所述初始数据集中搜索得到与所述关键词对库中的关键词具有相同词性的词语集合作为扩展关键词;
以所述关键词对库中的关键词为中心,以具有相同词性的扩展关键词作为邻居节点,构建语义共现网络。
其中,所述词性包括但不限于动词词性、名词词性和形容词词性。
具体地,本发明实施例从所述初始数据集中搜索得到与所述关键词对库中的关键词具有相同词性的词语集合作为扩展关键词,若所述关键词词性为名词,则可搜索得到上下文中所有为名词词性的词语作为扩展关键词。
例如,关键词为“投资者”,搜索得到所有为名词词性的词语为:“资产”、“合同”、“财产”、“收入”、“投资”、“金融”和“家庭”。关键词为“委托人”,搜索得到所有为名词词性的词语为:“资产”、“产品”、“财产”、“收入”、“风险”、“金融”和“家庭”。
进一步地,本发明实施例以所述关键词对库中的关键词为中心,以具有相同词性的扩展关键词作为邻居节点,构建语义共现网络,以每一个词语为节点,根据上下文位置关系构建所述语义共现网络,其中,所述语义共现网络的边是每个词的上下文相关词。
本发明实施例中,所述语义共现网络中两个节点的共同邻居节点越多,则这两个词是同义词的概率越大,设置共同邻居节点数大于或者等于预设的共同阈值时,将所述关键词定义为同义词并加入到同义词列表。
进一步地,本发明实施例选取每个同义词列表的前N个词作为最终同义词,与对应目录关键词组合,扩充到关键词对库,得到扩写词对库。
优选地,本发明实施例中,N为5。
S3、根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,并将所述要素问题集和所述文本片段集进行格式转换,得到训练数据集。
本发明实施例中,所述根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,包括:
根据所述要素答案集中的要素答案从所述扩写词对库中搜索出所述要素答案对应的多个要素扩写词;
在所述合同数据样本集中搜索所述多个要素扩写词,得到所述多个要素扩展词在所述合同数据样本集中的位置,根据多个要素扩写词的位置框选出所述文本片段集。
进一步地,将所述要素问题集和所述文本片段集转化为json格式,得到训练数据集。
S4、利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,计算所述标准要素集和所述要素答案集之间的损失值,根据所述损失值调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,得到标准要素抽取模型。
本发明实施例中,所述利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,包括:
对所述训练数据集进行向量化处理,得到训练向量集;
利用所述要素抽取模型中的门控制机制对所述训练向量集进行向量变换处理,得到变换向量集;
利用所述要素抽取模型中的多层神经网络对所述变换向量集进行向量概率计算,得到所述变换向量集对应的概率值集合;
将所述概率值集合中概率值大于预设概率阈值的变换向量对应的训练数据判定为标准要素,汇总得到标准要素集。
进一步地,所述利用所述要素抽取模型中的门控制机制对所述训练向量集进行向量变换处理,得到变换向量集,包括:
利用下述变换公式对所述训练向量集进行向量变换处理:
y=T*h(x)+(1-T)*x
其中,x是训练向量,T是学习过的门控函数,取值为0~1质检,h(x)是一个任意的变换函数,y为变换向量。
进一步地,本发明实施例利用所述要素抽取模型中的多层神经网络中的MLP层对所述变换向量集进行向量概率计算,得到所述变换向量集中对应变换向量的概率值集合。
进一步地,本发明实施例利用下述损失函数进行损失值的计算:
其中,loss为损失值,y为标准要素集,为要素答案集。
进一步地,若所述损失值大于或者等于预设的损失阈值时,本发明实施例调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,即所述损失值小于预设的损失阈值时得到标准要素抽取模型。
详细地,所述模型参数可以为模型的权重,梯度等。
S5、获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,利用所述标准要素抽取模型对所述待抽取合同及所述合同片段进行要素抽取,得到一种或者多种输出要素集。
本发明实施例中,所述待抽取合同为需要进行合同要素抽取的合同。
具体地,所述获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,包括:
对所述待抽取合同进行归类处理,得到所述待抽取合同的合同类别;
根据所述合同类别遍历对应的扩写词对库,查找在所述待抽取合同中出现的扩写词,并标注出查找到的扩写词在所述待抽取合同中的位置;
根据所述扩写词在所述待抽取合同中的位置对所述待抽取合同筛选,得到合同片段集。
S6、根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素,并输出所述合同要素。
本发明实施例中,所述投票机制为根据所述输出要素的个数分别处理,当所述输出要素集的个数为一个时,将所述输出要素作为合同要素,当所述输出要素集中包含多个输出要素时,根据计算所得的概率值判断合同要素。
详细地,所述根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,包括:
根据所述输出要素和所述输出要素对应的概率值,计算输出要素对应的概率值的平方值与输出要素对应的概率值与预设值之和的比值,得到所述输出要素集中的每个输出要素的概率值。
如图3所示,是本发明实施例提供的合同要素抽取装置的模块示意图。
本发明所述合同要素抽取装置100可以安装于电子设备中。根据实现的功能,所述合同要素抽取装置100可以包括数据处理模块101、扩写词对库生成模块102、训练数据集生成模块103、模型训练模块104、输出要素集生成模块105、投票处理模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据处理模块101,用于获取合同数据样本集,从所述合同数据样本集中提取要素问题及对应的要素答案,得到要素问题集和其对应的要素答案集;
