CN110472011A - 一种诉讼成本预测方法、装置及终端设备 - Google Patents
一种诉讼成本预测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110472011A CN110472011A CN201910652615.5A CN201910652615A CN110472011A CN 110472011 A CN110472011 A CN 110472011A CN 201910652615 A CN201910652615 A CN 201910652615A CN 110472011 A CN110472011 A CN 110472011A
- Authority
- CN
- China
- Prior art keywords
- case
- information
- processed
- history
- lawsuit
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000014509 gene expression Effects 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种诉讼成本预测方法、装置及终端设备，适用于数据处理技术领域，该方法包括：获取用户输入的待处理案件的案件信息、证据信息以及个人信息；对案件信息进行分析，得到案件关键词和案件类型；基于案件关键词、案件类型和个人信息查找第一历史相似案件；第一历史相似案件进行筛选，得到对应的第二历史相似案件；基于第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对待处理案件的案件信息和证据信息进行处理，得到待处理案件的参考判决结果、参考诉讼时长和参考费用数据。本发明实施例实现了对案件诉讼时长费用成本和结果的分析准确预测。
Description
技术领域
本发明属于数据处理技术领域，尤其涉及诉讼成本预测方法及终端设备。
背景技术
随着法制体系的完善人们法律意识的逐日提高，人们对司法的需求日益增长，但实际情况中，司法诉讼是一个耗时长费用高的过程，许多人在不知道诉讼是否能成功的情况下，既无法判断诉讼成本如何，又无法判断最终是否能得到赔偿以及赔偿情况如何，从而导致了用户要么不敢轻易进行诉讼，要么即使是诉讼了，最终付出的成本过高诉讼得不偿失。因此，现有技术无法针对案件资料进行分析，预测诉讼可能花费的时长、费用成本以及可能的诉讼结果。
发明内容
有鉴于此，本发明实施例提供了一种诉讼成本预测方法及终端设备，以解决现有技术中无法对案件资料进行分析，预测诉讼可能花费的时长、费用成本以及可能的诉讼结果的问题。
本发明实施例的第一方面提供了一种诉讼成本预测方法，包括：
获取用户输入的待处理案件的案件信息、证据信息以及个人信息；
对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，所述案件关键词为法律术语类型的词语；
基于所述案件关键词、所述案件类型和所述个人信息查找所述待处理案件对应的第一历史相似案件；
基于所述证据信息对所述第一历史相似案件进行筛选，得到对应的第二历史相似案件；
基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，并将得到的所述参考判决结果、所述参考诉讼时长和所述参考费用数据发送至所述用户。
本发明实施例的第二方面提供了一种终端设备，所述终端设备包括存储器、处理器，所述存储器上存储有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如下步骤。
获取用户输入的待处理案件的案件信息、证据信息以及个人信息；
对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，所述案件关键词为法律术语类型的词语；
基于所述案件关键词、所述案件类型和所述个人信息查找所述待处理案件对应的第一历史相似案件；
基于所述证据信息对所述第一历史相似案件进行筛选，得到对应的第二历史相似案件；
基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，并将得到的所述参考判决结果、所述参考诉讼时长和所述参考费用数据发送至所述用户。
本发明实施例的第三方面提供了一种诉讼成本预测装置，包括：
信息获取模块，用于获取用户输入的待处理案件的案件信息、证据信息以及个人信息；
词语分析模块，用于对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，所述案件关键词为法律术语类型的词语；
案件匹配模块，用于基于所述案件关键词、所述案件类型和所述个人信息查找所述待处理案件对应的第一历史相似案件；
案件筛选模块，用于基于所述证据信息对所述第一历史相似案件进行筛选，得到对应的第二历史相似案件；
预测模块，用于基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，并将得到的所述参考判决结果、所述参考诉讼时长和所述参考费用数据发送至所述用户。
本发明实施例的第四方面提供了一种计算机可读存储介质，包括：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上所述的诉讼成本预测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：通过对普通用户输入的口语化的案件信息进行分析得到法律专业术语的案件关键词和案件罪名(即案件类型)，从而使得后续对历史相似案件的检索准确率得到了保证，基于待处理案件的实际案件关键词、案件罪名和用户个人信息，来查找出对待处理案件的历史相似案件，再利用已掌握的证据信息对历史相似案件进行筛选，从而保证了得到的历史相似案件与待处理案件的各方面情况相似度，保证了后续分析预测时的样本数据有效性，最后基于筛选得到的历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据来对待处理案件的案件信息和证据信息进行处理预测，得到所需的待处理案件对应的可能判决结果和时间经济成本，以帮助用户初步判断所述可能带来的成本和结果，因此本发明实施例实现了对案件诉讼时长费用成本和诉讼结果的分析准确预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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是本发明实施例一提供的诉讼成本预测方法的实现流程示意图；
