CN110377632B - 诉讼结果预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种基于机器学习的诉讼结果预测方法、装置、计算机设备和存储介质。所述方法包括：接收终端发送的诉讼结果预测请求；所述诉讼结果预测请求携带了当前案件的案件信息及证据组合；确定所述证据组合中每个证据项对应的证据类型；基于所述证据类型生成所述当前案件的证据特征向量；根据所述案件信息确定所述当前案件的案件类型和法律关系；获取与所述案件类型和法律关系对应的目标预测模型，将所述证据特征向量输入所述目标预测模型，得到当前案件的胜诉概率。采用本方法能够提高诉讼结果预测效率和准确率。

Description

诉讼结果预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种诉讼结果预测方法、装置、计算机设备和存储介质。

背景技术

随着法律信息的快速传播，人们的法律意识逐渐得到提高，法律需求也逐渐增多。然而，由于普通民众对专业性较强的法律知识通常了解甚微，使得通过自身进行法律相关信息的检索分析的难度增加。例如，为了避免在证据力度不足以支持诉求的情况下花费大量时间精力起诉，用户期望提前了解基于目前掌握的证据，当前案件的胜诉概率。但目前缺乏对案件胜诉概率进行自动化预测的技术,使得案件胜诉概率的预测不仅效率低，且预测结果客观准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高诉讼结果预测效率和准确率的诉讼结果预测方法、装置、计算机设备和存储介质。

一种诉讼结果预测方法，所述方法包括：接收终端发送的诉讼结果预测请求；所述诉讼结果预测请求携带了当前案件的案件信息及证据组合；确定所述证据组合中每个证据项对应的证据类型；基于所述证据类型生成所述当前案件的证据特征向量；根据所述案件信息确定所述当前案件的案件类型和法律关系；获取与所述案件类型和法律关系对应的目标预测模型，将所述证据特征向量输入所述目标预测模型，得到当前案件的胜诉概率。

在一个实施例中，所述方法还包括：接收终端发送的证据链指引请求；所述证据链指引请求携带了案件标识；根据案件标识获取所述当前案件的案件信息；在所述案件信息中提取所述当前案件的争议焦点；模糊匹配确定所述争议焦点的焦点类型；根据当前案件的案件类型、法律关系和焦点类型，获取相关联的一个或多个证据项以及每个证据项对应的决策权重；根据所述决策权重生成相应证据项对应的证据标签；基于多个具有证据标签的证据项生成证据链，将所述证据链返回至终端。

在一个实施例中，所述获取与所述案件类型和目标法律关系对应的目标预测模型之前，还包括：获取多个历史案件以及每个所述历史案件对应的案件因子；所述案件因子包括案件类型和法律关系；根据所述案件类型和法律关系对多个历史案件进行分组；对所述案件因子进行编码处理，得到相应历史案件的特征向量；基于每组历史案件的特征向量，构建相应案件类型及法律关系对应的训练集；基于不同训练集对基础预测模型进行训练，得到不同案件类型和法律关系对应的目标预测模型。

在一个实施例中，所述案件因子包括证据组合；所述获取多个历史案件以及每个所述历史案件对应的案件因子，包括：获取多个历史案件的案件文件；通过正则匹配在所述案件文件中提取一个或多个证据描述语句；将所述证据描述语句输入预设的语义理解模型，得到每个所述证据描述语句对应的一个或多个证据项；识别每个证据项对应的证据类型，基于所述证据类型生成相应历史案件的证据组合。

在一个实施例中，所述将所述证据特征向量输入所述目标预测模型，包括：在所述案件信息中提取所述当前案件的争议焦点；模糊匹配确定所述争议焦点的焦点类型；基于所述焦点类型生成所述当前案件的焦点特征向量；将所述焦点特征向量与所述证据特征向量进行拼接，得到案件特征向量；将所述案件特征向量输入所述目标预测模型。

