CN110532543A - 证据材料的分析处理方法、装置、计算机设备和存储介质 - Google Patents
证据材料的分析处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110532543A CN110532543A CN201910646371.XA CN201910646371A CN110532543A CN 110532543 A CN110532543 A CN 110532543A CN 201910646371 A CN201910646371 A CN 201910646371A CN 110532543 A CN110532543 A CN 110532543A
- Authority
- CN
- China
- Prior art keywords
- evidence
- arbitration
- analysis
- data
- model
- 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
- 239000000463 material Substances 0.000 title claims abstract description 262
- 238000004458 analytical method Methods 0.000 title claims abstract description 179
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012550 audit Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000005520 cutting process Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000007418 data mining Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000012552 review Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及基于智能决策的一种证据材料的分析处理方法、装置、计算机设备和存储介质。所述方法包括:获取终端上传的仲裁申请材料和证据材料;获取预设的字符识别模型,通过字符识别模型对仲裁申请材料和证据材料进行字符识别,得到对应的识别结果数据;从识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据;获取预设的证据分析模型,通过证据分析模型对仲裁申请信息和证据数据进行分析,得到对应的分析结果;当分析结果表示证据审核通过时,确定证据材料有效,并对证据材料进行受理。采用本方法能够准确有效地对仲裁申请材料和证据材料进行数据分析,从而有效提高仲裁材料的审核效率和仲裁案件处理效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于智能决策的证据材料的分析处理方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的迅速发展,辅助庭审的方式也不断智能化。在司法实践中,世界各国都在法院的信息化现代化建设方面做了大量卓有成效的探索,通过借助现代科技的力量进一步实现审判工作的高质化、高效化。
目前出现了智慧法庭等建设项目,可以通过人脸识别对当事人的身份进行核验,而对于申请材料和证据材料等,仍然需要依托人工审核并进行立案。对于仲裁案件而言,随着案件量逐渐增大,工作人员的工作量较大,依托人工审核申请材料和证据材料的效率较低,也存在出现误差的情况,导致仲裁案件的审核精准度和处理效率不高。因此,如何准确有效地对仲裁材料的审核精准度和效率以提高仲裁案件的处理效率成为目前需要解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确有效地对仲裁申请材料和证据材料进行数据分析,从而有效提高仲裁材料的审核效率和仲裁案件处理效率的证据材料的分析处理方法、装置、计算机设备和存储介质。
一种证据材料的分析处理方法,所述方法包括:
获取终端上传的仲裁申请材料和证据材料;
获取预设的字符识别模型,通过所述字符识别模型对所述仲裁申请材料和所述证据材料进行字符识别,得到对应的识别结果数据;
从所述识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据;
获取预设的证据分析模型,通过所述证据分析模型对所述仲裁申请信息和所述证据数据进行分析,得到对应的分析结果;
当所述分析结果表示证据审核通过时,确定所述证据材料有效,并对所述证据材料进行受理。
在其中一个实施例中,所述通过所述字符识别模型对所述仲裁申请材料和证据材料进行字符识别,得到对应的识别结果数据的步骤包括:对所述仲裁申请材料和所述证据材料进行预处理,得到对应的灰度图像化数据;对所述灰度图像化数据进行字符切分,得到多个切分后的字符数据;对所述多个切分后的字符数据进行特征提取,得到对应的多个特征向量;通过所述字符识别模型对多个特征向量进行识别分析,得到对应的识别结果数据。
