CN110618980A - 基于法律文本精确匹配和矛盾检测的系统及方法 - Google Patents
基于法律文本精确匹配和矛盾检测的系统及方法 Download PDFInfo
- Publication number
- CN110618980A CN110618980A CN201910848558.8A CN201910848558A CN110618980A CN 110618980 A CN110618980 A CN 110618980A CN 201910848558 A CN201910848558 A CN 201910848558A CN 110618980 A CN110618980 A CN 110618980A
- Authority
- CN
- China
- Prior art keywords
- text
- legal
- database
- texts
- input
- 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 30
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 31
- 230000003993 interaction Effects 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 230000007935 neutral effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000008094 contradictory effect Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于文本蕴含识别的法律法规与司法解释精准匹配和矛盾检测的深度学习方法与系统。输入一条法律法规或司法解释文本，可以在数据中精准匹配相关联的法律法规或司法解释文本，以及与其存在内容冲突的法律法规或司法解释文本。利用文本蕴含识别技术及深度学习网络，本发明将输入的法律法规或司法解释文本与数据库中的法律法规或司法解释文本进行精准匹配和矛盾检测，输出最相关或者内容冲突的多个法律法规或司法解释文本。填补了基于深度学习网络的法律法规和司法解释文本自动匹配任务、法律法规和司法解释文本冲突内容检测任务方面的空白。
Description
技术领域
本发明涉及一种法律法规与司法解释精准匹配和矛盾检测的方法，特别是涉及一种基于文本蕴含的法律法规与司法解释精准匹配和矛盾检测的深度学习算法。
背景技术
法律法规文件，指中华人民共和国现行有效的法律、行政法规、司法解释、地方法规、地方规章、部门规章及其他规范性文件以及对于该等法律法规的不时修改和补充。其中，法律法规是严苛简洁的一些准则，并没有详细的针对具体场景或者案件做出说明。而司法解释文件则是由全国各个行政机构、检察院、法院分别针对各自具体的场景制定的一系列对法律法规内涵的解释性文件。
司法解释文件的作用是对某些法律法规，在相应的具体场景下做出详细的解释和具体的指导。一般来说，法律法规不能与我国宪法相违背，同样地，司法解释文件也不能与法律法规相违背。
在现实情况中，法律从业人士经常要针对一桩案件或司法解释文件查询相关的法律法规和司法解释文件，以判断当前案件或司法解释文件没有违反任一条现行法律法规，因此，如何根据当前案例或司法解释文件快速从法律文件库中精准匹配出相关的法律法规文件甚至类似的案例或司法解释文件就成了提升效率的重要任务。
另一方面，法律法规经常会因为某些原因做出相应的修改以适应人类社会发展的需要，而对应的，针对这些法律法规的司法解释文件也应该做出相应的调整，否则司法解释文件就有可能与现有的法律法规相违背。因此，快速判断查找出当前司法解释文本或法律法规与数据库中哪些法律文本矛盾就成了一个重要的任务。
目前针对以上两种情况的现状还是由相关专业人员人工去做判断，由于法律法规文件和司法解释文件的庞大，工作量非常大，人工做判断耗时耗力。因此，业界希望可以通过一些自动的方法来确定哪些法律法规与特定的司法解释文本相匹配或矛盾，需要一种能自动判断法律法规文本与司法解释文本的蕴含、矛盾关系的系统。
