具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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说明书一个或多个一部分实施例,而不是全部的实施例。基于本说明书一个或多个中的实施例,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他实施例,都应当属于本说明书一个或多个保护的范围。
本说明书一个或多个实施例提供了一种需求文档风险识别方法及装置,通过利用预设文档风险评估模型将需求文档与法务合规条款进行自动关联匹配,这样能够智能识别出需求文档可能违反的法务合规条款,从而实现自动对需求文档进行法务合规风险评估,提高了需求文档法务合规风险评估的评估效率、智能度和准确度。
图1为本说明书一个或多个实施例提供的需求文档风险识别系统的应用场景示意图,如图1所示,该系统包括:需求文档生成装置、文档风险识别装置、风险条款展示装置,其中,该需求文档生成装置、文档风险识别装置、风险条款展示装置可以集成于一个设备中,也可以设置于不同的设备中,该需求文档生成装置可以是台式电脑等终端设备,该文档风险识别装置设置于配置有文档风险评估模型的服务器,该风险条款展示装置可以是具有触控功能的显示设备,其中,需求文档风险识别的具体过程为:
首先,需求文档生成装置基于用户输入的需求信息生成目标需求文档;为了保证最终使用的目标需求文档符合法务合规条款,因此,在生成目标需求文档后,需要将该目标需求文档传输至文档风险识别装置,其中,该目标需求文档包括关于新产品上线或新业务功能上线的指导规范;
然后,文档风险识别装置在接收到目标需求文档后,可以先对目标需求文档进行预处理,将预处理后的目标需求文档输入至预先训练好的文档风险评估模型,利用该文档风险评估模型对目标需求文档进行风险识别,生成针对该目标需求文档的候选风险条款集合;为了提高需求文档风险识别准确度,在确定出针对该目标需求文档的候选风险条款集合后,基于预设风险过滤条件,对该候选风险条款集合进行过滤处理,得到针对目标需求文档的目标风险条款集合,并将该目标风险条款集合传输至风险条款展示装置;
最后,风险条款展示装置接收到目标风险条款集合后,在显示界面上展示该目标风险条款集合,以便于风险评估专员对目标风险条款集合进行查看并确认,再基于确认后的目标风险条款集合生成针对目标需求文档的修改建议,以使产品工程师基于该修改建议对目标需求文档进行有针对性的修改,保证最终使用的目标需求文档符合法务合规条款,其中,该目标风险条款集合包括最终确定出的目标需求文档疑似触及的法务合规条款的相关信息,另外,也可以直接将目标风险条款集合发送给产品工程师,此时产品工程师直接基于标风险条款集合对目标需求文档进行有针对性的修改;
因此,在生成目标需求文档后,通过利用预设文档风险评估模型将目标需求文档中存在风险的内容与法务合规条款进行自动关联匹配,这样能够智能识别出需求文档可能违反的法务合规条款,以指导产品工程师有针对性的进行需求文档调整,保证最终使用的目标需求文档符合法务合规条款,从而实现自动对需求文档进行法务合规风险评估,提高了需求文档法务合规风险评估的评估效率、智能度和准确度。
图2为本说明书一个或多个实施例提供的需求文档风险识别方法的第一种流程示意图,图2中的方法能够由图1中的文档风险识别装置执行,如图2所示,该方法至少包括以下步骤:
S201,获取待风险识别的目标需求文档,其中,该目标需求文档可以是产品工程师根据实际需求和产品定位编写的产品需求文档,该产品需求文档可以包含互联网产品所针对的用户群体、所具有的业务功能、以及产品背景、需求描述、功能结构、功能流程图、页面流转图等针对互联网产品的需求说明;
S202,利用预先训练好的文档风险评估模型对目标需求文档进行风险识别,生成针对该目标需求文档的候选风险条款集合,其中,该候选风险条款集合包括:目标需求文档疑似触及的法务合规条款的相关信息;
具体的,上述文档风险评估模型是利用机器学习方法并基于模型训练样本训练得到的,其中,该模型训练样本可以包括:结构化法务合规条款词典和结构化案件词典;
其中,上述候选风险条款集合可以是将匹配出的目标需求文档疑似违反的法务合规条款以表格的形式进行汇总的候选风险列表,该候选风险列表中每一行记录一条目标需求文档疑似违反的法务合规条款的相关信息;上述候选风险条款集合还可以是将匹配出的目标需求文档疑似违反的法务合规条款以可视化的形式进行分区展示的候选风险页面,该候选风险页面中每个分区记录一条目标需求文档疑似违反的法务合规条款的相关信息;