图2是本发明实施例二提供的诉讼成本预测方法的实现流程示意图；
图3是本发明实施例三提供的诉讼成本预测方法的实现流程示意图；
图4是本发明实施例四提供的诉讼成本预测方法的实现流程示意图；
图5是本发明实施例五提供的诉讼成本预测方法的实现流程示意图；
图6是本发明实施例六提供的诉讼成本预测装置的结构示意图；
图7是本发明实施例七提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
为了便于理解本发明，此处先对本发明实施例进行简要介绍，考虑实际情况中普通用户一般都不懂的太多的法律专业术语，因此在进行案件描述时一般都是口语化的进行案件描述，而这些口语化的案件信息往往难以提准确体现出案件本质，难以进行案件分析和处理，因此本发明实施例首先会对用户输入的案件信息进行术语转换，得到对应的法律术语的案件关键词以及案件的类型，再基于得到的案件关键词、案件类型以及用户个人信息等，来进行相似案件的查询，同时还会基于已掌握的证据数据来进行相似案件的二次筛选，从而保证了筛选出的相似案件与待处理案件的高相关性，保证了后续分析预测时的样本数据有效性，最后再基于二次筛选出的相似案件的数据来对待处理案件的数据进行处理，从而实现对待处理案件的诉讼成本和结果准确预测，详述如下：
图1示出了本发明实施例一提供的诉讼成本预测方法的实现流程图，详述如下：
S101，获取用户输入的待处理案件的案件信息、证据信息以及个人信息。
其中，待处理案件的案件信息是指由用户对待处理案件事件经过的描述内容，证据信息是指用户已掌握的证据的相关信息，如证据名称和证据数量等。
在本发明实施例中，案件信息的输入，既可以是用户直接以文字的形式输入，也可以是由用户以语音的形式进行录入并进行语音转换得到，具体由本发明实施例实际应用场景决定，如对于具有语音录入环境且支持语音识别的应用场景，则可以采用用户语音录入转换的形式得到所需的案件信息，以方便一些不便于进行文字输入的用户进行案件信息的输入。
S102，对待处理案件的案件信息进行分析，得到待处理案件对应的案件关键词和案件类型，案件关键词为法律术语类型的词语。
其中，案件类型是指案件涉及到的具体罪名，如诈骗罪和走私罪等，由于对罪名的细化程度可以不同，如对于走私罪，既可以仅作为一类罪名处理，也可以继续细分为走私文物罪、走私假币罪和走私贵重金属罪等，因此本发明实施例中，技术人员可以预先对每种罪名的细化程度进行设定，以确定出最终可分类的每种具体罪名。
为了实现对案件的分析并预测可能的成本以及结果，本发明实施例采用基于已判决的与待处理案件相似的案件进行分析预测，但由于案件本身还没有经过专业法律人士的分析，使得无法预知案件类型更无法直接进行相似案件的查找，且收集到的原始案件信息是用户口语化描述的内容，例如对于“盗窃”，口语中往往会表述为“偷东西”，“信用卡伪卡”则往往被口语化表述为“伪卡”、“假卡”、“克隆卡”或“复制卡”等，这些口语化的案件信息往往难以准确体现出案件本质，更加难以直接用于案件类型的识别和相似案件的筛选。因此，为了实现对案件类型的识别和后续相似案件的查找，本发明实施例会对口语化的案件信息进行分析，并对其中口语化的词语进行转换，得到法律专业术语类型的案件关键词，同时对案件类型进行识别。其中使用的词语转换方法包括但不限于如预先设置口语化词语和术语转换表，即设置好口语化词语对应的法律术语，再将案件信息中的词语依次查询转换表得到对应的案件关键词，或者参考本发明实施例三来进行转换，具体转换方法此处不予限定，可由技术人员根据实际需求自行设定。而对案件类型的识别，同样也可以设置词语和案件类型的评分表，即对每种案件类型设置对应的可能出现的口语化词语，并对每个词语设置一个分数，再基于案件信息对每种案件类型进行分数计算，最终将最高分数和的案件类型作为待处理案件的案件类型，或者对每种案件类型设置对应的可能出现的法律术语以及对应的分数，再进行分数和计算筛选，亦可以参考本发明实施例三来进行识别，具体采用的识别方法可由技术人员根据实际需求设定，此处不予限定。
S103，基于案件关键词、案件类型和个人信息查找待处理案件对应的第一历史相似案件。
考虑到实际情况中，不同地区的法院对案件审理可能存在一定差异，如适用标准和处罚力度等都可能会存在一些差异，因此为了保证筛选出来的相似案件与待处理案件的高相关性，以保证用于预测的样本数据的准确可靠，本发明实施例会基于案件的实际情况来可以进行案件诉讼的法院的确定。
一般来说，犯罪案件由犯罪地的人民法院管辖处理，但对于一些特殊案件或者特殊人群，犯罪地的人民法院不一定有管辖权，具体参考《中华人民共和国民事诉讼法》第二章：管辖的有关规定，因此本发明实施例会根据案件类型和用户个人信息等来查询可管辖待处理案件的法院。
在上述查询出可管辖待处理案件的法院基础上，作为本发明的一种实施例，在进行历史相似案件查询时，可以根据案件类型和案件关键词来对这些法院处理过的历史案件进行匹配，筛选出匹配度较高的一些案件作为本发明实施例中所需的第一历史相似案件。其中，具体可由技术人员根据实际需求自行设定第一历史相似案件筛选方法，包括但不限于如将匹配度最高的前n个案件作为所需的第一历史相似案件，或者将匹配度前m％的案件作为所需的第一历史相似案件，n和m的值由实际第一历史相似案件数量需求设定。作为本发明的另一个实施例，在上述实施例基础上，若根据可管辖待处理案件法院进行相似案件匹配得到的第一历史相似案件较少时，可以进一步地扩大检索相似案件法院数量，如将于筛选出的可管辖待处理案件的法院相近行政区域内的其他法院，也纳入相似案件匹配的范围，并进行历史相似案件的匹配查询，直至查询出的第一历史相似案件数量满足技术人员预设数量要求为止。
S104，基于证据信息对第一历史相似案件进行筛选，得到对应的第二历史相似案件。
