想象一下，你拿着一份 50 页的合同走进律师办公室，律师没有从头读到尾，而是翻到几个关键页面，用荧光笔划出几行字：“甲方、乙方、150 万元、2024 年 3 月 15 日、违约金 30%”——然后告诉你，这份合同的重点都在这里了。这种感觉，就像医生拿到厚厚的体检报告，不会逐页念给你听，而是指着最关键的几项指标说：“血糖偏高，注意饮食。” 合同就像来做年度体检的病人，冗长的条款是它的血肉，而关键信息抽取要做的事情，就是像医生那样“望闻问切”：快速锁定甲方乙方是谁、金额是多少、钱什么时候付、违约怎么办，然后把这些“生命体征”整理成一张清晰的结构化化验单。 本文将从零开始认识合同审查中的关键信息抽取（Key Information Extraction，KIE）：它是什么、核心技术有哪些、模型如何一步步进化、法律文本为什么难处理、工程上怎么落地。读完你会明白，AI 读合同和医生做体检，背后藏着同一套智慧。

岗位关联

关键信息抽取是 AI+法律 落地的基石技术，掌握它，相当于掌握了合同审查产品的核心引擎——这是法律科技赛道需求量最大的 AI 工程师技能之一。

目录
  1. 可视化演示
  2. 基本概念：给合同做“深度体检”
  3. 核心技术：体检科的三大检查
  4. 方法演进：从水银血压计到智能手表
  5. 法律文本特征：遇到一个“难搞的体检者”
  6. 关键算法：多科室会诊
  7. 合同审查实践：从挂号到拿报告
  8. 工程优化：校准与培训
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示从合同文本中抽取当事人、金额、日期等核心要素的过程，可切换实体识别、规则抽取与BERT端到端抽取三种模式观察。

本节配有交互动效（进入视口后自动加载，约 3KB）。

实体识别 序列标注为每个字打上实体类型标签，圈定边界 识别公司名、人名、金额、日期等命名实体 文本 → 标签序列 → 实体边界 实体识别解决“信息在哪”的问题。

基本概念：给合同做“深度体检”

想象你去医院做年度体检。医生不会捧着一本体检手册从头读到尾，而是先把最要紧的几项拉出来量一量：血压、心率、血糖。在合同审查的世界里，关键信息抽取扮演的正是同样的角色——把动辄数十页的合同“量一量重点”，把隐藏在复杂句式里的甲方、乙方、金额、日期、违约责任挑出来放在桌面上。

在 AI+法律 领域，关键信息抽取（Key Information Extraction，KIE）的目标非常朴素：让计算机像一位经验丰富的律师助理那样，从非结构化的合同文本中识别出具备法律意义的要素，并输出为结构化的数据记录。注意“非结构化”四个字——合同的自然语言是流动的、含混的、充满长难句的，而结构化数据是固定的、确定的、机器可以检索的。KIE 就是架在这两者之间的桥梁。

要完成这座“桥梁工程”，通常需要四个基本任务协同：命名实体识别负责找出“谁是谁”（甲方、乙方、金额、日期）；关系抽取负责理清“谁和谁有关”（甲方签约了乙方、甲方有付款义务）；属性抽取负责确认“具体指标是多少”（金额 150 万、期限 12 个月）；事件抽取负责还原“发生了什么”（违约、续约、解除）。四个任务层层递进，共同构成完整的抽取体系。整个过程，可以用下面的定义概括：

体检报告最终呈现的是一张结构化的表格——血糖 7.8 mmol/L，血压 120/80 mmHg。信息抽取的目标同样如此：把合同的“生命体征”登记成一条条清晰的记录，让后续的风险评估、条款比对都有了数据基础。没有这一步，后面的智能审查就是空中楼阁。

抽取(S)={(h,r,t)∣h,t∈E, r∈R}\text{抽取}(S) = \{(h, r, t) \mid h, t \in \mathcal{E}, \ r \in \mathcal{R}\}
这个公式是说：把合同文本 $S$ 中所有“头部实体—关系—尾部实体”的三元组抽出来，形成一张结构化的“体检报告表”。
  1. $S$（源文本）需要抽取的合同全文，例如一份“采购合同”的全部文字。
    SS
  2. $\mathcal{E}$（实体集合）合同候选实体的集合，例如“甲方”“乙方”“150万元”“2024年3月15日”。
    E={甲方,乙方,金额,日期}\mathcal{E} = \{\text{甲方}, \text{乙方}, \text{金额}, \text{日期}\}
  3. $\mathcal{R}$（关系集合）可能抽取出的关系类型，例如“签约方”“支付义务”“生效时间”。
    R={签约方,支付义务,生效时间}\mathcal{R} = \{\text{签约方}, \text{支付义务}, \text{生效时间}\}
  4. $(h, r, t)$（抽取三元组）一条抽取结果，表示头部实体与尾部实体之间存在某种关系，例如“甲方”与“北京智法科技”之间存在“签约方”关系。
    (h,r,t)例如(甲方,签约方,北京智法科技)(h, r, t) \quad \text{例如} \quad (\text{甲方}, \text{签约方}, \text{北京智法科技})
  5. $\text{抽取}(S)$（结构化输出）把所有三元组收集成一个集合，相当于把合同的“生命体征”登记成一张化验单。
    {(h,r,t)∣h,t∈E, r∈R}\{(h, r, t) \mid h, t \in \mathcal{E}, \ r \in \mathcal{R}\}