在一个实施例中，所述目标预测模型包括第一预测模型和第二预测模型；所述获取与所述案件类型和法律关系对应的目标预测模型，将所述证据特征向量输入所述目标预测模型，得到当前案件的胜诉概率，包括：根据所述案件类型和法律关系获取对应的第一预测模型，将所述证据特征向量输入所述第一预测模型，得到第一预测值；在所述案件信息中提取所述当前案件的争议焦点，确定所述争议焦点的焦点类型，根据所述焦点类型获取对应的第二预测模型；基于所述焦点类型生成所述当前案件的焦点特征向量，将所述焦点特征向量输入所述第二预测模型，得到第二预测值；根据所述案件类型和法律关系确定第一预测模型及第二预测模型分别对应的预测权重；根据所述预测权重对第一预测值和第二预测值进行预设逻辑运算，得到当前案件的胜诉概率。

一种诉讼结果预测装置，所述装置包括：案件预测请求模块，用于接收终端发送的诉讼结果预测请求；所述诉讼结果预测请求携带了当前案件的案件信息及证据组合；案件特征提取模块，用于确定所述证据组合中每个证据项对应的证据类型；基于所述证据类型生成所述当前案件的证据特征向量；诉讼结果预测模块，用于根据所述案件信息确定所述当前案件的案件类型和法律关系；获取与所述案件类型和法律关系对应的目标预测模型，将所述证据特征向量输入所述目标预测模型，得到当前案件的胜诉概率。

在一个实施例中，所述装置还包括证据链指引模块，用于接收终端发送的证据链指引请求；所述证据链指引请求携带了案件标识；根据案件标识获取所述当前案件的案件信息；在所述案件信息中提取所述当前案件的争议焦点；模糊匹配确定所述争议焦点的焦点类型；根据当前案件的案件类型、法律关系和焦点类型，获取相关联的一个或多个证据项以及每个证据项对应的决策权重；根据所述决策权重生成相应证据项对应的证据标签；基于多个具有证据标签的证据项生成证据链，将所述证据链返回至终端。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的诉讼结果预测方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的诉讼结果预测方法的步骤。

上述诉讼结果预测方法、装置、计算机设备和存储介质，由于用户只需提供掌握的当前案件的证据组合，自动识别证据组合涉及的证据类型，并基于预置的诉讼结果预测模型自动进行胜算概率预测，可以提高预测效率；此外，针对不同案件类型和法律关系的案件分别预置不同的诉讼结果预测模型，可以提高模型针对性，进而提高预测结果准确率。

附图说明

图1为一个实施例中诉讼结果预测方法的应用场景图；

图2为一个实施例中诉讼结果预测方法的流程示意图；

图3为一个实施例中证据链指引的步骤的流程示意图；

图4为一个实施例中诉讼结果预测装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的诉讼结果预测方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当用户需要了解当前案件的胜败概率时，可以通过终端102向服务器104发送诉讼结果预测请求。诉讼结果预测请求携带了当前案件的案件信息及证据组合。案件信息可以是案件文件等。证据组合包括一个或多个证据项。服务器104识别每个证据项对应的证据类型。服务器104根据多个证据项的证据类型生成当前案件的证据特征向量。根据当前案件的案件信息，服务器104确定当前案件的案件类型和法律关系。服务器104针对不同案件类型和法律关系的案件，对应预置了不同的诉讼结果预测模型。服务器104将与当前案件的案件类型和法律关系相对应的诉讼结果预测模型标记为目标预测模型，并将证据特征向量输入目标预测模型，得到当前案件的胜诉概率。上述诉讼结果预测过程，用户只需提供掌握的当前案件的证据组合，自动识别证据组合涉及的证据类型，并基于预置的诉讼结果预测模型自动进行胜算概率预测，可以提高预测效率；此外，针对不同案件类型和法律关系的案件分别预置不同的诉讼结果预测模型，可以提高模型针对性，进而提高预测结果准确率。

在一个实施例中，如图2所示，提供了一种诉讼结果预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，接收终端发送的诉讼结果预测请求；诉讼结果预测请求携带了当前案件的案件信息及证据组合。

当用户需要了解当前案件的胜败概率时，可以基于终端上的诉讼服务平台填写当前案件的案件信息以及目前掌握的证据组合。诉讼服务平台基于填写的案件信息和证据组合生成诉讼结果预测请求，并将诉讼结果预测请求发送至服务器。案件信息可以包括诉讼请求书、申请人信息、被申请人信息等。其中，申请人信息不仅包括申请人的姓名、证件等，还包括诉讼事实与理由、证据、标的金额、标的物等。

