[發明專利]案件分類方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202210373762.0
• 申請日: 2022-04-11
• 公開（公告）號: CN114780724A
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 陳曉紅;胡東濱;付震坤;梁偉;曹文治
• 申請（專利權）人: 湖南工商大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/30;G06N3/04;G06N3/08;G06Q50/18
• 代理公司: 深圳眾鼎匯成知識產權代理有限公司 44566
• 代理人: 朱業剛

1.一種案件分類方法，其特征在于，所述案件分類方法包括：

獲取待預測案件數據；

將所述待預測案件數據輸入ERNIE-CNN分類模型，其中，所述ERNIE-CNN分類模型是指基于ERNIE算法對案件進行分類的模型，所述ERNIE-CNN分類模型包括CNN層；

基于所述ERNIE-CNN分類模型，對所述待預測案件數據進行文本向量化，得到詞向量矩陣；

基于所述CNN層，對所述詞向量矩陣進行局部特征提取，得到局部特征矩陣；

基于所述ERNIE-CNN分類模型的全連接層，對所述局部特征矩陣進行全連接和分類處理，得到所述待預測案件數據對應的分類結果。

2.如權利要求1所述的案件分類方法，其特征在于，所述獲取待預測案件數據的步驟包括：

獲取案件文檔和所述案件文檔對應的文本模板；

基于預設的要素抽取方式，對所述文本模板進行要素抽取，得到抽取規則；

基于所述抽取規則，對所述案件文檔進行字段提取，得到關鍵字段；

對所述關鍵字段進行預處理，得到待預測案件數據。

3.如權利要求1所述的案件分類方法，其特征在于，所述基于所述ERNIE-CNN分類模型的全連接層，對所述局部特征矩陣進行全連接和分類處理，得到所述待預測案件數據對應的分類結果的步驟包括：

將所述局部特征矩陣依次輸入所述ERNIE-CNN分類模型的dropout層和全連接層；

基于所述ERNIE-CNN分類模型的dropout層和全連接層，對所述局部特征矩陣進行全連接和分類處理，得到所述待預測案件數據對應的分類結果。

4.如權利要求1至3任一項所述的案件分類方法，其特征在于，在所述將所述待預測案件數據輸入ERNIE-CNN分類模型之前，所述方法還包括：

基于DiceLoss損失函數，訓練ERNIE-CNN分類模型；

按照以下公式計算所述DiceLoss損失函數：

其中，|A|表示樣本預測值中元素的個數,|B|表示樣本真實值中元素的個數，|A∩B|表示樣本預測值和樣本真實值之間的共同元素。

5.一種案件分類裝置，其特征在于，所述案件分類裝置包括：

數據獲取模塊，用于獲取待預測案件數據；

輸入模塊，用于將所述待預測案件數據輸入ERNIE-CNN分類模型，其中，所述ERNIE-CNN分類模型是指基于ERNIE算法對案件進行分類的模型，所述ERNIE-CNN分類模型包括CNN層；

文本向量化模塊，用于基于所述ERNIE-CNN分類模型，對所述待預測案件數據進行文本向量化，得到詞向量矩陣；

特征提取模塊，用于基于所述CNN層，對所述詞向量矩陣進行局部特征提取，得到局部特征矩陣；

分類結果獲取模塊，用于基于所述ERNIE-CNN分類模型的全連接層，對所述局部特征矩陣進行全連接和分類處理，得到所述待預測案件數據對應的分類結果。

6.如權利要求1所述的案件分類裝置，其特征在于，所述數據獲取模塊包括：

案件文檔獲取單元，用于獲取案件文檔和所述案件文檔對應的文本模板；

抽取規則獲取單元，用于基于預設的要素抽取方式，對所述文本模板進行要素抽取，得到抽取規則；

關鍵字段獲取單元，用于基于所述抽取規則，對所述案件文檔進行字段提取，得到關鍵字段；

預處理單元，用于對所述關鍵字段進行預處理，得到待預測案件數據。

7.如權利要求1所述的案件分類裝置，其特征在于，所述分類結果獲取模塊包括：

輸入單元，用于將所述局部特征矩陣依次輸入所述ERNIE-CNN分類模型的dropout層和全連接層；

分類單元，用于基于所述ERNIE-CNN分類模型的dropout層和全連接層，對所述局部特征矩陣進行全連接和分類處理，得到所述待預測案件數據對應的分類結果。