[發明專利]基于案情事實的法條智能推薦方法及系統及裝置及介質

在審

• 申請號: 202011609552.4
• 申請日: 2020-12-30
• 公開（公告）號: CN112614024A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 翁洋;李鑫;王竹;其他發明人請求不公開姓名
• 申請（專利權）人: 成都數之聯科技有限公司
• 主分類號: G06Q50/18
• 分類號: G06Q50/18;G06F16/383;G06F40/194;G06F40/30;G06K9/62
• 代理公司: 成都云縱知識產權代理事務所(普通合伙) 51316
• 代理人: 熊曦;陳婉鵑

1.基于案情事實的法條智能推薦方法，其特征在于，所述方法包括：

構造訓練數據集，訓練數據集中包括若干個訓練數據，每個訓練數據的格式為：案情事實-匹配法條具體司法解釋，案情事實-相似法條1具體司法解釋，....，案情事實-相似法條K具體司法解釋，K為大于1的整數；

利用訓練數據集訓練法條推薦模型A，獲得訓練后的法條推薦模型B；

獲得輸入數據，輸入數據的格式為：預設案情事實-預設案情事實對應的法條具體司法解釋；

將輸入數據輸入法條推薦模型B，法條推薦模型B輸出N條推薦法條，N條推薦法條為所有與預設案情事實對應的法條中按照預設匹配度降序排列的前N的法條，預設匹配度為與預設案情事實對應的法條與預設案情事實的匹配度，N為大于或等于1的整數。

2.根據權利要求1所述的基于案情事實的法條智能推薦方法，其特征在于，本方法中構造訓練數據集具體包括：

從裁判文書中抽取案情事實a和與案情事實a對應的法條b；

從法規庫中抽取法條b對應的司法解釋d；

基于司法解釋d，生成與法條b相似度降序排列的前top K個相似法條；

構造數據e，數據e格式為：案情事實a，匹配法條具體司法解釋，相似法條1具體司法解釋，相似法條2具體司法解釋，…相似法條K具體司法解釋；

將數據e轉化為訓練數據f，訓練數據f格式為：案情事實-匹配法條具體司法解釋，案情事實-相似法條1具體司法解釋，…，案情事實-相似法條K具體司法解釋；其中，案情事實-匹配法條具體司法解釋為匹配數據，案情事實-相似法條1具體司法解釋，…，案情事實-相似法條K具體司法解釋為非匹配數據。

3.根據權利要求2所述的基于案情事實的法條智能推薦方法，其特征在于，法條推薦模型包括：

輸入層、BERT層、FC層和輸出層；其中，輸入層包括第一輸入子層和第二輸入子層，BERT層包括第一BERT模塊和第二BERT模塊，FC層包括：第一FC子層和第二FC子層；

其中，法條推薦模型訓練時，第一輸入子層的輸入數據為訓練數據中的匹配數據，第二輸入子層的輸入數據為訓練數據中的非匹配數據；

第一輸入子層的輸入數據輸入至第一BERT模塊，第一BERT模塊輸出至第一FC子層，第一FC子層輸出至輸出層，第一FC子層輸出匹配法條與案情事實的匹配度；

第二輸入子層的輸入數據輸入至第二BERT模塊，第二BERT模塊輸出至第二FC子層，第二FC子層輸出至輸出層，第二FC子層輸出非匹配法條與案情事實的匹配度。

4.根據權利要求3所述的基于案情事實的法條智能推薦方法，其特征在于，第一BERT模塊和第二BERT模塊共享權重參數，第一FC子層和第二FC子層共享權重參數。

5.根據權利要求3所述的基于案情事實的法條智能推薦方法，其特征在于，輸出層中設有triplet loss函數，triplet loss＝max(0,margin+p_neg-p_pos)，margin作為超參數調優，p_neg為非匹配法條與案情事實的匹配度，p_pos為匹配法條與案情事實的匹配度。

6.基于案情事實的法條智能推薦系統，其特征在于，所述系統還包括：

構造單元，用于構造訓練數據集，訓練數據集中包括若干個訓練數據，每個訓練數據的格式為：案情事實-匹配法條具體司法解釋，案情事實-相似法條1具體司法解釋，....，案情事實-相似法條K具體司法解釋，K為大于1的整數；

訓練單元，用于利用訓練數據集訓練法條推薦模型A，獲得訓練后的法條推薦模型B；

輸入數據獲得單元，用于獲得輸入數據，輸入數據的格式為：預設案情事實-預設案情事實對應的法條具體司法解釋；

法條推薦模型B，用于處理輸入法條推薦模型B的輸入數據輸出N條推薦法條，N條推薦法條為所有與預設案情事實對應的法條中按照預設匹配度降序排列的前N的法條，預設匹配度為與預設案情事實對應的法條與預設案情事實的匹配度，N為大于或等于1的整數。