所述扩写词对库生成模块102,用于根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库;
所述训练数据集生成模块103,用于根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,并将所述要素问题集和所述文本片段集进行格式转换,得到训练数据集;
所述模型训练模块104,用于利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,计算所述标准要素集和所述要素答案集之间的损失值,根据所述损失值调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,得到标准要素抽取模型;
所述输出要素集生成模块105,用于获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,利用所述标准要素抽取模型对所述待抽取合同及所述合同片段进行要素抽取,得到一种或者多种输出要素集;
所述投票处理模块106,用于根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素,并输出所述合同要素。
本发明实施例中所述合同要素抽取装置100中包括的上述各个模块在由电子设备的处理器所执行时,可以实现如上述图1所述的合同要素抽取方法中所描述的各种技术方案,并产生相同的有益效果,这里不再赘述。
如图4所示,是本发明实现合同要素抽取方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如合同要素抽取程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如合同要素抽取程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行合同要素抽取程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的合同要素抽取程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取合同数据样本集,从所述合同数据样本集中提取要素问题及对应的要素答案,得到要素问题集和其对应的要素答案集;
根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库;
根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,并将所述要素问题集和所述文本片段集进行格式转换,得到训练数据集;
利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,计算所述标准要素集和所述要素答案集之间的损失值,根据所述损失值调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,得到标准要素抽取模型;
获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,利用所述标准要素抽取模型对所述待抽取合同及所述合同片段进行要素抽取,得到一种或者多种输出要素集;
根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素,并输出所述合同要素。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的,例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取合同数据样本集,从所述合同数据样本集中提取要素问题及对应的要素答案,得到要素问题集和其对应的要素答案集;
根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库;
根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,并将所述要素问题集和所述文本片段集进行格式转换,得到训练数据集;
利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,计算所述标准要素集和所述要素答案集之间的损失值,根据所述损失值调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,得到标准要素抽取模型;
获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,利用所述标准要素抽取模型对所述待抽取合同及所述合同片段进行要素抽取,得到一种或者多种输出要素集;
根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素,并输出所述合同要素。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种合同要素抽取方法,其特征在于,所述方法包括:
获取合同数据样本集,从所述合同数据样本集中提取要素问题及对应的要素答案,得到要素问题集和其对应的要素答案集;
根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库;
根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,并将所述要素问题集和所述文本片段集进行格式转换,得到训练数据集;
利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,计算所述标准要素集和所述要素答案集之间的损失值,根据所述损失值调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,得到标准要素抽取模型;
获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,利用所述标准要素抽取模型对所述待抽取合同及所述合同片段进行要素抽取,得到一种或者多种输出要素集;
