CN110472048A - 一种辅助判决方法、装置及终端设备 - Google Patents
一种辅助判决方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110472048A CN110472048A CN201910652616.XA CN201910652616A CN110472048A CN 110472048 A CN110472048 A CN 110472048A CN 201910652616 A CN201910652616 A CN 201910652616A CN 110472048 A CN110472048 A CN 110472048A
- Authority
- CN
- China
- Prior art keywords
- case
- data
- ruling
- processed
- punishment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 87
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 13
- 238000012216 screening Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000007704 transition Effects 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/358—Browsing; Visualisation therefor
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种辅助判决方法、装置及终端设备,适用于数据处理技术领域,该方法包括:当接收到用户输入的对待处理案件的裁决结果时,查找待处理案件对应的多个第一相似案件;对多个第一相似案件的裁决结果中包含的处罚数据进行聚类分析,得到对应的中心数据;计算裁决结果中包含的处罚数据与中心数据的偏离程度分数,并判断偏离程度分数是否大于预设分数阈值;若偏离程度分数大于预设分数阈值,判定裁决结果存在异常,并输出异常信息至用户。本发明实施例实现了在法官作出初步裁决结果之后的及时分析和异常提示,使得法官即使在精力极其有限的情况下,也可以最大程度的降低误判案概率,提升了对裁决结果分析的效率和准确率。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及辅助判决方法及终端设备。
背景技术
随着法制体系的完善,人们法律意识的逐日提高,对司法的需求也日益增长,使得法院立案案件数量呈倍数逐年增长,但由于从事法官工作对专业素养的要求极高,法官人才的培养速度远远跟不上案件处理的实际需求,因此法院常常面临着现有的法官所需处理的工作量负荷过大的情况,这使得法官在单个实际案子中可花费的时间和精力大大减小,但实际在进行判案时法官又需要参考大量的相关资料进行比对度量,在时间精力极其有限的情况下,可能导致法官判案的出错率上升。因此,需要一种可以帮助法官进行减轻工作负荷,降低判案出错率的方法。
发明内容
有鉴于此,本发明实施例提供了一种辅助判决方法及终端设备,以解决现有技术中无法对裁决进行智能分析,裁决分析的效率低易出错的问题。
本发明实施例的第一方面提供了一种辅助判决方法,包括:
当接收到用户输入的对待处理案件的裁决结果时,查找所述待处理案件对应的多个第一相似案件;
对多个所述第一相似案件的裁决结果中包含的处罚数据进行聚类分析,得到对应的中心数据;
计算所述裁决结果中包含的处罚数据与所述中心数据的偏离程度分数,并判断所述偏离程度分数是否大于预设分数阈值;
若所述偏离程度分数大于所述预设分数阈值,判定所述裁决结果存在异常,并输出异常信息至所述用户。
本发明实施例的第二方面提供了一种辅助判决装置,包括:
第一案件查询模块,用于当接收到用户输入的对待处理案件的裁决结果时,查找所述待处理案件对应的多个第一相似案件;
聚类分析模块,用于对多个所述第一相似案件的裁决结果中包含的处罚数据进行聚类分析,得到对应的中心数据;
偏离计算模块,用于计算所述裁决结果中包含的处罚数据与所述中心数据的偏离程度分数,并判断所述偏离程度分数是否大于预设分数阈值;
异常提示模块,用于若所述偏离程度分数大于所述预设分数阈值,判定所述裁决结果存在异常,并输出异常信息至所述用户。
本发明实施例的第三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如上所述的辅助判决方法的步骤。
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辅助判决方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:通过对法官(即用户)对案件裁决结果进行分析查找出对应的相似案件,再根据相似案件的处罚数据来进行聚类得到对应的满足相似案件处罚特征的中心数据,最后再根据中心数据来量化计算法官裁决结果与相似案件处罚数据的偏离程度,并在该偏差程度较大时输出异常信息至法官,量化计算了法官裁决结果的可靠性指标,实现了在法官作出初步裁决结果之后的及时分析和异常提示,使得法官即使在精力极其有限的情况下,也可以最大程度的降低误判案概率,提升了对裁决结果分析的效率和准确率。
