CN109472424B - 犯罪实际刑期的预测方法、装置、存储介质及服务器 - Google Patents
犯罪实际刑期的预测方法、装置、存储介质及服务器 Download PDFInfo
- Publication number
- CN109472424B CN109472424B CN201811546756.0A CN201811546756A CN109472424B CN 109472424 B CN109472424 B CN 109472424B CN 201811546756 A CN201811546756 A CN 201811546756A CN 109472424 B CN109472424 B CN 109472424B
- Authority
- CN
- China
- Prior art keywords
- crime
- criminal
- information
- name
- matching
- 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
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种犯罪实际刑期的预测方法、装置、存储介质及服务器,其中,所述方法包括:基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;基于犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;根据接收到用户基于定罪条件输入的定罪条件信息和基于影响量刑的影响因子列表信息的影响因子信息;根据犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理;对相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期。在本发明实施例中,可以通过用户输入的相关信息进行案例匹配,提取匹配的案例中的实际刑期进行预测,极大的提高法官和律师的工作效率。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及一种犯罪实际刑期的预测方法、装置、存储介质及服务器。
背景技术
在法律援助或者法律诉求中,用户在需要对某一犯罪罪名进行犯罪刑期预测的时候,需要通过经验丰富的法官或律师进行案情和犯罪情节深度分析,才能给出对应的犯罪刑期预测,这样大大的增加法官或者律师的工作强度和工作压力。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种犯罪实际刑期的预测方法、装置、存储介质及服务器,可以通过用户输入的相关信息进行案例匹配,提取匹配的案例中的实际刑期进行预测,极大的提高法官和律师的工作效率。
为了解决上述技术问题,本发明实施例提供了一种犯罪实际刑期的预测方法,所述方法包括:
基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;
基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;
根据接收到用户基于所述定罪条件输入的定罪条件信息和基于所述影响量刑的影响因子列表信息的影响因子信息;
根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例;
对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期。
可选的,所述基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区包括:
基于用户终端输入界面提供的罪名列表信息或输入框,用户选择点击所述罪名列表信息中对应的犯罪罪名字段进行输入或在输入框中进行手动输入犯罪文本字段;
在罪名数据库中自动匹配对应输入的所述犯罪罪名字段,获取犯罪罪名;或基于NLP分析模型对所述手动输入犯罪文本字段进行罪名分析识别出来,获取犯罪罪名;
在获取犯罪罪名之后,基于用户终端输入界面提供犯罪地区列表信息,用户选择点击所述犯罪地区列表信息中对应的地区字段进行输入;
在犯罪地区数据库中自动匹配对应输入的所述地区字段,获取犯罪地区。
可选的,所述基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息包括:
根据所述犯罪罪名和犯罪地区依次在对应的定罪条件数据库和影响量刑的影响因子数据库中分别进行自动匹配,获取定罪条件和影响量刑的影响因子列表信息。
可选的,所述定罪条件包括单项选择定罪条件、多项选择定罪条件、文本输入定罪条件;
所述影响影子包括从重情节、从轻情节、特定主体情况和违法阻却事由。
可选的,所述根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例包括:
分别提取所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息中的关键字信息;
采用提取到的关键字信息在在案例数据库中进行检索匹配,获取相互匹配的判刑案例。
可选的,所述分别提取所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息中的关键字信息包括:
基于NLP分析模型分别对所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息进行分析,在分析之后提取对应的关键字信息。
可选的,所述对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期包括:
采用刑期关键字在所述相互匹配的判刑案例中进行刑期字段和刑期字段所在位置匹配处理,匹配获取所述相互匹配的判刑案例中刑期字段和刑期字段所在位置;
基于所述相互匹配的判刑案例中刑期字段和刑期字段所在位置提取对应的刑期数据;