步骤204，确定证据组合中每个证据项对应的证据类型。

证据组合包括多个证据项。证据项可以是当事人陈述、书证、物证、视听资料、证人证言、电子数据、鉴定结论、勘验笔录等。证据项可以是证据的表示短语，例如在一个离婚案件的证据文件中，可以包含婚前协议、不动产证明、双方银行交易记录等。技术人员可以利用语义识别等方式识别出案件信息包含的证据项。证据类型是根据识别出的证据项为其分类得到的类型，例如在上述离婚案件的证据文件中，可将识别出的婚前协议划分为协议类证据，而不动产证明和双方银行交易记录可划分为财产类证据等等。

步骤206，基于证据类型生成当前案件的证据特征向量。

服务器获取预设的证据序列。证据序列包括有序排列的多种证据类型。服务器根据当前案件涉及的证据类型将证据序列中对应证据类型的标志位置为1，其余证据类型的标志位置为0，得到证据特征向量，将证据特征向量作为案件特征向量。

步骤208，根据案件信息确定当前案件的案件类型和法律关系。

案件类型可以是金融借款纠纷、合同解除纠纷、继承权纠纷等。法律关系可以是借贷关系、担保关系、共同还款人关系等。

步骤210，获取与案件类型和法律关系对应的目标预测模型，将证据特征向量输入目标预测模型，得到当前案件的胜诉概率。

服务器针对不同案件类型和法律关系的案件预置了对应的目标预测模型。例如，可以针对案件类型为“金融借款纠纷”及法律关系为“借贷关系”的案件设置对应的的第一预测模型；针对案件类型为“金融借款纠纷”及法律关系为“担保关系”的案件设置对应的的第二预测模型等。目标预测模型用于基于案件信息预测案件胜诉概率。目标预测模型可以是通过对大量真实的历史案件的案件信息进行机器学习得到。服务器将当前案件的案件特征向量输入获取的目标预测模型，输出得到当前案件的胜诉概率。

在一个实施例中，获取与案件类型和目标法律关系对应的目标预测模型之前，还包括：获取多个历史案件以及每个历史案件对应的案件因子；案件因子包括案件类型和法律关系；根据案件类型和法律关系对多个历史案件进行分组；对案件因子进行编码处理，得到相应历史案件的特征向量；基于每组历史案件的特征向量，构建相应案件类型及法律关系对应的训练集；基于不同训练集对基础预测模型进行训练，得到不同案件类型和法律关系对应的目标预测模型。

服务器获取多个历史案件的案件文件，记作历史案件文件。历史案件文件可以是诉讼请求书，裁判文书等。服务器在历史案件文件中提取相应历史案件的案件因子。案件因子包括案由、法律关系、证据组合、焦点类型和裁决观点等。服务器可以根据案由确定相应历史案件的案件类型。服务器根据案件类型和法律关系对大量历史案件进行分组。

服务器对案件因子进行独热编码，得到每个历史案件的特征向量。服务器基于每组历史案件因子的特征向量构建得到多个训练集。服务器基于不同的训练集对基础预测模型进行训练，得到每种案件类型和法律关系对应的准确度达到阈值的胜算率预测模型。基础预测模型可以是X-GBoost模型等。此外，不同案件类型和法律关系对应的基础预测模型可以不同，对此不做限制。

本实施例中，根据终端发送的诉讼结果预测请求，可以获取当前案件的案件信息及证据组合；通过识别证据组合中每个证据项对应的证据类型，可以得到当前案件的证据特征向量；根据案件信息，可以确定当前案件的案件类型和法律关系；基于预置的与案件类型和法律关系对应的目标预测模型以及计算得到的证据特征向量，可以预测当前案件的胜诉概率。由于用户只需提供掌握的当前案件的证据组合，自动识别证据组合涉及的证据类型，并基于预置的诉讼结果预测模型自动进行胜算概率预测，可以提高预测效率；此外，针对不同案件类型和法律关系的案件分别预置不同的诉讼结果预测模型，可以提高模型针对性，进而提高预测结果准确率。

在一个实施例中，案件因子包括证据组合；获取多个历史案件以及每个历史案件对应的案件因子，包括：获取多个历史案件的案件文件；通过正则匹配在案件文件中提取一个或多个证据描述语句；将证据描述语句输入预设的语义理解模型，得到每个证据描述语句对应的一个或多个证据项；识别每个证据项对应的证据类型，基于证据类型生成相应历史案件的证据组合。