S203,基于预设风险过滤条件和各法务合规条款的相关信息,对候选风险条款集合中的法务合规条款进行过滤处理,得到针对目标需求文档的目标风险条款集合;
其中,为了提高产品工程师对目标需求文档的调整准确度,进一步减少风险评估专员的排查工作量,在确定出候选风险条款集合后,进一步对候选风险条款集合进行条件过滤,得到目标风险条款集合,以便于指导产品工程师对目标需求文档进行针对性地修改与完善,保证最终使用的目标需求文档符合法务合规条款;
同样的,上述目标风险条款集合可以是将匹配出的目标需求文档疑似违反的法务合规条款以表格的形式进行汇总的目标风险列表,该目标风险列表中每一行记录一条目标需求文档疑似违反的法务合规条款的相关信息;上述目标风险条款集合还可以是将匹配出的目标需求文档疑似违反的法务合规条款以可视化的形式进行分区展示的目标风险页面,该目标风险页面中每个分区记录一条目标需求文档疑似违反的法务合规条款的相关信息;
具体的,针对目标风险条款集合为以可视化的形式进行分区展示的目标风险页面的情况,各疑似违反的法务合规条款在目标风险页面中的信息展示面积与该疑似违反的法务合规条款对应的风险匹配度成正比,该风险匹配度用于表征目标需求文档违反该法务合规条款的概率值,即法务合规条款对应的风险匹配度越高,该法务合规条款的信息展示面积越大,这样能够直观地通过信息展示面积表征法务合规条款的风险匹配度,从而提高用户获取较高风险匹配度的法务合规条款的效率,提高用户对高风险的法务合规条款的关注度。
本说明书一个或多个实施例中,通过利用预设文档风险评估模型将需求文档与法务合规条款进行自动关联匹配,这样能够智能识别出需求文档可能违反的法务合规条款,从而实现自动对需求文档进行法务合规风险评估,提高了需求文档法务合规风险评估的评估效率、智能度和准确度。
其中,在对目标需求文档进行风险识别之前,需要先基于模型训练样本训练得到文档风险评估模型,基于此,如图3所示,在上述S201获取待风险识别的目标需求文档之前,还包括:
S204,对法务合规信息库中的法律条款信息进行语义识别,构建结构化法务合规条款词典;
具体的,对法务合规信息库中的法律条款信息进行语义识别,确定各法务合规条款的条款关键要素,其中,该条款关键要素可以包括:法务合规条款的唯一性标识、颁布机构、触发条件、惩戒程度、条款法文中的至少一种;
按照预设分类优先级基于各法务合规条款的条款关键要素,对法务合规条款进行分类,以构建结构化法务合规条款词典,将逐渐积累起来的法律条款信息加以归纳和整理,得到具有条理化、纲领化、纲举目张的法务合规条款词典;
S205,对案件信息库中的典型案件信息进行语义识别,构建结构化案件词典;
具体的,对案件信息库中的典型案件信息进行语义识别,确定各典型案件的案件关键要素,其中,该案件关键要素可以包括:案件案由、案件争议点、违反的法务合规条款的唯一性标识、所属业务领域、法律裁量度中的至少一种;
按照预设分类优先级基于各典型案件的案件关键要素,对典型案件进行分类,以构建结构化案件词典,将逐渐积累起来的典型案件加以归纳和整理,得到具有条理化、纲领化、纲举目张的案件词典;
S206,利用机器学习方法基于构建出的结构化法务合规条款词典和结构化案件词典,训练得到文档风险评估模型;
具体的,在文档风险识别模型训练过程中,将构建出的结构化法务合规条款词典和结构化案件词典作为模型训练样本,其中,该模型训练样本包括:案件案由与违反的法务合规条款之间的对应关系,通过法务合规条款的唯一性标识将结构化法务合规条款词典与结构化案件词典进行关联;
将选取出的模型训练样本输入至待训练的神经网络模型中,判断识别结果(即针对案件案由识别出的疑似违反的法务合规条款)与实际结果(即典型案件中该案件案由实际违反的法务合规条款)之间的误差是否小于预设误差阈值;
若是,则得到文档风险识别模型;
若否,则进行反向调整,直到识别结果与实际结果之间的误差是否预设误差阈值。
其中,在训练文档风险评估模型的过程中,需要使用法务合规信息库和案件信息库等基本信息构建结构化词典作为模型训练样本,因此,可以通过网络爬虫技术从目标网站中获取相应的法律条款和典型案例更新信息库,基于此,如图4所示,在S204对法务合规信息库中的法律条款信息进行语义识别,构建结构化法务合规条款词典之前,还包括:
S207,利用网络爬虫方式从目标网站抓取官方法律条款信息,并根据抓取到的官方法律条款信息更新法务合规信息库;以及,