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辅助判决方法的实现流程示意图;
图2是本发明实施例二提供的辅助判决方法的实现流程示意图;
图3是本发明实施例三提供的辅助判决方法的实现流程示意图;
图4是本发明实施例四提供的辅助判决方法的实现流程示意图;
图5是本发明实施例五提供的辅助判决方法的实现流程示意图;
图6是本发明实施例六提供的辅助判决方法的实现流程示意图;
图7是本发明实施例七提供的辅助判决方法的实现流程示意图;
图8是本发明实施例八提供的辅助判决装置的结构示意图;
图9是本发明实施例九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说明,由于现在法官对每个案件可花费的时间和精力都极为有限,而实际在进行判案时法官又需要参考大量的相关资料进行比对度量,因此在时间精力极其有限的情况下,可能导致法官判案的出错率上升,为了缓解这一问题,提高法官对裁决的效率和准确率,本发明实施例一方面在法官对案件进行裁决之前,为法官提供了基于实际相似案件资料分析得到的参考意见,并为法官提供了相似案件中涉及到的一些法律资料数据,从而极大地节约了法官对相关资料的考量查找时间,另一方面,在法官对案件作出初步的裁决结果之后,基于历史相似案件的裁决情况对案件初步裁决结果进行异常分析,并在存在异常时提示法官,使得法官即使在精力极其有限的情况下,也可以最大程度的降低误判案概率,提升了对裁决结果分析的效率和准确率,详述如下:
图1示出了本发明实施例一提供的辅助判决方法的实现流程图,详述如下:
S101,当接收到用户输入的对待处理案件的裁决结果时,查找待处理案件对应的多个第一相似案件。
在本发明实施例中是为了法官对待处理案件(以下简称案件)的最终裁决提供参考意见,因此S101中接收到的裁决结果是指法官对案件的初步裁决结果。为了实现对案件初步裁决结果的异常分析,在接收到法官对案件的初步裁决结果后,本发明实施例首先会查找与案件相似的历史案件,以作为后续分析的基础。其中,相似案件查找方法,包括但不限于根据案件涉及的罪名进行查找,具体可由技术人员根据实际需求自行设定。
S102,对多个第一相似案件的裁决结果中包含的处罚数据进行聚类分析,得到对应的中心数据。
其中,处罚数据即为对案件被告人最终的处罚结果,如有期徒刑三年,处罚金10万等,处罚数据主要包含两部分内容,处罚类型和对应的处罚数值,处罚类型即为如上述有期徒刑和处罚金等,处罚数值即为具体每种处罚类型的处罚力度值,如上述有期徒刑对应的是三年,处罚金对应的是10万。在本发明实施例中,聚类分析会将第一相似案件的处罚数据归为一类进行分析,主要是为了查找出相似案件处罚数据中的共性,即对这一类相似案件一般会如何进行处罚进行量化,得到可以进行比对的量化数据。其中具体的聚类分析方法此处不予限定,包括但不限于如对每个处罚数据进行量化,得到对应的量化后数据,在对这些数据求平均值得到中心数据,或者参考本发明实施例六和七进行处理。
S103,计算裁决结果中包含的处罚数据与中心数据的偏离程度分数,并判断偏离程度分数是否大于预设分数阈值。
在得到对处罚数据共性量化后的中心数据后,本发明实施例再基于这个中心数据来进一步地量化案件初步裁决结果中的处罚数据,与这些第一相似案件处罚数据之间的偏离程度,具体而言,即对初步裁决结果的处罚数据进行量化,再计算量化后的处罚数据与中心数据的相似程度,即可得到所需的偏离程度分数。其中,具体的相似程度计算方法可由技术人员自行设定,包括但不限于如对将初步裁决结果的处罚数据和中心数据都进行数据矩阵转换,再计算两个数据矩阵的相似度等。
S104,若偏离程度分数大于预设分数阈值,判定裁决结果存在异常,并输出异常信息至用户。
当偏离程度分数过高时,说明法官对案件的初步裁决结果与以往对相似案件的裁决结构存在较大差异,即说明初步裁决结果极有可能存在问题,此时对案件的误判可能性较大,为了减小对案件的误判率,此时本发明实施例会生成对应的异常信息,告知法官初步裁决结果中极有可能存在异常。其中异常信息既可以仅仅只是一个警告提示,也可以同时包含上述得到的中心数据等,以实现为法官提供更为精确的数据参考。分数阈值的具体数值,可由技术人员根据实际需求自行设定。
作为本发明实施例一中进行第一相似案件筛选的一种优选实施方式,由于本发明实施例中是根据相似案件的裁决情况来对案件的裁决结果进行异分析,因此相似案件的筛选查找是否精准对本发明实施例影响较大,考虑到本发明实施例中针对的是法官已作出对案件的初步裁决之后的裁决结果分析,说明案件涉及到的罪名、所依据的法律条款以及证据等此时均是已知信息,因此,为了实现相似案件的精准查找,在本发明实施例中,会同从案件涉及的罪名、已掌握的证据以及裁决依据的法律条款三方面来进行相似案件的筛选,如图2所示,本发明实施例二,包括:
S201,从案件库中查找涉及的罪名与本案件相同的相似案件,并读取这些相似案件的证据信息。