仅有的一些利用自动化方法来判断的专利主要是一些法律与案例的匹配。比如中国公开专利号为CN109543044A的专利是一种基于模块关键词的事件与法律条文自动匹配的方法，主要包括以下步骤：1)提取事件的关键词搜索模块，对事故信息建立全文检索；2)提取法律法规关键词模块，形成法律关键词条例，建立反向索引；3)通过关系评估模块评估法律文档关联的事件以及事件关联的法律法规文件。该方法只是通过关键词建立了法律法规文本和事件案例之间的双向索引，对新加入的司法解释文件或案例并不具有泛化的能力，处理起来仍然比较复杂。中国专利2018年3月20日授权，公开号为CN107818138A的专利提出了一种利用TF-IDF等手段从法律文书中提取词语的重要信息，并进行匹配。主要是对输入的法律案例和对应的法律法规进行智能匹配，并没有用到最新的深度学习的知识，因此匹配准确率上也不尽如人意。利用自动化方法来判断法律文本与案例之间是否存在矛盾的专利目前还是空白。
仅有的一些基于深度学习方法的文本处理模型的专利主要是一些文字识别的工作。比如中国公开专利号为CN201710690911的专利是一种基于深度学习的自然场景中船牌文字识别方法，中国公开专利号为CN201810355457的专利是一种基于深度学习的古文字识别方法。两者均是从包含文本的图片种识别出文字转化成文本，即完成图片转文字的功能，和本专利中文本之间的精准匹配及矛盾检测存在巨大差异。
发明内容
针对现有技术中存在的上述不足，本发明的目的是设计出一种自动判断法律法规文本和司法解释文本之间匹配或矛盾关系的算法与系统，本发明提出的这种基于文本蕴含关系识别的深度学习算法填补了相关的专利的空白，识别准确率高，且能实时输出识别结果，适用于多种场景。
本发明是通过下述技术方案来解决上述技术问题的。
根据本发明提供的一种基于法律文本精确匹配和矛盾检测的方法，包括如下步骤：
数据库构建步骤：基于现有的法律法规及司法解释，构建法律法规与司法解释数据库；
监督训练样本库构建步骤：基于两条法律文本构建监督训练样本库，判断所述两条法律文本的逻辑关系；
深度学习步骤：对监督训练样本库中的每一个样本作为输入，进行建模，获得文本蕴含关系识别模型；
检测步骤：将法律法规与司法解释数据库和待测文本输入训练好的文本蕴含关系识别模型中进行关系判别，确定逻辑关系。
优选地，所述逻辑关系包括：两条法律文本匹配关系、两条法律文本矛盾关系或者两条法律文本中性关系。
优选地，所述深度学习步骤包括：
输入步骤：对监督训练样本库中的每一个样本作为输入，利用加入Attention机制的RNN网络对输入的样本进行建模；
特征交互步骤：利用输入步骤得到的重建后的文本对表示，进行特征交互处理，得到一张包含所述文本对关系特征的交互信息图像；
提取步骤：对文本对的交互信息图像利用多层CNN进行特征提取；
分类步骤：对提取后的多维特征利用多层全连接层分类器进行蕴含、矛盾、中性关系分类；
模型建立步骤：利用多分类交叉熵损失函数实行梯度下降算法，更新模型的参数及词向量矩阵，得到有泛化能力的文本蕴含关系识别模型。
优选地，所述检测步骤还包括筛选步骤：
判断与待测文本精确匹配/存在矛盾的数据库文本数是否小于设定值n，当与输入文本精准匹配/存在矛盾的数据库文本数小于等于n时，按顺序输出所有与输入文本精准匹配/存在矛盾的数据库文本，当与输入文本精准匹配/存在矛盾的数据库文本数大于n时，按照模型给出的匹配分数排序输出得分高的前n个文本。
优选地，所述两条法律文本包括两条法律法规、一条法律法规和一条司法解释或者两条司法解释。
根据本发明提供的一种基于法律文本精确匹配和矛盾检测的系统，包括如下模块：
数据库构建模块：用于基于现有的法律法规及司法解释，构建法律法规与司法解释数据库；
监督训练样本库构建模块：用于基于两条法律文本构建监督训练样本库，判断所述两条法律文本的逻辑关系；
深度学习模块：用于对监督训练样本库中的每一个样本作为输入，进行建模，获得文本蕴含关系识别模型；
检测模块：用于将法律法规与司法解释数据库和待测文本输入训练好的文本蕴含关系识别模型中进行关系判别，确定逻辑关系。
优选地，所述逻辑关系包括：两条法律文本匹配关系、两条法律文本矛盾关系或者两条法律文本中性关系。
优选地，所述深度学习模块包括：
输入模块：用于对监督训练样本库中的每一个样本作为输入，利用加入Attention机制的RNN网络对输入的样本进行建模；
特征交互模块：用于利用输入模块得到的重建后的文本对表示，进行特征交互处理，得到一张包含所述文本对关系特征的交互信息图像；
提取模块：用于对文本对的交互信息图像利用多层CNN进行特征提取；
分类模块：用于对提取后的多维特征利用多层全连接层分类器进行蕴含、矛盾、中性关系分类；
模型建立模块：用于利用多分类交叉熵损失函数实行梯度下降算法，更新模型的参数及词向量矩阵，得到有泛化能力的文本蕴含关系识别模型。
优选地，所述检测模块还包括筛选模块：
用于判断与待测文本精确匹配/存在矛盾的数据库文本数是否小于设定值n，当与输入文本精准匹配/存在矛盾的数据库文本数小于等于n时，按顺序输出所有与输入文本精准匹配/存在矛盾的数据库文本，当与输入文本精准匹配/存在矛盾的数据库文本数大于n时，按照模型给出的匹配分数排序输出得分高的前n个文本。