在其中一个实施例中,所述通过所述证据分析模型对所述仲裁申请信息和所述证据数据进行分析,得到对应的分析结果的步骤包括:通过所述证据分析模型在所述识别结果数据中提取出请求信息、事实信息和理由信息;通过所述证据分析模型分别对所述请求信息、事实信息和理由信息以及证据数据进行特征提取,得到对应的多个特征信息;根据所述证据分析模型中的多个决策节点对所述仲裁请求信息、仲裁事实信息和仲裁理由信息以及证据数据对应的多个特征信息进行决策分析;直到遍历至所述证据分析模型中的目标决策节点时,根据所述目标决策节点生成对应的分析结果。
在其中一个实施例中,所述方法还包括:接收被申请人终端上传的答辩材料和证据材料;获取预设的字符识别模型,通过所述字符识别模型对所述证答辩材料和据材料进行字符识别,得到对应的识别结果数据;从所述识别结果数据中提取出预设字段对应的答辩数据和证据数据;获取预设的证据分析模型,通过所述证据分析模型对所述答辩数据和证据数据进行分析,得到对应的分析结果;当所述分析结果表示审核通过时,确定所述证据材料有效,并对所述证据材料进行受理。
在其中一个实施例中,所述方法还包括:获取仲裁申请对应的所有证据材料;获取预设的数据挖掘模型,通过数据挖掘模型对该仲裁案件对应的多份证据材料进行相关性分析,得到相关联的证据标签;根据所述相关联的证据标签对所述证据材料添加对应的相关性标签。
一种证据材料的分析处理装置,所述装置包括:
数据获取模块,用于获取终端上传的仲裁申请材料和证据材料;
字符识别模块,用于获取预设的字符识别模型,通过所述字符识别模型对所述仲裁申请材料和所述证据材料进行字符识别,得到对应的识别结果数据;
所述数据获取模块还用于从所述识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据;
证据分析模块,用于获取预设的证据分析模型,通过所述证据分析模型对所述仲裁申请信息和所述证据数据进行分析,得到对应的分析结果;当所述分析结果表示证据审核通过时,确定所述证据材料有效,并对所述证据材料进行受理。
在其中一个实施例中,所述字符识别模块还用于对所述仲裁申请材料和所述证据材料进行预处理,得到对应的灰度图像化数据;对所述灰度图像化数据进行字符切分,得到多个切分后的字符数据;对所述多个切分后的字符数据进行特征提取,得到对应的多个特征向量;通过所述字符识别模型对多个特征向量进行识别分析,得到对应的识别结果数据。
在其中一个实施例中,所述证据分析模块还用于通过所述证据分析模型在所述识别结果数据中提取出请求信息、事实信息和理由信息;通过所述证据分析模型分别对所述请求信息、事实信息和理由信息以及证据数据进行特征提取,得到对应的多个特征信息;根据所述证据分析模型中的多个决策节点对所述仲裁请求信息、仲裁事实信息和仲裁理由信息以及证据数据对应的多个特征信息进行决策分析;直到遍历至所述证据分析模型中的目标决策节点时,根据所述目标决策节点生成对应的分析结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的证据材料的分析处理方法的步骤。
一种计算机可读存储介质,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本申请任意一个实施例中提供的证据材料的分析处理方法的步骤。
上述证据材料的分析处理方法、装置、计算机设备和存储介质,获取终端上传的仲裁申请材料和证据材料后,获取预设的字符识别模型,通过字符识别模型对仲裁申请材料和证据材料进行字符识别,由此能够有效地得到对应的识别结果数据。进而从识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据,并获取预设的证据分析模型,通过证据分析模型对仲裁申请信息和证据数据进行分析,得到对应的分析结果。当分析结果表示证据审核通过时,确定证据材料有效,并对证据材料进行受理。通过字符识别模型识别出仲裁申请材料和证据材料中的数据后,进一步利用证据分析模型根据申请信息对证据数据进行分析,由此能够精准有效地分析出证据材料是否符合要求,进而有效地提高了证据材料审核的效率,减少了人工成本,从而能够有效提高仲裁案件的处理效率。
附图说明
图1为一个实施例中证据材料的分析处理方法的应用场景图;
图2为一个实施例中证据材料的分析处理方法的流程示意图;
图3为一个实施例中通过字符识别模型对仲裁申请材料和证据材料进行字符识别步骤的流程示意图;
图4为一个实施例中通过证据分析模型对仲裁申请信息和证据数据进行分析步骤的流程示意图;
图5为一个实施例中证据材料的分析处理装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的证据材料的分析处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。其中,终端102可以包括申请人对应的终端,也可以包括被申请人对应的终端,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种证据材料的分析处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取终端上传的仲裁申请材料和证据材料。
