CN109829692A - 基于人工智能的合同审理方法、装置、设备及存储介质 - Google Patents
基于人工智能的合同审理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109829692A CN109829692A CN201910043290.0A CN201910043290A CN109829692A CN 109829692 A CN109829692 A CN 109829692A CN 201910043290 A CN201910043290 A CN 201910043290A CN 109829692 A CN109829692 A CN 109829692A
- Authority
- CN
- China
- Prior art keywords
- contract
- text
- trial
- training data
- tried
- 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 78
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 220
- 238000004458 analytical method Methods 0.000 claims description 67
- 238000003066 decision tree Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 27
- 238000003058 natural language processing Methods 0.000 claims description 21
- 238000012550 audit Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012797 qualification Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000012015 optical character recognition Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于人工智能的合同审理方法、装置、设备及存储介质,该基于人工智能的合同审理方法包括:获取合同审理请求,所述合同审理请求包括待审理合同和合同类型;若所述待审理合同的文件格式为图片格式,则对所述待审理合同进行模糊检测,若模糊检测通过,则采用OCR识别技术对所述待审理合同进行识别,获取与所述待审理合同对应的待审理文本;若所述待审理合同的文件格式为文本格式,则将所述待审理合同作为待审理文本;采用与所述合同类型相对应的目标合同审理模型对所述待审理文本进行智能审理,获取合同审理结果。该合同审理方法可实现智能审理,无需人工干预,提高审理效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的合同审理方法、装置、设备及存储介质。
背景技术
在签署合同时,个体用户由于没有丰富的法律知识,较难识别合同中的条款是否合理,只能通过网络手动查询小部分合同模板以初步判定合同的合理性,耗费时间,且网络中的合同模板即使合同类型相同的情况下,其包括合同条款也不尽相同,导致人工判断合同合理性的准确率不高,使用户在签署合同时,无法确保合同的法律效益和用户的合法权益。
发明内容
本发明实施例提供一种基于人工智能的合同审理方法、装置、设备及存储介质,以解决目前合同审核需要依赖于人工实现,准确率不高且效率低的问题。
一种基于人工智能的合同审理方法,包括:
获取合同审理请求,所述合同审理请求包括待审理合同和合同类型;
若所述待审理合同的文件格式为图片格式,则对所述待审理合同进行模糊检测,若模糊检测通过,则采用OCR识别技术对所述待审理合同进行识别,获取与所述待审理合同对应的待审理文本;
若所述待审理合同的文件格式为文本格式,则将所述待审理合同作为待审理文本;
采用与所述合同类型相对应的目标合同审理模型对所述待审理文本进行智能审理,获取合同审理结果。
一种基于人工智能的合同审理装置,包括:
合同审理请求获取模块,用于获取合同审理请求,所述合同审理请求包括待审理合同和合同类型;
第一待审理文本获取模块,用于若所述待审理合同的文件格式为图片格式,则对所述待审理合同进行模糊检测,若模糊检测通过,则采用OCR识别技术对所述待审理合同进行识别,获取与所述待审理合同对应的待审理文本;
第二待审理文本获取模块,用于若所述待审理合同的文件格式为文本格式,则将所述待审理合同作为待审理文本;
合同审理结果获取模块,用于采用与所述合同类型相对应的目标合同审理模型对所述待审理文本进行智能审理,获取合同审理结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于人工智能的合同审理方法。
一种非易失性存储介质,所述非易失性存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于人工智能的合同审理方法。
上述基于人工智能的合同审理方法、装置、设备及存储介质中,先获取合同审理请求,以便对合同审理请求中的待审理合同的文件格式进行判断,若待审理合同的文件格式为图片格式,则对待审理合同进行模糊检测,若模糊检测通过则采用OCR识别技术对待审理合同进行识别,获取与待审理合同对应的待审理文本,提高采用OCR技术对待审理合同进行识别的准确率,保证待审理合同的准确性。若待审理合同的文件格式为文本格式,则将待审理合同作为待审理文本,有效增强合同审理的泛化性。最后,采用与合同类型相对应的目标合同审理模型对待审理文本进行智能审理,以获取审理结果,该合同审理过程无需人工干预,提高审理效率且有效解决个人签订合同的不确定性导致用户权益受到威胁的问题,确保合同的法律效益,保障用户的合法权益。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于人工智能的合同审理方法的一应用环境示意图;
图2是本发明一实施例中基于人工智能的合同审理方法的一流程图;
图3是本发明一实施例中基于人工智能的合同审理方法的一流程图;
图4是图3中步骤S54的一具体流程图;
图5是本发明一实施例中基于人工智能的合同审理方法的一流程图;
图6是本发明一实施例中基于人工智能的合同审理方法的一流程图;
图7是本发明一实施例中基于人工智能的合同审理装置的一示意图;
图8是本发明一实施例中计算机设备的一示意图。
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他实施例,都属于本发明保护的范围。
本发明实施例提供的基于人工智能的合同审理方法,该方法可用于合同审理平台中,用于智能审核合同的有效性,无需人工干预,提高效率且有效解决个人签订合同的不确定性导致用户权益受到威胁的问题,确保合同的法律效益,保障用户的合法权益。该基于人工智能的合同审理方法可应用在如图1的应用环境中,其中,计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。
在一实施例中,如图2所示,提供一种基于人工智能的合同审理方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10:获取合同审理请求,合同审理请求包括待审理合同和合同类型。
其中,合同审理请求是用于触发服务器对待审理合同进行智能审理的请求。合同类型包括但不限于租赁合同、融资租赁合同、承揽合同、买卖合同、技术合同和保管合同等。待审理合同是用户上传的未经审理的合同。具体地,在合同审理平台的交互界面中包括一信息采集模块,以供用户通过该信息采集模块上传待审理合同,以使服务器获取合同审理请求。该待审理合同包括但不限于word、pdf或jpg等文件格式。
S20:若待审理合同的文件格式为图片格式,则对待审理合同进行模糊检测,若模糊检测通过,则采用OCR识别技术对待审理合同进行识别,获取与待审理合同对应的待审理文本。
其中,待审理合同的文件格式包括文本格式和图片格式。具体地,由于后续需对不同文本格式的待审理合同进行智能审理,因此需对待审理合同的文件格式进行判断,若待审理合同的文件格式为图片格式,则服务器在获取到待审理合同图像(即图片格式的待审理合同)时,需对待审理合同图像进行模糊检测,若待审理合同图像过于模糊,则提示重新拍摄,直至获得较清晰的图片,也即模糊检测通过,则采用OCR识别技术对待审理合同进行识别,获取与待审理合同对应的待审理文本,提高采用OCR技术对待审理合同进行识别的准确率。OCR(Optical Character Recognition,光学字符识别)技术是指对文本资料的图像文件进行分析识别处理,获取文字及版面信息的过程。
具体地,对待审理合同图像进行模糊检查的过程如下:先对用户上传的待审理合同图像进行灰度化,以便采用3x3的拉普拉斯算子(可理解为3x3的矩阵)进行卷积处理,以便采用std2()函数计算卷积后待审理合同图像的标准差,再对标准差进行平方,获取待审理合同图像的方差,以便将待审理合同图像的方差与预设阈值进行判断,该预设阈值是预先设定好的用于判定待审理合同图像的方差的阈值。若待审理合同图像的方差大于或等于预设阈值,则说明该待审理合同图像的清晰度已经达到预设阈值,无需重新拍摄。std2()函数是用于计算卷积后待审理合同图像的标准差的函数。若待审理合同图像对应的方差小于预设阈值,则说明该待审理合同图像的清晰度未达到预设阈值,需提示重新拍摄,直至获得较清晰的待审理合同图像,提高采用OCR技术对待审理合同进行识别的准确率。
S30:若待审理合同的文件格式为文本格式,则将待审理合同作为待审理文本。
具体地,若待审理合同的文件格式为文本格式,则无需对待审理合同的格式转换为文本格式,可直接将待审理合同作为待审理文本。
S40:采用与合同类型相对应的目标合同审理模型对待审理文本进行智能审理,获取合同审理结果。
具体地,由于不同合同类型对应的合同审理的审理条件不相同,因此,本实施例中,每一合同类型对应一目标合同审理模型,通过采用与合同类型相对应的合同审理模型对待审理文本进行智能分析审理,获取合同审理结果,以避免通过泛化模型对待审理文本进行审理所得到的合同审理结果准确性不高的问题,有效提高合同审理的准确性。其中,审理结果包括通过和不通过,可理解地,若审理结果不通过,则生成警示提醒信息,以提示用户该合同存在风险,保障用户的合法权益。
本实施例中,先获取合同审理请求,以便对合同审理请求中的待审理合同的文件格式进行判断,若待审理合同的文件格式为图片格式,则对待审理合同进行模糊检测,若模糊检测通过则采用OCR识别技术对待审理合同进行识别,获取与待审理合同对应的待审理文本,提高采用OCR技术对待审理合同进行识别的准确率,保证待审理合同的准确性。若待审理合同的文件格式为文本格式,则将待审理合同作为待审理文本,有效增强合同审理的泛化性。最后,采用与合同类型相对应的目标合同审理模型对待审理文本进行智能审理,以获取合同审理结果,该合同审理过程无需人工干预,提高审理效率,且有效解决个人签订合同的不确定性而导致用户权益受到威胁的问题,确保合同的法律效益,保障用户的合法权益。
在一实施例中,如图3所示,步骤S10之前,该基于人工智能的合同审理方法,具体包括如下步骤:
S51:获取相同合同类型的原始合同文本和基准合同文本。
其中,原始合同文本包括但不限于用户通过平台上传的的历史合同文本和网络中通用的规范合同文本。基准合同文本是经资深专家审核通过的标准合同文本。可理解地,原始合同文本和基准合同文本的合同类型保持一致,以实现采用合同类型对应的合同审理模型对待审理合同进行审理的目的。需说明,由于不同合同类型的审理条件是不同的,因此,在进行模型训练时,是采用相同合同类型的原始合同文本作为模型的训练数据,也即不同的合同类型对应不同的合同审理模型,通过训练专用识别模型以减少训练的数据量,提高训练的效率。
S52:采用预设提取规则对原始合同文本进行文本提取,获取与原始合同文本相对应的至少一个有效文本项,将有效文本项作为待训练数据。
其中,预设提取规则是指按照预先设定的序号标识和段落标识进行文本提取。有效文本项是指原始合同文本中的每一条款项。可理解地,采用预设提取规则对原始合同文本和基准合同本文进行文本提取的提取过程相同,为避免重复,在此以原始合同文本的文本提取为例进行说明。具体地,按照序号标识如(一)或者阿拉伯数字1,确定所需提取的有效文本项的起始位置,再根据段落标识(如句号)确定所需提取的有效文本项的末尾位置,根据所述起始位置和末尾位置对原始合同文本进行提取,该提取过程简单,容易实现,可快速获取原始合同文本对应的至少一个有效文本项。通过将原始合同文本中的每一条款(即有效文本项)单独分离出来作为待训练数据,以便后续对每一条款单独分析,提高合同审理的精度。
S53:根据预设关键字对基准合同文本进行关键字提取,获取与预设关键字相对应的基准训练数据。
其中,预设关键字是预先根据合同类型设定的基准的关键字。不同的合同类型对应的预设关键字不同,如:对于租赁合同,其预设关键字包括租赁物品、租赁期限和租赁金额等信息;对于劳务合同,其预设关键字包括公司主体、工作职务、地点、薪酬和期限等,具体可根据实际情况进行调整,在此不做限定。具体地,服务器根据预设关键字对基准合同文本中与预设关键字相同字段的属性值进行提取,以获取与预设关键字相对应的基准训练数据。可理解地,由于合同审理模型的审理过程包括创建基础模型和训练基础模型两部分,基准训练数据是用于创建基础模型的训练数据,待训练数据用于训练基础模型的训练数据。需要说明的是,由于基准合同文本是经资深专家审核通过的标准合同文本,因此可按照预设关键字直接将基准合同文本中的每一条款单独分离出来,因此无需对基准合同文本进行文本提取,而原始合同文本不是标准合同文本,可能存在偏差,因此需对原始合同文本进行文本提去,以将原始合同文本中的每一条款单独分离出来进行训练,提高训练精度。
S54:采用决策树算法对基准训练数据和待训练数据进行训练,获得目标合同审理模型。
其中,决策树又称为判定树,是运用于分类的一种树结构,其中的每个内部节点代表对某一属性(即维度特征)的一次测试,每条边代表一个测试结果,叶节点代表某个类或类的分布。决策树构造的输入是一组带有类别标记的例子,构造的结果是一棵二叉树或多叉树。二叉树的内部节点(非叶子节点)一般表示为一个逻辑判断,如形式为a=aj的逻辑判断,其中a是特征因子,aj(属性值)是该特征因子的所有取值,树的边是逻辑判断的分支结果。
具体地,将基准训练数据和待训练数据作为训练样本,并采用决策树算法对训练样本进行训练,获得目标合同审理模型,决策树算法可以在相对短的时间内对大型数据源做出可行且效果良好的结果,可以提高目标合同审理模型的准确率,并且决策树只需要一次构建,反复使用,提高了模型训练的效率。
本实施例中,由于不同合同类型对应的合同设立条件不同,因此,通过获取相同合同类型的原始合同文本和基准合同文本,以便通过训练得到与合同类型相对应的目标合同审理模型,提高模型识别的准确率。通过将原始合同文本中的每一条款(即有效文本项)单独分离出来作为待训练数据,以便后续对每一条款单独分析,提高合同审理的精度。再根据预设关键字对基准合同文本进行关键字提取,获取与预设关键字相对应的基准训练数据,以便采用决策树算法对基准训练数据和待训练数据进行训练,获得目标合同审理模型,由于决策树算方法可以在相对短的时间内对大型数据源做出可行且效果良好的结果,可有效提高目标合同审理模型的准确率。
在一实施例中,每一基准训练数据对应一基准训练标签。如图4所示,步骤S54中,即采用决策树算法对基准训练数据和待训练数据进行训练,获得目标合同审理模型,具体包括如下步骤:
S541:初始化决策树的层级参数,将基准训练数据作为决策树的节点进行存储,以获取基础模型。
其中,层级参数是决策树在生长过程中的最大生长层的参数,即初始化决策树的停止分裂的条件,以使决策树不再无限生长,以防止模型过拟合,达到在相对短的时间内对大型数据源做出可行且效果良好的预测结果的目的,提高模型识别的准确率。具体地,通过将基准训练数据作为二叉树的节点进行存储,以提高后续遍历基础模型的效率。
S542:遍历基础模型,采用自然语言处理技术对待训练数据和基础模型中的每一基准训练数据进行语义分析,获取对应的语义分析结果。
其中,NLP(Natural Language Processing,自然语言处理)是计算机以一种聪明而有用的方式分析、理解和从人类语言中获取意义的一种方式。通过利用NLP技术,开发者可以组织和构建知识体系来执行自动摘要、翻译、命名实体识别、关系提取、情感分析、语音识别和话题分割等任务。本实施例中,可采用开源NLP技术所提供的语义分析接口传入数据以进行语义分析对比。具体地,服务器可通过包括但不限于前序遍历、后序遍历或中序遍历等方式遍历基础模型中的每一基准训练数据,以提高遍历基础模型的效率。最后,将基础模型中的每一基准训练数据和待训练数据输入到语义分析接口中进行语义分析,获取语义分析接口返回的语义分析结果。
本实施例中,通过采用NLP技术对基础模型中的每一基准训练数据和待训练数据进行语义分析对比,以获取语义分析结果,以避免通过简单文本对比的所得到的结果不准确的情况。可理解地,基准训练数据是理想状态下的数据,而待训练数据是更加符合实际情况的数据,通过将待训练数据与基准训练数据的二者的语义进行分析对比,获取是否相似的分析结果,以便后续分析每一预设关键字的优先级,从而得到目标合同审理模型。
S543:若待训练数据与一基准训练数据的语义分析结果为相似,则使基准训练标签对应的出现次数加1。
其中,基准训练数据对应一基准训练标签,该基准训练标签可映射为预设关键字,在步骤S53中,通过预设关键字对基准合同文本进行关键字提取,获取预设关键字对应的基准训练数据。其中,预设关键字即为基准训练标签,每一基准训练标签均对应一段统计代码,用于统计基准训练标签的出现次数,进而确定基准训练标签(即预设关键字)的优先级。具体地,若待训练数据与某一基准训练数据的分析结果为相似,则触发每一基准训练标签对应的统计代码进行统计,即将该基准训练标签对应的出现次数加1。
S544:若待训练数据与一基准训练数据的语义分析结果为不相似,则将待训练数据作为决策树的节点存储到基础模型中,并继续遍历基础模型,采用自然语言处理技术对待训练数据和基础模型中的每一基准训练数据进行语义分析,获取对应的语义分析结果,直至基础模型的层级达到决策树的层级参数。
S545:获取每一基准训练标签对应的出现总次数。
S546:基于基准训练标签对应的出现总次数确定每一基准训练标签对应的优先级,基于优先级更新基础模型,获取原始合同审理模型。
其中,原始合同审理模型是指经过多次迭代获取到的确定每一基准训练标签所对应的优先级的合同审理模型。基准训练标签对应的出现总次数是指在决策树生长达到决策树的层级参数时,所获取的基准训练标签出现的总次数。具体地,若待训练数据与一基准训练数据的分析结果为不相似,则将该待训练数据对应的意图(可通过NLP技术获取)作为待训练数据对应的待训练标签,并将该待训练标签作为基准训练标签存储在基础模型中,以达到采用待训练数据训练基础模型的目的。通过继续执行遍历基础模型,采用自然语言处理技术对待训练数据和基础模型中的每一基准训练数据进行语义分析,获取对应的语义分析结果的步骤,即重复执行步骤S542-S544,直至达到决策树的层级参数,获取基准训练标签对应的出现总次数,并根据基准训练标签对应的出现总次数确定每一准训练标签的优先级。
本实施例中,基准训练标签的优先级包括但不限于重要等级、一般等级和轻微等级,每一优先级均对应一预设范围,该预设范围是用于确定基准训练标签优先级的范围,将每一基准训练标签对应的出现总次数与预设范围进行对比,若出现总次数在预设范围内,则将该预设范围对应的优先级作为基准训练标签对应的优先级。例如,每一优先级对应的预设范围按照优先级的顺序依次为[85-100]、[75-90]和[0-75),若某一基准训练标签对应的出现总次数为100次,则该出现总次数在[80-100]内,故将[85-100]对应的优先级(即重要等级)作为该基准训练标签对应的优先级,通过统计基准训练标签的出现总次数,即可确定基准训练标签的优先级,以获取原始合同审理模型,该训练过程实现简单,计算量小,有效提高模型的训练效率。
S547:给原始合同审理模型配置一预设决策规则,获得目标合同审理模型。
其中,决策树中的每一层级对应一优先级。决策树中每一节点表示基准训练数据或待训练数据,每一节点可包括一个或多个。本实施例中,决策树中的层级从上到下依次为重要等级、一般等级和轻微等级。预设决策规则是预先根据实际情况设定的决策策略,可根据视实际情况进行调整。本实施例中的预设决策规则为:仅当重要等级和一般等级全部通过时才认为合同合格,即审理结果为通过。具体地,若重要等级未通过,则直接获取审理结果为不通过;若重要等级通过且一般等级不通过(即合同审理模型中重要等级对应的层级不存在语义相似的树节点且一般等级对应的层级不存在语义相似的树节点)时,则认为合同不合格,即审理结果为不通过;若轻微等级未通过时,可忽略不计。
本实施例中,通过先初始化决策树的层级参数,再将基准训练数据作为二叉树的节点进行存储,以提高后续遍历基础模型的效率。遍历基础模型,采用自然语言处理技术对待训练数据和基础模型中的每一基准训练数据进行语义分析,获取对应的语义分析结果,以避免通过简单文本对比所得到的结果不准确的情况,通过分析待训练数据和基础模型中的每一基准训练数据的是否相似,通过统计每一基准训练标签对应的出现总次数,以确定每一基准训练标签对应的优先级,基于优先级更新基础模型,以获取原始合同审理模型,该训练过程实现简单,计算量小,有效提高模型的训练效率。
在一实施例中,如图5所示,步骤S10之前,该基于人工智能的合同审理方法还包括如下步骤:
S61:获取相同合同类型的原始合同文本和基准合同文本。
S62:采用预设提取规则对原始合同文本进行文本提取,获取与原始合同文本相对应的至少一个有效文本项,将有效文本项作为待训练数据。
S63:根据预设关键字对基准合同文本进行关键字提取,获取与预设关键字相对应的基准训练数据。
具体地,步骤S61-S63与步骤S51-S53一致,为避免重复,在此不再赘述。
S64:采用自然语言处理技术对待训练数据和基准训练数据语义分析,获取语义分析结果。
S65:基于语义分析结果对待训练数据进行自动标注,获取与待训练数据对应的待训练标签。
具体地,服务器采用开源自然语言处理技术所提供的语义分析接口传入待训练数据和基准训练数据以进行语义分析对比,获取语义分析接口返回的语义分析结果;若语义分析结果相似,则将基准训练数据对应的基准训练标签作为带训练数据对应的待训练标签;如果语义分析结果为不相似,则将待训练数据对应的意图(可通过NLP技术获取)作为待训练数据对应的待训练标签,以实现对待训练数据进行自动标注的目的,无需人工干预,提高训练效率。
S66:采用深度学习网络对基准训练数据和携带待训练标签的待训练数据进行训练,获得目标合同审理模型。
其中,步骤S51-S54是以机器学习的方式训练以获得目标合同审理模型,其可以较少的训练数据进行训练,训练速度快,但由于层级参数的不同,有可能导致出现过拟合,造成模型的准确率较低,本实施例中还可采用深度学习来训练以获得目标合同审理模型,以克服过拟合的情况发生,提高模型的准确率,但由于深度学习网络需要大量的训练数据进行训练,训练速度相对较低。
其中,深度学习网络包括但不限于采用循环神经网络,如LSTM模型。具体地,将基准训练数据和携带待训练标签的待训练数据作为训练样本;先采用正则表达式(如[u4e00-u9fa5])将非中文字符排除;再采用分词工具(如结巴分词)对每一训练样本进行分词,获取每一训练数据对应的词次;然后,采用TF-IDF算法计算每一训练数据对应的词次对应的词频,获取与每一训练数据对应的特征向量。例如,某训练数据进行分词后得到的词次为“保险”和“福利”,假设计算出的各词次的词频依序为0.2和0.3,则将词次进行向量化处理得到每一训练数据对应的特征向量为(0.2,0.3)。最后,将特征向量输入到深度学习网络进行训练,经过多次迭代训练即可获得目标合同审理模型。
其中,TF-IDF(term frequency–inverse document frequency)算法是一种用于信息检索与数据挖掘的常用加权算法,具有计算简单,效率快的优点。具体地,采用TF-IDF算法对每一个词次进行运算,以获取每一个词次在训练中的出现次数,即为词频。TF-IDF算法的计算公式为其中,u表示词次在训练样本中的出现次数,U表示训练样本中的总词次,T为词频。本实施例中,采用TF-IDF算法对至少一个词次进行运算,获取每一词次对应的词频,计算过程简单,有利于提高模型的训练效率。
本实施例中,通过采用自然语言处理技术对待训练数据和基准训练数据语义分析,获取语义分析结果,以便基于语义分析结果对待训练数据进行自动标注,获取与待训练数据对应的待训练标签,以实现对待训练数据进行自动标注的目的,无需人工干预,提高训练效率。最后采用深度学习网络对基准训练数据和携带待训练标签的待训练数据进行训练,获得目标合同审理模型,以克服采用决策树算法的层级参数的确定不准确,导致出现模型过拟合的情况发生,提高模型的准确率。
在一实施例中,如图6所示,步骤S10之前,该基于人工智能的合同审理方法还包括如下步骤:
S71:获取平台专家入驻请求,平台专家入驻请求包括资质审理图像和专家注册信息。
其中,平台专家入驻请求是用于触发服务器对专家注册信息进行注册的请求。具体地,用户可通过点击合同审核平台中的平台专家入驻按钮,以进入平台专家入驻的配置界面,该配置界面包括图像采集模块和信息采集模块。其中,图像采集模块用于采集资质审理图像,该资质审理图像包括身份证图像、律师资格证图像和律师执业证图像。信息采集模块,用于采集专家注册信息,该专家注册信息包括但不限于登录账号和登录密码等。
S72:采用OCR识别技术对资质审理图像进行识别,获取与资质审理图像对应的识别文本,对识别文本进行关键信息提取,获取待审核信息。
S73:获取第三方认证系统基于待审核信息进行认证所得到的认证结果。
S74:若认证结果通过,则将专家注册信息存储到用户数据库中。
具体地,通过采用OCR技术对资质审理图像进行识别获取识别文本,再采用预设关键字对识别文本进行关键字提取,以获取用户的身份证号码和证书编号,即待审理信息。其中,预设关键字包括身份证号码和证书编号(即律师资格证编号和律师执业证编号)。通过链接到第三方认证系统,以获取第三方认证系统基于待审理信息(即身份证号码和证书编号)的真实性进行评估的认证结果,若认证结果通过,则在数据库中添加专家注册信息,以使平台专家可通过专家注册信息登录合同审理平台审理合同。
相应的,在步骤S40之后,该基于人工智能的合同审理方法还包括:若合同审理结果为审核不通过,则将待审理合同发送给与专家注册信息相匹配的审核终端。
具体地,合同审核平台的合同审理包括两种审理模式,一种是智能审理模式,另一种是专家审理模式。本实施例中,默认先采用智能审理模式进行审理,即采用目标合同审理模型对待审理合同进行智能审理,获取合同审理结果,若合同审理结果为审核不通过时,则服务器将自动进入专家审理模式,以将合同审理结果发送给与专家注册信息相匹配的审核终端进行高级审理,以进一步增加合同审理的准确率。本实施例中,用户也可在合同审核平台中直接选择专家审理模式,通过连线在线专家进行审理,需说明,专家审理模式只有在平台专家在线并且工作时间内才可进行回复。
本实施例中,采用OCR识别技术对资质审理图像进行识别,获取与资质审理图像对应的识别文本,对识别文本进行关键信息提取,获取待审核信息,无需用户手动填写相关信息,可直接对上传资质审理图像进行识别,避免发生手动操作失误,导致后续认证结果失败的情况。再通过链接到第三方认证系统对待审核信息进行认证,以保证平台专家的身份真实有效,提高合同审理的可靠性。通过设置专家入驻功能,以使平台专家有权限对审核不通过的待审理合同进行人工审理,以进一步增加合同审理的准确率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种基于人工智能的合同审理装置,该基于人工智能的合同审理装置与上述实施例中基于人工智能的合同审理方法一一对应。如图7所示,该基于人工智能的合同审理装置包括合同审理请求获取模块10、第一待审理文本获取模块20、第二待审理文本获取模块30和合同审理结果获取模块40。各功能模块详细说明如下:
合同审理请求获取模块10,用于获取合同审理请求,合同审理请求包括待审理合同和合同类型。
第一待审理文本获取模块20,用于若待审理合同的文件格式为图片格式,则对待审理合同进行模糊检测,若模糊检测通过,则采用OCR识别技术对待审理合同进行识别,获取与待审理合同对应的待审理文本。
第二待审理文本获取模块30,用于若待审理合同的文件格式为文本格式,则将待审理合同作为待审理文本。
合同审理结果获取模块40,用于采用与合同类型相对应的目标合同审理模型对待审理文本进行智能审理,获取合同审理结果。
具体地,该基于人工智能的合同审理装置还包括合同文本获取单元51、待训练数据获取单元52、基准训练数据获取单元53和目标合同审理模型获得单元54。
合同文本获取单元51,用于获取相同合同类型的原始合同文本和基准合同文本。
待训练数据获取单元52,用于采用预设提取规则对原始合同文本进行文本提取,获取与原始合同文本相对应的至少一个有效文本项,将有效文本项作为待训练数据。
基准训练数据获取单元53,用于根据预设关键字对基准合同文本进行关键字提取,获取与预设关键字相对应的基准训练数据。
目标合同审理模型获得单元54,用于采用决策树算法对基准训练数据和待训练数据进行训练,获得目标合同审理模型。
具体地,每一基准训练数据对应一基准训练标签;目标合同审理模型获得单元54包括基础模型获取子单元541、语义分析结果获取子单元542、第一处理子单元543、第二处理子单元544、总次数获取单元545、原始合同审理模型获取子单元546和目标合同审理模型获得子单元547。
基础模型获取子单元541,用于初始化决策树的层级参数,将基准训练数据作为决策树的节点进行存储,以获取基础模型。
语义分析结果获取子单元542,用于遍历基础模型,采用自然语言处理技术对待训练数据和基础模型中的每一基准训练数据进行语义分析,获取对应的语义分析结果。
第一处理子单元543,用于若待训练数据与一述基准训练数据的语义分析结果为相似,则使基准训练标签对应的出现次数加1。
第二处理子单元544,用于若待训练数据与一基准训练数据的语义分析结果为不相似,则将待训练数据作为决策树的节点存储到基础模型中,并继续执行遍历基础模型,采用自然语言处理技术对待训练数据和基础模型中的每一基准训练数据进行语义分析,获取对应的语义分析结果的步骤,直至基础模型的层级达到决策树的层级参数,获取每一基准训练标签对应的出现总次数。
总次数获取单元545,用于获取每一基准训练标签对应的出现总次数
原始合同审理模型获取子单元546,用于基于基准训练标签对应的出现总次数确定每一基准训练标签对应的优先级,基于优先级更新基础模型,获取原始合同审理模型。
目标合同审理模型获得子单元546,用于给原始合同审理模型配置一预设决策规则,获得目标合同审理模型。
具体地,该基于人工智能的合同审理装置还包括合同文本获取单元、待训练数据获取单元、基准训练数据获取单元、语义分析结果获取单元、待训练标签获取单元和目标合同审理模型获得单元。
合同文本获取单元,用于获取相同合同类型的原始合同文本和基准合同文本。
待训练数据获取单元,用于采用预设提取规则对原始合同文本进行文本提取,获取与原始合同文本相对应的至少一个有效文本项,将有效文本项作为待训练数据。
基准训练数据获取单元,用于基准训练数据根据预设关键字对基准合同文本进行关键字提取,获取与预设关键字相对应的基准训练数据。
语义分析结果获取单元,用于采用自然语言处理技术对待训练数据和基准训练数据语义分析,获取语义分析结果。
待训练标签获取单元,用于基于语义分析结果对待训练数据进行自动标注,获取与待训练数据对应的待训练标签。
目标合同审理模型获得单元,用于采用深度学习网络对基准训练数据和携带待训练标签的待训练数据进行训练,获得目标合同审理模型。
具体地,该基于人工智能的合同审理装置还包括平台专家入驻请求获取单元、待审核信息获取单元、认证结果获取单元和专家注册信息存储单元。
平台专家入驻请求获取单元,用于获取平台专家入驻请求,平台专家入驻请求包括资质审理图像和专家注册信息。
待审核信息获取单元,用于采用OCR识别技术对资质审理图像进行识别,获取与资质审理图像对应的识别文本,对识别文本进行关键信息提取,获取待审核信息。
认证结果获取单元,用于获取第三方认证系统基于待审核信息进行认证所得到的认证结果。
专家注册信息存储单元,用于若认证结果通过,则将专家注册信息存储到用户数据库中。
相应的,该基于人工智能的合同审理装置还包括:待审理合同发送单元,用于若合同审理结果为审核不通过,则将待审理合同发送给与专家注册信息相匹配的审核终端。
关于基于人工智能的合同审理装置的具体限定可以参见上文中对于基于人工智能的合同审理方法的限定,在此不再赘述。上述基于人工智能的合同审理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8所示。该计算机设备包括通过系统总线连接的处理器、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系统、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系统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执行基于人工智能的合同审理方法过程中生成或获取的数据,如待审理文本。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基于人工智能的合同审理方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中的基于人工智能的合同审理方法的步骤,例如图2所示的步骤S10-S40,或者图3至图6中所示的步骤。或者,处理器执行计算机程序时实现基于人工智能的合同审理装置这一实施例中的各模块/单元的功能,例如图7所示的各模块/单元的功能,为避免重复,这里不再赘述。
在一实施例中,提供一非易失性存储介质,该非易失性存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中用户帐号解锁方法的步骤,例如图2所示的步骤S10-S40,或者图3至图6中所示的步骤,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述基于人工智能的合同审理装置这一实施例中的各模块/单元的功能,例如图7所示的各模块/单元的功能,为避免重复,这里不再赘述。
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,所述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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的合同审理方法,其特征在于,包括:
获取合同审理请求,所述合同审理请求包括待审理合同和合同类型;
若所述待审理合同的文件格式为图片格式,则对所述待审理合同进行模糊检测,若模糊检测通过,则采用OCR识别技术对所述待审理合同进行识别,获取与所述待审理合同对应的待审理文本;
若所述待审理合同的文件格式为文本格式,则将所述待审理合同作为待审理文本;
采用与所述合同类型相对应的目标合同审理模型对所述待审理文本进行智能审理,获取合同审理结果。
2.如权利要求1所述基于人工智能的合同审理方法,其特征在于,在所述获取合同审理请求之前,所述基于人工智能的合同审理方法还包括:
获取相同合同类型的原始合同文本和基准合同文本;
采用预设提取规则对所述原始合同文本进行文本提取,获取与所述原始合同文本相对应的至少一个有效文本项,将所述有效文本项作为待训练数据;
根据预设关键字对所述基准合同文本进行关键字提取,获取与所述预设关键字相对应的基准训练数据;
采用决策树算法对所述基准训练数据和所述待训练数据进行训练,获得所述目标合同审理模型。
3.如权利要求2所述基于人工智能的合同审理方法,其特征在于,每一所述基准训练数据对应一基准训练标签;
所述采用决策树算法对所述基准训练数据和所述待训练数据进行训练,获取所述目标合同审理模型,包括:
初始化决策树的层级参数,将所述基准训练数据作为决策树的节点进行存储,以获取基础模型;
遍历所述基础模型,采用自然语言处理技术对所述待训练数据和基础模型中的每一所述基准训练数据进行语义分析,获取对应的语义分析结果;
若所述待训练数据与一述基准训练数据的语义分析结果为相似,则使所述基准训练标签对应的出现次数加1;
若所述待训练数据与一所述基准训练数据的语义分析结果为不相似,则将所述待训练数据作为所述决策树的节点存储到所述基础模型中,并继续遍历所述基础模型,采用自然语言处理技术对所述待训练数据和基础模型中的每一所述基准训练数据进行语义分析,获取对应的语义分析结果,直至所述基础模型的层级达到所述决策树的层级参数;
获取每一所述基准训练标签对应的出现总次数;
基于所述基准训练标签对应的出现总次数确定每一所述基准训练标签对应的优先级,基于所述优先级更新所述基础模型,获取原始合同审理模型;
给所述原始合同审理模型配置一预设决策规则,获得所述目标合同审理模型。
4.如权利要求1所述基于人工智能的合同审理方法,其特征在于,在所述获取合同审理请求之前,所述述基于人工智能的合同审理方法还包括:
获取相同合同类型的原始合同文本和基准合同文本;
采用预设提取规则对所述原始合同文本进行文本提取,获取与所述原始合同文本相对应的至少一个有效文本项,将所述有效文本项作为待训练数据;
根据预设关键字对所述基准合同文本进行关键字提取,获取与所述预设关键字相对应的基准训练数据;
采用自然语言处理技术对所述待训练数据和所述基准训练数据语义分析,获取语义分析结果;
基于所述语义分析结果对所述待训练数据进行自动标注,获取与所述待训练数据对应的待训练标签;
采用深度学习网络对所述基准训练数据和携带所述待训练标签的待训练数据进行训练,获得所述目标合同审理模型。
5.如权利要求1所述基于人工智能的合同审理方法,其特征在于,在所述获取合同审理请求的步骤之前,所述基于人工智能的合同审理方法还包括:
获取平台专家入驻请求,所述平台专家入驻请求包括资质审理图像和专家注册信息;
采用OCR识别技术对所述资质审理图像进行识别,获取与所述资质审理图像对应的识别文本,对所述识别文本进行关键信息提取,获取待审核信息;
获取第三方认证系统基于所述待审核信息进行认证所得到的认证结果;
若所述认证结果通过,则将所述专家注册信息存储到用户数据库中;
在所述获取合同审理结果之后,所述基于人工智能的合同审理方法还包括:若所述合同审理结果为审核不通过,则将所述待审理合同发送给与所述专家注册信息相匹配的审核终端。
6.一种基于人工智能的合同审理装置,其特征在于,包括:
合同审理请求获取模块,用于获取合同审理请求,所述合同审理请求包括待审理合同和合同类型;
第一待审理文本获取模块,用于若所述待审理合同的文件格式为图片格式,则对所述待审理合同进行模糊检测,若模糊检测通过,则采用OCR识别技术对所述待审理合同进行识别,获取与所述待审理合同对应的待审理文本;
第二待审理文本获取模块,用于若所述待审理合同的文件格式为文本格式,则将所述待审理合同作为待审理文本;
合同审理结果获取模块,用于采用与所述合同类型相对应的目标合同审理模型对所述待审理文本进行智能审理,获取合同审理结果。
7.如权利要求6所述基于人工智能的合同审理装置,其特征在于,所述基于人工智能的合同审理装置还包括:
合同文本获取单元,用于获取相同合同类型的原始合同文本和基准合同文本;
待训练数据获取单元,用于采用预设提取规则对所述原始合同文本进行文本提取,获取与所述原始合同文本相对应的至少一个有效文本项,将所述有效文本项作为待训练数据;
基准训练数据获取单元,用于根据预设关键字对所述基准合同文本进行关键字提取,获取与所述预设关键字相对应的基准训练数据;
目标合同审理模型获得单元,用于采用决策树算法对所述基准训练数据和所述待训练数据进行训练,获得所述目标合同审理模型。
8.如权利要求6所述基于人工智能的合同审理装置,其特征在于,所述目标合同审理模型获得单元包括:
基础模型获取子单元,用于初始化决策树的层级参数,将所述基准训练数据作为决策树的节点进行存储,以获取基础模型;
语义分析结果获取子单元,用于遍历所述基础模型,采用自然语言处理技术对所述待训练数据和基础模型中的每一所述基准训练数据进行语义分析,获取对应的语义分析结果;
第一处理单元,用于若所述待训练数据与一述基准训练数据的语义分析结果为相似,则使所述基准训练标签对应的出现次数加1;
第二处理单元,用于若所述待训练数据与一所述基准训练数据的语义分析结果为不相似,则将所述待训练数据作为所述决策树的节点存储到所述基础模型中,并继续遍历所述基础模型,采用自然语言处理技术对所述待训练数据和基础模型中的每一所述基准训练数据进行语义分析,获取对应的语义分析结果,直至所述基础模型的层级达到所述决策树的层级参数;
总次数获取单元,用于获取每一所述基准训练标签对应的出现总次数;
原始合同审理模型获取子单元,用于基于所述基准训练标签对应的出现总次数确定每一所述基准训练标签对应的优先级,基于所述优先级更新所述基础模型,获取原始合同审理模型;
目标合同审理模型获得子单元,用于给所述原始合同审理模型配置一预设决策规则,获得所述目标合同审理模型。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述基于人工智能的合同审理方法。
10.一种非易失性存储介质,所述非易失性存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于人工智能的合同审理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043290.0A CN109829692A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的合同审理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043290.0A CN109829692A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的合同审理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829692A true CN109829692A (zh) | 2019-05-31 |
Family
ID=66860506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043290.0A Pending CN109829692A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的合同审理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829692A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414512A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 信用证审核终端 |
CN110532543A (zh) * | 2019-06-14 | 2019-12-03 | 平安科技(深圳)有限公司 | 证据材料的分析处理方法、装置、计算机设备和存储介质 |
CN110570085A (zh) * | 2019-08-02 | 2019-12-13 | 杭州云证网络科技有限公司 | 一种互联网金融借贷管理方法 |
CN110674529A (zh) * | 2019-09-24 | 2020-01-10 | 恩亿科(北京)数据科技有限公司 | 一种基于数据安全信息的文档审核方法及文档审核装置 |
CN110705952A (zh) * | 2019-08-15 | 2020-01-17 | 平安信托有限责任公司 | 一种合同审核方法及装置 |
CN110737818A (zh) * | 2019-09-06 | 2020-01-31 | 平安科技(深圳)有限公司 | 网络发布数据处理方法、装置、计算机设备和存储介质 |
CN110852054A (zh) * | 2019-10-22 | 2020-02-28 | 华融融通(北京)科技有限公司 | 一种不良资产经营领域合同版本自动化对比工具及方法 |
CN110855940A (zh) * | 2019-11-01 | 2020-02-28 | 武汉纺织大学 | 一种秸秆焚烧检测中视频流的处理方法 |
CN111144373A (zh) * | 2019-12-31 | 2020-05-12 | 广州市昊链信息科技股份有限公司 | 一种信息识别方法、装置、计算机设备和存储介质 |
CN111178718A (zh) * | 2019-12-19 | 2020-05-19 | 海南大学 | 公平竞争审查方法、服务器、系统及存储介质 |
CN112100373A (zh) * | 2020-08-25 | 2020-12-18 | 南方电网深圳数字电网研究院有限公司 | 一种基于深度神经网络的合同文本分析方法及系统 |
CN112650864A (zh) * | 2019-10-12 | 2021-04-13 | 北京国双科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN112668899A (zh) * | 2020-12-31 | 2021-04-16 | 无锡软美信息科技有限公司 | 一种基于人工智能的合同风险识别方法及装置 |
WO2021088400A1 (zh) * | 2019-11-07 | 2021-05-14 | 达而观信息科技(上海)有限公司 | 一种文档审核方法、装置、系统、设备及存储介质 |
WO2021232593A1 (zh) * | 2020-05-22 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于产品协议字符识别的恶意条款识别方法、装置、设备 |
CN114549014A (zh) * | 2022-04-25 | 2022-05-27 | 深圳市佑荣信息科技有限公司 | 基于自动和人工审核结合的供应链金融风控办法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009217748A (ja) * | 2008-03-12 | 2009-09-24 | Promise Co Ltd | 契約管理装置、電子契約方法及びコンピュータプログラム |
CN103366231A (zh) * | 2012-03-29 | 2013-10-23 | 上海天闻律师事务所 | 一种合同风险信息自动处理方法及装置 |
CN106022734A (zh) * | 2016-06-22 | 2016-10-12 | 武汉斗鱼网络科技有限公司 | 一种合同自动化管理方法与系统 |
CN108830443A (zh) * | 2018-04-19 | 2018-11-16 | 出门问问信息科技有限公司 | 一种合同审阅方法及装置 |
CN108959507A (zh) * | 2018-06-27 | 2018-12-07 | 北京车和家信息技术有限公司 | 合同审阅方法及设备、计算机可读存储介质 |
-
2019
- 2019-01-17 CN CN201910043290.0A patent/CN109829692A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009217748A (ja) * | 2008-03-12 | 2009-09-24 | Promise Co Ltd | 契約管理装置、電子契約方法及びコンピュータプログラム |
CN103366231A (zh) * | 2012-03-29 | 2013-10-23 | 上海天闻律师事务所 | 一种合同风险信息自动处理方法及装置 |
CN106022734A (zh) * | 2016-06-22 | 2016-10-12 | 武汉斗鱼网络科技有限公司 | 一种合同自动化管理方法与系统 |
CN108830443A (zh) * | 2018-04-19 | 2018-11-16 | 出门问问信息科技有限公司 | 一种合同审阅方法及装置 |
CN108959507A (zh) * | 2018-06-27 | 2018-12-07 | 北京车和家信息技术有限公司 | 合同审阅方法及设备、计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
北京慧点科技有限公司: "AI时代下的合同智能审查机器人(下篇)", pages 1 - 10, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/50671165> * |
法眼察: "法眼察AI审查合同亮相科大讯飞1024开发者节", pages 1 - 8, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/47903124> * |
郝新东: ""人工智能合同审查的应用及发展前景探析"", 现代信息科技, vol. 3, no. 1 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532543A (zh) * | 2019-06-14 | 2019-12-03 | 平安科技(深圳)有限公司 | 证据材料的分析处理方法、装置、计算机设备和存储介质 |
CN110414512A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 信用证审核终端 |
CN110570085A (zh) * | 2019-08-02 | 2019-12-13 | 杭州云证网络科技有限公司 | 一种互联网金融借贷管理方法 |
CN110705952A (zh) * | 2019-08-15 | 2020-01-17 | 平安信托有限责任公司 | 一种合同审核方法及装置 |
CN110737818A (zh) * | 2019-09-06 | 2020-01-31 | 平安科技(深圳)有限公司 | 网络发布数据处理方法、装置、计算机设备和存储介质 |
CN110737818B (zh) * | 2019-09-06 | 2024-02-27 | 平安科技(深圳)有限公司 | 网络发布数据处理方法、装置、计算机设备和存储介质 |
CN110674529A (zh) * | 2019-09-24 | 2020-01-10 | 恩亿科(北京)数据科技有限公司 | 一种基于数据安全信息的文档审核方法及文档审核装置 |
CN112650864A (zh) * | 2019-10-12 | 2021-04-13 | 北京国双科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN110852054A (zh) * | 2019-10-22 | 2020-02-28 | 华融融通(北京)科技有限公司 | 一种不良资产经营领域合同版本自动化对比工具及方法 |
CN110855940A (zh) * | 2019-11-01 | 2020-02-28 | 武汉纺织大学 | 一种秸秆焚烧检测中视频流的处理方法 |
WO2021088400A1 (zh) * | 2019-11-07 | 2021-05-14 | 达而观信息科技(上海)有限公司 | 一种文档审核方法、装置、系统、设备及存储介质 |
CN111178718A (zh) * | 2019-12-19 | 2020-05-19 | 海南大学 | 公平竞争审查方法、服务器、系统及存储介质 |
CN111144373A (zh) * | 2019-12-31 | 2020-05-12 | 广州市昊链信息科技股份有限公司 | 一种信息识别方法、装置、计算机设备和存储介质 |
WO2021232593A1 (zh) * | 2020-05-22 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于产品协议字符识别的恶意条款识别方法、装置、设备 |
CN112100373A (zh) * | 2020-08-25 | 2020-12-18 | 南方电网深圳数字电网研究院有限公司 | 一种基于深度神经网络的合同文本分析方法及系统 |
CN112668899A (zh) * | 2020-12-31 | 2021-04-16 | 无锡软美信息科技有限公司 | 一种基于人工智能的合同风险识别方法及装置 |
CN114549014A (zh) * | 2022-04-25 | 2022-05-27 | 深圳市佑荣信息科技有限公司 | 基于自动和人工审核结合的供应链金融风控办法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829692A (zh) | 基于人工智能的合同审理方法、装置、设备及存储介质 | |
Bang et al. | Explaining a black-box by using a deep variational information bottleneck approach | |
CN108876166A (zh) | 财务风险验证处理方法、装置、计算机设备及存储介质 | |
WO2021128679A1 (zh) | 基于数据决策的测试数据生成方法、装置、计算机设备 | |
CN109410036A (zh) | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 | |
CN110569356B (zh) | 基于智能面试交互系统的面试方法、装置和计算机设备 | |
CN109360105A (zh) | 产品风险预警方法、装置、计算机设备和存储介质 | |
CN108241621A (zh) | 法律知识的检索方法及装置 | |
CN110008349A (zh) | 计算机执行的事件风险评估的方法及装置 | |
CN110377730A (zh) | 案由分类方法、装置、计算机设备和存储介质 | |
CN110276068A (zh) | 法律案情分析方法及装置 | |
CN108121702A (zh) | 数学主观题评阅方法及系统 | |
CN110377731A (zh) | 投诉文本处理方法、装置、计算机设备及存储介质 | |
WO2021042842A1 (zh) | 基于ai面试系统的面试方法、装置和计算机设备 | |
CN108764194A (zh) | 一种文本校验方法、装置、设备及可读存储介质 | |
CN109871688A (zh) | 漏洞威胁程度评估方法 | |
CN108830443A (zh) | 一种合同审阅方法及装置 | |
CN113011895B (zh) | 关联账户样本筛选方法、装置和设备及计算机存储介质 | |
CN109857846A (zh) | 用户问句与知识点的匹配方法和装置 | |
CN113239208A (zh) | 一种基于知识图谱的标注训练模型 | |
CN114372532A (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
Li et al. | Neural networks for detecting irrelevant questions during visual question answering | |
CN117349437A (zh) | 基于智能ai的政府信息管理系统及其方法 | |
CN112001484A (zh) | 一种基于多任务深度学习的安全缺陷报告预测方法 | |
CN111144453A (zh) | 构建多模型融合计算模型的方法及设备、网站数据识别方法及设备 |
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 |