法的文書に関連付けられた顧客の特定

主な目的は、次の識別子のいずれかを使用して各ドキュメントに関連付けられたクライアントを識別することでした:

目標は、固有表現認識 (NER) を使用して法的文書からクライアント名を抽出することでした。私がこのタスクにどのように取り組んだかは次のとおりです:

データ: 私は PDF 形式の法的文書のコレクションを持っていました。タスクは、次のいずれかの識別子を使用して、各文書で言及されているクライアントを識別することでした:

おおよそのクライアント名 (例: "John Doe")

正確なクライアント名 (例: "Doe, John A.")

おおよその事務所名 (例: "Doe Law Firm")

正確な事務所名 (例: "Doe, John A. Law Firm")

文書の約 5% には、特定の実体が含まれていませんでした。

データセット: モデルの開発には、710 個の「本物の」PDF ドキュメントを使用し、トレーニング用に 600 個、検証用に 55 個、テスト用に 55 個の 3 つのセットに分割しました。

ラベル: プレーン テキストとして抽出されたエンティティを含む Excel ファイルが渡されましたが、文書テキスト内で手動でラベルを付ける必要がありました。 BIO タグ付け形式を使用して、次の手順を実行しました:

エンティティの始まりを「B-」でマークします。

同じエンティティ内の後続のトークンに「I-」のマークを付け続けます。

トークンがどのエンティティにも属していない場合は、「O」とマークします。

代替アプローチ: 入力トークンの境界ボックスも考慮する LayoutLM のようなモデルは、NER タスクのパフォーマンスを向上させる可能性があります。ただし、よくあることですが、すでにプロジェクト時間の大部分をデータの準備 (Excel ファイルの再フォーマット、データ エラーの修正、ラベル付けなど) に費やしていたので、私はこのアプローチを使用しないことにしました。バウンディング ボックス ベースのモデルを統合するには、さらに多くの時間を割り当てる必要がありました。

理論的には、正規表現とヒューリスティックをこれらの単純なエンティティの識別に適用できますが、他の潜在的な候補の中から正しいエンティティ (弁護士名、事件など) を正確に識別するには過度に複雑なルールが必要となるため、このアプローチは非現実的であると予想していました。番号、議事の他の参加者）。対照的に、モデルは関連するエンティティを区別する方法を学習できるため、ヒューリスティックの使用が不要になります。

以上が法的文書に関連付けられた顧客の特定の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。