S208,利用网络爬虫方式从目标网站抓取典型案例信息,并根据抓取到的典型案例信息更新案件信息库;
其中,上述目标网站可以是司法机构官网、监管机构官网等官方网站,可以定期从目标网站抓取官方法律条款信息和典型案例信息,以对法务合规信息库和案件信息库进行更新,并且基于更新后的法务合规信息库和案件信息库,更新结构化法务合规条款词典和结构化案件词典,再基于更新后的结构化法务合规条款词典和结构化案件词典,优化更新文档风险评估模型,以保证利用该文档风险评估模型对目标需求文档的风险识别准确度。
具体的,如图5所示,给出了文档风险评估模型的训练过程及生成候选风险条款集合的实现原理示意图,具体包括:
(1)通过多种途径获取官方法律条款信息,以更新法务合规信息库,具体的,将本地的官方文件导入法务合规信息库、通过网络爬虫的方式从司法机构官网、监管机构官网等官方网站获取官方法律条款信息并存入法务合规信息库、或者从其他特定来源获取官方法律条款信息并存入法务合规信息库;
(2)对法务合规信息库中的法律条款信息进行语义识别,得到结构化法务合规条款;
(3)将得到的结构化法务合规条款导入预设条款词典模板,得到结构化法务合规条款词典;
(4)通过多种途径获取典型案例信息,以更新案件信息库,具体的,将本地关于典型案例的文件导入案件信息库、通过网络爬虫的方式从司法机构官网、监管机构官网等官方网站获取典型案例信息并存入案件信息库、或者从其他特定来源获取典型案例信息并存入案件信息库;
(5)对案件信息库中的典型案件信息进行语义识别,得到结构化案件信息;
(6)将得到的结构化案件信息导入预设案件词典模板,得到结构化案件词典;
(7)将结构化法务合规条款词典和结构化案件词典作为模型训练样本,训练得到文档风险评估模型;
(8)利用文档风险评估模型结合AI算法对目标需求文档进行风险识别,生成针对该目标需求文档的候选风险条款集合。
其中,上述候选风险条款集合中各法务合规条款的相关信息可以包括:条款具体内容、相关处罚信息、风险匹配度、疑似违反该法务合规条款的关键信息段落标识中至少一种;
对应的,如图6所示,上述S202利用预先训练好的文档风险评估模型对目标需求文档进行风险识别,生成针对该目标需求文档的候选风险条款集合,具体包括:
S2021,从目标需求文档中提取多个待风险识别的关键信息段落,并将提取出的多个关键信息段落输入至利用预先训练好的文档风险评估模型;
其中,一方面,考虑到目标需求文档中可能存在一些固有的模板信息或者一些通用设计思路等已知符合法务合规条款的内容,因此,无需对目标需求文档中所有内容均进行风险识别,另一方面,为了提高匹配出的目标需求文档疑似触及的法务合规条款的准确度,将目标需求文档中待风险识别的内容进行分段划分,以便以关键信息段落为基础单元进行关联法务合规条款的匹配;
S2022,针对每个关键信息段落,确定该关键信息段落与结构化法务合规条款词典中法务合规条款之间的风险匹配度;
其中,上述文档风险评估模型可以是深度神经网络模型,将提取出的多个关键信息段落输入至该深度神经网络模型后,自动进行法务合规条款的风险匹配度计算,该深度神经网络模型的输出结果即为各法务合规条款对应的风险匹配度;
具体的,利用AI算法进行法务合规条款智能匹配,即将关键信息段落与典型案例的案由进行内容匹配,基于内容匹配结果选取内容匹配度满足预设条件的目标典型案例,根据该目标典型案例所违反的法务合规条款和内容匹配度,确定该关键信息段落与法务合规条款对应的风险匹配度;
其中,为了进一步提高目标需求文档的风险识别效率,根据目标需求文档的业务类型和各典型案件的所属业务领域,确定与目标需求文档相关的备选典型案件,将关键信息段落与备选典型案例的案由进行内容匹配;
S2023,将风险匹配度满足预设条件的法务合规条款作为该关键信息段落的关联法务合规条款;
具体的,上述预设条件可以是对匹配度阈值的限定,例如,上述预设条件为风险匹配度大于匹配度阈值;
S2024,根据各关键信息段落对应的关联法务合规条款,生成针对目标需求文档的候选风险条款集合;
具体的,可能存在不同关键信息段落匹配出的疑似触及的法务合规条款相同的情况,可以将相同的法务合规条款进行合并处理,并对该法务合规条款进行关键信息段落标注,即将关键信息段落的标识信息作为该法务合规条款的相关信息,以便风险评估专员或产品工程师快速定位到需要调整的关键信息段落。
其中,为了使得用户能够快速查看目标需求文档疑似违反的法务合规条款的关联案例的详情信息,实现进行相关案例的快速查询分析,基于此,上述候选风险条款集合中各法务合规条款的相关信息还可以包括:关联典型案例;
对应的,上述S2024根据各关键信息段落对应的关联法务合规条款,生成针对目标需求文档的候选风险条款集合,具体包括:
步骤一,针对每个关联法务合规条款,在结构化案件词典中确定与该关联法务合规条款对应的关联典型案例;
步骤二,根据各关键信息段落的关联法务合规条款和各关联法务合规条款对应的关联典型案例,生成针对目标需求文档的候选风险条款集合。
其中,为了便于相关人员更加直观地了解目标需求文档疑似触及的法务合规条款的社会关注度和影响度,基于此,上述候选风险条款集合中各法务合规条款的相关信息还可以包括:历史统计特征;
对应的,上述步骤二根据各关键信息段落的关联法务合规条款和各关联法务合规条款对应的关联典型案例,生成针对目标需求文档的候选风险条款集合,具体包括:
根据各关联法务合规条款对应的关联典型案例,确定针对该关联法务合规条款的历史统计特征,其中,该历史统计特征可以包括:社会关注热度、整体裁量度、整体处罚力度中至少一种;
根据各关联法务合规条款、各关联法务合规条款对应的关联典型案例和历史统计特征,生成针对目标需求文档的候选风险条款集合。
其中,针对目标风险条款集合的确定过程,如图7所示,上述S203基于预设风险过滤条件和各法务合规条款的相关信息,对候选风险条款集合中的法务合规条款进行过滤处理,得到针对目标需求文档的目标风险条款集合,具体包括:
S2031,在候选风险条款集合中,选取一个当前需要过滤的疑似触及的法务合规条款;
S2032,判断当前选取的疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件;
若是,则执行S2033,保留该疑似触及的法务合规条款;
S2034,判断当前需要过滤的疑似触及的法务合规条款是否为候选风险条款集合中最后一个法务合规条款;
若否,则继续执行S2031,选取下一个当前需要过滤的疑似触及的法务合规条款,直到对候选风险条款集合中的各疑似触及的法务合规条款均进行风险过滤条件判断完成;
S2035,将风险过滤后的候选风险条款集合确定为针对目标需求文档的目标风险条款集合。
具体的,针对上述相关信息包括:具有多个特征维度的历史统计特征的情况,对应的,上述预设风险过滤条件包括:针对上述多个特征维度的各历史统计特征达标的阈值范围;
其中,上述S2032判断当前选取的疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件,具体包括:
针对每个特征维度,判断该特征维度对应的历史统计特征是否满足与该特征维度对应的阈值范围;
例如,社会关注热度为一个特征维度,整体裁量度为另一个特征维度、整体处罚力度为又一个特征维度;
根据各特征维度的判断结果和预设约束条件,确定该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件;
其中,上述预设约束条件可以是各特征维度的判断结果均为是,还可以是各特征维度中至少预设数量的判断结果为是。
在一个具体实施例中,如图8所示,给出了需求文档风险识别过程的实现原理示意图,该需求文档风险识别过程具体包括:
(1)需求管理平台接收产品工程师提交的产品需求文档,以及向智能风险评估平台发送风险评估请求,其中,该风险评估请求中携带有产品需求文档;
(2)智能风险评估平台预先基于结构化法务合规条款词典和结构化案件词典,训练并优化得到文档风险评估模型;
(3)智能风险评估平台在接收到风险评估请求后,利用文档风险评估模型并基于AI算法将目标需求文档与结构化法务合规条款词典中的法务合规条款进行智能匹配;
(4)智能风险评估平台根据智能匹配结果生成候选风险列表,其中,该候选风险列表包括:目标需求文档疑似触及的法务合规条款的风险匹配度、社会关注热度、整体裁量度、整体处罚力度中至少一种;
(5)智能风险评估平台基于预设风险过滤条件对候选风险列表中的法务合规条款进行过滤处理,得到针对目标需求文档的目标风险列表;
(6)智能风险评估平台将目标风险列表传输至需求管理平台,以便风险评估专员对目标风险列表查看并确认,将确认后的目标风险列表下发给产品工程师,以使产品工程师基于该目标风险条款集合对目标需求文档进行有针对性的修改。
本说明书一个或多个实施例中的需求文档风险识别方法,利用预先训练好的文档风险评估模型对获取到的目标需求文档进行风险识别,生成包含目标需求文档疑似触及的法务合规条款的候选风险条款集合;基于预设风险过滤条件和候选风险条款集合中各法务合规条款的相关信息,对该候选风险条款集合进行过滤处理,得到针对目标需求文档的目标风险条款集合。通过利用预设文档风险评估模型将需求文档与法务合规条款进行自动关联匹配,这样能够智能识别出需求文档可能违反的法务合规条款,从而实现自动对需求文档进行法务合规风险评估,提高了需求文档法务合规风险评估的评估效率、智能度和准确度。
对应上述图2至图8描述的需求文档风险识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种需求文档风险识别装置,图9为本说明书一个或多个实施例提供的需求文档风险识别装置的第一种模块组成示意图,该装置用于执行图2至图8描述的需求文档风险识别方法,如图9所示,该装置包括:
需求文档获取模块901,用于获取待风险识别的目标需求文档;
候选条款确定模块902,用于利用预先训练好的文档风险评估模型对所述目标需求文档进行风险识别,生成针对所述目标需求文档的候选风险条款集合,其中,所述候选风险条款集合包括:所述目标需求文档疑似触及的法务合规条款的相关信息;
目标条款确定模块903,用于基于预设风险过滤条件和所述相关信息,对所述候选风险条款集合中的法务合规条款进行过滤处理,得到针对所述目标需求文档的目标风险条款集合。
可选地,如图10所示,所述装置还包括:风险评估模型构建模块904,用于:
对法务合规信息库中的法律条款信息进行语义识别,构建结构化法务合规条款词典;以及,
对案件信息库中的典型案件信息进行语义识别,构建结构化案件词典;
利用机器学习方法基于所述结构化法务合规条款词典和所述结构化案件词典,训练得到文档风险评估模型。
可选地,所述装置还包括:模型训练信息获取模块905,用于:
利用网络爬虫方式从目标网站抓取官装置律条款信息,并根据抓取到的所述官方法律条款信息更新法务合规信息库;以及,
利用网络爬虫方式从目标网站抓取典型案例信息,并根据抓取到的所述典型案例信息更新案件信息库。
可选地,所述相关信息包括:条款具体内容和相关处罚信息;
所述候选条款确定模块902,具体用于:
从所述目标需求文档中提取多个待风险识别的关键信息段落,并将提取出的多个所述关键信息段落输入至利用预先训练好的文档风险评估模型;
针对每个所述关键信息段落,确定该关键信息段落与所述结构化法务合规条款词典中法务合规条款之间的风险匹配度,并将风险匹配度满足预设条件的法务合规条款作为所述关键信息段落的关联法务合规条款;
根据各所述关键信息段落的所述关联法务合规条款,生成针对所述目标需求文档的候选风险条款集合。
可选地,所述相关信息还包括:关联典型案例;
所述候选条款确定模块902,进一步具体用于:
针对每个所述关联法务合规条款,在所述结构化案件词典中确定与该关联法务合规条款对应的关联典型案例;
根据各所述关键信息段落的所述关联法务合规条款和各所述关联法务合规条款对应的关联典型案例,生成针对所述目标需求文档的候选风险条款集合。
可选地,所述相关信息还包括:历史统计特征;
所述候选条款确定模块902,更进一步具体用于,包括:
根据各所述关联法务合规条款对应的关联典型案例,确定针对所述关联法务合规条款的历史统计特征;
根据各所述关联法务合规条款、各所述关联法务合规条款对应的关联典型案例和所述历史统计特征,生成针对所述目标需求文档的候选风险条款集合。
可选地,所述目标条款确定模块903,具体用于:
针对每条所述疑似触及的法务合规条款,判断该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件;
若是,则保留所述疑似触及的法务合规条款,直到对所述候选风险条款集合中的各所述疑似触及的法务合规条款均进行风险过滤条件判断完成;
将风险过滤后的所述候选风险条款集合确定为针对所述目标需求文档的目标风险条款集合。
可选地,所述相关信息包括:具有多个特征维度的历史统计特征,所述预设风险过滤条件包括:针对所述多个特征维度的阈值范围;
所述目标条款确定模块903,进一步具体用于:
针对每个所述特征维度,判断该特征维度对应的历史统计特征是否满足与该特征维度对应的阈值范围;
根据各所述特征维度的判断结果和预设约束条件,确定该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件。
本说明书一个或多个实施例中的需求文档风险识别装置,利用预先训练好的文档风险评估模型对获取到的目标需求文档进行风险识别,生成包含目标需求文档疑似触及的法务合规条款的候选风险条款集合;再基于预设风险过滤条件和候选风险条款集合中各法务合规条款的相关信息,对该候选风险条款集合进行过滤处理,得到针对目标需求文档的目标风险条款集合。通过利用预设文档风险评估模型将需求文档与法务合规条款进行自动关联匹配,这样能够智能识别出需求文档可能违反的法务合规条款,从而实现自动对需求文档进行法务合规风险评估,提高了需求文档法务合规风险评估的评估效率、智能度和准确度。
需要说明的是,本说明书中关于需求文档风险识别装置的实施例与本说明书中关于需求文档风险识别方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的需求文档风险识别方法的实施,重复之处不再赘述。
进一步地,对应上述图2至图8所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种需求文档风险识别设备,该设备用于执行上述的需求文档风险识别方法,如图11所示。
需求文档风险识别设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器1101和存储器1102,存储器1102中可以存储有一个或一个以上存储应用程序或数据。其中,存储器1102可以是短暂存储或持久存储。存储在存储器1102的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对需求文档风险识别设备中的一系列计算机可执行指令。更进一步地,处理器1101可以设置为与存储器1102通信,在需求文档风险识别设备上执行存储器1102中的一系列计算机可执行指令。需求文档风险识别设备还可以包括一个或一个以上电源1103,一个或一个以上有线或无线网络接口1104,一个或一个以上输入输出接口1105,一个或一个以上键盘1106等。
在一个具体的实施例中,需求文档风险识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对需求文档风险识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待风险识别的目标需求文档;
利用预先训练好的文档风险评估模型对所述目标需求文档进行风险识别,生成针对所述目标需求文档的候选风险条款集合,其中,所述候选风险条款集合包括:所述目标需求文档疑似触及的法务合规条款的相关信息;
基于预设风险过滤条件和所述相关信息,对所述候选风险条款集合中的法务合规条款进行过滤处理,得到针对所述目标需求文档的目标风险条款集合。
可选地,计算机可执行指令在被执行时,还包含用于进行以下计算机可执行指令:
在获取待风险识别的目标需求文档之前,还包括:
对法务合规信息库中的法律条款信息进行语义识别,构建结构化法务合规条款词典;以及,
对案件信息库中的典型案件信息进行语义识别,构建结构化案件词典;
利用机器学习方法基于所述结构化法务合规条款词典和所述结构化案件词典,训练得到文档风险评估模型。
可选地,计算机可执行指令在被执行时,还包含用于进行以下计算机可执行指令:
在对法务合规信息库中的法律条款信息进行语义识别,构建结构化法务合规条款词典之前,还包括:
利用网络爬虫方式从目标网站抓取官方法律条款信息,并根据抓取到的所述官方法律条款信息更新法务合规信息库;以及,
利用网络爬虫方式从目标网站抓取典型案例信息,并根据抓取到的所述典型案例信息更新案件信息库。
可选地,计算机可执行指令在被执行时,所述相关信息包括:条款具体内容和相关处罚信息;
所述利用预先训练好的文档风险评估模型对所述目标需求文档进行风险识别,生成针对所述目标需求文档的候选风险条款集合,包括:
从所述目标需求文档中提取多个待风险识别的关键信息段落,并将提取出的多个所述关键信息段落输入至利用预先训练好的文档风险评估模型;
针对每个所述关键信息段落,确定该关键信息段落与所述结构化法务合规条款词典中法务合规条款之间的风险匹配度,并将风险匹配度满足预设条件的法务合规条款作为所述关键信息段落的关联法务合规条款;
根据各所述关键信息段落的所述关联法务合规条款,生成针对所述目标需求文档的候选风险条款集合。
可选地,计算机可执行指令在被执行时,所述相关信息还包括:关联典型案例;
所述根据各所述关键信息段落的所述关联法务合规条款,生成针对所述目标需求文档的候选风险条款集合,包括:
针对每个所述关联法务合规条款,在所述结构化案件词典中确定与该关联法务合规条款对应的关联典型案例;
根据各所述关键信息段落的所述关联法务合规条款和各所述关联法务合规条款对应的关联典型案例,生成针对所述目标需求文档的候选风险条款集合。
可选地,计算机可执行指令在被执行时,所述相关信息还包括:历史统计特征;
所述根据各所述关键信息段落的所述关联法务合规条款和各所述关联法务合规条款对应的关联典型案例,生成针对所述目标需求文档的候选风险条款集合,包括:
根据各所述关联法务合规条款对应的关联典型案例,确定针对所述关联法务合规条款的历史统计特征;
根据各所述关联法务合规条款、各所述关联法务合规条款对应的关联典型案例和所述历史统计特征,生成针对所述目标需求文档的候选风险条款集合。
可选地,计算机可执行指令在被执行时,所述基于预设风险过滤条件和所述相关信息,对所述候选风险条款集合中的法务合规条款进行过滤处理,得到针对所述目标需求文档的目标风险条款集合,包括:
针对每条所述疑似触及的法务合规条款,判断该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件;
若是,则保留所述疑似触及的法务合规条款,直到对所述候选风险条款集合中的各所述疑似触及的法务合规条款均进行风险过滤条件判断完成;
将风险过滤后的所述候选风险条款集合确定为针对所述目标需求文档的目标风险条款集合。
可选地,计算机可执行指令在被执行时,所述相关信息包括:具有多个特征维度的历史统计特征,所述预设风险过滤条件包括:针对所述多个特征维度的阈值范围;
所述判断该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件,包括:
针对每个所述特征维度,判断该特征维度对应的历史统计特征是否满足与该特征维度对应的阈值范围;
根据各所述特征维度的判断结果和预设约束条件,确定该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件。
本说明书一个或多个实施例中的需求文档风险识别设备,利用预先训练好的文档风险评估模型对获取到的目标需求文档进行风险识别,生成包含目标需求文档疑似触及的法务合规条款的候选风险条款集合;再基于预设风险过滤条件和候选风险条款集合中各法务合规条款的相关信息,对该候选风险条款集合进行过滤处理,得到针对目标需求文档的目标风险条款集合。通过利用预设文档风险评估模型将需求文档与法务合规条款进行自动关联匹配,这样能够智能识别出需求文档可能违反的法务合规条款,从而实现自动对需求文档进行法务合规风险评估,提高了需求文档法务合规风险评估的评估效率、智能度和准确度。
进一步地,对应上述图2至图8所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取待风险识别的目标需求文档;
利用预先训练好的文档风险评估模型对所述目标需求文档进行风险识别,生成针对所述目标需求文档的候选风险条款集合,其中,所述候选风险条款集合包括:所述目标需求文档疑似触及的法务合规条款的相关信息;
基于预设风险过滤条件和所述相关信息,对所述候选风险条款集合中的法务合规条款进行过滤处理,得到针对所述目标需求文档的目标风险条款集合。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还实现以下流程:
在获取待风险识别的目标需求文档之前,还包括:
对法务合规信息库中的法律条款信息进行语义识别,构建结构化法务合规条款词典;以及,
对案件信息库中的典型案件信息进行语义识别,构建结构化案件词典;
利用机器学习方法基于所述结构化法务合规条款词典和所述结构化案件词典,训练得到文档风险评估模型。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还实现以下流程:
在对法务合规信息库中的法律条款信息进行语义识别,构建结构化法务合规条款词典之前,还包括:
利用网络爬虫方式从目标网站抓取官方法律条款信息,并根据抓取到的所述官方法律条款信息更新法务合规信息库;以及,
利用网络爬虫方式从目标网站抓取典型案例信息,并根据抓取到的所述典型案例信息更新案件信息库。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述相关信息包括:条款具体内容和相关处罚信息;
所述利用预先训练好的文档风险评估模型对所述目标需求文档进行风险识别,生成针对所述目标需求文档的候选风险条款集合,包括:
从所述目标需求文档中提取多个待风险识别的关键信息段落,并将提取出的多个所述关键信息段落输入至利用预先训练好的文档风险评估模型;
