CN116451660B - 一种法律文本专业性审查与智能批注*** - Google Patents
一种法律文本专业性审查与智能批注*** Download PDFInfo
- Publication number
- CN116451660B CN116451660B CN202310378640.5A CN202310378640A CN116451660B CN 116451660 B CN116451660 B CN 116451660B CN 202310378640 A CN202310378640 A CN 202310378640A CN 116451660 B CN116451660 B CN 116451660B
- Authority
- CN
- China
- Prior art keywords
- annotation
- text
- legal
- examination
- module
- 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
- 230000002787 reinforcement Effects 0.000 claims abstract description 23
- 238000013075 data extraction Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012552 review Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000012550 audit Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/169—Annotation, e.g. comment data or footnotes
-
- 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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及法律文本审查批注技术领域,具体公开了一种法律文本专业性审查与智能批注***,所述***包括操作终端、服务器及服务终端;所述服务器包括:抓取匹配模块,用于抓取对应审查文本及批注;数据抽取模块,用于抓取文本中重要词汇及专业性文本数据;审核批注模块,用于将对应审查文本和批注及重要词汇和专业性文本数据输入至强化学习策略中,获得文本审查的最优批注结果;比对判断模块,用于将最优批注结果中的风险审查批注点与批注库内容进行比对判断,并将比对结果添加在最优批注结果上;法务审核模块,用于将比对结果添加后的最优批注结果交由法务进行审核,获得审核完成的法律文书。
Description
技术领域
本发明涉及法律文本审查批注技术领域,具体为一种法律文本专业性审查与智能批注***。
背景技术
法律文本专业性审查是编写法律文书最为重要的环节,其目的是为了确保法律流程的真实性、合法性、有效性以及法律文书的准确、完备、可用,智能批注是法律专业性审查的辅助技术手段,可以有效规避文本审查中可能出现的各种风险点。
法律文本专业性审核是根据委托人的诉求定制一份符合流程与规范的法律文书,涉及专业细节的关键内容主要是由资深律师人工审查与手动标注,但面对大量法律文书审核场景,人工审核与批注效率低、成本高、时间长、流程复杂。
发明内容
本发明的目的在于提供一种法律文本专业性审查与智能批注***,解决以下技术问题:
如何能够实现法律文本的内容阅读理解与智能批注,提供能够提升法务工作人员专业度与工作效率的***。
本发明的目的可以通过以下技术方案实现:
一种法律文本专业性审查与智能批注***,所述***包括操作终端、服务器及服务终端;
所述操作终端用于供用户上传待审法律文档;
所述服务器包括:
抓取匹配模块,与所述操作终端连接,用于抓取待审法律文档名称并将其进行匹配获取匹配信息,根据匹配信息抓取对应审查文本及批注;
数据抽取模块,与所述操作终端连接,用于根据事件抽取技术,按照预先定义的事件模式对待审法律文档文本进行数据抽取操作,抓取文本中重要词汇及专业性文本数据;
审核批注模块,分别与所述抓取匹配模块及数据抽取模块连接,用于将对应审查文本和批注及重要词汇和专业性文本数据输入至强化学习策略中,获得文本审查的最优批注结果;