仲裁申请人可以通过对应的终端首先在互联网仲裁平台进行注册,并填写身份信息,例如可以包括用户类型、证件类型、证件号码、手机号、验证码和密码等字段对应的信息,还可以包括图片格式的用户身份证件。
申请人进行注册后,可以通过终端在互联网仲裁平台发起仲裁申请请求,服务器上运行了在线仲裁系统,服务器则可以根据仲裁申请请求向终端返回仲裁申请页面。具体地,申请人可以在互联网仲裁平台选择代理类型、仲裁案由,并填写申请人信息、被申请人信息、仲裁相关合同、仲裁申请书、仲裁条款、仲裁申请请求、仲裁事实与理由以及标的金额等仲裁申请信息。仲裁申请材料中还可以包括委托材料,委托材料可以包括律师委托材料和其他代理人的委托材料。申请人还可以通过终端上传证据材料和委托材料至互联网仲裁平台上,其中,证据材料可以包括文档、图片等多种形式的文件。例如证据材料中包括对应的证据清单,证据清单中可以包括证据文件名称、证据来源、证明内容和页数等。
终端在互联网仲裁平台填写和上传申请材料和证据材料后,则进一步根据申请材料和证据材料向服务器发送仲裁申请请求。仲裁申请请求中则携带了仲裁申请材料和证据材料。
步骤204,获取预设的字符识别模型,通过字符识别模型对仲裁申请材料和证据材料进行字符识别,得到对应的识别结果数据。
其中,仲裁申请材料和证据材料中可能包含了图片、复印件、扫描件以及PDF等形式的申请信息,这类信息无法被服务器直接识别,因此需要服务器进行进一步识别出仲裁申请材料和证据材料中的信息。
服务器则获取终端上传的仲裁申请材料和证据材料,并获取预设的字符识别模型,通过字符识别模型对仲裁申请材料和证据材料进行识别。具体地,服务器可以对仲裁申请材料和证据材料中的图像格式数据进行灰度化、降噪、二值化、字符切分以及归一化等处理。服务器对仲裁申请材料和证据材料进行预处理后,进一步对预处理后的数据进行特征提取和降维,得到对应的特征向量,服务器进而将得到的特征向量输入至预设的字符识别模型中,其中,字符识别模型可以是基于神经网络的机器学习模型。通过字符识别模型对多个特征向量进行识别分类,得到对应的识别数据。
进一步地,服务器通过字符识别模型对多个特征向量进行识别分类得到识别数据后,还可以进一步获取预设的语义分析模型,通过语义分析模型对识别数据进行上下文分析和校正,进而得到识别结果数据。例如,可以通过OCR(Optical Character Recognition,光学字符识别)字符识别模型抓取仲裁申请材料和证据材料中的关键字信息。例如:用户提交上传的律师证的OCR技术识别文本中是否有关键字“律师证”。通过利用OCR字符识别模型对仲裁申请材料和证据材料进行识别,由此能够准确有效地识别出仲裁申请材料和证据材料中的申请信息和证据数据。
步骤206,从识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据。
服务器利用字符识别模型对仲裁申请材料息和证据材料进行识别,得到对应的识别结果数据后,识别结果数据中可以包括多个字段名称和对应的字段内容。服务器则进一步从识别结果数据中提取出预设字段对应的申请信息和证据数据。例如,服务器可以识别并获取出申请人和被申请人的名字、证件号码等预设字段对应的身份信息;仲裁条款、仲裁申请请求、仲裁事实、仲裁理由、仲裁机构以及标的金额等仲裁申请信息;以及证据文件名称、证据来源、证明内容和页数等委托数据。
步骤208,获取预设的证据分析模型,通过证据分析模型对仲裁申请信息和证据数据进行分析,得到对应的分析结果。
步骤210,当分析结果表示证据审核通过时,确定证据材料有效,并对证据材料进行受理。
服务器从识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据后,进一步获取预设的证据分析模型,其中,证据分析模型可以是基于神经网络的模型,也可以是基于决策树的模型。服务器将仲裁申请信息和证据数据输入至证据分析模型中,通过证据分析模型对仲裁申请信息和证据数据进行特征提取,得到仲裁申请信息和证据数据对应的多个特征信息,并对特征提取后的多个特征信息进行分析,得到对应的分析结果。当证据审核通过时,分析结果中可以包括证据审核通过标签,服务器则确定证据材料有效,并对证据材料进行受理。具体地,服务器确定证据材料有效后,可以对证据材料添加有效标签,并将证据材料添加至该仲裁案件对应的仲裁案件档案数据中。当证据审核未通过时,则将未通过的原因和未通过标签添加至分析结果中。服务器还可以进一步将证据材料发送至对应的审核终端,使得审核终端对证据材料进行复核。
例如通过证据分析模型可以分析仲裁申请信息中的仲裁类型、申请事实以及申请理由等信息,进而根据仲裁申请信息分析证据材料是否齐全、是否有错、是否与仲裁案件相关联以及理赔确认等,如日期和金额,例如普惠的证据材料可以如下:借款协议、证明函、放款凭证、投保单、保险单、平安个人借款保证保险条款及费率、保险条款说明和特别约定、保险赔款确认书、深圳平安普惠小额贷款有限公司企业信息公示系统截图等。通过对仲裁申请材料和证据材料中的数据进行分析,能够准确有效地分析出证据材料是否符合要求,进而有效地提高了证据材料的审核效率。
