CN107818175B - 一种基于裁判文书的法律类案问题分析方法及装置 - Google Patents
一种基于裁判文书的法律类案问题分析方法及装置 Download PDFInfo
- Publication number
- CN107818175B CN107818175B CN201711142734.3A CN201711142734A CN107818175B CN 107818175 B CN107818175 B CN 107818175B CN 201711142734 A CN201711142734 A CN 201711142734A CN 107818175 B CN107818175 B CN 107818175B
- Authority
- CN
- China
- Prior art keywords
- database
- feature
- data
- characteristic
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 25
- 238000012217 deletion Methods 0.000 claims description 17
- 230000037430 deletion Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 238000007792 addition Methods 0.000 claims description 8
- 238000000491 multivariate analysis Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000003058 natural language processing Methods 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于裁判文书的法律类案问题分析方法，包括如下步骤：步骤A1，设置裁判文书数据库和特征数据库；步骤A6，对第一、第二特征数据库进行特征处理，并将处理后的数据存入原特征库，获得用于后续建模的精确数据；步骤A7，导入第一特征数据库数据作为训练集，构建模型；步骤A8，导入第二特征库数据作为测试集，对上述所得模型准确率进行测试，确定最终的模型；步骤A9：接收用户法律问题，导入模型进行预判；步骤A10：向用户发送预判结果。此种方法可基于人工智能技术解构海量文书，为广大的法律需求者提供更加直接、便捷、低价的法律服务，为广大互联网用户提供法律类案问题智能预判。本发明还公开一种基于裁判文书的法律类案问题分析装置。
Description
技术领域
本发明涉及属于计算机、互联网、机器学习领域，特别涉及一种利用机器学习大数据进行基于裁判文书的法律类案问题分析方法及装置。
背景技术
随着人工智能领域的理论和技术日趋成熟，其在语音、图像识别方面已经取得了令人惊叹的成果，而法律领域对于人工智能技术仍然是一块鲜少涉足的世外之地。
互联网飞速发展的背景之下，老百姓在遇到纠纷问题时由于缺乏相应法律法规、法律常识、相似案例，无法第一时间做出最合适的应对，如若按照传统方式求助于律师，则昂贵的法律咨询费让人望而却步。
法律领域历年积累下来的海量文书是一座亟待开发的斑斓宝库，其中蕴含的巨大价值吸引着我们进行探索，法律是一个分类的科学，在同类型的法律案件中，潜藏着大量的同质性条件，如何通过人工智能技术对类型案例加以利用，还是一个行业内没有突破的难题。
发明内容
本发明的目的，在于提供一种基于裁判文书的法律类案问题分析方法及装置，其可基于人工智能技术解构海量文书，为广大的法律需求者提供更加直接、便捷、低价的法律服务，为广大互联网用户提供法律类案问题智能预判。
为了达成上述目的，本发明的解决方案是：
一种基于裁判文书的法律类案问题分析方法，包括：
一裁判文书数据库，该裁判文书数据库包括用于存储裁判文书案例信息及索引的裁判文书库；
一特征数据库，该特征数据库中设一第一特征数据库、一第二特征数据库，用于按比例存储经过特征提取、特征处理后的文书数据；
一特征提取、处理单元，用于对裁判文书数据库的裁判文书进行特征提取，并按比例存入第一特征数据库、第二特征数据库：
一模型创建单元，包括：一模型构建单元，其与第一特征数据库连接，导入第一特征数据库中的数据，并结合相应数据类型的算法进行建模，生成预判模型；以及一模型测试单元，其与上述第二特征数据库连接，导入第二特征数据库中的数据，对上述模型构建单元所得模型进行准确率测试，以确定最终的模型；以及，