核心技术：体检科的三大检查

体检科里有三台最常用的设备：血压计、心电图机、血液分析仪。它们分别回答了三个问题：“这是什么指标？”“这个指标和其他指标有什么关系？”“这个指标具体是多少？”——信息抽取的三大核心技术恰好对应这三台设备。

命名实体识别（Named Entity Recognition，NER）是信息抽取的基石，如同血压计锁定“这是收缩压读数”一样，它为每个词打上类别标签。比如“北京智法科技有限公司”被标注为“组织名”，“150万元”被标注为“金额”。关系抽取（Relation Extraction，RE）更进一步，像心电图机分析波峰与波谷的关联，它探明两个实体之间的语义关系——“甲方”与“乙方”之间存在“签约方”关系。属性抽取则像血液分析仪，不仅知道有异常，还报出具体数值——合同的“违约金比例”属性被抽取出"30%"这个值。

实现这三个任务，主流方案都把抽取建模为序列标注问题：给句子中的每个词分配一个标签。例如“甲方”打上“当事人”标签，“北京智法科技有限公司”依次打上“组织起始”“组织内部”“组织结束”标签。训练一个模型来预测最合适的标签序列，就能同时完成实体的边界确定和类别判断。关系抽取通常在实体识别之后进行，对候选实体对进行分类；属性抽取则可以看作是“主谓宾”式的三元组补全。每个词的标签选择，可以用下面的式子理解：

三大设备各司其职，检查报告才算完整。同理，仅做 NER 只能“认出谁是谁”，接上关系与属性抽取，才能真正回答合同里“钱怎么付、货怎么交、违约怎么办”这三个灵魂问题。体检的三大件，缺一不可。

yi∗=arg⁡max⁡yi∈Y Pθ(yi∣x, i)y_i^* = \underset{y_i \in \mathcal{Y}}{\arg\max} \ P_{\theta}(y_i \mid \mathbf{x}, \ i)
这句话是说：给定整个合同句子，模型为当前词语挑选一个概率最大的实体标签，就像医生看一眼读数，就判断“这栏该填在血压那一行”。
  1. $\mathbf{x}$（输入文本序列）分词后的合同句子，例如“甲方 北京 智法 科技 有限公司”。
    x=(x1,x2,⋯ ,xn)\mathbf{x} = (x_1, x_2, \cdots, x_n)
  2. $i$（当前位置）当前正在处理的词在句子中的下标，比如第 2 个词“北京”。
    i∈{1,2,⋯ ,n}i \in \{1, 2, \cdots, n\}
  3. $\mathcal{Y}$（标签集合）所有可能的实体标签，例如“当事人起止”“组织名”“金额”“其他”等类别。
    Y={B-PARTY,I-ORG,B-AMOUNT,O}\mathcal{Y} = \{\text{B-PARTY}, \text{I-ORG}, \text{B-AMOUNT}, \text{O}\}
  4. $P_{\theta}(y_i \mid \mathbf{x}, i)$（条件概率）给定整个句子和当前词的位置，把第 $i$ 个词标为标签 $y_i$ 的可信程度，它由模型参数 $\theta$ 计算得出。
    Pθ(yi∣x,i)=exp⁡(wyi⊤hi)∑y′∈Yexp⁡(wy′⊤hi)P_{\theta}(y_i \mid \mathbf{x}, i) = \frac{\exp(\mathbf{w}_{y_i}^\top \mathbf{h}_i)}{\sum_{y' \in \mathcal{Y}} \exp(\mathbf{w}_{y'}^\top \mathbf{h}_i)}
  5. $\arg\max$（最优标签）在所有标签中挑概率最大的那一个，作为当前词的最终实体类型。
    yi∗=arg⁡max⁡yi∈Y Pθ(yi∣x,i)y_i^* = \arg\max_{y_i \in \mathcal{Y}} \ P_{\theta}(y_i \mid \mathbf{x}, i)