不同案件因子的提取方式可以不同。对于在案件文件中直接明文记载的信息内容，可以利用关键词匹配或者正则匹配即可得到对应案件因子的因子值，如法律关系。而对于在案件文件中没有明文记载的案件因子的因子值，则需要基于预先训练的语义理解模型进行提炼。

语义理解模型可以是基于大量样本案件的案件文件训练得到的，用于提取目标案件因子的因子值，记作目标因子值。具体的，服务器通过正则匹配在历史案件的案件文件中筛选与目标案件因子相关的描述语句，记作因子描述语句。服务器对筛选得到的因子描述语句进行目标因子值标注。不同的因子描述语句及对应的目标因子值分别构成不同的样本。基于大量的样本对待训练初始模型进行训练，得到语义理解模型。待训练初始模型可以是X-GBoost模型等。

服务器针对每种目标案件因子预置了一种或多种模板描述语句。每种模板描述语句关联有对应的参考因子值。服务器基于语义理解计算提取得到的因子描述语句与相应模板描述语句的语义相似度，将语义相似度最高且达到阈值的模板描述语句关联的参考因子值标记为相应目标案件因子的目标因子值。

目标案件因子可以是证据组合、焦点类型等。根据目标案件因子的不同，因子描述语句可以是证据描述语句、焦点描述语句等。具体的，若目标案件因子为证据组合，服务器根据语义相似度最高的模板描述语句关联的参考证据项，并将参考证据项作为当前案件涉及的证据项。服务器识别当前案件每个证据项对应的证据类型，基于证据类型生成相应历史案件的证据组合。若目标案件因子为焦点类型，服务器根据语义相似度最高的模板描述语句关联的焦点类型，并将此焦点类型作为当前案件争议焦点的焦点类型。

本实施例中，基于语义理解模型自动对大量案件的案件文件进行解构，提取需要的案件因子，可以提高样本处理效率，进而提高模型训练效率。

在一个实施例中，如图3所示，该方法还包括证据链指引的步骤，包括：

步骤302，接收终端发送的证据链指引请求；证据链指引请求携带了案件标识。

步骤304，根据案件标识获取当前案件的案件信息。

步骤306，在案件信息中提取当前案件的争议焦点。

步骤308，模糊匹配确定争议焦点的焦点类型。

步骤310，根据当前案件的案件类型、法律关系和焦点类型，获取相关联的一个或多个证据项以及每个证据项对应的决策权重。

步骤312，根据决策权重生成相应证据项对应的证据标签。

步骤314，基于多个具有证据标签的证据项生成证据链，将证据链返回至终端。

当用户期望了解对于当前案件需要提供哪些证据胜诉概率更高时，也可以基于终端上的诉讼服务平台填写当前案件的案件标识。诉讼服务平台基于填写的案件标识生成证据链指引请求，并将证据链指引请求发送至服务器。服务器根据案件标识从诉讼服务平台对应的数据库拉取相应案件的案件信息。本实施例服务器与诉讼服务平台直接实现数据对接。若尚未实现数据对接，用户可以通过终端将当前案件的案件信息提交至服务器。

服务器预置了案件统计表。案件统计表记录了多个历史案件的案件信息。案件信息可以包括从历史案件文件中解构得到的案件标识和多个案件因子。案件因子可以是按照上述方式提取得到的。案件统计表可以是动态更新的。案件统计表可以如下表1所示。

表1

服务器基于解构得到的案件统计表预先训练了证据链指引模型，用于统计不同案由的历史案件中细分的法律关系/下的证据项及其支持情况，并计算每个证据项的决策权重，形成每种案由及法律关系对应的支持率高且精简的证据链。

服务器比较每个证据项的决策权重是否达到预设值，若是，将证据项标记为核心证据，反之，将证据项标记为非核心证据。预设值可以根据需求自由定义，对此不做限制。

本实施例中，不仅满足用户的预测需求，还对用户进行证据链指引，降低诉讼门槛；此外，为证据项进行重要性排序和分类，便于用户快速了解各个证据项对于当前案件胜诉的重要程度。