上述虽然筛选出了与待处理案件的案件类型相似的第一历史相似案件，但实际情况中，即使是同一类型案件，也需要用户掌握的证据来支持对案件的判决，例如对于信用卡诈骗，需要根据证据掌握情况来判断最终的诈骗情节严重程度和数额大小等，才能进行后续的判决，因此本发明实施例会根据用户已掌握的证据情况来对第一历史相似案件进行二次筛选，从中筛选出已掌握证据情况与待处理案件相近的第二历史相似案件，以实现对最终样本数据的准确筛选，保证后续预测的准确可靠。其中，具体的筛选方法此处不予限定，可由技术人员自行设定，包括但不限于如根据已掌握证据信息的类别和数量直接进行匹配，筛选出类别和数量与待处理案件相似的第二历史相似案件，或者根据证据的类别数量等进行评分，并根据得分进行匹配等，亦可参考本发明实施例四进行处理。
S105，基于第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对待处理案件的案件信息和证据信息进行处理，得到待处理案件的参考判决结果、参考诉讼时长和参考费用数据，并将得到的参考判决结果、参考诉讼时长和参考费用数据发送至用户。
在本发明实施例中，费用数据是指获得的赔偿费用减去起诉方所需支付费用，可由判决结果中记录的数据分析得到，如根据判决结果中的起诉方需支付xxx费xxx元败诉方赔偿xxx元等文字内容分析计算，来计算出实际费用数据，诉讼时长是指从起诉方从提起诉讼开始，到得到最终的判决结果为止的总时长。
在筛选出与待处理案件高相关度的第二历史相似案件之后，本发明实施例会将这些案件作为样本数据进行分析建模，并基于构建好的预测模型来对待处理案件进行处理，以实现对待处理案件诉讼时长费用成本的预测和诉讼结果的预测。其中，优选地，可以使用如马尔可夫逻辑网络模型等神经网络模型来作为本发明实施例中的预测模型进行训练。考虑到模型训练时需要对训练的案件信息、证据信息、判决结果、诉讼时长和费用进行向量化，本发明实施例中，可以预先设置好对案件信息等参数的向量化规则，例如对于案件信息，抽取出其中的案件关键词并进行量化，从而得到对应的向量。
作为本发明的一种优选实施方式，由于判决结果、诉讼时长和费用属于三种不同维度的参数，因此在进行预测时，优选地，可以基于案件信息和证据信息，构建与判决结果、诉讼时长和费用分别对应的预测模型，在基于第二历史相似案件作为样本数据对预测模型完成训练后，再分别对待处理案件的案件信息和证据信息进行处理，从而得到待处理案件分别对应预测的参考判决结果、参考诉讼时长和参考费用数据。或者也可以参考本发明实施例五来进行处理。
通过对普通用户输入的口语化的案件信息进行分析得到法律专业术语的案件关键词和案件罪名(即案件类型)，从而使得后续对历史相似案件的检索准确率得到了保证，基于待处理案件的实际案件关键词、案件罪名和用户个人信息，来查找出对待处理案件的历史相似案件，再利用已掌握的证据信息对历史相似案件进行二次筛选，从而保证了得到的历史相似案件与待处理案件的各方面情况相似度，保证了后续分析预测时的样本数据有效性，最后基于筛选得到的历史相似案件来对待处理案件的案件信息和证据信息进行处理预测，得到所需的待处理案件对应的可能判决结果和时间经济成本，以帮助用户初步判断诉讼可能带来的成本和结果，因此本发明实施例实现了对案件诉讼时长费用成本和诉讼结果的分析准确预测。
作为本发明实施例一中对口语化的案件信息进行转换，得到法律专业术语的案件关键词以及案件类型的一种具体实现方式，如图2所示，本发明实施例二，包括：
S201，查找待处理案件的案件信息中包含的动名词，并基于动名词识别待处理案件对应的一种或多种案件类型。
首先应当说明地，在本发明实施例中，根据罪名的包含关系将罪名分为三个级别，1级：刑法规定的十大罪名，2级：刑法罪名分类表中对十大罪名下举例出的罪名，3级：对2级中举例罪名所包含的具体罪名。例如，1级罪名中包含侵犯财产罪，2级罪名中举例出了诈骗罪，3级中包含所有的诈骗罪的具体罪名，如合同诈骗罪、票据诈骗罪、贷款诈骗罪、信用卡诈骗最等。而在本发明实施例中，案件类型对应的是3级罪名，即本发明实施例最终需要确定出待处理案件对应的3级罪名。
实际应用中发现，虽然普通用户对案件情况的描述较为口语化，但由于2级罪名特点区分明确，用户口语化的案件描述中一般都会出现可以用于区分2级罪名的词语，因此通过用户案件描述中的一些动词、名词等，可以较为容易地确定出用户对应的2级罪名，因此，本方案中首先会对每个2级罪名设置一些口语描述中对应的常见名称、动词，如对抢劫罪设置“抢”、“威胁”、“钱”、“手机”、“包”等，对盗窃罪设置“偷”、“拿”、“钱”、“手机”、“包”等，并根据案件描述中具体包含的名词动词来确定出对应的2级罪名，其中，若同时满足多个2级罪名，则都确定为其对应的2级罪名。
在确定出待处理案件对应的一个或多个2级罪名之后，再读取这些2级罪名下包含的3级罪名，即可识别出待处理案件对应的一种或多种案件类型。
S202，获取一种或多种案件类型分别对应的关键词库，关键词库中包含多个预设关键词、多个预设要素词以及预设要素词对应的正则表达式。
由于用户在口语化描述的时候，一般都会出现一些对案件关键点的描述词，这些描述词可能本身就是专业术语，例如信用卡诈骗的“信用卡伪卡”、“交易”“恶意透支”、“数额较大”、“数额巨大”、“数额特别巨大”，也有可能是一些口语话的字词句，如“偷东西”“伪卡”、“假卡、“克隆卡””、“复制卡”等，因此对于这些可能出现，且可以表明3级罪名相关的描述词，本发明实施例中会对每个3级罪名预设对应的一个关键词库，关键词库中包含罪名常见的一些专业术语关键词，同时会对每个关键词设置两种对应查询关系：
1、专业术语的关键词对应的常见口语表达方式，如“盗窃”，口语经常表述为“偷东西”，“信用卡伪卡”表达为“伪卡”、“假卡、“克隆卡””、“复制卡”等，通过这个对应关系，可以直接分析出案件信息中一些口语化描述词对应的案件关键词。其中，若案件信息中直接包含了专业术语，则直接判断为案件关键词即可。
2、法律专业术语的关键词对应的要素词正则表达式。考虑到实际情况中，口语化表达中可能会将这些专业术语拆分表达，描述成A要素词+B要素词的组合形式，例如对于“信用卡伪卡”这一概念，是指“不是信用卡本人所使用的信用卡而是不法份子通过其技术手段复制出原卡信息进行违法刷卡套现的卡”，普通用户在理解和描述时，往往会描述成“复制””/“克隆”/“伪造”/“盗版”+“卡”/“信用卡”/“银行卡”(即一个特定的动词要素+一个特定的名词要素)，因此本方案中也会将这种以要素词组合整理为要素词正则表达式的方式预设至关键词库，并预设好可能出现的要素词，在查询时，首先解析出案件信息中包含的所有要素词，再判断是否有满足要素词正则表达式的组合，若有，则将该要素词正则表达式对应的专业术语设定为待处理案件的案件关键词即可。其中，应当说明地，在本发明实施例中，要素词正则表达式中要素词的位置不一定连续，且顺序不一定固定，即只要包含A、B两个要素词，且A、B要素词组合满足要素词正则表达式，即可判定为有满足要素词正则表达式的组合。
