裁判文书解析代码

文本解析的目标

上诉人:    陕西雄风新能源有限公司
上诉人:    晋能控股山西电力股份有限公司
被上诉人:   中铁十七局集团第一工程有限公司

介入结果的自定义标签

开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。 虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率。 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径

area:       地区(吴家窑乡)
areaend:    地区的结尾（**村）
address:    住址
birth:      出生
jianname:   以下简称
link:       连接关系的关键词（因与，对）
nation:     民族（汉族）
orgcode:    社会信用代码、注册号
other:      软件与服务
personcod:  身份证号码
hehuoorgan: 有限合伙
organ:      机构结尾词（**学校）
partorgan:      分公司分厂
standardorgan:  有限公司
judgement:      审判长
role:           一般角色
roledefendant:  被告
roleplaintiff:  原告
rolethird:      第三人
sintype:        案由

paddle模式词性和专名类别标签集合如下表，其中词性标签 24 个（小写字母），专名类别标签 4 个（大写字母）

标签	含义	标签	含义	标签	含义	标签	含义
n	普通名词	f	方位名词	s	处所名词	t	时间
nr	人名	ns	地名	nt	机构名	nw	作品名
nz	其他专名	v	普通动词	vd	动副词	vn	名动词
a	形容词	ad	副形词	an	名形词	d	副词
m	数量词	q	量词	r	代词	p	介词
c	连词	u	助词	xc	其他虚词	w	标点符号
PER	人名	LOC	地名	ORG	机构名	TIME	时间

init_cut()

TC: 字典树:识别每一段文本的大概内容，利于缩小切词分析范围 JBC: 结巴分词的初始化 ACTIONC:字典树:识别案由 --> CASE_RESION_TREE lac: 飞桨解析初始化 ORGANC: 字典树:识别机构

load_lexicon() --> load_province_code_lexicon/load_province_code_tree

字典树:识别机构的具体省份和地区码
court_name:陕西省高级人民法院
area_info:{'province_code': '610000', 'province': '陕西省'}

WenshuParser.structural_content

part1_list: 文书的审理法院、文书的类型、案号
part2_list: 涉及的的所有角色罗列
part3_list: 涉及的的主要角色案件概要

WenshuParser.get_parties

parse_result = OrgPerParser(line).parse_content()

cut_word_with_flag
[
    '上诉人:roleplaintiff', '(:x', '原审被告:roledefendant', '):x', '：:x', '陕西:area', '雄风:n', '新能源:n', 
    '有限公司:standardorgan', '，:x', '住所地:address', '陕西省:area', '榆林市:area', '定边县:area', '砖井镇:area', '西:f', 
    '高:a', '圈:q', '村:areaend', '。:x'
]

merge_same_flag:
[
    '上诉人:roleplaintiff', '(:x', '原审被告:roledefendant', '):x', '：:x', '陕西:area', '雄风:n', '新能源:n', 
    '有限公司:standardorgan', '，:x', '住所地:address', '陕西省榆林市定边县砖井镇:area', '西:f', '高:a', '圈:q', '村:areaend', 
    '。:x'
]

merge_bracket_part
[
    '上诉人:roleplaintiff', '(原审被告):bracket,roledefendant,bracket', '：:x', '陕西:area', '雄风:n', '新能源:n', 
    '有限公司:standardorgan', '，:x', '住所地:address', '陕西省榆林市定边县砖井镇:area', '西:f', '高:a', '圈:q', '村:areaend', 
    '。:x'
]

_merge_company_initial:（精彩的合并） tmp_word_list = [] 是合并结束的再次归零
[
    '上诉人:roleplaintiff', '(原审被告):bracket,roledefendant,bracket', '：:x', '陕西雄风新能源有限公司:ORG', '，:x', 
    '住所地:address', '陕西省榆林市定边县砖井镇:area', '西:f', '高:a', '圈:q', '村:areaend', '。:x'
]
备注:Lexical Analysis of Chinese，简称 LAC，是一个联合的词法分析模型，能整体性地完成中文分词、词性标注、专名识别任务。
在百度自建数据集上评测，LAC效果：Precision=88.0%，Recall=88.7%，F1-Score=88.4%。该PaddleHub Module支持预测


_merge_company_again
[
    '上诉人:roleplaintiff', '(原审被告):bracket,roledefendant,bracket', '：:x', '陕西雄风新能源有限公司:ORG', '，:x', 
    '住所地:address', '陕西省榆林市定边县砖井镇:area', '西:f', '高:a', '圈:q', '村:areaend', '。:x'
]
tag_aim_flag:
aim_flag = ["sintype", "link", "role", "roleplaintiff", "rolethird", "roledefendant", "ORG", "bracket"]
初次意外的标签不再需要，还原文本。



wenshu_parser.parse_person() 280:
利用飞桨对结巴自定义解析进行了补充



parse_result:
[
    ('上诉人', 'roleplaintiff'), ('(原审被告)', 'bracket,roledefendant,bracket'), '：', ('陕西雄风新能源有限公司', 'ORG'), '，', 
    '住所地陕西省榆林市定边县砖井镇西高圈村', '。'
]

WenshuParser.get_parties

CaseParser(case_content).get_parties(need_person=False)

代码与技术演进

项目所用的基本分词代码:
>>> jieba.posseg.cut(content, HMM=False)
>>> paddlehub.Module(name='lac').lexical_analysis(texts=texts, use_gpu=self.use_gpu) # 该接口将会在未来版本被废弃，请使用cut接口预测

项目可以升级的基本分词代码:
>>> jieba.enable_paddle() #启动paddle模式。 0.40版之后开始支持，早期版本不支持
>>> jieba.posseg.cut("我爱北京天安门",use_paddle=True) #paddle模式'


>>> cut(text, use_gpu=False, batch_size=1, return_tag=True)
>>> lexical_analysis(texts=[], data={}, use_gpu=False, batch_size=1, return_tag=True)

优点

1.结合分词工具进行二次开发，基本上达到了业务上的解析要求
2.将共性代码提取到wenshu_parse，并以类封装，可供其他业务借鉴。

缺点

1.二次开发应该以模型的方式单独成项，不断迭代优化
2.wenshu_parse内部的类应该单独成文件，并将每个字典树的应用单拎出来，利于其他人员单独使用某一个功能
3.jieba和飞桨的关系处理没有很好的结合，各自分裂。
4.跟随最新的发展框架和API

官方手册

https://www.paddlepaddle.org.cn/hub/scene/lexical
https://github.com/fxsjy/jieba