随着人工智能的发展,重复劳动可以交由机器自动完成。在法律文件自动解析和阅读领域,研究对于合同文件的内容解析和简单审核,可以减轻人工审核合同负担。本文以住房租赁合同为例,进行合同条款完整性检测。在此过程中,主要完成工作可以概括为3点:(1)收集合同模板数据训练多类分类模型。针对卷积神经网络方法使用全词表,训练参数多的问题,对TF-IDF算法进行改进,提取类别关键词初始化嵌入层,减少其训练参数。实验结果表明,经过优化后的卷积神经网络,在合同模板数据集上,训练参数更少,分类性能较原来方法略有提升,且优于传统分类方法。(2)使用半监督方法将合同模板中文本段进行条款类型标注。基于数据互连接和回译来增强文本段数据,使用预训练的BERT(Bidirectional Encoder Representations from Transformers)完成半监督学习中的模型训练工作,经过迭代筛选,完成住房租赁合同的条款数据集构建。(3)使用条款数据集训练条款识别模型,用于检测合同中已有条款,从而推导缺失条款。针对基于神经网络的模型中,多标签分类模型常忽视标签相关性的问题,使用GCN(Graph Convolutional Network,图卷积神经网络)构建标签潜在语义学习模型,结合BERT进行特征提取,完成条款数据的多标签分类任务。在2个数据集中,GCN分别结合卷积神经网络以及BERT进行实验,实验结果表明GCN对于多标签任务的相关性建模确实有效。通过与基准方法进行对比,验证了本文设计的BERT-GCN模型的有效性。除了完成以上研究工作,本文将实验中训练的模型进行整合应用,实现输入住房租赁合同文档,输出带有风险提示的检测文档。