一预判结果发送单元，包括：一用户端口，用于接收用户法律问题；一类案预判模块，基于上述模型创建单元最终确定的模型，对用户法律问题做出相应判决预测；以及一预判结果发送端口，向用户发送预判结果。
上述裁判文书数据库还包括一与裁判文书库连接、用于执行裁判文书库中数据更新的文书库更新接口。
上述第一特征数据库用于存储经过特征提取后80％的文书数据，第二特征数据库用于存储经过特征提取后20％的文书数据。
上述特征数据库还包括一分别与第一、第二特征数据库连接的特征库更新接口，该特征库更新接口用于实时执行第一、第二特征数据库中数据的更新。
上述特征提取、处理单元包括：
一文书特征提取模块，分别与第一特征数据库、第二特征数据库连接，用于对裁判文书数据库的裁判文书进行特征提取，并按比例存入上述第一、第二特征数据库；
一文书特征处理模块，分别与第一特征数据库、第二特征数据库连接，用于对上述文书特征提取模块处理后储存于特征数据库的数据进行特征处理，并将处理完成的数据再存回第一、第二特征数据库。
一种基于裁判文书的法律类案问题分析方法，包括如下步骤：
步骤A1，设置裁判文书数据库和特征数据库；
步骤A2，在所述裁判文书数据库中预先录入裁判文书信息及以案号为索引并保存；
步骤A3，在所述特征数据库中设一第一特征数据库，一第二特征数据库；
步骤A4，基于法律团队提炼的类案关键词，对类案文书数据库中裁判文书逐篇采用自然语言处理技术进行特征提取；
步骤A5，根据裁判文书总数量，按比例将经过特征提取的文书存入第一、第二特征数据库作为训练集和测试集；
步骤A6，对第一、第二特征数据库进行特征处理，并将处理后的数据存入原特征库，获得用于后续建模的精确数据；
步骤A7，导入第一特征数据库作为训练集，根据目标特征的数据类型选择合适的算法拟合数据构建模型；
步骤A8，导入第二特征库数据作为测试集，对上述所得模型准确率进行测试，根据准确率的高低决定是丢弃模型还是保留模型，或者作为整合模型的基础，从而确定最终的模型；
步骤A9：接收用户法律问题，包括案件类型和案例信息，将案例信息拆解成相应类案的特征信息，并导入上述保存的最终模型中进行预判；
步骤A10：向用户发送预判结果。
上述步骤A6中，特征处理的具体过程包括：
步骤A61，确定特征数据数据类型、各特征数据缺失比例及各特征是否有相关关系，根据三者的不同选择是采取直接删除、依据完整部分特征值进行填补还是多元分析技术；
步骤A62，对数值型数据进行范围分析，对超出数值范围的异常点进行检测，决定保留还是丢弃；
步骤A63，获得最终特征数据。
上述步骤A61包括：确定特征是数值型数据还是分类型数据，基于不同的数据类型采取不同的处理办法；计算各特征数据的数据缺失比例，缺失比例超过50％直接删除该特征，低于该比例的基于缺失模式的不同选择是依据完整的数据进行填补还是选择多元分析方法处理；计算数值型数据两两之间的相关性，对于缺失比例较高又存在相关特征的直接删除。
上述步骤A7中，判断目标特征的数据类型是数值型数据还是分类型数据，对于数值型数据选取回归算法进行建模，对于分类型数据选取分类算法进行建模。
采用上述方案后，本发明在庞大文书库和特征库文档的基础上，通过自然语言处理技术、机器学习技术结合专家经验构建类案智能预判***，将每个用户提供的案件信息拆解成对应的文书特征信息，通过将其文书特征信息导入类案智能预判***，最终获得准确的案件判决，一方面克服了现有人工咨询费用高的缺陷，另一方面使得海量文书数据得到有效利用。
附图说明
图1是本发明方法的流程图；
图2是本发明***的架构图。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
如图2所示，本发明提供一种基于裁判文书的法律类案问题分析***，包括：
一裁判文书数据库110，该裁判文书数据库110中设裁判文书库111，用于存储裁判文书案例信息及索引；以及一与该裁判文书库111连接的文书库更新接口112，以实时执行裁判文书库111中数据的更新，包括所述裁判文书库中文书信息的添加、删除和修改；
一特征数据库120，该特征数据库中设一第一特征数据库121，用于存储经过特征提取后80％的文书数据；一第二特征数据库122，用于存储经过特征提取后20％的文书数据，以及一与所述两个特征数据库连接的特征库更新接口123，以实时执行特征数据库121、122中数据的更新，包括所述特征数据库中特征信息的添加、删除和修改；
一特征提取、处理单元130，包括：
一文书特征提取模块131，分别与第一特征数据库121、第二特征数据库122连接，用于对裁判文书数据库的裁判文书进行特征提取，基于专家团队提供的专业信息确定相应类案的关键词，结合自然语言处理技术对裁判文书逐一进行特征提取，并按比例存入上述第一、第二特征数据库；
