[發(fā)明專利]基于案情事實的法條智能推薦方法及系統(tǒng)及裝置及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011609552.4
• 申請日: 2020-12-30
• 公開（公告）號: CN112614024A
• 公開（公告）日: 2021-04-06
• 發(fā)明（設計）人: 翁洋;李鑫;王竹;其他發(fā)明人請求不公開姓名
• 申請（專利權）人: 成都數(shù)之聯(lián)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(chǎn)權代理事務所(普通合伙) 51316
• 代理人: 熊曦;陳婉鵑

本發(fā)明公開了基于案情事實的法條智能推薦方法及系統(tǒng)及裝置及介質(zhì)，包括：構(gòu)造訓練數(shù)據(jù)集；利用訓練數(shù)據(jù)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(shù)據(jù)，輸入數(shù)據(jù)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(shù)據(jù)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。本發(fā)明能夠使基于案情事實的法條推薦的結(jié)果更加精準，更加高效地輔助法官判案。

技術領域

本發(fā)明涉及自然語言處理領域，具體地，涉及基于案情事實的法條智能推薦方法及系統(tǒng)及裝置及介質(zhì)。

背景技術

目前司法領域基于案情事實的法條推薦技術主要存在著兩個問題：第一是案情事實和法條的交互不充分，目前已有的系統(tǒng)是單獨編碼案情事實和法條，在編碼的基礎上在利用注意力機制做交互；第二是系統(tǒng)面臨著過擬合的問題，已有的方法在訓練模型時使用softmax，導致案情事實和法條之間的相似度很容易掉入過擬合陷阱，從法律判案的角度講，案情事實與法條的確是需要精確一對一的映射，但是從自然語言的角度講，案情事實和法條的匹配度并不是說要么完全匹配要么完全不匹配，而是具有一定的匹配度，導致目前的案情事實的法條推薦不準確。

發(fā)明內(nèi)容

本發(fā)明目的是使基于案情事實的法條推薦的結(jié)果更加精準，更加高效地輔助法官判案。

為實現(xiàn)上述目的，本發(fā)明提供了基于案情事實的法條智能推薦方法，所述方法包括：

構(gòu)造訓練數(shù)據(jù)集，訓練數(shù)據(jù)集中包括若干個訓練數(shù)據(jù)，每個訓練數(shù)據(jù)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(shù)；

利用訓練數(shù)據(jù)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(shù)據(jù)，輸入數(shù)據(jù)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(shù)據(jù)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(shù)。

其中，本發(fā)明的原理為：首先從法官判案的司法角度出發(fā)，案情事實與法條的確有著匹配的關系；其次我們的發(fā)明使用的基于BERT的Siamese網(wǎng)絡模型、定義的損失函數(shù)以及構(gòu)造的訓練數(shù)據(jù)集，可以讓模型學習到案情事實和法條之間的相互語義關系(匹配度)，充分使用了BERT的self-attention機制來使得案情事實和法條之間做語義上的充分交互，triplet loss可以有效地降低訓練時的過擬合，從而使得最終模型的推薦更加的精確。

優(yōu)選的，本方法中構(gòu)造訓練數(shù)據(jù)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(guī)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(gòu)造數(shù)據(jù)e，數(shù)據(jù)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(shù)據(jù)e轉(zhuǎn)化為訓練數(shù)據(jù)f，訓練數(shù)據(jù)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(shù)據(jù)，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(shù)據(jù)。

優(yōu)選的，本方法中法條推薦模型包括：