基于深度学习的合同风险检测方法及应用.pdfVIP

摘要

在现代社会中，人们之间的各种关系和交易往往需要明确的规则和条款来规范，这

些规则和条款通常通过合同来加以确定。合同作为保护双方经济利益的主要工具，在签

署前需要进行仔细审阅以避免遗漏或错误。传统上，合同审查工作主要由专业律师负责。

然而，这项工作对律师而言既枯燥又重复，且审查效果高度依赖于律师的专业水平。因

此，社会各界对合同风险自动化检测系统的需求日益迫切。随着计算机技术的不断进步，

合同风险自动化检测技术也得到了显著的发展。

目前的合同风险自动化检测系统主要存在以下问题：第一，虽然深度学习促进了合

同风险检测领域的发展，但是当前基于序列标注的命名实体识别模型存在边界信息识别

不准确的问题，这会造成合同提取实体信息错误，影响检测效果。第二，合同数据匮乏，

将合同风险检测建模为分类问题需要大量的数据，人工标注成本高。第三，大模型蕴含

了丰富的知识，如何将这些知识激发出来助力合同风险检测也极具挑战。针对上述问题，

本文主要开展了以下三方面的研究：

1.提出了基于预训练模型的合同风险检测方法。为了应对合同实体风险检测任务的

挑战，本研究设计了一种利用多头注意力融合词汇边界信息和词性特征的命名实体识别

模型，在合同数据集上和MSRA数据集上都取得了良好的效果。鉴于当前合同领域标注

数据匮乏的现状，提出了一种将基于对比学习的检索模型和问答模型相结合的方案，用

于审查合同的风险点。该方法避免了输出空间爆炸的情况，效果相比于传统方法有明显

提升。

2.提出了基于大规模语言模型的合同风险检测方法。针对合同数据标注成本高，合

同训练数据匮乏的问题，本文提出了一种利用检索模型检索相关段落，并通过提示词激

发大模型内在能力以判断段落是否存在风险点的方法。通过对比不同参数量的大模型，

发现使用大模型进行合同风险检测不仅能够降低合同的标注成本，还能提升合同风险检

测的效果。

3.设计并研发了合同风险检测系统。鉴于市面上合同风险检测系统存在以上问题的

现状，本文整合并集成了上述合同风险检测方案，研发了一个合同智能审查系统。该系

统能够对用户提供的合同文档进行风险点审查，相较于现有的合同风险检测系统，所设

计的系统具有更全面的审查能力，解决了用户的痛点问题。

关键词合同风险检测预训练语言模型命名实体识别大模型提示工程

Abstract

Inmodernsociety,variousrelationshipsandtransactionsbetweenpeopleoftenrequire

clearrulesandtermstoberegulated,whicharetypicallyestablishedthroughcontracts.Asthe

maintoolforprotectingtheeconomicinterestsofbothparties,contractsneedtobemeticulously

reviewedbeforesigningtoavoidomissionsorerrors.Traditionally,contractreviewworkhas

beenprimarilyconductedbyprofessionallawyers.However,thistaskisbothtediousand

repetitiveforlawyers,andtheeffectivenessofthereviewishighlydependentonthelawyers

expertise.Therefore,thereisanincreasingdemandfromvarioussectorsforautomatedcontract

riskdetectionsystems.Withthecontinuousadvancementofcomputertechnology,contractrisk

automationdetectiontechnologyhasalsomadesignificant