根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素,并输出所述合同要素;
其中,所述根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库,包括:对所述合同数据样本集进行分词处理,得到分词数据集;对所述分词数据集进行词性标注和去停用词处理,得到初始数据集;根据所述关键词对库,从所述初始数据集中筛选出扩展关键词,并根据所述扩展关键词构建语义共现网络;利用所述语义共现网络分析所述关键词对库,生成同义词列表,选取所述同义词列表中的前N个词扩充到关键词对库中,得到扩写词对库;
所述根据所述关键词对库,从所述初始数据集中筛选出扩展关键词,并根据所述扩展关键词构建语义共现网络,包括:从所述初始数据集中搜索得到与所述关键词对库中的关键词具有相同词性的词语集合作为扩展关键词;以所述关键词对库中的关键词为中心,以具有相同词性的扩展关键词作为邻居节点,构建语义共现网络;
所述利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,包括:对所述训练数据集进行向量化处理,得到训练向量集;利用所述要素抽取模型中的门控制机制对所述训练向量集进行向量变换处理,得到变换向量集;利用所述要素抽取模型中的多层神经网络对所述变换向量集进行向量概率计算,得到所述变换向量集对应的概率值集合;将所述概率值集合中概率值大于预设概率阈值的变换向量对应的训练数据判定为标准要素,汇总得到标准要素集。
2.如权利要求1所述的合同要素抽取方法,其特征在于,所述获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,包括:
对所述待抽取合同进行归类处理,得到所述待抽取合同的合同类别;
根据所述合同类别遍历对应的扩写词对库,查找在所述待抽取合同中出现的扩写词,并标注出查找到的扩写词在所述待抽取合同中的位置;
根据所述扩写词在所述待抽取合同中的位置对所述待抽取合同筛选,得到合同片段集。
3.如权利要求1所述的合同要素抽取方法,其特征在于,所述根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,包括:
根据所述要素答案集中的要素答案从所述扩写词对库中搜索出所述要素答案对应的多个要素扩写词;
在所述合同数据样本集中搜索所述多个要素扩写词,得到所述多个要素扩展词在所述合同数据样本集中的位置,根据多个要素扩写词的位置框选出所述文本片段集。
4.如权利要求1所述的合同要素抽取方法,其特征在于,所述计算所述标准要素集和所述要素答案集之间的损失值,包括:
其中, loss为损失值,为标准要素集,/>为要素答案集。
5.一种合同要素抽取装置,用于实现如权利要求1至4中任一项所述的合同要素抽取方法,其特征在于,所述装置包括:
数据处理模块,用于获取合同数据样本集,从所述合同数据样本集中提取要素问题及对应的要素答案,得到要素问题集和其对应的要素答案集;
扩写词对库生成模块,用于根据所述要素答案集从所述合同数据样本集中筛选出关键词集合,利用所述关键词集合构建关键词对库,并利用预设的语义共现网络对所述关键词对库进行同义词扩写处理,得到扩写词对库;
训练数据集生成模块,用于根据所述要素答案集和所述扩写词对库,对所述合同数据样本集进行文本片段框选处理,得到文本片段集,并将所述要素问题集和所述文本片段集进行格式转换,得到训练数据集;
模型训练模块,用于利用预设的要素抽取模型对所述训练数据集进行要素抽取,得到标准要素集,计算所述标准要素集和所述要素答案集之间的损失值,根据所述损失值调整所述要素抽取模型的内部参数,直到所述要素抽取模型趋于收敛,得到标准要素抽取模型;
输出要素集生成模块,用于获取待抽取合同,利用所述扩写词对库从所述待抽取合同中筛选得到合同片段集,利用所述标准要素抽取模型对所述待抽取合同及所述合同片段进行要素抽取,得到一种或者多种输出要素集;
投票处理模块,用于根据预设的投票机制对多个所述输出要素集进行投票处理,得到每种输出要素对应的概率值,选择最大概率值对应的输出要素作为合同要素,并输出所述合同要素。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的合同要素抽取方法。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的合同要素抽取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502263.4A CN112529743B (zh) | 2020-12-18 | 2020-12-18 | 合同要素抽取方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502263.4A CN112529743B (zh) | 2020-12-18 | 2020-12-18 | 合同要素抽取方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529743A CN112529743A (zh) | 2021-03-19 |
CN112529743B true CN112529743B (zh) | 2023-08-08 |
Family
ID=75001410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011502263.4A Active CN112529743B (zh) | 2020-12-18 | 2020-12-18 | 合同要素抽取方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529743B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021544B (zh) * | 2021-11-19 | 2022-09-20 | 上海国泰君安证券资产管理有限公司 | 产品合同的要素智能抽取和审核方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019200806A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 文本分类模型的生成装置、方法及计算机可读存储介质 |
