Content classification in legal documents

Abstract

Tato práce představuje aplikovaný výzkum pro potřeby firmy Datlowe, s.r.o. zaměřený na automatické zpracování právních dokumentů. Cílem práce je navrhnout, implementovat a vyhodnotit klasifikační modul, který je schopen přiřadit kategorie odstavcům dokumentů. Použitých bylo několik klasifikačních algoritmů, které byly vyhodnoceny a srovnány mezi sebou a následně kombinované dohromady s cílem vytvořit lepší modely. Výsledkem je predikční modul, který byl úspěšně integrován do celého systému zpracování dokumentů. Vedle predikčního modulu jsou dalšími přínosy práce měření mezianotátorské shody a návrh nové sady příznaků využitelných pro klasifikaci.

This thesis presents an applied research for the needs of a company Datlowe, s.r.o. aimed at automatic processing of legal documents. The goal of the work is to design, implement and evaluate a classification module that is able to assign categories to the paragraphs of the documents. Several classification algorithms are used, evaluated and compared to each other to be consequently combined to obtain the best models. The outcome is a prediction module which was successfully integrated into the entire document processing system. Other contributions, along with the classification module, are the measurement of the inter-annotator agreement and introducing new set of features for classification.