对所述刑期数据依次进行排序和平均值计算处理,获取刑期数据中的最大值、最小值和平均值;
基于所述刑期数据中的最大值、最小值和平均值获取犯罪实际预测刑期。
可选的,所述方法还包括:
基于所述犯罪实际预测刑期进行可视化处理,并将可视化处理结果推送至用户终端界面。
可选的,所述基于所述犯罪实际预测刑期进行可视化处理包括:
提取所述相互匹配的判刑案例中的年份、月份和地区字段信息;
基于提取到的年份、月份、地区字段信息和所述刑期数据中的最大值、最小值和平均值进行数据可视化处理,获取案例-刑期分布式图标、刑期-年份分布式图标。
另外,本发明实施例还提供了一种犯罪实际刑期的预测装置,所述装置包括:
第一信息接收模块:用于基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;
第一匹配模块:用于基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;
第二信息接收模块:用于根据接收到用户基于所述定罪条件输入的定罪条件信息和基于所述影响量刑的影响因子列表信息的影响因子信息;
第二匹配模块:用于根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例;
预测模块:用于对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期。
另外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述中任意一项所述的犯罪实际刑期的预测方法。
另外,本发明实施例还提供了一种服务器,其包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于:执行上述中任意一项所述的犯罪实际刑期的预测方法。
在本发明实施例中,根据用户输入的相应条件通过匹配算法在案例数据库中匹配出对应的判决案例,提取判决案例中的刑期、年份、月份和地区等参数进行可视化处理,并获取预测结果,极大的增加了预测结果的准确性,提高法官和律师的工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的犯罪实际刑期的预测方法的流程示意图;
图2是本发明另一实施例中的犯罪实际刑期的预测方法的流程示意图;
图3是本发明实施例中的犯罪实际刑期的预测装置的组成结构示意图;
图4是本发明另一实施例中的犯罪实际刑期的预测装置的组成结构示意图;
图5是本发明实施例中的服务器组成结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例
请参阅图1,图1是本发明实施例中的犯罪实际刑期的预测方法的流程示意图。
如图1所示,一种犯罪实际刑期的预测方法,所述方法包括:
S11:基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;
在本发明具体实施过程中,所述基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区包括:基于用户终端输入界面提供的罪名列表信息或输入框,用户选择点击所述罪名列表信息中对应的犯罪罪名字段进行输入或在输入框中进行手动输入犯罪文本字段;在罪名数据库中自动匹配对应输入的所述犯罪罪名字段,获取犯罪罪名;或基于NLP分析模型对所述手动输入犯罪文本字段进行罪名分析识别出来,获取犯罪罪名;在获取犯罪罪名之后,基于用户终端输入界面提供犯罪地区列表信息,用户选择点击所述犯罪地区列表信息中对应的地区字段进行输入;在犯罪地区数据库中自动匹配对应输入的所述地区字段,获取犯罪地区。
具体的,用户终端包括智能手机、平板电脑、个人PC等智能终端设备中的任意一终端设备,其中该用户终端上应安装用相应的用户应用软件,在打开该应用软件之后,通过应用软件向用户终端提供输入界面,并在该输入界面上提供用户输入或者选择的罪名列表信息,用户通过点击该罪名列表信息中对应的犯罪罪名的字段进行输入,或者直接手动输入相应的罪名字段,用户终端上的应用软件在接收到用户输入的罪名字段之后,基于互联网网络通信协议,将该罪名字段传输至服务器中,服务器在接收到带罪名字段之后,采用该罪名字段在罪名数据库中进行相应的匹配,通过匹配获得与该罪名字段相互匹配的犯罪罪名;服务器在获得与该罪名字段相互匹配的犯罪罪名之后,向用户终端界面中反馈并提供犯罪地区列表信息,供用户选择输入,用户在该犯罪地区列表信息中选择犯罪的地区字段,进行输入,该犯罪地区字段基于互联网网络通信协议传输至服务器中,服务器在接收到犯罪地区字段之后,在对应的存放犯罪地区的数据库中自动匹配输入的该犯罪地区字段,从而获得准确的用户输入犯罪地区字段所对应的犯罪地区。
具体的,服务器在接收到带罪名字段之后,采用该罪名字段在罪名数据库中进行相应的匹配,通过匹配获得与该罪名字段相互匹配的犯罪罪名,是通过NLP(NaturalLanguage Processing)算法进行词向量计算和文本分类工具,配合加权模型,自动判断用户输入的字段文字信息最大概率属于哪一种犯罪罪名,后台根据推送该罪名的预测链接;NLP词向量计算和文本分类工具属于浅层网络,精度高,同时在训练时间上比深度网络快许多数量级。
S12:基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;
在本发明具体实施过程中,所述基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息包括:根据所述犯罪罪名和犯罪地区依次在对应的定罪条件数据库和影响量刑的影响因子数据库中分别进行自动匹配,获取定罪条件和影响量刑的影响因子列表信息。
进一步的,所述定罪条件包括单项选择定罪条件、多项选择定罪条件、文本输入定罪条件;所述影响影子包括从重情节、从轻情节、特定主体情况和违法阻却事由。
