曹重阳，杨品莉

（四川大学计算机学院，成都610065）

0 引言

由于司法领域中各种司法文件种类繁多、数量巨大、案件复杂等特点，司法信息自动化已经迫在眉睫。司法信息自动化有助于实现司法信息共享[1]，完善司法业务流程，优化司法系统，极大地提高相关从业人员工作效率。

近年来，深度学习加持下的自然语言处理技术得到了迅猛发展，其中越来越多的相关技术，例如实体识别[2]、知识图谱[3]等被运用到司法领域，这极大促进了司法信息自动化，提高了司法领域的发展。法律案例文本中存在大量司法领域实体，例如“张三”、“安徽省人民法院”、案卷编号、犯罪类型等，这些司法领域实体的准确识别是后续实现司法事件抽取，构建司法领域知识图谱等技术的前提。

命名实体识别（NER）的任务是在句子中找到一个实体的开始和结束，并为这个实体指定一个类。由于命名实体识别在问题生成[4]、关系提取[5]和参考文献分辨率[6]方面的潜在帮助，命名实体识别在自然语言处理领域得到了广泛研究。命名实体识别通常被看作是一个序列标注任务，神经模型通常包含三个部分：词嵌入层、上下文编码器层和解码器层[10-12]，不同命名实体识别模型之间的差异主要体现在这三层。命名实体识别的方法大致可以分为有监督、半监督、无监督和混合方法几种。有监督的实体识别方法：数量巨大的已标注语料库作为模型的输入，比较流行的方法有隐马尔可夫模型、最大熵模型、支持向量机、决策树和条件随机场（Conditional Random Field，CRF）等，其中，基于CRFs的模型在实体识别任务上获得了比较好了效果。……