进一步地,当仲裁申请材料和证据材料为申请人用户通过终端在互联网仲裁平台发起仲裁申请请求时上传的,服务器还要预先对仲裁申请材料以及委托信息等进行立案审核处理。其中,申请信息中可以包括申请人用户的当前人脸图片,仲裁申请材料中包括仲裁申请信息和委托信息。具体地,服务器可以首先根据身份信息和当前人脸图片对申请人进行人脸识别,以验证申请人的身份信息是否真实有效。
申请人的身份识别通过后,服务器可以进一步获取预设的立案审核模型,通过立案审核模型对识别结果数据中的申请信息和委托信息进行分析,以分析申请信息和委托信息是否符合要求,并得到对应的分析结果。其中,立案审核模型可以是基于神经网络的决策树模型,立案审核模型中包括了多个决策节点。例如,立案审核模型中包括了预设的审核规则,审核规则可以包括主体资格审核、仲裁条件审核和委托手续审核三个模块。具体地,服务器将申请信息和委托信息输入至立案审核模型中,通过立案审核模型对申请信息和委托信息进行特征提取,得到多个特征向量。根据立案审核模型中的多个决策节点对多个特征向量遍历,以进行决策分析。直到遍历至多个特征向量对应的目标节点,从而得到对应的分析结果。当分析结果表示分析通过时,服务器则对仲裁申请请求分配对应的案件标识,并该仲裁申请请求已经对应的案件进行立案处理。
进一步地,当仲裁申请材料和证据材料为被申请人用户通过通过终端在互联网仲裁平台发起仲裁答辩请求时上传的,其中,答辩请求信息中可以包括被申请人用户的当前人脸图片,仲裁申请材料中包括仲裁答辩信息和委托信息。具体地,服务器可以首先根据身份信息和当前人脸图片对申请人进行人脸识别,以验证申请人的身份信息是否真实有效。
进一步获取预设的证据分析模型,并将仲裁申请信息和证据数据输入至证据分析模型中,通过证据分析模型对仲裁申请信息和证据数据进行特征提取,得到仲裁申请信息和证据数据对应的多个特征信息,并对特征提取后的多个特征信息进行分析,得到对应的分析结果。当证据审核通过时,分析结果中可以包括证据审核通过标签,服务器则确定证据材料有效,并对证据材料进行受理。以利于后续对该仲裁案件进行处理。通过对申请人和被申请人上传的仲裁申请材料和证据材料进行自动审核,能够有效地提高仲裁案件的处理效率。
上述证据材料的分析处理方法中,服务器获取终端上传的仲裁申请材料和证据材料后,获取预设的字符识别模型,通过字符识别模型对仲裁申请材料和证据材料进行字符识别,由此能够有效地得到对应的识别结果数据。服务器进而从识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据,并获取预设的证据分析模型,通过证据分析模型对仲裁申请信息和证据数据进行分析,得到对应的分析结果。当分析结果表示证据审核通过时,确定证据材料有效,并对证据材料进行受理。通过字符识别模型识别出仲裁申请材料和证据材料中的数据后,进一步利用证据分析模型根据申请信息对证据数据进行分析,由此能够精准有效地分析出证据材料是否符合要求,进而有效地提高了证据审核的效率,减少了人工成本,从而能够有效提高仲裁案件的处理效率。
在一个实施例中,如图3所示,通过字符识别模型对仲裁申请材料和证据材料进行字符识别,得到对应的识别结果数据的步骤,具体包括以下内容:
步骤302,对仲裁申请材料和证据材料进行预处理,得到对应的灰度图像化数据。
步骤304,对灰度图像化数据进行字符切分,得到多个切分后的字符数据。
步骤306,对多个切分后的字符数据进行特征提取,得到对应的多个特征向量。
步骤308,通过字符识别模型对多个特征向量进行识别分析,得到对应的识别结果数据。
服务器获取终端发送的仲裁申请材料和证据材料后,获取预设的字符识别模型,通过字符识别模型对仲裁申请材料和证据材料进行识别。具体地,服务器首先对仲裁申请材料和证据材料中的图像化数据进行预处理,其中,服务器首先对图像化数据进行灰度化和降噪处理,得到灰度图像化数据;对灰度图像化数据进行二值化,服务器进而根据预设规则和算法进行字符切分,并对切分后的字符进行归一化处理,得到多个切分后的字符数据。
服务器对仲裁申请材料和证据材料进行预处理后,进一步对预处理后的多个切分后的字符数据进行特征提取和降维,得到对应的多个特征向量,服务器则将得到的特征向量作为预设的字符识别模型的输入,字符识别模型可以是基于神经网络的机器学习模型。进而通过字符识别模型对多个特征向量进行识别和分类。具体地,服务器计算多个字符对应的特征向量与预设字符库中预设数量的相似的多个字符,并获取相似度最高的字符,将获取的相似度最高的字符作为识别出的字符,由此得到多个字符对应的识别结果数据。通过字符识别模型对多个切分后的字符数据进行识别,能够准确有效地识别出申请信息和证据数据中的字符数据。
进一步地,服务器通过字符识别模型对多个特征向量进行识别分类得到识别结果数据后,还可以进一步获取预设的语义分析模型,通过语义模型对识别数据进行上下文分析和校正,进而得到校正后的识别结果数据。通过利用字符识别模型对申请信息和证据数据进行识别后,进一步利用语义分析模型对识别的结果进行进一步分析和校正,由此能够有效地提高字符识别的准确率。
在一个实施例中,如图4所示,通过证据分析模型对仲裁申请信息和证据数据进行分析,得到对应的分析结果的步骤,具体包括以下内容:
步骤402,通过证据分析模型在识别结果数据中提取出请求信息、事实信息和理由信息。
步骤404,通过证据分析模型分别对请求信息、事实信息和理由信息以及证据数据进行特征提取,得到对应的多个特征信息。
