CN107562938B - 一种法院智能审判方法 - Google Patents
一种法院智能审判方法 Download PDFInfo
- Publication number
- CN107562938B CN107562938B CN201710860704.XA CN201710860704A CN107562938B CN 107562938 B CN107562938 B CN 107562938B CN 201710860704 A CN201710860704 A CN 201710860704A CN 107562938 B CN107562938 B CN 107562938B
- Authority
- CN
- China
- Prior art keywords
- judgment
- word
- document
- vector
- documents
- 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
Landscapes
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种法院智能审判方法,包括利用法院已有的判决文书,建立具有智能分析和自动推理的辅助审判模型;将在审案件的庭审记录输入到所建立的辅助审判模型中,该模型自动匹配已有的相似案件的庭审记录,找到已有的相似案件庭审记录所对应的“本院认为”部分的内容;并根据这些内空自动生成本案件的“本院认为”部分;根据本案件的“本院认为”内容匹配已有判决文书中的判决结果,通过归纳出相似案件的判决结果得出本案件的判决建议。本发明通过建立辅助审判系统,提高法官审判的公正性,减少冤假错案的发生,提高法官的办案效率。
Description
技术领域
本发明涉及一种法院智能审判方法。
背景技术
目前“智慧法院”被列入国家信息化发展战略的重要目标。而随着法院信息化建设的持续不断地发展,法院保存了海量信息,比如全国法院每天都会产生大量的判决文书(比如:裁定文书,调解文书,判决文书等),据统计,目前的各类判决文书有上千万份,而且每天还在不断快速增加。判决文书是最重要的一类判决文书,它通常由3部分组成:(1)庭审记录;(2)本院认为;(3)案件的判决结果。庭审记录一般由原告诉称和被告辩称组成,这是在庭审过程中记录下原告和被告的相关信息,比如原告的举证内容,被告的反驳内容,因此在本发明专利中将这两部分统称为庭审记录。而本院认为部分是法官根据原告诉称和被告辩称的内容对案件事实部分的认定。案件的判决结果是以“法院认为”部分的内容为基础来得到的。
随着国家法治建设的深入推进,法院目前对法官的审判结果实行终身责任制。因此法官需要对案件的审判无差错,量刑适中,做到同案同判和司法公正。但目前由于案多人少,法官面临审判时间长,效率低等问题。具体而言,法官在审判案件时会面临如下问题:
(1)判决文书的“本院认为”部分通常是由法官通过庭审记录手动完成,这个过程通需要花费较多时间。对于复杂的案件,法官在完成“本院认为”部分时很容易出错,从而影响判决结果;
(2)案件审判结果通常涉及较多法律条文,法官对这些条文的理解和对案件本身的理解可能存在差异,从而经常造成不同法官对同类案件的判决结果不一样,而对相似案件的判决结果更是差异较大,这严重损害了法律的公正性。
按已有判决文书的庭审记录信息对判决文书进行分类,将相似的判决文书放在一起。在得出待审理案件的庭审记录后,将这些信息与已存在的判决文书的庭审记录信息进行比较,找出有相似信息的判决文书,并综合这些判决文书的“法院认为”来自动生成待审理案件的“法院认为”部分。法官可对自动生成的“法院认为”部分的进行修改。在此基础上得出案件的审判结果。目前的文档处理方法不能有效地保持判决文书的逻辑结构,也不能很好地对判决文书进行分类和相似性搜索。
发明内容
有鉴于此,本发明的目的为法院的法官提供一种智能审判方法,以提高法官审判的公正性,减少冤假错案的发生,提高法官的办案效率。
本发明的目的是通过以下技术方案来实现的,一种法院智能审判方法,包括,
利用已有的判决文书,建立具有智能分析和自动推理的辅助审判模型;
将在审案件的案件庭审记录输入到所建立的辅助审判模型中,辅助审判模型自动匹配已有的相似案件的庭审记录,找到已有的相似案件的庭审记录所对应的“本院认为”部分的内容;
根据找到的已有相似案件的庭审记录所对应的“本院认为”部分的内容,自动生成本案件的“本院认为”部分;
根据本案件的“本院认为”内容得到已有判决文书中的判决结果,通过归纳出相似案件的判决结果,得出本案件的判决建议。
进一步,在利用已有的判决文书,建立具有智能分析和自动推理的辅助审判模型步骤中,辅助审判模型的训练方法具体包括以下子步骤:
(1)将收集到的判决文书进行分类处理;
(2)针对每一类的判决文书用中文分词工具进行分词;然后对切分好的词汇进行修正处理,从而建立与判决文书相关的基础词汇库;
(3)对基础词汇库中的词汇进行编码,将每个词转换成固定长度的向量;
(4)对判决文书进行编码;将基础词汇库中的词汇与判决文书的内容进行匹配;
(5)计算每份判决文书中各个词汇的权重;
(6)计算不同判决文书之间中各词汇的距离系数矩阵;
(7)对判决文书中对应的各个词向量进行线性变换,使同一类判决文书之间的距离尽量小,不同类判决文书之间的距离尽量大;从而完成辅助审判模型的训练。
进一步,在将收集到的判决文书进行分类处理步骤中,先将收集到的判决文书分成若干个大类,再将每一个大类分成若干个小类。
进一步,在计算每份判决书中各个词汇的权重步骤中,所述每个词汇的权重的计算方法包括以下子步骤:
①首先计算这个词汇在文档中出现的频率;②计算这类文档中有多少文档包含了这个词,并用这个数字除以这类文档的总和;③将步骤①和步骤②得到的结果相乘,得到权重值。
进一步,在对判决文书中对应的各个词向量进行线性变换步骤中,通过线性变换矩阵A来对词向量进行线性变换。
由于采用以上技术方案,本发明具有以下优点:
本发明针对判决文书给出了一种建立智能审判方法。该方法的创新之处在于通过线性变换方法来对判决文书中的词汇进行变换,使变换后的同类判决文书之间的距离尽量小,不同类别的判决文书之间的距离尽量大。从而实现对判决文书的“法院认定”部分,判决结果部分进行分类。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为模型的训练过程;
图2为根据庭审记录得到审判建议的过程。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
一种法院智能审判方法,包括,
利用已有的判决文书,建立具有智能分析和自动推理的辅助审判模型;
将在审案件的案件庭审记录输入到所建立的辅助审判模型中,辅助审判模型自动匹配已有的相似案件的庭审记录,找到已有的相似案件的庭审记录所对应的“本院认为”部分的内容;
根据找到的已有相似案件的庭审记录所对应的“本院认为”部分的内容,自动生成本案件的“本院认为”部分;
根据本案件的“本院认为”内容得到已有判决文书中的判决结果,通过归纳出相似案件的判决结果,得出本案件的判决建议。
在利用已有的判决文书,建立具有智能分析和自动推理的辅助审判模型步骤中,辅助审判模型的训练方法具体包括以下子步骤:
(1)将收集到的判决文书进行分类处理;
(2)针对每一类的判决文书用中文分词工具进行分词;然后对切分好的词汇进行修正处理,从而建立与判决文书相关的基础词汇库;
(3)对基础词汇库中的词汇进行编码,将每个词转换成固定长度的向量;
(4)对判决文书进行编码;将基础词汇库中的词汇与判决文书的内容进行匹配;
(5)计算每份判决文书中各个词汇的权重;
(6)计算不同判决文书之间中各词汇的距离系数矩阵;
(7)对判决文书中对应的各个词向量进行线性变换,使同一类判决文书之间的距离尽量小,不同类判决文书之间的距离尽量大;从而完成辅助审判模型的训练。
本发明是基于判决文书来构建一个智能辅助审判系统。通常的判决文书会由3部分组成:(1)庭审记录;(2)本院认为;(3)判决结果。在判决文书中,判决结果前面通常会有“判决如下”这四个字。因此,在收集的判决文书中,首先要检测是否有这三部分。如果发现判决文书有“本院认为”和“判决如下”的内容,只是表述不一样,比如可能在极少的判决文书中会采用“判决为”,对于这种情形,要统一修改成“判决如下”。同样,若没有采用“本院认为”这种标准形式,也要对其进行修正。
判决文书是其中的一种裁判文书。其中民事判决文书最为复杂,因此本发明的具体实施是以民事判决文书为基础,主要针对三类民事判决文书来构建判决文书的相似度量模型,这三类民事判决文书分别为:(1)离婚判决文书;(2)合同判决文书;(3)交通事故判决文书。对于收集到的民事判决文书,按这三类进行整理。这三类判决文书属于这民事判决文书的子类,后面提到的分类都是针对这些子类而言。将这三类判决文书构成的集合称为训练集,记为T。在此基础上给出本发明具体实施过程。
(1)在整理完判决文书后,需要对判决文书进行分词。目前有很多免费的中文分词软件,但这些分词软件无法针对判决文书中的专业词汇进行分词。而这些专业词汇却在判决文书中占有重要地位。比如:“被逮捕”,“羁押于”,“被刑事拘留”等词汇在裁判文书中很重要,需要当成一个词来处理,才能得出准确的判决结果。而现有的分词算法会得到结果为:“被”,“逮捕”,“羁押”,“于”,“被”,“刑事拘留”。需要请法院从事审判的专业人员来对中文分词软件得到的结果进行纠正。具体而言,对三类民事判决文书进行分词,然后由专业人员进行校正和筛选,校正主要是将被分开的词合并成一个词,筛选主要是找出属于判决文书的关键词汇。最后得到一个基础词汇库,这个词汇库是一个由专业词汇构成的向量,向量中的每一个元素为一个词,该向量记为W。
(2)用词嵌入的方式来对基础词汇库W中的每个词进行编码,即对每个都用一个特定的向量来表示,以方便后面进行计算。本发明采用的词嵌入方法称为word2vec,这种方法通过神经网络来将词转换成向量,相关代码已经开源,能很方便地用这些代码来进行训练。设每个词对应的向量长度为d,则在W中的所有词会构成一个矩阵,设该矩阵为X∈Rd×v,其中v表示向量W中元素个数,W中的第n个词对应X中的一列,是一个d维的实数列向量,可表示为xi∈Rd。在本发明中,d的取值为300。.
(3)以得到的向量W和矩阵X为基础,对整个训练集T中的所有判决文书进行编码。从W中依次将每个词取出,在待编码的文档中查找是否有这些词。如果有,则记录下这个词在W中的位置。用向量保存下这些位置,称这个向量为词的位置向量,每个文档对应这个一个向量。第i个文档对应的位置向量记为p(i)。同时统计这个词出现在该文档中的次数(也称词频率),用向量记录下每个词的词频率,称这个向量为词频率向量,第i个文档对应的词频率向量为f(i)。
(4)计算判决文书中各词汇的权重。若判决文书中有词汇出现在基础词汇库中,则需要计算该词汇的权重。在计算权重之前,需要先统计有多少文档出现过这个词汇,这个统计仅限于与该词汇所在判决文书同类的所有判决文书。用向量记录下含有每个词汇的文档数量,第i个文档对应的向量记为IDFi。第i个判决文书中所有词汇的权重计算公式为:
其中cni表示第i个判决文书所属类别的所有文档数量;表示两个向量对应元素相乘,其结果仍是一个向量;表示两个向量对应元素相加,其结果仍是一个向量;1表示全为1的向量;f(i)为第i个文档对应的词频率向量;表示用cni除以IDFi中的每个元素,这样相除之后仍得到一个向量。
(5)计算不同判决文书之间各词汇的距离系数矩阵。把第i个判决文书中的第n个词与第j份判决文书中所有词计算欧式距离,若与第j份判决文书中的第m个词的距离最小,则它们之间的距离系数为这个词与第j个判决文书中其它词的距离系数为0。距离系数矩阵是一个稀疏矩阵,可通过压缩其中的0元素来保存该矩阵。这里引入距离系数矩阵是为了让后面的计算变得简单。
(6)假设判决文书中的词汇所对应的向量通过一个未知的线性变换矩阵A变换到一个低维空间,通过带有类别信息的训练集T来训练变换矩阵A。这样做有如下优势:(1)利用判决文书的类别信息来提高检索相似判决文书的精度;(2)在通过变换矩阵处理后会减少词向量中编码噪声对检索相似的影响,使整个检索具有较好的鲁棒性;(3)提高检索的效率。
训练变换矩阵A的基本思想是:判决文书中对应的各个词向量通过线性变换(用符号A表示)后,让同一类判决文书之间的距离尽量小,不同类判决文书之间的距离尽量大。
具体训练过程如下:
假设用于训练的所有判决文书有|T|份(|·|表示得到集合的元素个数),共分为k类。这里以民事判决书作为基础来进行训练,取这三类判决书来作为训练集(用T表示):(1)离婚判决文书;(2)合同判决文书;(3)交通事故判决文书。因此k的取值为3。每份判决文书都对应一个类标签,类标签集合记为Y=y1,...,yN,每个类标签的可能取值为1,...,k。设Hi表示与第i个判决文书属于同一类判决文书的编号集合,具体定义为Hi={j|1≤j≤N,yi=yj,i≠j}。设Mi表示与第i个判决文书属于不同类别的判决文书编号的集合,具体定义为Mi={j|1≤j≤N,yi≠yj}。
设线性变换矩阵为A∈Rr×d,r<<d,这里取r=100。下面先求第i个判决文书的到同类判决文书和不同类判决文书之间的距离之差,并记这个这差值为ρi,其具体定义如下:
下面是对这个公式的一些解释:
①符号|·|表示取集合或向量的元素个数,|Hi|表示向量元素的个数;
②Hi表示与第i份判决文书属于同一类判决文书的编号集合;Mi表示与第i份判决文书属于不同类别的判决文书编号的集合;
③p(i)表示第i份判决文书的词汇在基础词汇库中所对应的位置向量,表示向量p(i)中的第n个元素,其取值为正整数,p(j)表示第j份判决文书的词汇在基础词汇库中所对应的位置向量,表示向量p(j)的第m个元素,其取值为正整数,分别表示第i份判决文书和第j份判决文书在矩阵X中对应的第列和列;
⑤trace表示求矩阵的迹:将矩阵对角线元素相加;
因此,最终建立如下的目标函数:
XTATAX=I
求解这个目标函数分为两步:
①令AX=U,则目标函数变为:
UTU=I
很容易得出这个目标函数的解为U*=Γr,其中Γr表示取矩阵D的最小的r个特征值对应的特征向量按列构成的矩阵。
②求解线性方程组AXT=U*即可得到A的解。
(7)当输入庭审记录之后,所采的分词方法是用基础词汇库中的词汇来对输入的庭审记录进行分词,然后找到这些词对应的向量。通过矩阵A来对这些向量进行变换。按同样的方法,将训练集中的所有判决文书所对应的向量进行变换。求输入文档与训练集中每份判决文书的距离。这个距离的具体求解方法为:求输入庭审记录的各个词汇所对应的向量与训练集中每份判决文书的词汇所对应的向量的欧式距离,并将这些距离相加,就得到输入庭审记录与这些判决文书之间的距离。取与输入庭审记录距离最小的前5份文档,综合这5份文档中“法院认为”部分的内容,并呈现给法官。法官如果觉得有不当之处,会进行修改。在最终完成并确定这部分内容后,再次提交给本系统。接下来是对提交的“法院认为”部分进行相似性匹配。这部分匹配的过程与庭审记录部分完全一样,也是首先需要训练线性变换矩阵,然后再通过计算相关内容的相似性来得出与提交的“法院认为”相似的判决文书,最后综合这些文书的判决结果,然后提供给法官做审判结果参考意见。
(8)随着时间的偏移,判决文书数量会不断增加。因此每隔一定时间(比如本发明采用的时间间隔为1月),就会收集新的数据,然后按上面的步骤重新训练模型。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (3)
1.一种法院智能审判方法,其特征在于:包括,
利用法院已有的判决文书,建立具有智能分析和自动推理的辅助审判模型;
将在审案件的案件庭审记录输入到所建立的辅助审判模型中,辅助审判模型自动匹配已有的相似案件的庭审记录,找到已有的相似案件的庭审记录所对应的“本院认为”部分的内容;
根据找到的已有相似案件的庭审记录所对应的“本院认为”部分的内容,自动生成本案件的“本院认为”部分;
根据本案件的“本院认为”内容得到已有判决文书中的判决结果,通过归纳出相似案件的判决结果,得出本案件的判决建议;
在利用法院已有的判决文书,建立具有智能分析和自动推理的辅助审判模型步骤中,辅助审判模型的训练方法具体包括以下子步骤:
(1)将收集到的判决文书进行分类处理;
(2)针对每一类的判决文书用中文分词工具进行分词;然后对切分好的词汇进行修正处理,从而建立专业的判决文书基础词汇库;具体为由专业人员进行校正和筛选,所述校正是将被分开的词合并成一个词,所述筛选是找出属于判决文书的关键词汇,得到一个基础词汇库,所述基础词汇库是一个由专业词汇构成的向量,向量中的每一个元素为一个词,该向量记为W;
(3)对基础词汇库中的词汇进行编码,将每个词转换成固定长度的向量;采用的词嵌入方法为word2vec;设每个词对应的向量长度为d,在W中的所有词构成一个矩阵,设该矩阵为X∈Rd×v,其中v表示向量W中元素个数,W中的第n个词对应X中的一列,是一个d维的实数列向量,表示为xn∈Rd;
(4)以得到的向量W和矩阵X为基础,对判决文书进行编码;将基础词汇库中的词汇与判决文书的内容进行匹配;如果有,则记录下这个词在W中的位置,用向量保存下这些位置,称为词的位置向量,第i份判决文书对应的位置向量记为p(i),同时统计这个词出现在该文档中的次数,称为词频率,用向量记录下每个词的词频率,称为词频率向量,第i份判决文书对应的词频率向量为f(i);
(5)计算不同判决文书之间各词汇的距离系数矩阵;把第i份判决文书中的第n个词与第j份判决文书中所有词计算欧式距离,若与第j份判决文书中的第m个词的距离最小,则它们之间的距离系数为这个词与第j份判决文书中其它词的距离系数为0;距离系数矩阵是一个稀疏矩阵,通过压缩其中的0元素来保存该矩阵;
(6)对判决文书中对应的各个词向量进行线性变换,使同一类判决文书之间的距离尽量小,不同类判决文书之间的距离尽量大;从而完成辅助审判模型的训练。
2.根据权利要求1所述的一种法院智能审判方法,其特征在于:将收集到的判决文书进行分类处理步骤中,先将收集到的判决文书分成若干个大类,再将每一个大类分成若干个小类。
3.根据权利要求1所述的一种法院智能审判方法,其特征在于:在对判决文书中对应的各个词向量进行线性变换步骤中,通过线性变换矩阵A来对词向量进行线性变换,具体步骤如下:
设用于训练的所有判决文书有|T|份,|·|表示得到集合的元素个数,共分为k类;
每类判决文书都对应一个类标签,类标签集合记为Y=y1,...,yN,每个类标签的取值为1,...,k,设Hi表示与第i份判决文书属于同一类判决文书的编号集合,具体定义为Hi={j|1≤j≤N,yi=yj,i≠j};设Mi表示与第i份判决文书属于不同类别的判决文书编号的集合,具体定义为Mi={j|1≤j≤N,yi≠yj};
设线性变换矩阵为A∈Rr×d,r<<d,先求第i份判决文书的到同类判决文书和不同类判决文书之间的距离之差,并记这个差值为ρi,其具体定义如下:
①符号|·|表示取集合或向量的元素个数,|Hi|表示向量元素的个数;
②Hi表示与第i份判决文书属于同一类判决文书的编号集合;Mi表示与第i份判决文书属于不同类别的判决文书编号的集合;
③p(i)表示第i份判决文书的词汇在基础词汇库中所对应的位置向量,表示向量p(i)中的第n个元素,其取值为正整数,p(j)表示第j份判决文书的词汇在基础词汇库中所对应的位置向量,表示向量p(j)的第m个元素,其取值为正整数,分别表示第i份判决文书和第j份判决文书在矩阵X中对应的第列和列;
⑤trace表示求矩阵的迹:将矩阵对角线元素相加;
最终建立如下的目标函数:
XTATAX=I
求解这个目标函数分为两步:
①令AX=U,则目标函数变为:
UTU=I
得出该目标函数的解为U*=Γr,其中Γr表示取矩阵D的最小的r个特征值对应的特征向量按列构成的矩阵;
②求解线性方程组AXT=U*得到A的解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710860704.XA CN107562938B (zh) | 2017-09-21 | 2017-09-21 | 一种法院智能审判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710860704.XA CN107562938B (zh) | 2017-09-21 | 2017-09-21 | 一种法院智能审判方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107562938A CN107562938A (zh) | 2018-01-09 |
CN107562938B true CN107562938B (zh) | 2020-09-08 |
Family
ID=60982158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710860704.XA Active CN107562938B (zh) | 2017-09-21 | 2017-09-21 | 一种法院智能审判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107562938B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309295B (zh) * | 2018-03-09 | 2021-11-02 | 北京国双科技有限公司 | 生成裁判文书经审理查明段的方法及装置 |
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 |
CN109241528B (zh) * | 2018-08-24 | 2023-09-01 | 讯飞智元信息科技有限公司 | 一种量刑结果预测方法、装置、设备及存储介质 |
CN109189890A (zh) * | 2018-09-12 | 2019-01-11 | 张连祥 | 招商引资投诉协调智能办理系统及方法 |
CN110955760B (zh) * | 2018-09-26 | 2023-07-04 | 北京国双科技有限公司 | 判决结果的评价方法和相关装置 |
CN109408630B (zh) * | 2018-10-17 | 2021-10-29 | 杭州世平信息科技有限公司 | 一种根据犯罪事实的描述自动生成法院观点的方法 |
CN109255499B (zh) * | 2018-10-25 | 2021-12-07 | 创新先进技术有限公司 | 投诉、投诉案件处理方法、装置及设备 |
CN110717843A (zh) * | 2019-10-21 | 2020-01-21 | 南京大学 | 一种可复用的法条推荐框架 |
CN110888943A (zh) * | 2019-11-08 | 2020-03-17 | 太极计算机股份有限公司 | 基于微模板的法院裁判文书辅助生成的方法和系统 |
CN111222308A (zh) * | 2019-12-17 | 2020-06-02 | 共道网络科技有限公司 | 案件判决书生成方法、装置、电子设备 |
CN112001162B (zh) * | 2020-07-31 | 2024-05-31 | 银江技术股份有限公司 | 基于小样本学习的智能审判系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054006B (zh) * | 2009-11-10 | 2015-01-14 | 深圳市世纪光速信息技术有限公司 | 一种从海量数据中提取有效信息的方法及装置 |
US20170139899A1 (en) * | 2015-11-18 | 2017-05-18 | Le Holdings (Beijing) Co., Ltd. | Keyword extraction method and electronic device |
CN106991092B (zh) * | 2016-01-20 | 2021-11-05 | 阿里巴巴集团控股有限公司 | 基于大数据挖掘相似裁判文书的方法和设备 |
CN106326458A (zh) * | 2016-06-02 | 2017-01-11 | 广西智度信息科技有限公司 | 一种基于文本分类的城市管理案件分类方法 |
CN106127647A (zh) * | 2016-07-18 | 2016-11-16 | 达州市居家养老服务中心 | 一种数据服务平台 |
CN106294568A (zh) * | 2016-07-27 | 2017-01-04 | 北京明朝万达科技股份有限公司 | 一种基于bp网络的中文文本分类规则生成方法及系统 |
CN106296495A (zh) * | 2016-08-09 | 2017-01-04 | 点击律(上海)网络科技有限公司 | 一种诉讼结果的预测方法及系统 |
CN106934483A (zh) * | 2016-11-18 | 2017-07-07 | 北京工业大学 | 一种借助线性规划的基于本体的刑事审判案例推理方法 |
CN106952193A (zh) * | 2017-03-23 | 2017-07-14 | 北京华宇信息技术有限公司 | 一种基于模糊深度信念网络的刑事案件辅助决策方法 |
-
2017
- 2017-09-21 CN CN201710860704.XA patent/CN107562938B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107562938A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562938B (zh) | 一种法院智能审判方法 | |
Ruby et al. | Binary cross entropy with deep learning technique for image classification | |
CN113220919B (zh) | 一种大坝缺陷图像文本跨模态检索方法及模型 | |
CN106844308B (zh) | 一种使用语义识别进行自动化疾病编码转换的方法 | |
US20210158164A1 (en) | Finding k extreme values in constant processing time | |
CN110321830B (zh) | 一种基于神经网络的中文字符串图片ocr识别方法 | |
CN109033172B (zh) | 一种深度学习与近似目标定位的图像检索方法 | |
CN110909673A (zh) | 一种基于自然语言描述的行人再识别方法 | |
US5572604A (en) | Method for pattern recognition using prototype transformations and hierarchical filtering | |
US20060133666A1 (en) | Methods and systems for feature selection | |
US9330332B2 (en) | Fast computation of kernel descriptors | |
CN109657011B (zh) | 一种筛选恐怖袭击事件犯罪团伙的数据挖掘系统 | |
CN113657425A (zh) | 基于多尺度与跨模态注意力机制的多标签图像分类方法 | |
CN112800249A (zh) | 基于生成对抗网络的细粒度跨媒体检索方法 | |
CN115019104A (zh) | 基于多源域自注意力的小样本遥感图像分类方法及系统 | |
CN112307820A (zh) | 文本识别方法、装置、设备和计算机可读介质 | |
CN111680225A (zh) | 基于机器学习的微信金融消息分析方法及系统 | |
CN114398898B (zh) | 基于日志事件关系生成kpi曲线并标记波段特征的方法 | |
CN114676769A (zh) | 一种基于视觉Transformer的小样本昆虫图像识别方法 | |
CN113962160A (zh) | 基于用户画像的互联网卡用户流失预测方法及系统 | |
CN114398891B (zh) | 基于日志关键词生成kpi曲线并标记波段特征的方法 | |
Tavakoli | Seq2image: Sequence analysis using visualization and deep convolutional neural network | |
CN109582743B (zh) | 一种针对恐怖袭击事件的数据挖掘系统 | |
CN113128504A (zh) | 一种基于校验规则的ocr识别结果纠错方法、设备 | |
CN103310217B (zh) | 基于图像协方差特征的手写体数字识别方法及装置 |
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 |