[發明專利]一種基于法條共現的法條推薦方法

在審

• 申請號: 202011036948.4
• 申請日: 2020-09-27
• 公開（公告）號: CN112148868A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 李傳藝;葛季棟;黃云云;馮奕;周筱羽;駱斌
• 申請（專利權）人: 南京大學
• 主分類號: G06F16/335
• 分類號: G06F16/335;G06F16/35;G06F40/216;G06F40/289;G06K9/62;G06N3/08;G06Q50/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于法條共現的法條推薦方法，其特征在于包含以下步驟：

步驟(1)從中國裁判文書網上收集裁判文書，構建訓練語料；

步驟(2)裁判文書預處理；

步驟(3)用戶輸入預處理；

步驟(4)預測案由；

步驟(5)生成候選推薦法條集；

步驟(6)生成最終推薦法條集；

步驟(7)輸出推薦法條列表。

2.根據權利要求1所述的一種基于法條共現的法條推薦方法，其特征在于步驟(1)中從中國裁判文書網上收集裁判文書，構建訓練語料。

3.根據權利要求1所述的一種基于法條共現的法條推薦方法，其特征在于步驟(2)中對裁判文書進行預處理，具體子步驟包括：

步驟(2.1)通過正則表達式匹配提取裁判文書中的關鍵信息，同時將語料中的原始裁判文書轉化為XML形式進行存儲；

步驟(2.2)從各裁判文書的XML文件中獲取案件基本情況、案由及各案件引用的法律法條，構建案由分類任務及法條分類任務的輸出空間；

步驟(2.3)將案件基本情況段落進行中文分詞，轉化成由詞匯組成的列表，同時得到所有詞匯的集合；

步驟(2.4)去除案件基本情況中對最終預測作用不大的停用詞；

步驟(2.5)統計每個詞匯的詞頻和逆文檔頻率，利用TF-IDF將案件基本情況表示為向量形式；

步驟(2.6)利用奇異值分解對數據進行降維。

4.根據權利要求1所述的一種基于法條共現的法條推薦方法，其特征在于步驟(3)中對用戶輸入的案件基本情況進行預處理，具體子步驟與上一步基本一致，包括：

步驟(3.1)中文分詞；

步驟(3.2)去除停用詞；

步驟(3.3)利用TF-IDF將各詞匯轉化為向量表示；

步驟(3.4)利用奇異值分解對數據進行降維。

5.根據權利要求1所述的一種基于法條共現的法條推薦方法，其特征在于步驟(4)中根據案件基本情況預測案由。具體子步驟包括：

步驟(4.1)訓練基于人工神經網絡的案由分類模型。輸入為已處理好的案件基本情況向量，輸出為對應的案由，訓練目標是最小化預測值和準確值之間的交叉熵損失。基于訓練語料不斷對人工神經網絡的參數進行優化，從而獲得最優的案由分類模型；

步驟(4.2)使用上述訓練好的模型對用戶輸入的案件進行案由預測。

6.根據權利要求1所述的一種基于法條共現的法條推薦方法，其特征在于步驟(5)中根據上一步驟中得到的案由，生成候選推薦法條集。具體子步驟包括：

步驟(5.1)根據不同類別的案由各訓練一個基于人工神經網絡的法條分類模型。輸入是預處理好的案件基本情況的TF-IDF向量，輸出為與該案由相匹配的所有法條的概率分布，如果有n則法條與該案由相關，該案由的法條分類器輸出維度就是n；訓練目標是最小化預測值和準確值之間的交叉熵損失。基于訓練語料不斷對人工神經網絡的參數進行優化，從而獲得每個案由對應的最優法條分類模型；

步驟(5.2)根據上一步驟得到的案由，將案件基本情況的TF-IDF向量輸入到對應的訓練好的法條分類模型中，選擇概率較高的k1則法條構成候選推薦法條集。

7.根據權利要求1所述的一種基于法條共現的法條推薦方法，其特征在于步驟(6)中基于法條間的共現關系分析對上一步獲得的k1條法條進行重排序，選擇前k2條構成最終推薦法條集。

8.根據權利要求1所述的一種基于法條共現的法條推薦方法，其特征在于步驟(7)輸出推薦法條集。法條推薦的效果采用準確率、召回率、F1值進行評估。