[發(fā)明專利]一種司法數(shù)據(jù)處理方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201811156961.6
• 申請(qǐng)日: 2018-09-30
• 公開（公告）號(hào): CN110990560B
• 公開（公告）日: 2023-07-07
• 發(fā)明（設(shè)計(jì)）人: 戴威
• 申請(qǐng)（專利權(quán)）人: 北京國(guó)雙科技有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/18;G06F16/35;G06F40/289;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 王寶筠

本發(fā)明公開了一種司法數(shù)據(jù)處理方法及系統(tǒng)，該司法數(shù)據(jù)處理方法包括獲取需要預(yù)測(cè)司法數(shù)據(jù)的待辦理案件的案件信息，然后對(duì)文本信息進(jìn)行分詞處理，得到文書分詞數(shù)據(jù)，再將文書分詞數(shù)據(jù)經(jīng)過預(yù)先訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行處理，獲取對(duì)應(yīng)待辦理案件的罪名和法條預(yù)測(cè)結(jié)果。基于預(yù)先訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)文書分詞數(shù)據(jù)處理，輸出待辦理案件對(duì)應(yīng)的罪名和法條，從而幫助法務(wù)人員進(jìn)行案件罪名和法條的預(yù)測(cè)。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，具體為一種輔助定罪和法條推薦方法及系統(tǒng)。

背景技術(shù)

隨著現(xiàn)代社會(huì)的發(fā)展，法律是文明社會(huì)發(fā)展過程中的產(chǎn)物之一。法律通常是指由社會(huì)認(rèn)可國(guó)家確認(rèn)立法機(jī)關(guān)制定規(guī)范的行為準(zhǔn)則，并由國(guó)家強(qiáng)制力保證規(guī)定當(dāng)事人權(quán)利和義務(wù)為內(nèi)容的，對(duì)全體社會(huì)成員具有普遍約束力的一種特殊行為規(guī)范。當(dāng)社會(huì)成員之間出現(xiàn)糾紛時(shí)，由司法機(jī)關(guān)按照法律進(jìn)行立案裁定。

在立案進(jìn)行裁定的過程中，由法務(wù)人員基于具體事件所對(duì)應(yīng)的法條做出最終的裁定。在現(xiàn)有技術(shù)中，都是通過法官和律師閱讀理解法律文本與案件分析，完成對(duì)被判人員進(jìn)行定罪以及尋找本案涉及的相關(guān)法條以及被告人的刑期長(zhǎng)短等。

但是，當(dāng)一個(gè)案件涉及到的多條法律時(shí)，法務(wù)人員在處理本案件時(shí)，工作量大，效率低下。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供了一種輔助定罪和法條推薦的方法及系統(tǒng)，以融合卷積網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)方式建立模型，通過模型的預(yù)測(cè)，以達(dá)到輔助定罪和法條推薦的目的。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

本發(fā)明第一方面公開了一種司法數(shù)據(jù)處理方法，包括：

獲取需要預(yù)測(cè)司法數(shù)據(jù)的待辦理案件的案件信息，所述司法數(shù)據(jù)包括罪名和法條，所述案件信息包括所述待辦理案件的文本信息；

對(duì)所述文本信息進(jìn)行分詞處理，得到文書分詞數(shù)據(jù)；

將所述文本分詞數(shù)據(jù)經(jīng)過預(yù)先訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行處理，獲取對(duì)應(yīng)所述待辦理案件的罪名和法條預(yù)測(cè)結(jié)果，所述網(wǎng)絡(luò)模型通過將TextCNN卷積網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)模型與神經(jīng)網(wǎng)絡(luò)模型融合得到。

優(yōu)選的，所述網(wǎng)絡(luò)模型通過以下方式融合得到，包括：

獲取已公開的司法文書作為訓(xùn)練文本，對(duì)所述訓(xùn)練文本進(jìn)行詞向量訓(xùn)練，得到詞向量模型，所述訓(xùn)練文本包括案件信息以及已經(jīng)作出判定的罪名和法條；

將所述詞向量模型作為神經(jīng)網(wǎng)絡(luò)模型的輸入層，將所述TextCNN卷積網(wǎng)絡(luò)和所述膠囊網(wǎng)絡(luò)并列作為所述神經(jīng)網(wǎng)絡(luò)模型的第二層，構(gòu)建所述神經(jīng)網(wǎng)絡(luò)模型；

基于所述訓(xùn)練文本對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，將迭代次數(shù)達(dá)到預(yù)設(shè)迭代次數(shù)或者訓(xùn)練輪次達(dá)到指定次數(shù)的神經(jīng)網(wǎng)絡(luò)模型作為網(wǎng)絡(luò)模型。

優(yōu)選的，將所述文本分詞數(shù)據(jù)經(jīng)過預(yù)先訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行處理，獲取對(duì)應(yīng)所述待辦理案件的罪名和法條預(yù)測(cè)結(jié)果，包括：

將所述文本分詞數(shù)據(jù)映射至詞向量模型中進(jìn)行詞向量處理，得到詞向量，所述詞向量模型為所述網(wǎng)絡(luò)模型的輸入層，所述詞向量包括用于表征罪名的罪名特征向量和用于表征法條的法條特征向量；

將所述詞向量分別輸入TextCNN卷積網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)模型進(jìn)行處理，集合所述TextCNN卷積網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)模型的輸出向量，得到集合向量；

基于所述網(wǎng)絡(luò)模型的全連接層將所述集合向量連接至預(yù)先建立的罪名類標(biāo)和法條類標(biāo)，獲取所述集合向量中對(duì)應(yīng)罪名類標(biāo)的罪名回歸結(jié)果和對(duì)應(yīng)法條類標(biāo)的法條回歸結(jié)果，將所述罪名和所述法條回歸結(jié)果作為預(yù)測(cè)的司法數(shù)據(jù)。

優(yōu)選的，所述將所述詞向量分別輸入TextCNN卷積網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)模型進(jìn)行處理，集合所述TextCNN卷積網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)模型的輸出向量，得到集合向量，包括：