CN110245346A - 事件信息分析方法及装置 - Google Patents
事件信息分析方法及装置 Download PDFInfo
- Publication number
- CN110245346A CN110245346A CN201810194693.0A CN201810194693A CN110245346A CN 110245346 A CN110245346 A CN 110245346A CN 201810194693 A CN201810194693 A CN 201810194693A CN 110245346 A CN110245346 A CN 110245346A
- Authority
- CN
- China
- Prior art keywords
- event information
- event
- legal documents
- target
- training
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 90
- 239000000284 extract Substances 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims description 52
- 238000000605 extraction Methods 0.000 claims description 44
- 238000007689 inspection Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000003542 behavioural effect Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004821 distillation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的事件信息分析方法及装置，获取目标法律文书；利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息；所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的；所述历史法律文书与所述目标法律文书为领域相同的法律文书；根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息；所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。本发明实现了对法律文书中事件信息的智能分析，以及对法律文书的智能审核，大幅提高了事件信息的分析效率，进而提高了法律文书的审查效率，缩小了人工阅卷成本，加快了审查进度。
Description
技术领域
本发明涉及信息处理领域，更具体的说，涉及事件信息分析方法及装置。
背景技术
在法院立案阶段，立案法官通常只对当事人提交的法律文书进行程序性审查，而并不会过多地去关注当事人提交的法律文书中是否具备案件所涉及的核心事件、待证事实及证据材料等信息，所以，当事人在起诉准备阶段的疏忽和待证事实准备的不足往往不会被及早发现。
目前对当事人提交的法律文件是否具备案件所涉及的核心事件、待证事实及证据材料等信息的审查过程，通常是推到庭审前由审判法官通过大量的阅卷工作来实现的，而在庭审前通过人工阅卷的方式来检查法律文件中的事件信息是否齐全，需要耗费工作人员大量的时间和精力，效率较低，严重影响了案件审理的正常进行，延缓了案件的处理进度，而且还过多地增加了法律文件的审查成本。
因此，目前迫切需要一种智能、高效的事件信息分析方案来提高法律文书的审查效率，缩减人工审查成本，及时发现法律文书的事件缺失。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的事件信息分析方法及装置。
为实现上述目的，本发明提供如下技术方案：
一种事件信息分析方法，包括：
获取目标法律文书；
利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息；所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的；所述历史法律文书与所述目标法律文书为领域相同的法律文书；
根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息；所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。
优选的，在所述根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息之前，所述方法还包括：
获取所述历史法律文书中标记的全部事件信息；
根据所述历史法律文书中标记的全部事件信息，确定事件信息集合。
优选的，在所述利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息之后，所述方法还包括：
获取所述目标法律文书中与所述目标事件信息相对应的目标事件内容；所述目标事件内容包括目标事件发生时间的数据值；
依据所述目标事件发生时间的数据值，将所述目标事件内容展示在事件时间轴上。
优选的，所述方法还包括：
当确定所述目标法律文书中缺少事件信息时，根据所述目标事件信息以及事件信息集合确定所述目标法律文书中缺少的事件信息；
将所述目标法律文书中缺少的事件信息提示给用户。
优选的，事件信息提取模型的训练过程包括：
获取训练法律文书，所述训练法律文书包括标记有事件信息的历史法律文书；
利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型。
优选的，在所述利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型之后，所述方法还包括：
获取检验法律文书；
利用训练后的事件信息提取模型，提取所述检验法律文书中的事件信息，作为检验事件信息；
获取所述检验事件信息的提取准确率；
当所述检验事件信息的提取准确率不达标时，获取对所述训练法律文书中的标记内容进行调整后得到的新的训练法律文书；
重新执行所述利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型的步骤。
