4. 规则方法基础：正则表达式、关键词匹配与条款提取原理
在混合标注系统中，规则方法承担着“第一道防线”的角色——它利用人类专家对法律语言的先验知识，快速、确定地识别出高频、低歧义的风险条款。本章将深入解析规则方法的三大基石：正则表达式、关键词匹配策略以及基于规则的条款提取原理。
4.1 正则表达式基础
正则表达式（Regular Expression, Regex）是一种描述字符串模式的微型语言。在合同文本中，风险条款往往具有固定的句式结构或数字格式，这正是正则表达式的用武之地。
4.1.1 核心元字符速查表
| 元字符 | 含义 | 合同场景示例 |
|---|---|---|
. |
匹配任意单个字符（除换行） | 违.金 可匹配“违约金”“违_金” |
* |
匹配前一个字符 0 次或多次 | 0* 匹配“0”“00”“” |
+ |
匹配前一个字符 1 次或多次 | 年+ 匹配“年”“年年” |
? |
匹配前一个字符 0 次或 1 次 | 违约? 匹配“违”或“违约” |
\d |
匹配一个数字（0-9） | \d+% 匹配“5%”“12%” |
\w |
匹配一个字母、数字或下划线 | \w+ 匹配中文词语（需配合 Unicode 模式） |
[ ] |
字符集，匹配括号内任意一个字符 | [甲乙丙]方 匹配“甲方”“乙方”“丙方” |
( ) |
分组，用于提取或逻辑或 | (赔偿|补偿) 匹配“赔偿”或“补偿” |
4.1.2 合同风险条款常用正则模式
# 匹配百分比形式的违约金
(\d+\.?\d*)\s*%
# 匹配日期范围（如“2024年1月1日至2025年12月31日”）
(\d{4}年\d{1,2}月\d{1,2}日)\s*至\s*(\d{4}年\d{1,2}月\d{1,2}日)
# 匹配“甲方/乙方/丙方”中的任意一方
[甲乙丙丁]方
# 匹配“赔偿”“补偿”“偿付”等支付类动词
(赔偿|补偿|偿付|支付|给付)
# 匹配“知识产权”“著作权”“专利权”“商标权”
(知识|著作|专利|商标)权
实战提示：在编写正则时，务必考虑中文文本的 Unicode 特性。Python 中建议使用
re.UNICODE 标志，并注意中文标点（如“；”“。”）与英文标点的差异。
4.2 关键词匹配策略
关键词匹配是规则方法中最直观、最易部署的策略。它通过预定义的风险词库，在合同文本中扫描命中项，并根据命中位置、密度和上下文进行标注。
4.2.1 三种匹配模式对比
| 匹配模式 | 匹配逻辑 | 召回率 | 精确率 | 适用场景 |
|---|---|---|---|---|
| 精确匹配 | 完全等于关键词 | 低 | 高 | 法律术语（如“不可抗力”） |
| 模糊匹配 | 允许编辑距离 ≤ k | 中 | 中 | OCR 文本、拼写变体 |
| 正则匹配 | 按模式匹配 | 高 | 中 | 数字、日期、金额格式 |
4.2.2 风险关键词库构建原则
- 层级化：按风险类型（支付风险、知识产权风险、违约风险等）建立多级词库。
- 同义词扩展：将“赔偿”“补偿”“偿付”归入同一风险组。
- 否定词过滤：对“不承担赔偿责任”“除外”等否定结构进行前置过滤，避免误报。
- 权重赋值：高频核心词（如“违约金”）赋予较高权重，低频边缘词赋予较低权重。
案例：某采购合同中包含“若甲方逾期付款，应按日支付万分之五的违约金”。通过关键词“逾期”“违约金”和正则
\d+\.?\d*% 可同时命中风险类型和具体数值。
4.3 基于规则的条款提取原理
基于规则的条款提取并非简单的关键词堆砌，而是一个“模式识别 → 边界定位 → 结构化输出”的流水线。其核心原理如下图所示：
4.3.1 规则引擎的三种核心规则类型
| 规则类型 | 描述 | 示例 |
|---|---|---|
| 触发规则 | 当某关键词或模式出现时，标记该位置为潜在风险起点 | 命中“违约金”即触发风险标注 |
| 上下文规则 | 根据前后文判断是否属于真实风险（如否定词过滤） | “不承担”+“违约金” → 排除 |
| 边界规则 | 确定风险条款的完整范围（从“第X条”到“；”或“。”） | 从“第12条”到下一个“第13条”或段落结束 |
4.3.2 规则提取的典型流程
- 分句与段落分割：将合同文本按“；”“。”“\n”拆分为语义单元。
- 触发词扫描：遍历每个语义单元，使用正则或关键词库检测风险触发词。
- 上下文验证：对触发单元进行前后文分析，排除否定、例外等反义结构。
- 边界扩展：从触发位置向前后扩展，直到遇到规则定义的边界标记（如条款编号、句号）。
- 结构化输出：将提取的文本片段与风险类型、置信度、位置信息打包为结构化数据。
注意事项：规则方法的局限性在于对未知模式（如新出现的合同条款变体）的泛化能力较弱。当合同文本存在大量非标准表述时，规则引擎的精确率会显著下降。此时需要引入机器学习方法进行补充。