具体的,服务器将获得到的犯罪罪名和犯罪地区在对应的数据库中进行对应的匹配,如定罪条件数据库和影响量刑的影响因子数据库;其中,定罪条件数据库存储有不同犯罪罪名和犯罪地区的定罪条件列表信息;影响量刑的影响因子数据库中预先根据不同的犯罪罪名和犯罪地区存储不同的影响量刑的影响因子,每个犯罪罪名和犯罪地区,影响因子都可能存在不一致,在案件判决过程中,考虑影响因子的情况可能存在不同,可能同一罪名不同地区,相同的定罪条件,可能判决刑期均有所不同。
首先根据相应的犯罪罪名和犯罪地区在定罪条件数据库进行相应的匹配,匹配出供用户输入和/或用户选择的定罪条件,然后在影响量刑的影响因子数据库中分别进行自动匹配,匹配出影响量刑的影响因子列表信息。
其中,影响因子中包含不限于从重情节影响因子和/或从轻情节影响因子,每个情节影响因子均包含多个字段输入,如从重情节影响因子包含累犯、前科、灾害期间故意犯罪、教唆犯罪等情节影响因子等;从轻情节影响因子包含坦白、自首、立功、退赃退赔、当庭认罪等;特定主体情况按情况分为减少刑期和直接否定犯罪。
S13:根据接收到用户基于所述定罪条件输入的定罪条件信息和基于所述影响量刑的影响因子列表信息的影响因子信息;
在本发明具体实施过程中,首先用户可以在用户终端界面上根据定罪条件选择输入或者手动输入相应的定罪条件字段;然后用户以在用户终端界面上根据影响量刑的影响因子列表信息的影响因子信息选择输入或者手动输入相应的影响因子。
S14:根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例;
在本发明具体实施过程中,所述根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例包括:分别提取所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息中的关键字信息;采用提取到的关键字信息在在案例数据库中进行检索匹配,获取相互匹配的判刑案例。
进一步的,所述分别提取所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息中的关键字信息包括:基于NLP分析模型分别对所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息进行分析,在分析之后提取对应的关键字信息。
具体的,服务器中在接收到犯罪罪名、犯罪地区、定罪条件信息和影响因子信息之后,利用这些信息构建特征向量,通过自然语言处理领域的词袋模型(BOF)与N-Gram特征相结合,既能准确分词又能调整分词后的顺序。词袋模型(BOF)由特征提取、特征聚类、特征编码、特征汇聚和分类器分类4部分组成的标准目标分类框架。N-Gram特征是基于统计语言模型的算法,又被称为一阶马尔科夫链,是将文本里面的内容按照字节进行大小为N的滑动窗口操作,形成了长度是N的字节片段序列。每一个字节片段称为gram,对所有的gram的出现频度进行统计,并且按照事先设定好的阈值进行过滤,形成关键gram列表,也就是这个文本的向量特征空间;列表中的每一种gram就是一个特征向量维度;具体是,首先对输入的信息进行语段序列粗分处理;然后在进行Bi-gram切割处理;最后进行过滤处理,获取特征向量列表。
该NLP分析模型架构采用,输入,映射(隐藏),输出的架构,其中X(1)到X(n)表示文本中每个词的特征向量,段落则可以用所有词的嵌入累加后的均值表示,最后从隐层再经过一次的非线性变换得到输出层的标签。模型输入一个词的序列(一段文本或者一句话),输出这个词序列属于不同类别的概率。隐层是由输入层求和并平均,乘以权重矩阵A得到的。输出层是由隐层乘以权重矩阵B得到的。为了改善运算时间,为了改善运行时间,该模型使用了层次Softmax技巧,建立在哈弗曼编码的基础上,对标签进行编码,能够极大地缩小模型预测目标的数量。
具体的,输出层是由隐层乘以权重矩阵B的公式如下:
其中,yn表示true label(真标签),xn表示特征向量列表(文档n归一化后的N-Gram特征),A和B分别表示权重矩阵;N=1,2,3,…,N为正整数。
通过构建特征向量然后输入NLP分析模型中进行分析,在该NLP分析模型中输出的结果中提取权重大于预设阈值的字段作为关键字信息。
S15:对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期。
在本发明具体实施过程中,所述对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期包括:采用刑期关键字在所述相互匹配的判刑案例中进行刑期字段和刑期字段所在位置匹配处理,匹配获取所述相互匹配的判刑案例中刑期字段和刑期字段所在位置;相互匹配的判刑案例;对所述刑期数据依次进行排序和平均值计算处理,获取刑期数据中的最大值、最小值和平均值;基于所述刑期数据中的最大值、最小值和平均值获取犯罪实际预测刑期。
具体的,采用NLP分析算法对相互匹配的判刑案例进行分析处理,从而获得该判刑案例中的刑期字段和所在位置;然后通过数字提取算法提取该字段上对应的刑期数据的数字;将所有的判刑案例的刑期数据进行统计排序,可以从大到小排序,也可以从小大排序,并且需要将刑期数据转换成统一的格式,统一的单位格式,年或者月;然后对所有的刑期数据进行累加求平均值,获得最终的刑期数据平均值;根据排序结果中的最大值、最小值和计算得到的平均值来获取犯罪实际预测刑期。
在本发明实施例中,根据用户输入的相应条件通过匹配算法在案例数据库中匹配出对应的判决案例,提取判决案例中的刑期、年份、月份和地区等参数进行可视化处理,并获取预测结果,极大的增加了预测结果的准确性,提高法官和律师的工作效率。
实施例
请参阅图2,图2是本发明另一实施例中的犯罪实际刑期的预测方法的流程示意图。
如图2所示,一种犯罪实际刑期的预测方法,所述方法包括:
S21:基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;