比对判断模块,与所述审核批注模块连接,用于将最优批注结果中的风险审查批注点与批注库内容进行比对判断,并将比对结果添加在最优批注结果上;
法务审核模块,与所述比对判断模块连接,用于将比对结果添加后的最优批注结果交由法务进行审核,获得审核完成的法律文书;
所述服务终端用于向用户提供审核完成的法律文书。
进一步地,所述抓取匹配模块抓取对应审查文本及标注信息的过程包括:
抓取待审法律文档名称;
将待审法律文档名称与细分合同类目所属的核心词汇进行匹配,获取匹配的合同类目及核心词汇;
根据匹配的合同类目及核心词汇抽取n条对应审查文本与批注。
进一步地,所述审核批注模块工作的过程包括:
将抓取匹配模块获取的对应审查文本与批注依次进行数据解析及规则提取;
将规则提取后的待处理数据输入至强化学习策略中,形成文本批注库;
根据数据抽取模块获取的重要词汇和专业性文本数据输入到强化学习策略中进行匹配,获得文本审查的最优批注结果;
将对应审查文本与批注作为训练文本进行收集。
进一步地,所述强化学习策略训练的过程包括:
使用最近策略优化强化学习策略来获取最优批注结果,所述最近策略优化包括:
S1、收集审查文本及其批注数据,采用人工标注完成设定的审查文本与批注结果,利用审查文本与批注结果进行GPT-3有监督的训练;
S2、基于收集的对应审查文本及标注信息,进行前向推理获得多个模型的输出结果,通过人工标注对模型输出结果进行标注,用标注数据来训练reward反馈模型;
S3、输入待审核的文本,通过policy策略网络生成输出结果,并通过reward反馈模型计算反馈,将反馈内容作用于policy策略网络,并反复计算,获取最优待审查文本与批注结果对。
进一步地,所述合同类目及核心词汇的匹配过程包括:
根据法律文本的类别设置若干组合同类目,将核心词汇根据合同类目设置关联性系数;
通过公式计算获取的核心词汇与第i组合同类目的匹配值Coi;
N为核心词汇的数量;j∈[1,N];αij为第j个核心词汇相对第i组合同类目的关联性系数;xj为第j个核心词汇的重要性系数;
选取匹配值Coi中的最大值对应的合同类目,并获取该合同类目所属的核心词汇。
进一步地,所述关联性系数αij的获取过程包括:
获取第j个核心词汇在第i组合同类目中每个文本中出现的平均概率pij及平均频次nij;
通过公式计算出关联值yij;
将关联值yij分别与预设阈值区间进行比对,获得关联值yij落入的阈值区间及阈值区间对应的系数A;
关联性系数αij=A。
进一步地,对应审查文本与批注进行数据解析及规则提取的过程包括:
将对应审查文本与批注进行数据解析,获得结构化数据;
预先由法务人员制定的审查、批注准则及流程确定规则提取模型;
将结构化数据按照规则提取模型获得专业文本和核心词汇及数字、符号、图片和表格内容;
对数字、符号、图片和表格内容涉及内容进行分析计算,直接匹配获得对应的批注信息。
本发明的有益效果:
(1)本发明通过融合性能稳定的强化学习、文本分析、自然语言处理技术和大数据技术等,利用强化学习方法从专业法务的反馈中学习,实现文本的智能阅读理解,对法律文本专业性以及流程内容精准定位,并链接生成对应的审查结果与材料缺失等批注。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明法律文本专业性审查与智能批注***的概要框示意图;
图2是本发明法律文本专业性审查与智能批注***流程图。
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。
请参阅图1所示,在一个实施例中,提供了一种法律文本专业性审查与智能批注***,所述***包括操作终端、服务器及服务终端;
所述操作终端用于供用户上传待审法律文档;
所述服务器包括:
抓取匹配模块,与所述操作终端连接,用于抓取待审法律文档名称并将其进行匹配获取匹配信息,根据匹配信息抓取对应审查文本及批注;
数据抽取模块,与所述操作终端连接,用于根据事件抽取技术,按照预先定义的事件模式对待审法律文档文本进行数据抽取操作,抓取文本中重要词汇及专业性文本数据;
审核批注模块,分别与所述抓取匹配模块及数据抽取模块连接,用于将对应审查文本和批注及重要词汇和专业性文本数据输入至强化学习策略中,获得文本审查的最优批注结果;
比对判断模块,与所述审核批注模块连接,用于将最优批注结果中的风险审查批注点与批注库内容进行比对判断,并将比对结果添加在最优批注结果上;
法务审核模块,与所述比对判断模块连接,用于将比对结果添加后的最优批注结果交由法务进行审核,获得审核完成的法律文书;
