法律领域里的 NLP：合同审查、分类和案例检索实战

1.3 案例检索

案例检索更接近语义匹配。用户通常不会说'给我找第 123 号判例'，而是直接问一个问题，系统再从候选材料里找出相关片段。这里常见的做法是把问答模型或者向量检索接进来。

from transformers import BertTokenizer, BertForQuestionAnswering
import torch

def retrieve_legal_case(query, context, model_name='nlpaueb/bert-base-uncased-contracts', max_length=512):
    tokenizer = BertTokenizer.from_pretrained(model_name)
    model = BertForQuestionAnswering.from_pretrained(model_name)
    
    # encode_plus 用于处理问答对的拼接
    inputs = tokenizer.encode_plus(
        query, 
        context, 
        add_special_tokens=True, 
        return_tensors='pt', 
        max_length=max_length, 
        truncation=True, 
        padding='max_length'
    )
    
    outputs = model(**inputs)
    answer_start = torch.argmax(outputs.start_logits)
    answer_end = torch.argmax(outputs.end_logits) + 1
    
    answer = tokenizer.convert_tokens_to_string(
        tokenizer.convert_ids_to_tokens(inputs['input_ids'][0][answer_start:answer_end])
    )
    return answer

二、做法律文本处理时，前处理比想象中重要

法律文本里术语多、缩写多、格式也乱。直接把原文喂给模型，效果通常不会太好。至少要做基础清洗，别让模型在无关噪声上浪费容量。

常见处理包括：

• 分词：中文可以用 jieba，英文一般会用 spaCy 或 NLTK。
• 去停用词：把'的''了'这类低信息量词过滤掉。
• 实体识别：抽人名、机构名、日期、法律名等关键信息。

import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
import spacy

def preprocess_legal_text(text):
    # 加载轻量级英文模型
    nlp = spacy.load("en_core_web_sm")
    
    # 基础分词与去停用词
    tokens = word_tokenize(text)
    stop_words = set(stopwords.words('english'))
    tokens = [token for token in tokens if token.lower() not in stop_words and token.isalpha()]
    
    # 实体识别示例
    doc = nlp(text)
    entities = [ent.text for ent in doc.ents if ent.label_ in ['LAW', 'CASE', 'PERSON', 'ORG', 'DATE']]
    
    return tokens, entities

训练和调参上，法律场景通常更看重稳定性而不是花哨：数据质量要过关，模型选型要和任务贴合，评估别只看准确率。类别不平衡的时候，F1-score 往往更能说明问题。

三、BERT 和 GPT 适合的地方不一样

BERT 更适合分类、抽取和匹配这类任务。它擅长读懂上下文，但不是拿来'写长文'的首选。

GPT-3 这一类生成式模型更适合生成法律意见书、摘要或者初稿。不过在法律场景里，用生成模型不能只看输出顺不顺，密钥管理、内容可控性和幻觉问题都得提前想清楚。

import openai

def generate_legal_text(text, max_tokens=100, temperature=0.7):
    # 生产环境请从环境变量读取密钥，切勿硬编码
    openai.api_key = 'YOUR_API_KEY' 
    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=text,
        max_tokens=max_tokens,
        n=1,
        stop=None,
        temperature=temperature
    )
    generated_text = response.choices[0].text.strip()
    return generated_text

四、法律场景里最麻烦的几件事

4.1 法律术语

像'不可抗力''连带责任'这类词，通用模型不一定真懂。最直接的办法是做领域词典，或者在法律语料上继续训练。想省这一步，后面通常会在细节上补课。

4.2 多语言处理

跨国合同很常见，中英文混杂也很常见。问题不只是翻译，Tokenizer、分词粒度、专有名词对齐都会影响结果。

4.3 数据隐私

法律数据里有大量敏感信息，处理时不能想当然。能本地部署就别把原始数据随便外发；要训练，也尽量先做脱敏。GDPR、HIPAA 这类要求不是摆设。

五、一个能跑起来的合同分析小工具

做演示时，桌面端工具比命令行直观一些。这个例子用 Python + Tkinter + Transformers 拼了一个很轻的合同分析界面，核心是把输入、推理和结果展示连起来。

5.1 需求和结构

• 目标：输入合同文本，输出一个风险判断。
• 结构：界面层、逻辑层、数据处理层分开。
• 技术栈：Python + Tkinter + Transformers。

5.2 开发环境

pip install transformers torch tkinter

5.3 单文件示例

这个版本把主要流程放在一个脚本里，适合先看链路，不适合直接拿去做正式项目。正式场景里我会先把模型加载和 UI 事件拆开，不然每次点击都重新初始化，响应会很慢。

import tkinter as tk
from tkinter import scrolledtext, messagebox
from transformers import BertTokenizer, BertForSequenceClassification
import torch

class ContractAnalysisApp:
    def __init__(self, root):
        self.root = root
        self.root.title("合同智能分析助手")
        self.create_widgets()

    def create_widgets(self):
        # 输入区域
        input_frame = tk.Frame(self.root)
        input_frame.pack(pady=10, padx=10, fill="both", expand=True)
        
        self.text_input = scrolledtext.ScrolledText(input_frame, width=60, height=10)
        self.text_input.pack(pady=10, padx=10, fill="both", expand=True)
        
        btn_analyze = tk.Button(input_frame, text="开始分析", command=self.process_text)
        btn_analyze.pack(pady=10, padx=10)
        
        # 结果区域
        result_frame = tk.Frame(self.root)
        result_frame.pack(pady=10, padx=10, fill="both", expand=True)
        
        self.result_text = scrolledtext.ScrolledText(result_frame, width=60, height=5)
        self.result_text.pack(pady=10, padx=10, fill="both", expand=True)

    def process_text(self):
        text = self.text_input.get("1.0", tk.END).strip()
        if not text:
            messagebox.showwarning("警告", "请输入合同文本")
            return

        try:
            # 调用分析逻辑
            analysis_result = self.analyze_contract_logic(text)
            self.result_text.delete("1.0", tk.END)
            self.result_text.insert(tk.END, f"分析结果：{analysis_result}")
        except Exception as e:
            messagebox.showerror("错误", f"处理失败：{str(e)}")

    def analyze_contract_logic(self, text):
        # 模拟模型调用，实际请替换为真实模型加载
        # 此处仅为演示流程
        model_name = 'bert-base-uncased'
        tokenizer = BertTokenizer.from_pretrained(model_name)
        # 注意：实际运行需下载模型权重，此处省略初始化以节省篇幅
        # model = BertForSequenceClassification.from_pretrained(model_name, num_labels=3)
        
        # 模拟返回结果
        return "正常"

if __name__ == "__main__":
    root = tk.Tk()
    app = ContractAnalysisApp(root)
    root.mainloop()

5.4 怎么跑

1. 安装依赖。
2. 启动脚本。
3. 粘贴一段合同文本。
4. 点击'开始分析'看结果。

提示：如果后面要真的接模型，最好把加载动作放到初始化阶段，而不是每次点击按钮都重新来一遍。

六、收个尾

法律 NLP 的价值不在'能不能跑通'，而在能不能帮人少看一遍、少漏一条、少翻一次材料。合同审查、文本分类、案例检索这三类任务最常见，也最适合作为起点。BERT 和 GPT-3 分别适合不同方向，前处理、标签设计和隐私约束则是决定项目能不能落地的关键。