S22:基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;
S23:根据接收到用户基于所述定罪条件输入的定罪条件信息和基于所述影响量刑的影响因子列表信息的影响因子信息;
S24:根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例;
S25:对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期;
在本发明具体实施过程中,S21-S25步骤中的实施方式,具体可以参详上述实施例,在此不再赘述。
S26:基于所述犯罪实际预测刑期进行可视化处理,并将可视化处理结果推送至用户终端界面。
在本发明具体实施过程中,所述基于所述犯罪实际预测刑期进行可视化处理包括:提取所述相互匹配的判刑案例中的年份、月份和地区字段信息;基于提取到的年份、月份、地区字段信息和所述刑期数据中的最大值、最小值和平均值进行数据可视化处理,获取案例-刑期分布式图标、刑期-年份分布式图标。
具体的,通过上述步骤中的NLP分析模型在分析过程中,获取到相互匹配的判刑案例中的年份、月份和地区字段信息;然后在对应的判刑案例这些年份、月份、地区字段信息中提取相应的数据;在提取到相应的年份、月份、地区字段信息之后,加上刑期数据中的最大值、最小值和平均值进行数据可视化处理;在此,该可视化处理是通过在服务器上设置好的可视化处理算法进行处理的,在处理之后,即可获得案例-刑期分布式图标、刑期-年份分布式图标等可视化图标,并基于互联网传输协议传输至用户终端界面上,提供给用户查看。
在本发明实施例中,根据用户输入的相应条件通过匹配算法在案例数据库中匹配出对应的判决案例,提取判决案例中的刑期、年份、月份和地区等参数进行可视化处理,并获取预测结果,极大的增加了预测结果的准确性,提高法官和律师的工作效率。
实施例
请参阅图3,图3是本发明实施例中的犯罪实际刑期的预测装置的组成结构示意图。
如图3所示,一种犯罪实际刑期的预测装置,所述装置包括:
第一信息接收模块11:用于基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;
在本发明具体实施过程中,所述基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区包括:基于用户终端输入界面提供的罪名列表信息或输入框,用户选择点击所述罪名列表信息中对应的犯罪罪名字段进行输入或在输入框中进行手动输入犯罪文本字段;在罪名数据库中自动匹配对应输入的所述犯罪罪名字段,获取犯罪罪名;或基于NLP分析模型对所述手动输入犯罪文本字段进行罪名分析识别出来,获取犯罪罪名;在获取犯罪罪名之后,基于用户终端输入界面提供犯罪地区列表信息,用户选择点击所述犯罪地区列表信息中对应的地区字段进行输入;在犯罪地区数据库中自动匹配对应输入的所述地区字段,获取犯罪地区。
具体的,用户终端包括智能手机、平板电脑、个人PC等智能终端设备中的任意一终端设备,其中该用户终端上应安装用相应的用户应用软件,在打开该应用软件之后,通过应用软件向用户终端提供输入界面,并在该输入界面上提供用户输入或者选择的罪名列表信息,用户通过点击该罪名列表信息中对应的犯罪罪名的字段进行输入,或者直接手动输入相应的罪名字段,用户终端上的应用软件在接收到用户输入的罪名字段之后,基于互联网网络通信协议,将该罪名字段传输至服务器中,服务器在接收到带罪名字段之后,采用该罪名字段在罪名数据库中进行相应的匹配,通过匹配获得与该罪名字段相互匹配的犯罪罪名;服务器在获得与该罪名字段相互匹配的犯罪罪名之后,向用户终端界面中反馈并提供犯罪地区列表信息,供用户选择输入,用户在该犯罪地区列表信息中选择犯罪的地区字段,进行输入,该犯罪地区字段基于互联网网络通信协议传输至服务器中,服务器在接收到犯罪地区字段之后,在对应的存放犯罪地区的数据库中自动匹配输入的该犯罪地区字段,从而获得准确的用户输入犯罪地区字段所对应的犯罪地区。
具体的,服务器在接收到带罪名字段之后,采用该罪名字段在罪名数据库中进行相应的匹配,通过匹配获得与该罪名字段相互匹配的犯罪罪名,是通过NLP(NaturalLanguage Processing)算法进行词向量计算和文本分类工具,配合加权模型,自动判断用户输入的字段文字信息最大概率属于哪一种犯罪罪名,后台根据推送该罪名的预测链接;NLP词向量计算和文本分类工具属于浅层网络,精度高,同时在训练时间上比深度网络快许多数量级。
第一匹配模块12:用于基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;
在本发明具体实施过程中,所述基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息包括:根据所述犯罪罪名和犯罪地区依次在对应的定罪条件数据库和影响量刑的影响因子数据库中分别进行自动匹配,获取定罪条件和影响量刑的影响因子列表信息。
进一步的,所述定罪条件包括单项选择定罪条件、多项选择定罪条件、文本输入定罪条件;所述影响影子包括从重情节、从轻情节、特定主体情况和违法阻却事由。
具体的,服务器将获得到的犯罪罪名和犯罪地区在对应的数据库中进行对应的匹配,如定罪条件数据库和影响量刑的影响因子数据库;其中,定罪条件数据库存储有不同犯罪罪名和犯罪地区的定罪条件列表信息;影响量刑的影响因子数据库中预先根据不同的犯罪罪名和犯罪地区存储不同的影响量刑的影响因子,每个犯罪罪名和犯罪地区,影响因子都可能存在不一致,在案件判决过程中,考虑影响因子的情况可能存在不同,可能同一罪名不同地区,相同的定罪条件,可能判决刑期均有所不同。
首先根据相应的犯罪罪名和犯罪地区在定罪条件数据库进行相应的匹配,匹配出供用户输入和/或用户选择的定罪条件,然后在影响量刑的影响因子数据库中分别进行自动匹配,匹配出影响量刑的影响因子列表信息。
