[發(fā)明專(zhuān)利]一種基于相關(guān)圖信息進(jìn)行因果推斷的案由認(rèn)定方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210178807.9
• 申請(qǐng)日: 2022-02-25
• 公開(kāi)（公告）號(hào): CN114429140A
• 公開(kāi)（公告）日: 2022-05-03
• 發(fā)明（設(shè)計(jì)）人: 李玉軍;郭潤(rùn)東;賁晛燁;胡偉鳳;趙思文;劉保臣
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東大學(xué)
• 主分類(lèi)號(hào): G06F40/30
• 分類(lèi)號(hào): G06F40/30;G06F40/279;G06F40/284;G06F16/35;G06N3/04;G06Q50/18
• 代理公司: 濟(jì)南金迪知識(shí)產(chǎn)權(quán)代理有限公司 37219
• 代理人: 楊樹(shù)云

本發(fā)明提供了一種基于相關(guān)圖信息進(jìn)行因果推斷的案由認(rèn)定方法及系統(tǒng)，所述方法包括，獲取案件的事實(shí)描述；根據(jù)案件的事實(shí)描述構(gòu)建因果圖；利用GFCI算法對(duì)構(gòu)建的因果圖進(jìn)行因果發(fā)現(xiàn)并采樣得到因果子圖；對(duì)采樣得到的因果子圖去噪后添加至loss中，得到案由認(rèn)定結(jié)果；其中，構(gòu)建因果圖包括利用KeyBERT算法獲取案件的關(guān)鍵字，并對(duì)案件的關(guān)鍵字進(jìn)行聚類(lèi)。本發(fā)明提出了使用因果圖進(jìn)行因果推斷的方法來(lái)進(jìn)行案由認(rèn)定，這樣充分的利用了案件事實(shí)描述中的非結(jié)構(gòu)化信息，更好的分辨出不同案件的相似性和差異性，有效解決了類(lèi)案不同判的情況，提高了案由認(rèn)定的準(zhǔn)確度，同時(shí)模型參數(shù)量更少，訓(xùn)練速度快，便于部署并且可以快速實(shí)現(xiàn)。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于相關(guān)圖信息進(jìn)行因果推斷的案由認(rèn)定方法及系統(tǒng)。

背景技術(shù)

隨著對(duì)文件的研究越來(lái)越成熟，對(duì)于公司文件的研究也逐漸興起。案由是公司對(duì)案件所涉及的法律關(guān)系的性質(zhì)進(jìn)行概括后形成的案件名稱(chēng)，在名稱(chēng)預(yù)測(cè)或者法律條款推薦等一些具有實(shí)際應(yīng)用需求的場(chǎng)景中，往往需要根據(jù)公司文件的描述文本來(lái)確定出案件的案由。

由于公司文件的文書(shū)結(jié)構(gòu)和文件的結(jié)構(gòu)較為相似，因此可以將許多之前在文件上的研究直接遷移到公司文件的研究上來(lái)，但是，當(dāng)前在確定案件的案由時(shí)，通常是由專(zhuān)業(yè)人員人工閱讀公司文件，分析其中的描述來(lái)確定相應(yīng)的案由。這樣的人工方式往往效率低下，且容易受到人員的業(yè)務(wù)水平高低不同的影響，導(dǎo)致結(jié)果的準(zhǔn)確性無(wú)法保證，且目前尚未實(shí)現(xiàn)通過(guò)自動(dòng)分析來(lái)確定案由。

但是通過(guò)人工提起的方式，除了一些結(jié)構(gòu)化數(shù)據(jù)之外，在案件事實(shí)描述中還存在著很多非結(jié)構(gòu)的信息等待被挖掘，存在兩個(gè)關(guān)鍵點(diǎn)：公司員工行為以及公司員工的特征。發(fā)掘出這兩個(gè)在非結(jié)構(gòu)化文本中的信息能夠在案由認(rèn)定的結(jié)果上更具有說(shuō)服力。其次，通過(guò)對(duì)一些傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)發(fā)現(xiàn)從中獲得受益并不多，如，其在面對(duì)類(lèi)似情況以及小樣本問(wèn)題時(shí)往往會(huì)做出違反因果的結(jié)果，究其原因是其主要是基于特征和概率來(lái)進(jìn)行學(xué)習(xí)，由于其學(xué)的特征可能出現(xiàn)誤差從而導(dǎo)致了這一現(xiàn)象。

因此亟需一種基于相關(guān)圖信息進(jìn)行因果推斷的案由認(rèn)定方法及系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明為了解決上述問(wèn)題，提出了一種基于相關(guān)圖信息進(jìn)行因果推斷的案由認(rèn)定方法及系統(tǒng)，本發(fā)明能夠極大的提高案由認(rèn)定的效果。

術(shù)語(yǔ)解釋:

KeyBERT:是由Prafull等人在2019年提出的，它是利用了BERT嵌入和簡(jiǎn)單的余弦相似性來(lái)自動(dòng)標(biāo)記短句語(yǔ)料庫(kù)和關(guān)鍵字和關(guān)鍵短語(yǔ)以建立事實(shí)基礎(chǔ)，這個(gè)過(guò)程節(jié)省了人工標(biāo)注關(guān)鍵的時(shí)間，并且不需要任何先驗(yàn)知識(shí)。

GFCI：GFCI算法是Ogarrio等人在2016年提出的，它是基于限制的因果發(fā)現(xiàn)算法FCI (FastCausalInference)和基于分?jǐn)?shù)的算法FGES的結(jié)合，是在FCI框架的基礎(chǔ)上，利用FGES 進(jìn)行了初始化，以提高精度和效率。

BIC:貝葉斯決策理論是主觀貝葉斯派歸納理論的重要組成部分。是在不完全情報(bào)下，對(duì)部分未知的狀態(tài)用主觀概率估計(jì)，然后用貝葉斯公式對(duì)發(fā)生概率進(jìn)行修正，最后再利用期望值和修正概率做出最優(yōu)決策。

PAG：是一種混合圖，包含了所有有向無(wú)環(huán)圖(DAG)的共同特征，這些圖代表了被測(cè)變量之間相同的條件獨(dú)立關(guān)系。換句話說(shuō)，PAG包含了所有關(guān)于原始數(shù)據(jù)的有效DAG的可能性。

BiLSTM：是雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，屬于基礎(chǔ)模型。

BiLSTM-Att模型：是BiLSTM+attention，是現(xiàn)有的神經(jīng)網(wǎng)絡(luò)架構(gòu)。

根據(jù)一些實(shí)施例，本發(fā)明采用如下技術(shù)方案：

一種基于相關(guān)圖信息進(jìn)行因果推斷的案由認(rèn)定方法，包括：

獲取案件的事實(shí)描述，包括案件主體、案件情節(jié)和案件結(jié)果；