在一个实施例中，还包括诉讼结果大数据分析的步骤，具体包括：接收终端发送的诉讼分析请求；所述诉讼分析请求携带了检索分析语句；获取案件统计表及对应的表信息；根据所述检索分析语句及所述表信息，生成目标向量；将所述目标向量输入预设的序列模型，得到多个分析意图表达式；将所述目标向量输入预设的意图分类模型，得到目标SQL模板；将所述分析意图表达式填充至所述目标SQL模板，得到SQL检索分析语句；基于所述SQL检索分析语句在所述案件统计表中查询相关案件，并对所述相关案件的案件信息进行统计分析，将分析结果返回至所述终端。

检索分析语句可以是自然语言形成的一个或多个短句。例如，“金融借款类案件在广东地区的支持率”、“2018年广东地区合同解除纠纷类案件的比重”、“涉及借贷纠纷的案子一般都分布在哪儿”等。检索分析语句可能是存在语法错误，语义不连贯的语句。例如，“近五年贷款逾期还款的判案趋势，比如广东法院”等。对于存在语法错误，语义不连贯的检索分析语句，服务器对检索分析语句进行语义分析，生成对应的一种或多种语义连贯的检索意图语句，并基于检索意图语句生成检索意图确认提示，将检索意图确认提示返回至终端。用户可以基于检索意图确认提示选定一个检索意图语句，终端将选定信息发送至服务器。服务器按照本实施例提供的方法基于用户选定检索意图语句进行检索分析。在另一个实施例中，检索分析语句也可以是多个检索字段，对此不做限制。

服务器获取案件统计表的表信息。表信息包括表名、多个表头以及每个表头对应的多个字段枚举值。每个表头可以是一种案件因子。例如，表1中，第一行的每个字段即为一个表头，每一列其余行的多个字段即为相应表头对应的多个字段枚举值。

服务器分别计算检索分析语句和表信息对应的表征向量，将检索分析语句对应的表征向量与表信息对应的表征向量进行拼接，得到目标向量。

服务器基于大量真实的历史案件的案件信息预先训练了序列模型。序列模型用于识别用户的检索分析意图，即挖掘检索分析语句中能够反应用户期望的分析维度和分析条件等的潜在信息。分析意图表达式可以是Key-value键值对的形式，如检索分析语句“金融借款类案件在广东地区的支持率”对应的分析意图表达式可以是“案由＝金融借款纠纷”、“地域＝广东*”、“诉讼结果＝支持”、“意图＝胜诉比例”。再比如，检索分析语句“涉及借贷纠纷的案子一般都分布在哪儿”对应的分析意图表达式分别可以是“案由＝*借贷纠纷OR*借款纠纷”、“意图＝地域”。

服务器预置了多种SQL模板。不同的SQL模板用于满足用户基于不同维度和条件的检索分析意图。服务器训练训练了意图分类模型。意图分类模型用于根据当前用户检索分析意图确定选用哪种SQL模板。意图分类模型可以是基于大量模拟的检索分析语句以及每个检索分析语句对应标注的目标SQL模板，对基础分类模型进行有监督训练得到的。基础训练模型可以是RNN模型(Recurrent neural network，循环神经网络模型)。服务器将检索分析语句对应的多个目标向量依次输入意图分类模型，得到目标SQL模板。

不同的SQL模板的填充方式可以不同。服务器按照目标SQL模板的填充方式将分析意图表达式填充至目标SQL模板，即可得到SQL检索分析语句。

基于不同SQL检索分析语句不仅可以实现裁判时间、地域、案由等不同维度的数据查询；还可以实现案件比重、案件数量、支持率等不同条件的数据统计。服务器基于SQL检索分析语句在案件统计表中进行数据查询和统计分析，将分析结果返回至终端。

对于以往相关案件的处理信息查询，传统方式直接通过预置词表的方式粗狂的断定用户检索意图，且不支持用户以自然语言的方式进行检索。此外，预置词表不仅需要花费大量的人力，且难以保证词表信息的覆盖率，一旦用户输入的某个检索关键词在词表中没有覆盖到，则检索分析失败。而本申请支持用户以自然语言的方式进行检索。容易理解，自然语言相比单独的检索关键词可以更加准确的表达用户的检索意图，从而基于检索分析语句可以更加准确的挖掘用户的检索分析意图。本申请还通过机器学习预先训练序列模型和意图分类模型，可以进一步快速准确识别用户的检索分析意图，相比预置词表可以减少人工参与，实现真正意义上端到端的裁决信息检索分析。结合预先解构的案件统计表，可以提高裁决信息检索分析效率，进而可以快速响应用户不同的检索分析意图。