一文书特征处理模块132，分别与第一特征数据库121、第二特征数据库122连接，用于对上述文书特征提取模块131处理后储存于特征数据库的数据进行特征处理，包含统计学方法中的缺失值处理或异常值处理等方法，分别用于填补缺失的数据，保证数据的完整性以及去除数据中的异常点，保证数据的准确性，数据的准确性会显著影响后续建立模型的准确率，因此特征处理是重要的；并将处理完成的数据再存回第一、第二特征数据库；
一模型创建单元140，包括：
一模型构建单元141，与上述第一特征数据库121连接，导入第一特征数据库中的数据进行建模，首先确认数据类型为分类型数据还是数值型数据，基于数据类型的不同选择分类还是回归算法，通过算法拟合上述数据进行建模，生成预判模型；
一模型测试单元142，与上述第二特征数据库122连接，导入第二特征数据库中的数据对上述模型构建单元141所得模型进行准确率测试，观察模型在测试集上的表现以决定是否保留模型。
一预判结果发送单元150，包括：
一用户端口151，用于接收用户法律问题；用户可以通过互联网向预判***输入法律问题，包括法律问题类别及相关特征信息；
一类案预判模块152，基于上述模型创建单元140最终确定的类案预判模型，对用户法律问题做出相应判决预测。
一预判结果发送端口153，向用户发送预判结果。
配合图1所示，本发明还提供一种基于裁判文书的法律类案问题分析方法，包括如下步骤：
步骤A1，设置裁判文书数据库和特征数据库；
步骤A2，在所述裁判文书数据库中预先录入裁判文书信息及以案号为索引并保存；
所述裁判文书根据实际需求人工录入，而且该文书库可以通过与其连接的文书库更新接口得到随时更新，包括文书的添加、删除和修改；
步骤A3，在所述特征数据库中设一第一特征数据库，一第二特征数据库；
步骤A4，基于法律团队提炼的类案关键词，对类案文书数据库中裁判文书逐篇采用自然语言处理技术进行特征提取；
步骤A5，根据裁判文书总数量，将经过特征提取的文书80％存入第一特征数据库作为训练集、剩余20％文书存入第二特征数据库作为测试集，而且第一、第二特征数据库可以通过与其对应的更新接口得到随时更新，包括相应的特征的添加、删除和修改；
可以看出，上述步骤A1～A5是一个数据的原始积累过程，一旦类案裁判文书或相应特征录入数据库，在其需要被更新以前，不再需要任何人为干预，相当于一次性录入；
步骤A6：接下来，对第一、第二特征数据库进行特征处理，并将处理后的数据存入原特征库，获得用于后续建模的精确数据；
所述特征处理的具体过程包括：
步骤A61，缺失值处理；
确定特征数据数据类型，各特征数据缺失比例，各特征是否有相关关系等，根据三者的不同选择是采取直接删除、依据完整部分特征值进行填补还是多元分析技术等处理办法；
具体的，缺失值处理可以包括以下步骤：
确定特征是数值型数据还是分类型数据，基于不同的数据类型采取不同的处理办法；
计算各特征数据的数据缺失比例，缺失比例超过50％直接删除该特征，低于该比例的基于缺失模式的不同选择是依据完整的数据进行填补还是选择多元分析方法处理；
计算数值型数据两两之间的相关性，对于缺失比例较高又存在相关特征的可以选择直接删除；
步骤A62，异常值处理；
对数值型数据进行范围分析，对超出数值范围的异常点进行检测，决定保留还是丢弃
步骤A63，获得最终特征数据；
步骤A7，模型构建：导入第一特征数据库作为训练集，确定目标特征的数据类型是数值型数据还是分类型数据，选择合适的算法拟合数据构建模型，具体来说，对于数值型数据选取回归算法进行建模，对于分类型数据选取分类算法进行建模；
步骤A8，模型测试：导入第二特征库数据作为测试集，对上述所得模型准确率进行测试，根据准确率的高低决定是丢弃模型还是保留模型，或者作为整合模型的基础，从而确定最终的模型；
步骤A9：接收用户法律问题，包括案件类型和案例信息，将案例信息拆解成相应类案的特征信息，并导入上述保存的最终模型中进行预判；
步骤A10：向用户发送预判结果。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (4)
1.一种法律类案问题智能预判方法，其特征在于，包括以下步骤:
步骤A1，设置裁判文书数据库和特征数据库，该裁判文书数据库包括用于存储裁判文书案例信息及索引的裁判文书库，该特征数据库中设一第一特征数据库、一第二特征数据库，用于按比例存储经过特征提取、特征处理后的文书数据，所述特征数据库还包括一分别与第一、第二特征数据库连接的第二更新接口，该第二更新接口用于实时执行第一、第二特征数据库中数据的更新实现包括所述特征数据库中特征信息的添加、删除和修改；
步骤A2，在所述裁判文书数据库中预先录入裁判文书信息及以案号为索引并保存，所述裁判文书数据库还包括一与裁判文书数据库连接、用于执行裁判文书数据库中数据更新的文书库更新接口，实现包括文书的添加、删除和修改:
