[發明專利]一種多算法定量服務融合方法、裝置、存儲介質及服務器

在審

• 申請號: 202110711551.9
• 申請日: 2021-06-25
• 公開（公告）號: CN113505917A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 黃學軍
• 申請（專利權）人: 四川大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/18;G06Q50/26;G06K9/62;G06N20/20
• 代理公司: 成都行之智信知識產權代理有限公司 51256
• 代理人: 王偉

本發明公開了一種多算法定量服務融合方法、裝置、存儲介質及服務器，所述方法包括如下步驟：S1：獲取覆蓋全行為名稱的基礎訓練數據集D1，所述基礎訓練數據集D1包括：法律行為事實描述、行為名稱、管理名稱和管理期；S2：根據基礎訓練數據集D1輸入法律行為事實描述，根據法律行為事實描述向定量服務器提交定量請求，獲取多種算法的管理期數據集D2；S3：對管理期數據集D2進行數值化處理和特征化處理獲得數據集D3；S4：將數據集D3作為訓練集，進行基于Pipeline的回歸模型訓練，得到模型M，保存模型M為模型文件；S5：基于管理期數據集D2獲取法律行為屬性，根據法律行為屬性并基于模型M輸出管理期預測值C。本發明獲得了較好的定量融合結果，增加了管理期預測結果的準確性，提升了定量的準確率。

技術領域

本發明涉及法律行為定量技術領域，具體涉及一種多算法定量服務融合方法、裝置、存儲介質及服務器。

背景技術

計算機輔助定量技術是指計算機系統根據用戶輸入的法律行為事實自動計算并生成宣告定量的過程。計算機定量有多種實現方法，基本上可以歸為三大類，即基于規則/專家系統的定量、基于機器學習/深度學習的定量、基于概率圖/統計的定量。

每種定量方法各有長處和不足。如基于規則的方法與法律規范天然兼容，都遵循基本的規則和邏輯，定量過程透明，結果有說服力，但規則設置過于復雜且無法適應變化。基于機器學習的方法能夠自主從數據中學習并適應變化，但無法說明結果的可靠性和合理性，難以滿足司法應用中的可解釋性要求。

由于管理期預測任務的復雜性和不同方法的局限，單一模型很難達到較好效果。為提高準確性，用戶在需要對某個法律行為事實定量時，可以使用兩種或多種定量方法，充分利用不同模型的有效信息，并對它們定量的結果進行融合，進一步提高預測效果。

定量服務通常以法律行為事實作為輸入，有的定量服務要求行為名稱同時作為輸入，另外在我國的司法實踐中存在定量區域平衡的問題，因此有的定量服務允許把地域也作為輸入。

但目前對分布式、多算法定量服務對用戶而言都是“黑盒”，融合各定量服務器存在以下障礙：

1、對于基于機器學習的定量服務器，用戶無法獲取它們采用的數據集、抽取的特征、訓練的模型、實現的算法等信息，更不可能對各定量服務器重新訓練或調參，因此無法使用模型層面的融合方法如Bagging/Blending/Stacking等；對于基于規則的定量服務器，由于采用的技術路線和機器學習存在根本差異，更是無法從模型的層面對兩者的定量進行融合。

2、輸入樣本為自然語言形式的法律行為事實，各定量服務器中對文本的處理各有一套完全不同的量化方法和處理邏輯，用戶很難通過調節輸入文本來觀察對結果的影響。

因此，通常只能使用較概略的投票法、簡單平均或加權平均法等進行融合，這樣只對管理期相差不大的情況才能得到較好結果。

發明內容

本發明所要解決的技術問題是現有的多算法定量融合流程通常只能使用較概略的投票法、簡單平均或加權平均法等進行融合，無法獲得較好的定量融合結果，目的在于提供一種多算法定量服務融合方法、裝置、存儲介質及服務器，解決上述背景技術中遇到的問題。

本發明通過下述技術方案實現：

一種多算法定量服務融合方法，包括如下步驟：

S1：獲取覆蓋全行為名稱的基礎訓練數據集D1，所述基礎訓練數據集D1包括：法律行為事實描述、行為名稱、管理名稱和管理期；

S2：根據基礎訓練數據集D1輸入法律行為事實描述，根據法律行為事實描述向定量服務器提交定量請求，獲取多種算法的管理期數據集D2；

S3：對管理期數據集D2進行數值化處理和特征化處理獲得數據集D3；