如何从合同中提取“买方”和“卖方”

Question

我正在学习自然语言处理，我想知道是否有人可以指出我正确的方向。 说我有一堆合同，他们有类似的东西：

Joe's Farm, hereafter known as the seller, 
and Bob's supermarket, hereafter known as the buyer, blah blah..

我希望能够在这句话中确定哪一方是买方和卖方。根据我的阅读，理论上应该可以：

1. Give the AI a lot of sample sentences and tell it "this is the buyer/seller".
2. After training, it should be able to analyze a new sentence.

我尝试了一些实体提取（将句子标记化并识别党名），但我不知道如何告诉它“这个派对是买方”。 一个解决方法是识别句子的片段并搜索其中是否包含“买家”一词......这在大多数情况下可能有效，但我想尝试以“AI”方式执行此操作。

有人能指出我研究的正确方向吗？

Answer 1

对我来说看起来像coreference resolution问题。

Stanford CoreNLP可能是一个很好的起点。它带有确定性，统计学和神经系统，以及预先训练的模型。

Answer 2

如何解决这个问题将取决于几个因素，最重要的是：

• 所有合约都具有相同的格式吗？
• 在您的示例中指定卖家和买家后，他们的真实姓名是否会再次出现在文字中？或者简称为卖家和买家？

考虑到这一点，让我们假设合同有各种格式，卖方和买方的正确/真实姓名在合同引言的某个地方只出现一次。第二个假设简化了问题（在现实世界的合同中更可能出现这种情况）。

我会分三步解决问题：

1. 教授程序如何识别合同的引入（即合同中所说的谁是谁;有点像你的例句。）
2. 将介绍分为两部分：定义卖方的部分/句子以及定义买方的部分/句子。
3. 最后，查看卖家部分，找出卖家是谁，买家部分，找出买家是谁。

要解决第一步，需要一个小的训练数据集。如果不可用，您可以手动识别多个合同的介绍并将其用作培训数据集。从这里开始，朴素贝叶斯可能是识别合同的一部分是否是介绍的最简单方法（您可以将合同随机分成多个块）。朴素贝叶斯只依赖于令牌的频率（不是排序）。您可以阅读更多here。

要解决第二步，我几乎会重复第一步所做的事情：使用数据集将介绍部分“归类”为卖家部分和买方部分。但是，这一步可能需要比第一步更准确。所以，我建议做一个 n-gram语言模型。这看起来是令牌的频率，也是排序和继承的频率。您可以阅读更多here。对于n-gram，你需要介于两者之间：不要太短（1克=朴素贝叶斯）而不是太长（> 6克）以避免卖家之间的重叠买方句子。

对于第3步和最后一步，我想不出一种直截了当的方式，但我会首先删除停用词（即频繁的英语单词）。然后，我会尝试在目标字词（买方和卖方）附近找到难得的字词。由于我们假设真实姓名只在合同中出现一次，这可能是一个帮助您识别它们的规则。

根据训练数据集的大小/可用性，您可以尝试许多其他事情，但这应该可以帮助您。