步骤A3，在所述特征数据库中设一第一特征数据库，一第二特征数据库:
步骤A4，基于法律团队提炼的类案关键词，对裁判文书数据库中裁判文书逐篇采用自然语言处理技术进行特征提取:
步骤A5，根据裁判文书总数量，按比例将经过特征提取的文书存入第一、第二特征数据库作为训练集和测试集；
步骤A6，对第一、第二特征数据库进行特征处理，并将处理后的数据存入原特征库，获得用于后续建模的精确数据；
所述步骤A6中，特征处理的具体过程包括:
步骤A61，确定特征数据数据类型、各特征数据缺失比例及各特征是否有相关关系，根据三者的不同选择是采取直接删除、依据完整部分特征值进行填补还是多元分析技术，所述步骤A61包括:确定特征是数值型数据还是分类型数据，基于不同的数据类型采取不同的处理办法：计算各特征数据的数据缺失比例，缺失比例超过50％直接删除该特征，低于该比例的基于缺失模式的不同选择是依据完整的数据进行填补还是选择多元分析方法处理；计算数值型数据两两之间的相关性，对于缺失比例较高又存在相关特征的直接删除；
步骤A62，对数值型数据进行范围分析，对超出数值范围的异常点进行检测，决定保留还是丢弃:
步骤A63，获得最终特征数据；
步骤A7，导入第一特征数据库作为训练集，根据目标特征的数据类型选择合适的算法拟合数据构建模型，所述步骤A7中，判断目标特征的数据类型是数值型数据还是分类型数据，对于数值型数据选取回归算法进行建模，对于分类型数据选取分类算法进行建模，生成预判模型:
步骤A8，导入第二特征库数据作为所述预判模型的测试集，对所述预判模型准确率进行测试，根据准确率的高低决定是丢弃模型还是保留模型，或者作为整合模型的基础，从而确定最终的模型:
步骤A9，接收用户法律问题，包括案件类型和案例信息，将案例信息拆解成相应类案的特征信息，并导入上述最终的模型中进行预判:
步骤A10，向用户发送预判结果。
2.如权利要求1所述的方法，其特征在于:所述第一特征数据库用于存储经过特征提取后80％的文书数据，第二特征数据库用于存储经过特征提取后20％的文书数据。
3.一种法律类案问题智能预判***，其特征在于，包括:数据库模块，被配置为设置裁判文书数据库和特征教据库，该裁判文书数据库包括用于存储裁判文书案例信息及索引的裁判文书库，该特征数据库中设一第一特征数据库、一第二特征数据库，用于按比例存储经过特征提取、特征处理后的文书教据，所述特征数据库还向括一分别与第一、第二特征数据库连接的第二更新接口，该第二更新接口用于实时执行第一、第二特征数据库中数据的更新，实现包括所述特征数据库中特征信息的添加、删除和修改；
裁判文书数据库设置模块，被配置为在所述裁判文书数据库中 预先录入裁判文书信息及以案号为索引并保存，所述裁判文书数据库还包括一与裁判文书数据库连接、用于执行裁判文书数据库中数据更新的文书库更新接口，实现包括文书的添加、删除和修改；
特征教据库设置模块，被配置为在所述特征数据库中设一第一特征数据库，一第二特征数据库；
特征提取模块被配置为基于法律团队提炼的类案关键词，对裁判文书数据库中裁判文书逐篇采用自然语言处理技术进行特征提取；
特征分配模块，被配置为根据裁判文书总数量，按比例将经过特征提取的文书存入第一、第二特征数据库作为训练集和测试集；
特征处理模块，被配置为对第一、第二特征数据库进行特征处理，并将处理后的数据存入原特征库，获得用干后续建模的精确数据；
所述特征处理模块中，特征处理的具体过程包括:
特征类型判断模块，被配置为确定特征数据数据类型、各特征数据缺失比例及各特征是否有相关关系，根据三者的不同选择是采取直接删除、依据完整部分特征值进行填补还是多元分析技术，所述特征类型判断模块包括:确定特征是数值型数据还是分类型数据，基于不同的数据类型采取不同的处理办法：计算各特征数据的数据缺失比例，缺失比例超过50％直接删除该特征，低于该比例的基于缺失模式的不同选择是依据完整的数据进行填补还是选择多元分析方法处理；计算数值型数据两两之间的相关性，对于缺失比例较高又存在相关特征的直接删除；
特征范围分析模块，被配置为对数值型数据进行范围分析，对超出数值范围的异常点进行检测，决定保留还是丢弃；
最终特征数据获取模块，被配置为获得最终特征数据；
模型构建模块，被配置为导入第一特征数据库作为训练集，根据目标特征的数据类型选择合适的算法拟合数据构建模型，所述模型构建模块中，判断目标特征的数据类型是数值型数据还是分类型数据，对于数值型数据选取回归算法进行建模，对于分类型数据选取分类算法进行建模，生成预判模型；
模型测试模块，被配置为导入第二特征库数据作为所述预判模型的测试集，对所述预判模型准确率进行测试，根据准确邀的高低决定是丢弃模型还是保留模型，或者作为整合模型的基础，从而确定最终的模型；
