CN110633458A - 裁判文书的生成方法和生成装置 - Google Patents
裁判文书的生成方法和生成装置 Download PDFInfo
- Publication number
- CN110633458A CN110633458A CN201810664228.9A CN201810664228A CN110633458A CN 110633458 A CN110633458 A CN 110633458A CN 201810664228 A CN201810664228 A CN 201810664228A CN 110633458 A CN110633458 A CN 110633458A
- Authority
- CN
- China
- Prior art keywords
- document
- text
- elements
- generating
- case
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000014509 gene expression Effects 0.000 claims description 58
- 238000000605 extraction Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 15
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000015654 memory Effects 0.000 description 22
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000013145 classification model Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Technology Law (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种裁判文书的生成方法和生成装置。其中,该方法包括:获取待生成裁判文书的案件原文;从案件原文中提取出要素的要素特征;根据知识图谱和要素特征,生成裁判文书的正文部分,其中,知识图谱包括:要素,以及要素之间的关系;至少依据正文部分生成裁判文书。本申请解决了相关技术中无法自动生成裁判文书的技术问题。
Description
技术领域
本申请涉及计算机领域,具体而言,涉及一种裁判文书的生成方法和生成装置。
背景技术
随着互联网技术的迅速发展,智能化的设备给人们的日常生活和工作中带来了便利,例如,在法院业务场景中,法院中的法律工作人员可以通过互联网法院等智能***提取裁判文书中的重要信息,以供法律工作人员对该案件或该类型的案件进行统计分析。
现有的互联网法院等智能***一般作为法律工作者的辅助工作进行使用,例如,通过语义分析等技术从裁判文书中提取信息,或者通过人工处理的方式构建各个法律要素之间的联系,进而根据各个法律要素之间的联系生成裁判结果。此外,在生成裁判文书的过程中,需要法律工作人员人工对相关资料进行标注或搜索,耗时耗力,降低了法律工作人员的工作效率。另外,在现有技术中,裁判文书的判决结果需由法律工作人员人工提取,而裁判文书的内容,尤其是复杂案件的裁判文书的内容一般比较多,因此,人工提取判决结果的方案易出现提取内容不准确的问题。
针对上述相关技术中无法自动生成裁判文书的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种裁判文书的生成方法和生成装置,以至少解决相关技术中无法自动生成裁判文书的技术问题。
根据本发明实施例的一个方面,提供了一种裁判文书的生成方法,包括:获取待生成裁判文书的案件原文;从案件原文中提取出要素的要素特征;根据知识图谱和要素特征,生成裁判文书的正文部分,其中,知识图谱包括:要素,以及要素之间的关系;至少依据正文部分生成裁判文书。
根据本发明实施例的另一方面,还提供了一种裁判文书的生成装置,包括:获取模块,用于获取待生成裁判文书的案件原文;提取模块,用于从案件原文中提取出要素的要素特征;第一生成模块,用于根据知识图谱和要素特征,生成裁判文书的正文部分,其中,知识图谱包括:要素,以及要素之间的关系;第二生成模块,用于至少依据正文部分生成裁判文书。
根据本发明实施例的另一方面,还提供了一种存储介质,该存储介质存储有计算机程序,其中,在程序被处理器执行时实现裁判文书的生成方法。
在本发明实施例中,采用知识图谱生成裁判文书的方式,通过获取待生成裁判文书的案件原文,并从案件原文中提取出要素的要素特征,然后,根据知识图谱和要素特征生成裁判文书的正文部分,并至少依据正文部分生成裁判文书,其中,知识图谱包括:要素,以及要素之间的关系。
在上述过程中,根据要素特征可确定生成裁判文书所需要的要素,在得到生成裁判文书所需要的要素之后,根据知识图谱即可生成裁判文书的正文部分。在生成裁判文书的正文部分的过程中,无需法律工作人员的参与,从而降低了法律工作人员的工作量。另外,由于正文部分是裁判文书的核心部分,其包含了判决结果的推理说明部分,在现有技术中,该部分通过由人工完成,而在本申请所提供的方案中,根据案件原文的要素特征以及知识图谱即可生成正文部分,从而达到了自动生成裁判文书的目的,从而实现了提高法律工作人员的工作效率的技术效果。
由此可见,本申请所提供的方案可以解决相关技术中无法自动生成裁判文书的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现裁判文书的生成方法的计算机终端的硬件结构框图;
图2是根据本申请实施例的一种裁判文书的生成方法的流程图;
图3是根据本申请实施例的一种可选的知识图谱的示意图;
图4是根据本申请实施例的一种可选的裁判文书的示意图;
图5是根据本申请实施例的一种可选的裁判文书的示意图;
图6是根据本申请实施例的一种可选的标注要素的示意图;
图7是根据本申请实施例的一种可选的裁判文书的生成方法的框架示意图;
图8是根据本申请实施例的一种裁判文书的生成装置的结构示意图;以及
图9是根据本申请实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
