Аннотация. Выполнено построение модели юридического документа типа „договор“, на основании которого разработана система автоматизации юридической экспертизы. Проанализированы существующие способы автоматической обработки текстов юридических документов, определена их специфика. Для выполнения задачи используется ассоциативно-онтологический подход и применяются методы суммаризации текста. Для упрощения юридической экспертизы текст договора представляется в виде нестрогой последовательности текстовых блоков, каждый из которых отражает независимую от других блоков смысловую нагрузку. Рассматривается задача выделения типовых разделов из текста, описанных посредством набора обязательных и вариативных блоков в порядке их размещения в договоре. Разработана система выделения текстовых блоков, основанная на методах суммаризации и ассоциативно-онтологическом представлении предложений, и предложен алгоритм соотнесения предложений или их частей к одному из типовых блоков. Полученную модель планируется использовать для обработки договоров типа „согласие на обработку персональных данных“.

Ключевые слова: автоматическая обработка текста, АОТ, legal tech, юридическая экспертиза, соответствие текста, реферирование

Список литературы:

1. Grossman M., Cormack G. Technology-assisted review in E-discovery can be more effective and more efficient than exhaustive manual review // Richmond Journal of Law and Technology. 2011. Vol. 17, N 3.
2. Lample G., Ballesteros M., Subramanian S., Kawakami K., Dyer C. Neural architectures for named entity recognition // Proc. of the Conf. of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL HLT 2016). 2016. P. 260—270. DOI: 10.18653/v1/N16-1030.
3. Cardellino C., Alemany L. A., Teruel M., Villata S., Marro S. Convolutional ladder networks for legal NERC and the impact of unsupervised data in better generalizations // Proc. of the 32nd Intern. Florida Artificial Intelligence Research Society Conf. (FLAIRS-32). 2016. P. 155—160.
4. Zhang J., El-Gohary N. M. Semantic NLP-based information extraction from construction regulatory documents for automated compliance checking // J. of Computing in Civil Engineering. 2013. Vol. 30, N 2. DOI: 10.1061/(ASCE)CP.1943-5487.0000346.
5. Ajani G., Boella G., Caro D. L., Robaldo L., Humphreys L., Praduroux S., Rossi P., Violato A. The european legal taxonomy syllabus: a multi-lingual, multi-level ontology framework to untangle the web of european legal terminology // App. Ontology. 2016. Vol. 11. P. 325—375. DOI: 10.3233/AO-170174.
6. Soysal E., Cicekli I., Baykal N. Design and evaluation of an ontology based information extraction system for radiological reports // Computers in Biology and Medicine. 2010. Vol. 40, N 11. P. 900—911. DOI: 10.1016/j.compbiomed.2010.10.002.
7. Blums I., Weigand H. Towards a reference ontology of complex economic exchanges for accounting information systems // IEEE 20th Intern. Enterprise Distributed Object Computing Conf. (EDOC) 2016. P. 1—10. DOI: 10.1109/EDOC.2016.7579388.
8. Devlin J., Chang M.W., Lee K., Toutanova K. BERT: Pre-training of deep bidirectional transformers for language understanding // Proc. of the Conf. of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL HLT 2019). 2019. Vol. 1. P. 4171—4186.
9. Kuleshov S., Zaytseva A., Aksenov A. Natural language search and associative-ontology matching algorithms based on graph representation of texts // Advances in Intelligent Systems and Computing. 2019. Vol. 1046. DOI: 10.1007/978-3-030-30329-7_26.
10. Allahyari M., Pouriyeh S., Assefi M. et al. Text summarization techniques: a brief survey // Intern. Journal of Advanced Computer Science and Applications. 2017. Vol. 8, N 10. DOI: 10.14569/ijacsa.2017.081052.