优选的，事件信息包括事件名称与事件要素；事件类型相同的事件内容标记有相同的事件名称；所述事件要素包括事件发生时间、事件行为主体与事件行为对象中的至少一项。
一种事件信息分析装置，包括：
目标文本获取单元，用于获取目标法律文书；
目标事件提取单元，用于利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息；所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的；所述历史法律文书与所述目标法律文书为领域相同的法律文书；
事件缺失确定单元，用于根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息；所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。
一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任一项所述的事件信息分析方法。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的事件信息分析方法。
借由上述技术方案，本发明提供的事件信息分析方法及装置，获取目标法律文书，利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息，无需采用人工阅卷的方式来提取目标法律文件中的事件信息，并根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息，无需采用人工检查的方式来确定目标法律文书中是否缺少事件信息，实现了对法律文书中事件信息的智能分析，以及对法律文书的智能审核，大幅提高了事件信息的分析效率，进而提高了法律文书的审查效率，缩小了人工阅卷成本，加快了审查进度，及时发现目标法律文书中的事件缺失情况。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例提供的事件信息分析方法的一种流程图；
图2为本申请实施例提供的事件信息分析方法的另一种流程图；
图3为本申请实施例提供的事件信息分析方法的又一种流程图；
图4为本申请实施例提供的事件内容展示示意图；
图5为本申请实施例提供的事件信息提取模型的训练流程图；
图6为本申请实施例提供的事件信息分析装置的一种结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
请参阅图1，图1为本申请实施例提供的事件信息分析方法的一种流程图。
如图1所示，所述方法包括：
S101：获取目标法律文书。
目标法律文书是指待审查的法律文书，具体可以是目标当事人的待审查的法律文书。例如，在立案阶段，原告当事人提交的起诉状，或者，被告当事人提交的答辩状。
S102：利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息。
法律文书中通常记载了当事人主张的各项事件内容。例如，“A公司于2007年5月10日无效了注册商标X”，从法律文书的该段内容中可以确定出事件名称、事件行为主体、事件发生时间、事件行为对象等事件信息，其中，事件名称对应的内容为“无效注册商标”，事件行为主体对应的内容为“A公司”、事件发生时间对应的内容为“2007年5月10日”、事件行为对象对应的内容为“注册商标X”。
所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的。由于在历史法律文书中标记了历史法律文书所包含的各项事件信息，使得训练后的事件信息提取模型能够从目标法律文书中提取出目标法律文书所包含的各项事件信息。
一份法律文书通常包括至少一条事件信息，每一条事件信息均可以包括事件名称与事件要素，并且，同一条事件信息中的事件名称与事件要素是相匹配的。其中，事件类型相同的事件内容标记有相同的事件名称；所述事件要素包括事件发生时间、事件行为主体与事件行为对象中的至少一项。
例如，“2010年7月1日，A公司起诉B公司侵权其专利C”与“2012年5月12日，D公司起诉E公司侵权其专利F”这两个事件内容均为专利侵权，属于相同的事件类型，因此，可对这两个事件内容标记相同的事件名称——“专利侵权”。
其中，为了保证对目标法律文书中的事件信息的准确提取，需要保证用于训练事件信息提取模型的历史法律文书与目标法律文书为领域相同的法律文书。一般情况下，领域相同的法律文书应当包含的事件是相同的。领域相同例如可以是案由相同和/或诉讼请求相同等，能确保法律文书之间高度相似的因素都可以作为领域相同的筛选条件。
在一示例中，目标法律文书是原告提交的关于“商标侵权”的起诉状，相应的，历史法律文书可以是“商标侵权”起诉状，也可以是关于“商标侵权”的裁判文书。
S103：根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息。
其中，所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。由于所述事件信息集合中包括了所述目标法律文书中应当具备的事件信息，所以在从所述目标法律文书中提取出目标事件信息后，将提取出来的目标事件信息与事件信息集合中的事件信息进行比对，便可以确定出所述目标法律文书中是否缺少事件信息。
具体地，当所述目标事件信息包含所述事件信息集合中的全部事件信息时，确定所述目标法律文书中不缺少事件信息；当所述目标事件信息未包含所述事件信息集合中的全部事件信息时，确定所述目标法律文书中缺少事件信息。
一示例中，目标事件信息包括目标事件名称，事件信息集合包括所述目标法律文书中应当具备的事件名称。相应的，步骤S103可具体包括：
根据所述目标事件名称与事件信息集合中的事件名称，确定所述目标法律文书中是否缺少事件名称。
当确定所述目标法律文书中不缺少事件名称时，表明目标法律文书中包含了其应当具备的全部事件类型。
进一步地，目标事件信息还可以包括目标事件要素，事件信息集合还包括与所述目标事件名称相匹配的事件要素。例如，任一项目标事件名称与至少一项事件要素相匹配。相应的，步骤S103还可以包括：
当确定所述目标法律文书中不缺少事件名称时，根据目标事件要素以及所述事件信息集合中与所述目标事件名称相匹配的事件要素，确定所述目标法律文书是否缺少事件要素。
