2. NLP基础回顾

在构建采购合同智能抽取系统之前，需要先回顾自然语言处理（NLP）的三项基础技术：分词、词性标注和句法分析。合同文本具有长句密集、术语固定、结构严谨的特点，这三项技术构成了后续实体识别与关系提取的底层支撑。

2.1 分词：合同文本的“切分”艺术

分词是将连续的汉字序列切分为有意义的词语序列。在合同场景中，分词质量直接影响后续的实体边界识别。

以下对比展示了通用分词与合同定制分词的效果差异：

在工程实现中，通常采用词典增强策略：在通用分词模型基础上，注入合同领域词典（如“采购方”“不可抗力”“违约金”），并设置优先级匹配规则，确保长词优先。

# 合同分词示例（使用jieba + 自定义词典）
import jieba

# 加载合同领域词典
jieba.load_userdict("contract_dict.txt")

text = "采购方逾期支付货款超过30日的，供货方有权解除本合同"
tokens = jieba.lcut(text)
print(tokens)
# 输出：['采购方', '逾期', '支付', '货款', '超过', '30日', '的', '，', '供货方', '有权', '解除', '本合同']

2.2 词性标注：为词语赋予“语法身份”

词性标注为每个分词结果赋予词性标签（如名词、动词、形容词）。在合同文本中，词性标注是识别实体类型和关系模式的关键线索。

合同文本中高频出现的词性组合及其业务含义如下：

词性标注结果可以直接作为特征向量输入到后续的命名实体识别（NER）模型中，帮助模型区分“公司名称”（名词）与“合同条款”（名词短语）。

2.3 句法分析：解析合同长句的“骨架”

合同文本中大量使用长句、嵌套结构和被动语态。句法分析通过构建依存关系树或短语结构树，揭示词语之间的语法依赖关系。

以下SVG图展示了采购合同典型长句的依存句法分析结果：

2.4 三项技术的协同工作流

在合同智能抽取系统中，分词、词性标注和句法分析并非独立运行，而是构成一个流水线：

1. 原始文本输入：合同PDF或Word文档经OCR或文本提取后得到原始字符串。
2. 分词：利用合同定制词典进行精确切分，输出词语序列。
3. 词性标注：为每个词语标注词性，输出带标签的序列。
4. 句法分析：基于词性标注结果构建依存关系树，输出结构化关系。
5. 下游任务：将句法分析结果输入NER和关系提取模块。

以下SVG图展示了这一协同工作流的架构：

2.5 合同文本的特殊性总结

与通用文本相比，合同文本在NLP处理上具有以下显著差异：

掌握这些特殊性后，下一阶段将进入命名实体识别（NER）的专项学习，利用本章的分词和词性标注结果，精准定位合同中的关键实体。