步骤406,根据证据分析模型中的多个决策节点对仲裁请求信息、仲裁事实信息和仲裁理由信息以及证据数据对应的多个特征信息进行决策分析。
步骤408,直到遍历至证据分析模型中的目标决策节点时,根据目标决策节点生成对应的分析结果。
服务器在获取预设的证据分析模型之前,还需要构建出证据分析模型。具体地,服务器可以获取大量的证据数据,对大量的证据数据进行大数据分析,并利用预设构建的初始证据分析模型对大量的证据数据进行训练和验证,并在训练过程中对初始证据分析模型进行调整。训练完成后,则得到所需的证据分析模型。其中,证据分析模型可以是基于神经网络的模型,也可以是基于决策树的模型。证据分析模型中包括证据合规性、证据关联性和证据有效性三个模块对应的决策节点。
服务器获取终端发送的仲裁申请材料和证据材料后,获取预设的字符识别模型,通过字符识别模型对仲裁申请材料和证据材料进行识别,得到对应的识别结果数据。服务器则从识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据,放弃进一步获取预设的证据分析模型,通过证据分析模型对仲裁申请信息和证据数据进行分析,得到对应的分析结果。
具体地,服务器则获取预先构建的立案审核模型,并通过立案审核模型在识别结果数据中提取出仲裁申请信息中的请求信息、事实信息和理由信息,请求信息、事实信息和理由信息可以根据预设字段进行提取。服务器进而对仲裁申请信息中的请求信息、事实信息和理由信息以及证据数据进行特征提取,得到对应的多个特征信息。证据分析模型中可以包括多个决策节点,例如可以包括证据合规性决策节点、证据关联性决策节点和证据有效性决策节点。其中,每个决策节点中还可以包括多个子决策节点,以对对每一项信息进行多次决策判断,以有效地审核每一项信息是否达到预设要求。
服务器进而通过证据分析模型中的多个决策节点利用仲裁申请信息中的请求信息、事实信息和理由信息对证据数据进行决策分析。具体地,通过立案审核模型中的多个决策节分别依次对请求信息、事实信息和理由信息对应的多个特征信息以及证据数据对应的特征信息进行遍历,并根据每个节点的决策结果将多个特征信息传递至下一个对应的决策节点进行分析。直到遍历至证据分析模型中的目标决策节点时,根据目标决策节点生成对应的分析结果。目标决策节点中包括了通过立案审核模型对多项信息进行比案例分析后的最终决策结果,因此分析结果中则为证据审核通过或者证据审核不通过。
分析结果中可以包括证据审核通过标签,进一步地,当审核未通过时,服务器则生成未通过原因事项,并将未通过原因事项添加至分析结果中。服务器则将分析结果发送至对应的当事人对应的终端。
例如,证据分析模型中包括了预设的审核规则,审核规则可以包括证据合规性审核、证据关联性审核和证据有效性审核三个模块。其中,证据合规性审核模块中,可以对证据材料是否符合相关规定进行审核,例如证据的形式、证据的类型等。证据关联性审核模块可以对证据材料是否与该仲裁案件相关联进行审核,例如证据材料是否是与该仲裁案件相关的证据材料等。证据有效性审核模块可以对证据是否具有法律效力进行审核,例如证据材料的时间是否具有效力等。如果证据材料审核未通过,则给出未通过的原因,则向终端发送核对材料提示或补充材料建议。通过对仲裁申请信息和证据数据进行分析,能够准确有效地分析出证据材料是否符合要求,有效提高了证据材料的审核效率,进而有效地提高了仲裁申请的处理效率。
在一个实施例中,该方法还包括:接收被申请人终端上传的答辩材料和证据材料;获取预设的字符识别模型,通过字符识别模型对证答辩材料和据材料进行字符识别,得到对应的识别结果数据;从识别结果数据中提取出预设字段对应的答辩数据和证据数据;获取预设的证据分析模型,通过证据分析模型对答辩数据和证据数据进行分析,得到对应的分析结果;当分析结果表示审核通过时,确定证据材料有效,并对证据材料进行受理。
当仲裁申请材料和证据材料为被申请人用户通过通过终端在互联网仲裁平台发起仲裁答辩请求时上传的,其中,答辩请求信息中可以包括被申请人用户的当前人脸图片,仲裁申请材料中包括仲裁答辩信息和委托信息。具体地,服务器可以首先根据身份信息和当前人脸图片对申请人进行人脸识别,以验证申请人的身份信息是否真实有效。
进一步获取预设的证据分析模型,并将仲裁申请信息和证据数据输入至证据分析模型中,通过证据分析模型对仲裁申请信息和证据数据进行特征提取,得到仲裁申请信息和证据数据对应的多个特征信息,并对特征提取后的多个特征信息进行分析,得到对应的分析结果。当证据审核通过时,分析结果中可以包括证据审核通过标签,服务器则确定证据材料有效,并对证据材料进行受理。以利于后续对该仲裁案件进行处理。通过对申请人和被申请人上传的仲裁申请材料和证据材料进行自动审核,能够有效地提高仲裁案件的处理效率。
在一个实施例中,该方法还包括:获取仲裁申请对应的所有证据材料;获取预设的数据挖掘模型,通过数据挖掘模型对该仲裁案件对应的多份证据材料进行相关性分析,得到相关联的证据标签;根据相关联的证据标签对证据材料添加对应的相关性标签。
服务器通过证据分析模型对仲裁申请信息和证据数据进行分析后,当分析结果表示分析通过时,确定证据材料有效,服务器则对证据材料对应的案件进行关联处理。具体地,服务器获取预设的数据挖掘模型,通过数据挖掘模型对该仲裁案件对应的多份证据材料进行相关性分析,并对证据材料添加对应的相关性标签。例如,如果两份材料中的目录有相关性,由语义理解挖掘相关性,相关的地方可以显示关联项,点击关联项也可直接链接至目录内容。服务器则将证据材料添加至该仲裁案件对应的案件档案中,生成该仲裁案件对应的证据文档。