S203，对每个关键词库进行预设关键词的匹配以及满足正则表达式的预设要素词组合的查找，并筛选匹配成功的预设关键词数量与满足正则表达式的预设要素词组合数量的和值最大的关键词库。
S204，对和值最大的关键词库对应的匹配成功的预设关键词和满足正则表达式的预设要素词组合进行词语转换，得到对应的案件关键词，并将和值最大的关键词库对应的案件类型判定为待处理案件的案件类型。
通过对案件信息进行上述两种对应关系的查询之后，对于每一个关键词库而言，都会有对应满足要求的查询结果，其中，查询结果中匹配成功的预设关键词数量与满足正则表达式的预设要素词组合数量的和值越大，说明案件信息与该关键词库的匹配度越大，待处理案件的案件类型是该关键词库对应的罪名的可能性越大，因此在本发明实施例中，会直接将和值最大的关键词库对应的3级罪名作为待处理案件的案件类型，并基于该关键词库中的上述2种对应关系，来对案件信息进行专业术语转换，得到对应的法律专业术语的案件关键词，从而实现了对口语化的案件信息的专业术语转换以及案件类型识别。
作为本发明实施例一中进行第一历史相似案件查找的一种具体实现方式，如图3所示，本发明实施例三，包括：
S301，基于案件类型和个人信息查找待处理案件对应的法院信息，法院信息中记录有可处理待处理案件的法院。
S302，读取法院信息对应的历史案件库，并基于案件类型对历史案件库进行匹配得到第一历史相似案件。
本发明实施例中会基于用户的个人信息和待处理案件的案件类型，来首先进行可管辖待处理案件的法院的确定，再对确定出的法院历史处理过的案件进行案件类型的筛选，已得到对应的第一历史相似案件，具体可参考对S103的相关说明内容，此处不予赘述。
作为本发明实施例一中进行第二历史相似案件筛选的一中具体实现方式，如图4所示，本发明实施例四，包括：
S401，根据证据信息中包含的证据种类对证据信息进行评分，得到待处理案件对应的证据分数和。
实际情况中，即使是同一类型案件，也需要用户掌握的证据来支持对案件的判决，如对于故意杀人罪，参考《刑法》第二百三十二条及其他相关处罚条例，根据情节轻重不同其对应的处罚类型和处罚数值范围差异非常大，而这些情节严重程度都是需要证据来支持的，因此，本发明实施例会根据已掌握的证据信息来进行案件严重程度的量化，即对已掌握的物证、书证、证人证言、被害人陈述、犯罪嫌疑人和被告人供述和辩解、鉴定意见相关笔录、视听资料和电子数据等案子一定的证据分数标准来进行评分并求和，并以之进行案件的筛选，以保证得到的第二历史相似案件高相似性。其中具体的证据评分方法包括但不限于对每种罪名可能涉及的证据进行分类，并依据每种证据对案件的重要程度进行分数设置，在进行评分时，再根据已掌握证据来查询对应的分数，并计算最终的证据分数和即可。
S402，获取第一历史相似案件对应的证据分数和，并从第一历史相似案件中剔除对应的证据分数和与待处理案件对应的证据分数和的差值大于预设差值阈值的案件，得到第二历史相似案件。
在本发明实施例中，还会同时获取每个第一历史相似案件的证据分数和，并分别与待处理案件的证据分数和求差值，最后仅保留差值较小，即案件严重程度与待处理案件相近的第二历史相似案件。其中第一历史相似案件的证据分数和既可以是由技术人员或者其他设备预先计算好并与案件数据一起储存，也可以是在本发明实施例在获取到第一历史相似案件之后进行计算得到，且计算方法应当与本发明实施例中待处理案件的证据分数和计算方法一致。
作为本发明实施例一中基于第二历史相似案件进行待处理案件判决结果和时长费用成本预测的一种具体实现方式，如图5所示，本发明实施例五，包括：
S501，基于第二历史相似案件的案件信息、证据信息以及判决结果对预设的判决预测模型进行训练，得到训练好的判决预测模型，判决预测模型用于预测案件的参考判决结果。
S502，基于判决结果类型对第二历史相似案件进行分类，并基于每一类第二历史相似案件的案件信息、证据信息、诉讼时长和费用数据，分别对预设的成本预测模型进行训练，得到训练好的三个成本预测模型，成本预测模型用于预测案件的参考诉讼时长和参考费用数据。
应当特别说明的，考虑到实际诉讼中存在胜诉、败诉和调解三种可能结果，因此本发明实施例中的“判决结果”是包含胜诉、败诉和调解三种结果类型，而对于每种结果而言，其最终都会直接影响到诉讼的成本，例如，对于一些民事诉讼案件而言，诉讼费是需要败诉方承担的，因此是否会诉讼成功直接影响则最终诉讼的成本，正是基于诉讼结果对诉讼成本的影响，本发明实施例中没有采取直接对所有第二历史相似案件进行训练构建成本预测模型的做法，而是构建了一个用于进行诉讼结果结果预测的三分类模型，即根据第二历史相似案件的案件信息、证据信息和判决结果先构建一个三分类的预测模型，并针对每一种可能诉讼结果分别构建对应的成本预测模型，从而使得无论待处理案件预测诉讼结果为何种情况，本发明实施例都可以采用针对性更强的成本预测模型进行成本预测，极大地提升了成本预测的准确性。其中，本发明实施例不对具体使用的三分类模型进行限定，只要是能进行三分类并能输出对应分类概率的预测模型均可，包括但不限于如如常见的基于LSTM的三分类模型等，同时，也不对具体使用的成本预测模型进行限定，亦可由技术人员根据实际需求选定，包括但不限于如多元回归的事件时间预测模型或者神经网络模型等。
S503，利用训练好的判决预测模型对待处理案件的案件信息和证据信息进行处理，得到对应的参考判决结果。
S504，根据参考判决结果所属的判决结果类型对应的训练好的成本预测模型，对待处理案件的案件信息和证据信息进行处理，得到参考诉讼时长和参考费用数据。
在构建好所需的四个模型之后，本发明实施例首先会利用三分类模型对待处理案件进行诉讼结果的预测，得到参考判决结果，再根据参考判决结果的实际种类，来选取对应的成本预测模型，并进行成本预测，最后得到所需的参考诉讼时长和参考费用数据。
对应于上文实施例的方法，图6示出了本发明实施例提供的诉讼成本预测装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。图6示例的诉讼成本预测装置可以是前述实施例一提供的诉讼成本预测方法的执行主体。