本实施例提供的事件信息分析方法，获取目标法律文书，利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息，无需采用人工阅卷的方式来提取目标法律文件中的事件信息，并根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息，无需采用人工检查的方式来确定目标法律文书中是否缺少事件信息，实现了对法律文书中事件信息的智能分析，以及对法律文书的智能审核，大幅提高了事件信息的分析效率，进而提高了法律文书的审查效率，缩小了人工阅卷成本，加快了审查进度。
请参阅图2，图2为本申请实施例提供的事件信息分析方法的另一种流程图。
如图2所示，所述方法包括：
S201：获取目标法律文书。
S202：利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息。
所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的。所述历史法律文书与所述目标法律文书为领域相同的法律文书。
其中，步骤S201-S202与前述实施例中的步骤S101-S102相类似，具体可参考前述实施例，在此不再赘述。
S203：获取所述历史法律文书中标记的全部事件信息。
所述历史法律文书中标记的事件信息，从较大程度上反映了与历史法律文书的领域相同的法律文书所包含的事件信息，所以，获取所述历史法律文书中标记的全部事件信息，能够确定出与历史法律文书的领域相同的法律文书所应当包含的事件信息。
S204：根据所述历史法律文书中标记的全部事件信息，确定事件信息集合。
在获取到所述历史法律文书中标记的全部事件信息后，可以直接将全部事件信息组成事件信息集合，也可以将全部事件信息中指定的事件信息组成事件信息集合，还可以将多个历史法律文书之间事件信息的交集作为事件信息集合。
由于目标法律文书与历史法律文书属于领域相同的法律文书，所以，由步骤S203-S204确定出来的事件信息集合中，包括了所述目标法律文书中应当具备的事件信息。
S205：根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息。
其中，步骤S201-S202、S205与前述实施例中的步骤S101-S103相类似，具体可参考前述实施例，在此不再赘述。
本实施例提供的事件信息分析方法，获取历史法律文书中标记的全部事件信息，根据所述历史法律文书中标记的全部事件信息，确定事件信息集合，由于目标法律文书与历史法律文书属于领域相同的法律文书，所以，事件信息集合中包括了目标法律文书应当具备的事件信息，进而为目标法律文书中是否缺少事件信息的判断提供充分依据。并且，由于事件信息集合中的事件信息，也是用于训练事件信息提取模型的历史法律文本中标记的事件信息，使得利用事件信息提取模型从目标法律文书中提取的事件信息与事件信息集合中的事件信息之间具有较好匹配性，进而提高了事件信息缺失判断的准确性。
请参阅图3-4，图3为本申请实施例提供的事件信息分析方法的又一种流程图。
如图3所示，所述事件信息分析方法包括：
S301：获取目标法律文书。
S302：利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息。
所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的。所述历史法律文书与所述目标法律文书为领域相同的法律文书。
其中，步骤S301-S302与前述实施例中的步骤S101-S102相类似，具体可参考前述实施例，在此不再赘述。
S303：获取所述目标法律文书中与所述目标事件信息相对应的目标事件内容。
事件信息是对法律文书中事件内容的标记，事件信息与事件内容相对应。例如，当事件信息包括事件发生时间时，与事件发生时间相对应的内容为事件发生时间的数据值；当事件信息包括事件行为主体时，与事件行为主体相对应的内容为事件行为主体的名称文本。
本实施例中，目标事件信息包括目标事件发生时间，与目标事件发生时间相对应的目标内容为目标事件发生时间的数据值。即，所述目标内容包括目标事件发生时间的数据值。
S304：依据所述目标事件发生时间的数据值，将所述目标事件内容展示在事件时间轴上。
将所述目标事件内容按照目标事件发生时间的数据值依次展示在事件时间轴上，能够将目标法律文本中包含的目标事件内容直观且有条理的展示给用户，以便于用户查看与分析。如图4所示的事件内容展示示意图，事件时间轴一侧展示目标事件发生时间的数据值，另一侧展示目标事件内容。
一示例中，所述目标法律文书为目标用户的法律文书，目标用户可以是原告当事人，也可以是被告当事人。在通过事件时间轴展示目标事件内容时，具体为展示目标用户主张的事件内容，如原告当事人的起诉状中的事件内容，或，被告当事人的答辩状中的事件内容。
另一示例中，还可以利用二维坐标系来展示目标事件内容，其中，第一坐标轴为正序时间轴，用于展示事件发生时间的数据值，例如，展示每一事件的发生时间，或者，展示不同的时间区间(如星期、月度、季度、年度等)；第二坐标轴为事件行为主体轴，用于展示不同目标事件行为主体所对应的主体名称，并在二维坐标系中采用不同的图形或标识来表示不同的事件内容，如不同高度和/或不同宽度的柱状结构，不同形状和/或不同颜色的旗帜标识等。
S305：根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息。
其中，步骤S305与前述实施例中的步骤S103相类似，具体可参考前述实施例，在此不再赘述。
本实施例中，当确定所述目标法律文书中缺少事件信息时，为了便于用户及时补齐缺少的事件信息对应的事件内容，所述方法还可以包括以下步骤：
S306：当确定所述目标法律文书中缺少事件信息时，根据所述目标事件信息以及事件信息集合确定所述目标法律文书中缺少的事件信息。
通过详细比对所述目标事件信息以及事件信息集合中的事件信息，能够准确得出目标法律文书中缺少了事件信息集合中的哪些事件信息，即所述目标法律文书中应当具备但缺少的事件信息。
S307：将所述目标法律文书中缺少的事件信息提示给用户。
在确定出所述目标法律文书中缺少的事件信息之后，可以向用户发送提示信息，告知用户目标法律文书中缺少哪些事件信息，以便于用户及时知晓并补齐事件内容。
一示例中，所述目标法律文书为目标用户的法律文书，所述将所述目标法律文书中缺少的事件信息提示给用户具体包括：将所述目标法律文书中缺少的事件信息提示给所述目标用户。