服务器进一步根据仲裁请求的当事人信息,将仲裁案件相关材料和证据材料与对应的当事人进行绑定,并生成对应的通知信息,将通知信息发送至对应的当事人对应的终端。通过对自己材料进行相关性分析,能够有效地分析出证据材料之间的关联性,有效地提高了证据材料数据的处理效率,有效节省了人力成本。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种证据材料的分析处理装置,包括:数据获取模块502、字符识别模块504和证据分析模块506,其中:
数据获取模块502,用于获取终端上传的仲裁申请材料和证据材料;
字符识别模块504,用于获取预设的字符识别模型,通过字符识别模型对仲裁申请材料和证据材料进行字符识别,得到对应的识别结果数据;
数据获取模块502还用于从识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据;
证据分析模块506,用于获取预设的证据分析模型,通过证据分析模型对仲裁申请信息和证据数据进行分析,得到对应的分析结果;当分析结果表示证据审核通过时,确定证据材料有效,并对证据材料进行受理。
在其中一个实施例中,字符识别模块504还用于对仲裁申请材料和证据材料进行预处理,得到对应的灰度图像化数据;对灰度图像化数据进行字符切分,得到多个切分后的字符数据;对多个切分后的字符数据进行特征提取,得到对应的多个特征向量;通过字符识别模型对多个特征向量进行识别分析,得到对应的识别结果数据。
在其中一个实施例中,证据分析模块506还用于通过证据分析模型在识别结果数据中提取出请求信息、事实信息和理由信息;通过证据分析模型分别对请求信息、事实信息和理由信息以及证据数据进行特征提取,得到对应的多个特征信息;根据证据分析模型中的多个决策节点对仲裁请求信息、仲裁事实信息和仲裁理由信息以及证据数据对应的多个特征信息进行决策分析;直到遍历至证据分析模型中的目标决策节点时,根据目标决策节点生成对应的分析结果。
在其中一个实施例中,数据获取模块502还用于接收被申请人终端上传的答辩材料和证据材料;字符识别模块504还用于获取预设的字符识别模型,通过字符识别模型对证答辩材料和据材料进行字符识别,得到对应的识别结果数据;数据获取模块502还用于从识别结果数据中提取出预设字段对应的答辩数据和证据数据;证据分析模块506还用于获取预设的证据分析模型,通过证据分析模型对答辩数据和证据数据进行分析,得到对应的分析结果;当分析结果表示审核通过时,确定证据材料有效,并对证据材料进行受理。
在其中一个实施例中,该装置还包括证据关联模块,用于获取仲裁申请对应的所有证据材料;获取预设的数据挖掘模型,通过数据挖掘模型对该仲裁案件对应的多份证据材料进行相关性分析,得到相关联的证据标签;根据相关联的证据标签对证据材料添加对应的相关性标签。
关于证据材料的分析处理装置的具体限定可以参见上文中对于证据材料的分析处理方法的限定,在此不再赘述。上述证据材料的分析处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储仲裁申请材料、证据材料等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请任意一个实施例中提供的证据材料的分析处理方法的步骤。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供的证据材料的分析处理方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种证据材料的分析处理方法,所述方法包括:
获取终端上传的仲裁申请材料和证据材料;
获取预设的字符识别模型,通过所述字符识别模型对所述仲裁申请材料和所述证据材料进行字符识别,得到对应的识别结果数据;
从所述识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据;
获取预设的证据分析模型,通过所述证据分析模型对所述仲裁申请信息和所述证据数据进行分析,得到对应的分析结果;
当所述分析结果表示证据审核通过时,确定所述证据材料有效,并对所述证据材料进行受理。
2.根据权利要求1所述的方法,其特征在于,所述通过所述字符识别模型对所述仲裁申请材料和证据材料进行字符识别,得到对应的识别结果数据的步骤包括:
对所述仲裁申请材料和所述证据材料进行预处理,得到对应的灰度图像化数据;
对所述灰度图像化数据进行字符切分,得到多个切分后的字符数据;
对所述多个切分后的字符数据进行特征提取,得到对应的多个特征向量;
通过所述字符识别模型对多个特征向量进行识别分析,得到对应的识别结果数据。
3.根据权利要求1所述的方法,其特征在于,所述通过所述证据分析模型对所述仲裁申请信息和所述证据数据进行分析,得到对应的分析结果的步骤包括:
通过所述证据分析模型在所述识别结果数据中提取出请求信息、事实信息和理由信息;
通过所述证据分析模型分别对所述请求信息、事实信息和理由信息以及证据数据进行特征提取,得到对应的多个特征信息;
根据所述证据分析模型中的多个决策节点对所述仲裁请求信息、仲裁事实信息和仲裁理由信息以及证据数据对应的多个特征信息进行决策分析;
直到遍历至所述证据分析模型中的目标决策节点时,根据所述目标决策节点生成对应的分析结果。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收被申请人终端上传的答辩材料和证据材料;
获取预设的字符识别模型,通过所述字符识别模型对所述证答辩材料和据材料进行字符识别,得到对应的识别结果数据;
从所述识别结果数据中提取出预设字段对应的答辩数据和证据数据;
获取预设的证据分析模型,通过所述证据分析模型对所述答辩数据和证据数据进行分析,得到对应的分析结果;
当所述分析结果表示审核通过时,确定所述证据材料有效,并对所述证据材料进行受理。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
获取仲裁申请对应的所有证据材料;
获取预设的数据挖掘模型,通过数据挖掘模型对该仲裁案件对应的多份证据材料进行相关性分析,得到相关联的证据标签;
根据所述相关联的证据标签对所述证据材料添加对应的相关性标签。
6.一种证据材料的分析处理装置,所述装置包括:
数据获取模块,用于获取终端上传的仲裁申请材料和证据材料;
字符识别模块,用于获取预设的字符识别模型,通过所述字符识别模型对所述仲裁申请材料和所述证据材料进行字符识别,得到对应的识别结果数据;
所述数据获取模块还用于从所述识别结果数据中提取出预设字段对应的仲裁申请信息和证据数据;
证据分析模块,用于获取预设的证据分析模型,通过所述证据分析模型对所述仲裁申请信息和所述证据数据进行分析,得到对应的分析结果;当所述分析结果表示证据审核通过时,确定所述证据材料有效,并对所述证据材料进行受理。
7.根据权利要求6所述的装置,其特征在于,所述字符识别模块还用于对所述仲裁申请材料和所述证据材料进行预处理,得到对应的灰度图像化数据;对所述灰度图像化数据进行字符切分,得到多个切分后的字符数据;对所述多个切分后的字符数据进行特征提取,得到对应的多个特征向量;通过所述字符识别模型对多个特征向量进行识别分析,得到对应的识别结果数据。
8.根据权利要求6所述的装置,其特征在于,所述证据分析模块还用于通过所述证据分析模型在所述识别结果数据中提取出请求信息、事实信息和理由信息;通过所述证据分析模型分别对所述请求信息、事实信息和理由信息以及证据数据进行特征提取,得到对应的多个特征信息;根据所述证据分析模型中的多个决策节点对所述仲裁请求信息、仲裁事实信息和仲裁理由信息以及证据数据对应的多个特征信息进行决策分析;直到遍历至所述证据分析模型中的目标决策节点时,根据所述目标决策节点生成对应的分析结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,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权利要求1至5中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515099 | 2019-06-14 | ||
CN2019105150991 | 2019-06-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532543A true CN110532543A (zh) | 2019-12-03 |
Family
ID=68661856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910646371.XA Pending CN110532543A (zh) | 2019-06-14 | 2019-07-17 | 证据材料的分析处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532543A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325523A (zh) * | 2020-02-29 | 2020-06-23 | 重庆百事得大牛机器人有限公司 | 一种法律援助资格认定管理系统及方法 |
CN113159916A (zh) * | 2021-03-09 | 2021-07-23 | 中国农业银行股份有限公司福建省分行 | 一种农户贷款业务授信额度核查信息辅助诊断系统 |
CN116468341A (zh) * | 2023-04-03 | 2023-07-21 | 上海乾臻信息科技有限公司 | 仲裁工单的处理方法、装置、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108090851A (zh) * | 2018-02-07 | 2018-05-29 | 武汉上点点信息有限公司 | 一种网络仲裁移动确认批量案件业务系统 |
CN109741168A (zh) * | 2018-12-07 | 2019-05-10 | 上海指旺信息科技有限公司 | 在线仲裁信息交互方法及系统 |
CN109829692A (zh) * | 2019-01-17 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 基于人工智能的合同审理方法、装置、设备及存储介质 |
-
2019
- 2019-07-17 CN CN201910646371.XA patent/CN110532543A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108090851A (zh) * | 2018-02-07 | 2018-05-29 | 武汉上点点信息有限公司 | 一种网络仲裁移动确认批量案件业务系统 |
CN109741168A (zh) * | 2018-12-07 | 2019-05-10 | 上海指旺信息科技有限公司 | 在线仲裁信息交互方法及系统 |
CN109829692A (zh) * | 2019-01-17 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 基于人工智能的合同审理方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325523A (zh) * | 2020-02-29 | 2020-06-23 | 重庆百事得大牛机器人有限公司 | 一种法律援助资格认定管理系统及方法 |
CN113159916A (zh) * | 2021-03-09 | 2021-07-23 | 中国农业银行股份有限公司福建省分行 | 一种农户贷款业务授信额度核查信息辅助诊断系统 |
CN116468341A (zh) * | 2023-04-03 | 2023-07-21 | 上海乾臻信息科技有限公司 | 仲裁工单的处理方法、装置、系统及存储介质 |
CN116468341B (zh) * | 2023-04-03 | 2024-04-09 | 上海乾臻信息科技有限公司 | 仲裁工单的处理方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359175B (zh) | 电子装置、诉讼数据处理的方法及存储介质 | |
CN110517007A (zh) | 仲裁申请立案审核处理方法、装置和计算机设备 | |
CN110532543A (zh) | 证据材料的分析处理方法、装置、计算机设备和存储介质 | |
CN108053545B (zh) | 证件验真方法和装置、服务器、存储介质 | |
CN110377631B (zh) | 案件信息处理方法、装置、计算机设备和存储介质 | |
CN110362799A (zh) | 基于在线仲裁的裁决书生成处理方法、装置和计算机设备 | |
Andoohgin Shahri et al. | Detecting hijacked journals by using classification algorithms | |
CN113064973A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
EP3637249A1 (en) | Systems and methods for validating domain specific models | |
CN110362476A (zh) | 数据转换工具的验证方法、装置、计算机设备和存储介质 | |
CN114003692A (zh) | 合同文本信息的处理方法、装置、计算机设备及存储介质 | |
CN113868391A (zh) | 基于知识图谱的法律文书生成方法、装置、设备及介质 | |
CN110533381B (zh) | 案件管辖权审核方法、装置、计算机设备和存储介质 | |
CN115994232B (zh) | 在线多版本文献同一性鉴别方法、系统及计算机设备 | |
CN112231556A (zh) | 基于对话场景的用户画像方法、装置、设备及介质 | |
CN116385189A (zh) | 财务报账单据列账科目匹配度校验方法及系统 | |
CN116343230A (zh) | 一种文本识别模型训练方法、系统、电子设备及存储介质 | |
CN110377819A (zh) | 基于大数据的仲裁员推荐方法、装置和计算机设备 | |
US20230125177A1 (en) | Methods and systems for matching and optimizing technology solutions to requested enterprise products | |
CN113269179B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112989820B (zh) | 法律文书定位方法、装置、设备及存储介质 | |
CN112256639B (zh) | 一种电子文件签名方法和系统、及存储设备 | |
CN115269765A (zh) | 账号识别方法、装置、电子设备和存储介质 | |
WO2021139271A1 (zh) | 基于fm模型的医学热点的预测方法、装置和计算机设备 |
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 |