参照图6，该诉讼成本预测装置包括：
信息获取模块61，用于获取用户输入的待处理案件的案件信息、证据信息以及个人信息。
词语分析模块62，用于对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，所述案件关键词为法律术语类型的词语。
案件匹配模块63，用于基于所述案件关键词、所述案件类型和所述个人信息查找所述待处理案件对应的第一历史相似案件。
案件筛选模块64，用于基于所述证据信息对所述第一历史相似案件进行筛选，得到对应的第二历史相似案件。
预测模块65，用于基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，并将得到的所述参考判决结果、所述参考诉讼时长和所述参考费用数据发送至所述用户。
进一步地，词语分析模块62，包括：
查找所述待处理案件的案件信息中包含的动名词，并基于所述动名词识别所述待处理案件对应的一种或多种案件类型。
获取所述一种或多种案件类型分别对应的关键词库，所述关键词库中包含多个预设关键词、多个预设要素词以及预设要素词对应的正则表达式。
对每个所述关键词库进行所述预设关键词的匹配以及满足所述正则表达式的预设要素词组合的查找，并筛选匹配成功的所述预设关键词数量与满足所述正则表达式的预设要素词组合数量的和值最大的所述关键词库。
对和值最大的所述关键词库对应的匹配成功的所述预设关键词和满足所述正则表达式的预设要素词组合进行词语转换，得到对应的所述案件关键词，并将和值最大的所述关键词库对应的案件类型判定为所述待处理案件的案件类型。
进一步地，案件匹配模块63，包括：
基于所述案件类型和所述个人信息查找所述待处理案件对应的法院信息，所述法院信息中记录有可处理所述待处理案件的法院。
读取所述法院信息对应的历史案件库，并基于所述案件类型对所述历史案件库进行匹配得到所述第一历史相似案件。
进一步地，案件筛选模块64，包括：
根据所述证据信息中包含的证据种类对所述证据信息进行评分，得到所述待处理案件对应的证据分数和。
获取所述第一历史相似案件对应的证据分数和，并从所述第一历史相似案件中剔除对应的证据分数和与所述待处理案件对应的证据分数和的差值大于预设差值阈值的案件，得到所述第二历史相似案件。
进一步地，预测模块65，包括：
基于所述第二历史相似案件的案件信息、证据信息以及判决结果对预设的判决预测模型进行训练，得到训练好的判决预测模型，所述判决预测模型用于预测案件的参考判决结果。
基于判决结果类型对所述第二历史相似案件进行分类，并基于每一类所述第二历史相似案件的案件信息、证据信息、诉讼时长和费用数据，分别对预设的成本预测模型进行训练，得到训练好的三个成本预测模型，所述成本预测模型用于预测案件的参考诉讼时长和参考费用数据。
利用训练好的所述判决预测模型对所述待处理案件的案件信息和证据信息进行处理，得到对应的所述参考判决结果。
根据所述参考判决结果所属的判决结果类型对应的训练好的所述成本预测模型，对所述待处理案件的案件信息和证据信息进行处理，得到所述参考诉讼时长和所述参考费用数据。
本发明实施例提供的诉讼成本预测装置中各模块实现各自功能的过程，具体可参考前述图1所示实施例一的描述，此处不再赘述。
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。
还应理解的是，虽然术语“第一”、“第二”等在文本中在一些本发明实施例中用来描述各种元素，但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如，第一表格可以被命名为第二表格，并且类似地，第二表格可以被命名为第一表格，而不背离各种所描述的实施例的范围。第一表格和第二表格都是表格，但是它们不是同一表格。
图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71，所述存储器71中存储有可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个诉讼成本预测方法实施例中的步骤，例如图1所示的步骤101至106。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块61至66的功能。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经发送或者将要发送的数据。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
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，并不使对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)
1.一种诉讼成本预测方法，其特征在于，包括：
获取用户输入的待处理案件的案件信息、证据信息以及个人信息；
对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，所述案件关键词为法律术语类型的词语；
基于所述案件关键词、所述案件类型和所述个人信息查找所述待处理案件对应的第一历史相似案件；
基于所述证据信息对所述第一历史相似案件进行筛选，得到对应的第二历史相似案件；
基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，并将得到的所述参考判决结果、所述参考诉讼时长和所述参考费用数据发送至所述用户。
2.如权利要求1所述的诉讼成本预测方法，其特征在于，所述对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，包括：
查找所述待处理案件的案件信息中包含的动名词，并基于所述动名词识别所述待处理案件对应的一种或多种案件类型；
获取所述一种或多种案件类型分别对应的关键词库，所述关键词库中包含多个预设关键词、多个预设要素词以及预设要素词对应的正则表达式；
对每个所述关键词库进行所述预设关键词的匹配以及满足所述正则表达式的预设要素词组合的查找，并筛选匹配成功的所述预设关键词数量与满足所述正则表达式的预设要素词组合数量的和值最大的所述关键词库；