所述服务终端用于向用户提供审核完成的法律文书。
通过上述技术方案,请参阅附图2所示,本实施例通过设置操作终端、服务器和服务终端来完成整体的审查及批注流程,其中,操作终端与服务器通过网络相连接,服务终端与服务器通过网络相连接;另外,服务器包括抓取匹配模块、数据抽取模块、审核批注模块、比对判断模块及法务审核模块,在操作终端受到待审核文档后,首先抓取匹配模块会抓取待审法律文档名称并将其进行匹配获取匹配信息,根据匹配信息抓取对应审查文本及批注;同时数据抽取模块会根据事件抽取技术,按照预先定义的事件模式对待审法律文档文本进行数据抽取操作,抓取文本中重要词汇及专业性文本数据;包括但不限于风险点相关事件提及、事件触发词(Event Trigger)、实践论元(Event Argument)、论元角色(ArgumentRole)等;然后通过审核批注模块接收对应审查文本和批注及重要词汇和专业性文本数据,并输入至强化学习策略中,获得文本审查的最优批注结果;之后再通过比对判断模块将最优批注结果中的风险审查批注点与批注库内容进行比对判断,并将比对结果添加在最优批注结果上;最后通过法务审核模块将比对结果添加后的最优批注结果交由法务进行审核,获得审核完成的法律文书;通过上述流程,进而能够根据上传的待审法律文档,实现专业性审查与智能批注过程。
需要说明的是,上述技术方案中提及的事件抽取技术手段通过现有技术实现,通过采用预先定义的事件模式进行数据抽取操作,进而能够实现文中重要词汇,专业性文本数据进行抓取,在此不作进一步详述。
作为本发明的一种实施方式,所述抓取匹配模块抓取对应审查文本及标注信息的过程包括:
抓取待审法律文档名称;
将待审法律文档名称与细分合同类目所属的核心词汇进行匹配,获取匹配的合同类目及核心词汇;
根据匹配的合同类目及核心词汇抽取n条对应审查文本与批注。
通过上述技术方案,本实施例中抓取匹配模块抓取对应审查文本及标注信息的过程首先通过抓取待审法律文档名称;然后将待审法律文档名称与细分合同类目所属的核心词汇进行匹配,进而获取匹配的合同类目及核心词汇;根据匹配的合同类目及核心词汇抽取n条对应审查文本与批注,进而实现对应审查文本及批注的获取过程。
作为本发明的一种实施方式,所述审核批注模块工作的过程包括:
将抓取匹配模块获取的对应审查文本与批注依次进行数据解析及规则提取;
将规则提取后的待处理数据输入至强化学习策略中,形成文本批注库;
根据数据抽取模块获取的重要词汇和专业性文本数据输入到强化学习策略中进行匹配,获得文本审查的最优批注结果;
将对应审查文本与批注作为训练文本进行收集。
通过上述技术方案,通过将抓取匹配模块获取的对应审查文本与批注依次进行数据解析及规则提取;将规则提取后的待处理数据输入至强化学习策略中,形成文本批注库;再根据数据抽取模块获取的重要词汇和专业性文本数据输入到强化学习策略中进行匹配,获得文本审查的最优批注结果,进而能够实现最佳批注结果获取的过程。
作为本发明的一种实施方式,所述强化学习策略训练的过程包括:
使用最近策略优化强化学习策略来获取最优批注结果,所述最近策略优化包括:
S1、收集审查文本及其批注数据,采用人工标注完成设定的审查文本与批注结果,利用审查文本与批注结果进行GPT-3有监督的训练;
S2、基于收集的对应审查文本及标注信息,进行前向推理获得多个模型的输出结果,通过人工标注对模型输出结果进行标注,用标注数据来训练reward反馈模型;
S3、输入待审核的文本,通过policy策略网络生成输出结果,并通过reward反馈模型计算反馈,将反馈内容作用于policy策略网络,并反复计算,获取最优待审查文本与批注结果对。
通过上述技术方案,提供了强化学习策略训练的过程,即使用最近策略优化强化学习策略来获取最优批注结果,而最近策略优化包括:收集审查文本及其批注数据,采用人工标注完成设定的审查文本与批注结果,利用审查文本与批注结果进行GPT-3有监督的训练;基于收集的对应审查文本及标注信息,进行前向推理获得多个模型的输出结果,通过人工标注对模型输出结果进行标注,用标注数据来训练reward反馈模型;输入待审核的文本,通过policy策略网络生成输出结果,并通过reward反馈模型计算反馈,将反馈内容作用于policy策略网络,并反复计算,获取最优待审查文本与批注结果对,通过上述的训练过程,能够基于收集的海量文本数据,实现对最近策略优化建立的过程,其中文本数据为法务人员批注过的法律文本,收集到的数据量高达百万级,质量和多样性非常高,并且来自真实法务场景,因此能够保证最近策略优化获取结果的准确性。