本实施例中，除了单纯对胜诉概率进行预测，还支持用户基于自然语言对以往相关案件的处理情况进行检索分析，从而可以预先从多个维度对当前案件的胜诉情况进行了解。

在一个实施例中，将证据特征向量输入目标预测模型，包括：在案件信息中提取当前案件的争议焦点；模糊匹配确定争议焦点的焦点类型；基于焦点类型生成当前案件的焦点特征向量；将焦点特征向量与证据特征向量进行拼接，得到案件特征向量；将案件特征向量输入目标预测模型。

为了提供预测结果准确性，本实施例结合当前案件的争议焦点进行具体案件具体分析。具体的，服务器按照上述方式确定当前案件争议焦点的焦点类型，并计算焦点类型对应的焦点特征向量。服务器对证据类型特征向量与焦点类型特征向量进行拼接。也可以对证据特征向量与焦点特征向量分别进行转换处理，将转换后的证据特征向量与焦点特征向量进行拼接，将拼接得到的向量作为当前案件的案件特征向量。服务器针对不同案件类型、法律关系及焦点类型的案件，分别预置对应的诉讼结果预测模型。换言之，服务器预先统计不同案由的历史案件中细分的法律关系及争议焦点下的证据项及其支持情况，并计算每个证据项的决策权重，得到参考统计结果。服务器基于参考统计结果及当前案件的案件特征向量预测当前案件的胜诉概率。

在另一个实施例中，目标预测模型包括第一预测模型和第二预测模型；获取与案件类型和法律关系对应的目标预测模型，将证据特征向量输入目标预测模型，得到当前案件的胜诉概率，包括：根据案件类型和法律关系获取对应的第一预测模型，将证据特征向量输入第一预测模型，得到第一预测值；在案件信息中提取当前案件的争议焦点，确定争议焦点的焦点类型，根据焦点类型获取对应的第二预测模型；基于焦点类型生成当前案件的焦点特征向量，将焦点特征向量输入第二预测模型，得到第二预测值；根据案件类型和法律关系确定第一预测模型及第二预测模型分别对应的预测权重；根据预测权重对第一预测值和第二预测值进行预设逻辑运算，得到当前案件的胜诉概率。

服务器采用不同方式对证据组合与争议焦点等预测因素进行结合。具体的，无需将证据特征向量与焦点特征向量进行拼接，而是针对不同预测因素分别预置对应的诉讼结果预测模型，如针对不同案件类型、法律关系的案件分别预置对应的第一预测模型；针对不同焦点类型的案件分别预置对应的第二预测模型。服务器将证据特征向量输入第一预测模型，得到第一预测值，将焦点特征向量输入第二预测模型，得到第二预测值。

服务器将当前案件的案件类型、法律关系及焦点类型输入预设的分类器，得到证据组合和焦点类型两个预测因素分别对应的决策权重。分类器也可以是一个X-GBoost模型。服务器对第一预测值和第二预测值进行预设逻辑运算，将运算结果作为当前案件的胜诉概率。预设逻辑运算可以是基于决策权重的叠加运算等。容易理解，也可以根据决策权重将第一预测值或第二预测值作为当前案件的胜诉概率。

本实施例中，除了考虑案件类型、法律关系及证据组合，还结合当前案件的争议焦点，充分考虑当前案件自身的案件特征，实现具体案件具体分析，可以提供预测结果准确性。

应该理解的是，虽然图2和图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种诉讼结果预测装置，包括：案件预测请求模块402、案件特征提取模块404和诉讼结果预测模块406，其中：

案件预测请求模块402，用于接收终端发送的诉讼结果预测请求；诉讼结果预测请求携带了当前案件的案件信息及证据组合。

案件特征提取模块404，用于确定证据组合中每个证据项对应的证据类型；基于证据类型生成当前案件的证据特征向量。

诉讼结果预测模块406，用于根据案件信息确定当前案件的案件类型和法律关系；获取与案件类型和法律关系对应的目标预测模型，将证据特征向量输入目标预测模型，得到当前案件的胜诉概率。