特征输入模块，被配置为接收用户法律问题，包括案件类型和案例信息，将案例信息拆解成相应类案的特征信息，并导入上述最终的模型中进行预判；
结果发送模块，被配置为向用户发送预判结果。
4.如权利要求3所述的***，其特征在于:所述第一特征数据库用于存储经过特征提取后80％的文书数据，第二特征数据库用于存储经过特征提取后20％的文书数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711142734.3A CN107818175B (zh) | 2017-11-17 | 2017-11-17 | 一种基于裁判文书的法律类案问题分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711142734.3A CN107818175B (zh) | 2017-11-17 | 2017-11-17 | 一种基于裁判文书的法律类案问题分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107818175A CN107818175A (zh) | 2018-03-20 |
| CN107818175B true CN107818175B (zh) | 2021-08-24 |
Family
ID=61610034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711142734.3A Active CN107818175B (zh) | 2017-11-17 | 2017-11-17 | 一种基于裁判文书的法律类案问题分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107818175B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738032B (zh) * | 2018-07-03 | 2024-02-13 | 北京国双科技有限公司 | 一种生成裁判文书本院认为段的方法及装置 |
| CN110858269B (zh) * | 2018-08-09 | 2022-03-08 | 清华大学 | 事实描述文本预测方法及装置 |
| CN110059079A (zh) * | 2019-04-28 | 2019-07-26 | 北京深醒科技有限公司 | 一种基于大数据建模分析的人员违法犯罪预测方法和*** |
| CN110297989B (zh) * | 2019-06-25 | 2021-07-23 | 北京百度网讯科技有限公司 | 异常检测的测试方法、装置、设备和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201804333U (zh) * | 2010-06-18 | 2011-04-20 | 上海百事通信息技术有限公司 | 一种法律问题智能诊断*** |
| CN106599815A (zh) * | 2016-12-06 | 2017-04-26 | 东南大学 | 基于标记分布的解决类别缺失问题的头部姿态估计方法 |
| CN107194428A (zh) * | 2017-05-26 | 2017-09-22 | 重庆师范大学 | 一种基于近邻密度和半监督knn的集成自训练方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014036027A1 (en) * | 2012-08-27 | 2014-03-06 | Datacert, Inc. | Predictive modeling: litigation decision analysis and optimization |
| CN107066468A (zh) * | 2016-11-18 | 2017-08-18 | 北京市高级人民法院 | 一种基于遗传算法与最近邻算法的案件检索方法 |
| CN106933787A (zh) * | 2017-03-20 | 2017-07-07 | 上海智臻智能网络科技股份有限公司 | 判决文书相似度的计算方法、查找装置及计算机设备 |
| CN107291688A (zh) * | 2017-05-22 | 2017-10-24 | 南京大学 | 基于主题模型的裁判文书相似度分析方法 |
-
2017