一示例中，当确定所述目标法律文书中缺少事件信息时，同样也意味着缺少能够证明所缺少事件信息真实性的证据材料，所以，在提示用户目标法律文书中缺少的事件信息的同时，还可以提示用户需要提供能够证明其事件信息真实性的证据材料。
一示例中，所述方法还可以包括前述实施例中的步骤S203-S204，以确定步骤S305所需的事件信息集合。
本实施例提供的事件信息分析方法，获取所述目标法律文书中与所述目标事件信息相对应的目标事件内容，依据所述目标事件发生时间的数据值，将所述目标事件内容展示在事件时间轴上，能够自动将目标法律文书中的事件内容做直观的可视化数据展示，以便于法官查看与分析，减轻法官繁复的阅卷工作，让法官更清晰高效地了解案件所涉全部事件，实现要素式审判。
并且，当确定所述目标法律文书中缺少事件信息时，根据所述目标事件信息以及事件信息集合确定所述目标法律文书中缺少的事件信息，将所述目标法律文书中缺少的事件信息提示给用户，智能提示当事人主动提交其所缺失的必要事件内容，避免法官与当事人因证据提交不充分而进行的反复沟通，从而提高了案件的处理效率。
请参阅图5，图5为本申请实施例提供的事件信息提取模型的训练流程图。
如图5所示，事件信息提取模型的训练过程包括：
S401：获取训练法律文书。
所述训练法律文书包括标记有事件信息的历史法律文书。其中，历史法律文书有一个或多个。利用同一领域的历史法律文书来制作训练样本，通过人工标记的方式，将历史法律文书中具备的事件信息标记出来，并将标记后的历史法律文书进行存储。
一示例中，在对历史法律文书进行事件信息的标记时，可以将历史法律文书中在同一正序时间线上对抗双方所做的全部事件标记出来。
一示例中，事件信息可以包括事件名称与事件要素。其中，事件类型相同的事件内容标记有相同的事件名称；所述事件要素包括事件发生时间、事件行为主体与事件行为对象中的至少一项。从实际意义上讲，事件名称即为事件类型名称。
在实际应用中，法律文本中具有相同事件类型的事件内容的表述可能不同，但事件内容的本质却是相同的，若分别采用事件内容的表述信息来标记事件名称，则会导致相同事件类型被标记为不同的事件名称，进而不利于模型的准确识别，因此，所述事件类型相同的事件内容标记有相同的事件名称，具体包括：将事件类型相同的事件内容所分别对应的不同事件名称标准化为相同的事件名称。例如，可以利用机器模型容易识别的动宾语法结构来定义标准化的事件名称。
例如，一事件内容为“某公司注册商标”，另一事件内容为“某公司办理商标注册”，又一事件内容为“某公司申请商标”，显然，这三项事件内容的事件类型是相同的，都是注册商标，因此，可以为这三项事件内容标记相同的事件名称“注册商标”，也即，将“注册商标”、“办理商标注册”与“申请商标”统一标准化为“注册商标”，以保证以上三项事件内容能够被准确地识别为“注册商标”事件。其中，“注册商标”为动宾短语的语法结构。
一示例中，事件信息还可以包括其它的特殊事件信息。例如，在“保全证据”这一事件中，事件信息可以包括公证书编号、公证员姓名等。
S402：利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型。
利用训练法律文书对事件信息提取模型进行训练，可采用NLP自然语言解析技术，基于实体抽取和关系抽取对训练法律文书中的事件信息进行抽取。
一示例中，事件信息提取模型主要包括事件名称识别和事件要素抽取两个部分，事件名称识别分为三个部分：命名实体识别(NER，Named Entity Recognition)、触发词+LTP词法特征与TF/IDF逻辑回归算法；事件要素抽取也分为三个部分：命名实体识别(NER)、触发词+LTP词法特征与机器学习。
其中，LTP为语言技术平台(Language Technology Platform)；TF/IDF为词频/逆文件频率(term frequency/inverse document frequency)。
在该示例中，主要运用了触发词与机器学习相结合的技术手段进行提取规则的学习和事件信息的抽取，两者结合的F值大概在0.7。
为了进一步确保事件信息提取模型的精度，提高事件信息提取的准确性，还可以对训练后的事件信息提取模型进行优化，即，所述事件信息提取模型的训练过程还可以包括：
S403：获取检验法律文书。
所述检验法律文书为与所述训练法律文书领域相同的历史法律文书。具体地，所述检验法律文书可以是与所述训练法律文书的领域相同的且未标记事件信息的其他历史法律文书，也可以直接是训练法律文书标记事件信息前的历史法律文书。
本发明实施例可以预先针对每一领域设置一个历史法律文书集合，在针对某一领域选择训练法律文书的时候，可以选择对该领域的历史法律文书集合中的一部分历史法律文书标记事件信息后作为训练法律文书，在事件信息提取模型训练好后，可以选择该历史法律文书集合中的其他全部/部分历史法律文书、或被选为训练法律文书的历史法律文书作为检验法律文书。
训练法律文书优选为裁判文书，因为裁判文书是半结构化的文本，有较强的规律性，训练事件信息提取模型的效果更好。
S404：利用训练后的事件信息提取模型，提取所述检验法律文书中的事件信息，作为检验事件信息。
检验法律文书作为事件信息提取模型的输入，使事件信息提取模型输出从所述检验法律文书中提取的事件信息，作为检验事件信息。
S405：获取所述检验事件信息的提取准确率。
一示例中，当检验法律文书为训练法律文书标记事件信息前的历史法律文书时，提取出来的事件信息应该与训练法律文书中标记的事件信息一致，通过比较从检验法律文书中提取的检验事件信息与训练法律文书中标记的事件信息，则可以获取到所述检验事件信息的提取准确率。
另一示例中，当检验法律文书为与所述训练法律文书的领域相同的且未标记事件信息的历史法律文书时，通过核对的方式，能够确定出从检验法律文书中提取的检验事件信息是否与检验法律文书中实际的事件内容相一致，从而获取到所述检验事件信息的提取准确率。
其他示例中，在已提取到所述检验法律文书中的检验事件信息的前提下，还可以通过其他可行的方式来判断并获取所述检验事件信息的提取准确率，在此不做具体限定。
S406：判断所述提取准确率是否达标，若否，执行步骤S407；若是，执行步骤S408；
S407：获取对所述训练法律文书中的标记内容进行调整后得到的新的训练法律文书，作为训练法律文书，重新执行步骤S402；
