随着互联网技术的飞速发展,网络上的信息呈现爆炸式地增长,不仅信息规模不断扩大,信息种类也不断增多。与此同时,大量数据在各个领域的成功应用宣告了大数据时代的到来,大数据在社会的发展中起着越来越重要的作用,其价值已得到了社会的普遍认可。近年来,随着我国法制化建设的不断深入,司法案件的审理也变得愈发透明,裁判文书在网上的公开就是一个典型例子。裁判文书作为承载法院案件审理过程以及审判结果的“司法产品”,其蕴含着丰富的司法信息,包括判决法院、案号、当事人诉讼请求、案件名称、判决结果、适用法律等,这些恰恰聚集了法院“大数据”的核心要素。通过对这些信息进行深度挖掘,可以总结案件审判规律,预测审判趋势,提升司法公信力,为实现司法公正,建设法制社会提供技术支撑。然而,裁判文书是一种半结构化的领域文本,其既有程式化的法言法语,也有日常的普通用语,同时裁判文书的书写很大程度上决定于法官,这使得裁判文书具有多态性、异构性以及随意性等一系列特征。因此如何在这类特殊的文本中抽取有价值的信息是一项具有重要价值及意义的课题。在上述背景下,为对裁判文书进行信息抽取,本文将强化学习应用于信息抽取领域,提出了基于强化学习的信息抽取算法(IEM-HRL)。本文的主要研究内容包括:(1)根据裁判文书的特性,本文对裁判文书的信息抽取过程进行了分析,将该过程分解为两个环节:首先是对裁判文书中的目标数据进行定位,即如何在动态变化的文本中找到目标数据;之后是在第一步的基础上对目标数据进行规则提取,以此实现信息抽取。(2)对于数据定位问题,本文针对裁判文书存在的异构性以及多态性等特点,运用强化学习的思想,将文本视为环境,让智能体Agent与环境进行不断交互,以此试错学习到解决问题的最优策略。同时利用多Agent系统中个体Agent与系统远期目标的同一性,引入策略协调机制,通过各Agent之间的交流来发现趋势信息,之后利用Shaping技术将在线获得的动态知识对智能体Agent进行启发,加快智能体的学习速度。(3)对于规则提取问题,本文通过对裁判文书的分析,首先将目标数据的长度、词性以及停止符数目等属性作为条件属性;之后根据先验知识利用已有的条件属性值计算得到决策属性值,并生成决策信息表;最后利用粗糙集理论对决策信息表进行属性约简,并对约简表进行决策规则提取,以此生成规则库。(4)基于上述方法,本文设计并实现了一个针对领域文本的信息抽取系统。其中,智能体Agent在文本环境中对目标数据进行高效准确地定位,然后在定位的基础上利用规则对目标数据进行抽取。实验结果表明,本文方法能够很好地对裁判文书进行信息抽取,具有较高的抽取精度及抽取效率,并且展现了良好的健壮性。