在一个实施例中，该装置还包括证据链指引模块408，用于接收终端发送的证据链指引请求；证据链指引请求携带了案件标识；根据案件标识获取当前案件的案件信息；在案件信息中提取当前案件的争议焦点；模糊匹配确定争议焦点的焦点类型；根据当前案件的案件类型、法律关系和焦点类型，获取相关联的一个或多个证据项以及每个证据项对应的决策权重；根据决策权重生成相应证据项对应的证据标签；基于多个具有证据标签的证据项生成证据链，将证据链返回至终端。

在一个实施例中，该装置包括预测模型构建模块410，用于获取多个历史案件以及每个历史案件对应的案件因子；案件因子包括案件类型和法律关系；根据案件类型和法律关系对多个历史案件进行分组；对案件因子进行编码处理，得到相应历史案件的特征向量；基于每组历史案件的特征向量，构建相应案件类型及法律关系对应的训练集；基于不同训练集中历史案件的特征向对基础预测模型进行训练，得到不同案件类型和法律关系对应的目标预测模型。

在一个实施例中，案件因子包括证据组合；预测模型构建模块410还用于获取多个历史案件的案件文件；通过正则匹配在案件文件中提取一个或多个证据描述语句；将证据描述语句输入预设的语义理解模型，得到每个证据描述语句对应的一个或多个证据项；识别每个证据项对应的证据类型，基于证据类型生成相应历史案件的证据组合。

在一个实施例中，诉讼结果预测模块406还用于在案件信息中提取当前案件的争议焦点；模糊匹配确定争议焦点的焦点类型；基于焦点类型生成当前案件的焦点特征向量；将焦点特征向量与证据特征向量进行拼接，得到案件特征向量；将案件特征向量输入目标预测模型。

在一个实施例中，目标预测模型包括第一预测模型和第二预测模型；诉讼结果预测模块406还用于根据案件类型和法律关系获取对应的第一预测模型，将证据特征向量输入第一预测模型，得到第一预测值；在案件信息中提取当前案件的争议焦点，确定争议焦点的焦点类型，根据焦点类型获取对应的第二预测模型；基于焦点类型生成当前案件的焦点特征向量，将焦点特征向量输入第二预测模型，得到第二预测值；根据案件类型和法律关系确定第一预测模型及第二预测模型分别对应的预测权重；根据预测权重对第一预测值和第二预测值进行预设逻辑运算，得到当前案件的胜诉概率。

关于诉讼结果预测装置的具体限定可以参见上文中对于诉讼结果预测方法的限定，在此不再赘述。上述诉讼结果预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储当前案件及历史案件的案件信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种诉讼结果预测方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供的诉讼结果预测方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种诉讼结果预测方法，所述方法包括：