其中,考虑到实际情况中对案件的管辖法院是有明确规定的(详情参考《中华人民共和国民事诉讼法》第二章:管辖的有关规定),而不同的法院在对案件处理时可能会有一定差异,因此在进行相似历史案件筛选时,案件库优选为本案件所属法院处理过的历史案件构成的案件库。由于每个案件都可能同时涉及一个或多个罪名,而案件最终的裁决结果与实际涉及的每个罪名都直接相关,因此为了保证对相似案件的准确筛选,本发明实施例中,要求相似案件所涉及罪名与本案件完全相同。证据信息,即为案件已掌握的证据相关信息。
S202,对相似案件与本案件的证据信息进行相似度匹配,筛选出其中相似度高于预设阈值的相似案件,并读取这些相似案件判决书中依据的法律条款。
对于涉及罪名相同的相似案件,证据掌握情况的不同,也会直接影响案件最终的裁决结果,因此,本发明实施例会进一步地根据案件的已掌握证据的清理来进行二次筛选。其中具体的证据信息匹配方法可由技术人员自行设定,包括但不限于如按照证据的种类数量等进行匹配,或者针对每种罪名中证据重要程度不同的排序,对每个罪名对应的每种证据设定对应的分数,再计算案件已掌握证据对应的证据分数和,最后计算两个和值差值的倒数作为相似度。其中,相似度对应的阈值大小可由技术人员自行设定。
S203,对读取出的法律条款与本案件的法律条款进行匹配,筛选出其中相似度大于预设阈值的相似案件,从而得到本发明实施例一中所需的第一相似案件。
在通过涉及罪名以及已掌握证据来进行相似案件的两次筛选之后,理论上已经得到了与本案件相似的一些案件,但实际情况中案件仲裁并非一个机械流程化的操作,而是需要法官根据实际案件情况,如案件发生时间地点和被告人在案件和庭审过程中的具体行为等,来确定案件实际适用的法律条款,并进行裁决,因此为了进一步地增强案件匹配的精确性,本发明实施例还会进一步地根据法官对本案件进行初步裁决后所依据的法律条款来进行第三次筛选,以查找出是依据的法律条款相同的相似案件,以得到本发明实施例一中所需的第一相似案件。其中,法律条款的相似度计算方法可由技术人员自行设定,包括但不限于如将相同法律条款数除以本案件依据的总法律条款数作为相似度。
作为本发明实施例三,考虑到实际判案过程中法官需要参考大量的相关资料进行比对度量,而查阅相关资料会占用法官大量的时间,在时间精力极其有限的情况下,这会导致法官的裁决效率和准确率大大降低,因此为了缓解这一问题,在本发明实施例一的基础上,本发明实施例还会在法官进行裁决之前根据案件的实际情况来进行一些相关案件资料的筛选,为法官提供相似案件中涉及到的一些法律资料数据,并对本案件进行可能裁决结果的预测展示,以节约查阅相关资料的时间,如图3所示,包括:
S301,获取待处理案件的案件信息及庭审记录,并基于案件信息查找待处理案件对应的多个第二相似案件,庭审记录中存储有待处理案件中被告人在庭审过程中的行为数据。
其中,考虑到实际仲裁时被告人在庭审过程中的行为态度也极大地影响着裁决结果,例如庭审过程中拒绝如实供述罪名态度嚣张,不但没有悔罪还出现大量侮辱威胁行为,一般都不会从轻处理,因此为了实现对可供于法官参考的相似案件资料的获取,以及对本案件可能裁决结果的预测,本发明实施例会对本案件庭审过程中被告人的行为预先进行记录,如是否发生一些辱骂威胁行为等,并会综合考虑案件的实际情况以及被告人的庭审情况来进行案件裁决结果的分析。其中,对相似案件的筛选方法此处不予限定,可由技术人员根据实际需求进行设定,包括但不限于如筛选涉及罪名相同的历史案件作为第二相似案件。
作为本发明的一种优先实施方式,可以参考本发明实施例二内容来进行第二相似案件的筛选,但由于本发明实施例针对的是法官还未做出初步裁决结果时的辅助判决,因此与本发明实施例二中不同之处在于,本发明实施例是无法获取到本案件所依据的法律条款的,因此,本发明实施例中只需要利用案件信息中的案件涉及罪名以及已掌握证据信息来进行两次匹配筛选即可。
S302,基于第二相似案件的案件信息、庭审记录以及对应的裁决结果,对待处理案件的案件信息及庭审记录进行处理,得到待处理案件对应的裁决参考信息。
其中,裁决参考信息即为本案件的预测裁决结果。为了实现对本案件裁决结果的预测,本发明实施例会根据筛选出的第二相似案件的案件信息、庭审记录以及对应的裁决结果来进行预测模型的训练构建,并基于训练好的预测模型来对本案件的案件信息和庭审记录进行处理,得到对应的预测裁决结果。其中,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、庭审记录以及裁决结果进行向量化,本发明实施例中,可以预先设置好对案件信息和裁决结果的向量化规则,例如对于案件信息设定一个逻辑转换规则,以抽取出案件信息中的一些特定信息并进行量化,从而得到对应的向量,对庭审记录设置一个行为-分数的对应规则,并根据该规则进行庭审记录的量化等。
S303,将多个第二相似案件的案件信息、裁决结果以及得到的待处理案件的裁决参考信息发生至用户,以为用户对待处理案件进行裁决提供参考。
在得到对本案件预测裁决结果以及对应的第二相似案件的案件信息和裁决结果等相关资料之后,本发明实施例会将这些数据发送法官进行参考,以帮助法官进行相关资料的查阅和后续的裁决参考。