其中,影响因子中包含不限于从重情节影响因子和/或从轻情节影响因子,每个情节影响因子均包含多个字段输入,如从重情节影响因子包含累犯、前科、灾害期间故意犯罪、教唆犯罪等情节影响因子等;从轻情节影响因子包含坦白、自首、立功、退赃退赔、当庭认罪等;特定主体情况按情况分为减少刑期和直接否定犯罪。
第二信息接收模块13:用于根据接收到用户基于所述定罪条件输入的定罪条件信息和基于所述影响量刑的影响因子列表信息的影响因子信息;
在本发明具体实施过程中,首先用户可以在用户终端界面上根据定罪条件选择输入或者手动输入相应的定罪条件字段;然后用户以在用户终端界面上根据影响量刑的影响因子列表信息的影响因子信息选择输入或者手动输入相应的影响因子。
第二匹配模块14:用于根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例;
在本发明具体实施过程中,所述根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例包括:分别提取所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息中的关键字信息;采用提取到的关键字信息在在案例数据库中进行检索匹配,获取相互匹配的判刑案例。
进一步的,所述分别提取所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息中的关键字信息包括:基于NLP分析模型分别对所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息进行分析,在分析之后提取对应的关键字信息。
具体的,服务器中在接收到犯罪罪名、犯罪地区、定罪条件信息和影响因子信息之后,利用这些信息构建特征向量,通过自然语言处理领域的词袋模型(BOF)与N-Gram特征相结合,既能准确分词又能调整分词后的顺序。词袋模型(BOF)由特征提取、特征聚类、特征编码、特征汇聚和分类器分类4部分组成的标准目标分类框架。N-Gram特征是基于统计语言模型的算法,又被称为一阶马尔科夫链,是将文本里面的内容按照字节进行大小为N的滑动窗口操作,形成了长度是N的字节片段序列。每一个字节片段称为gram,对所有的gram的出现频度进行统计,并且按照事先设定好的阈值进行过滤,形成关键gram列表,也就是这个文本的向量特征空间;列表中的每一种gram就是一个特征向量维度;具体是,首先对输入的信息进行语段序列粗分处理;然后在进行Bi-gram切割处理;最后进行过滤处理,获取特征向量列表。
该NLP分析模型架构采用,输入,映射(隐藏),输出的架构,其中X(1)到X(n)表示文本中每个词的特征向量,段落则可以用所有词的嵌入累加后的均值表示,最后从隐层再经过一次的非线性变换得到输出层的标签。模型输入一个词的序列(一段文本或者一句话),输出这个词序列属于不同类别的概率。隐层是由输入层求和并平均,乘以权重矩阵A得到的。输出层是由隐层乘以权重矩阵B得到的。为了改善运算时间,为了改善运行时间,该模型使用了层次Softmax技巧,建立在哈弗曼编码的基础上,对标签进行编码,能够极大地缩小模型预测目标的数量。
具体的,输出层是由隐层乘以权重矩阵B的公式如下:
其中,yn表示true label(真标签),xn表示特征向量列表(文档n归一化后的N-Gram特征),A和B分别表示权重矩阵;N=1,2,3,…,N为正整数。
通过构建特征向量然后输入NLP分析模型中进行分析,在该NLP分析模型中输出的结果中提取权重大于预设阈值的字段作为关键字信息。
预测模块15:用于对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期。
在本发明具体实施过程中,所述对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期包括:采用刑期关键字在所述相互匹配的判刑案例中进行刑期字段和刑期字段所在位置匹配处理,匹配获取所述相互匹配的判刑案例中刑期字段和刑期字段所在位置;相互匹配的判刑案例;对所述刑期数据依次进行排序和平均值计算处理,获取刑期数据中的最大值、最小值和平均值;基于所述刑期数据中的最大值、最小值和平均值获取犯罪实际预测刑期。
具体的,采用NLP分析算法对相互匹配的判刑案例进行分析处理,从而获得该判刑案例中的刑期字段和所在位置;然后通过数字提取算法提取该字段上对应的刑期数据的数字;将所有的判刑案例的刑期数据进行统计排序,可以从大到小排序,也可以从小大排序,并且需要将刑期数据转换成统一的格式,统一的单位格式,年或者月;然后对所有的刑期数据进行累加求平均值,获得最终的刑期数据平均值;根据排序结果中的最大值、最小值和计算得到的平均值来获取犯罪实际预测刑期。
在本发明实施例中,根据用户输入的相应条件通过匹配算法在案例数据库中匹配出对应的判决案例,提取判决案例中的刑期、年份、月份和地区等参数进行可视化处理,并获取预测结果,极大的增加了预测结果的准确性,提高法官和律师的工作效率。
实施例
请参阅图4,图4是本发明另一实施例中的犯罪实际刑期的预测装置的组成结构示意图。
如图4所示,一种犯罪实际刑期的预测装置,所述装置包括:
第一信息接收模块21:用于基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;
第一匹配模块22:用于基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;
第二信息接收模块23:用于根据接收到用户基于所述定罪条件输入的定罪条件信息和基于所述影响量刑的影响因子列表信息的影响因子信息;
第二匹配模块24:用于根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例;
预测模块25:用于对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期;
在本发明具体实施过程中,第一信息接收模块21、第一匹配模块22、第二信息接收模块23、第二匹配模块24和预测模块25的具体实施方式请参阅上述实施例,在此不再赘述。