作为本发明的一种实施方式,所述合同类目及核心词汇的匹配过程包括:
根据法律文本的类别设置若干组合同类目,将核心词汇根据合同类目设置关联性系数;
通过公式计算获取的核心词汇与第i组合同类目的匹配值Coi;
N为核心词汇的数量;j∈[1,N];αij为第j个核心词汇相对第i组合同类目的关联性系数;xj为第j个核心词汇的重要性系数;
选取匹配值Coi中的最大值对应的合同类目,并获取该合同类目所属的核心词汇。
所述关联性系数αij的获取过程包括:
获取第j个核心词汇在第i组合同类目中每个文本中出现的平均概率pij及平均频次nij;
通过公式计算出关联值yij;
将关联值yij分别与预设阈值区间进行比对,获得关联值yij落入的阈值区间及阈值区间对应的系数A;
关联性系数αij=A。
通过上述技术方案,本实施例提供了合同类目及核心词汇的匹配过程,根据法律文本的类别设置若干组合同类目,将核心词汇根据合同类目设置关联性系数;通过公式计算获取的核心词汇与第i组合同类目的匹配值Coi;其中,N为核心词汇的数量;j∈[1,N];αij为第j个核心词汇相对第i组合同类目的关联性系数;xj为第j个核心词汇的重要性系数;因此通过选取匹配值Coi中的最大值对应的合同类目,并获取该合同类目所属的核心词汇,进而能够按照匹配值选取最为接近的合同类目,同时并获取该合同类目所属的核心词汇。
需要说明的是,重要性系数xj由相关人员根据核心词汇提前预设重要性等级,且等级越高,对应的重要性系数越大;而关联性系数αij则根据核心词汇在合同类目中每个文本中出现的平均概率及平均频次决定,通过公式计算出关联值yij;其中,τ1、τ2为预设系数,其根据测试数据拟合获得,因此通过将关联值yij分别与预设阈值区间进行比对,获得关联值yij落入的阈值区间及阈值区间对应的系数A;并令关联性系数αij=A,进而实现了关联性系数αij的获取过程。
作为本发明的一种实施方式,请参阅附图2所示,对应审查文本与批注进行数据解析及规则提取的过程包括:
将对应审查文本与批注进行数据解析,获得结构化数据;
预先由法务人员制定的审查、批注准则及流程确定规则提取模型;
将结构化数据按照规则提取模型获得专业文本和核心词汇及数字、符号、图片和表格内容;
对数字、符号、图片和表格内容涉及内容进行分析计算,直接匹配获得对应的批注信息。
通过上述技术方案,本实施例中对应审查文本与批注进行数据解析及规则提取的过程包括:将对应审查文本与批注进行数据解析,获得结构化数据;预先由法务人员制定的审查、批注准则及流程确定规则提取模型;将结构化数据按照规则提取模型获得专业文本和核心词汇及数字、符号、图片和表格内容;对数字、符号、图片和表格内容涉及内容进行分析计算,直接匹配获得对应的批注信息;通过上述过程,能够实现对应审查文本与批注进行数据解析及规则提取的过程。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种法律文本专业性审查与智能批注***,其特征在于,所述***包括操作终端、服务器及服务终端;
所述操作终端用于供用户上传待审法律文档;
所述服务器包括:
抓取匹配模块,与所述操作终端连接,用于抓取待审法律文档名称并将其进行匹配获取匹配信息,根据匹配信息抓取对应审查文本及批注;
数据抽取模块,与所述操作终端连接,用于根据事件抽取技术,按照预先定义的事件模式对待审法律文档文本进行数据抽取操作,抓取文本中重要词汇及专业性文本数据;
审核批注模块,分别与所述抓取匹配模块及数据抽取模块连接,用于将对应审查文本和批注及重要词汇和专业性文本数据输入至强化学习策略中,获得文本审查的最优批注结果;
比对判断模块,与所述审核批注模块连接,用于将最优批注结果中的风险审查批注点与批注库内容进行比对判断,并将比对结果添加在最优批注结果上;
法务审核模块,与所述比对判断模块连接,用于将比对结果添加后的最优批注结果交由法务进行审核,获得审核完成的法律文书;
所述服务终端用于向用户提供审核完成的法律文书。
2.根据权利要求1所述的一种法律文本专业性审查与智能批注***,其特征在于,所述抓取匹配模块抓取对应审查文本及标注信息的过程包括:
抓取待审法律文档名称;
将待审法律文档名称与细分合同类目所属的核心词汇进行匹配,获取匹配的合同类目及核心词汇;
根据匹配的合同类目及核心词汇抽取n条对应审查文本与批注。
