CN110175333B - 一种证据指引方法、装置、设备及存储介质 - Google Patents

一种证据指引方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110175333B
CN110175333B CN201910482072.7A CN201910482072A CN110175333B CN 110175333 B CN110175333 B CN 110175333B CN 201910482072 A CN201910482072 A CN 201910482072A CN 110175333 B CN110175333 B CN 110175333B
Authority
CN
China
Prior art keywords
event
question
target
answer pair
evidence
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
Application number
CN201910482072.7A
Other languages
English (en)
Other versions
CN110175333A (zh
Inventor
盛志超
李�浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
iFlytek Co Ltd
Original Assignee
iFlytek Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by iFlytek Co Ltd filed Critical iFlytek Co Ltd
Priority to CN201910482072.7A priority Critical patent/CN110175333B/zh
Publication of CN110175333A publication Critical patent/CN110175333A/zh
Application granted granted Critical
Publication of CN110175333B publication Critical patent/CN110175333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种证据指引方法、装置、设备及存储介质，方法包括：获取目标文本中与案情相关的问答部分；根据问答部分获取与案情相关的目标事件信息；根据目标事件信息确定需要收集的证据。本申请提供的证据指引方法可在刑事审讯的过程中，根据审讯文本中与案情相关的事件信息进行证据指引，即，能够根据案情相关的事件信息提示办案人员需要收集的证据，进而能够提高办案人员的办案效率。

Description

一种证据指引方法、装置、设备及存储介质
技术领域
本申请涉及智能司法技术领域，尤其涉及一种证据指引方法、装置、设备及存储介质。
背景技术
近年来，我国司法制度不断进步和完善，在审讯场景下，特别是对于重大专案，基层公安机关需要面对紧急高强度的办案任务，利用计算机手段辅助审讯日益受到重视。
证据指引指的是，在刑事审讯阶段中，根据案情提示办案人员需要收集的证据，如果能够在刑事审讯阶段根据案情向办案人员提供需要收集的证据，将大大提高办案人员的办案效率，然而，目前尚不存在证据指引的方法。
发明内容
有鉴于此，本申请提供了一种证据指引方法、装置、设备及存储介质，用以在刑事审讯阶段，根据案情提示办案人员需要收集的证据，其技术方案如下：
一种证据指引方法，包括：
获取目标文本中与案情相关的问答部分；
根据所述问答部分获取与案情相关的目标事件信息；
根据所述目标事件信息确定需要收集的证据。
可选的，所述目标事件信息包括：与案情相关的目标事件，以及所述目标事件的参数信息；
其中，所述目标事件的参数信息包括：与所述目标事件相关的参数以及所述参数的类型。
其中，所述问答部分包括至少一个问答对；
可选的，所述根据所述问答部分获取与案情相关的目标事件信息包括：
从所述问答部分中识别出每个问答对；
将每一问答对作为目标问答对，获取所述目标问答对对应的目标事件信息，以得到所述问答部分中每个问答对对应的目标事件信息。
可选的，所述从所述问答部分中识别出每个问答对，包括：
确定所述问答部分中的问题起始位置和答案起始位置，获得多个问题起始位置和多个答案起始位置；
根据所述多个问题起始位置和所述多个答案起始位置，确定多个问题和多个答案；
基于预设的配对准则对所述多个问题和所述多个答案进行配对，获得所述问答部分中的每个问答对，其中，所述配对准则为：问题与答案相邻，且问题位于答案之前。
可选的，所述获取所述目标问答对对应的目标事件信息，包括：
利用预先建立的事件信息获取模型，根据所述目标问答对的内容获取所述目标问答对对应的目标事件，从所述目标问答对和所述目标问答对的上下文问答对的内容中获取所述目标问答对对应的目标事件的参数，并确定所述目标问答对对应的目标事件的参数的类型。
可选的，所述根据所述目标问答对的内容获取所述目标问答对对应的目标事件，包括：
从所述目标问答对的内容中确定事件触发词，其中，所述事件触发词为表示事件发生的核心词；
根据所述事件触发词确定所述目标问答对对应的目标事件。
可选的，所述从所述目标问答对和所述目标问答对的上下文问答对的内容中获取所述目标问答对对应的目标事件的参数，包括：
从所述目标问答对和所述目标问答对的上下文问答对的内容中获取候选词，组成候选词集合；
根据所述候选词集合中各个候选词与所述事件触发词的关系，从所述候选词集合中获取与所述事件触发词相关的词，作为所述目标问答对对应的目标事件的参数。
可选的，所述从所述目标问答对和所述目标问答对的上下文问答对的内容中获取候选词，组成候选词集合，包括：
针对所述目标问答对和所述目标问答对的上下文问答对中的每一问答对，若该问答对为所述目标问答对，则将该问答对的内容中的各个非事件触发词均确定为候选词；
若该问答对为所述目标问答对的上下文问答对，则确定该问答对与所述目标问答对是否为针对同一事件的连续问答对，若该问答对与所述目标问答对是针对同一事件的连续问答对，则将该问答对中的各个词均确定为候选词，若该问答对与所述目标问答对不是针对同一事件的连续问答对，则确定该问答对的内容中无候选词；
将针对所述目标问答对和所述目标问答对的上下文问答对获取的所有候选词组成所述候选词集合。
可选的，所述根据所述目标事件信息确定需要收集的证据，包括：
根据所述目标事件信息生成目标事件图，其中，所述目标事件图中包括事件节点、所述事件节点的参数节点，以及连接所述事件节点与所述事件节点的参数节点的边，任一条边代表其所连接的参数节点的类型；
利用预先建立的证据指引模型，确定针对所述目标事件图中的事件节点需要收集的证据，以及，针对所述事件节点的参数节点需要收集的证据。
其中，目标事件为至少一个，相应的，所述目标事件图中的事件节点为至少一个；
可选的，所述确定针对所述目标事件图中的事件节点需要收集的证据，以及，针对所述事件节点的参数节点需要收集的证据，包括：
按照事件的发生顺序，依次确定所述目标事件图中的各个事件节点对应的第一状态向量，并按照与事件的发生顺序相反的顺序，依次确定所述目标事件图中的各个事件节点对应的第二状态向量，其中，任一事件节点对应的第一状态向量通过前一次确定的第一状态向量和该事件对应的事件向量确定，任一事件节点对应的第二状态向量通过前一次确定的第二状态向量和该事件对应的事件向量确定，任一事件节点对应的事件向量根据该事件节点的向量表示、该事件节点的参数节点的向量表示以及该事件节点的参数节点的类型的向量表示确定；
根据所述目标事件图中各个事件节点对应的第一状态向量和第二状态向量，确定针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据。
可选的，所述根据所述目标事件图中各个事件节点对应的第一状态向量和第二状态向量，确定针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据，包括：
针对所述目标事件图中的每一事件节点：
通过该事件节点对应的第一状态向量、第二状态向量以及事件向量，确定针对该事件节点需要收集的证据；
通过该事件节点对应的第一状态向量和第二状态向量、该事件节点的参数节点的向量表示以及该事件节点的参数节点的类型的向量表示，确定针对该事件节点的参数节点需要收集的证据；
以得到所述针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据。
一种证据指引装置，包括：文本获取模块、事件信息获取模块和证据指引模块；
所述文本获取模块，用于获取目标文本中与案情相关的问答部分；
所述事件信息获取模块，用于根据所述问答部分获取与案情相关的目标事件信息；
所述证据指引模块，用于根据所述目标事件信息确定需要收集的证据。
一种证据指引设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现所述证据指引方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述证据指引方法的各个步骤。
经由上述方案可知，本申请提供的证据指引方法、装置、设备及存储介质，首先获取目标文本中与案情相关的问答部分，然后根据问答部分获取与案情相关的目标事件信息，最后根据目标事件信息确定需要收集的证据。本申请提供的证据指引方法可在刑事审讯阶段，根据目标文本中与案情相关的目标事件信息进行证据指引，即，能够根据与案情相关的事件信息提示办案人员需要收集的证据，进而能够提高办案人员的办案效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的证据指引方法的流程示意图；
图2为本申请实施例提供的审讯文本的一示例的示意图；
图3为本申请实施例提供的根据审讯文本中的问答部分获取目标事件信息的流程示意图；
图4为本申请实施例提供的通过事件信息获取模型确定目标问答的事件信息的流程示意图；
图5为本申请实施例提供的通过事件信息获取模型确定事件信息的一示例的示意图；
图6为本申请实施例提供的根据目标事件和目标事件的参数信息确定需要收集的证据的流程示意图；
图7为本申请实施例提供的目标事件图的一示例的示意图；
图8为本申请实施例提供的利用预先建立的证据指引模型，根据目标事件图，确定针对目标事件图中的各个事件节点需要收集的证据，以及针对目标事件图中各个参数节点需要收集的证据的流程示意图；
图9为本申请实施例提供的证据指引装置的结构示意图；
图10为本申请实施例提供的证据指引设备的结构示意图。
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做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。
发明人在实现本案的过程中发现，目前的证据提取针对的是已经完成判决的案件，即从裁判文本中提取证据链，其目的仅仅是检验裁判文本的事实说理水平，而无法用于证据指引，为了能够实现审讯场景下的证据指引，本案发明人进行了深入研究，最终提出了一种证据指引方法，该证据指引方法适用于有证据收集需求的应用场景，该证据指引方法能够在审讯阶段根据审讯文本给出办案人员需要收集的证据，该证据指引方法可应用于终端，也可应用于服务器。接下来通过下述实施例对本申请提供的证据指引方法进行介绍。
请参阅图1，示出了本申请实施例提供的证据指引方法的流程示意图，该方法可以包括：
步骤S101：获取目标文本中与案情相关的问答部分。
其中，目标文本可以但不限定为询问/讯问笔录等。需要说明的是，对于不同地区和基层，询问/讯问笔录有各自不同的形式，但是，其核心内容都是询问/讯问的问答过程，也就是说询问/讯问笔录中均包括至少一个问答对，请参阅图2，示出了询问/讯问笔录的一示例的示意图。
需要说明的是，目标文本中通常包括与案情相关的问答部分，以及与案情无关的固定信息(比如，审讯时间、审讯地点、审讯人员的基本信息、被审讯人员的基本信息、相关人员的签字等)，由于与案情相关的问答部分与证据的确定有关，因此，本步骤的目的在于从目标文本中提取出与案情相关的问答部分。
可选的，获取目标文本中与案情相关的问答部分的过程可以包括：将目标文本输入预先建立的问答内容提取模型，获得问答内容提取模型输出的、目标文本中的问答部分。其中，问答内容提取模型采用标注出整个问答部分的训练文本训练得到。问答内容提取模型可以但不限定为双向LSTM、R-net、QA-Net等，其中，双向LSTM的提取速度较快，R-net和QA-Net的提取效果较好。
步骤S102：根据目标文本中的问答部分获取与案情相关的目标事件信息。
其中，目标事件信息至少包括与案情相关的目标事件，还可以包括目标事件的参数信息，目标事件的参数信息可以包括与目标事件相关的参数以及参数的类型。需要说明的是，与目标事件相关的参数为目标文本的问答部分中与目标事件相关的词。
示例性的，目标审讯文本中包括如下问答部分：
问：你在哪偷车？
答：XX小区。
问：什么时候？
答：昨天。
上述示例中，与案情相关的目标事件为“盗窃”，目标事件“盗窃”的参数为与目标事件“盗窃”相关的“你”、“XX小区”，目标参数“你”的类型为“嫌疑人”，目标参数“XX小区”的类型为“地点”。
步骤S103：根据目标事件信息确定需要收集的证据。
由于目标事件和目标事件的参数信息均为案情的关键信息，因此，根据目标事件和目标事件的参数信息可确定针对案情需要收集的证据。在本实施例中，根据目标事件和目标事件的参数信息确定需要收集的证据时，可根据目标事件和目标事件的参数信息确定针对目标事件需要收集的证据，以及针对目标事件的参数需要收集的证据。
本申请实施例提供证据指引方法，首先获取目标文本中的问答部分，然后根据目标文本中的问答部分，获取与案情相关的目标事件信息，最后根据目标事件信息确定需要收集的证据，由此可见，本申请实施例提供的证据指引方法可在刑事审讯阶段，根据目标文本中与案情相关的事件信息进行证据指引，即能够在刑事审讯阶段，根据案情提示办案人员需要收集的证据，进而能够提高办案人员的办案效率。
以下对上述实施例中的“步骤S102：根据目标文本中的问答部分获取与案情相关的目标事件信息”进行介绍。
请参阅图3，示出了根据目标文本中的问答部分获取与案情相关的目标事件信息的实现过程的流程示意图，可以包括：
步骤S301：从目标文本的问答部分中识别出每个问答对。
具体的，从问答部分中识别出每个问答对的过程可以包括：
步骤S3011、确定问答部分中的问题起始位置和答案起始位置，获得多个问题起始位置和多个答案起始位置。
可选的，利用预先建立的问答起始位置预测模型，预测问答部分中的问题起始位置和答案起始位置。其中，问答起始位置预测模型采用标注出每个问答对的训练问答文本训练得到。
步骤S3012、根据多个问题起始位置和多个答案起始位置，确定多个问题和多个答案。
具体的，可将任一问题起始位置和与其后向相邻的答案起始位置之间的部分确定为一个问题，将任一答案起始位置和与其后向相邻的问题起始位置之间的部分确定为一个答案，如此可获得多个问题和多个答案，请参阅图2，图2框出的部分即为识别出的问题和答案。
步骤S3013、基于预设的配对准则对多个问题和多个答案进行配对，获得问答部分中的每个对答对。
其中，预设的配对准则为：问题与答案相邻，并且，问题位于答案之前，也就是说，针对任一问题，可将该问题与其后向相邻的答案组成一个问答对，或者，针对任一答案，可将该答案与其前向相邻的问题组成一个问答对。
步骤S302：将每一问答对作为目标问答对，获取目标问答对对应的目标事件信息，以得到每个问答对对应的目标事件信息。
需要说明的是，由于一个问答对的内容高度相关，并且，同一事件的内容可能同时分布在问题和答案中，因此，本申请实施例以问答对单位获取目标事件信息。
获取目标问答对对应的目标事件信息的实现方式有多种，在一种可能的实现方式中，可利用预先建立的事件信息获取模型，首先根据目标问答对的内容获取目标问答对对应的目标事件，然后从目标问答对的内容中获取目标问答对对应的目标事件的参数，最后确定目标问答对对应的目标事件的参数的类型，从而获得目标问答对对应的目标事件信息。
在上述实现方式中，目标问答对对应的目标事件的参数仅从目标问答对的内容中获取，考虑到同一事件可能跨越多个问答对，上述实现方法可能无法全面获得目标事件的参数，为了能够更全面获取目标事件的参数，本申请提供了另一种较优的实现方式，具体的：
利用预先建立的事件信息获取模型，首先根据目标问答对的内容获取目标问答对对应的目标事件，然后从目标问答对和目标问答对的上下文问答对的内容中获取目标问答对对应的目标事件的参数，最后确定目标问答对对应的目标事件的参数的类型，从而获得目标问答对对应的目标事件信息。
其中，目标问答对的上下文问答对可以为与目标问答对相邻、且位于目标问答对之前的一个或多个连续问答对，和/或，与目标问答对相邻、且位于目标问答对之后的一个或多个连续问答对。
其中，根据目标问答对的内容获取目标问答对对应的目标事件的过程可以包括：从目标问答对的内容中确定事件触发词；根据事件触发词确定目标问答对对应的目标事件。需要说明的是，事件触发词为表示事件发生的核心词，其多为动词或名词。
进一步的，根据事件触发词确定目标问答对对应的目标事件的过程可以包括：确定事件触发词对应的事件类型，将确定出的事件类型作为目标问答对对应的目标事件。
示例性的，目标问答对为：
问：你在哪偷车？
答：XX小区。
该问答对中的事件触发词为动词“偷”，事件触发词“偷”对应的事件类型为“偷窃”，则将“偷窃”确定为该目标问答对对应的目标事件。
其中，从目标问答对和目标问答对的上下文问答对的内容中获取目标问答对对应的目标事件的目标参数的实现过程可以包括：从目标问答对和目标问答对的上下文问答对的内容中获取候选词，组成候选词集合；根据候选词集合中各个候选词与事件触发词的关系，从候选词集合中获取与事件触发词相关的词，作为目标问答对对应的目标事件的参数。
从目标问答对和目标问答对的上下文问答对的内容中获取候选词，组成候选词集合的实现方式有多种，在一种可能的实现方式中，直接将目标问答对和目标问答对的上下文问答对中除事件触发词外的各个词均作为候选词，组成候选词集合。
前面提到，将目标问答对的上下文问答对引入进来，能够更全面地获取目标问答对对应的目标事件的参数，但是，将目标问答对的上下文问答对引入进来可能会带来一个问题，那就是，若目标问答对的上下文问答与目标问答对针对的不是同一事件，将会带来虚警，也就是说，直接将目标问答对的上下文问答对中的各个词作为候选词有可能会导致后续获取的有些参数是与目标问答对对应的目标事件无关的参数，为了避免该情况的发生，本实施例提供了另一种较优选的实现方式，具体的：
针对目标问答对和目标问答对的上下文问答对中的任一问答对，若该问答对为目标问答对，则将该问答对的内容中的各个非事件触发词均确定为候选词；若该问答对为目标问答对的上下文问答对，先确定该问答对与目标问答对是否为针对同一事件的连续问答对，若该问答对与目标问答对是针对同一事件的连续问答对，再将该问答对中的各个词均确定为候选词，若该问答对与目标问答对不是针对同一事件的连续问答对，则确定该问答对的内容中无候选词；将针对目标问答对和目标问答对的上下文问答对确定的所有候选词组成候选词集合。
前面提到，目标问答对对应的目标事件和目标问答对对应的目标事件的参数信息均通过预先建立的事件信息获取模型确定，在一种可能的实现方式中，事件信息获取模型可以包括：问答对表示模块、事件获取模块和参数信息获取模块。下面结合图4和图5给出通过该事件信息获取模型确定目标问答对对应的目标事件信息的实现过程，具体可以包括：
步骤S401：通过事件信息获取模型的问答对表示模块，分别将目标问答对和目标问答对的上下文问答对表示为向量序列，获得目标问答对和目标问答对的上下文问答对分别对应的第一向量序列。
针对目标问答对和目标问答对的上下文问答对中的任一问答对，首先对该问答对进行分词，然后对各个词进行词嵌入映射，获得该问答对对应的词向量序列。为了既能够利用问答对的信息又能对问答对中的问题和答案进行区分，本实施例针对问答对对应的词向量序列进行问答类型嵌入，比如，用“0”表示问题，用“1”表示答案，将“0”与该问答对中问题的词向量序列进行拼接，将“1”与该问答对中答案的词向量序列进行拼接，获得该问答对对应的、嵌入问答类型信息后的向量序列后，对该向量序列进行编码，获得问答对对应的第一向量序列。可选的，可通过序列神经网络(比如LSTM)对嵌入问答类型信息后的向量序列进行编码，以获得问答对对应的第一向量序列。
步骤S402：通过事件信息获取模型的事件获取模块，针对目标问答对和目标问答对的上下文问答对中的任一问答对，将该问答对对应的第一向量序列处理成能够表征该问答对中词与词关系的向量序列，作为该问答对对应的第二向量序列，以得到目标问答对和目标问答对的上下文问答对分别对应的第二向量序列，通过目标问答对对应的第二向量序列确定目标问答对对应的目标事件。
可选的，如图5所示，可采用自注意力网络将任一问答对对应的第一向量序列处理成能够表征该问答对中词与词关系的第二向量序列。在获得目标问答对对应的第二向量序列后，通过目标问答对对应的第二向量序列确定目标问答对对应的目标事件，具体的，可将目标问答对对应的第二向量序列中各个词的向量表示输入逻辑回归分类器，以确定目标问答对中的各个词是否为事件触发词，如此可获得目标问答对中的事件触发词，在获得事件触发词后，进一步确定事件触发词对应的事件类型，事件触发词对应的事件类型作为目标问答对对应的目标事件。
需要说明的是，本步骤除了获得目标对答对对应的第二向量序列外，还获得了目标问答对的上下文问答对对应的第二向量序列，而在获取目标问答对对应的目标事件时，由于目标事件只根据目标问答对的内容获取，因此，需要在自注意力网络的输出层添加掩码，以使得只能根据目标对答对对应的第二向量序列确定事件触发词。
步骤S403：通过事件信息获取模型的参数信息获取模块，根据目标问答对和目标问答对的上下文问答对分别对应的第二向量序列，获取候选词集合，基于候选词集合中各个词与事件触发词的关系，从候选词集合中确定与事件触发词相关的词作为目标问答对对应的目标事件的参数，并确定目标问答对对应的目标事件的参数的类型。
优选的，可根据目标问答对和目标问答对的上下文问答对分别对应的第二向量序列，通过全连接层预测目标问答对的上下文问答对中的每个问答对与目标问答对是否为针对同一事件的连续问答对，若是，则将该问答对作为候选问答对。若存在候选问答对，则将目标问答对中的各个非事件触发词和候选问答对中的各个词组成候选词集合，若不存在候选问答对，则只将目标问答对中的各个非事件触发词组成候选词集合。
示例性的，如图5所示，问答对“你在哪偷车？XX小区。”和问答对“什么时候？昨天。”为针对同一事件“偷窃”的连续问答对，则将这两个问答对中的非事件触发词均作为候选词。
在获得候选词集合后，基于候选词集合中各个词与事件触发词的关系，从候选词集合中确定与事件触发词相关的词作为目标问答对对应的目标事件的参数，具体的：
将事件触发词分别与候选词集合中的各个候选词组合，获得多个词对；针对任一词对，获取该词对中两个词分别对应的向量表示，并将该词对中两个词分别对应的向量表示进行拼接，获得拼接后的向量，根据拼接后的向量，利用双线性网络，确定该词对的向量表示，根据该词对的向量表示，利用逻辑分类器，确定该词对中的候选词是否为目标问答对对应的目标事件的参数，以获得目标问答对对应的目标事件的所有参数。需要说明的是，任一词对的向量表示能够表征该词对中的候选词与事件触发词的关系。
其中，针对任一词对，获取该词对中两个词分别对应的向量表示的过程可以包括：若该词对中的候选词来自于目标问答对，则从目标问答对应的第二向量序列中获取该词对中的两个词的向量表示，若该词对中的候选词来自目标问答对的上下文问答对，则从目标问答对对应的第二向量序列中获取事件触发词的向量表示，从目标问答对的上下文问答对对应的第二向量序列中获取候选词的向量表示。
需要说明的是，在确定目标问答对对应的目标事件的参数信息时，由于需要既需要用到目标问答对对应的第二向量序列，又要用到目标问答对的上下文问答对对应的第二向量序列，因此，不需要针对目标问答对的上下文问答对对应的第二向量序列添加掩码。
上述内容给出了根据目标审讯文本中的问答部分获取与案情相关的目标事件以及目标事件的参数信息的实现过程，接下来对“步骤S103：根据目标事件信息确定需要收集的证据”进行介绍。
请参阅图6，示出了根据目标事件信息确定需要收集的证据的实现过程的流程示意图，可以包括：
步骤S601：根据目标事件信息生成目标事件图。
其中，生成的目标事件图中包括事件节点、事件节点的参数节点，以及连接事件节点与事件节点的参数节点的边，任一条边代表其所连接的参数节点的类型。
示例性的，目标事件有六个，依次为“位置转移”、“购买”、“位置转移”、“望风”、“盗窃”、“藏匿”，其中，第一个目标事件“位置转移”的参数有两个，分别为“XX超市”和“张三”，在生成目标事件图时，会生成事件节点“位置转移”，以及事件节点的参数节点“XX超市”和“张三”，并将事件节点“位置转移”分别与参数节点“XX超市”和“张三”连接，事件节点“位置转移”与参数节点“XX超市”之间的边代表参数节点“XX超市”的类型(即“目的地”)，事件节点“位置转移”与参数节点“张三”之间的边代表参数节点“张三”的类型(即“转移人”)，其它目标事件以此类推，从而可获得最终的目标事件图，如图7所示。
步骤S602：利用预先建立的证据指引模型，根据目标事件图，确定针对目标事件图中的各个事件节点需要收集的证据，以及针对目标事件图中各个参数节点需要收集的证据。
其中，证据指引模型采用标注有证据类型的训练事件图训练得到，其中证据类型可以但不限定为照片、转账记录等。
接下来进一步对步骤S602的实现过程进行介绍：
请参阅图8示出了利用预先建立的证据指引模型，根据目标事件图，确定针对目标事件图中的各个事件节点需要收集的证据，以及针对目标事件图中各个参数节点需要收集的证据的流程示意图，可以包括：
步骤S801:通过证据指引模型的状态向量确定模块，按照事件的发生顺序，依次确定目标事件图中各个事件节点对应的第一状态向量，并按照与事件的发生顺序相反的顺序，依次确定目标事件图中各个事件节点对应的第二状态向量。
其中，状态向量确定模块优选为卷积图神经网络(GCN)。考虑到与案情相关的目标事件与参数信息之间联系紧密，适合通过图进行表示，但该图与知识图谱等领域的图结构不同，事件顺序对结果有很大影响，因此引入带有时序信息的GCN。
其中，任一事件节点对应的第一状态向量、第二状态向量能够表征截至该事件节点时的案情进展情况。
其中，任一事件节点ei对应的第一状态向量si通过前一事件节点ei-1(前一事件节点ei-1指的是按照事件发生顺序，位于事件节点ei之前的事件节点)对应的第一状态向量si-1和该事件节点ei对应的事件向量vei确定，具体的，事件节点ei对应的第一状态向量si可通过下式确定：
si＝si-1+vei(1)
需要说明的是，第一个事件节点e1对应的第一状态向量s1通过初始化状态向量s0和第一个事件节点e1对应的事件向量ve1确定。
其中，事件节点ei对应的事件向量vei可通过将事件节点ei的参数节点的向量表示与事件节点ei的参数节点的类型的向量表示相乘，加上事件节点ei的向量表示，最后经过反正切激活函数得到。
示例性的，事件节点为图7中的“位置转移”，事件节点“位置转移”的参数节点为“XX超市”和“张三”，“XX超市”的类型为“目的地”，“张三”的类型为“转移人”，则事件节点“位置转移”对应的事件向量v位置转移可通过下式确定：
v位置转移＝tanh(vXX超市*v目的地+v张三*v转移人+v位置转移)(2)
另外，需要说明的是，对于事件节点而言，若事件节点为一个词，比如“购买”，则对该词进行词嵌入映射，得到词向量，该词向量即作为事件节点的向量表示，若事件节点为多个词，比如“位置转移”，则分别对多个词进行词嵌入映射，得到多个词向量，将多个词向量的均值作为事件节点的向量表示，参数节点的向量表示采用同样的方式获得。对于参数节点的类型的向量表示，可使用随机初始化的向量。
与第一状态向量的确定方式类似，任一事件节点ei对应的第二状态向量si通过前一事件节点ei-1(前一事件节点ei-1指的是按照与事件的发生顺序相反的顺序，位于事件节点ei之前的事件节点)对应的第二状态向量si-1和该事件节点ei对应的事件向量vei确定。
步骤S802:通过证据指引模型的证据确定模块，根据目标事件图中各个事件节点对应的第一状态向量和第二状态向量，确定针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据。
具体的，根据目标事件图中各个事件节点对应的第一状态向量和第二状态向量，确定针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据的过程可以包括：
针对目标事件图中的任一事件节点：通过该事件节点对应的第一状态向量和第二状态向量，以及该事件节点对应的事件向量，确定针对该事件节点需要收集的证据；通过该事件节点对应的第一状态向量和第二状态向量、该事件节点的参数节点对应的参数向量和参数类型向量，确定针对该事件节点的参数节点需要收集的证据；以得到针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据。
具体的，将该事件节点对应的第一状态向量、第二状态向量以及事件向量拼接，拼接后的向量经过一个全连接层，从而获得针对该事件节点需要收集的证据，需要说明的是，拼接后的向量经过全连接层可获得每个证据类型对应的概率，通过每个证据类型对应的概率可确定该事件节点所需的证据类型，该事件节点所需的证据类型即为针对该事件节点需要收集的证据，比如，该事件节点所需的证据类型为交易记录，则针对该事件节点需要收集的证据即为交易记录。
具体的，将该事件节点对应的第一状态向量、第二状态向量以及参数向量(该参数向量为该事件节点的参数节点的向量表示与该事件节点的参数节点的类型的向量表示的乘积)拼接，拼接后的向量经过一个全连接层，从而获得针对该事件节点的参数节点需要收集的证据。同样的，拼接后的向量经过全连接层可获得每个证据类型对应的概率，通过每个证据类型对应的概率可确定该事件节点的参数节点所需的证据类型，该事件节点的参数节点所需的证据类型即为针对该事件节点需要收集的证据。
本申请实施例提供的证据指引方法，可根据目标文本中与案情相关的问答部分获取与案情相关的目标事件信息，进而根据与案情相关的目标事件信息确定需要收集的证据。本申请实施例提供的证据指引方法可在刑事审讯阶段，根据目标文本中与案情相关的事件信息进行证据指引，即能够在刑事审讯阶段，采用计算机手段根据案情提示办案人员需要收集的证据，从而能够辅助办案人员办案，进而能够提高办案人员的办案效率。
下面对本申请实施例提供的证据指引装置进行描述，下文描述的证据指引装置与上文描述的证据指引方法可相互对应参照。
请参阅图9，示出了本申请实施例提供的一种证据指引装置的结构示意图，该证据指引装置可以包括：文本获取模块901、事件信息获取模块902和证据指引模块903。
文本获取模块901，用于获取目标文本中与案情相关的问答部分。
其中，目标文本包括与案情相关的问答部分，问答部分包括至少一个问答对。
事件信息获取模块902，用于根据问答部分获取与案情相关的目标事件信息。
其中，目标事件信息包括与案情相关的目标事件，以及目标事件的参数信息，目标事件的参数信息包括与目标事件相关的参数以及参数的类型。
证据指引模块903，用于根据目标事件信息确定需要收集的证据。
本申请实施例提供证据指引装置，首先获取目标文本中与案情相关的问答部分，然后根据问答部分获取与案情相关的目标事件信息，最后根据目标事件信息确定需要收集的证据，由此可见，本申请实施例提供的证据指引装置可在刑事审讯阶段，根据目标文本中与案情相关的事件信息进行证据指引，即能够在刑事审讯阶段，根据案情提示办案人员需要收集的证据，进而能够提高办案人员的办案效率。
在一种可能的实现方式中，上述实施例提供的证据指引装置中的事件信息获取模块902可以包括：问答对识别子模块和事件信息获取子模块。
问答对识别子模块，用于从所述问答部分中识别出每个问答对。
事件信息获取子模块，用于将每一问答对作为目标问答对，获取所述目标问答对对应的目标事件信息，以得到每个问答对对应的目标事件信息。
在一种可能的实现方式中，问答对识别子模块，具体用于确定所述问答部分中的问题起始位置和答案起始位置，获得多个问题起始位置和多个答案起始位置；根据所述多个问题起始位置和所述多个答案起始位置，确定多个问题和多个答案；基于预设的配对准则对所述多个问题和所述多个答案进行配对，获得所述问答部分中的每个问答对，其中，所述配对准则为：问题与答案相邻，且问题位于答案之前。
在一种可能的实现方式中，事件信息获取子模块，具体用于利用预先建立的事件信息获取模型，根据所述目标问答对的内容获取所述目标问答对对应的目标事件，从所述目标问答对和所述目标问答对的上下文问答对的内容中获取所述目标问答对对应的目标事件的参数，并确定所述目标问答对对应的目标事件的参数的类型。
在一种可能的实现方式中，事件信息获取子模块，在根据所述目标问答对的内容获取所述目标问答对对应的目标事件时，具体用于从所述目标问答对的内容中确定事件触发词，其中，所述事件触发词为表示事件发生的核心词；根据所述事件触发词确定所述目标问答对对应的目标事件。
在一种可能的实现方式中，事件信息获取子模块，在从所述目标问答对和所述目标问答对的上下文问答对的内容中获取所述目标问答对对应的目标事件的参数时，具体用于从所述目标问答对和所述目标问答对的上下文问答对的内容中获取候选词，组成候选词集合；根据所述候选词集合中各个候选词与所述事件触发词的关系，从所述候选词集合中获取与所述事件触发词相关的词，作为所述目标问答对对应的目标事件的参数。
在一种可能的实现方式中，事件信息获取子模块，在从所述目标问答对和所述目标问答对的上下文问答对的内容中获取候选词，组成候选词集合时，具体用于针对所述目标问答对和所述目标问答对的上下文问答对中的每一问答对，若该问答对为所述目标问答对，则将该问答对的内容中的各个非事件触发词均确定为候选词；若该问答对为所述目标问答对的上下文问答对，则确定该问答对与所述目标问答对是否为针对同一事件的连续问答对，若该问答对与所述目标问答对是针对同一事件的连续问答对，则将该问答对中的各个词均确定为候选词，若该问答对与所述目标问答对不是针对同一事件的连续问答对，则确定该问答对的内容中无候选词；将针对所述目标问答对和所述目标问答对的上下文问答对获取的所有候选词组成所述候选词集合。
在一种可能的实现方式中，上述实施例提供的证据指引装置中的证据指引模块903可以包括：事件图生成子模块和证据确定子模块。
事件图生成子模块，用于根据所述目标事件信息生成目标事件图，其中，所述目标事件图中包括事件节点、所述事件节点的参数节点，以及连接所述事件节点与所述事件节点的参数节点的边，任一条边代表其所连接的参数节点的类型；
证据确定子模块，用于利用预先建立的证据指引模型，确定针对所述目标事件图中的事件节点需要收集的证据，以及，针对所述事件节点的参数节点需要收集的证据。
其中，所述目标事件为至少一个，相应的，所述目标事件图中的事件节点为至少一个。
在一种可能的实现方式中，证据确定子模块，具体用于利用预先建立的证据指引模型，按照事件的发生顺序，依次确定所述目标事件图中的各个事件节点对应的第一状态向量，并按照与事件的发生顺序相反的顺序，依次确定所述目标事件图中的各个事件节点对应的第二状态向量；根据所述目标事件图中各个事件节点对应的第一状态向量和第二状态向量，确定针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据。
其中，任一事件节点对应的第一状态向量通过前一次确定的第一状态向量和该事件对应的事件向量确定，任一事件节点对应的第二状态向量通过前一次确定的第二状态向量和该事件对应的事件向量确定，任一事件节点对应的事件向量根据该事件节点的向量表示、该事件节点的参数节点的向量表示以及该事件节点的参数节点的类型的向量表示确定。
在一种可能的实现方式中，证据确定子模块，在根据所述目标事件图中各个事件节点对应的第一状态向量和第二状态向量，确定针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据时，具体用于针对所述目标事件图中的任一事件节点，通过该事件节点对应的第一状态向量、第二状态向量以及事件向量，确定针对该事件节点需要收集的证据；通过该事件节点对应的第一状态向量和第二状态向量、该事件节点的参数节点的向量表示以及该事件节点的参数节点的类型的向量表示，确定针对该事件节点的参数节点需要收集的证据；以得到所述针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据。
本申请实施例还提供了一种证据指引设备，请参阅图10，示出了该证据指引设备的结构示意图，该证据指引设备可以包括：至少一个处理器1001，至少一个通信接口1002，至少一个存储器1003和至少一个通信总线1004；
在本申请实施例中，处理器1001、通信接口1002、存储器1003、通信总线1004的数量为至少一个，且处理器1001、通信接口1002、存储器1003通过通信总线1004完成相互间的通信；
处理器1001可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器1003可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
获取目标文本中与案情相关的问答部分；
根据所述问答部分获取与案情相关的目标事件信息；
根据所述目标事件信息确定需要收集的证据。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
获取目标文本中与案情相关的问答部分；
根据所述问答部分获取与案情相关的目标事件信息；
根据所述目标事件信息确定需要收集的证据。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种证据指引方法，其特征在于，包括：
获取目标文本中与案情相关的问答部分；
根据所述问答部分获取与案情相关的目标事件信息；
根据所述目标事件信息确定需要收集的证据；
所述目标事件信息包括：与案情相关的目标事件，以及与所述目标事件相关的参数以及所述参数的类型；
所述根据所述目标事件信息确定需要收集的证据，包括：
根据所述目标事件信息生成目标事件图，其中，所述目标事件图中包括事件节点、所述事件节点的参数节点，以及连接所述事件节点与所述事件节点的参数节点的边，任一条边代表其所连接的参数节点的类型；
利用预先建立的证据指引模型，确定针对所述目标事件图中的事件节点需要收集的证据，以及，针对所述事件节点的参数节点需要收集的证据。
2.根据权利要求1所述的证据指引方法，其特征在于，所述问答部分包括至少一个问答对；
所述根据所述问答部分获取与案情相关的目标事件信息包括：
从所述问答部分中识别出每个问答对；
将每一问答对作为目标问答对，获取所述目标问答对对应的目标事件信息，以得到所述问答部分中每个问答对对应的目标事件信息。
3.根据权利要求2所述的证据指引方法，其特征在于，所述从所述问答部分中识别出每个问答对，包括：
确定所述问答部分中的问题起始位置和答案起始位置，获得多个问题起始位置和多个答案起始位置；
根据所述多个问题起始位置和所述多个答案起始位置，确定多个问题和多个答案；
基于预设的配对准则对所述多个问题和所述多个答案进行配对，获得所述问答部分中的每个问答对，其中，所述配对准则为：问题与答案相邻，且问题位于答案之前。
4.根据权利要求2所述的证据指引方法，其特征在于，所述获取所述目标问答对对应的目标事件信息，包括：
利用预先建立的事件信息获取模型，根据所述目标问答对的内容获取所述目标问答对对应的目标事件，从所述目标问答对和所述目标问答对的上下文问答对的内容中获取所述目标问答对对应的目标事件的参数，并确定所述目标问答对对应的目标事件的参数的类型。
5.根据权利要求4所述的证据指引方法，其特征在于，所述根据所述目标问答对的内容获取所述目标问答对对应的目标事件，包括：
从所述目标问答对的内容中确定事件触发词，其中，所述事件触发词为表示事件发生的核心词；
根据所述事件触发词确定所述目标问答对对应的目标事件。
6.根据权利要求5所述的证据指引方法，其特征在于，所述从所述目标问答对和所述目标问答对的上下文问答对的内容中获取所述目标问答对对应的目标事件的参数，包括：
从所述目标问答对和所述目标问答对的上下文问答对的内容中获取候选词，组成候选词集合；
根据所述候选词集合中各个候选词与所述事件触发词的关系，从所述候选词集合中获取与所述事件触发词相关的词，作为所述目标问答对对应的目标事件的参数。
7.根据权利要求6所述的证据指引方法，其特征在于，所述从所述目标问答对和所述目标问答对的上下文问答对的内容中获取候选词，组成候选词集合，包括：
针对所述目标问答对和所述目标问答对的上下文问答对中的每一问答对，若该问答对为所述目标问答对，则将该问答对的内容中的各个非事件触发词均确定为候选词；
若该问答对为所述目标问答对的上下文问答对，则确定该问答对与所述目标问答对是否为针对同一事件的连续问答对，若该问答对与所述目标问答对是针对同一事件的连续问答对，则将该问答对中的各个词均确定为候选词，若该问答对与所述目标问答对不是针对同一事件的连续问答对，则确定该问答对的内容中无候选词；
将针对所述目标问答对和所述目标问答对的上下文问答对获取的所有候选词组成所述候选词集合。
8.根据权利要求2至7任一项所述的证据指引方法，其特征在于，所述目标事件为至少一个，相应的，所述目标事件图中的事件节点为至少一个；
所述确定针对所述目标事件图中的事件节点需要收集的证据，以及，针对所述事件节点的参数节点需要收集的证据，包括：
按照事件的发生顺序，依次确定所述目标事件图中的各个事件节点对应的第一状态向量，并按照与事件的发生顺序相反的顺序，依次确定所述目标事件图中的各个事件节点对应的第二状态向量，其中，任一事件节点对应的第一状态向量通过前一次确定的第一状态向量和该事件对应的事件向量确定，任一事件节点对应的第二状态向量通过前一次确定的第二状态向量和该事件对应的事件向量确定，任一事件节点对应的事件向量根据该事件节点的向量表示、该事件节点的参数节点的向量表示以及该事件节点的参数节点的类型的向量表示确定；
根据所述目标事件图中各个事件节点对应的第一状态向量和第二状态向量，确定针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据。
9.根据权利要求8所述的证据指引方法，其特征在于，所述根据所述目标事件图中各个事件节点对应的第一状态向量和第二状态向量，确定针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据，包括：
针对所述目标事件图中的每一事件节点：
通过该事件节点对应的第一状态向量、第二状态向量以及事件向量，确定针对该事件节点需要收集的证据；
通过该事件节点对应的第一状态向量和第二状态向量、该事件节点的参数节点的向量表示以及该事件节点的参数节点的类型的向量表示，确定针对该事件节点的参数节点需要收集的证据；
以得到所述针对各个事件节点需要收集的证据，以及针对各个事件节点的参数节点需要收集的证据。
10.一种证据指引装置，其特征在于，包括：文本获取模块、事件信息获取模块和证据指引模块；
所述文本获取模块，用于获取目标文本中与案情相关的问答部分；
所述事件信息获取模块，用于根据所述问答部分获取与案情相关的目标事件信息；
所述证据指引模块，用于根据所述目标事件信息确定需要收集的证据；
所述目标事件信息包括：与案情相关的目标事件，以及与所述目标事件相关的参数以及所述参数的类型；
所述根据所述目标事件信息确定需要收集的证据，包括：
根据所述目标事件信息生成目标事件图，其中，所述目标事件图中包括事件节点、所述事件节点的参数节点，以及连接所述事件节点与所述事件节点的参数节点的边，任一条边代表其所连接的参数节点的类型；
利用预先建立的证据指引模型，确定针对所述目标事件图中的事件节点需要收集的证据，以及，针对所述事件节点的参数节点需要收集的证据。
11.一种证据指引设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1～9中任一项所述的证据指引方法的各个步骤。
12.一种可读存储介质，其上存储有计算机程序，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1～9中任一项所述的证据指引方法的各个步骤。
CN201910482072.7A 2019-06-04 2019-06-04 一种证据指引方法、装置、设备及存储介质 Active CN110175333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910482072.7A CN110175333B (zh) 2019-06-04 2019-06-04 一种证据指引方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910482072.7A CN110175333B (zh) 2019-06-04 2019-06-04 一种证据指引方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110175333A CN110175333A (zh) 2019-08-27
CN110175333B true CN110175333B (zh) 2023-09-26

Family

ID=67697826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910482072.7A Active CN110175333B (zh) 2019-06-04 2019-06-04 一种证据指引方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110175333B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581324A (zh) * 2019-09-30 2021-03-30 北京国双科技有限公司 一种辅助办案的方法及装置、设备、存储介质
CN110928986B (zh) * 2019-10-18 2023-07-21 平安科技（深圳）有限公司 法律证据的排序和推荐方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103124980A (zh) * 2010-09-24 2013-05-29 国际商业机器公司 包括从多个文档段收集答案的提供问题答案
CN105095444A (zh) * 2015-07-24 2015-11-25 百度在线网络技术（北京）有限公司 信息获取方法和装置
WO2018157805A1 (zh) * 2017-03-03 2018-09-07 腾讯科技（深圳）有限公司 一种自动问答处理方法及自动问答系统
CN109065015A (zh) * 2018-07-27 2018-12-21 清华大学 一种数据采集方法、装置、设备及可读存储介质
CN109508965A (zh) * 2018-12-19 2019-03-22 宏景科技股份有限公司 一种警务管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103124980A (zh) * 2010-09-24 2013-05-29 国际商业机器公司 包括从多个文档段收集答案的提供问题答案
CN105095444A (zh) * 2015-07-24 2015-11-25 百度在线网络技术（北京）有限公司 信息获取方法和装置
WO2018157805A1 (zh) * 2017-03-03 2018-09-07 腾讯科技（深圳）有限公司 一种自动问答处理方法及自动问答系统
CN109065015A (zh) * 2018-07-27 2018-12-21 清华大学 一种数据采集方法、装置、设备及可读存储介质
CN109508965A (zh) * 2018-12-19 2019-03-22 宏景科技股份有限公司 一种警务管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
论审讯阶段辩护证据的收集;石会燕;《黑龙江科技信息》;20110605(第16期);全文 *

Also Published As

Publication number Publication date
CN110175333A (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
CN108334487B (zh) 缺失语意信息补全方法、装置、计算机设备和存储介质
CN112200046B (zh) 驾驶行为识别方法、装置、电子设备及存储介质
WO2021136453A1 (zh) 应急预案辅助信息获取方法、装置及设备
CN110175333B (zh) 一种证据指引方法、装置、设备及存储介质
CN111949708B (zh) 基于时序特征提取的多任务预测方法、装置、设备及介质
CN113934882A (zh) 细粒度的多模态虚假新闻检测方法
CN111986763B (zh) 疾病数据分析方法、装置、电子设备及存储介质
CN111242083A (zh) 基于人工智能的文本处理方法、装置、设备、介质
CN112131471B (zh) 基于无权无向图进行关系推荐的方法、装置、设备及介质
WO2023284991A1 (en) Method and system for a semantic textual similarity search
CN110334107B (zh) 基于数据分析的资格评审方法、装置及服务器
CN110738077B (zh) 一种异物检测方法及装置
CN112667790B (zh) 智能问答方法、装置、设备及存储介质
CN109660621A (zh) 一种内容推送方法及服务设备
CN112528040A (zh) 基于知识图谱的引导教唆语料的检测方法及其相关设备
CN116665093A (zh) 一种解决特征中和效应的多模态虚假新闻检测方法及装置
JP7070665B2 (ja) 情報処理装置、制御方法、及びプログラム
CN112861474B (zh) 一种信息标注方法、装置、设备及计算机可读存储介质
US20220029972A1 (en) Systems and methods for providing a systemic error in artificial intelligence algorithms
CN115455922A (zh) 表单校验方法、装置、电子设备和存储介质
Varma et al. Deep learning-based Video Captioning Technique using Transformer
Kaluža et al. Detection of suspicious behavior from a sparse set of multiagent interactions
CN110309312B (zh) 一种关联事件获取方法及装置
EP4229554A1 (en) Systems and methods for providing a systemic error in artificial intelligence algorithms
WO2016006021A1 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム

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