方法演进：从水银血压计到智能手表

爷爷辈量血压用水银柱式血压计，精确但笨重，还得安静坐着等读数；父辈用电子血压计，一键出数；到了这一代，智能手表不仅能量血压，还能结合心率、睡眠给出健康评估。信息抽取的方法演进，几乎复刻了这条“工具升级”的路径。

最早的方法是规则模板：工程师手写正则表达式和关键词词典，像水银柱一样精准规定“长什么样才算金额”。但这种方法的脆弱性也显而易见——合同里写“人民币壹佰伍拾万元整”这种大写金额时，规则就傻眼了。随后，统计学习把抽取变成了概率预测问题：隐马尔可夫模型（HMM）、条件随机场（CRF）从训练数据中自动学习标签的转移规律，不再依赖死板的人工规则。

深度学习的到来是“智能手表时刻”：BiLSTM 自动从数据中学习上下文特征，无需手工设计特征模板。再往后，BERT 等预训练模型带来了“通识能力”——模型先在海量通用文本上预训练，再在合同数据上微调，只需少量标注就能达到不错效果。这条路径的本质变化是：从“人告诉机器规则”走向“机器从数据中学规律”。最早期的规则方法，可以形式化为：

从水银血压计到智能手表，每一次工具升级都让测量更智能、更省心。同样，抽取方法每一代演进，都让机器在面对“不守规矩”的合同文本时多一分从容。但别忘了一件事：智能手表再聪明，也需要时不时用水银血压计校准——规则方法在今天依然有它不可替代的位置。

f(s)={true若 ∃p∈P, p匹配sfalse否则f(s) = \begin{cases} \text{true} & \text{若} \ \exists p \in \mathcal{P}, \ p \text{匹配} s \\ \text{false} & \text{否则} \end{cases}
这个式子描述的是：规则方法就是拿一堆现成的“条文模板”去比对合同文本，命中任意一条就判定“这是一条关键信息”。
  1. $s$（文本片段）一段待判定的合同文本，例如“合同总金额为人民币150万元”。
    s=合同总金额为人民币150万元s = \text{合同总金额为人民币150万元}
  2. $\mathcal{P}$（模式库）手写规则模式集合，每条规则是一个正则表达式或关键词模板，例如“匹配'人民币数字万元'”的模式。
    P={p1, p2, ⋯ , pk}\mathcal{P} = \{p_1, \ p_2, \ \cdots, \ p_k\}
  3. $p \text{匹配} s$（模式匹配）判断文本片段是否与某条模式吻合，相当于拿着模板去卡文本。
    p匹配sp \text{匹配} s
  4. $f(s)$（判定结果）只要命中任意一条模式就返回“是”，否则返回“否”——规则方法的典型二分法。
    f(s)∈{true,false}f(s) \in \{\text{true}, \text{false}\}

法律文本特征：遇到一个“难搞的体检者”

体检科医生最怕遇到什么样的体检者？让往左站他偏往右走、说话带着浓重方言、病历本上还贴着撕不掉的旧胶带。法律文本在 AI 眼里，就是这样的“难搞体检者”。

法律文本摆在模型面前时会暴露四大“坏脾气”。其一是长句嵌套：一份合同里经常出现“若甲方未能按期支付且经乙方两次书面催告后仍不履行……”这种一百多字的长句，信息一层套一层，把付款条件、催告程序、时间节点全部藏在从句里。其二是术语密集：“不可抗力”“连带责任”“违约金”这类高度凝练的法律术语，一个词顶普通人十句话的信息量。

其三是指代模糊：“该方”“上述款项”“本合同”——几乎每一段都有指代词，必须结合前文内容才能确定它到底指谁，这要求模型具备篇章级理解能力。其四是格式多样：扫描件的模糊缺字、表格里的错位文本、印章遮挡造成的字符残缺，都在挑战抽取系统的健壮性。这四个特征直接导致一个结果：通用信息抽取模型在合同上“水土不服”。长句的嵌套程度可以用句法树深度来量化：

面对“难搞的体检者”，医生不会抱怨“你怎么不配合”，而是会换设备、调流程、多问几句。工程上应对法律文本的特征，同样需要“特事特办”——领域定制模型、数据增强、后处理纠错，都是为了驯服这个不配合的“病人”。