3.根据权利要求2所述的一种法律文本专业性审查与智能批注***,其特征在于,所述审核批注模块工作的过程包括:
将抓取匹配模块获取的对应审查文本与批注依次进行数据解析及规则提取;
将规则提取后的待处理数据输入至强化学习策略中,形成文本批注库;
根据数据抽取模块获取的重要词汇和专业性文本数据输入到强化学习策略中进行匹配,获得文本审查的最优批注结果;
将对应审查文本与批注作为训练文本进行收集。
4.根据权利要求3所述的一种法律文本专业性审查与智能批注***,其特征在于,所述强化学习策略训练的过程包括:
使用最近策略优化强化学习策略来获取最优批注结果,所述最近策略优化包括:
S1、收集审查文本及其批注数据,采用人工标注完成设定的审查文本与批注结果,利用审查文本与批注结果进行GPT-3有监督的训练;
S2、基于收集的对应审查文本及标注信息,进行前向推理获得多个模型的输出结果,通过人工标注对模型输出结果进行标注,用标注数据来训练reward反馈模型;
S3、输入待审核的文本,通过policy策略网络生成输出结果,并通过reward反馈模型计算反馈,将反馈内容作用于policy策略网络,并反复计算,获取最优待审查文本与批注结果对。
5.根据权利要求2所述的一种法律文本专业性审查与智能批注***,其特征在于,所述合同类目及核心词汇的匹配过程包括:
根据法律文本的类别设置若干组合同类目,将核心词汇根据合同类目设置关联性系数;
通过公式计算获取的核心词汇与第i组合同类目的匹配值Coi;
N为核心词汇的数量;j∈[1,N];αij为第j个核心词汇相对第i组合同类目的关联性系数;xj为第j个核心词汇的重要性系数;
选取匹配值Coi中的最大值对应的合同类目,并获取该合同类目所属的核心词汇。
6.根据权利要求5所述的一种法律文本专业性审查与智能批注***,其特征在于,所述关联性系数αij的获取过程包括:
获取第j个核心词汇在第i组合同类目中每个文本中出现的平均概率pij及平均频次nij;
通过公式计算出关联值yij;
其中,τ1、τ2为预设系数;
将关联值yij分别与预设阈值区间进行比对,获得关联值yij落入的阈值区间及阈值区间对应的系数A;
关联性系数αij=A。
7.根据权利要求4所述的一种法律文本专业性审查与智能批注***,其特征在于,对应审查文本与批注进行数据解析及规则提取的过程包括:
将对应审查文本与批注进行数据解析,获得结构化数据;
预先由法务人员制定的审查、批注准则及流程确定规则提取模型;
将结构化数据按照规则提取模型获得专业文本和核心词汇及数字、符号、图片和表格内容;
对数字、符号、图片和表格内容涉及内容进行分析计算,直接匹配获得对应的批注信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378640.5A CN116451660B (zh) | 2023-04-11 | 2023-04-11 | 一种法律文本专业性审查与智能批注*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378640.5A CN116451660B (zh) | 2023-04-11 | 2023-04-11 | 一种法律文本专业性审查与智能批注*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451660A CN116451660A (zh) | 2023-07-18 |
CN116451660B true CN116451660B (zh) | 2023-09-19 |
Family
ID=87135108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310378640.5A Active CN116451660B (zh) | 2023-04-11 | 2023-04-11 | 一种法律文本专业性审查与智能批注*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451660B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073569A (zh) * | 2017-06-21 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于多层级多维度语义理解的法律认知方法、装置和介质 |