推送模块:用于基于所述犯罪实际预测刑期进行可视化处理,并将可视化处理结果推送至用户终端界面。
在本发明具体实施过程中,所述基于所述犯罪实际预测刑期进行可视化处理包括:提取所述相互匹配的判刑案例中的年份、月份和地区字段信息;基于提取到的年份、月份、地区字段信息和所述刑期数据中的最大值、最小值和平均值进行数据可视化处理,获取案例-刑期分布式图标、刑期-年份分布式图标。
具体的,通过上述步骤中的NLP分析模型在分析过程中,获取到相互匹配的判刑案例中的年份、月份和地区字段信息;然后在对应的判刑案例这些年份、月份、地区字段信息中提取相应的数据;在提取到相应的年份、月份、地区字段信息之后,加上刑期数据中的最大值、最小值和平均值进行数据可视化处理;在此,该可视化处理是通过在服务器上设置好的可视化处理算法进行处理的,在处理之后,即可获得案例-刑期分布式图标、刑期-年份分布式图标等可视化图标,并基于互联网传输协议传输至用户终端界面上,提供给用户查看。
在本发明实施例中,根据用户输入的相应条件通过匹配算法在案例数据库中匹配出对应的判决案例,提取判决案例中的刑期、年份、月份和地区等参数进行可视化处理,并获取预测结果,极大的增加了预测结果的准确性,提高法官和律师的工作效率。
实施例
本发明实施例提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现任一项技术方案所述的犯罪实际刑期的预测方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSableProgrammableRead-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储设备包括由设备(例如,计算机、手机)以能够读的形式存储或传输消息的任何介质,可以是只读存储器,磁盘或光盘等。
请参阅图5,图5是本发明实施例中的服务器组成结构示意图。
如图5所示,一种服务器,处理器502、存储器503、输入单元504以及显示单元505等器件。图5所示的结构器件并不构成对所有服务器的限定,可以比图5更多或更少部件,或组合某些部件。
存储器503可用于存储应用程序501以及各功能模块,处理器502运行存储在存储器503的应用程序501,从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元504用于接收信号的输入,以及接收用户输入的关键字。输入单元504可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元505可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元505可采用液晶显示器、有机发光二极管等形式。处理器502是终端设备的控制中心,利用各种接口和线路连接整个设备的各个部分,通过运行或执行存储在存储器502内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。
作为一个实施例,所述服务器包括:一个或多个处理器502,存储器503,一个或多个应用程序501,其中所述一个或多个应用程序501被存储在存储器503中并被配置为由所述一个或多个处理器502执行,所述一个或多个程序501配置用于执行上述实施例中的犯罪实际刑期的预测方法。
本发明实施例提供的服务器可实现上述提供的犯罪实际刑期的预测方法的实施例,具体功能实现请参详方法实施例中的说明,在此不再赘述。
在本发明实施例中,根据用户输入的相应条件通过匹配算法在案例数据库中匹配出对应的判决案例,提取判决案例中的刑期、年份、月份和地区等参数进行可视化处理,并获取预测结果,极大的增加了预测结果的准确性,提高法官和律师的工作效率。
另外,以上对本发明实施例所提供的一种犯罪实际刑期的预测方法、装置、存储介质及服务器进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种犯罪实际刑期的预测方法,其特征在于,所述方法包括:
基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;
基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;
根据接收到用户基于所述定罪条件输入的定罪条件信息和基于所述影响量刑的影响因子列表信息输入的影响因子信息;
根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例;
对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期;
所述对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期包括:
采用刑期关键字在所述相互匹配的判刑案例中进行刑期字段和刑期字段所在位置匹配处理,匹配获取所述相互匹配的判刑案例中刑期字段和刑期字段所在位置;
基于所述相互匹配的判刑案例中刑期字段和刑期字段所在位置提取对应的刑期数据;
对所述刑期数据依次进行排序和平均值计算处理,获取刑期数据中的最大值、最小值和平均值;
基于所述刑期数据中的最大值、最小值和平均值获取犯罪实际预测刑期。
2.根据权利要求1所述的预测方法,其特征在于,所述基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区包括:
基于用户终端输入界面提供的罪名列表信息或输入框,用户选择点击所述罪名列表信息中对应的犯罪罪名字段进行输入或在输入框中进行手动输入犯罪文本字段;
在罪名数据库中自动匹配对应输入的所述犯罪罪名字段,获取犯罪罪名;或基于NLP分析模型对所述手动输入犯罪文本字段进行罪名分析识别出来,获取犯罪罪名;
在获取犯罪罪名之后,基于用户终端输入界面提供犯罪地区列表信息,用户选择点击所述犯罪地区列表信息中对应的地区字段进行输入;