对和值最大的所述关键词库对应的匹配成功的所述预设关键词和满足所述正则表达式的预设要素词组合进行词语转换，得到对应的所述案件关键词，并将和值最大的所述关键词库对应的案件类型判定为所述待处理案件的案件类型。
3.如权利要求1所述的诉讼成本预测方法，其特征在于，所述基于所述案件关键词、所述案件类型和所述个人信息查找所述待处理案件对应的第一历史相似案件，包括：
基于所述案件类型和所述个人信息查找所述待处理案件对应的法院信息，所述法院信息中记录有可处理所述待处理案件的法院；
读取所述法院信息对应的历史案件库，并基于所述案件类型对所述历史案件库进行匹配得到所述第一历史相似案件。
4.如权利要求1至3任意一项所述的诉讼成本预测方法，其特征在于，所述基于所述证据信息对所述第一历史相似案件进行筛选，得到对应的第二历史相似案件，包括：
根据所述证据信息中包含的证据种类对所述证据信息进行评分，得到所述待处理案件对应的证据分数和；
获取所述第一历史相似案件对应的证据分数和，并从所述第一历史相似案件中剔除对应的证据分数和与所述待处理案件对应的证据分数和的差值大于预设差值阈值的案件，得到所述第二历史相似案件。
5.如权利要求1至3任意一项所述的诉讼成本预测方法，其特征在于，所述基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到的所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，包括：
基于所述第二历史相似案件的案件信息、证据信息以及判决结果对预设的判决预测模型进行训练，得到训练好的判决预测模型，所述判决预测模型用于预测案件的参考判决结果；
基于判决结果类型对所述第二历史相似案件进行分类，并基于每一类所述第二历史相似案件的案件信息、证据信息、诉讼时长和费用数据，分别对预设的成本预测模型进行训练，得到训练好的三个成本预测模型，所述成本预测模型用于预测案件的参考诉讼时长和参考费用数据；
利用训练好的所述判决预测模型对所述待处理案件的案件信息和证据信息进行处理，得到对应的所述参考判决结果；
根据所述参考判决结果所属的判决结果类型对应的训练好的所述成本预测模型，对所述待处理案件的案件信息和证据信息进行处理，得到所述参考诉讼时长和所述参考费用数据。
6.一种终端设备，其特征在于，所述终端设备包括存储器、处理器，所述存储器上存储有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如下步骤：
获取用户输入的待处理案件的案件信息、证据信息以及个人信息；
对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，所述案件关键词为法律术语类型的词语；
基于所述案件关键词、所述案件类型和所述个人信息查找所述待处理案件对应的第一历史相似案件；
基于所述证据信息对所述第一历史相似案件进行筛选，得到对应的第二历史相似案件；
基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，并将得到的所述参考判决结果、所述参考诉讼时长和所述参考费用数据发送至所述用户。
7.如权利要求6所述的终端设备，其特征在于，所述对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，包括：
查找所述待处理案件的案件信息中包含的动名词，并基于所述动名词识别所述待处理案件对应的一种或多种案件类型；
获取所述一种或多种案件类型分别对应的关键词库，所述关键词库中包含多个预设关键词、多个预设要素词以及预设要素词对应的正则表达式；
对每个所述关键词库进行所述预设关键词的匹配以及满足所述正则表达式的预设要素词组合的查找，并筛选匹配成功的所述预设关键词数量与满足所述正则表达式的预设要素词组合数量的和值最大的所述关键词库；
对和值最大的所述关键词库对应的匹配成功的所述预设关键词和满足所述正则表达式的预设要素词组合进行词语转换，得到对应的所述案件关键词，并将和值最大的所述关键词库对应的案件类型判定为所述待处理案件的案件类型。
8.如权利要求6所述的终端设备，其特征在于，所述基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到的所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，包括：
基于所述第二历史相似案件的案件信息、证据信息以及判决结果对预设的判决预测模型进行训练，得到训练好的判决预测模型，所述判决预测模型用于预测案件的参考判决结果；
基于判决结果类型对所述第二历史相似案件进行分类，并基于每一类所述第二历史相似案件的案件信息、证据信息、诉讼时长和费用数据，分别对预设的成本预测模型进行训练，得到训练好的三个成本预测模型，所述成本预测模型用于预测案件的参考诉讼时长和参考费用数据；
利用训练好的所述判决预测模型对所述待处理案件的案件信息和证据信息进行处理，得到对应的所述参考判决结果；
根据所述参考判决结果所属的判决结果类型对应的训练好的所述成本预测模型，对所述待处理案件的案件信息和证据信息进行处理，得到所述参考诉讼时长和所述参考费用数据。
9.一种诉讼成本预测装置，其特征在于，包括：
信息获取模块，用于获取用户输入的待处理案件的案件信息、证据信息以及个人信息；
词语分析模块，用于对所述待处理案件的案件信息进行分析，得到所述待处理案件对应的案件关键词和案件类型，所述案件关键词为法律术语类型的词语；
案件匹配模块，用于基于所述案件关键词、所述案件类型和所述个人信息查找所述待处理案件对应的第一历史相似案件；
案件筛选模块，用于基于所述证据信息对所述第一历史相似案件进行筛选，得到对应的第二历史相似案件；
预测模块，用于基于所述第二历史相似案件的案件信息、证据信息、判决结果、诉讼时长和费用数据，对所述待处理案件的案件信息和证据信息进行处理，得到所述待处理案件的参考判决结果、参考诉讼时长和参考费用数据，并将得到的所述参考判决结果、所述参考诉讼时长和所述参考费用数据发送至所述用户。
10.一种计算机可读存储介质，所述计算机可读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任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910652615.5A CN110472011B (zh) | 2019-07-19 | 2019-07-19 | 一种诉讼成本预测方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910652615.5A CN110472011B (zh) | 2019-07-19 | 2019-07-19 | 一种诉讼成本预测方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110472011A true CN110472011A (zh) | 2019-11-19 |
| CN110472011B CN110472011B (zh) | 2023-07-14 |
Family
ID=68508771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910652615.5A Active CN110472011B (zh) | 2019-07-19 | 2019-07-19 | 一种诉讼成本预测方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472011B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339379A (zh) * | 2020-02-29 | 2020-06-26 | 重庆百事得大牛机器人有限公司 | 一种电子证据分析系统 |
| CN111400445A (zh) * | 2020-03-10 | 2020-07-10 | 中国人民大学 | 一种基于相似文本的案件繁简分流方法 |
| CN112835853A (zh) * | 2020-12-31 | 2021-05-25 | 北京聚云科技有限公司 | 一种数据处理类型确定方法及装置 |
| CN113191922A (zh) * | 2021-04-07 | 2021-07-30 | 北京律联东方文化传播有限公司 | 诉讼决策信息请求处理方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103186711A (zh) * | 2012-10-08 | 2013-07-03 | 同济大学 | 基于非正交坐标系下软件成本评估方法 |
| US20130246290A1 (en) * | 2012-03-16 | 2013-09-19 | Precision Litigation, LLC | Machine-Assisted Legal Assessments |
| CN106296495A (zh) * | 2016-08-09 | 2017-01-04 | 点击律(上海)网络科技有限公司 | 一种诉讼结果的预测方法及系统 |
| CN107358558A (zh) * | 2017-06-08 | 2017-11-17 | 上海市高级人民法院 | 刑事案件智能辅助办案方法，系统及具有其的存储介质和终端设备 |
| CN108038091A (zh) * | 2017-10-30 | 2018-05-15 | 上海思贤信息技术股份有限公司 | 一种基于图的裁判文书案件相似计算与检索方法及系统 |
| US10133791B1 (en) * | 2014-09-07 | 2018-11-20 | DataNovo, Inc. | Data mining and analysis system and method for legal documents |
| CN108876186A (zh) * | 2018-07-04 | 2018-11-23 | 武汉百智诚远科技有限公司 | 一种诉讼咨询综合评估方法 |
| CN108920706A (zh) * | 2018-07-20 | 2018-11-30 | 吴怡 | 一种法律意见咨询数据库及其构建方法 |
| CN109614606A (zh) * | 2018-10-23 | 2019-04-12 | 中山大学 | 基于文档嵌入的长文本案件罚金范围分类预测方法及装置 |
-
2019
- 2019-07-19 CN CN201910652615.5A patent/CN110472011B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130246290A1 (en) * | 2012-03-16 | 2013-09-19 | Precision Litigation, LLC | Machine-Assisted Legal Assessments |
| CN103186711A (zh) * | 2012-10-08 | 2013-07-03 | 同济大学 | 基于非正交坐标系下软件成本评估方法 |
| US10133791B1 (en) * | 2014-09-07 | 2018-11-20 | DataNovo, Inc. | Data mining and analysis system and method for legal documents |
| CN106296495A (zh) * | 2016-08-09 | 2017-01-04 | 点击律(上海)网络科技有限公司 | 一种诉讼结果的预测方法及系统 |
| CN107358558A (zh) * | 2017-06-08 | 2017-11-17 | 上海市高级人民法院 | 刑事案件智能辅助办案方法，系统及具有其的存储介质和终端设备 |
| CN108038091A (zh) * | 2017-10-30 | 2018-05-15 | 上海思贤信息技术股份有限公司 | 一种基于图的裁判文书案件相似计算与检索方法及系统 |
| CN108876186A (zh) * | 2018-07-04 | 2018-11-23 | 武汉百智诚远科技有限公司 | 一种诉讼咨询综合评估方法 |
| CN108920706A (zh) * | 2018-07-20 | 2018-11-30 | 吴怡 | 一种法律意见咨询数据库及其构建方法 |