- 2017-11-17 CN CN201711142734.3A patent/CN107818175B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201804333U (zh) * | 2010-06-18 | 2011-04-20 | 上海百事通信息技术有限公司 | 一种法律问题智能诊断*** |
| CN106599815A (zh) * | 2016-12-06 | 2017-04-26 | 东南大学 | 基于标记分布的解决类别缺失问题的头部姿态估计方法 |
| CN107194428A (zh) * | 2017-05-26 | 2017-09-22 | 重庆师范大学 | 一种基于近邻密度和半监督knn的集成自训练方法 |
Non-Patent Citations (2)
| Title |
|---|
| "An application of a multiple neural network learning system to emulation of mortgage underwriting judgements";Collins 等;《IEEE 1988 International Conference on Neural Networks》;20020806;第II-459至第II-466页 * |
| "基于大数据背景的经济法律案件智能预判***结构分析";刘萍;《经济与法》;20170929;第200页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107818175A (zh) | 2018-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818175B (zh) | 一种基于裁判文书的法律类案问题分析方法及装置 | |
| CN106503055B (zh) | 一种从结构化文本到图像描述的生成方法 | |
| CN105975573B (zh) | 一种基于knn的文本分类方法 | |
| CN105760439B (zh) | 一种基于特定行为共现网络的人物共现关系图谱构建方法 | |
| CN103577558B (zh) | 一种优化问答对的搜索排名的装置和方法 | |
| CN109165284A (zh) | 一种基于大数据的金融领域人机对话意图识别方法 | |
| CN110442516B (zh) | 信息处理方法、设备及计算机可读存储介质 | |
| CN107506389B (zh) | 一种提取职位技能需求的方法和装置 | |
| CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
| CN106126719B (zh) | 信息处理方法及装置 | |
| CN108304328B (zh) | 一种众包测试报告的文本描述生成方法、***及装置 | |
| CN106527757A (zh) | 一种输入纠错方法及装置 | |
| CN114220458B (zh) | 基于阵列水听器的声音识别方法和装置 | |
| CN110443105A (zh) | 自体免疫抗体的免疫荧光影像型态识别方法 | |
| CN105912712A (zh) | 基于大数据的机器人对话控制方法和*** | |
| CN112613321A (zh) | 一种抽取文本中实体属性信息的方法及*** | |
| CN115687563A (zh) | 一种可解释的智能判决方法、装置、电子设备及存储介质 | |
| CN110968664A (zh) | 一种文书检索方法、装置、设备及介质 | |
| CN117076688A (zh) | 基于领域知识图谱的知识问答方法及其装置、电子设备 | |
| CN113239159A (zh) | 基于关系推理网络的视频和文本的跨模态检索方法 | |
| CN103577557A (zh) | 一种确定网络资源点的抓取频率的装置和方法 | |
| Zeng et al. | JRL‐YOLO: A Novel Jump‐Join Repetitious Learning Structure for Real‐Time Dangerous Object Detection | |
| CN110362828B (zh) | 网络资讯风险识别方法及*** | |
| CN116662186A (zh) | 基于逻辑回归的日志回放断言方法及其装置、电子设备 | |
| CN116248393A (zh) | 一种内网数据传输漏洞扫描装置及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |