CN110232447A - 法律案件深度推理方法 - Google Patents

Abstract

本发明涉及一种法律案件深度推理方法，包括以下步骤：一种法律案件深度推理方法，包括以下步骤：S1.接收用户选择的纠纷类型、诉讼请求和口语化案情描述；S2.根据所述纠纷类型和诉讼请求构建知识图谱；S3.基于所述知识图谱对所述口语化案情描述进行处理以获取解析结果；S4.根据所述解析结果基于所述知识图谱进行诉讼请求的支持率推理并输出推理结果。本发明通过深度推理的方式进行诉讼请求的支持率预测，以及给出相应的支持理由，能够以可视化推理过程的方式展示给用户，相较于目前的结果报告，更智能更直观。

Description

法律案件深度推理方法

技术领域

本发明属于法律服务技术领域，尤其涉及一种法律案件深度推理方法。

背景技术

现如今，随着深度学习的火热以及算法算力的提升，人工智能正在逐步渗透到各行各业，甚至在部分领域已经超过了人类水平，法律行业也不例外。2013年中国裁判文书网上大量法律数据的公开，使得法律智能化成为可能。

就目前来看，AI在法律领域主要有两方面应用：一是律师工具，通过对裁判文书的信息抽取以及各类模板的应用，将办案流程部分自动化，提升律师办案效率，如类案搜索、自动化合同分析，诉讼文书生成等；另一方面主要针对消费者，通过知识库以及律师画像的建立，自动回复消费者的简单提问，并帮助消费者更快找到合适的律师。但在更复杂的场景如案件结果分析上，目前只有简单的案件咨询系统，基于多轮问答的形式收集信息并匹配模板生成报告。

目前针对民事案件的咨询系统一般包括以下几步：

1)用户基于自身情况选择纠纷类型和诉讼请求，纠纷类型和诉讼请求一般从裁判文书中归纳总结出来。

2)针对选择的纠纷类型和诉讼请求，系统从问答库中提取出相应的问题进行提问，一般每个纠纷类型和诉讼请求有一批对应的问题，由人工梳理总结。

3)用户回答所有问题后，根据模板给出咨询报告。咨询报告一般采用填空的方式给出，将用户的回答填入到对应的位置即可。咨询报告通常还会包括类似案例和相关法条，可基于关键词搜索和人工整理给出。

上述系统，存在以下缺点：

1.用户只能通过回答问题提供信息，不支持口语化的问题描述，自由度不高。用户需要自己将自身情况与问题答案进行匹配，有些问题因为涉及到专业的法律知识，用户并不能很好的理解并选择。