| CN109614606A (zh) * | 2018-10-23 | 2019-04-12 | 中山大学 | 基于文档嵌入的长文本案件罚金范围分类预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 龙飞: "人工智能在纠纷解决领域的应用与发展", 《法律科学( 西北政法大学学报)》, no. 1, pages 49 - 60 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339379A (zh) * | 2020-02-29 | 2020-06-26 | 重庆百事得大牛机器人有限公司 | 一种电子证据分析系统 |
| CN111400445A (zh) * | 2020-03-10 | 2020-07-10 | 中国人民大学 | 一种基于相似文本的案件繁简分流方法 |
| CN111400445B (zh) * | 2020-03-10 | 2023-09-19 | 中国人民大学 | 一种基于相似文本的案件繁简分流方法 |
| CN112835853A (zh) * | 2020-12-31 | 2021-05-25 | 北京聚云科技有限公司 | 一种数据处理类型确定方法及装置 |
| CN112835853B (zh) * | 2020-12-31 | 2024-03-22 | 北京聚云科技有限公司 | 一种数据处理类型确定方法及装置 |
| CN113191922A (zh) * | 2021-04-07 | 2021-07-30 | 北京律联东方文化传播有限公司 | 诉讼决策信息请求处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110472011B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Canhoto | Leveraging machine learning in the global fight against money laundering and terrorism financing: An affordances perspective | |
| Vargas et al. | Deep leaming for stock market prediction using technical indicators and financial news articles | |
| CN110472011A (zh) | 一种诉讼成本预测方法、装置及终端设备 | |
| CN107209750B (zh) | 用于自动地标识文档中的潜在重要事实的系统及方法 | |
| CN107122451B (zh) | 一种法律文书案由分类器的自动构建方法 | |
| Holton | Identifying disgruntled employee systems fraud risk through text mining: A simple solution for a multi-billion dollar problem | |
| CN106960063A (zh) | 一种针对招商引资领域的互联网情报抓取和推荐系统 | |
| CN106446070B (zh) | 一种基于专利群的信息处理装置及方法 | |
| CN107807962B (zh) | 一种使用lda主题模型对法律判决文书进行相似度匹配的方法 | |
| Hausladen et al. | Text classification of ideological direction in judicial opinions | |
| CN110069623A (zh) | 摘要文本生成方法、装置、存储介质和计算机设备 | |
| CN108549697A (zh) | 基于语义关联的信息推送方法、装置、设备以及存储介质 | |
| CN109492097B (zh) | 一种企业新闻数据风险分类方法 | |
| CN108228687A (zh) | 大数据知识挖掘及精准跟踪方法与系统 | |
| Ateş et al. | Big data, data mining, machine learning, and deep learning concepts in crime data | |
| CN110472048A (zh) | 一种辅助判决方法、装置及终端设备 | |
| Davalos et al. | A textual analysis of the US Securities and Exchange Commission's accounting and auditing enforcement releases relating to the Sarbanes–Oxley Act | |
| Metsker et al. | Application of machine learning metrics for dynamic E-justice processes | |
| CN117370539A (zh) | 一种基于知识库和大模型的法律条文信息推荐系统 | |
| CN115080709A (zh) | 文本识别方法、装置、非易失性存储介质及计算机设备 | |
| Zhang et al. | Characteristic analysis of judgment debtors based on hesitant fuzzy linguistic clustering method | |
| Gupta et al. | Content Based Offline Fake News Detection using Classification Technique | |
| Leary et al. | TOWARDS A FI NANCI AL FRAUD ONTOLOGY A LEGAL MODELLI NG APPROACH | |
| CN110135804A (zh) | 数据处理方法及装置 | |
| Alexander et al. | Using text analytics to predict litigation outcomes |
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 |