[发明专利]一种用于法律文本信息挖掘的集成学习方法及系统

权利要求书

1.一种用于法律文本信息挖掘的集成学习方法，其特征在于,首先，收集专业法律工作人员处理过的法律文本作为数据源，对数据源进行预处理，其次，针对预处理结果训练得出不同的特征工程模型，线性SVM分类器学习不同特征工程模型得出的文本向量，随后，线性SVM分类器根据学习结果对预处理后的数据源进行预测，通过Stacking方法集成预测结果，将预测结果用于集成学习模型的训练，训练完成的集成学习模型针对待处理法律文本输出更加全面和准确度更高的预测结果。

2.根据权利要求1所述的一种用于法律文本信息挖掘的集成学习方法，其特征在于，对数据源进行预处理的操作包括：采用jieba或thulac工具构建词库，对数据源的法律文本进行分词和去除停用词处理。

3.根据权利要求2所述的一种用于法律文本信息挖掘的集成学习方法，其特征在于，利用现有开源停用词词库，或者，请专业的法律工作人员针对数据源建立分词词库和停用词词库。

4.根据权利要求1所述的一种用于法律文本信息挖掘的集成学习方法，其特征在于，将数据源的法律文本均分成三份，使用10-fold cross validation，然后对三份法律文本分别使用TFIDF、Word2Vec、CountVectorizer训练出相应的TFIDF特征工程模型、Word2Vec特征工程模型、CountVectorizer特征工程模型。

5.根据权利要求4所述的一种用于法律文本信息挖掘的集成学习方法，其特征在于，所述集成学习模型选用Logistic regression，Stacking方法将线性SVM分类器的预测结果保存为三维向量矩阵，三维向量矩阵输入Logistic regression进行Logistic regression的训练，Logistic regression训练完成后，再有待处理法律文本输入Logistic regression时，Logistic regression即可直接输出预测结果。

6.一种用于法律文本信息挖掘的集成学习系统，其特征在于，该系统包括：

收集模块，用于收集专业法律工作人员处理过的法律文本作为数据源；

预处理模块，用于对数据源中的法律文本进行预处理；

特征提取模块，用于提取数据源中所有法律文本具有的不同特征；

训练构建模块，根据提取的不同特征训练并构建不同的特征工程模型；

线性SVM分类器模块，用于学习不同特征工程模型得出的文本向量，并根据学习结果对预处理后的数据源进行预测；

集成模块，用于通过Stacking方法集成线性SVM分类器模块的预测结果；

学习训练模块，用于学习预测结果并根据预测结果训练集成学习模型；

集成学习模型，用于对待处理法律文本进行更加全面和准确度更高的预测。

7.根据权利要求6所述的一种用于法律文本信息挖掘的集成学习系统，其特征在于，所述预处理模块采用jieba或thulac工具，具体用于数据源的法律文本进行分词和去除停用词处理。

8.根据权利要求6所述的一种用于法律文本信息挖掘的集成学习系统，其特征在于，还包括：

均分模块，用于将数据源中的所有法律文本均分成N等份，其中N为不小于2的自然数，使用10-fold cross validation，对N等份法律文本分别使用N个不同的特征工程模型进行训练。

9.根据权利要求8所述的一种用于法律文本信息挖掘的集成学习系统，其特征在于，所述N为3，均分模块使用10-fold cross validation，然后对三份法律文本分别使用TFIDF、Word2Vec、CountVectorizer训练出相应的TFIDF特征工程模型、Word2Vec特征工程模型、CountVectorizer特征工程模型。

10.根据权利要求9所述的一种用于法律文本信息挖掘的集成学习系统，其特征在于，所述集成学习模型选用Logistic regression，集成模块通过Stacking方法将线性SVM分类器模块的预测结果保存为三维向量矩阵，三维向量矩阵输入Logistic regression进行Logistic regression的训练，Logistic regression训练完成后，再有待处理法律文本输入Logistic regression时，Logistic regression即可直接输出预测结果。