优选地，所述两条法律文本包括两条法律法规、一条法律法规和一条司法解释或者两条司法解释。
与现有技术相比，本发明具有如下优点：
本发明主要利用文本蕴含识别技术和深度学习模型，对司法解释与法律法规进行精准匹配和矛盾检测，主要的优点是识别准确率高，且能实时输出识别结果，适用于多种场景，并且能很好的适用法律法规库和司法解释库日后进行扩展的需要。
附图说明
图1为本发明所涉及到的两个数据库的组织结构图；
图2为本发明的司法解释与法律法规蕴含关系识别方法与系统的深度学习模型框架图；
图3为本发明基于文本蕴含的法律法规与司法解释精准匹配和矛盾检测的深度学习方法与系统的模型框架图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
如图1至图3所示，本发明提供了一种基于法律文本精确匹配和矛盾检测的系统及方法。
如图1所示，本实施例提供了一种法律法规与司法解释精准匹配和矛盾检测数据库构建方法与系统，具体步骤如下：
步骤1：构建法律法规与司法解释数据库，搜集现有的法律法规及司法解释，将其按照条目组织成数据库，并且对其进行分词和向量化；
步骤2：构建监督训练样本库，每条训练样本库包含两条法律文本(两条法律法规、一条法律法规和一条司法解释或两条司法解释)，表示这条司法解释与这条法律法规匹配，构建成训练库中的蕴含案例；
步骤3：构建监督训练样本库，每条训练样本库包含两条法律文本(两条法律法规、一条法律法规和一条司法解释或两条司法解释)，表示这条司法解释与这条法律法规相矛盾，构建成训练库中的矛盾案例；
步骤4：在蕴含案例中挑选包含量词、否定词等对匹配精准度要求高的语言情况，手工修改生成训练库中的矛盾案例，以平衡训练样本库中各类关系案例数量；
步骤5，在法律法规数据库和司法解释数据库中随机采样，构成训练库中的未知关系(中性关系)案例；
步骤6，完成数据库的构建，本套数据库包含两个数据库，分别为法律法规和司法解释文本数据库和监督训练样本库(包含匹配、矛盾、中性案例)；
需要指出的是，步骤2-4均是需要利用专业知识实现。
如图2所示，本实施例提供了一种利用深度学习模型来对输入文本(法律法规或司法解释)和数据库中的文本(司法解释或法律法规)进行蕴含关系判别的模型系统，具体步骤如下：
步骤1，对监督训练样本库中的每一个样本作为输入，利用加入Attention机制的双向LSTM网络对其进行建模，所述样本包含两条文本，用词向量矩阵表示；
步骤2，利用步骤1得到的重建后的文本对表示，用点积函数作为交互函数对一对文本的表示进行特征交互处理，得到一张包含此文本对关系特征的交互信息图像；
步骤3，对文本对的交互信息图像利用两层CNN结构进行特征提取；
步骤4，对提取后的多维特征利用多层全连接层分类器进行蕴含、矛盾、中性关系分类；
步骤5，利用多分类交叉熵损失函数实行梯度下降算法，更新模型的参数及词向量矩阵，得到有一定泛化能力的文本蕴含关系识别模型；
如图3所示，本实施例提供了一种利用文本蕴含关系识别和深度学习模型来对输入文本(法律法规或司法解释)和数据库中的文本(司法解释或法律法规)进行精准匹配和矛盾检测的模型系统，具体步骤如下：
步骤1，将输入文本和数据库中的文本(司法解释或法律法规)中的每一条文本利用训练好的深度学习网络模型进行关系判别，输入文本与数据库中的文本存在匹配、矛盾和中性三种关系；
步骤2，当与输入文本精准匹配的数据库文本数小于n时，按顺序输出所有与输入文本精准匹配的数据库文本，当与输入文本精准匹配的数据库文本数大于n时，按照模型给出的匹配分数排序输出得分高的前n个文本；
步骤3，当与输入文本存在矛盾的数据库文本数小于n时，按顺序输出所有与输入文本存在矛盾的数据库文本，当与输入文本存在矛盾的数据库文本数大于n时，按照模型给出的矛盾分数排序输出得分高的前n个文本。
本发明主要利用文本蕴含识别技术和深度学习模型，对司法解释与法律法规进行精准匹配和矛盾检测，主要的优点是识别准确率高，且能实时输出识别结果，适用于多种场景，并且能很好的适用法律法规库和司法解释库日后进行扩展的需要。
以上所述的具体实施例，对本发明的解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于法律文本精确匹配和矛盾检测的方法，其特征在于，包括如下步骤：
数据库构建步骤：基于现有的法律法规及司法解释，构建法律法规与司法解释数据库；
监督训练样本库构建步骤：基于两条法律文本构建监督训练样本库，判断所述两条法律文本的逻辑关系；
深度学习步骤：对监督训练样本库中的每一个样本作为输入，进行建模，获得文本蕴含关系识别模型；
