README.md

判例フィッシュボーン

裁判例検索で入手した判例のpdfからフィッシュボーン図を作成する研究です。

環境

• python 3.10.5 (32bit)
• MeCab 0.996
• CaboCha 0.69
• Text Mining Studio

構成

現在大きく分けて2つのプログラムがあります。

1. pdfからtextを抽出し、jsonファイルに変換
2. jsonファイルから時系列情報を抽出

係り受け解析結果からイベントを抽出

CaboChaで係り受け解析を行い、その結果をもとにイベントを抽出する。

process_data.py

係り受け解析結果と、PDFの抽出結果を結合し、プログラムで扱える形に変換します。

mark_data.py

結合したデータにある、文節に属性を付加させます。

付加させる属性

属性名	説明	type
is_rentaishi	連体詞かどうか	bool
person	人物	{text:string}
time	時間	長いので別途記述

属性 : 連体詞

その文節が、体言を含む文節に係る文節かどうかをDFSで判定。

時間や人物が連体詞なら無視するようにするために使用。

属性 : 時間

その文節に時間表現が含まれるかどうかを正規表現で判定。正規表現のルールはjsonで記述。

現在単語単位でテキストを判定。

{
    "type": "point"|"begin"|"end"|"other",
    "text": string,
    "value": number?
}

value は type が point のときのみ。

point

一点を表す時間表現。

begin

「～から」「～以降」のように、区間の開始を意味する表現。それ単体では時間を表してはいない。

end

「～まで」「～以前」のように、区間の終了を意味する表現。それ単体では時間を表してはいない。

other

「～頃」のように、時間に付加される区間以外の表現。

属性 : 人物

その文節に人物表現が含まれるかどうかを正規表現で判定。正規表現のルールはjsonで記述。

現在単語単位でテキストを判定。 被告 か 原告 が含まれる単語を人物として検出。

{
    "text":string
}

extract_events.py

文節の属性をもとに、イベントを抽出します。

イベントの条件に会う時間、人物、行動をそれぞれ抽出し、一つのイベントとして紐づけます。

抽出 : 時間

連体詞でない時間について抽出。区間について適切に抽出。

抽出 : 人物

連体詞でない人物について抽出。

抽出 : 行動

イベントとして抽出できた人物を基準に、順番に文節を見る。次の時間表現、人物、文末が来るまでの文節を行動として抽出。