在犯罪地区数据库中自动匹配对应输入的所述地区字段,获取犯罪地区。
3.根据权利要求1所述的预测方法,其特征在于,所述基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息包括:
根据所述犯罪罪名和犯罪地区依次在对应的定罪条件数据库和影响量刑的影响因子数据库中分别进行自动匹配,获取定罪条件和影响量刑的影响因子列表信息。
4.根据权利要求3所述的预测方法,其特征在于,所述定罪条件包括单项选择定罪条件、多项选择定罪条件、文本输入定罪条件;
所述影响因子包括从重情节、从轻情节、特定主体情况和违法阻却事由。
5.根据权利要求1所述的预测方法,其特征在于,所述根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例包括:
分别提取所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息中的关键字信息;
采用提取到的关键字信息在在案例数据库中进行检索匹配,获取相互匹配的判刑案例。
6.根据权利要求5所述的预测方法,其特征在于,所述分别提取所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息中的关键字信息包括:
基于NLP分析模型分别对所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息进行分析,在分析之后提取对应的关键字信息。
7.根据权利要求1所述的预测方法,其特征在于,所述方法还包括:
基于所述犯罪实际预测刑期进行可视化处理,并将可视化处理结果推送至用户终端界面。
8.根据权利要求7所述的预测方法,其特征在于,所述基于所述犯罪实际预测刑期进行可视化处理包括:
提取所述相互匹配的判刑案例中的年份、月份和地区字段信息;
基于提取到的年份、月份、地区字段信息和所述刑期数据中的最大值、最小值和平均值进行数据可视化处理,获取案例-刑期分布式图标、刑期-年份分布式图标。
9.一种犯罪实际刑期的预测装置,其特征在于,所述装置包括:
第一信息接收模块:用于基于用户终端输入界面依次获得用户输入的犯罪罪名和犯罪地区;
第一匹配模块:用于基于所述犯罪罪名和犯罪地区依次自动匹配对应的定罪条件和影响量刑的影响因子列表信息;
第二信息接收模块:用于根据接收到用户基于所述定罪条件输入的定罪条件信息和基于所述影响量刑的影响因子列表信息输入的影响因子信息;
第二匹配模块:用于根据所述犯罪罪名、犯罪地区、定罪条件信息和影响因子信息在案例数据库中进行检索匹配处理,获取相互匹配的判刑案例;
预测模块:用于对所述相互匹配的判刑案例进行刑期数据提取,基于提取到的刑期数据获取犯罪实际预测刑期;
所述预测模块:还用于采用刑期关键字在所述相互匹配的判刑案例中进行刑期字段和刑期字段所在位置匹配处理,匹配获取所述相互匹配的判刑案例中刑期字段和刑期字段所在位置;基于所述相互匹配的判刑案例中刑期字段和刑期字段所在位置提取对应的刑期数据;对所述刑期数据依次进行排序和平均值计算处理,获取刑期数据中的最大值、最小值和平均值;基于所述刑期数据中的最大值、最小值和平均值获取犯罪实际预测刑期。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任意一项所述的犯罪实际刑期的预测方法。
11.一种服务器,其特征在于,其包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于:执行根据权利要求1至8中任意一项所述的犯罪实际刑期的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811546756.0A CN109472424B (zh) | 2018-12-18 | 2018-12-18 | 犯罪实际刑期的预测方法、装置、存储介质及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811546756.0A CN109472424B (zh) | 2018-12-18 | 2018-12-18 | 犯罪实际刑期的预测方法、装置、存储介质及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472424A CN109472424A (zh) | 2019-03-15 |
CN109472424B true CN109472424B (zh) | 2020-06-02 |
Family
ID=65676329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811546756.0A Active CN109472424B (zh) | 2018-12-18 | 2018-12-18 | 犯罪实际刑期的预测方法、装置、存储介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472424B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751316A (zh) * | 2019-09-26 | 2020-02-04 | 平安科技(深圳)有限公司 | 一种裁决结果预测方法、装置及终端设备 |
CN112749826A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 刑期预测方法、装置、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872439A (zh) * | 2010-01-29 | 2010-10-27 | 秦野 | 一种常用百种罪名刑法量刑的方法和*** |
CN107578355A (zh) * | 2017-09-08 | 2018-01-12 | 北京博雅英杰科技股份有限公司 | 一种量刑方法和装置 |