2.问题和答案是预先设置好的，不能根据用户的回答进行调整，并且问题数量很多，导致用户完成咨询的比例很低。

3.问题库由人工进行整理，需要大量法律专业人员参与，并没有利用到机器学习的学习能力，也没有人工智能的体现。

4.最终报告根据回答结果基于模板整合生成，报告结果相对固定，缺少智能推理的成分。

发明内容

本发明的目的是针对上述问题，提供一种能够基于用户口语化描述给出诉讼请求支持率推理结果的法律案件深度推理方法；

为达到上述目的，本发明采用了下列技术方案：

本发明的法律案件深度推理方法，包括以下步骤：

一种法律案件深度推理方法，包括以下步骤：

S1.接收用户选择的纠纷类型、诉讼请求和口语化案情描述；

S2.根据所述纠纷类型和诉讼请求构建知识图谱；

S3.基于所述知识图谱对所述口语化案情描述进行处理以获取解析结果；

S4.根据所述解析结果基于所述知识图谱进行诉讼请求的支持率推理并输出推理结果。

在上述的法律案件深度推理方法中，每种纠纷类型的知识图谱结构均包括事件节点、情形节点、法条节点、诉讼请求节点和纠纷类型节点。

在上述的法律案件深度推理方法中，在步骤S2中，通过以下方法构建知识图谱结构：

S21.根据所述纠纷类型和诉讼请求获取至少一个法条节点；

S22.将所述法条节点规定的情形进行拆分以获得至少一个情形节点；

S23.获取可能满足所述情形节点的至少一个事件节点。

在上述的法律案件深度推理方法中，在步骤S2与S3之间还包括：基于所述知识图谱获得相应的解析引擎和推理引擎；

且在步骤S3中，使用所述解析引擎进行解析结果的获取；

在步骤S4中，使用所述推理引擎进行诉讼请求的支持率推理。

在上述的法律案件深度推理方法中，在步骤S3中，所述的解析结果包括所述纠纷类型和诉讼请求下所有事件节点及事件节点的节点权重。

在上述的法律案件深度推理方法中，在步骤S3中，通过所述解析引擎计算所述口语化案情描述与所有事件节点的匹配概率，作为事件节点的权重。

在上述的法律案件深度推理方法中，在步骤S4中，通过所述推理引擎根据所述事件节点的节点权重依次计算事件节点到情形节点的边权重、情形节点的节点权重、情形节点到法条节点的边权重、法条节点的节点权重、法条节点到诉讼请求节点的边权重、诉讼请求节点的节点权重。

在上述的法律案件深度推理方法中，所述的推理结果包括诉讼请求支持率、支持理由和相关法条。

在上述的法律案件深度推理方法中，所述诉讼请求支持率为知识图谱中诉讼请求节点的节点权重，所述支持理由包括知识图谱中事件节点到诉讼请求节点的权重传递路径；所述的相关法条为所述权重传递路径上的法条节点。

在上述的法律案件深度推理方法中，在步骤S4中，输出推理之前还包括问题补充步骤：

S41.检测所述诉讼请求节点的节点权重的绝对值是否超过请求阈值，若是，则输出推理结果，否则执行步骤S42；

S42.筛选权重节点绝对值不超过事件阈值的事件节点，从中选择至少一个事件节点进行提问，提问结束后返回步骤S3，并将回答结果作为解析引擎与推理引擎的计算依据之一。

本发明的相较于现有技术具有以下优点：1.能够从用户自由描述的问题中提取出重要信息，解决用户只能通过回答问题提供信息的缺点；2.通过问题补充步骤，在用户提供的口语化描述中缺失信息的时候，通过少量的提问来补充，保证信息的完整性；3.通过深度推理的方式进行诉讼请求的支持率预测，以及给出相应的支持理由；4.能够以可视化推理过程的方式展示给用户，相较于目前的结果报告，更智能更直观。

附图说明

图1是本发明的深度推理方法的实现过程图；

图2是本发明一般纠纷类型和诉讼请求的知识图谱结构示意图；

图3是本发明案例中针对婚约财产纠纷中的返还彩礼诉讼请求的知识图谱结构示意图；

图4是本发明案例中针对婚约财产纠纷中的返还彩礼诉讼请求的权重传递路径示意图。

具体实施方式

本发明通过知识图谱的构建，将法条对应的逻辑用图谱表示出来，通过深度学习训练解析引擎并从用户的口语化描述中提取重要信息；通过深度学习训练推理引擎，并将解析结果从事件节点不断传递到诉讼请求节点，并得到诉讼请求节点的支持率；针对诉讼请求节点的支持率较低的情形，则通过选择相应的事件节点进行提问以补充案件信息。相比现有技术的固定式问答，在自由度和间接性上均有提升，并且基于推理引擎得到的权重传递路径具备一定的推理性，相较于目前的结果报告，更智能更直观。

以下是本发明的优选实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

如图1所示，本实施例公开了一种法律案件深度推理方法整体流程为：首先构建知识图谱，然后基于知识图谱应用深度学习技术从裁判文书数据中训练得到解析引擎和推理引擎，最后利用解析引擎和推理引擎对用户的口语化描述进行解析和推理，得到推理结果。同时针对诉讼请求节点的支持率较低的情形，通过问答补充方式补充案件信息。

具体包括以下步骤：

S1.接收用户选择的纠纷类型、诉讼请求和口语化案情描述；

S2.根据所述纠纷类型和诉讼请求构建知识图谱；

S3.基于所述知识图谱对所述口语化案情描述进行处理以获取解析结果；

S4.根据所述解析结果基于所述知识图谱进行诉讼请求的支持率推理并输出推理结果。

本实施例每种纠纷类型的知识图谱结构均为“事件→情形→法条→诉讼请求→纠纷类型”，纠纷类型节点是对民事案件的总结分类，诉讼请求节点是公民维护自身权利的体现，法条节点是诉讼请求的法律依据，情形节点是对法条规定情形的拆分，事件节点为图谱最底层，是对同一类事件的总结概括。

如图2所示，具体通过以下方法构建知识图谱结构：

S21.根据所述纠纷类型和诉讼请求获取至少一个法条节点；

S22.将所述法条节点规定的情形进行拆分以获得至少一个情形节点；

S23.获取可能满足所述情形节点的至少一个事件节点。

进一步地，在步骤S2与S3之间还包括：基于所述知识图谱获得相应的解析引擎和推理引擎；

且在步骤S3中，使用所述解析引擎进行解析结果的获取；

在步骤S4中，使用所述推理引擎进行诉讼请求的支持率推理。

针对不同的纠纷类型构建不同的知识图谱，不同的知识图谱具有不同的解析引擎和推理引擎。

进一步地，在步骤S3中，所述的解析结果包括所述纠纷类型和诉讼请求下所有事件节点及事件节点的节点权重。且该步骤中通过解析引擎计算所述口语化案情描述与所有事件节点的匹配概率，作为事件节点的权重。

在步骤S4中，通过推理引擎根据所述事件节点的节点权重依次计算事件节点到情形节点的边权重、情形节点的节点权重、情形节点到法条节点的边权重、法条节点的节点权重、法条节点到诉讼请求节点的边权重、诉讼请求节点的节点权重。

相应的解析引擎和推理引擎可以在步骤S2之后根据当前纠纷类型、诉讼请求和相应的知识图谱进行深度学习训练获得：

A.提取相应纠纷类型相关的裁判文书数据样本，通过深度学习方法，训练案件描述到事件节点的分类模型，该分类模型以裁判文书数据样本的纠纷类型、诉讼请求、案件描述和事件节点作为输入，以案件描述与事件节点之间正匹配(1)、负匹配(-1)、不相关(0)作为标签，通过梯度下降算法进行训练。模型使用常见的分类模型即可，例如TextCNN、BERT等。

预测阶段：模型在使用时依据用户选择的纠纷类型、诉讼请求，依次计算出案件描述与每个事件节点的匹配概率，作为该事件节点的节点权重，事件节点权重取值范围为[-1，1]。如模型预测到节点标签的概率分布为正匹配(1)的概率0.6，负匹配(-1)的概率0.3，不相关(0)的概率0.1，那么节点的权重值通过加权求和获得，即1*0.6+(-1)*0.3+0*0.1＝0.3。

B.通过深度学习方法，训练知识图谱从事件节点到情形节点、情形节点到法条节点、法条节点到诉讼请求节点的权重传递模型作为推理引擎：利用解析引擎的训练结果，即利用解析引擎输出的事件节点的节点权重，以事件节点的节点权重作为输入，以裁判文书数据样本中诉讼请求是否支持作为标签，以知识图谱作为网络结构，采用注意力机制，从后向前传递依次计算边权重和节点权重，并基于诉讼请求节点的节点权重与标签的差异计算损失，利用梯度下降方法对模型参数进行更新。该模型在使用时依据解析引擎输出的事件节点的权重，可以依次计算出事件节点到情形节点的边权重、情形节点的节点权重、情形节点到法条节点的边权重、法条节点的节点权重、法条节点到诉讼请求节点的边权重、诉讼请求节点的节点权重。其中节点权重表示案件在该节点的信息量，取值范围[-1,1]，边权重则表示节点之间的相关性，是推理的体现。

其中裁判文书数据样本是经过专业人员打标的样本数据。

各种纠纷类型的解析引擎和推理引擎也可以在步骤S1之前，即事先使用各种纠纷类型的裁判文书数据样本进行学习和训练获得，并在步骤S2之后根据相应的纠纷类型、诉讼请求和知识图谱提取。

具体地，推理结果包括诉讼请求支持率、支持理由和相关法条。其中诉讼请求的支持率为知识图谱中诉讼请求节点的支持率，支持理由为知识图谱中事件节点到诉讼请求节点的权重传递路径知代表了推理逻辑；相关法条为权重传递路径上的法条节点，代表了支持率的法律依据。

进一步地，由于用户描述大概率缺少信息，需要动态识别出缺少的重要信息，并通过少量的提问来补充，所以本方法所在的系统还具有针对每个事件节点的对应问题的问答库以在缺少信息的时候向用户提出问题从而获取相应事件节点的案件信息。具体为在步骤S4中输出推理之前还包括问题补充步骤:

S41.检测所述诉讼请求节点的节点权重的绝对值是否超过请求阈值，若是，则输出推理结果，否则执行步骤S42；请求阈值由本领域技术人员根据推理精度需要和样本库量大小等因素确定，这里诉讼请求节点的节点权重范围为[-1,1]，-1表示该诉讼请求不支持，1表示支持，0表示所述案件描述与该诉讼请求不相关，请求阈值可以为0.2、0.3等值。

S42.筛选节点权重绝对值不超过事件阈值的事件节点，从中选择至少一个事件节点进行提问，这里选择节点权重绝对值最低的节点进行提问，由于节点权重代表了案件在该事件节点的信息量，因此选择节点权重绝对值最低的事件节点可以最大程度地补充信息。若没有事件节点可以选择则直接输出推理结果。提问结束后返回步骤S3，并将回答结果作为解析引擎与推理引擎的计算依据之一，以更新事件节点权重，从而重新获取解析结果和诉讼请求的节点权重。

这里的事件阈值也由本领域技术人员根据需要确定，一般设置事件阈值为小于0.5的值。

下面以婚约财产纠纷中的返还彩礼诉讼请求为例，相关法条为《关于使用中华人民共和国婚姻法若干问题的解释二》第十条：“当事人请求返还按照习俗给付的彩礼的，如果查明属于以下情形，人民法院应当予以支持：(一)双方未办理结婚登记手续的；(二)双方办理结婚登记手续但确未共同生活的；(三)婚前给付并导致给付人生活困难的。适用前款第(二)、(三)项的规定，应当以双方离婚为条件。”基于此构建知识图谱如图3所示。

通过对裁判文书中返还彩礼的数据进行深度学习，可以得到针对结婚等事件节点的解析引擎以及基于整个知识图谱的推理引擎。

假设用户输入：2017年结婚，感情不和，一直分居，婚前给了3万，要求返还。

利用解析引擎计算得到每个事件节点的节点权重为：结婚1，分居1，工资低0，离婚0，家暴0，生育-0.8。

利用推理引擎计算得到每个情形节点的节点权重为：登记结婚1，未共同生活1，生活困难0，离婚0.7；法条节点的节点权重为0.8；返还彩礼节点的节点权重为0.8；以及所有节点之间的边权重，可视化后的权重传递路径如图4所示。其中，图4中黑色线的边代表权重传递路径，边的粗细代表了边权重的大小。

由此给出结果报告：返还彩礼支持，支持概率为0.8，支持理由为登记结婚、未共同生活且可以离婚，相关的法条为《关于使用中华人民共和国婚姻法若干问题的解释二》第十条。

本发明通过“事件→情形→法条→诉讼请求→纠纷类型”这样层级的知识图谱的构建，将法律法条中的判案逻辑抽象总结出来；通过解析引擎的构建，将用户的口语化描述与知识图谱的事件相联系，提高了用户咨询的自由度；通过推理引擎的构建，实现了从事件到诉讼请求的逻辑推理，并在信息补充方面能够实现动态的问题提问，降低了提问的冗余度，提升了相关性；在结果呈现方面，基于推理引擎的预测结果是从裁判文书大量案件的判决结果中学习得到，能够给出较为准确的支持率，并且基于推理引擎计算得到的权重传递路径具备一定的逻辑推理能力，可视化权重传递路径可以作为报告的一部分给出，使用户能够更直观形象地获取自己案子的逻辑推理过程。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了解析引擎、推理引擎、事件节点、情形节点、法条节点、诉讼请求节点和纠纷类型节点等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (10)

1.一种法律案件深度推理方法，其特征在于，包括以下步骤：

S1.接收用户选择的纠纷类型、诉讼请求和口语化案情描述；

S2.根据所述纠纷类型和诉讼请求构建知识图谱；

S3.基于所述知识图谱对所述口语化案情描述进行处理以获取解析结果；

S4.根据所述解析结果基于所述知识图谱进行诉讼请求的支持率推理并输出推理结果。

2.根据权利要求1所述的法律案件深度推理方法，其特征在于，每种纠纷类型的知识图谱结构均包括事件节点、情形节点、法条节点、诉讼请求节点和纠纷类型节点。

3.根据权利要求2项所述的法律案件深度推理方法，其特征在于，在步骤S2中，通过以下方法构建知识图谱结构：

S21.根据所述纠纷类型和诉讼请求获取至少一个法条节点；

S22.将所述法条节点规定的情形进行拆分以获得至少一个情形节点；

S23.获取可能满足所述情形节点的至少一个事件节点。

4.根据权利要求3所述的法律案件深度推理方法，其特征在于，在步骤S2与S3之间还包括：基于所述知识图谱获得相应的解析引擎和推理引擎；

且在步骤S3中，使用所述解析引擎进行解析结果的获取；

在步骤S4中，使用所述推理引擎进行诉讼请求的支持率推理。

5.根据权利要求4所述的法律案件深度推理方法，其特征在于，在步骤S3中，所述的解析结果包括所述纠纷类型和诉讼请求下所有事件节点及事件节点的节点权重。

6.根据权利要求5所述的法律案件深度推理方法，其特征在于，在步骤S3中，通过所述解析引擎计算所述口语化案情描述与所有事件节点的匹配概率，作为事件节点的权重。

7.根据权利要求6所述的法律案件深度推理方法，其特征在于，在步骤S4中，通过所述推理引擎根据所述事件节点的节点权重依次计算事件节点到情形节点的边权重、情形节点的节点权重、情形节点到法条节点的边权重、法条节点的节点权重、法条节点到诉讼请求节点的边权重、诉讼请求节点的节点权重。

8.根据权利要求7所述的法律案件深度推理方法，其特征在于，所述的推理结果包括诉讼请求支持率、支持理由和相关法条。

9.根据权利要求8所述的法律案件深度推理方法，其特征在于，所述诉讼请求支持率为知识图谱中诉讼请求节点的节点权重，所述支持理由包括知识图谱中事件节点到诉讼请求节点的权重传递路径；所述的相关法条为所述权重传递路径上的法条节点。

10.根据权利要求9所述的法律案件深度推理方法，其特征在于，在步骤S4中，输出推理之前还包括问题补充步骤：

S41.检测所述诉讼请求节点的节点权重的绝对值是否超过请求阈值，若是，则输出推理结果，否则执行步骤S42；

S42.筛选权重节点绝对值不超过事件阈值的事件节点，从中选择至少一个事件节点进行提问，提问结束后返回步骤S3，并将回答结果作为解析引擎与推理引擎的计算依据之一。