2018中国“法研杯”法律智能挑战赛 CAIL2018

1. Official Website

2018中国‘法研杯’法律智能挑战赛

2. Time nodes

• 第一阶段（2018.05.15-2018.07.14）:
  • ~ 6月 5日，基于Small数据的模型提交截至。向评测结果高于基准算法成绩的团队发布Large数据
  • ~ 6月12日，基于Large-test数据对前期模型进行重新评测刷榜
  • ~ 7月14日，最终模型提交截至。
• 第二阶段（2018.07.14-2018.08.14）:
  • 主办方根据一个月的新增数据对最终模型进行封闭评测

3. Notice

3.1. Necessary adjustment

在将本项目代码clone或download到本地运行时，需要对如下文件处做简单修改：

• 在./predictor中创建model/目录（github上无法上传空文件夹）
• ./utils/util.py中的第9行DATA_DIR，改为本地数据文件所在目录
• 运行./test.py前，将第11行改为测试文件所在目录，第12行改为测试输出结果存放目录
• 运行./score.py前，将第187行改为上述测试文件所在目录，第188行改为测试输出结果存放目录

3.2. Requirement

• Language Environment

  • Python 3.5

• Packages

  • jieba
  • pandas
  • sklearn

3.3. Unfinished Parts

• ./preprocess/*

4. Updates

2018-05-18 [feng]

• 数据文件太大，将文件夹从项目中删除
• 默认数据目录为../data/CAIL2018-small-data，见util.py文件DATA_DIR常量
• 使用清华中文分词工具thulac-python
• thulac分词工具速度过慢，暂时使用jieba，后续可以考虑C++版本的各种分词工具
• Notice：法条预测中，有些案件对应多个法条
• 添加util.py文件
• 添加preprocess.py文件，对数据进行中文分词，整合json2csv文件函数
• 添加stopwords.txt文件，来源GitHub · stopwords-iso/stopwords-zh

2018-05-26 [feng]

• 使用jieba多线程分词
• 导入从搜狗词库下载的法律词典
• 删除CODE_OF_CONDUCT.md文件
• 添加dictionary/文件夹，包含用户词典及由.scel(搜狗的用户词典文件)文件解码处理的代码
• 修正util.py中的24行的一处bug

2018-05-28 [feng]

• 重新组织代码结构，依照官方提供svm_baseline代码
• 删除preprocess.py
• 添加train.py文件, ./predictor/目录等

2018-06-01 [feng]

• 重新组织代码结构：
  • 将uti.py,law.txt, accu.txt, userdict.txt等文件均放入./utils/目录下
  • 现有的./predictor/目录在模型训练完后，即可直接打包提交
  • 添加本地测试与跑分文件：./test.py和./score.py

5. TODOs

• 考虑将停用词处理放入TD-IDF模型内部
• 人工对分词结果进行适当修正
• 对数据进行预分析，即./preprocess/目录下相关内容

6. Scores

0 SVM baseline on small-data

task-1	task-2	task-3	total-score
71.83	68.79	47.83	188.45

1^st upload using linearSVC

succeeded after 8 stupid attempts by @FengBlil

date: 05-31

task-1	task-2	task-3	total-score
72.92	69.43	52.56	194.92

2^nd upload using RandomForestClassifier

date: 06-01

task-1	task-2	task-3	total-score
62.20	59.99	48.73	170.92

7. Members

Team Members:

• @mcorange1997

• @FengBli

• @Scott1123