知识图谱,Maping Knowledge Domain,也称为科学知识图谱,是一种结构化的语义知识库,用于以符号形式描述物理世界中的概念及其相互关系,其基本组成单位是“实体-关系-实体”三元组,以及实体及其相关属性-值对,通过实体之间的关系相互联结,构成网状的知识结构。
实施例1
根据本申请实施例,还提供了一种裁判文书的生成方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现裁判文书的生成方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端A(或移动设备A)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端A还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端A(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的裁判文书的生成方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的裁判文书的生成方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端A的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端A(或移动设备)的用户界面进行交互。
在上述运行环境下,本申请还提出了一种生成裁判文书的智能设备,该智能设备可执行本申请所提供的裁判文书的生成方法。其中,图2示出了裁判文书的生成方法的流程图,如图2所示,裁判文书的生成方法可以包括如下步骤:
步骤S202,获取待生成裁判文书的案件原文。
需要说明的是,裁判文书的内容可以包括但不限于当事人信息(包括原告信息和被告信息)、审理经过、原告诉称、被告答辩、本院查明、本院认为、裁判结果等部分。其中,案件原文的不同部分生成裁判文书的不同部分,例如,原告诉称文书生成裁判文书的原告诉称部分,被告答辩文书生成被告答辩部分。
在一种可选的方案中,对于裁判文书的不同部分,获取案件原文的对应部分的方式可以不同,例如,对于当事人信息、审理经过、裁判结果等部分,由于其组成部分的格式比较固定,在从案件原文中获取上述部分的信息时,可采用人工编写模块与填写关键实体信息相结合的方式完成,例如,对于当事人信息部分,法律工作人员可通过输入设备(例如,鼠标、键盘)或语音等输入方式输入原告和被告的姓名、性别、身份证号、地址等信息。
在另一种可选的方案中,生成裁判文书的智能设备可采用OCR(OpticalCharacter Recognition,光学字符识别)技术将纸质或图片格式的消息转换成文字格式的信息,智能设备从转换后的信息中获取到案件原文。
步骤S204,从案件原文中提取出要素的要素特征。
在步骤S204中,案件原文中的要素为在案件原文或句子中起到关键作用的句子或词,要素的要素特征为该要素所对应的值,例如,要素特征可以为数值形式,也可以为布尔形式。另外,不同的要素对应不同的提取方式,例如,对于交易金额、交易数量等数字类型的要素特征,可采用直接提取的方式,从案件原文(例如,原告诉称文书、被告答辩文书以及证据文书等)中进行提取;对于布尔类型的要素特征,例如,是否收到货、是否虚假原价等,可采用提取标签的方式,从案件原文中进行提取。
需要说明的是,上述仅介绍了数字类型的要素特征和布尔类型的要素特征,其他的要素特征具有对应的提取方法,在此不再赘述。
步骤S206,根据知识图谱和要素特征,生成裁判文书的正文部分,其中,知识图谱包括:要素,以及要素之间的关系。
需要说明的是,在步骤S206中,裁判文书的正文部分可以包括裁判文书中的本院认为部分。另外,知识图谱的关系以三元组的形式存储,即以“要素-关系-要素”的形式存储,在本申请中知识图谱中的要素包括法律知识要素,例如,是否构成欺诈。可选的,图3示出了一种可选的知识图谱的示意图,在图3中,每个节点可代表一个要素(例如,“原告在中国裁判文书网诉讼次数”)、判别要点(例如,“是否在中国裁判文书网诉讼3次以上”)或逻辑门(例如,“或001”),左边节点为右边节点的输入,例如,节点“原告在中国裁判文书网诉讼次数”为节点“是否在中国裁判文书网诉讼3次以上”的输入节点。
此外,还需要说明的是,在根据知识图谱和要素特征生成裁判文书的正文部分之前,还需要创建知识图谱。知识图谱的构建方法包括但不限人工构建、算法自动构建。另外,为了提高生成裁判文书的正文部分的准确度,对于不同类型的案件需要构建不同的知识图谱,例如,生成刑事案件的裁判文书需要的知识图谱,与生成民事案件的裁判文书所需要的知识图谱不同。
步骤S208,至少依据正文部分生成裁判文书。
在步骤S208中,在生成正文部分之后,对已经生成的裁判文书的其他部分进行组合,即可生成裁判文书,如图4和图5所示的裁判文书。另外,对裁判文书的各部分进行组合的方式可以为但不限于模板组合,例如,生成包含当事人信息、原告诉讼请求、被告辩称、证据确认、事实认定、本院认为、本院判决的文书模板,然后分别获取上述部分所对应的内容,并将各个部分对应的内容分别放入文书模板中对应的模块中,从而生成图4和图5所示的裁判文书。
需要说明的是,与知识图谱相对应,不同类型的案件需要不同的文书模板。
基于上述步骤S202至步骤S208所限定的方案,可以获知,采用知识图谱生成裁判文书的方式,通过获取待生成裁判文书的案件原文,并从案件原文中提取出要素的要素特征,然后,根据知识图谱和要素特征生成裁判文书的正文部分,并至少依据正文部分生成裁判文书,其中,知识图谱包括:要素,以及要素之间的关系。
在上述过程中,根据要素特征可确定生成裁判文书所需要的要素,在得到生成裁判文书所需要的要素之后,根据知识图谱即可生成裁判文书的正文部分。在生成裁判文书的正文部分的过程中,无需法律工作人员的参与,从而降低了法律工作人员的工作量。另外,由于正文部分是裁判文书的核心部分,其包含了判决结果的推理说明部分,在现有技术中,该部分通过由人工完成,而在本申请所提供的方案中,根据案件原文的要素特征以及知识图谱即可生成正文部分,从而达到了自动生成裁判文书的目的,从而实现了提高法律工作人员的工作效率的技术效果。
由此可见,本申请所提供的方案可以解决相关技术中无法自动生成裁判文书的技术问题。
需要说明的是,在获取待生成裁判文书的案件原文之后,智能设备可通过以下至少之一从案件原文中提取出要素的要素特征:
方式一:从案件原文的文字表述中提取出实体要素的要素特征,实体要素为要素特征直接在案件原文的文字表述中表达的要素,例如,从案件原文中直接提取出的交易金额、交易数量等,其中,从原文中提取出要素特征的方式可以包括但不限于模板匹配的抽取方式、机器学习模型的抽取方式。进一步地,机器学习模型包括但不限于条件随机场(Conditional Random Fields,简称CRF)模型、双向LSTM(Long Short-Term Memory,长短期记忆)模型等。
方式二:从案件原文的文字表述中提取出标签要素,对标签要素进行分类得到标签要素的要素特征,其中,标签要素的要素特征采用预定分类算法在案件原文中表述。在该方式下,标签要素可以为布尔类型的标签要素,例如,是否收到货、是否虚假原价、是否虚假折扣等。在得到标签要素之后,智能设备针对每个标签要素进行训练,得到分类器,使得案件原文中对应部分(例如,原告诉称文书)中的每句话均经过分类器进行判别,以确定该部分的每句话是否与对应的要素特征相匹配。另外,在方式二下,分类器可以为但不限于支持向量机(Support Vector Machine,简称SVM)分类器。
进一步地,在从案件原文中提取出要素特征之后,智能设备即可根据知识图谱和要素特征,生成裁判文书的正文部分,其中,生成裁判文书的正文部分的方法可以包括:
步骤S2060,识别出案件的争议焦点。
在一种可选的方案中,智能设备可通过识别原告和被告发出的选择指令来识别案件的争议焦点。具体的,在生成裁判文书的智能设备中,原告的起诉与被告的答辩均通过互联网来完成,原告可在智能设备上选择知识图谱中争议的问题,例如,选择“原告未滥诉”,被告根据原告选择的争议问题,选择是否认可原告、如果被告选择“原告滥诉”,则原告和被告的意见不一致,“原告是否滥诉”即为案件的争议焦点。
步骤S2062,根据要素特征,以及知识图谱中要素之间的关系,生成从案件的基础要素到争议焦点的路径。
需要说明的是,知识图谱中包含了案件的审判逻辑,争议焦点和基础要素均为知识图谱中的节点,其中,基础要素为从原告诉称文书、被告答辩文书以及证据文书等信息中提取到的要素,例如,购买金额、历史数据(例如,在互法中的原告诉称文书)等。基础要素为路径的起点,也可以理解成没有在此之前的节点的无争议节点。
步骤S2064,根据路径生成裁判文书的正文部分。
具体的,在确定了基础要素为起点,争议焦点为重点的路径之后,智能设备确定路径所包括的子节点和推理节点,然后,遍历路径上的节点,并对节点进行描述,得到裁判文书的正文部分。其中,子节点包括案件原文中直接文字表述要素特征的节点,推理节点包括会导致争议焦点不成立的节点。
需要说明的是,对于不同的节点采用不同的描述形式,其中,在节点包括子节点的情况下,对子节点采用案件原文中文字表述的要素特征进行描述;在节点包括推理节点的情况下,根据要素模板对推理节点进行描述,其中,要素模板包括:裁判文书的常用语以及要素特征对应的实体的位置。具体的,采用对知识图谱进行遍历的方式,从子节点开始对该路径上的节点进行访问,直至检测到节点为推理节点为止。在检测到节点包括推理节点的情况下,使用要素模块生成该推理节点的描述,并将该描述传递给下一个节点,然后检测下一个节点是否为推理节点,进而再根据节点的类型进行对应的描述。完成对该案件中所有的争议焦点的访问之后,基于每条路径下的描述生成裁判文书的正文部分。
此外,还需要说明的是,在根据要素模板对推理节点进行描述之前,可通过以下方式获取要素模板:
步骤S3060,获取预定数量的裁判文书中对判别要点的多种表述;
步骤S3062,采用机器训练模型对多种表述进行训练,得到多种表述的公共表达部分;
步骤S3064,将公共表达部分作为常用语,并结合要素特征对应的实体的位置生成要素模板。
可选的,在获取要素模板之前,需要对裁判文书中的要素进行标注,例如,对裁判文书中的判别要点进行实体抽取。如图6所示,对于不同的要素以不同样式的显示框进行标注。需要说明的是,要素的标注样式不限于以不同样式的显示框的形式进行标注,还可以不同的颜色进行标注。另外,需要标注的要素包含在知识图谱中,主要包括法律条款、实体信息(例如,原告信息、被告信息等)、判别要点(例如,图6中的“未按限量添加原料/添加剂”)。
举例来说,预定数量的裁判文书中对判别要点的多种表述包括:表述一:张三要求李四退还货款30元;表述二:王二要求赵五退还货款40元;表述三:肖一要求白六退款50元,等等。采用机器训练模型对上述多种表述进行训练,得出多种表述的公共表达部分:**要求**退款,该公共表达部分即是上述所指的常用语。其中,第一个**就是原告实体对应的位置,第二个**就是被告实体对应的位置,因此,公共表达部分结合要素特征对应的实体的位置即生成要素模板:原告要求被告退款。
因此,在从案件原文中读取出要素的要素特征(原告的名称和被告的名称)后,将要素特征结合要素模板就可以表述上述推理节点。
需要说明的是,实体信息需要在案件原文中抽取出具体的问题,判别要点以及法律条款需要在案件原文中筛选出对应的句子,然后在对该句子进行标签处理,最后根据处理后的标签得到判别要点以及法律条款。
在一种可选的实施例中,在对大量的裁判文书中的要素进行标注之后,智能设备通过统计的方式得到每个判别要点的多种表述,并针对每个标注进行实体识别(NER,方法不限),然后再将句子中的实体(例如,人名、店铺名、金额、地名、法律条款名等)替换成标签,并使用最长公共子串算法从大量的表述中提取出多组公共子串以及出现的频率,以频率最高的公共子串作为该判别要点的要素模板。
需要说明的是,在上述过程中,对标签进行实体识别的方式可以为但不限于NER(Namend Entity Recognizer,命名实体识别)方法。
进一步地,在生成裁判文书的正文部分之后,智能设备至少依据正文部分生成裁判文书,具体方法可以包括:
步骤S30,采用抽取式摘要的方法分别从原告诉称文书中提取出原告诉称部分,和从被告答辩文书中提取出被告答辩部分;
步骤S32,依据正文部分,结合原告诉称部分和被告答辩部分,生成裁判文书。
在上述步骤S30至步骤S32所限定的方案中,由于原告诉称文书和被告答辩文书的内容比较具体,因此,对于案情较为复杂的案件,原告诉称文书和被告答辩文书的内容显得尤为重要。而裁判文书中对应的原告诉称部分和被告答辩部分为对原告诉称文书和被告答辩文书的内容的提炼,因此,根据正文部分,结合原告诉称部分和被告答辩部分生成的裁判文书包含了对案件进行裁判的主要内容。
在一种可选的方案中,智能设备首先构建自动摘要的标注数据集,其中,以原告诉称为例,标注数据集的原始输入为起诉书,输出为对应案件的裁判文书中原告诉称部分。然后,智能设备再对上述标注数据集进行训练,得到摘要抽取模型。其中,摘要抽取模型可采用抽取式摘要的方法分别从原告诉称文书中提取出原告诉称部分,和从被告答辩文书中提取出被告答辩部分,可以为但不限于传统的分类模型、序列模型、深度模型、二分类模型等。
可选的,采用抽取式摘要的方法分别从原告诉称文书中提取出原告诉称部分,和从被告答辩文书中提取出被告答辩部分包括:
步骤S302,从原告诉称文书中提取出诉称摘要,并将诉称摘要作为原告诉称部分,其中,诉称摘要包括:原告诉称文书中的整句或子句;
步骤S304,从被告答辩文书中提取出答辩摘要,并将答辩摘要作为被告答辩部分,其中,答辩摘要包括:被告答辩文书中的整句或子句。
具体的,智能设备采用二分类模型的方式抽取摘要。在二分类模型的输入为原告诉称文书的情况下,二分类模型根据元素特征在段落中的位置、是否包含法律知识要素、元素特征所在句子的长度、包含的实体数量、是否包含金额等内容提取出诉称摘要。在二分类模型的输入为被告答辩文书的情况下,二分类模型的处理方法与原告诉称文书类似,在此不再赘述。
需要说明的是,二分类模型可根据案由的不同而输出不同的摘要内容,因此该摘要抽取模型会根据不同的案由进行训练从而得到不同的模型。
另外,采用了抽取式摘要的方法从案件原文中抽取关键的整句或者子句组成摘要,不仅能够保留关键信息,还能保证摘要的流畅度,便于阅读和理解。
此外,还需要说明的是,裁判文书还包括本院查明部分,其中,本院查明部分又分为非争议事实部分和争议事实部分。由于非争议事实部分的组成比较固定,因此,可以采用模板化的方法来生成;而争议事实部分与正文部分类似,所不同的仅为争议事实部分无需展示对应的法律条款部分,因此,可采用正文部分相同的方法生成争议事实部分。
最后,图7示出了本申请所提供的裁判文书的生成方法的框架示意图,由图7可知,裁判文书的生成方法主要由以下六个模块组成,其中,知识图谱构建模块用于构建知识图谱;要素标注模块用于标注裁判文书中的知识要素,为摘要抽取模块提供数据;摘要抽取模块用于完成对判别出的要点进行描述;实体抽取模块用于从案件原文中抽取法律知识要素;要点识别模块用于对争议焦点和推理要点进行识别;裁判文书生成模块用于从摘要抽取模块获取到与推理要点对应的描述,并进行传递,直至访问所有的争议焦点,生成正文部分。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的裁判文书的生成方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
实施例2
根据本申请实施例,还提供了一种用于实施上述裁判文书的生成方法的裁判文书的生成装置,如图8所示,该装置80包括:获取模块801、提取模块803、第一生成模块805以及第二生成模块807。
其中,获取模块801,用于获取待生成裁判文书的案件原文;提取模块803,用于从案件原文中提取出要素的要素特征;第一生成模块805,用于根据知识图谱和要素特征,生成裁判文书的正文部分,其中,知识图谱包括:要素,以及要素之间的关系;第二生成模块807,用于至少依据正文部分生成裁判文书。
需要说明的是,从案件原文中提取出要素的要素特征包括以下至少之一:从案件原文的文字表述中提取出实体要素的要素特征,实体要素为要素特征直接在案件原文的文字表述中表达的要素;从案件原文的文字表述中提取出标签要素,对标签要素进行分类得到标签要素的要素特征,其中,标签要素的要素特征采用预定分类算法在案件原文中表述。
此处,还需要说明的是,上述获取模块801、提取模块803、第一生成模块805以及第二生成模块807对应于实施例1中的步骤S202至步骤S208,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端A中。
在一种可选的方案中,第一生成模块包括:识别模块、第三生成模块以及第四生成模块。其中,识别模块,用于识别出案件的争议焦点;第三生成模块,用于根据要素特征,以及知识图谱中要素之间的关系,生成从案件的基础要素到争议焦点的路径;第四生成模块,用于根据路径生成裁判文书的正文部分。
此处,需要说明的是,上述识别模块、第三生成模块以及第四生成模块对应于实施例1中的步骤S2060至步骤S2064,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端A中。
在一种可选的方案中,第四生成模块包括:确定模块以及遍历模块。其中,确定模块,用于确定路径所包括的子节点和推理节点,其中,子节点包括案件原文中直接文字表述要素特征的节点,推理节点包括会导致争议焦点不成立的节点;遍历模块,用于遍历路径上的节点,对节点进行描述,得到裁判文书的正文部分。
在一种可选的方案中,遍历模块包括:第一处理模块以及第二处理模块。其中,第一处理模块,用于在节点包括子节点的情况下,对子节点采用案件原文中文字表述的要素特征进行描述;第二处理模块,用于在节点包括推理节点的情况下,根据要素模板对推理节点进行描述,其中,要素模板包括:裁判文书的常用语以及要素特征对应的实体的位置。
在一种可选的方案中,在根据要素模板对推理节点进行描述之前,裁判文书的生成装置通过以下模块获取要素模板:第一获取模块、训练模块以及第三处理模块。其中,第一获取模块,用于获取预定数量的裁判文书中对判别要点的多种表述;训练模块,用于采用机器训练模型对多种表述进行训练,得到多种表述的公共表达部分;第三处理模块,用于将公共表达部分作为常用语,并结合要素特征对应的实体的位置生成要素模板。
此处,需要说明的是,上述第一获取模块、训练模块以及第三处理模块对应于实施例1中的步骤S3060至步骤S3064,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端A中。
在一种可选的方案中,第二生成模块包括:第一提取模块以及第五生成模块。其中,第一提取模块,用于采用抽取式摘要的方法分别从原告诉称文书中提取出原告诉称部分,和从被告答辩文书中提取出被告答辩部分;第五生成模块,用于依据正文部分,结合原告诉称部分和被告答辩部分,生成裁判文书。
此处,需要说明的是,上述第一提取模块以及第五生成模块对应于实施例1中的步骤S30至步骤S32,两个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端A中。
在一种可选的方案中,第一提取模块包括:第二提取模块以及第三提取模块。其中,第二提取模块,用于从原告诉称文书中提取出诉称摘要,并将诉称摘要作为原告诉称部分,其中,诉称摘要包括:原告诉称文书中的整句或子句;第三提取模块,用于从被告答辩文书中提取出答辩摘要,并将答辩摘要作为被告答辩部分,其中,答辩摘要包括:被告答辩文书中的整句或子句。
此处,需要说明的是,上述第二提取模块以及第三提取模块对应于实施例1中的步骤S302至步骤S304,两个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端A中。
实施例3
本申请的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行应用程序的裁判文书的生成方法中以下步骤的程序代码:获取待生成裁判文书的案件原文;从案件原文中提取出要素的要素特征;根据知识图谱和要素特征,生成裁判文书的正文部分,其中,知识图谱包括:要素,以及要素之间的关系;至少依据正文部分生成裁判文书。
可选地,图9是根据本申请实施例的一种计算机终端的结构框图。如图9所示,该计算机终端90可以包括:一个或多个(图中仅示出一个)处理器902、存储器904、以及传输装置906。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的裁判文书的生成方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的裁判文书的生成方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端90。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取待生成裁判文书的案件原文;从案件原文中提取出要素的要素特征;根据知识图谱和要素特征,生成裁判文书的正文部分,其中,知识图谱包括:要素,以及要素之间的关系;至少依据正文部分生成裁判文书。从案件原文中提取出要素特征包括以下至少之一:从案件原文的文字表述中提取出实体要素的要素特征,实体要素为要素特征直接在案件原文的文字表述中表达的要素;从案件原文的文字表述中提取出标签要素,对标签要素进行分类得到标签要素的要素特征,其中,标签要素的要素特征采用预定分类算法在案件原文中表述。
可选的,上述处理器还可以执行如下步骤的程序代码:识别出案件的争议焦点;根据要素特征,以及知识图谱中要素之间的关系,生成从案件的基础要素到争议焦点的路径;根据路径生成裁判文书的正文部分。
可选的,上述处理器还可以执行如下步骤的程序代码:确定路径所包括的子节点和推理节点,其中,子节点包括案件原文中直接文字表述要素特征的节点,推理节点包括会导致争议焦点不成立的节点;遍历路径上的节点,对节点进行描述,得到裁判文书的正文部分。
可选的,上述处理器还可以执行如下步骤的程序代码:在节点包括子节点的情况下,对子节点采用案件原文中文字表述的要素特征进行描述;在节点包括推理节点的情况下,根据要素模板对推理节点进行描述,其中,要素模板包括:裁判文书的常用语以及要素特征对应的实体的位置。
可选的,上述处理器还可以执行如下步骤的程序代码:获取预定数量的裁判文书中对判别要点的多种表述;采用机器训练模型对多种表述进行训练,得到多种表述的公共表达部分;将公共表达部分作为常用语,并结合要素特征对应的实体的位置生成要素模板。
可选的,上述处理器还可以执行如下步骤的程序代码:采用抽取式摘要的方法分别从原告诉称文书中提取出原告诉称部分,和从被告答辩文书中提取出被告答辩部分;依据正文部分,结合原告诉称部分和被告答辩部分,生成裁判文书。
可选的,上述处理器还可以执行如下步骤的程序代码:从原告诉称文书中提取出诉称摘要,并将诉称摘要作为原告诉称部分,其中,诉称摘要包括:原告诉称文书中的整句或子句;从被告答辩文书中提取出答辩摘要,并将答辩摘要作为被告答辩部分,其中,答辩摘要包括:被告答辩文书中的整句或子句。
本领域普通技术人员可以理解,图9所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图9其并不对上述电子装置的结构造成限定。例如,计算机终端90还可包括比图9中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图9所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例4
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一所提供的裁判文书的生成方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取待生成裁判文书的案件原文;从案件原文中提取出要素的要素特征;根据知识图谱和要素特征,生成裁判文书的正文部分,其中,知识图谱包括:要素,以及要素之间的关系;至少依据正文部分生成裁判文书。从案件原文中提取出要素特征包括以至少之一:从案件原文的文字表述中提取出实体要素的要素特征,实体要素为要素特征直接在案件原文的文字表述中表达的要素;从案件原文的文字表述中提取出标签要素,对标签要素进行分类得到标签要素的要素特征,其中,标签要素的要素特征采用预定分类算法在案件原文中表述。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:识别出案件的争议焦点;根据要素特征,以及知识图谱中要素之间的关系,生成从案件的基础要素到争议焦点的路径;根据路径生成裁判文书的正文部分。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:确定路径所包括的子节点和推理节点,其中,子节点包括案件原文中直接文字表述要素特征的节点,推理节点包括会导致争议焦点不成立的节点;遍历路径上的节点,对节点进行描述,得到裁判文书的正文部分。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在节点包括子节点的情况下,对子节点采用案件原文中文字表述的要素特征进行描述;在节点包括推理节点的情况下,根据要素模板对推理节点进行描述,其中,要素模板包括:裁判文书的常用语以及要素特征对应的实体的位置。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预定数量的裁判文书中对判别要点的多种表述;采用机器训练模型对多种表述进行训练,得到多种表述的公共表达部分;将公共表达部分作为常用语,并结合要素特征对应的实体的位置生成要素模板。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:采用抽取式摘要的方法分别从原告诉称文书中提取出原告诉称部分,和从被告答辩文书中提取出被告答辩部分;依据正文部分,结合原告诉称部分和被告答辩部分,生成裁判文书。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:从原告诉称文书中提取出诉称摘要,并将诉称摘要作为原告诉称部分,其中,诉称摘要包括:原告诉称文书中的整句或子句;从被告答辩文书中提取出答辩摘要,并将答辩摘要作为被告答辩部分,其中,答辩摘要包括:被告答辩文书中的整句或子句。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种裁判文书的生成方法,其特征在于,包括:
获取待生成裁判文书的案件原文;
从所述案件原文中提取出要素的要素特征;
根据知识图谱和所述要素特征,生成裁判文书的正文部分,其中,所述知识图谱包括:要素,以及要素之间的关系;
至少依据所述正文部分生成所述裁判文书。
2.根据权利要求1所述的方法,其特征在于,根据所述知识图谱和所述要素特征,生成所述裁判文书的所述正文部分包括:
识别出案件的争议焦点;
根据所述要素特征,以及所述知识图谱中要素之间的关系,生成从所述案件的基础要素到所述争议焦点的路径;
根据所述路径生成所述裁判文书的正文部分。
3.根据权利要求2所述的方法,其特征在于,根据所述路径生成所述裁判文书的正文部分包括:
确定所述路径所包括的子节点和推理节点,其中,所述子节点包括所述案件原文中直接文字表述要素特征的节点,所述推理节点包括会导致所述争议焦点不成立的节点;
遍历所述路径上的节点,对所述节点进行描述,得到所述裁判文书的正文部分。
4.根据权利要求3所述的方法,其特征在于,遍历所述路径上的节点,对所述节点进行描述,得到所述裁判文书的正文部分包括:
在所述节点包括子节点的情况下,对所述子节点采用所述案件原文中文字表述的要素特征进行描述;
在所述节点包括所述推理节点的情况下,根据要素模板对所述推理节点进行描述,其中,所述要素模板包括:裁判文书的常用语以及要素特征对应的实体的位置。
5.根据权利要求4所述的方法,其特征在于,在根据要素模板对所述推理节点进行描述之前,还包括:通过以下方式,获取所述要素模板:
获取预定数量的裁判文书中对判别要点的多种表述;
采用机器训练模型对所述多种表述进行训练,得到所述多种表述的公共表达部分;
将所述公共表达部分作为所述常用语,并结合要素特征对应的实体的位置生成所述要素模板。
6.根据权利要求1所述的方法,其特征在于,从所述案件原文中提取出要素的要素特征包括以下至少之一:
从所述案件原文的文字表述中提取出实体要素的要素特征,所述实体要素为要素特征直接在所述案件原文的文字表述中表达的要素;
从所述案件原文的文字表述中提取出标签要素,对所述标签要素进行分类得到所述标签要素的要素特征,其中,所述标签要素的要素特征采用预定分类算法在所述案件原文中表述。
7.根据权利要求1所述的方法,其特征在于,至少依据所述正文部分生成所述裁判文书包括:
采用抽取式摘要的方法分别从原告诉称文书中提取出原告诉称部分,和从被告答辩文书中提取出被告答辩部分;
依据所述正文部分,结合所述原告诉称部分和所述被告答辩部分,生成所述裁判文书。
8.根据权利要求7所述的方法,其特征在于,采用抽取式摘要的方法分别从所述原告诉称文书中提取出所述原告诉称部分,和从所述被告答辩文书中提取出所述被告答辩部分包括:
从所述原告诉称文书中提取出诉称摘要,并将所述诉称摘要作为所述原告诉称部分,其中,所述诉称摘要包括:所述原告诉称文书中的整句或子句;
从所述被告答辩文书中提取出答辩摘要,并将所述答辩摘要作为所述被告答辩部分,其中,所述答辩摘要包括:所述被告答辩文书中的整句或子句。
9.一种裁判文书的生成装置,其特征在于,包括:
获取模块,用于获取待生成裁判文书的案件原文;
提取模块,用于从所述案件原文中提取出要素的要素特征;
第一生成模块,用于根据知识图谱和所述要素特征,生成裁判文书的正文部分,其中,所述知识图谱包括:要素,以及要素之间的关系;
第二生成模块,用于至少依据所述正文部分生成所述裁判文书。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,其中,在所述计算机程序被处理器执行时实现权利要求1至8中任意一项所述的裁判文书的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810664228.9A CN110633458A (zh) | 2018-06-25 | 2018-06-25 | 裁判文书的生成方法和生成装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810664228.9A CN110633458A (zh) | 2018-06-25 | 2018-06-25 | 裁判文书的生成方法和生成装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633458A true CN110633458A (zh) | 2019-12-31 |
Family
ID=68968706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810664228.9A Pending CN110633458A (zh) | 2018-06-25 | 2018-06-25 | 裁判文书的生成方法和生成装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633458A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781254A (zh) * | 2020-01-02 | 2020-02-11 | 四川大学 | 一种案情知识图谱自动构建方法及***及设备及介质 |
CN110781650A (zh) * | 2020-01-02 | 2020-02-11 | 四川大学 | 一种基于深度学习的裁判文书自动生成方法及*** |
CN111694931A (zh) * | 2020-06-11 | 2020-09-22 | 北京百度网讯科技有限公司 | 要素获取方法及装置 |
CN111753025A (zh) * | 2020-06-24 | 2020-10-09 | 南方科技大学 | 案件信息的自动获取方法、装置、设备和存储介质 |
CN111753538A (zh) * | 2020-06-12 | 2020-10-09 | 鼎富智能科技有限公司 | 离婚纠纷裁判文书要素提取方法及装置 |
CN112950414A (zh) * | 2021-02-25 | 2021-06-11 | 华东师范大学 | 一种基于解耦法律要素的法律文本表示方法 |
CN113222251A (zh) * | 2021-05-13 | 2021-08-06 | 太极计算机股份有限公司 | 一种基于案件争议焦点的辅助裁判结果预测方法及*** |
CN113254651A (zh) * | 2021-06-28 | 2021-08-13 | 人民法院信息技术服务中心 | 一种裁判文书的分析方法、装置、计算机设备及存储介质 |
TWI757767B (zh) * | 2020-06-16 | 2022-03-11 | 國立政治大學 | 自動產生裁判要旨的方法 |
CN116127977A (zh) * | 2023-02-08 | 2023-05-16 | 中国司法大数据研究院有限公司 | 一种面向裁判文书的伤亡人数提取方法 |
CN116484010A (zh) * | 2023-03-15 | 2023-07-25 | 北京擎盾信息科技有限公司 | 知识图谱构建方法、装置、存储介质及电子装置 |
CN117273008A (zh) * | 2023-08-30 | 2023-12-22 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
CN117763156A (zh) * | 2023-11-24 | 2024-03-26 | 上海歆广数据科技有限公司 | 一种动态全息个案管理*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030236679A1 (en) * | 2002-04-23 | 2003-12-25 | Galves Fred A. | On-line dispute resolution for e-commerce disputes |
CN106815203A (zh) * | 2015-12-01 | 2017-06-09 | 北京国双科技有限公司 | 一种裁判文书中的金额解析方法及装置 |
CN106886572A (zh) * | 2017-01-18 | 2017-06-23 | 中国人民解放军信息工程大学 | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 |
CN108009299A (zh) * | 2017-12-28 | 2018-05-08 | 北京市律典通科技有限公司 | 法律审判业务处理方法和装置 |
CN108038091A (zh) * | 2017-10-30 | 2018-05-15 | 上海思贤信息技术股份有限公司 | 一种基于图的裁判文书案件相似计算与检索方法及*** |
-
2018
- 2018-06-25 CN CN201810664228.9A patent/CN110633458A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030236679A1 (en) * | 2002-04-23 | 2003-12-25 | Galves Fred A. | On-line dispute resolution for e-commerce disputes |
CN106815203A (zh) * | 2015-12-01 | 2017-06-09 | 北京国双科技有限公司 | 一种裁判文书中的金额解析方法及装置 |
CN106886572A (zh) * | 2017-01-18 | 2017-06-23 | 中国人民解放军信息工程大学 | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 |
CN108038091A (zh) * | 2017-10-30 | 2018-05-15 | 上海思贤信息技术股份有限公司 | 一种基于图的裁判文书案件相似计算与检索方法及*** |
CN108009299A (zh) * | 2017-12-28 | 2018-05-08 | 北京市律典通科技有限公司 | 法律审判业务处理方法和装置 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781650A (zh) * | 2020-01-02 | 2020-02-11 | 四川大学 | 一种基于深度学习的裁判文书自动生成方法及*** |
CN110781650B (zh) * | 2020-01-02 | 2020-04-14 | 四川大学 | 一种基于深度学习的裁判文书自动生成方法及*** |
CN110781254A (zh) * | 2020-01-02 | 2020-02-11 | 四川大学 | 一种案情知识图谱自动构建方法及***及设备及介质 |
CN111694931A (zh) * | 2020-06-11 | 2020-09-22 | 北京百度网讯科技有限公司 | 要素获取方法及装置 |
CN111753538A (zh) * | 2020-06-12 | 2020-10-09 | 鼎富智能科技有限公司 | 离婚纠纷裁判文书要素提取方法及装置 |
TWI757767B (zh) * | 2020-06-16 | 2022-03-11 | 國立政治大學 | 自動產生裁判要旨的方法 |
CN111753025A (zh) * | 2020-06-24 | 2020-10-09 | 南方科技大学 | 案件信息的自动获取方法、装置、设备和存储介质 |
CN111753025B (zh) * | 2020-06-24 | 2024-06-14 | 南方科技大学 | 案件信息的自动获取方法、装置、设备和存储介质 |
CN112950414B (zh) * | 2021-02-25 | 2023-04-18 | 华东师范大学 | 一种基于解耦法律要素的法律文本表示方法 |
CN112950414A (zh) * | 2021-02-25 | 2021-06-11 | 华东师范大学 | 一种基于解耦法律要素的法律文本表示方法 |
CN113222251A (zh) * | 2021-05-13 | 2021-08-06 | 太极计算机股份有限公司 | 一种基于案件争议焦点的辅助裁判结果预测方法及*** |
CN113254651A (zh) * | 2021-06-28 | 2021-08-13 | 人民法院信息技术服务中心 | 一种裁判文书的分析方法、装置、计算机设备及存储介质 |
CN116127977A (zh) * | 2023-02-08 | 2023-05-16 | 中国司法大数据研究院有限公司 | 一种面向裁判文书的伤亡人数提取方法 |
CN116127977B (zh) * | 2023-02-08 | 2023-10-03 | 中国司法大数据研究院有限公司 | 一种面向裁判文书的伤亡人数提取方法 |
CN116484010A (zh) * | 2023-03-15 | 2023-07-25 | 北京擎盾信息科技有限公司 | 知识图谱构建方法、装置、存储介质及电子装置 |
CN116484010B (zh) * | 2023-03-15 | 2024-01-16 | 北京擎盾信息科技有限公司 | 知识图谱构建方法、装置、存储介质及电子装置 |
CN117273008A (zh) * | 2023-08-30 | 2023-12-22 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
CN117273008B (zh) * | 2023-08-30 | 2024-06-04 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
CN117763156A (zh) * | 2023-11-24 | 2024-03-26 | 上海歆广数据科技有限公司 | 一种动态全息个案管理*** |
CN117763156B (zh) * | 2023-11-24 | 2024-05-07 | 上海歆广数据科技有限公司 | 一种动态全息个案管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633458A (zh) | 裁判文书的生成方法和生成装置 | |
CN108319888B (zh) | 视频类型的识别方法及装置、计算机终端 | |
CN109086420B (zh) | 选择阅读材料的方法、装置以及存储介质 | |
CN108920675A (zh) | 一种信息处理的方法、装置、计算机存储介质及终端 | |
CN108305050A (zh) | 报案信息及服务需求信息的提取方法、装置、设备及介质 | |
CN114170468B (zh) | 文本识别方法、存储介质及计算机终端 | |
CN110858353B (zh) | 获取案件裁判结果的方法和*** | |
CN110717312B (zh) | 一种文本标注方法及装置 | |
KR101127646B1 (ko) | 스캔 가능한 식별 코드를 포함하는 학습지 및 이를 이용한 피드백 학습 방법 | |
CN111967367A (zh) | 图像内容提取方法、装置及电子设备 | |
CN111274813B (zh) | 语言序列标注方法、装置存储介质及计算机设备 | |
CN112527963B (zh) | 基于词典的多标签情感分类方法及装置、设备、存储介质 | |
CN114564938A (zh) | 文档的解析方法及装置、存储介质和处理器 | |
CN110147358B (zh) | 自动问答知识库的建设方法及建设*** | |
CN116071769A (zh) | 表格识别方法、装置、非易失性存储介质和计算机设备 | |
CN116306506A (zh) | 一种基于内容识别的智能邮件模板方法 | |
CN111723164B (zh) | 地址信息的处理方法和装置 | |
CN110956034B (zh) | 词语的获取方法及装置、商品搜索方法 | |
CN113343714A (zh) | 信息提取方法、模型训练方法及相关设备 | |
CN109947908B (zh) | 机器人知识库的建设方法及建设*** | |
CN113011182A (zh) | 一种对目标对象进行标签标注的方法、装置和存储介质 | |
CN110728138A (zh) | 新闻文本识别的方法、装置以及存储介质 | |
CN112445898A (zh) | 对话情感分析方法及装置、存储介质及处理器 | |
CN109710852A (zh) | 一种用于确定财经信息的标签信息的方法与设备 | |
CN115719255A (zh) | 文案生成的方法、装置以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |