发明内容
本说明书一个或多个实施例的目的是提供一种事件评估方法及装置,用以解决现有技术中无法对事件的严重程度进行评估的问题。
为解决上述技术问题,本说明书一个或多个实施例是这样实现的:
一方面,本说明书一个或多个实施例提供一种事件评估方法,包括:
针对指定类型的第一待预测事件,确定所述第一待预测事件的第一事件内容;
根据所述第一事件内容及预先训练的第一模型,确定所述第一待预测事件对应的第一事件处理结果;其中,所述第一模型用于根据所述指定类型的事件的事件内容预测事件处理结果;
根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系,确定所述第一事件处理结果对应的第一评估信息;
获取多个所述第一待预测事件的事件内容及其对应的所述第一评估信息;及,以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述指定类型的事件所对应的评估信息。
在一个实施例中,在确定所述第一待预测事件的第一事件内容之前,还包括:
获取所述指定类型的多个样本事件,及,获取各所述样本事件分别对应的事件信息;其中,所述事件信息包括事件内容及事件处理结果;
对所述多个样本事件及其分别对应的事件信息进行学习,以训练出所述第一模型。
在一个实施例中,在以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型之后,还包括:
针对所述指定类型的第二待预测事件,利用所述事件处理结果与所述评估信息之间的对应关系及所述第一模型,预测所述第二待预测事件的第二评估信息;及,利用所述第二模型预测所述第二待预测事件的第三评估信息;
根据预设的所述第一模型及所述第二模型分别对应的权重,对所述第二评估信息及所述第三评估信息进行加权平均计算,得到所述第二待预测事件的第四评估信息。
在一个实施例中,所述评估信息包括评估分值和/或评估等级。
在一个实施例中,所述指定类型的事件包括被投诉事件;所述事件处理结果包括对所述被投诉事件所执行的事件处罚结果。
另一方面,本说明书一个或多个实施例提供一种事件评估方法,包括:
根据第一司法案件的裁判文书,确定所述第一司法案件的第一案件文本;
根据所述第一案件文本及预先训练的第一模型,确定所述第一司法案件对应的第一案件裁判结果;其中,所述第一模型用于根据司法案件的案件文本预测案件裁判结果;
根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系,确定所述第一案件裁判结果对应的第一评估信息;
获取多个所述第一司法案件的案件文本及其对应的所述第一评估信息;及,以各所述第一司法案件的案件文本及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述司法案件所对应的评估信息。
在一个实施例中,所述方法还包括:
获取多个样本司法案件及其分别对应的案件信息;其中,所述案件信息包括案件文本及案件裁判结果;
对所述多个样本司法案件及其分别对应的案件信息进行学习,以训练出所述第一模型。
再一方面,本说明书一个或多个实施例提供一种事件评估装置,包括:
第一确定模块,用于针对指定类型的第一待预测事件,确定所述第一待预测事件的第一事件内容;
第二确定模块,用于根据所述第一事件内容及预先训练的第一模型,确定所述第一待预测事件对应的第一事件处理结果;其中,所述第一模型用于根据所述指定类型的事件的事件内容预测事件处理结果;
第三确定模块,用于根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系,确定所述第一事件处理结果对应的第一评估信息;
第一训练模块,用于获取多个所述第一待预测事件的事件内容及其对应的所述第一评估信息;及,以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述指定类型的事件所对应的评估信息。
在一个实施例中,所述装置还包括:
第一获取模块,用于在确定所述第一待预测事件的第一事件内容之前,获取所述指定类型的多个样本事件,及,获取各所述样本事件分别对应的事件信息;其中,所述事件信息包括事件内容及事件处理结果;
第二训练模块,用于对所述多个样本事件及其分别对应的事件信息进行学习,以训练出所述第一模型。
在一个实施例中,所述装置还包括:
第一预测模块,用于在以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型之后,针对所述指定类型的第二待预测事件,利用所述事件处理结果与所述评估信息之间的对应关系及所述第一模型,预测所述第二待预测事件的第二评估信息;及,利用所述第二模型预测所述第二待预测事件的第三评估信息;
计算模块,用于根据预设的所述第一模型及所述第二模型分别对应的权重,对所述第二评估信息及所述第三评估信息进行加权平均计算,得到所述第二待预测事件的第四评估信息。
在一个实施例中,所述评估信息包括评估分值和/或评估等级。
在一个实施例中,所述指定类型的事件包括被投诉事件;所述事件处理结果包括对所述被投诉事件所执行的事件处罚结果。
再一方面,本说明书一个或多个实施例提供一种事件评估装置,包括:
第四确定模块,用于根据第一司法案件的裁判文书,确定所述第一司法案件的第一案件文本;
第五确定模块,用于根据所述第一案件文本及预先训练的第一模型,确定所述第一司法案件对应的第一案件裁判结果;其中,所述第一模型用于根据司法案件的案件文本预测案件裁判结果;
第六确定模块,用于根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系,确定所述第一案件裁判结果对应的第一评估信息;
第三训练模块,用于获取多个所述第一司法案件的案件文本及其对应的所述第一评估信息;及,以各所述第一司法案件的案件文本及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述司法案件所对应的评估信息。
在一个实施例中,所述装置还包括:
第二获取模块,用于获取多个样本司法案件及其分别对应的案件信息;其中,所述案件信息包括案件文本及案件裁判结果;
第四训练模块,用于对所述多个样本司法案件及其分别对应的案件信息进行学习,以训练出所述第一模型。
再一方面,本说明书一个或多个实施例提供一种事件评估设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
针对指定类型的第一待预测事件,确定所述第一待预测事件的第一事件内容;
根据所述第一事件内容及预先训练的第一模型,确定所述第一待预测事件对应的第一事件处理结果;其中,所述第一模型用于根据所述指定类型的事件的事件内容预测事件处理结果;
根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系,确定所述第一事件处理结果对应的第一评估信息;
获取多个所述第一待预测事件的事件内容及其对应的所述第一评估信息;及,以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述指定类型的事件所对应的评估信息。
再一方面,本说明书一个或多个实施例提供一种事件评估设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
根据第一司法案件的裁判文书,确定所述第一司法案件的第一案件文本;
根据所述第一案件文本及预先训练的第一模型,确定所述第一司法案件对应的第一案件裁判结果;其中,所述第一模型用于根据司法案件的案件文本预测案件裁判结果;
根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系,确定所述第一案件裁判结果对应的第一评估信息;
获取多个所述第一司法案件的案件文本及其对应的所述第一评估信息;及,以各所述第一司法案件的案件文本及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述司法案件所对应的评估信息。
再一方面,本申请实施例提供一种存储介质,用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
针对指定类型的第一待预测事件,确定所述第一待预测事件的第一事件内容;
根据所述第一事件内容及预先训练的第一模型,确定所述第一待预测事件对应的第一事件处理结果;其中,所述第一模型用于根据所述指定类型的事件的事件内容预测事件处理结果;
根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系,确定所述第一事件处理结果对应的第一评估信息;
获取多个所述第一待预测事件的事件内容及其对应的所述第一评估信息;及,以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述指定类型的事件所对应的评估信息。
再一方面,本申请实施例提供一种存储介质,用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
根据第一司法案件的裁判文书,确定所述第一司法案件的第一案件文本;
根据所述第一案件文本及预先训练的第一模型,确定所述第一司法案件对应的第一案件裁判结果;其中,所述第一模型用于根据司法案件的案件文本预测案件裁判结果;
根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系,确定所述第一案件裁判结果对应的第一评估信息;
获取多个所述第一司法案件的案件文本及其对应的所述第一评估信息;及,以各所述第一司法案件的案件文本及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述司法案件所对应的评估信息。
采用本说明书一个或多个实施例的技术方案,能够确定指定类型的第一待预测事件的第一事件内容,并根据第一事件内容及预先训练的第一模型确定第一待预测事件对应的第一事件处理结果,进而根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系确定出第一事件处理结果对应的第一评估信息,即第一待预测事件对应的第一评估信息。可见,该技术方案能够确定出第一待预测事件所对应的第一评估信息,且第一评估信息反映了第一待预测事件的事件严重程度,因此能够对指定类型的事件进行事件严重程度的管控和反馈,便于用户获知事件严重程度,进而对严重事件进行相应处理。此外,该技术方案还能够以多个第一待预测事件的事件内容及其分别对应的第一评估信息为样本数据训练第二模型,该第二模型用于预测指定类型的事件所对应的评估信息。由此可见,该技术方案还能够将开源的第一待预测事件作为样本训练出第二模型,并以第二模型来直接预测指定类型的事件所对应的评估信息,从而更加优化了事件严重程度的评估效率,大大降低了资源损耗,优化了用户体验。
具体实施方式
本说明书一个或多个实施例提供一种事件评估方法及装置,用以解决现有技术中无法对事件的严重程度进行评估的问题。
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实施例中的技术方案,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实施例保护的范围。
图1是根据本说明书一实施例的一种事件评估方法的示意性流程图,如图1所示,该方法包括:
S102,针对指定类型的第一待预测事件,确定第一待预测事件的第一事件内容。
其中,待预测事件的事件内容可包括用于描述事件的事件文本,如事件发生过程、事件发生事件、事件发生地点、事件发生原因等。
S104,根据第一事件内容及预先训练的第一模型,确定第一待预测事件对应的第一事件处理结果。
其中,第一模型用于根据指定类型的事件的事件内容预测事件处理结果。
S106,根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系,确定第一事件处理结果对应的第一评估信息。
其中,事件严重程度的评估信息可采用多种方式来表征,如评估分值、评估等级等。
若采用评估分值来表征事件严重程度,则评估分值越高,说明事件越严重。评估分值和事件严重程度之间可预设映射关系。例如,评估分值范围为0~100分,事件严重程度包括低、中、高三个等级,其中,评估分值在0~30分之间的事件,其对应的事件严重程度为低;评估分值在31~60分之间的事件,其对应的事件严重程度为中;评估分值在31~60分之间的事件,其对应的事件严重程度为高。
若采用评估等级来表征事件严重程度,则评估等级越高,说明事件越严重。评估等级和事件严重程度之间可预设映射关系。例如,评估等级包括一、二、三三个等级,事件严重程度包括低、中、高三个等级,其中,评估等级为一级的事件,其对应的事件严重程度为低;评估等级为二级的事件,其对应的事件严重程度为中;评估等级为三级的事件,其对应的事件严重程度为高。
S108,获取多个第一待预测事件的事件内容及其对应的第一评估信息;及,以各第一待预测事件的事件内容及其分别对应的各第一评估信息为样本数据训练第二模型。
其中,第二模型用于预测指定类型的事件所对应的评估信息。
采用本说明书一个或多个实施例的技术方案,能够确定指定类型的第一待预测事件的第一事件内容,并根据第一事件内容及预先训练的第一模型确定第一待预测事件对应的第一事件处理结果,进而根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系确定出第一事件处理结果对应的第一评估信息,即第一待预测事件对应的第一评估信息。可见,该技术方案能够确定出第一待预测事件所对应的第一评估信息,且第一评估信息反映了第一待预测事件的事件严重程度,因此能够对指定类型的事件进行事件严重程度的管控和反馈,便于用户获知事件严重程度,进而对严重事件进行相应处理。此外,该技术方案还能够以多个第一待预测事件的事件内容及其分别对应的第一评估信息为样本数据训练第二模型,该第二模型用于预测指定类型的事件所对应的评估信息。由此可见,该技术方案还能够将开源的第一待预测事件作为样本训练出第二模型,并以第二模型来直接预测指定类型的事件所对应的评估信息,从而更加优化了事件严重程度的评估效率,大大降低了资源损耗,优化了用户体验。
在一个实施例中,在确定第一待预测事件的第一事件内容之前,可获取指定类型的多个样本事件,以及获取各样本事件分别对应的事件信息,进而对多个样本事件及其分别对应的事件信息进行学习,以训练出第一模型。其中,事件信息包括事件内容及事件处理结果。
其中,事件内容可包括用于描述事件的事件文本,如事件发生过程、事件发生事件、事件发生地点、事件发生原因等。事件处理结果可包括对事件所执行的事件处罚结果、事件奖励结果等。
本实施例中,可采用现有的任一种深度学习算法来训练第一模型,包括监督式学习算法或非监督式学习算法等。
本实施例中,利用各样本事件及其分别对应的事件信息训练第一模型之前,还可对各样本事件的事件内容进行预处理,如针对事件文本去除停顿词、去除重复事件等。这样,用于训练第一模型的样本数据就会更加准确、规整,从而有利于快速准确地训练第一模型。
在一个实施例中,以各第一待预测事件的事件内容及其分别对应的各第一评估信息为样本数据训练第二模型之后,可针对指定类型的第二待预测事件,利用事件处理结果与评估信息之间的对应关系及第一模型,预测第二待预测事件的第二评估信息,以及,利用第二模型预测第二待预测事件的第三评估信息;进而根据预设的第一模型及第二模型分别对应的权重,对第二评估信息及第三评估信息进行加权平均计算,得到第二待预测事件对应的第四评估信息。
本实施例中,分别利用第一模型和第二模型预测待预测事件的评估信息,进而按照第一模型和第二模型分别对应的权重计算两个评估信息的加权平均值,最终得到待预测事件的评估信息,即上述所说的第四评估信息。这种方式的优点在于可提高评估信息的准确度。
当然,在另一实施例中,也可仅利用第二模型对待预测事件的评估信息进行预测。
本实施例中,由于第二模型是以多个样本事件的事件内容及各样本事件分别对应的评估信息为样本数据训练的,因此将待预测事件的事件内容(如事件文本)作为第二模型的输入数据,即可得到待预测事件对应的评估信息,该评估信息表征了待预测事件的事件严重程度。
图2是根据本说明书另一实施例的一种事件评估方法的示意性流程图,如图2所示,该方法包括:
S202,根据第一司法案件的裁判文书,确定第一司法案件的第一案件文本。
其中,裁判文书中包括各司法案件的案件文本、案件裁判结果(如刑期)及案件涉及到的相关法条法条。第一司法案件的第一案件文本可包括文字描述的文本以及ocr文本。对于文字描述的文本,可通过提取文字来得到案件文本;对于ocr文本,则可使用现有的ocr文本识别方法进行识别并提取,此处不再赘述。
S204,根据第一案件文本及预先训练的第一模型,确定第一司法案件对应的第一案件裁判结果。
其中,第一模型用于根据司法案件的案件文本预测案件裁判结果。
S206,根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系,确定第一案件裁判结果对应的第一评估信息。
其中,案件严重程度的评估信息可采用多种方式来表征,如评估分值、评估等级等。
若采用评估分值来表征案件严重程度,则评估分值越高,说明案件越严重。评估分值和案件严重程度之间可预设映射关系。例如,评估分值范围为0~100分,案件严重程度包括低、中、高三个等级,其中,评估分值在0~30分之间的案件,其对应的案件严重程度为低;评估分值在31~60分之间的案件,其对应的案件严重程度为中;评估分值在31~60分之间的案件,其对应的案件严重程度为高。
若采用评估等级来表征案件严重程度,则评估等级越高,说明案件越严重。评估等级和案件严重程度之间可预设映射关系。例如,评估等级包括一、二、三三个等级,案件严重程度包括低、中、高三个等级,其中,评估等级为一级的案件,其对应的案件严重程度为低;评估等级为二级的案件,其对应的案件严重程度为中;评估等级为三级的案件,其对应的案件严重程度为高。
S208,获取多个第一司法案件的案件文本及其对应的第一评估信息;及,以各第一司法案件的案件文本及其分别对应的各第一评估信息为样本数据训练第二模型。
其中,第二模型用于预测司法案件所对应的评估信息。
该步骤中,利用第一司法案件的案件文本及其分别对应的各第一评估信息训练第二模型之前,还可对各第一司法案件对应的第一评估信息进行人工核查,以核查各第一司法案件对应的第一评估信息是否准确,并对不准确的评估信息进行修正。然后再利用修正后的样本数据训练第二模型,从而确保模型预测结果的准确度。
采用本说明书一个或多个实施例的技术方案,能够确定第一司法案件的第一案件文本,并根据第一案件文本及预先训练的第一模型确定第一司法案件对应的第一案件裁判结果,进而根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系确定出第一案件裁判结果对应的第一评估信息,即第一司法案件对应的第一评估信息。可见,该技术方案能够确定出第一司法案件所对应的第一评估信息,且第一评估信息反映了第一司法案件的案件严重程度,因此能够对司法案件进行案件严重程度的管控和反馈,便于用户获知案件严重程度,进而对严重案件进行相应处理。此外,该技术方案还能够以多个第一司法案件的案件文本及其分别对应的第一评估信息为样本数据训练第二模型,该第二模型用于预测司法案件所对应的评估信息。由此可见,该技术方案还能够将开源的案件文本作为样本训练出第二模型,并以第二模型来直接预测司法案件所对应的评估信息,从而更加优化了案件严重程度的评估效率,大大降低了资源损耗,优化了用户体验。
在一个实施例中,第一模型采用下述方式训练得到:首先,获取多个样本司法案件及其分别对应的案件信息;其次,对多个样本司法案件及其分别对应的案件信息进行学习,以训练出第一模型。其中,案件信息包括案件文本及案件裁判结果。
本实施例中,可采用现有的任一种深度学习算法来训练第一模型,包括监督式学习算法或非监督式学习算法等。
本实施例中,利用各样本司法案件及其分别对应的裁判文书训练第一模型之前,还可对各司法案件的案件文本进行预处理,如针对案件文本去除停顿词、去除重复案件等。这样,用于训练第一模型的样本数据就会更加准确、规整,从而有利于快速准确地训练第一模型。
在一个实施例中,案件裁判结果包括案件裁判刑期。案件文本和/或案件裁判结果均可从开源的裁判文书中获取到。其中,裁判文书包括案件文本、案件涉及到的相关法条及案件裁判刑期等。
在一个实施例中,以各第一司法案件的案件文本及其分别对应的各第一评估信息为样本数据训练第二模型之后,可针对第二司法案件,利用裁判文书与评估信息之间的对应关系及第一模型,预测第二司法案件的第二评估信息,以及,利用第二模型预测第二司法案件的第三评估信息;进而根据预设的第一模型及第二模型分别对应的权重,对第二评估信息及第三评估信息进行加权平均计算,得到第二司法案件的第四评估信息。
本实施例中,分别利用第一模型和第二模型预测司法案件的评估信息,进而按照第一模型和第二模型分别对应的权重计算两个评估信息的加权平均值,最终得到司法案件对应的评估信息,即上述所说的第四评估信息。这种方式的优点在于可提高评估信息的准确度。
当然,在另一实施例中,也可仅利用第二模型对司法案件的评估信息进行预测。
本实施例中,由于第二模型是以多个司法案件的案件文本及各司法案件分别对应的评估信息为样本数据训练的,因此将司法案件的案件文本作为第二模型的输入数据,即可得到司法案件对应的评估信息,该评估信息表征了司法案件的案件严重程度。
以下举例说明上述实施例提供的事件评估方法。
在一具体实施例中,针对司法案件,首先将司法案件的案件文本作为第一模型的输入数据,预测出司法案件的案件裁判刑期(即案件裁判结果),然后,利用预设的案件裁判刑期和案件严重程度的评估分值之间的对应关系,确定出司法案件的案件裁判刑期所对应的评估分值。
表1列举了本实施例中案件裁判刑期和案件严重程度的评估分值之间的对应关系。本实施例中,案件严重程度的评估分值位于0~1之间,评估分值越高,说明案件严重程度越高。
需要说明的是,表1中案件裁判刑期的划分仅是本说明书实施例中的举例,并不代表真实场景中的划分情况,并且,不同的案件裁判刑期所对应的评估分值的范围也仅是本说明书实施例中的举例,而不代表真实场景中的评估分值。
表1
案件裁判刑期 |
评估分值 |
<1年 |
<0.1 |
1~3年 |
0.1~0.3 |
3~5年 |
0.3~0.6 |
5~10年 |
0.6~0.9 |
>10年 |
0.9~1 |
其次,获取多个司法案件的案件文本及其对应的评估分值;及,以各司法案件的案件文本及其分别对应的各评估分值为样本数据训练第二模型。训练得到的第二模型用于根据司法案件的案件文本预测司法案件所对应的评估分值。
训练出第二模型之后,若需要对司法案件的案件严重程度进行预测,则可仅利用第二模型预测司法案件的案件严重程度,即,利用第二模型预测出司法案件对应的评估分值,然后利用评估分值和案件严重程度之间的对应关系确定出司法案件的案件严重程度。
此外,还可同时利用第一模型和第二模型分别预测出司法案件对应的评估分值,然后根据第一模型和第二模型分别对应的权值计算出两个评估分值的加权平均值,该加权平均值即为司法案件对应的最终评估分值。
综上,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本说明书一个或多个实施例提供的事件评估方法,基于同样的思路,本说明书一个或多个实施例还提供一种事件评估装置。
图3是根据本说明书一实施例的一种事件评估装置的示意性框图,如图3所示,事件评估装置300包括:
第一确定模块310,用于针对指定类型的第一待预测事件,确定第一待预测事件的第一事件内容;
第二确定模块320,用于根据第一事件内容及预先训练的第一模型,确定第一待预测事件对应的第一事件处理结果;其中,第一模型用于根据指定类型的事件的事件内容预测事件处理结果;
第三确定模块330,用于根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系,确定第一事件处理结果对应的第一评估信息;
第一训练模块340,用于获取多个第一待预测事件的事件内容及其对应的第一评估信息;及,以各第一待预测事件的事件内容及其分别对应的各第一评估信息为样本数据训练第二模型;其中,第二模型用于预测指定类型的事件所对应的评估信息。
在一个实施例中,装置300还包括:
第一获取模块,用于在确定第一待预测事件的第一事件内容之前,获取指定类型的多个样本事件,及,获取各样本事件分别对应的事件信息;其中,事件信息包括事件内容及事件处理结果;
第二训练模块,用于对多个样本事件及其分别对应的事件信息进行学习,以训练出第一模型。
在一个实施例中,装置300还包括:
第一预测模块,用于在以各第一待预测事件的事件内容及其分别对应的各第一评估信息为样本数据训练第二模型之后,针对指定类型的第二待预测事件,利用事件处理结果与评估信息之间的对应关系及第一模型,预测第二待预测事件的第二评估信息;及,利用第二模型预测第二待预测事件的第三评估信息;
计算模块,用于根据预设的第一模型及第二模型分别对应的权重,对第二评估信息及第三评估信息进行加权平均计算,得到第二待预测事件的第四评估信息。
在一个实施例中,评估信息包括评估分值和/或评估等级。
在一个实施例中,指定类型的事件包括被投诉事件;事件处理结果包括对被投诉事件所执行的事件处罚结果。
采用本说明书一个或多个实施例的装置,能够确定指定类型的第一待预测事件的第一事件内容,并根据第一事件内容及预先训练的第一模型确定第一待预测事件对应的第一事件处理结果,进而根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系确定出第一事件处理结果对应的第一评估信息,即第一待预测事件对应的第一评估信息。可见,该技术方案能够确定出第一待预测事件所对应的第一评估信息,且第一评估信息反映了第一待预测事件的事件严重程度,因此能够对指定类型的事件进行事件严重程度的管控和反馈,便于用户获知事件严重程度,进而对严重事件进行相应处理。此外,该技术方案还能够以多个第一待预测事件的事件内容及其分别对应的第一评估信息为样本数据训练第二模型,该第二模型用于预测指定类型的事件所对应的评估信息。由此可见,该技术方案还能够将开源的第一待预测事件作为样本训练出第二模型,并以第二模型来直接预测指定类型的事件所对应的评估信息,从而更加优化了事件严重程度的评估效率,大大降低了资源损耗,优化了用户体验。
图4是根据本说明书另一实施例的一种事件评估装置的示意性框图,如图4所示,事件评估装置400包括:
第四确定模块410,用于根据第一司法案件的裁判文书,确定所述第一司法案件的第一案件文本;
第五确定模块420,用于根据所述第一案件文本及预先训练的第一模型,确定所述第一司法案件对应的第一案件裁判结果;其中,所述第一模型用于根据司法案件的案件文本预测案件裁判结果;
第六确定模块430,用于用于根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系,确定所述第一案件裁判结果对应的第一评估信息;
第三训练模块440,用于获取多个所述第一司法案件的案件文本及其对应的所述第一评估信息;及,以各所述第一司法案件的案件文本及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述司法案件所对应的评估信息。
在一个实施例中,装置400还包括:
第二获取模块,用于获取多个样本司法案件及其分别对应的案件信息;其中,所述案件信息包括案件文本及案件裁判结果;
第四训练模块,用于对所述多个样本司法案件及其分别对应的案件信息进行学习,以训练出所述第一模型。
采用本说明书一个或多个实施例的装置,能够确定第一司法案件的第一案件文本,并根据第一案件文本及预先训练的第一模型确定第一司法案件对应的第一案件裁判结果,进而根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系确定出第一案件裁判结果对应的第一评估信息,即第一司法案件对应的第一评估信息。可见,该技术方案能够确定出第一司法案件所对应的第一评估信息,且第一评估信息反映了第一司法案件的案件严重程度,因此能够对司法案件进行案件严重程度的管控和反馈,便于用户获知案件严重程度,进而对严重案件进行相应处理。此外,该技术方案还能够以多个第一司法案件的案件文本及其分别对应的第一评估信息为样本数据训练第二模型,该第二模型用于预测司法案件所对应的评估信息。由此可见,该技术方案还能够将开源的案件文本作为样本训练出第二模型,并以第二模型来直接预测司法案件所对应的评估信息,从而更加优化了案件严重程度的评估效率,大大降低了资源损耗,优化了用户体验。
本领域的技术人员应可理解,上述事件评估装置能够用来实现前文所述的事件评估方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本说明书一个或多个实施例还提供一种事件评估设备,如图5所示。事件评估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501和存储器502,存储器502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502可以是短暂存储或持久存储。存储在存储器502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事件评估设备中的一系列计算机可执行指令。更进一步地,处理器501可以设置为与存储器502通信,在事件评估设备上执行存储器502中的一系列计算机可执行指令。事件评估设备还可以包括一个或一个以上电源503,一个或一个以上有线或无线网络接口504,一个或一个以上输入输出接口505,一个或一个以上键盘506。
具体在本实施例中,事件评估设备包括有存储器,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事件评估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:
针对指定类型的第一待预测事件,确定所述第一待预测事件的第一事件内容;
根据所述第一事件内容及预先训练的第一模型,确定所述第一待预测事件对应的第一事件处理结果;其中,所述第一模型用于根据所述指定类型的事件的事件内容预测事件处理结果;
根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系,确定所述第一事件处理结果对应的第一评估信息;
获取多个所述第一待预测事件的事件内容及其对应的所述第一评估信息;及,以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述指定类型的事件所对应的评估信息。
可选地,计算机可执行指令在被执行时,还可以使所述处理器:
在确定所述第一待预测事件的第一事件内容之前,获取所述指定类型的多个样本事件,及,获取各所述样本事件分别对应的事件信息;其中,所述事件信息包括事件内容及事件处理结果;
对所述多个样本事件及其分别对应的事件信息进行学习,以训练出所述第一模型。
可选地,计算机可执行指令在被执行时,还可以使所述处理器:
在以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型之后,针对所述指定类型的第二待预测事件,利用所述事件处理结果与所述评估信息之间的对应关系及所述第一模型,预测所述第二待预测事件的第二评估信息;及,利用所述第二模型预测所述第二待预测事件的第三评估信息;
根据预设的所述第一模型及所述第二模型分别对应的权重,对所述第二评估信息及所述第三评估信息进行加权平均计算,得到所述第二待预测事件的第四评估信息。
可选地,所述评估信息包括评估分值和/或评估等级。
可选地,所述指定类型的事件包括被投诉事件;所述事件处理结果包括对所述被投诉事件所执行的事件处罚结果。
基于同样的思路,本说明书一个或多个实施例还提供一种事件评估设备,如图6所示。事件评估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601和存储器602,存储器602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602可以是短暂存储或持久存储。存储在存储器602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事件评估设备中的一系列计算机可执行指令。更进一步地,处理器601可以设置为与存储器602通信,在事件评估设备上执行存储器602中的一系列计算机可执行指令。事件评估设备还可以包括一个或一个以上电源603,一个或一个以上有线或无线网络接口604,一个或一个以上输入输出接口605,一个或一个以上键盘606。
具体在本实施例中,事件评估设备包括有存储器,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事件评估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:
根据第一司法案件的裁判文书,确定所述第一司法案件的第一案件文本;
根据所述第一案件文本及预先训练的第一模型,确定所述第一司法案件对应的第一案件裁判结果;其中,所述第一模型用于根据司法案件的案件文本预测案件裁判结果;
根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系,确定所述第一案件裁判结果对应的第一评估信息;
获取多个所述第一司法案件的案件文本及其对应的所述第一评估信息;及,以各所述第一司法案件的案件文本及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述司法案件所对应的评估信息。
可选地,计算机可执行指令在被执行时,还可以使所述处理器:
获取多个样本司法案件及其分别对应的案件信息;其中,所述案件信息包括案件文本及案件裁判结果;
对所述多个样本司法案件及其分别对应的案件信息进行学习,以训练出所述第一模型。
本说明书一个或多个实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述事件评估方法,并具体用于执行:
针对指定类型的第一待预测事件,确定所述第一待预测事件的第一事件内容;
根据所述第一事件内容及预先训练的第一模型,确定所述第一待预测事件对应的第一事件处理结果;其中,所述第一模型用于根据所述指定类型的事件的事件内容预测事件处理结果;
根据预设的事件处理结果与事件严重程度的评估信息之间的对应关系,确定所述第一事件处理结果对应的第一评估信息;
获取多个所述第一待预测事件的事件内容及其对应的所述第一评估信息;及,以各所述第一待预测事件的事件内容及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述指定类型的事件所对应的评估信息。
本说明书一个或多个实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述事件评估方法,并具体用于执行:
根据第一司法案件的裁判文书,确定所述第一司法案件的第一案件文本;
根据所述第一案件文本及预先训练的第一模型,确定所述第一司法案件对应的第一案件裁判结果;其中,所述第一模型用于根据司法案件的案件文本预测案件裁判结果;
根据预设的案件裁判结果与案件严重程度的评估信息之间的对应关系,确定所述第一案件裁判结果对应的第一评估信息;
获取多个所述第一司法案件的案件文本及其对应的所述第一评估信息;及,以各所述第一司法案件的案件文本及其分别对应的各所述第一评估信息为样本数据训练第二模型;其中,所述第二模型用于预测所述司法案件所对应的评估信息。
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实施例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实施例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实施例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实施例是参照根据本申请实施例的方法、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(trans itory 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。
本说明书一个或多个实施例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申请,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实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例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实施例的权利要求范围之内。