作为本发明的一个实施例,当将上述本发明实施例一和本发明实施例三结合至网络仲裁进行应用时,可以对网络仲裁的实时流程进行监测,当流程节点位于法官作出裁决结果之前的节点时,本发明实施例三开始对案件进行分析并为法官提供相关参考资料,以使得法官在裁决之前在花费极少的时间的情况下,就可以获取到大量所需的参考资料进行比对度量,当流程节点进入裁决节点并接收到法官输入的初步裁决结果时,本发明实施例一开始对法官输入的初步裁决结果进行分析,并在初步裁决结果存在异常时及时进行提示,从而使得即使在时间精力极其有限的情况下,法官也可以及时获得所需的资料并得到裁决结果情况的反馈,从而提升了对裁决结果分析的效率和准确率,保障了法官对裁决判案的效率和准确率。
作为本发明实施例一中对第一相似案件筛选的一种具体实现方式,如图4,本发明实施例四包括:
S401,查找待处理案件在预设案件库中的检索范围。
其中,预设案件库即为技术人员权限范围内所有可以使用的历史案件数据,如当技术人员权限范围为全国所有已判决的历史案件的数据,此时预设案件库即为包含这些所有历史案件的案件库。由于案件库中包含的案件数据量一般较大,而实际情况中由上述本发明实施例二相关说明可知,对案件的管辖法院是有明确规定的,而不同的法院在对案件处理时可能会有一定差异,因此在进行相似历史案件筛选时,首先会对每个案件设置一个默认的检索范围:案件的管辖法院处理过的历史案件,即在本发明实施例中,检索范围即为默认检索范围。
S402,基于待处理案件的案件类型、证据数据以及条款数据对预设案件库在检索范围内的数据进行案件匹配,得到多个第一相似案件,条款数据中记录有待处理案件进行裁决所依赖的法律条款。
其中,案件类型即为案件涉及到的罪名,如诈骗罪和走私罪等,其中,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。证据数据为案件已掌握的证据。为了实现对相似案件的精确匹配,本发明实施例会根据案件的罪名、已掌握的证据以及依赖的法律条款来进行相似案件的筛选,其中具体的筛选方法可参考本发明实施例二中相关说明,此处不予赘述。
作为本发明实施例四中对第一相似案件进行筛选匹配的一种具体实现方式,考虑到一个或几个法院中,对某一罪名处理的案件数量不一定很大,此时进行后续裁决结果分析的可靠性较低,因此为了保证后续分析的有效性,本发明实施例中会在筛选出的第一相似案件数较少时,对相似案件的检索范围进行扩展,如图5所示,包括:
S501,若得到的第一相似案件的案件数量小于预设数量阈值,更新检索范围,其中,更新后的检索范围包含对应更新前的检索范围。
当检索得到的第一相似案件数较少时,本发明实施例会扩展对相似案件的检索范围,具体而言,在案件的管辖法院处理过的历史案件基础上,进一步地还将其他法院处理过的历史案件,也纳入检索范围内。其中具体的扩展方法此处不予限定,包括但不限于如根据行政区域划分规则,依次将同属于一个行政区域内的其他法院的历史案件也纳入检索范围。
S502,返回执行基于待处理案件的案件类型、证据数据以及条款数据对预设案件库在检索范围内的数据进行案件匹配的操作,直至得到的第一相似案件的案件数量大于或等于预设数量阈值。
本发明实施例中会持续更新检索范围,并在每次更新后进行相似案件查找匹配,直至匹配出的第一相似案件数满足实际需求为止。其中,数量阈值的具体值大小可由技术人员根据实际情况设定。
作为本发明实施例一中计算中心数据以及偏离程度分数的一种具体实现方式,如6所示,本发明实施例六包括:
S601,对每个第一相似案件的裁决结果中包含的处罚数据进行向量化处理,得到对应的多个处罚向量。
为了实现对处罚数据的聚类分析并得到对应中心数据,本发明实施例中会将每个相似案件中的处罚数据进行向量话处理,得到每个相似案件唯一对应的处罚向量,其中具体的向量化方法可由技术人员自行设定,包括但不限于如本发明实施例七。
S602,计算多个处罚向量的中心向量,并获取多个处罚向量与中心向量对应的多个欧氏距离中数值最大的欧式距离。
在得到多个处罚向量之后,本发明实施例会继续对处罚向量进行处理,得到对应的中心向量,其中对中心向量的计算方法包括但不限于如直接计算所有处罚向量的平均向量,或者参考本发明实施例七进行处理,具体可由技术人员自行设定。在得到中心向量之后,再筛选出处罚向量与中心向量的欧式距离中最大的欧氏距离,由于在这个欧氏距离内已经包含了所有第一相似案件的处罚向量,因此实现了对其的聚类,并提取出了对应的共性范围。
S603,对待处理案件的裁决结果中包含的处罚数据进行向量化处理,得到对应的待分析向量,并计算待分析向量和中心向量的欧式距离与数值最大的欧式距离的差值,得到偏离程度分数。
在得到中心向量之后,本发明实施例会进一步的计算本案件处罚数据对应的向量与中心向量之间的欧氏距离,并计算该欧氏距离以上述得到的最大欧氏距离的差值,该差值越大说明本案件处罚数据与第一相似案件处罚数据的差异越大,即存在异常的可能性越大,因此本发明实施例会直接将该差值作为所需的偏离程度分数进行处理。
作为本发明实施例六中对处罚数据进行向量化处理以及最大欧氏距离计算的一种具体实现方式,如图7所示,本发明实施例七,包括:
S701,筛选出每个处罚数据包含的处罚类型数量中最大数量n,并对多个处罚数据进行向量化,得到对应的多个1×n的一维向量数据,其中,n为正整数。
为了实现对处罚数据的向量化,保证每个处罚数据中数据的不丢失,本发明实施例会将所有处罚数据中包含的处罚类型数量最大值作为向量的长度来进行向量化处理,因此最终得到的每个处罚数据均是一个1×n的一维向量数据。例如假设有10个第一相似案件,其中8个的裁决结果中仅有罚款/坐牢单种处罚类型,2个是罚款+坐牢两种处罚类型,此时,会将最大处罚类型数2作为聚类的维度数,即会将10个相似案件的裁决结果都转换为一个1×2的一维向量数据。其中,量化裁决结果时,对于已有的数据,根据相似案件的裁决结果中出现的最小值确定出上限阈值,并进行百分百转换,得到对应的向量中的数据,如对于罚款,取最大罚款值作为上限,并对所有的罚款值基于上限进行百分百转换,得到一个0-1之间的数值,对于仅有一种值的数据,如剥夺政治权利,则直接都量化为1,若裁决结果中不包含某一处罚类型的具体数据,如上述8个里面都会存在不饱和罚款或者不包含坐牢的情况,此时会将对应数据设置为0,此时,可以实现对裁决结果的量化,得到每个裁决结果对应的一维向量。
S702,对多个一维向量数据进行两两组合,计算每个组合内一维向量数据之间的欧氏距离,并筛选出其中欧式距离最大的组合。
这里考虑到本方案中对相似案件的筛选要求较为严格,因此最终得到的相似案件的数量可能比较小,其裁决结果对应的向量数据分布不一定会非常均匀,甚至可能会存在一部分分布密集一部分较为离散的情况,因此在进行中心向量的确定时,不宜直接利用所有向量数据的平均值向量作为中心向量,会导致中心向量偏置情况严重。因此在本发明实施例中采用了两两组合取最大的方式,以保证中心向量的有效性。
优选地,为了防止极个别异常案件的影响,本发明实施例中可以先计算所有一维向量各个数据的平局值,得到对应的平均向量,再计算每个一维向量与均向量的欧氏距离,并根据该欧氏距离,剔除一些异常的一维向量(即欧氏距离大小明显过大的一维向量)。
S703,计算欧氏距离最大的组合内的两个一维向量数据的平均向量,得到中心向量,并计算中心向量与欧氏距离最大的组合内的任一一维向量数据的欧氏距离,得到数值最大的欧式距离。
对应于上文实施例的方法,图8示出了本发明实施例提供的辅助判决装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。图8示例的辅助判决装置可以是前述实施例一提供的辅助判决方法的执行主体。
参照图8,该辅助判决装置包括:
第一案件查询模块81,用于当接收到用户输入的对待处理案件的裁决结果时,查找所述待处理案件对应的多个第一相似案件。
聚类分析模块82,用于对多个所述第一相似案件的裁决结果中包含的处罚数据进行聚类分析,得到对应的中心数据。
偏离计算模块83,用于计算所述裁决结果中包含的处罚数据与所述中心数据的偏离程度分数,并判断所述偏离程度分数是否大于预设分数阈值。
异常提示模块84,用于若所述偏离程度分数大于所述预设分数阈值,判定所述裁决结果存在异常,并输出异常信息至所述用户。
进一步地,该辅助判决装置,还包括:
第二案件查询模块,用于获取所述待处理案件的案件信息及庭审记录,并基于所述案件信息查找所述待处理案件对应的多个第二相似案件,所述庭审记录中存储有所述待处理案件中被告人在庭审过程中的行为数据。
裁决预测模块,用于基于所述第二相似案件的案件信息、庭审记录以及对应的裁决结果,对所述待处理案件的案件信息及庭审记录进行处理,得到所述待处理案件对应的裁决参考信息。
信息发送模块,用于将所述多个第二相似案件的案件信息、裁决结果以及得到的所述待处理案件的裁决参考信息发生至所述用户,以为用户对所述待处理案件进行裁决提供参考。
进一步地,第一案件查询模块81,包括:
查找所述待处理案件在预设案件库中的检索范围。
基于所述待处理案件的案件类型、证据数据以及条款数据对所述预设案件库在所述检索范围内的数据进行案件匹配,得到多个所述第一相似案件,所述条款数据中记录有所述待处理案件进行裁决所依赖的法律条款。
进一步地,第一案件查询模块81,还包括:
若得到的所述第一相似案件的案件数量小于所述预设数量阈值,更新所述检索范围,其中,更新后的检索范围包含对应更新前的检索范围。
返回执行所述基于所述待处理案件的案件类型、证据数据以及条款数据对所述预设案件库在所述检索范围内的数据进行案件匹配的操作,直至得到的所述第一相似案件的案件数量大于或等于所述预设数量阈值。
进一步地,聚类分析模块82及偏离计算模块83,包括:
处罚向量计算模块,用于对每个所述第一相似案件的裁决结果中包含的处罚数据进行向量化处理,得到对应的多个处罚向量。
中心向量计算模块,用于计算多个所述处罚向量的中心向量,并获取多个所述处罚向量与所述中心向量对应的多个欧氏距离中数值最大的欧式距离。
距离计算模块,用于对所述待处理案件的裁决结果中包含的处罚数据进行向量化处理,得到对应的待分析向量,并计算所述待分析向量和所述中心向量的欧式距离与所述数值最大的欧式距离的差值,得到所述偏离程度分数。
进一步地,中心向量计算模块和距离计算模块,包括:
筛选出每个所述处罚数据包含的处罚类型数量中最大数量n,并对多个所述处罚数据进行向量化,得到对应的多个1×n的一维向量数据,其中,n为正整数。
对多个所述一维向量数据进行两两组合,计算每个组合内所述一维向量数据之间的欧氏距离,并筛选出其中欧式距离最大的组合。
计算所述欧氏距离最大的组合内的两个所述一维向量数据的平均向量,得到所述中心向量,并计算所述中心向量与所述欧氏距离最大的组合内的任一所述一维向量数据的欧氏距离,得到所述数值最大的欧式距离。
本发明实施例提供的辅助判决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9是本发明一实施例提供的终端设备的示意图。如图9所示,该实施例的终端设备9包括:处理器90、存储器91,所述存储器91中存储有可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个辅助判决方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能,例如图8所示模块81至84的功能。
所述终端设备9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90、存储器91。本领域技术人员可以理解,图9仅仅是终端设备9的示例,并不构成对终端设备9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90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91可以是所述终端设备9的内部存储单元,例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备,例如所述终端设备9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91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91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91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)
1.一种辅助判决方法,其特征在于,包括:
当接收到用户输入的对待处理案件的裁决结果时,查找所述待处理案件对应的多个第一相似案件;
对多个所述第一相似案件的裁决结果中包含的处罚数据进行聚类分析,得到对应的中心数据;
计算所述裁决结果中包含的处罚数据与所述中心数据的偏离程度分数,并判断所述偏离程度分数是否大于预设分数阈值;
若所述偏离程度分数大于所述预设分数阈值,判定所述裁决结果存在异常,并输出异常信息至所述用户。
2.如权利要求1所述的辅助判决方法,其特征在于,在接收用户输入的对待处理案件的裁决结果之前,还包括:
获取所述待处理案件的案件信息及庭审记录,并基于所述案件信息查找所述待处理案件对应的多个第二相似案件,所述庭审记录中存储有所述待处理案件中被告人在庭审过程中的行为数据;
基于所述第二相似案件的案件信息、庭审记录以及对应的裁决结果,对所述待处理案件的案件信息及庭审记录进行处理,得到所述待处理案件对应的裁决参考信息;
将所述多个第二相似案件的案件信息、裁决结果以及得到的所述待处理案件的裁决参考信息发生至所述用户,以为用户对所述待处理案件进行裁决提供参考。
3.如权利要求1或2所述的辅助判决方法,其特征在于,所述查找所述待处理案件对应的多个第一相似案件,包括:
查找所述待处理案件在预设案件库中的检索范围;
基于所述待处理案件的案件类型、证据数据以及条款数据对所述预设案件库在所述检索范围内的数据进行案件匹配,得到多个所述第一相似案件,所述条款数据中记录有所述待处理案件进行裁决所依赖的法律条款。
4.如权利要求3所述的辅助判决方法,其特征在于,在所述基于所述待处理案件的案件类型、证据数据以及条款数据对所述预设案件库内所述第一检索范围的数据进行案件匹配,得到多个所述第一相似案件之后,包括:
若得到的所述第一相似案件的案件数量小于所述预设数量阈值,更新所述检索范围,其中,更新后的检索范围包含对应更新前的检索范围;
返回执行所述基于所述待处理案件的案件类型、证据数据以及条款数据对所述预设案件库在所述检索范围内的数据进行案件匹配的操作,直至得到的所述第一相似案件的案件数量大于或等于所述预设数量阈值。
5.如权利要求1或2所述的辅助判决方法,其特征在于,所述对多个所述第一相似案件的裁决结果中包含的处罚数据进行聚类分析,得到对应的中心数据;计算所述裁决结果中包含的处罚数据与所述中心数据的偏离程度分数,并判断所述偏离程度分数是否大于预设分数阈值,包括:
对每个所述第一相似案件的裁决结果中包含的处罚数据进行向量化处理,得到对应的多个处罚向量;
计算多个所述处罚向量的中心向量,并获取多个所述处罚向量与所述中心向量对应的多个欧氏距离中数值最大的欧式距离;
对所述待处理案件的裁决结果中包含的处罚数据进行向量化处理,得到对应的待分析向量,并计算所述待分析向量和所述中心向量的欧式距离与所述数值最大的欧式距离的差值,得到所述偏离程度分数。
6.如权利要求5所述的辅助判决方法,其特征在于,所述对每个所述第一相似案件的裁决结果中包含的处罚数据进行向量化处理,得到对应的多个处罚向量;计算多个所述处罚向量的中心向量,并获取多个所述处罚向量与所述中心向量对应的多个欧氏距离中数值最大的欧式距离,包括:
筛选出每个所述处罚数据包含的处罚类型数量中最大数量n,并对多个所述处罚数据进行向量化,得到对应的多个1×n的一维向量数据,其中,n为正整数;
对多个所述一维向量数据进行两两组合,计算每个组合内所述一维向量数据之间的欧氏距离,并筛选出其中欧式距离最大的组合;
计算所述欧氏距离最大的组合内的两个所述一维向量数据的平均向量,得到所述中心向量,并计算所述中心向量与所述欧氏距离最大的组合内的任一所述一维向量数据的欧氏距离,得到所述数值最大的欧式距离。
7.一种辅助判决装置,其特征在于,包括:
第一案件查询模块,用于当接收到用户输入的对待处理案件的裁决结果时,查找所述待处理案件对应的多个第一相似案件;
聚类分析模块,用于对多个所述第一相似案件的裁决结果中包含的处罚数据进行聚类分析,得到对应的中心数据;
偏离计算模块,用于计算所述裁决结果中包含的处罚数据与所述中心数据的偏离程度分数,并判断所述偏离程度分数是否大于预设分数阈值;
异常提示模块,用于若所述偏离程度分数大于所述预设分数阈值,判定所述裁决结果存在异常,并输出异常信息至所述用户。
8.如权利要求7所述的辅助判决装置,其特征在于,还包括:
第二案件查询模块,用于获取所述待处理案件的案件信息及庭审记录,并基于所述案件信息查找所述待处理案件对应的多个第二相似案件,所述庭审记录中存储有所述待处理案件中被告人在庭审过程中的行为数据;
裁决预测模块,用于基于所述第二相似案件的案件信息、庭审记录以及对应的裁决结果,对所述待处理案件的案件信息及庭审记录进行处理,得到所述待处理案件对应的裁决参考信息;
信息发送模块,用于将所述多个第二相似案件的案件信息、裁决结果以及得到的所述待处理案件的裁决参考信息发生至所述用户,以为用户对所述待处理案件进行裁决提供参考。
9.一种终端设备,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。
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 |
---|---|---|---|
CN201910652616.XA CN110472048A (zh) | 2019-07-19 | 2019-07-19 | 一种辅助判决方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652616.XA CN110472048A (zh) | 2019-07-19 | 2019-07-19 | 一种辅助判决方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472048A true CN110472048A (zh) | 2019-11-19 |
Family
ID=68508243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910652616.XA Pending CN110472048A (zh) | 2019-07-19 | 2019-07-19 | 一种辅助判决方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472048A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709236A (zh) * | 2020-05-29 | 2020-09-25 | 中山大学 | 一种基于案件相似度匹配的审判风险预警方法 |
CN112118219A (zh) * | 2020-07-29 | 2020-12-22 | 天津芯海创科技有限公司 | 拟态判决方法、装置、电子设备及计算机可读存储介质 |
CN113609256A (zh) * | 2021-08-05 | 2021-11-05 | 郑州银丰电子科技有限公司 | 基于大数据的智慧法院管理系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991092A (zh) * | 2016-01-20 | 2017-07-28 | 阿里巴巴集团控股有限公司 | 基于大数据挖掘相似裁判文书的方法和设备 |
CN107633465A (zh) * | 2017-08-21 | 2018-01-26 | 厦门能见易判信息科技有限公司 | 智能辅助判案方法 |
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 |
CN109426905A (zh) * | 2017-08-29 | 2019-03-05 | 北京国双科技有限公司 | 一种刑事文书量刑偏离的判定方法及装置 |
-
2019
- 2019-07-19 CN CN201910652616.XA patent/CN110472048A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991092A (zh) * | 2016-01-20 | 2017-07-28 | 阿里巴巴集团控股有限公司 | 基于大数据挖掘相似裁判文书的方法和设备 |
CN107633465A (zh) * | 2017-08-21 | 2018-01-26 | 厦门能见易判信息科技有限公司 | 智能辅助判案方法 |
CN109426905A (zh) * | 2017-08-29 | 2019-03-05 | 北京国双科技有限公司 | 一种刑事文书量刑偏离的判定方法及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
XIAOHEI.INFO: "KMeans算法检测网络异常入侵", pages 1 - 8, Retrieved from the Internet <URL:https://blog.csdn.net/qq1010885678/article/details/51354486> * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709236A (zh) * | 2020-05-29 | 2020-09-25 | 中山大学 | 一种基于案件相似度匹配的审判风险预警方法 |
CN111709236B (zh) * | 2020-05-29 | 2024-01-09 | 中山大学 | 一种基于案件相似度匹配的审判风险预警方法 |
CN112118219A (zh) * | 2020-07-29 | 2020-12-22 | 天津芯海创科技有限公司 | 拟态判决方法、装置、电子设备及计算机可读存储介质 |
CN113609256A (zh) * | 2021-08-05 | 2021-11-05 | 郑州银丰电子科技有限公司 | 基于大数据的智慧法院管理系统和方法 |
CN113609256B (zh) * | 2021-08-05 | 2022-03-15 | 郑州银丰电子科技有限公司 | 基于大数据的智慧法院管理系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11449673B2 (en) | ESG-based company evaluation device and an operation method thereof | |
CN109657947B (zh) | 一种面向企业行业分类的异常检测方法 | |
CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
Hausladen et al. | Text classification of ideological direction in judicial opinions | |
KR102105319B1 (ko) | Esg 기반의 기업 평가 수행 장치 및 이의 작동 방법 | |
CN110472048A (zh) | 一种辅助判决方法、装置及终端设备 | |
CN111767716A (zh) | 企业多级行业信息的确定方法、装置及计算机设备 | |
CN113095927A (zh) | 一种反洗钱可疑交易识别方法及设备 | |
CN110472011A (zh) | 一种诉讼成本预测方法、装置及终端设备 | |
CN113011689A (zh) | 软件开发工作量的评估方法、装置及计算设备 | |
Kou et al. | An analytic hierarchy model for classification algorithms selection in credit risk analysis | |
Wang et al. | A variable scale case-based reasoning method for evidence location in digital forensics | |
CN115858906A (zh) | 企业搜索方法、装置、设备、计算机存储介质及程序 | |
CN114493142A (zh) | 扶持政策与企业匹配的方法、装置、设备及存储介质 | |
CN110069558A (zh) | 基于深度学习的数据分析方法及终端设备 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN111143533B (zh) | 一种基于用户行为数据的客服方法及系统 | |
Wu et al. | The BP neural network with adam optimizer for predicting audit opinions of listed companies. | |
Hasanin et al. | Experimental Studies on the Impact of Data Sampling with Severely Imbalanced Big Data | |
CN113379212B (zh) | 基于区块链的物流信息平台违约风险评估方法、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 | |
CN114579761A (zh) | 信息安全知识实体关系连接预测方法、系统及介质 | |
CN112506930A (zh) | 一种基于机器学习技术的数据洞察平台 | |
CN112949745A (zh) | 多源数据的融合处理方法、装置、电子设备及存储介质 | |
CN110246026A (zh) | 一种数据转移的输出组合设定方法、装置及终端设备 |
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 |