Depth(T)=1+max⁡c∈children(T)Depth(c),Depth(leaf)=1\text{Depth}(T) = 1 + \max_{c \in \text{children}(T)} \text{Depth}(c), \quad \text{Depth}(\text{leaf}) = 1
这个递归式表示：一个句子的嵌套深度，等于它的最深层从句深度加一。法律长句的深度往往远超普通文本。
  1. 句法树 $T$把“若甲方未按期支付……”这样的长句拆成树形结构，每个节点是一个短语或从句。
    T∈T(S)T \in \mathcal{T}(S)
  2. 叶子节点 $\text{leaf}$不再包含子从句的最基本短语，其深度定义为 1。
    Depth(leaf)=1\text{Depth}(\text{leaf}) = 1
  3. 递归公式 $1 + \max \text{Depth}(c)$一个节点的深度等于其所有子节点中最大深度加 1——子句套子句，深度自然累加。
    Depth(T)=1+max⁡c∈children(T)Depth(c)\text{Depth}(T) = 1 + \max_{c \in \text{children}(T)} \text{Depth}(c)
  4. 抽取难度与深度成正比嵌套越深，模型需要跨越的句法距离越远，信息定位越难，整体难度越高。
    Difficulty∝Depth(T)\text{Difficulty} \propto \text{Depth}(T)

关键算法：多科室会诊

高危病情面前，医院会组织多学科会诊（MDT）：心内科看心脏标记物，影像科看片子，检验科看指标，最后主诊医生综合所有信息拍板。合同信息抽取的经典算法体系，就是一场这样的“会诊”。

当模型读到“甲方北京智法科技有限公司在2024年3月15日前向乙方支付定金50万元”时，词向量嵌入层先把每个词转成数字向量；BiLSTM 像两个相向而行的侦察兵，分别从前往后、从后往前扫描，拼出每个词的完整上下文；注意力机制则像会诊中的“重点观察”——当模型处理“支付”时，注意力会集中到“甲方”“定金50万元”这些关键词上。

CRF 作为会诊的主诊医师，审查的不是单个词，而是整条标签序列的合法性——“当事人的标签后面不能再紧跟金额标签”，把不合理的标签路径直接否决。BERT 则像一个“读过万卷书”的通才医生，它用自注意力替代 BiLSTM 和注意力机制的组合，在海量文本上预训练后，只需在合同数据上微调就能显著提升抽取效果，尤其擅长解决法律文本的长距离依赖。CRF 的序列约束思想，可以用下面的式子表示：

会诊的价值在于互补：BiLSTM 负责读上下文，注意力负责聚焦重点，CRF 负责规则约束，BERT 则带着“通识”降维打击。没有哪个单一算法是万能的——组合起来，才能对付合同这个“复杂病人”。

P(y∣x)=1Z(x)exp⁡(∑i=1nϕ(yi−1,yi,x,i))P(\mathbf{y} \mid \mathbf{x}) = \frac{1}{Z(\mathbf{x})} \exp\left(\sum_{i=1}^{n} \phi(y_{i-1}, y_i, \mathbf{x}, i)\right)
这个公式是说：一条完整标签序列的好坏，是每个位置“局部合理性”的总和，再对所有可能序列做归一化，得到当前序列的概率。
  1. $\mathbf{x}$（输入序列）“甲方 北京 智法科技 有限公司”分词后的词序列。
    x=(x1,x2,⋯ ,xn)\mathbf{x} = (x_1, x_2, \cdots, x_n)
  2. $\mathbf{y}$（标签序列）对应的实体标签序列，例如“当事人、组织起、组织内、组织终”。
    y=(y1,y2,⋯ ,yn)\mathbf{y} = (y_1, y_2, \cdots, y_n)
  3. $\phi(y_{i-1}, y_i, \mathbf{x}, i)$（局部打分）评估在位置 $i$ 选择标签 $y_i$ 且前一位为 $y_{i-1}$ 的合理程度，合并了“上一个是什么标签”和“当前词像什么”两类证据。
    ϕ(yi−1,yi,x,i)=w⊤⋅f(yi−1,yi,x,i)\phi(y_{i-1}, y_i, \mathbf{x}, i) = \mathbf{w}^\top \cdot f(y_{i-1}, y_i, \mathbf{x}, i)
  4. $\exp(\sum \phi)$（序列打分）把每个位置的分数累加并取指数，得到整条标签序列的“综合得分”。
    Score(y)=∑i=1nϕ(yi−1,yi,x,i)\text{Score}(\mathbf{y}) = \sum_{i=1}^{n} \phi(y_{i-1}, y_i, \mathbf{x}, i)
  5. $Z(\mathbf{x})$（归一化因子）所有可能标签序列的得分总和，作为分母把分数压成概率。
    Z(x)=∑y′exp⁡(∑i=1nϕ(yi−1′,yi′,x,i))Z(\mathbf{x}) = \sum_{\mathbf{y}'} \exp\left(\sum_{i=1}^{n} \phi(y_{i-1}', y_i', \mathbf{x}, i)\right)
  6. $P(\mathbf{y} \mid \mathbf{x})$（条件概率）给定输入文本，这条标签序列在所有候选方案中占的比重。
    P(y∣x)=exp⁡(Score(y))Z(x)P(\mathbf{y} \mid \mathbf{x}) = \frac{\exp(\text{Score}(\mathbf{y}))}{Z(\mathbf{x})}

合同审查实践：从挂号到拿报告

体检不是坐在诊室里等医生，而是一整套流程：前台登记、分诊护士引导、各科室转悠、最后拿着报告找医生解读。合同审查的信息抽取实践，也是一条环环相扣的流水线。

工程上，一条典型的合同智审流水线有四站：第一站“条款定位”，找出合同中的章节和条款边界，比如“第四条 付款方式”，把庞然大物切成小块；第二站“要素对齐”，把每个小块里抽取出的要素映射到标准字段字典——A 公司写的“订金”和 B 公司写的“预付款”，统一归入标准字段“预付资金”；第三站“风险评估”，把结构化要素和风险规则库比对；第四站“报告生成”，用模板把风险点翻译成律师能直接看懂的结论。

要素对齐是其中最花心思的一环：标准字段字典要覆盖数百个字段，每个字段还要搭配同义词表、值域约束和默认值。风险评估层的规则库融合了法律专家经验，例如“违约金比例超过 30%”触发红色告警，“管辖地非乙方所在地”触发黄色提示。整条流水线最后输出的风险评分，指导律师优先处理最高危的条款。风险评分可以简化为如下加权求和：

体检报告的最后一页永远有一句“建议随访”——流水线输出的风险评分也一样，它不会替你下结论，但能把律师的注意力精准引向最需要复查的部位。这才是信息抽取在合同审查中的真正价值：不是取代人，而是帮人找到重点。

Risk=∑i=1nwi×vi\text{Risk} = \sum_{i=1}^{n} w_i \times v_i
这个公式是说：把每个风险指标的取值乘以它的重要程度，再全部加起来，得到合同整体的风险分数。
  1. $v_i$（指标取值）第 $i$ 个风险指标的数值化结果，例如违约金比例 0.30。
    vi∈[0,1]v_i \in [0, 1]
  2. $w_i$（风险权重）每个指标在整体风险中的相对重要性，由法律专家根据经验设定。
    wi≥0,∑i=1nwi=1w_i \geq 0, \quad \sum_{i=1}^{n} w_i = 1
  3. $w_i \times v_i$（单项贡献）单个指标对整体风险的贡献量，权重越大、取值越高，贡献越突出。
    wi×viw_i \times v_i
  4. $\text{Risk}$（总风险分）所有指标贡献的累加和，超过预设阈值就触发人工复核。
    Risk≥Threshold⇒人工复核\text{Risk} \geq \text{Threshold} \Rightarrow \text{人工复核}

工程优化：校准与培训

再精密的体检设备也要定期校准：用标准器一量，偏差超过 0.1 就报修。再资深的医生也要持续学习：诊疗指南更新了，就得去听新讲座。合同信息抽取系统的工程优化，同样绕不开校准、培训与协作。

数据标注是“校准”：需要专业律师参与制定标注规范——哪些字段算作有效、模糊边界如何判断，并形成标注指南。模型微调是“培训”：在通用预训练模型之上，用几千份已标注合同继续训练，让模型适应“法律语域”的说话方式。人机协同则是“协作机制”：AI 先给出初筛结果和置信度，律师只复核高风险的 20%，实现“机器干重活、人做决策”。

评估优化效果不能只看准确率：精确率（P）衡量“抽出来的对吗”，召回率（R）衡量“该抽的漏了吗”，F1 是两者的调和平均，也是业界最常用的综合指标。当一个合同抽取系统在自建测试集上 F1 逼近 0.95 时，不要高兴得太早——换个来源的合同、换种排版，分数可能跳水到 0.8 以下。稳健性测试和持续监控，是工程化不可省略的一环。F1 的计算方式如下：

校准、培训、协作，三者缺一不可。只有标准器准、医生水平够、流程配合好，体检报告才真正值得信赖。合同信息抽取系统的上线不是终点，而是一个持续优化循环的起点——就像体检年年要做，模型也要季季校准。