当所述检验事件信息的提取准确率不达标时，用户可以根据所述检验事件信息与实际的事件内容的差别，对训练法律文书中的标记内容进行调整，使训练法律文书中的标记内容更加准确，然后获取对所述训练法律文书中的标记内容进行调整后得到的新的训练法律文书，作为训练法律文书，并重新利用训练法律文书对事件信息提取模型进行训练，实现对事件信息提取模型中的提取规则进行调整，优化事件信息提取模型的事件信息提取精度。
同时，对标记内容进行调整后的新的训练法律文书，还可用于优化前述实施例中的事件信息集合，以保证事件信息集合的准确性。
S408：结束训练过程。
当所述检验事件信息的提取准确率达标时，表明事件信息提取模型的事件信息提取精度已达到一定标准，能够符合用户需求，则结束训练，得到可用于对目标法律文书的事件信息进行提取的事件信息提取模型。
本实施例提供的事件信息分析方法，包括事件信息提取模型的训练过程，其中，利用训练法律文书对事件信息提取模型进行训练，并利用检验法律文书对事件信息提取模型进行检验，根据检验结果，调整训练样本，优化事件提取规则，提高了事件信息提取模型提取事件信息的准确性，进而保证了事件信息智能分析的准确性，避免了人工反复阅读核对事件信息的过程，有助于提高法律文书的审核效率，缩小人工阅卷成本，加快审查进度。
本发明实施例还提供了事件信息分析装置，所述事件信息分析装置用于实现本发明实施例提供的事件信息分析方法，下文描述的事件信息分析装置内容，可与上文描述的事件信息分析方法内容相互对应参照。
请参阅图6，图6为本申请实施例提供的事件信息分析装置的一种结构示意图。
本实施例的事件信息分析装置，用于实施前述实施例的事件信息分析方法，如图6所示，所述装置包括：
目标文本获取单元U100，用于获取目标法律文书。
目标事件提取单元U200，用于利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息。
所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的；所述历史法律文书与所述目标法律文书为领域相同的法律文书。
事件缺失确定单元U300，用于根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息。
所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。
事件信息包括事件名称与事件要素；事件类型相同的事件内容标记有相同的事件名称；所述事件要素包括事件发生时间、事件行为主体与事件行为对象中的至少一项。
一示例中，所述装置还包括：
历史事件信息获取单元，用于获取所述历史法律文书中标记的全部事件信息；
事件信息集合确定单元，用于根据所述历史法律文书中标记的全部事件信息，确定事件信息集合。
另一示例中，所述装置还包括：
事件内容获取单元，用于获取所述目标法律文书中与所述目标事件信息相对应的目标事件内容。
所述目标事件内容包括目标事件发生时间的数据值。
事件内容展示单元，用于依据所述目标事件发生时间的数据值，将所述目标事件内容展示在事件时间轴上。
又一示例中，所述装置还包括：
缺失事件确定单元，用于当确定所述目标法律文书中缺少事件信息时，根据所述目标事件信息以及事件信息集合确定所述目标法律文书中缺少的事件信息；
缺失事件提示单元，用于将所述目标法律文书中缺少的事件信息提示给用户。
所述装置还包括：模型训练单元。所述模型训练单元包括：
训练样本获取单元，用于获取训练法律文书，所述训练法律文书包括标记有事件信息的历史法律文书；
模型训练执行单元，用于利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型。
所述模型训练单元还可以包括：
检验样本获取单元，用于获取检验法律文书；
检验事件提取单元，用于利用训练后的事件信息提取模型，提取所述检验法律文书中的事件信息，作为检验事件信息；
提取准度获取单元，用于获取所述检验事件信息的提取准确率；
所述训练样本获取单元，还用于当所述检验事件信息的提取准确率不达标时，获取对所述训练法律文书中的标记内容进行调整后得到的新的训练法律文书；
所述模型训练执行单元，还用于重新利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型。
本实施例提供的事件信息分析装置，获取目标法律文书，利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息，无需采用人工阅卷的方式来提取目标法律文件中的事件信息，并根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息，无需采用人工检查的方式来确定目标法律文书中是否缺少事件信息，实现了对法律文书中事件信息的智能分析，以及对法律文书的智能审核，大幅提高了事件信息的分析效率，进而提高了法律文书的审查效率，缩小了人工阅卷成本，加快了审查进度。
本发明实施例提供的事件信息分析装置，包括处理器和存储器，上述目标文本获取单元U100、目标事件提取单元U200、事件缺失确定单元U300、历史事件信息获取单元、事件信息集合确定单元、事件内容获取单元、事件内容展示单元、缺失事件确定单元、缺失事件提示单元、模型训练单元、训练样本获取单元、模型训练执行单元、检验样本获取单元、检验事件提取单元与提取准度获取单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决目前采用人工阅卷的方式来检查法律文件中的事件信息是否齐全，效率较低的技术问题。
存储器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)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述事件信息分析方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述事件信息分析方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
获取目标法律文书；
利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息；所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的；所述历史法律文书与所述目标法律文书为领域相同的法律文书；
根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息；所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。
优选的，在所述根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息之前，所述方法还包括：
获取所述历史法律文书中标记的全部事件信息；
根据所述历史法律文书中标记的全部事件信息，确定事件信息集合。
优选的，在所述利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息之后，所述方法还包括：
获取所述目标法律文书中与所述目标事件信息相对应的目标事件内容；所述目标事件内容包括目标事件发生时间的数据值；
依据所述目标事件发生时间的数据值，将所述目标事件内容展示在事件时间轴上。
优选的，所述方法还包括：
当确定所述目标法律文书中缺少事件信息时，根据所述目标事件信息以及事件信息集合确定所述目标法律文书中缺少的事件信息；
将所述目标法律文书中缺少的事件信息提示给用户。
优选的，事件信息提取模型的训练过程包括：
获取训练法律文书，所述训练法律文书包括标记有事件信息的历史法律文书；
利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型。
优选的，在所述利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型之后，所述方法还包括：
获取检验法律文书；
利用训练后的事件信息提取模型，提取所述检验法律文书中的事件信息，作为检验事件信息；
获取所述检验事件信息的提取准确率；
当所述检验事件信息的提取准确率不达标时，获取对所述训练法律文书中的标记内容进行调整后得到的新的训练法律文书；
重新执行所述利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型的步骤。
优选的，事件信息包括事件名称与事件要素；事件类型相同的事件内容标记有相同的事件名称；所述事件要素包括事件发生时间、事件行为主体与事件行为对象中的至少一项。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取目标法律文书；
利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息；所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的；所述历史法律文书与所述目标法律文书为领域相同的法律文书；
根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息；所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。
优选的，在所述根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息之前，所述方法还包括：
获取所述历史法律文书中标记的全部事件信息；
根据所述历史法律文书中标记的全部事件信息，确定事件信息集合。
优选的，在所述利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息之后，所述方法还包括：
获取所述目标法律文书中与所述目标事件信息相对应的目标事件内容；所述目标事件内容包括目标事件发生时间的数据值；
依据所述目标事件发生时间的数据值，将所述目标事件内容展示在事件时间轴上。
优选的，所述方法还包括：
当确定所述目标法律文书中缺少事件信息时，根据所述目标事件信息以及事件信息集合确定所述目标法律文书中缺少的事件信息；
将所述目标法律文书中缺少的事件信息提示给用户。
优选的，事件信息提取模型的训练过程包括：
获取训练法律文书，所述训练法律文书包括标记有事件信息的历史法律文书；
利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型。
优选的，在所述利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型之后，所述方法还包括：
获取检验法律文书；
利用训练后的事件信息提取模型，提取所述检验法律文书中的事件信息，作为检验事件信息；
获取所述检验事件信息的提取准确率；
当所述检验事件信息的提取准确率不达标时，获取对所述训练法律文书中的标记内容进行调整后得到的新的训练法律文书；
重新执行所述利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型的步骤。
优选的，事件信息包括事件名称与事件要素；事件类型相同的事件内容标记有相同的事件名称；所述事件要素包括事件发生时间、事件行为主体与事件行为对象中的至少一项。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请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。
存储器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)。存储器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，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种事件信息分析方法，其特征在于，包括：
获取目标法律文书；
利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息；所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的；所述历史法律文书与所述目标法律文书为领域相同的法律文书；
根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息；所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。
2.如权利要求1所述的方法，其特征在于，在所述根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息之前，所述方法还包括：
获取所述历史法律文书中标记的全部事件信息；
根据所述历史法律文书中标记的全部事件信息，确定事件信息集合。
3.如权利要求1所述的方法，其特征在于，在所述利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息之后，所述方法还包括：
获取所述目标法律文书中与所述目标事件信息相对应的目标事件内容；所述目标事件内容包括目标事件发生时间的数据值；
依据所述目标事件发生时间的数据值，将所述目标事件内容展示在事件时间轴上。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
当确定所述目标法律文书中缺少事件信息时，根据所述目标事件信息以及事件信息集合确定所述目标法律文书中缺少的事件信息；
将所述目标法律文书中缺少的事件信息提示给用户。
5.如权利要求1所述的方法，其特征在于，事件信息提取模型的训练过程包括：
获取训练法律文书，所述训练法律文书包括标记有事件信息的历史法律文书；
利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型。
6.如权利要求5所述的方法，其特征在于，在所述利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型之后，所述方法还包括：
获取检验法律文书；
利用训练后的事件信息提取模型，提取所述检验法律文书中的事件信息，作为检验事件信息；
获取所述检验事件信息的提取准确率；
当所述检验事件信息的提取准确率不达标时，获取对所述训练法律文书中的标记内容进行调整后得到的新的训练法律文书；
重新执行所述利用训练法律文书对事件信息提取模型进行训练，得到训练后的事件信息提取模型的步骤。
7.如权利要求1-6任一项所述的方法，其特征在于，事件信息包括事件名称与事件要素；事件类型相同的事件内容标记有相同的事件名称；所述事件要素包括事件发生时间、事件行为主体与事件行为对象中的至少一项。
8.一种事件信息分析装置，其特征在于，包括：
目标文本获取单元，用于获取目标法律文书；
目标事件提取单元，用于利用预置的事件信息提取模型，提取所述目标法律文书中的事件信息，作为目标事件信息；所述预置的事件信息提取模型为，以标记有事件信息的历史法律文书作为训练样本训练得到的；所述历史法律文书与所述目标法律文书为领域相同的法律文书；
事件缺失确定单元，用于根据所述目标事件信息与事件信息集合，确定所述目标法律文书中是否缺少事件信息；所述事件信息集合中包括所述目标法律文书中应当具备的事件信息。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-7中任一项所述的事件信息分析方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行如权利要求1-7中任一项所述的事件信息分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810194693.0A CN110245346A (zh) | 2018-03-09 | 2018-03-09 | 事件信息分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810194693.0A CN110245346A (zh) | 2018-03-09 | 2018-03-09 | 事件信息分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110245346A true CN110245346A (zh) | 2019-09-17 |
Family
ID=67882196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810194693.0A Pending CN110245346A (zh) | 2018-03-09 | 2018-03-09 | 事件信息分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110245346A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476034A (zh) * | 2020-04-07 | 2020-07-31 | 同方赛威讯信息技术有限公司 | 基于规则和模型结合的法律文书信息抽取方法及系统 |
| CN112541726A (zh) * | 2019-09-23 | 2021-03-23 | 北京国双科技有限公司 | 事件预警方法、装置、存储介质及设备 |
| CN112579763A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 一种文书的推送方法及装置 |
| WO2024044117A1 (en) * | 2022-08-25 | 2024-02-29 | Docusign, Inc. | Using machine learning to identify legal obligations in a document management system |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761489A (zh) * | 2014-02-18 | 2014-04-30 | 北京网秦天下科技有限公司 | 用于检测文件的完整性的系统和方法 |
| CN105930503A (zh) * | 2016-05-09 | 2016-09-07 | 清华大学 | 基于组合特征向量和深度学习的情感分类方法及装置 |
| US20160314548A1 (en) * | 2015-04-22 | 2016-10-27 | Lex Machina, Inc. | Legal timeline analytics |
| CN107222351A (zh) * | 2017-06-29 | 2017-09-29 | 济南浪潮高新科技投资发展有限公司 | 一种网络设备数据质量的分析方法 |
| CN107291708A (zh) * | 2016-03-30 | 2017-10-24 | 《中国学术期刊（光盘版）》电子杂志社有限公司 | 一种基于文本的自动识别文献研究的方法 |
| CN107358550A (zh) * | 2017-06-08 | 2017-11-17 | 上海市高级人民法院 | 刑事案件智能证据校验方法、审查方法及具有其的存储介质和终端设备 |
-
2018
- 2018-03-09 CN CN201810194693.0A patent/CN110245346A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761489A (zh) * | 2014-02-18 | 2014-04-30 | 北京网秦天下科技有限公司 | 用于检测文件的完整性的系统和方法 |
| US20160314548A1 (en) * | 2015-04-22 | 2016-10-27 | Lex Machina, Inc. | Legal timeline analytics |
| CN107291708A (zh) * | 2016-03-30 | 2017-10-24 | 《中国学术期刊（光盘版）》电子杂志社有限公司 | 一种基于文本的自动识别文献研究的方法 |
| CN105930503A (zh) * | 2016-05-09 | 2016-09-07 | 清华大学 | 基于组合特征向量和深度学习的情感分类方法及装置 |
| CN107358550A (zh) * | 2017-06-08 | 2017-11-17 | 上海市高级人民法院 | 刑事案件智能证据校验方法、审查方法及具有其的存储介质和终端设备 |
| CN107222351A (zh) * | 2017-06-29 | 2017-09-29 | 济南浪潮高新科技投资发展有限公司 | 一种网络设备数据质量的分析方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541726A (zh) * | 2019-09-23 | 2021-03-23 | 北京国双科技有限公司 | 事件预警方法、装置、存储介质及设备 |
| CN112579763A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 一种文书的推送方法及装置 |
| CN111476034A (zh) * | 2020-04-07 | 2020-07-31 | 同方赛威讯信息技术有限公司 | 基于规则和模型结合的法律文书信息抽取方法及系统 |
| WO2024044117A1 (en) * | 2022-08-25 | 2024-02-29 | Docusign, Inc. | Using machine learning to identify legal obligations in a document management system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245346A (zh) | 事件信息分析方法及装置 | |
| CN109344382A (zh) | 审核合同的方法、装置、电子设备及计算机可读存储介质 | |
| CN112860841B (zh) | 一种文本情感分析方法、装置、设备及存储介质 | |
| CN108830443A (zh) | 一种合同审阅方法及装置 | |
| CN109360089A (zh) | 贷款风险预测方法及装置 | |
| CN107392321A (zh) | 一种应用迁移学习可行性度量方法及装置 | |
| CA3220728A1 (en) | Systems and methods for automated generation of passage-based items for use in testing or evaluation | |
| Jeffery et al. | Measuring success: improving assessments of aggregate greenhouse gas emissions reduction goals | |
| CN111882140A (zh) | 风险评测方法、模型训练方法、装置、设备及存储介质 | |
| CN114005135A (zh) | 建设项目图纸智能审核方法、系统、设备及可读存储介质 | |
| Khojasteh | Production management: Advanced models, tools, and applications for pull systems | |
| Mardini et al. | Artificial intelligence literature in accounting: a panel systematic approach | |
| CN110738032B (zh) | 一种生成裁判文书本院认为段的方法及装置 | |
| CN108399545A (zh) | 电子商务平台质量检测方法和装置 | |
| CN116402334A (zh) | 一种多模态数据合规分析与智能评估方法及装置 | |
| CN113779227B (zh) | 案情事实抽取方法及系统及装置及介质 | |
| Anand et al. | Recent Advancements in Software Reliability Assurance | |
| CN114840668A (zh) | 网络文本审核方法、电子设备及存储介质 | |
| CN114722146A (zh) | 基于人工智能的供应链资产校验方法、装置、设备及介质 | |
| CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
| CN110245907A (zh) | 庭审笔录内容的生成方法及装置 | |
| CN111985935A (zh) | 一种商户信息的检验方法、装置及设备 | |
| Tulinayo et al. | Integrating system dynamics with object-role modeling | |
| CN112001662B (zh) | 一种商户图像的风险检验方法、装置及设备 | |
| Zhang et al. | Handwritten Chinese signature detection with simple Copy–Paste augmentation on power plants technical documents |
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 |