CN109815341A (zh) * | 2019-01-22 | 2019-05-28 | 安徽省泰岳祥升软件有限公司 | 一种文本抽取模型训练方法、文本抽取方法及装置 |
CN110163478A (zh) * | 2019-04-18 | 2019-08-23 | 平安科技(深圳)有限公司 | 一种合同条款的风险审查方法及装置 |
CN110569245A (zh) * | 2019-09-10 | 2019-12-13 | 天津理工大学 | 重复数据删除***中基于强化学习的指纹索引预取方法 |
WO2020069048A1 (en) * | 2018-09-25 | 2020-04-02 | Archuleta Michelle | Reinforcement learning approach to modify sentence reading grade level |
CN111950286A (zh) * | 2020-08-10 | 2020-11-17 | 云南电网有限责任公司信息中心 | 一种人工智能法务评审引擎***开发方法 |
CN112632989A (zh) * | 2020-12-29 | 2021-04-09 | 中国农业银行股份有限公司 | 一种合同文本中风险信息的提示方法、装置及设备 |
CN113626557A (zh) * | 2021-05-17 | 2021-11-09 | 四川大学 | 一种基于要素标注与bert和rcnn算法的智能法条推荐辅助*** |
CN113722421A (zh) * | 2020-05-25 | 2021-11-30 | 中移(苏州)软件技术有限公司 | 一种合同审计方法和***,及计算机可读存储介质 |
CN114661858A (zh) * | 2020-12-23 | 2022-06-24 | 北京千里日成科技有限公司 | 法律文书中存疑法条的识别方法、装置及相关设备 |
CN115809653A (zh) * | 2022-11-21 | 2023-03-17 | 河南飙风信息科技有限公司 | 一种智能合同审核方法及*** |
-
2023
- 2023-04-11 CN CN202310378640.5A patent/CN116451660B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073569A (zh) * | 2017-06-21 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于多层级多维度语义理解的法律认知方法、装置和介质 |
WO2020069048A1 (en) * | 2018-09-25 | 2020-04-02 | Archuleta Michelle | Reinforcement learning approach to modify sentence reading grade level |
CN109815341A (zh) * | 2019-01-22 | 2019-05-28 | 安徽省泰岳祥升软件有限公司 | 一种文本抽取模型训练方法、文本抽取方法及装置 |
CN110163478A (zh) * | 2019-04-18 | 2019-08-23 | 平安科技(深圳)有限公司 | 一种合同条款的风险审查方法及装置 |
CN110569245A (zh) * | 2019-09-10 | 2019-12-13 | 天津理工大学 | 重复数据删除***中基于强化学习的指纹索引预取方法 |
CN113722421A (zh) * | 2020-05-25 | 2021-11-30 | 中移(苏州)软件技术有限公司 | 一种合同审计方法和***,及计算机可读存储介质 |
CN111950286A (zh) * | 2020-08-10 | 2020-11-17 | 云南电网有限责任公司信息中心 | 一种人工智能法务评审引擎***开发方法 |
CN114661858A (zh) * | 2020-12-23 | 2022-06-24 | 北京千里日成科技有限公司 | 法律文书中存疑法条的识别方法、装置及相关设备 |
CN112632989A (zh) * | 2020-12-29 | 2021-04-09 | 中国农业银行股份有限公司 | 一种合同文本中风险信息的提示方法、装置及设备 |