CN107918921A (zh) * | 2017-11-21 | 2018-04-17 | 南京擎盾信息科技有限公司 | 刑事案件判决结果度量方法及*** |
CN108009284A (zh) * | 2017-12-22 | 2018-05-08 | 重庆邮电大学 | 采用半监督卷积神经网络的法律文本分类方法 |
-
2018
- 2018-12-18 CN CN201811546756.0A patent/CN109472424B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872439A (zh) * | 2010-01-29 | 2010-10-27 | 秦野 | 一种常用百种罪名刑法量刑的方法和*** |
CN107578355A (zh) * | 2017-09-08 | 2018-01-12 | 北京博雅英杰科技股份有限公司 | 一种量刑方法和装置 |
CN107918921A (zh) * | 2017-11-21 | 2018-04-17 | 南京擎盾信息科技有限公司 | 刑事案件判决结果度量方法及*** |
CN108009284A (zh) * | 2017-12-22 | 2018-05-08 | 重庆邮电大学 | 采用半监督卷积神经网络的法律文本分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109472424A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274365B (zh) | 基于语义理解的智能问诊方法、装置、存储介质及服务器 | |
CN110032632A (zh) | 基于文本相似度的智能客服问答方法、装置及存储介质 | |
CN111385602B (zh) | 基于多层级多模型的视频审核方法、介质及计算机设备 | |
CN106294618A (zh) | 搜索方法及装置 | |
CN110175221B (zh) | 利用词向量结合机器学习的垃圾短信识别方法 | |
CN107507028A (zh) | 用户偏好确定方法、装置、设备及存储介质 | |
CN111339249B (zh) | 一种联合多角度特征的深度智能文本匹配方法和装置 | |
CN109472424B (zh) | 犯罪实际刑期的预测方法、装置、存储介质及服务器 | |
CN111429204A (zh) | 酒店推荐方法、***、电子设备和存储介质 | |
Estevez-Velarde et al. | AutoML strategy based on grammatical evolution: A case study about knowledge discovery from text | |
CN116049419A (zh) | 融合多模型的威胁情报信息抽取方法及*** | |
CN115994317A (zh) | 基于深度对比学习的不完备多视图多标签分类方法和*** | |
CN109376230B (zh) | 犯罪定罪预测方法、***、存储介质及服务器 | |
Aghimien et al. | A review of the application of data mining for sustainable construction in Nigeria | |
CN113569118B (zh) | 自媒体推送方法、装置、计算机设备及存储介质 | |
CN112784011B (zh) | 一种基于cnn和lstm的情感问题处理方法、装置和介质 | |
CN116703682B (zh) | 一种基于深度学***台 | |
using Relevance | A Meta-heuristic optimization approach for content based image retrieval using relevance feedback method | |
CN117081941A (zh) | 基于注意力机制的流量预测方法及其装置、电子设备 | |
CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
CN103065047A (zh) | 基于恐怖组织背景知识子空间的恐怖行为预测方法 | |
CN113901801B (zh) | 基于深度学习的文本内容安全检测方法 | |
CN113569578B (zh) | 一种用户意图识别方法、装置和计算机设备 | |
CN112052336B (zh) | 一种基于社交网络平台信息的交通突发事件识别方法及*** | |
CN114691918A (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200407 Address after: 510000 No.55 Zhongshan Avenue, Guangzhou, Guangdong Province Applicant after: SOUTH CHINA NORMAL University Applicant after: GUANGDONG BOWEI CHUANGYUAN TECHNOLOGY Co.,Ltd. Address before: 528315 Room 302, 5 Blocks, Poly Business Center, No. 8 Wenhua South Road, Dongping New Town, Lecong Town, Shunde District, Foshan City, Guangdong Province Applicant before: GUANGDONG BOWEI CHUANGYUAN TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |