RESUMO AUTOMÁTICO DE TEXTOS JURÍDICOS USANDO GRAFOS COM VOCABULÁRIO CONTROLADO E ALGORITMO K-MEANS COM WORDS EMBEDDING
v. 11 n. 18 (2019), ARTIGOS
v. 11 n. 18 (2019)

RESUMO AUTOMÁTICO DE TEXTOS JURÍDICOS USANDO GRAFOS COM VOCABULÁRIO CONTROLADO E ALGORITMO K-MEANS COM WORDS EMBEDDING

ARTIGOS
https://doi.org/10.34060/reesmat.v11i18.304
Publicado 14-10-2019
Rogério Nogueira de Sousa
David Nadler Prata
PDF
PDF (English)

Como Citar

Sousa, R. N. de, & Prata, D. N. (2019). RESUMO AUTOMÁTICO DE TEXTOS JURÍDICOS USANDO GRAFOS COM VOCABULÁRIO CONTROLADO E ALGORITMO K-MEANS COM WORDS EMBEDDING. REVISTA ESMAT, 11(18), 65–80. https://doi.org/10.34060/reesmat.v11i18.304
ACM ACS APA ABNT Chicago Harvard IEEE MLA Turabian Vancouver

Baixar Citação

Endnote/Zotero/Mendeley (RIS) BibTeX

Resumo

O processo judicial eletrônico é uma realidade no Brasil, onde 70% dos casos novos em todo Poder Judiciário são virtuais. Fazer uso adequado dessa realidade e aprimorá-la é primordial para dar vazão à demanda de aproximadamente 25 milhões de processos novos por ano. Nesse contexto, buscar facilitar o dia a dia dos operadores da justiça brasileira, responsáveis pelas análises do crescente volume de informação digital presentes nos autos, é primordial para a eficiência na prestação jurisdicional e amplo acesso à justiça. Usar resumos/textos é uma forma ágil de se inteirar sobre o assunto do texto, podendo ser um meio de empregar mais agilidade à tramitação processual. Assim, esta pesquisa visa ao desenvolvimento de uma ferramenta capaz de gerar automaticamente resumos de textos jurídicos, fazendo uso de técnicas de Processamento de Linguagem Natural e teoria de grafos em conjunto com o vocabulário jurídico advindo do Supremo Tribunal Federal.
https://doi.org/10.34060/reesmat.v11i18.304
PDF
PDF (English)

Referências

AGUIAR, E. M. de. Aplicação do Word2vec e do Gradiente descendente dstocástico em tradução automática. 30 maio 2016. Disponível em: <http://bibliotecadigital.fgv.br/dspace/handle/10438/16798>. Acesso em: 9 abr. 2019.

BIRD, S.; KLEIN, E.; LOPER, E. Natural Language Processing with Python. 1. ed. Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472: Julie Steele, 2009.

BORBA, E. M. Medidas de centralidade em grafos e aplicações em redes de dados. 2013. Disponível em: <https://lume.ufrgs.br/handle/10183/86094>. Acesso em: 12 fev. 2019.

BRIN, S.; PAGE, L. The Anatomy of a Large-Scale Hypertextual Web Search Engine. Computer Networks and ISDN Systems, v. 30, n. 1–7, p. 107–117, abr. 1998.

CINTRA, A. C. de A.; DINAMARCO, C. R.; GRINOVER, A. P. Teoria Geral do Processo. 26a ed. São Paulo: Malheiros, 2010.

CONSELHO NACIONAL DE JUSTIÇA. Relatório Justiça em Números 2017, ano-base 2016. Disponível em: <http://www.cnj.jus.br/files/conteudo/arquivo/2017/12/b60a659e5d5cb79337945c1dd137496c.pdf>.

CONSELHO NACIONAL DE JUSTIÇA. Painel.cnj.br. Disponível em: <https://paineis.cnj.jus.br/QvAJAXZfc/opendoc.htm?document=qvw_l%5Cpainelcnj.qvw&host=QVS%40neodimio03&anonymous=true>. Acesso em: 29 out. 2018.

COPPIN, B. Inteligência Artificial. Rio de Janeiro: LTC, 2017.

FARZINDAR, A.; LAPALME, G. LetSum, an Automatic Legal Text Summarizing System. ResearchGate, 2004. Disponível em: <https://www.researchgate.net/publication/228980166_Letsum_an_automatic_legal_text_summarizing_system>. Acesso em: 24 fev. 2019.

FELIPE, B. F. da C.; PERROTA, R. P. C. Inteligência Artificial no Direito – uma realidade a ser desbravada. Revista de Direito, Governança e Novas Tecnologias, v. 4, n. 1, p. 1–16, 21 ago. 2018.

FONSECA, M. A word2vec model trained on Brazilian legislation.: thefonseca/lex2vec. Disponível em: <https://github.com/thefonseca/lex2vec>. Acesso em: 20 maio 2019.

JAIN, A. K. Algorithms for clustering data. [s.l.] Englewood Cliffs, N.J.: Prentice Hall, 1988.

JUSTEN FILHO, M. Curso de Direito Administrativo. n. 12a, p. 1861, 2016.

LANE, H.; HOWARD, C.; HAPKE, H. M. Natural Language Processing in Action. 3. ed. [s.l.] Manning Publications Co., 2017.

LUO, C.; LI, Y.; CHUNG, S. M. Text document clustering based on neighbors. Data & Knowledge Engineering, Including Special Section: Conference on Privacy in Statistical Databases (PSD 2008) – Six selected and extended papers on Database Privacy. v. 68, n. 11, p. 1271–1288, 1 nov. 2009.

MCKINSEY GLOBAL INSTITUTE. A Future That Works: Automation, Employment and Productivity. Disponível em: <https://www.mckinsey.com/~/media/mckinsey/featured%20insights/Digital%20Disruption/Harnessing%20automation%20for%20a%20future%20that%20works/MGI-A-future-that-works-Executive-summary.ashx>. Acesso em: 30 out. 2018.

MIHALCEA, R.; TARAU, P. TextRank: Bringing Order into Texts. Proceedings of EMNLP 2004, p. 8, 2004.

MIKOLOV, T. et al. Distributed Representations of Words and Phrases and their Compositionality. In: BURGES, C. J. C. et al. (Ed.). Advances in Neural Information Processing Systems 26. [s.l.] Curran Associates, Inc., 2013. p. 3111–3119.

NETWORKX DEVELOPERS. Degree_centrality - NetworkX 1.9 documentation. Disponível em: <https://networkx.github.io/documentation/networkx-1.9/reference/generated/networkx.algorithms.centrality.degree_centrality.html>. Acesso em: 12 fev. 2019.

NLTK PROJECT. Natural Language Toolkit - NLTK 3.4 documentation. Disponível em: <https://www.nltk.org/>. Acesso em: 20 nov. 2018.

PEDREGOSA, F. et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, v. 12, n. Oct, p. 2825–2830, 2011.

PERKINS, J. Python Text Processing with NLTK 2.0 Cookbook. 32 Lincoln Road Olton Birmingham, B27 6PA, UK.: Packt Publishing Ltd., 2010.

PYTHON.ORG. The Python Tutorial - Documentação do Python 3.7.1. Disponível em: <https://docs.python.org/3/tutorial/index.html>. Acesso em: 18 nov. 2018.

RICHARDSON, Leonard. Beautiful Soup Documentation - Beautiful Soup 4.4.0 documentation. Disponível em: <https://www.crummy.com/software/BeautifulSoup/bs4/doc/>. Acesso em: 24 jan. 2019.

RINO, L. H. M.; PARDO, T. A. S. A Sumarização Automática de Textos: Principais Características e Metodologias. p. 43, 2003.

SCHNABEL, T. et al. Evaluation methods for unsupervised word embeddings. In: Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, Lisbon, Portugal. Anais... In: PROCEEDINGS OF THE 2015 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING. Lisbon, Portugal: Association for Computational Linguistics, 2015. Disponível em: <http://aclweb.org/anthology/D15-1036>. Acesso em: 20 maio 2019.

STF. Vocabulário Jurídico (Tesauro). Disponível em: <http://www.stf.jus.br/portal/jurisprudencia/listarTesauro.asp>. Acesso em: 24 jan. 2019.

TJTO. 7 anos: Sistema de Processo Judicial Eletrônico e-Proc/TJTO é referência para Judiciário brasileiro. Disponível em: <http://www.tjto.jus.br/index.php/magistrado/plantao-forense/8-noticias/5553-7-anos-sistema-de-processo-judicial-eletronico-e-proc-tjto-e-referencia-para-judiciario-brasileiro-2>. Acesso em: 29 out. 2018.

VEITH, C. et al. How Legal Technology Will Change the Business of Law. n. Report, 2016.

O autor concede a autorização de publicação do artigo doutrinário na Revista ESMAT e em sua versão eletrônica, caso seja aprovado pela Comissão Editorial.

Os artigos publicados e as referências citadas na Revista ESMAT são de inteira responsabilidade de seus autores.

O autor se compromete ainda a identificar e creditar todos os dados, imagens e referências. Deve também declarar que os materiais apresentados estão livres de direito de autor, não cabendo, portanto, à Revista ESMAT e a seus editores, quaisquer responsabilidades jurídicas.