CN113626557A (zh) * | 2021-05-17 | 2021-11-09 | 四川大学 | 一种基于要素标注与bert和rcnn算法的智能法条推荐辅助*** |
CN115809653A (zh) * | 2022-11-21 | 2023-03-17 | 河南飙风信息科技有限公司 | 一种智能合同审核方法及*** |
Non-Patent Citations (3)
Title |
---|
Semantic Role Labelling for Dutch Law Texts;R.M. Bakker 等;《Proceedings of the 13th Conference on Language Resources and Evaluation》;第448-457页页 * |
论命名实体识别技术在司法大数据中的适用;王燕玲;《政法论坛》;第40卷(第5期);第40-52页 * |
面向司法领域的文本标注工具设计与实现;王节;《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑》(第3期);G120-173 * |
Also Published As
Publication number | Publication date |
---|---|
CN116451660A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807328B (zh) | 面向法律文书多策略融合的命名实体识别方法及*** | |
CN108717433A (zh) | 一种面向程序设计领域问答***的知识库构建方法及装置 | |
CN107391353A (zh) | 基于日志的复杂软件***异常行为检测方法 | |
CN1629838A (zh) | 电子文档的处理、浏览以及信息提取的方法、装置及*** | |
Ling et al. | Intelligent document processing based on RPA and machine learning | |
CN112051986B (zh) | 基于开源知识的代码搜索推荐装置及方法 | |
CN115759092A (zh) | 一种基于albert的网络威胁情报命名实体识别方法 | |
CN111708810B (zh) | 模型优化推荐方法、装置和计算机存储介质 | |
CN113822061B (zh) | 一种基于特征图构建的小样本专利分类方法 | |
CN109740147B (zh) | 一种大数量人才简历去重匹配分析方法 | |
CN116451660B (zh) | 一种法律文本专业性审查与智能批注*** | |
CN113378024A (zh) | 一种基于深度学习面向公检法领域的相关事件识别方法 | |
CN116503026B (zh) | 科技项目的运维风险评估方法、***及存储介质 | |
CN116703328B (zh) | 一种项目评审方法及*** | |
CN111209375B (zh) | 一种通用的条款与文档匹配方法 | |
CN112800219B (zh) | 客服日志反馈回流数据库的方法及*** | |
CN110852090A (zh) | 一种用于舆情爬取的机构特征词汇扩展***和方法 | |
CN113742495A (zh) | 基于预测模型的评级特征权重确定方法及装置、电子设备 | |
CN113032653A (zh) | 一种基于大数据的舆情监测平台 | |
Zhao et al. | The Application of Artificial Intelligence in Enterprise Auditing | |
CN117540727B (zh) | 基于albert模型与rpa技术的主观题评分方法及*** | |
CN112698833B (zh) | 一种基于局部和全局特征的特征依恋代码味道检测方法 | |
CN113627146B (zh) | 基于知识约束的两步式辟谣文本生成方法 | |
CN116975409A (zh) | 一种基于舆情监控的环境问题处理方法及*** | |
CN118211595A (zh) | 审计数据智能分析***及方法 |
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 |