接收终端发送的诉讼结果预测请求；所述诉讼结果预测请求携带了当前案件的案件信息及证据组合；

确定所述证据组合中每个证据项对应的证据类型；

基于所述证据类型生成所述当前案件的证据特征向量；

根据所述案件信息确定所述当前案件的案件类型和法律关系；

根据所述案件类型和法律关系获取对应的第一预测模型，将所述证据特征向量输入所述第一预测模型，得到第一预测值；

在所述案件信息中提取所述当前案件的争议焦点，模糊匹配确定所述争议焦点的焦点类型，根据所述焦点类型获取对应的第二预测模型；

基于所述焦点类型生成所述当前案件的焦点特征向量，将所述焦点特征向量输入所述第二预测模型，得到第二预测值；

根据所述案件类型和法律关系确定第一预测模型及第二预测模型分别对应的预测权重；

根据所述预测权重对第一预测值和第二预测值进行预设逻辑运算，得到当前案件的胜诉概率；

所述方法还包括：

接收终端发送的证据链指引请求；所述证据链指引请求携带了案件标识；

根据案件标识获取所述当前案件的案件信息；

在所述案件信息中提取所述当前案件的争议焦点；

模糊匹配确定所述争议焦点的焦点类型；

根据当前案件的案件类型、法律关系和焦点类型，获取相关联的一个或多个证据项以及每个证据项对应的决策权重；

根据所述决策权重生成相应证据项对应的证据标签；

基于多个具有证据标签的证据项生成证据链，将所述证据链返回至终端。

2.根据权利要求1所述的方法，其特征在于，所述获取与所述案件类型和目标法律关系对应的目标预测模型之前，还包括：

获取多个历史案件以及每个所述历史案件对应的案件因子；所述案件因子包括案件类型和法律关系；

根据所述案件类型和法律关系对多个历史案件进行分组；

对所述案件因子进行编码处理，得到相应历史案件的特征向量；

基于每组历史案件的特征向量，构建相应案件类型及法律关系对应的训练集；

基于不同训练集对基础预测模型进行训练，得到不同案件类型和法律关系对应的目标预测模型。

3.根据权利要求2所述的方法，其特征在于，所述案件因子包括证据组合；所述获取多个历史案件以及每个所述历史案件对应的案件因子，包括：

获取多个历史案件的案件文件；

通过正则匹配在所述案件文件中提取一个或多个证据描述语句；

将所述证据描述语句输入预设的语义理解模型，得到每个所述证据描述语句对应的一个或多个证据项；

识别每个证据项对应的证据类型，基于所述证据类型生成相应历史案件的证据组合。

4.根据权利要求1所述的方法，其特征在于，所述案件类型包括金融借款纠纷、合同解除纠纷、继承权纠纷；所述法律关系包括借贷关系、担保关系、共同还款人关系。

5.根据权利要求1所述的方法，其特征在于，根据权利要求1所述的方法，其特征在于，所述证据组合包括多个证据项，所述证据项包括当事人陈述、书证、物证、视听资料、证人证言、电子数据、鉴定结论、勘验笔录。

6.一种用于执行权利要求1所述的方法的诉讼结果预测装置，所述装置包括：

案件预测请求模块，用于接收终端发送的诉讼结果预测请求；所述诉讼结果预测请求携带了当前案件的案件信息及证据组合；

案件特征提取模块，用于确定所述证据组合中每个证据项对应的证据类型；基于所述证据类型生成所述当前案件的证据特征向量；

诉讼结果预测模块，用于根据所述案件信息确定所述当前案件的案件类型和法律关系；根据所述案件类型和法律关系获取对应的第一预测模型，将所述证据特征向量输入所述第一预测模型，得到第一预测值；在所述案件信息中提取所述当前案件的争议焦点，模糊匹配确定所述争议焦点的焦点类型，根据所述焦点类型获取对应的第二预测模型；基于所述焦点类型生成所述当前案件的焦点特征向量，将所述焦点特征向量输入所述第二预测模型，得到第二预测值；根据所述案件类型和法律关系确定第一预测模型及第二预测模型分别对应的预测权重；根据所述预测权重对第一预测值和第二预测值进行预设逻辑运算，得到当前案件的胜诉概率；

所述装置还包括证据链指引模块，用于接收终端发送的证据链指引请求；所述证据链指引请求携带了案件标识；根据案件标识获取所述当前案件的案件信息；在所述案件信息中提取所述当前案件的争议焦点；模糊匹配确定所述争议焦点的焦点类型；根据当前案件的案件类型、法律关系和焦点类型，获取相关联的一个或多个证据项以及每个证据项对应的决策权重；根据所述决策权重生成相应证据项对应的证据标签；基于多个具有证据标签的证据项生成证据链，将所述证据链返回至终端。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括预测模型构建模块，用于获取多个历史案件以及每个所述历史案件对应的案件因子；所述案件因子包括案件类型和法律关系；根据所述案件类型和法律关系对多个历史案件进行分组；对所述案件因子进行编码处理，得到相应历史案件的特征向量；基于每组历史案件的特征向量，构建相应案件类型及法律关系对应的训练集；基于不同训练集对基础预测模型进行训练，得到不同案件类型和法律关系对应的目标预测模型。

8.根据权利要求7所述的装置，其特征在于，所述案件因子包括证据组合；所述预测模型构建模块，还用于获取多个历史案件的案件文件；通过正则匹配在所述案件文件中提取一个或多个证据描述语句；将所述证据描述语句输入预设的语义理解模型，得到每个所述证据描述语句对应的一个或多个证据项；识别每个证据项对应的证据类型，基于所述证据类型生成相应历史案件的证据组合。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。

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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。

Images