针对每个所述关键信息段落,确定该关键信息段落与所述结构化法务合规条款词典中法务合规条款之间的风险匹配度,并将风险匹配度满足预设条件的法务合规条款作为所述关键信息段落的关联法务合规条款;
根据各所述关键信息段落的所述关联法务合规条款,生成针对所述目标需求文档的候选风险条款集合。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述相关信息还包括:关联典型案例;
所述根据各所述关键信息段落的所述关联法务合规条款,生成针对所述目标需求文档的候选风险条款集合,包括:
针对每个所述关联法务合规条款,在所述结构化案件词典中确定与该关联法务合规条款对应的关联典型案例;
根据各所述关键信息段落的所述关联法务合规条款和各所述关联法务合规条款对应的关联典型案例,生成针对所述目标需求文档的候选风险条款集合。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述相关信息还包括:历史统计特征;
所述根据各所述关键信息段落的所述关联法务合规条款和各所述关联法务合规条款对应的关联典型案例,生成针对所述目标需求文档的候选风险条款集合,包括:
根据各所述关联法务合规条款对应的关联典型案例,确定针对所述关联法务合规条款的历史统计特征;
根据各所述关联法务合规条款、各所述关联法务合规条款对应的关联典型案例和所述历史统计特征,生成针对所述目标需求文档的候选风险条款集合。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述基于预设风险过滤条件和所述相关信息,对所述候选风险条款集合中的法务合规条款进行过滤处理,得到针对所述目标需求文档的目标风险条款集合,包括:
针对每条所述疑似触及的法务合规条款,判断该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件;
若是,则保留所述疑似触及的法务合规条款,直到对所述候选风险条款集合中的各所述疑似触及的法务合规条款均进行风险过滤条件判断完成;
将风险过滤后的所述候选风险条款集合确定为针对所述目标需求文档的目标风险条款集合。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述相关信息包括:具有多个特征维度的历史统计特征,所述预设风险过滤条件包括:针对所述多个特征维度的阈值范围;
所述判断该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件,包括:
针对每个所述特征维度,判断该特征维度对应的历史统计特征是否满足与该特征维度对应的阈值范围;
根据各所述特征维度的判断结果和预设约束条件,确定该疑似触及的法务合规条款的相关信息是否符合预设风险过滤条件。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时,利用预先训练好的文档风险评估模型对获取到的目标需求文档进行风险识别,生成包含目标需求文档疑似触及的法务合规条款的候选风险条款集合;再基于预设风险过滤条件和候选风险条款集合中各法务合规条款的相关信息,对该候选风险条款集合进行过滤处理,得到针对目标需求文档的目标风险条款集合。通过利用预设文档风险评估模型将需求文档与法务合规条款进行自动关联匹配,这样能够智能识别出需求文档可能违反的法务合规条款,从而实现自动对需求文档进行法务合规风险评估,提高了需求文档法务合规风险评估的评估效率、智能度和准确度。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HD Cal、JHDL(Java Hardware Description Language)、Lava、Lola、My HDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个是参照根据本说明书一个或多个实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书一个或多个的实施例而已,并不用于限制本说明书一个或多个。对于本领域技术人员来说,本说明书一个或多个可以有各种更改和变化。凡在本说明书一个或多个的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个的权利要求范围之内。