检测步骤：将法律法规与司法解释数据库和待测文本输入训练好的文本蕴含关系识别模型中进行关系判别，确定逻辑关系。
2.根据权利要求1所述的基于法律文本精确匹配和矛盾检测的方法，其特征在于，所述逻辑关系包括：两条法律文本匹配关系、两条法律文本矛盾关系或者两条法律文本中性关系。
3.根据权利要求1所述的基于法律文本精确匹配和矛盾检测的方法，其特征在于，所述深度学习步骤包括：
输入步骤：对监督训练样本库中的每一个样本作为输入，利用加入Attention机制的RNN网络对输入的样本进行建模；
特征交互步骤：利用输入步骤得到的重建后的文本对表示，进行特征交互处理，得到一张包含所述文本对关系特征的交互信息图像；
提取步骤：对文本对的交互信息图像利用多层CNN进行特征提取；
分类步骤：对提取后的多维特征利用多层全连接层分类器进行蕴含、矛盾、中性关系分类；
模型建立步骤：利用多分类交叉熵损失函数实行梯度下降算法，更新模型的参数及词向量矩阵，得到有泛化能力的文本蕴含关系识别模型。
4.根据权利要求1所述的基于法律文本精确匹配和矛盾检测的方法，其特征在于，所述检测步骤还包括筛选步骤：
判断与待测文本精确匹配/存在矛盾的数据库文本数是否小于设定值n，当与输入文本精准匹配/存在矛盾的数据库文本数小于等于n时，按顺序输出所有与输入文本精准匹配/存在矛盾的数据库文本，当与输入文本精准匹配/存在矛盾的数据库文本数大于n时，按照模型给出的匹配分数排序输出得分高的前n个文本。
5.根据权利要求1所述的基于法律文本精确匹配和矛盾检测的方法，其特征在于，所述两条法律文本包括两条法律法规、一条法律法规和一条司法解释或者两条司法解释。
6.一种基于法律文本精确匹配和矛盾检测的系统，其特征在于，包括如下模块：
数据库构建模块：用于基于现有的法律法规及司法解释，构建法律法规与司法解释数据库；
监督训练样本库构建模块：用于基于两条法律文本构建监督训练样本库，判断所述两条法律文本的逻辑关系；
深度学习模块：用于对监督训练样本库中的每一个样本作为输入，进行建模，获得文本蕴含关系识别模型；
检测模块：用于将法律法规与司法解释数据库和待测文本输入训练好的文本蕴含关系识别模型中进行关系判别，确定逻辑关系。
7.根据权利要求6所述的基于法律文本精确匹配和矛盾检测的系统，其特征在于，所述逻辑关系包括：两条法律文本匹配关系、两条法律文本矛盾关系或者两条法律文本中性关系。
8.根据权利要求6所述的基于法律文本精确匹配和矛盾检测的系统，其特征在于，所述深度学习模块包括：
输入模块：用于对监督训练样本库中的每一个样本作为输入，利用加入Attention机制的RNN网络对输入的样本进行建模；
特征交互模块：用于利用输入模块得到的重建后的文本对表示，进行特征交互处理，得到一张包含所述文本对关系特征的交互信息图像；
提取模块：用于对文本对的交互信息图像利用多层CNN进行特征提取；
分类模块：用于对提取后的多维特征利用多层全连接层分类器进行蕴含、矛盾、中性关系分类；
模型建立模块：用于利用多分类交叉熵损失函数实行梯度下降算法，更新模型的参数及词向量矩阵，得到有泛化能力的文本蕴含关系识别模型。
9.根据权利要求6所述的基于法律文本精确匹配和矛盾检测的系统，其特征在于，所述检测模块还包括筛选模块：
用于判断与待测文本精确匹配/存在矛盾的数据库文本数是否小于设定值n，当与输入文本精准匹配/存在矛盾的数据库文本数小于等于n时，按顺序输出所有与输入文本精准匹配/存在矛盾的数据库文本，当与输入文本精准匹配/存在矛盾的数据库文本数大于n时，按照模型给出的匹配分数排序输出得分高的前n个文本。
10.根据权利要求6所述的基于法律文本精确匹配和矛盾检测的系统，其特征在于，所述两条法律文本包括两条法律法规、一条法律法规和一条司法解释或者两条司法解释。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910848558.8A CN110618980A (zh) | 2019-09-09 | 2019-09-09 | 基于法律文本精确匹配和矛盾检测的系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910848558.8A CN110618980A (zh) | 2019-09-09 | 2019-09-09 | 基于法律文本精确匹配和矛盾检测的系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110618980A true CN110618980A (zh) | 2019-12-27 |
Family
ID=68923157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910848558.8A Pending CN110618980A (zh) | 2019-09-09 | 2019-09-09 | 基于法律文本精确匹配和矛盾检测的系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110618980A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539213A (zh) * | 2020-04-17 | 2020-08-14 | 华侨大学 | 一种多源管理条款的语义互斥的智能检测方法 |
| CN111680136A (zh) * | 2020-04-28 | 2020-09-18 | 平安科技（深圳）有限公司 | 一种口语语义匹配的方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015053236A1 (ja) * | 2013-10-08 | 2015-04-16 | 独立行政法人情報通信研究機構 | 矛盾表現収集装置及びそのためのコンピュータプログラム |
| US20150142682A1 (en) * | 2013-11-21 | 2015-05-21 | Tata Consultancy Services Limited | Systems and methods for an automated interpretation of legal regulations |
| CN107239560A (zh) * | 2017-06-12 | 2017-10-10 | 浙江大学 | 一种基于深度学习的文本蕴含关系识别方法 |
| CN107578106A (zh) * | 2017-09-18 | 2018-01-12 | 中国科学技术大学 | 一种融合单词语义知识的神经网络自然语言推理方法 |
| CN108073569A (zh) * | 2017-06-21 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于多层级多维度语义理解的法律认知方法、装置和介质 |
| CN109299262A (zh) * | 2018-10-09 | 2019-02-01 | 中山大学 | 一种融合多粒度信息的文本蕴含关系识别方法 |
| CN109710943A (zh) * | 2018-12-29 | 2019-05-03 | 携程旅游信息技术（上海）有限公司 | 矛盾语句识别方法和系统及条款逻辑鉴别方法和系统 |
| CN109858032A (zh) * | 2019-02-14 | 2019-06-07 | 程淑玉 | 融合Attention机制的多粒度句子交互自然语言推理模型 |
-
2019
- 2019-09-09 CN CN201910848558.8A patent/CN110618980A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015053236A1 (ja) * | 2013-10-08 | 2015-04-16 | 独立行政法人情報通信研究機構 | 矛盾表現収集装置及びそのためのコンピュータプログラム |
| US20150142682A1 (en) * | 2013-11-21 | 2015-05-21 | Tata Consultancy Services Limited | Systems and methods for an automated interpretation of legal regulations |
| CN107239560A (zh) * | 2017-06-12 | 2017-10-10 | 浙江大学 | 一种基于深度学习的文本蕴含关系识别方法 |
| CN108073569A (zh) * | 2017-06-21 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于多层级多维度语义理解的法律认知方法、装置和介质 |
| CN107578106A (zh) * | 2017-09-18 | 2018-01-12 | 中国科学技术大学 | 一种融合单词语义知识的神经网络自然语言推理方法 |
| CN109299262A (zh) * | 2018-10-09 | 2019-02-01 | 中山大学 | 一种融合多粒度信息的文本蕴含关系识别方法 |
| CN109710943A (zh) * | 2018-12-29 | 2019-05-03 | 携程旅游信息技术（上海）有限公司 | 矛盾语句识别方法和系统及条款逻辑鉴别方法和系统 |
| CN109858032A (zh) * | 2019-02-14 | 2019-06-07 | 程淑玉 | 融合Attention机制的多粒度句子交互自然语言推理模型 |
Non-Patent Citations (1)
| Title |
|---|
| 郭茂盛等: "文本蕴含关系识别与知识获取研究进展及展望", 《计算机学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539213A (zh) * | 2020-04-17 | 2020-08-14 | 华侨大学 | 一种多源管理条款的语义互斥的智能检测方法 |
| CN111539213B (zh) * | 2020-04-17 | 2022-07-01 | 华侨大学 | 一种多源管理条款的语义互斥的智能检测方法 |
| CN111680136A (zh) * | 2020-04-28 | 2020-09-18 | 平安科技（深圳）有限公司 | 一种口语语义匹配的方法及装置 |
| CN111680136B (zh) * | 2020-04-28 | 2023-08-25 | 平安科技（深圳）有限公司 | 一种口语语义匹配的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112699246B (zh) | 基于知识图谱的领域知识推送方法 | |
| CN110334178B (zh) | 数据检索方法、装置、设备及可读存储介质 | |
| CN106649260B (zh) | 基于评论文本挖掘的产品特征结构树构建方法 | |
| CN110968699A (zh) | 一种基于事理推荐的逻辑图谱构建及预警方法和装置 | |
| CN110825877A (zh) | 一种基于文本聚类的语义相似度分析方法 | |
| CN106886580B (zh) | 一种基于深度学习的图片情感极性分析方法 | |
| CN111078868A (zh) | 基于知识图谱分析的装备试验体系规划决策的方法及系统 | |
| CN110188192B (zh) | 一种多任务网络构建与多尺度的罪名法条联合预测方法 | |
| CN112256939B (zh) | 一种针对化工领域的文本实体关系抽取方法 | |
| CN107315738A (zh) | 一种文本信息的创新度评估方法 | |
| EP1323078A1 (en) | A document categorisation system | |
| CN115330268A (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
| CN116361472B (zh) | 社交网络评论热点事件舆情大数据分析方法 | |
| CN110705283A (zh) | 基于文本法律法规与司法解释匹配的深度学习方法和系统 | |
| CN112989058B (zh) | 信息分类方法、试题分类方法、设备、服务器和存储介质 | |
| CN113469214A (zh) | 虚假新闻检测方法、装置、电子设备和存储介质 | |
| CN115269899A (zh) | 基于遥感知识图谱的遥感影像统筹系统 | |
| CN110618980A (zh) | 基于法律文本精确匹配和矛盾检测的系统及方法 | |
| CN114265935A (zh) | 一种基于文本挖掘的科技项目立项管理辅助决策方法及系统 | |
| CN115618014A (zh) | 一种应用大数据技术的标准文献分析管理系统及方法 | |
| CN114595693A (zh) | 一种基于深度学习的文本情感分析方法 | |
| CN117473078A (zh) | 一种基于跨领域命名实体识别的长篇文学可视阅读系统 | |
| CN111191029A (zh) | 基于监督学习和文本分类的ac构建方法 | |
| CN115688803A (zh) | 一种用于框架语义知识库构建的词元一致性框架推荐方法 | |
| KR102470959B1 (ko) | 건설현장사진 촬영의도 자동인식 및 포토메시징 기술기반의 건설현장 관리시스템 및 관리방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |
|
| RJ01 | Rejection of invention patent application after publication |