F1=2×P×RP+RF_1 = \frac{2 \times P \times R}{P + R}
这个公式是说：F1 是精确率和召回率的“调和平均”，谁偏科都会被惩罚，只有两者都高 F1 才高。
  1. $P$（精确率 Precision）模型判定为实体的一堆结果中，真正是实体的比例——好比体检仪器说“你血压高”，有多少次是真的高。
    P=TPTP+FPP = \frac{TP}{TP + FP}
  2. $R$（召回率 Recall）所有真实的实体中，模型成功找出的比例——好比所有真正的高血压患者中，仪器查出了多少。
    R=TPTP+FNR = \frac{TP}{TP + FN}
  3. $P + R$（分母）两者相加形成“互相牵制”——只追求精确率会让模型变得保守，只追求召回率又会让模型变得冒进。
    P+RP + R
  4. $F_1$（调和平均）综合衡量两者的平衡程度，取值范围 0 到 1，越接近 1 说明系统越可靠。
    F1∈[0,1]F_1 \in [0, 1]

AI 应用场景

智能合同审查系统

阶段：信息抽取 + 风险评估

解决的问题：传统人工审阅一份 100 页合同需要一整天，且容易遗漏隐藏在长句中的风险条款。AI 先抽取当事人、金额、期限、违约金等关键要素，再自动对照风险规则库，15 分钟就能生成初审报告。

具体案例：某大型国企法务部上线的“合同智审”系统，每周处理约 200 份合同。系统自动识别出“乙方收款账户与签约主体不一致”的风险组合，法务人员只需复核系统标记的高危项，效率提升 5 倍。

合同要素数据库自动构建

阶段：信息抽取 + 知识库构建

解决的问题：企业积累了海量历史合同，信息散落在 PDF 和 Word 中，无法统计分析。用抽取技术将历史合同转化为结构化数据库，才能支持按金额、签订方、到期日等条件检索。

具体案例：某租赁公司把 10 年积累的 12000 份合同全部结构化，构建了合同要素数据库。管理层一键导出“未来三个月到期合同清单”，业务部门自动统计“平均付款账期”。

合同风险预警机器人

阶段：事件抽取 + 时序监控

解决的问题：合同签完不是结束，履约过程需要持续监控。抽取合同中的付款节点、交付节点、续约窗口等关键日期，结合日历自动触发提醒，避免因遗忘导致的违约或被动续约。

具体案例：某 SaaS 企业将合同中的“自动续约条款”抽取后接入 CRM 系统，在续约窗口前 30 天自动给销售发提醒，续约漏签率降为 0。

Python 演示

python76 行
# -*- coding: utf-8 -*-import reimport json  class ContractInfoExtractor:    """合同关键信息抽取器(演示版)"""     def __init__(self):        self.party_keywords = ['甲方', '乙方', '丙方', '丁方']        self.amount_pattern = re.compile(            r'(?:人民币|RMB|￥)?\s*([\d,，]+(?:\.\d+)?)\s*万(?:元)?', re.I)        self.date_pattern = re.compile(            r'(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日')     def extract_parties(self, text):        parties = {}        for keyword in self.party_keywords:            pattern = re.compile(keyword + r'[：:]\s*([^，。；,;\n]+)')            match = pattern.search(text)            if match:                name = match.group(1).strip()                parties[keyword] = name        return parties     def extract_amount(self, text):        amounts = []        for match in self.amount_pattern.finditer(text):            value = float(match.group(1).replace(',', '').replace('，', ''))            amounts.append({'金额': value, '文本': match.group(0)})        return amounts     def extract_date(self, text):        dates = []        for match in self.date_pattern.finditer(text):            year = int(match.group(1))            month = int(match.group(2))            day = int(match.group(3))            dates.append({'日期': '%04d-%02d-%02d' % (year, month, day),                          '文本': match.group(0)})        return dates     def extract(self, text):        result = {            '当事人': self.extract_parties(text),            '金额': self.extract_amount(text),            '日期': self.extract_date(text),        }        return result     def generate_report(self, result):        lines = ['合同关键信息抽取报告', '=' * 20]        for party, name in sorted(result['当事人'].items()):            lines.append('- %s: %s' % (party, name))        for i, item in enumerate(result['金额'], 1):            lines.append('- 金额%d: %g 万元' % (i, item['金额']))        for i, item in enumerate(result['日期'], 1):            lines.append('- 日期%d: %s' % (i, item['日期']))        return '\n'.join(lines)  if __name__ == '__main__':    sample = """    甲方：北京智法科技有限公司    乙方：上海云天信息技术有限公司     双方本着平等自愿原则，就软件开发服务达成如下协议。    合同总金额为人民币150万元，分三期支付。    本合同签订日期为2024年3月15日。    若发生争议，双方协商解决。    """    extractor = ContractInfoExtractor()    result = extractor.extract(sample)    print(json.dumps(result, ensure_ascii=False, indent=2))    print()    print(extractor.generate_report(result))
目的：用规则模板演示合同关键信息抽取全流程，输出结构化 JSON 和可读报告，是正文“规则方法”一节的完整可运行示例。
  1. self.amount_pattern = re.compile(预编译金额匹配模式，避免在循环中反复编译正则，提高匹配速度。
  2. pattern.search(text)在合同文本中查找当事人关键词冒号后面的内容，是 NER 中“词典+规则”的经典做法。
  3. r'[：:]\s*([^，。；,;\n]+)'用否定字符类截取冒号后的名称，直到遇到分隔符或换行为止。
  4. match.group(1).replace(',', '')清洗金额中的千分位逗号，保证 float 转换不出错。
  5. result = {将当事人、金额、日期三类抽取结果汇总为结构化字典，模拟 KIE 的三元组输出。
  6. extractor.extract(sample)调用统一入口执行全流程抽取，屏蔽内部细节。

常见误区

误区合同格式都很规范，我写几个正则表达式就能搞定抽取，不用上什么深度学习。正则又快又准，几百行代码就能覆盖大部分合同。

正解现实中合同格式千差万别，同样是签约日期，有的写“二〇二四年三月十五日”，有的写“2024.3.15“，还有的藏在复杂从句里。规则能覆盖 80% 的标准场景，但剩下 20% 的”自由发挥“恰恰是风险最高的部分。深度学习方法通过大量样本学习，能像医生一样”见多识广”，应对各种非常规表达，并且能自动从上下文推断语义。

为何常见：正则表达式确实在小规模标准合同上表现很好，容易让人产生“够了”的错觉。只有当合同来源变得丰富、格式变得多样时，规则的脆弱性才会暴露出来。

误区只要我标注足够多的合同，模型效果就一定提升，所以我应该尽量堆量。十万份合同砸下去，模型自然就强了。

正解标注质量比数量更重要。如果标注规范不统一——有的标注员认为“违约金比例”只标数字，有的连单位一起标——模型会学到互相矛盾的模式。更关键的是要覆盖“难例”：长句、歧义、稀缺实体类型。1 万份高质量标注加上 2000 份难例，往往好过 10 万份粗糙标注。标注质量决定了模型效果的上限。

为何常见：深度学习给人的直觉就是“数据越多越好”，但忽略了标注一致性和难例覆盖对模型实际能力的决定性影响。

误区模型把甲方、金额、日期抽取出来，系统就能直接生成审查报告了。抽取完成，万事大吉。

正解模型只是“初筛”，抽出的实体还需要大量后处理。比如多个金额需要区分“合同总额”还是“预付款”；抽取的公司名可能有别名，需要统一链接到权威数据库；还要做交叉验证——“付款期限”和“逾期违约金”是否互斥。工程上，后处理逻辑往往占总开发量的 40% 以上，这一点在论文里看不到。

为何常见：学术论文展示的都是“效果惊艳”的抽取结果，让人误以为模型输出即可直接使用，忽视了工程落地的那些“脏活累活”。

面试题

Q1. 在合同关键信息抽取中，命名实体识别（NER）的主要任务是？

单选题 · easy

  • A.判断合同是否有效
  • B.识别文本中的实体并标注← 正确答案
  • C.生成合同的摘要文本
  • D.将合同翻译成其他语言

答案：B。NER 的核心任务是识别文本中的人名、组织名、金额、日期等实体并标注其类别，就像体检时先认出“这是血压计读数”。A 是合同的效力判断，C 是摘要生成，D 是机器翻译，都不属于 NER 的范畴。

Q2. 下列哪一项是规则模板方法在信息抽取中的典型不足？

单选题 · mid

  • A.需要 GPU 算力支持
  • B.无法处理规范格式表达
  • C.面对多样表达时召回率低← 正确答案
  • D.无法处理大规模合同数据

答案：C。规则模板靠手写模式匹配，对符合标准模式的文本效果好，但遇到同义表达、复杂嵌套时极易漏抽，召回率低。A 说反了，规则方法不需要 GPU；B 也说反了，规则对规范格式恰恰最有效；D 错误，规则方法跑大规模数据很快，难的是覆盖各种表达。

Q3. BiLSTM-CRF 中，CRF（条件随机场）的主要作用是什么？

单选题 · mid

  • A.将文本转换为稠密词向量
  • B.考虑标签间的约束关系← 正确答案
  • C.大幅降低训练数据需求
  • D.抑制梯度爆炸保持稳定

答案：B。CRF 在 BiLSTM 输出的基础上建模标签之间的转移关系，比如“当事人标签后不能直接跟金额起始标签”，从而保证整条标签序列合法。词向量由嵌入层负责（A），降低数据量和梯度缩放都与 CRF 无关（C、D）。

Q4. BERT 等预训练模型相比传统深度学习模型，在合同信息抽取中的优势包括？

多选题 · mid

  • A.更强的长距离依赖捕获力← 正确答案
  • B.微调所需标注数据较少← 正确答案
  • C.完全免除后处理环节
  • D.自注意力理解上下文语义← 正确答案

答案：ABD。BERT 的自注意力机制让任意两个词可以直接交互，天然擅长捕捉长距离依赖（A 正确）；预训练获得的知识使模型在少量标注下微调也能有不错效果（B 正确）；自注意力是 BERT 理解上下文的核心机制（D 正确）。但抽取结果的清洗、消歧、交叉验证等后处理在任何模型中都是必须的，C 错误。

Q5. 在关系抽取中，给定句子“甲方应于2024年3月15日前向乙方支付定金50万元”，下列哪组抽取方案最合理？

单选题 · extreme

  • A.抽取金额实体五十万元，忽略定金性质
  • B.将支付日期设为核心实体直接关联甲乙方
  • C.仅保留甲方与乙方之间的支付关系
  • D.提取支付义务三元组并保留定金属性← 正确答案

答案：D。D 把“甲方—支付义务—定金50万元”抽为完整三元组，保留了款项性质，这是合同审查中最需要捕捉的法律关系。A 丢失了“定金”的法律性质，B 混淆了时间与义务的主次，C 遗漏了核心标的。关系抽取的粒度选择，决定了下游风险判断的准确性。

Q6. F1 分数是精确率（P）和召回率（R）的调和平均，当模型只输出极少结果但每个都正确时，F1 会如何变化？

单选题 · mid

  • A.精确率高但召回低，F1偏低← 正确答案
  • B.精确率召回率都高，F1也高
  • C.精确率低但召回高，F1偏低
  • D.F1 数值不会产生任何变化

答案：A。模型只输出少量结果时，输出的大概率正确，精确率很高；但大量真实实体被漏掉，召回率很低。调和平均对“偏科”很敏感，F1 会明显偏低。这就像体检只查一项指标，查到的都准，但覆盖面严重不足，整体评价不会高。

Q7. 关于法律文本的特征，以下说法正确的有？

多选题 · hard

  • A.法律文本普遍使用短句强调逻辑
  • B.长句嵌套提升信息抽取的难度← 正确答案
  • C.指代模糊要求模型理解整篇文书← 正确答案
  • D.术语密集对通用模型影响甚微

答案：BC。法律文本恰恰以长句和复杂嵌套著称，A 说反了；“该方”“上述款项”等指代词需要跨句回溯，要求篇章级理解，C 正确；密集的专业术语会导致通用词向量表示偏差，影响非常大，D 错误。这些特征正是通用 NER 模型在合同场景中表现不佳的根源。

Q8. 在合同审查实践流程“条款定位→要素对齐→风险评估→报告生成”中，“要素对齐”指的是什么？

单选题 · easy

  • A.将合同原文翻译为通俗语言
  • B.把要素映射到标准字段字典← 正确答案
  • C.将多份合同合并为一份文档
  • D.用大模型直接生成合同摘要

答案：B。要素对齐解决“叫法不统一”问题——A 公司的合同叫“订金”，B 公司的合同叫“预付款”，标准字段字典统一归入“预付资金”。它是把自然语言要素映射到统一结构化字段的关键步骤，是后续风险判断的数据基础。

Q9. 合同信息抽取中，常见的实体类型包括？

多选题 · easy

  • A.甲方、乙方等双方当事人的名称← 正确答案
  • B.合同的总金额及其支付方式← 正确答案
  • C.合同签署日期与生效日期← 正确答案
  • D.违约责任条款的完整段落

答案：ABC。当事人、金额、日期是典型的合同要素实体。D 的“违约责任条款完整段落”是一整段结构化条款，属于段落级内容而非实体。NER 的目标是把文本中离散的“要素点”标出来，而不是把长文本整体当作一个实体。

Q10. 工程优化中“人机协同”的核心思想是什么？

单选题 · hard

  • A.用 AI 系统完全替代律师工作
  • B.AI 做初筛而律师做终审← 正确答案
  • C.人工标注数据供 AI 持续学习
  • D.多头模型进行交叉验证决策

答案：B。人机协同定位为“AI 初筛 + 专家终审”：AI 快速抓取要素、识别风险，把最可疑的条款和理由推给律师，律师做最终判断。这不是取代（A 错），不是单纯的数据标注（C 错），也不是算法层面的多头验证（D 错），而是流程分工上的互补协作。