WO2020114429A1 (zh) * | 2018-12-07 | 2020-06-11 | 腾讯科技(深圳)有限公司 | 关键词提取模型训练方法、关键词提取方法及计算机设备 |
CN111460797A (zh) * | 2020-06-09 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 关键字抽取方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070300295A1 (en) * | 2006-06-22 | 2007-12-27 | Thomas Yu-Kiu Kwok | Systems and methods to extract data automatically from a composite electronic document |
-
2020
- 2020-12-18 CN CN202011502263.4A patent/CN112529743B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019200806A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 文本分类模型的生成装置、方法及计算机可读存储介质 |
WO2020114429A1 (zh) * | 2018-12-07 | 2020-06-11 | 腾讯科技(深圳)有限公司 | 关键词提取模型训练方法、关键词提取方法及计算机设备 |
CN111460797A (zh) * | 2020-06-09 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 关键字抽取方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112529743A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180075368A1 (en) | System and Method of Advising Human Verification of Often-Confused Class Predictions | |
WO2021073390A1 (zh) | 数据筛选方法、装置、设备及计算机可读存储介质 | |
US20180068222A1 (en) | System and Method of Advising Human Verification of Machine-Annotated Ground Truth - Low Entropy Focus | |
US20180068221A1 (en) | System and Method of Advising Human Verification of Machine-Annotated Ground Truth - High Entropy Focus | |
WO2022048363A1 (zh) | 网站分类方法、装置、计算机设备及存储介质 | |
US20130332812A1 (en) | Method and system to generate a process flow diagram | |
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
JP6729095B2 (ja) | 情報処理装置及びプログラム | |
CN112686022A (zh) | 违规语料的检测方法、装置、计算机设备及存储介质 | |
CN111159412A (zh) | 分类方法、装置、电子设备及可读存储介质 | |
CN113821622B (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN113627797B (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
CN115309910B (zh) | 语篇要素和要素关系联合抽取方法、知识图谱构建方法 | |
WO2021012958A1 (zh) | 原创文本甄别方法、装置、设备与计算机可读存储介质 | |
CN115730597A (zh) | 多级语义意图识别方法及其相关设备 | |
Celikyilmaz et al. | A graph-based semi-supervised learning for question-answering | |
CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN114840685A (zh) | 一种应急预案知识图谱构建方法 | |
TW202123026A (zh) | 資料歸檔方法、裝置、電腦裝置及存儲介質 | |
CN112529743B (zh) | 合同要素抽取方法、装置、电子设备及介质 | |
WO2021174814A1 (zh) | 众包任务的答案验证方法、装置、计算机设备及存储介质 | |
He et al. | Sentiment classification technology based on Markov logic networks | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN116797195A (zh) | 工单处理方法、装置、计算机设备和计算机可读存储介质 | |
CN116450916A (zh) | 基于定段分级的信息查询方法、装置、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |