CN110634088A - 案件裁判方法、装置和系统 - Google Patents

Abstract

本申请公开了一种案件裁判方法、装置和系统。其中，该方法包括：获取案件的法律资料，其中，法律资料是记录了客观事实的文本材料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中记录了包括多个客观事实要素，多个法律事实要素以及各个客观事实要素与法律事实要素之间的逻辑关系。本申请解决了相关技术中难以用客观事实去预测法律事实，进而用法律事实推导裁判结果的技术问题。

Description

案件裁判方法、装置和系统

技术领域

本发明涉及计算机领域，具体而言，涉及一种案件裁判方法、装置和系统。

背景技术

随着互联网的发展，各种设备均实现了智能化，为人们的生活和工作带来了许多便利。其中，智能司法系统或者互联网法院等智能系统通过OCR(Optical CharacterRecognition，光学字符识别)技术将纸张或图片形式的信息转换为文字消息，并将抽取到的多个文字消息进行信息结构化处理，进而使用户(例如，法官)通过互联网即可完成交易纠纷、知识产权类按键的诉讼等，从而降低了法律工作者的工作任务，提高了法律工作者的工作效率。

然而，现有的智能司法系统或互联网法院等智能系统仅构建了裁判过程中需要的法律事实要件，需要法律工作者通过人为方式建立客观事实与法律事实之间的联系，并进行勾选，进而生成裁判结果。由此可见，现有的智能司法系统或互联网法院等智能系统仅作为法律工作者的辅助工具进行使用，无法用客观事实去预测法律事实，进而用法律事实推到裁判结果。

针对上述相关技术中难以用客观事实去预测法律事实，进而用法律事实推导裁判结果的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种案件裁判方法、装置和系统，以至少解决相关技术中难以用客观事实去预测法律事实，进而用法律事实推导裁判结果的技术问题。

根据本发明实施例的一个方面，提供了一种案件裁判方法，包括：获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

根据本发明实施例的另一方面，还提供了一种案件裁判装置，包括：获取模块，用于获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；提取模块，用于从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；确定模块，用于基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序被处理器运行时控制存储介质所在设备执行以下步骤：获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行以下步骤：获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

根据本发明实施例的另一方面，还提供了一种案件裁判系统，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

在本发明实施例中，采用基于知识图谱的逻辑关系确定法律案件的裁判结果的方式，通过获取案件的法律资料，并从法律资料中提取客观事实要素，得到特征要素集合，然后再基于知识图谱中的逻辑关系和客观事实要素确定案件的裁判结果，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书，特征要素集合中包括至少一个客观事实要素，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

在上述过程中，由于知识图谱中记载了多个客观事实要素、多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系，因此，在从法律资料中提取出客观事实要素之后，基于知识图谱即可确定与客观事实要素对应的法律要素，进而确定案件的裁判结果，而无需法律工作人员进行人工判定，从而减少了法律工作者的工作任务，提高了案件审判的效率，进而实现了自动审判案件的技术效果。

由上述内容可知，本申请所提供的方案可以解决相关技术中难以用客观事实去预测法律事实，进而用法律事实推导裁判结果的技术问题。

附图说明

图1是根据本申请实施例的一种用于实现案件裁判方法的计算机终端的硬件结构框图；

图2是根据本申请实施例的一种可选的的硬件结构框图；

图3是根据本申请实施例的一种案件裁判方法的流程图；

图4是根据本申请实施例的一种可选的审判系统的显示界面的示意图；

图5是根据本申请实施例的一种可选的知识图谱的示意图；

图6是根据本申请实施例的一种可选的诉讼请求的界面示意图；

图7是根据本申请实施例的一种可选的法官判定界面的示意图；

图8是根据本申请实施例的一种可选的答辩流程的示意图；

图9是根据本申请实施例的一种可选的裁判结果的示意图；

图10是根据本申请实施例的一种可选的裁判结果的示意图；

图11是根据本申请实施例的一种案件裁判装置的结构示意图；以及

图12是根据本申请实施例的一种计算机终端的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

知识图谱，Maping Knowledge Domain，也称为科学知识图谱，是一种结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性-值对，通过实体之间的关系相互联结，构成网状的知识结构。

word2vec，是一种开源软件，用于通过大规模预料学习实现词向量计算。

客观事实实体，是知识图谱中的一类实体，用于描述案件中客观存在的要素，例如，实物照片中的商品数量、交易快照中的商品名称等。

法律事实实体，是知识图谱中的一类实体，用于描述能够引起法律关系发生变化的要素，例如，是否虚构欺诈。

实施例1

根据本申请实施例，还提供了一种案件裁判方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现案件裁判方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端A(或移动设备A)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端A(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的案件裁判方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的案件裁判方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端A的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端A(或移动设备)的用户界面进行交互。

在上述运行环境下，本申请构建了如图2所示的审判系统的结构示意图，由图2可知，本申请的审判系统主要由五个模块组成，分别为构建模块、要素提取模块、要素映射模块、逻辑推理模块以及反馈模块，其中，构建模块用于构建知识图谱；要素提取模块用于提取可观实时要素；要素映射模块用于完成法律要素的映射；逻辑推理模块用于对案件进行自动裁判，并得到裁判结果；反馈模块用于接收用户补足的信息，并对裁判结果进行补充。

需要说明的是，由图2可知，构建知识图谱的构建模块可作为其他模块的依托，为提取客观事实要素的要素提取模块提供要素依据，同时，构建模块还对各个事实要素间的关系进行描述以实现自动裁判的逻辑推理。而反馈模块可最为裁判结果的校正，对知识图谱进行扩充。

此外，还需要说明的是，本申请提供了如图3所示的案件裁判方法，该方法可在上述审判系统中执行。其中，本申请所提供的案件裁判方法应用于以下至少之一：立案审查流程、举证质证流程、裁判流程。

如图3所示，该方法可以包括如下步骤：

步骤S302，获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书。

需要说明的是，本实施例中的执行主体为审判系统，该审判系统可以为安装在实体设备(例如，电脑)上的应用平台，也可以为云端服务器上的应用平台。

可选的，在审判系统安装在云端服务器的情况下，用户(例如，法律工作者)可将审判案件所需要的法律资料输入至客户端，并在客户端进行显示，如图4所示的审判系统的显示界面，其中，图4显示了原告所上传的证据材料。在得到法律资料之后，客户端将法律资料发送至云端服务器，云端服务器中的审判系统对法律资料进行审判，并将审判结果返回至客户端，即在该场景下，客户端仅负责数据的输入与输出，并不进行审判。而在审判系统安装在实体设备上的情况下，实体设备除负责数据的输入与输出之外，还负责对法律资料的处理。

在一种可选的方案中，审判系统中具有OCR文字识别软件，该软件可将纸张或图片上的信息转换成文字。在对案件进行审判之前，用户使用OCR文字识别软件将案件的法律资料转换成计算机可识别的文字或者字符，审判系统中的要素提取模块可从计算机能够识别的文字或字符中提取客观事实要素。

在另一种可选的方案中，审判系统还具有输入设备，该输入设备可以为但不限于语音输入设备、图像输入设备、文字输入设备。具体的，用户通过输入设备将案件的法律资料输入至审判系统中，例如，用户通过键盘将起诉书中的内容直接输入至审判系统中，或者，用户通过语音对起诉书进行朗读，审判系统可接收到用户的语音，并将接收到的语音进行转换，进而使得计算机对转换后的起诉书进行处理。

步骤S304，从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素。

在步骤S304中，不同案件的法律资料具有不同的客观事实要素的提取方案，例如，对于起诉书，可通过机器学习的方式提取客观事实要素；对于证据材料，可采用正则表达式的方式提取客观事实要素。

另外，客观事实要素为法律资料中表征客观事实的文字或字符等内容，例如，对于交易纠纷案件，从法律资料中提取到的客观事实要素可以为订单信息的实际发货日期、交易快照中的实际价格、交易快照中折扣后应有的价格等。而多个客观事实要素便组成了特征要素集合。

步骤S306，基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

需要说明的是，知识图谱的构成主要包括：

(1)实体。在本申请中，知识图谱的实体主要包括客观事实要素、法律要素。

(2)关系。在本申请中，关系指属性关系、逻辑关系。

(3)三元组。在申请中主要包括以下三种：“客观事实要素-属性关系-客观事实要素”(例如，“原告-属性关系-身份证号”)，“客观事实要素-逻辑关系-法律要素”(例如，“商品描述-逻辑关系-是否宣传有医疗效果”)，“法律要素-逻辑关系-法律要素”(例如，“是否虚构原价-逻辑关系-是否折扣价格错误”)。

在一种可选的方案中，图5示出了一种可选的知识图谱的示意图。客观事实要素为交易快照标识的商品数量、实物照片中的商品数量、订单信息的实际发货时间、交易快照卖家承若的发货时间、交易快照中的商品名称、实物照片中的商品名称等，法律要素为是否不构成欺诈等。另外，图5中的“非”、“或”等逻辑词表征了及各个客观事实要素与法律要素之间的逻辑关系，例如，根据交易快照标识的商品数量与实物照片中的商品数量，可推断出商品数量是否匹配。如果商品数量不匹配，则进一步判断实物照片中的商品数量是否小于交易快照标识的商品数量。类似的，审判系统对卖家是否延迟发货、买家是否未收到货、商品是否少于标示数量、商品是否被损、是否发错货、是否执行标准错误、是否执行标准过期、是否未使用通用名称、是否有绝对化描述等进行“或”的逻辑判断，并根据判断结果来确定卖家是否构成欺诈。

基于上述步骤S302至步骤S306所限定的方案，可以获知，采用基于知识图谱的逻辑关系确定法律案件的裁判结果的方式，通过获取案件的法律资料，并从法律资料中提取客观事实要素，得到特征要素集合，然后再基于知识图谱中的逻辑关系和客观事实要素确定案件的裁判结果，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书，特征要素集合中包括至少一个客观事实要素，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

容易注意到的是，由于知识图谱中记载了多个客观事实要素、多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系，因此，在从法律资料中提取出客观事实要素之后，基于知识图谱即可确定与客观事实要素对应的法律要素，进而确定案件的裁判结果，而无需法律工作人员进行人工判定，从而减少了法律工作者的工作任务，提高了案件审判的效率，进而实现了自动审判案件的技术效果。

由上述内容可知，本申请所提供的方案可以解决相关技术中难以用客观事实去预测法律事实，进而用法律事实推导裁判结果的技术问题。

在一种可选的方案中，在基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果之前，需要构建知识图谱，其中，审判系统中的构建模块可完成对知识图谱的构建，具体方法可以包括如下：

步骤S30，确定不同类型的案件；

步骤S32，提取不同类型的案件中每件案件的至少一个客观事实要素；

步骤S34，获取目标对象建立的每个客观事实要素与法律要素之间的逻辑关系；

步骤S36，基于客观事实要素、法律要素、客观事实要素与法律要素之间的逻辑关系创建知识图谱。

需要说明的是，不同类型的案件，提取客观事实要素的方式也不同，因此，在提取案件的客观事实要素之前，需要确定案件类型，其中，案件类型可以包括但不限于起诉书、证据材料、裁判文书等。例如，起诉书中的客观事实要素可通过人工的方式对起诉书进行结构化标注，然后再通过机器学习的方式进行自动抽取，其中，通过机器学习所构建的模型包括但不限于条件随机场(Conditional Random Fields，简称CRF)模型、双向LSTM(LongShort-Term Memory，长短期记忆)模型等。对于较为模式化的证据材料，例如交易日志的截图、罚单等，可通过OCR技术提取文字信息，并在提取文字消息之后，通过正则表达式对客观事实要素进行抽取；而对于其他不规则的证据材料，例如借条、食品包装截图等，仅通过审判系统的自动抽取可能存在抽取不准确的问题，因此，需要人工对客观事实要素进行抽取，或者使用主动式学习(Active Learning)的方式对客观事实要素进行抽取。

此外，还需要说明的是，不同于传统知识图谱，本申请中的在构建知识图谱的过程中，根据案件审判的逻辑，将事实要素分为客观事实实体和法律事实实体，并通过知识图谱实现两者之间的映射关系，进而根据知识图谱中两者之间的映射关系得到案件的裁判结果。另外，在本申请中，知识图谱中除了包含传统的知识图谱通常定义的实体之间的属性关系，例如，“原告-属性关系-身份证号”、“原告-属性关系(雇佣关系)-原告律师”之外，还定义了逻辑关系，用于描述客观事实要素向法律要素的转化关系，例如，“商品描述-推理关系-是否宣传有医疗效果”。

在一种可选的方案中，审判系统通过大数据技术结合机器学习对种子知识库进行扩充，创建知识图谱，其中，种子知识库包括：目标对象建立的每个客观事实要素、每个客观事实要素对应的法律要素、每个客观事实要素与法律要素之间的逻辑关系。

需要说明的是，由于本申请是基于知识图谱中的逻辑关系来确定案件的裁判结果，因此，为了保证案件的裁判结果的准确性，需要对种子知识库不断进行扩充，进而完成对知识图谱的创建以及扩充。

进一步地，在知识图谱创建完成之后，审判系统可基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，具体方法如下：

步骤S3060，基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素；以及

步骤S3062，基于特征要素集合中每个客观事实要素和法律要素得到案件的裁判结果。

可选的，审判系统中的要素映射模块可完成客观事实要素与法律要素之间的映射关系。其中，要素映射模块实现客观事实要素与法律要素之间的映射关系的方法可以包括但不限于：通过知识图谱中的逻辑关系，依照预设规则建立客观事实要素与法律要素的映射关系的方法；通过图谱向量化表示方法建立客观事实要素与法律要素的映射关系的方法。其中，图谱向量化表示方法是通过大量数据学习知识图谱中实体与关系的向量化表示，然后再通过对实体与关系的向量进行计算和排序，推断当前客观事实要素所对应的最有可能的法律要素的方法。图谱向量化表示方法可以为但不限于TransE、TransR、TransH、Random Walk等。

在上述步骤S3060至步骤S3062中，基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素包括：

步骤S30620，判断特征要素集合中每个客观事实要素是否包括在知识图谱中；

步骤S30622，若存在客观事实要素未包括在知识图谱中，基于知识图谱采用迁移学习技术，确定客观事实要素对应法律要素；

步骤S30624，对包括在知识图谱中的客观事实要素，基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素。

需要说明的是，迁移学习(Learning Transfer)技术是指将从一个环境中学习得到的知识用来帮助新环境中的学习任务的技术，在本申请中，迁移学习技术是指在特征要素集合中的某些客观事实要素在知识图谱中查询不到的情况下，对现有的知识图谱进行训练学习，确定未存在知识图谱中的客观事实要素所对应的法律要素。而对于包含在知识图谱中的客观事实要素，则基于知识图谱中的逻辑关系即可确定该客观事实要素所对应的法律要素。

在一种可选的方案中，对于包含在知识图谱中的客观事实要素，审判系统中的逻辑推理模块可基于特征要素集合中每个客观事实要素和法律要素得到案件的裁判结果，其中，具体方法可以包括：

步骤S40，确定知识图谱中每个客观事实要素到各个判断结果的路径；

步骤S42，计算每条路径的概率值；

步骤S44，将概率值最大的路径的判断结果作为案件的裁判结果。

具体的，在建立的客观事实要素与法律要素之间的映射之后，由于知识图谱中逻辑关系具有方向性，因此，在本申请中，逻辑推理模块可按照知识图谱中的逻辑推理规则，沿着逻辑关系方向进行逻辑图上的遍历，直至到达裁判结果的法律事实元素。然后，计算每条路径的概率，例如，计算图5中的路径“是否存在订单信息中的快递单号信息-非-是否买家未收到货”的概率。在计算出每条路径的概率之后，选取概率值最大的路径对应的判断结果最为本案件的裁判结果，例如，“存在订单信息中的快递单号信息-非-买家未收到货-构成欺诈”的概率为90％，而“不存在订单信息中的快递单号信息-非-买家收到货-不构成欺诈”的概率为10％，则该案件的审判结果为构成欺诈。

需要说明的是，逻辑推理模块除采用逻辑遍历的方式来确定案件的裁判结果之外，还可通过模块图谱向量化表示方法，在知识图谱上进行随机行走(Random Walk)的方式，计算每移动至一个节点的概率的方式来确定案件的裁判结果。

另外，由于证据材料的不规则性以及自然语言中语义的模糊性，客观事实要素的抽取和理解可能会偏差，从而导致映射的法律要素出现错误，进而影响最终的判决。而反馈模块可完成对要素映射模块中的映射关系进行校正，进而更新裁判结果。其中，更新裁判结果的方法可以包括：

步骤S3080，从每个客观事实要素对应的法律要素中确定目标法律要素；

步骤S3082，根据目标法律要素确定目标信息，其中，目标信息中包括目标法律要素的判断结果，目标信息至少还包括以下之一：目标法律要素对应的客观事实要素、客观事实要素的证据材料；

步骤S3084，发送目标信息至目标对象；

步骤S3086，接收目标对象返回的针对目标法律要素的处理结果；

步骤S3088，基于针对目标法律要素的处理结果重新确定案件的裁判结果。

在一种可选的方案中，如果案件的被告人对裁判结果不服，被告人可通过审判系统发起诉讼请求，其中，图6示出了一种可选的诉讼请求的界面示意图，如图6所示，被告人可在界面中填写诉讼请求的问题、增添被告人等。在被告人完成对重要信息的填写之后，审判系统对该案件重新审判，并生成裁判结果。在生成裁判结果之后，法律工作人员对裁判结果可通过如图7所示的法官判定界面对裁判结果进行修改和确认。审判系统中的反馈模块自动根据法律工作人员的反馈进行裁判结果的修改和重新输出。

需要说明的是，法律工作人员(即上述目标对象)的反馈信息(即上述处理结果)也可作为种子知识库中的一部分，以便于对知识图谱的更新和扩充。可选的，图8示出了一种可选的答辩流程的示意图，基于该答辩流程的示意图，可得到图9所示的裁判结果。而当法律工作人员将在图9的基础上增加图10中的“车辆行驶证为假”，将图9中的“是否具有事实依据：是”修改为图10中的“是否具有事实依据：否”之后，原先的裁判结果“驳回原告诉讼请求判决”也将修改为“撤销行政处罚”。

在一种可选的方案中，从法律资料中提取客观事实要素，得到特征要素集合可以包括：

步骤S50，按照法律资料中每种文本材料的构成部分进行切分，得到多个构成部分；例如，审判系统可从原告的起诉页面和被告的答辩页面切分为多个构成部分，例如，基本信息、交易信息、诉讼信息、证据信息等部分。

步骤S52，基于多个构成部分提取客观事实要素，得到特征要素集合。

具体的，基于多个构成部分提取客观事实要素，得到特征要素集合包括：

步骤S520，确定多个构成部分中每个构成部分待提取的客观事实要素；

步骤S522，确定每个构成部分待提取的客观事实要素的机器学习模型；

步骤S524，采用机器学习模型对对应的构成部分提取客观事实要素，得到特征要素集合。

可选的，审判系统可从原告的起诉页面和被告的答辩页面切分为多个构成部分，例如，基本信息、交易信息、诉讼信息、证据信息等部分，并从多个构成部分中分别提取到对应的客观事实要素，例如，从基本信息中提取抽取原告的信息和被告的信息，以此生成特征要素集合。然后，要素映射模块和逻辑推理模块可对从多个构成部分中提取到的客观事实要素进行处理。

最后，需要说明的是，不同的应用场景对应不同的知识图谱，其中，本申请所提供的案件裁判方法应用于以下至少之一：立案审查流程、举证质证流程、裁判流程。上述三个流程对应不同的知识图谱，但三个流程的逻辑推理过程和审判框架是相同的。

另外，本申请所提供的案件裁判方法不仅可以自动的最终的裁判结果，而且还可以倒推出得到此裁判结果所需的法律要素，从而使得裁判文书的说理部分更加具有说服力。此外，本申请所提供的案件裁判方法还可增加裁判的可信度，便于纠错，提高用户体验。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的案件裁判方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

实施例2

根据本申请实施例，还提供了一种用于实施上述案件裁判方法的案件裁判装置，如图11所示，该装置包括：获取模块1101、提取模块1103以及确定模块1105。

其中，获取模块1101，用于获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；提取模块1103，用于从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；确定模块1105，用于基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

需要说明的是，案件裁判方法应用于以下至少之一：立案审查流程，举证质证流程，裁判流程。

此处，还需要说明的是，上述获取模块1101、提取模块1103以及确定模块1105对应于实施例1中的步骤S302至步骤S306，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。

在一种可选的方案中，案件裁判装置还包括：第一确定模块、第一提取模块、第一获取模块以及第一创建模块。其中，第一确定模块，用于确定不同类型的案件；第一提取模块，用于提取不同类型的案件中每件案件的至少一个客观事实要素；第一获取模块，用于获取目标对象建立的每个客观事实要素与法律要素之间的逻辑关系；第一创建模块，用于基于客观事实要素、法律要素、客观事实要素与法律要素之间的逻辑关系创建知识图谱。

此处，需要说明的是，上述第一确定模块、第一提取模块、第一获取模块以及第一创建模块对应于实施例1中的步骤S30至步骤S36，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。

在一种可选的方案中，创建模块包括：第二创建模块。其中，第二创建模块，用于通过大数据技术结合机器学习对种子知识库进行扩充，创建知识图谱，其中，种子知识库包括：目标对象建立的每个客观事实要素、每个客观事实要素对应的法律要素、每个客观事实要素与法律要素之间的逻辑关系。

在一种可选的方案中，确定模块包括：第二确定模块以及第二处理模块。其中，第二确定模块，用于基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素；以及第二处理模块，用于基于特征要素集合中每个客观事实要素和法律要素得到案件的裁判结果。

此处，需要说明的是，上述第二确定模块以及第二处理模块对应于实施例1中的步骤S3060至步骤S3062，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。

在一种可选的方案中，第二确定模块包括：判断模块、第三确定模块以及第四确定模块。其中，判断模块，用于判断特征要素集合中每个客观事实要素是否包括在知识图谱中；第三确定模块，用于若存在客观事实要素未包括在知识图谱中，基于知识图谱采用迁移学习技术，确定客观事实要素对应法律要素；第四确定模块，用于对包括在知识图谱中的客观事实要素，基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素。

此处，需要说明的是，上述判断模块、第三确定模块以及第四确定模块对应于实施例1中的步骤S30620至步骤S30624，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。

在一种可选的方案中，第二处理模块包括：第五确定模块、计算模块以及第三处理模块。其中，第五确定模块，用于确定知识图谱中每个客观事实要素到各个判断结果的路径；计算模块，用于计算每条路径的概率值；第三处理模块，用于将概率值最大的路径的判断结果作为案件的裁判结果。

此处，需要说明的是，上述第五确定模块、计算模块以及第三处理模块对应于实施例1中的步骤S40至步骤S44，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。

在一种可选的方案中，案件裁判装置还包括：第六确定模块、第七确定模块、发送模块、接收模块以及第八确定模块。其中，第六确定模块，用于从每个客观事实要素对应的法律要素中确定目标法律要素；第七确定模块，用于根据目标法律要素确定目标信息，其中，目标信息中包括目标法律要素的判断结果，目标信息至少还包括以下之一：目标法律要素对应的客观事实要素、客观事实要素的证据材料；发送模块，用于发送目标信息至目标对象；接收模块，用于接收目标对象返回的针对目标法律要素的处理结果；第八确定模块，用于基于针对目标法律要素的处理结果重新确定案件的裁判结果。

此处，需要说明的是，上述第六确定模块、第七确定模块、发送模块、接收模块以及第八确定模块对应于实施例1中的步骤S3082至步骤S3088，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。

在一种可选的方案中，提取模块包括：切分模块以及第四处理模块。其中，切分模块，用于按照法律资料中每种文本材料的构成部分进行切分，得到多个构成部分；第四处理模块，用于基于多个构成部分提取客观事实要素，得到特征要素集合。

此处，需要说明的是，上述切分模块以及第四处理模块对应于实施例1中的步骤S50至步骤S52，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。

在一种可选的方案中，第四处理模块包括：第九确定模块、第十确定模块以及第五处理模块。其中，第九确定模块，用于确定多个构成部分中每个构成部分待提取的客观事实要素；第十确定模块，用于确定每个构成部分待提取的客观事实要素的机器学习模型；第五处理模块，用于采用机器学习模型对对应的构成部分提取客观事实要素，得到特征要素集合。

此处，需要说明的是，上述第九确定模块、第十确定模块以及第五处理模块对应于实施例1中的步骤S520至步骤S524，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。

实施例3

根据本申请实施例，还提供了一种案件裁判系统，其中，该系统可执行案件裁判方法。具体的，该系统包括：处理器以及存储器。

其中，存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

在一种可选的方案中，在基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果之前，处理器还可确定不同类型的案件，并提取不同类型的案件中每件案件的至少一个客观事实要素，然后获取目标对象建立的每个客观事实要素与法律要素之间的逻辑关系，最后，基于客观事实要素、法律要素、客观事实要素与法律要素之间的逻辑关系创建知识图谱。

在一种可选的方案中，处理器还用于通过大数据技术结合机器学习对种子知识库进行扩充，创建知识图谱，其中，种子知识库包括：目标对象建立的每个客观事实要素、每个客观事实要素对应的法律要素、每个客观事实要素与法律要素之间的逻辑关系。

在一种可选的方案中，处理器还用于基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素，并基于特征要素集合中每个客观事实要素和法律要素得到案件的裁判结果。

在一种可选的方案中，处理器还用于判断特征要素集合中每个客观事实要素是否包括在知识图谱中。若存在客观事实要素未包括在知识图谱中，基于知识图谱采用迁移学习技术，确定客观事实要素对应法律要素。对包括在知识图谱中的客观事实要素，基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素。

在一种可选的方案中，处理器还用于确定知识图谱中每个客观事实要素到各个判断结果的路径，并计算每条路径的概率值，然后将概率值最大的路径的判断结果作为案件的裁判结果。

在一种可选的方案中，在基于特征要素集合中每个客观事实要素和法律要素得到案件的裁判结果之后，处理器还用于从每个客观事实要素对应的法律要素中确定目标法律要素，并根据目标法律要素确定目标信息，然后发送目标信息至目标对象，并接收目标对象返回的针对目标法律要素的处理结果，最后基于针对目标法律要素的处理结果重新确定案件的裁判结果。其中，目标信息中包括目标法律要素的判断结果，目标信息至少还包括以下之一：目标法律要素对应的客观事实要素、客观事实要素的证据材料。

在一种可选的方案中，处理器还用于按照法律资料中每种文本材料的构成部分进行切分，得到多个构成部分，并基于多个构成部分提取客观事实要素，得到特征要素集合。

在一种可选的方案中，处理器还用于确定多个构成部分中每个构成部分待提取的客观事实要素，并确定每个构成部分待提取的客观事实要素的机器学习模型，然后采用机器学习模型对对应的构成部分提取客观事实要素，得到特征要素集合。

需要说明的是，本申请所提供的案件裁判方法应用于以下至少之一：立案审查流程，举证质证流程，裁判流程。

实施例4

本申请的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。

可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。

在本实施例中，上述计算机终端可以执行应用程序的案件裁判方法中以下步骤的程序代码：获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

可选地，图12是根据本申请实施例的一种计算机终端的结构框图。如图12所示，该计算机终端A可以包括：一个或多个(图中仅示出一个)处理器1202、存储器1204、以及传输装置1206。

其中，存储器可用于存储软件程序以及模块，如本申请实施例中的案件裁判方法对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的案件裁判方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。其中，案件裁判方法应用于以下至少之一：立案审查流程，举证质证流程，裁判流程。

可选的，上述处理器还可以执行如下步骤的程序代码：确定不同类型的案件；提取不同类型的案件中每件案件的至少一个客观事实要素；获取目标对象建立的每个客观事实要素与法律要素之间的逻辑关系；基于客观事实要素、法律要素、客观事实要素与法律要素之间的逻辑关系创建知识图谱。

可选的，上述处理器还可以执行如下步骤的程序代码：通过大数据技术结合机器学习对种子知识库进行扩充，创建知识图谱，其中，种子知识库包括：目标对象建立的每个客观事实要素、每个客观事实要素对应的法律要素、每个客观事实要素与法律要素之间的逻辑关系。

可选的，上述处理器还可以执行如下步骤的程序代码：基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素；以及基于特征要素集合中每个客观事实要素和法律要素得到案件的裁判结果。

可选的，上述处理器还可以执行如下步骤的程序代码：判断特征要素集合中每个客观事实要素是否包括在知识图谱中；若存在客观事实要素未包括在知识图谱中，基于知识图谱采用迁移学习技术，确定客观事实要素对应法律要素；对包括在知识图谱中的客观事实要素，基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素。

可选的，上述处理器还可以执行如下步骤的程序代码：确定知识图谱中每个客观事实要素到各个判断结果的路径；计算每条路径的概率值；将概率值最大的路径的判断结果作为案件的裁判结果。

可选的，上述处理器还可以执行如下步骤的程序代码：从每个客观事实要素对应的法律要素中确定目标法律要素；根据目标法律要素确定目标信息，其中，目标信息中包括目标法律要素的判断结果，目标信息至少还包括以下之一：目标法律要素对应的客观事实要素、客观事实要素的证据材料；发送目标信息至目标对象；接收目标对象返回的针对目标法律要素的处理结果；基于针对目标法律要素的处理结果重新确定案件的裁判结果。

可选的，上述处理器还可以执行如下步骤的程序代码：按照法律资料中每种文本材料的构成部分进行切分，得到多个构成部分；基于多个构成部分提取客观事实要素，得到特征要素集合。

可选的，上述处理器还可以执行如下步骤的程序代码：确定多个构成部分中每个构成部分待提取的客观事实要素；确定每个构成部分待提取的客观事实要素的机器学习模型；采用机器学习模型对对应的构成部分提取客观事实要素，得到特征要素集合。

本领域普通技术人员可以理解，图12所示的结构仅为示意，计算机终端也可以是智能手机(如k"Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图12其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图12中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图12所示不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

实施例5

本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的案件裁判方法所执行的程序代码。

可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取案件的法律资料，其中，法律资料包括以下至少之一：起诉书、证据材料、裁判文书；从法律资料中提取客观事实要素，得到特征要素集合，其中，特征要素集合中包括至少一个客观事实要素；基于知识图谱中的逻辑关系和客观事实要素，确定案件的裁判结果，其中，知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。其中，案件裁判方法应用于以下至少之一：立案审查流程，举证质证流程，裁判流程。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定不同类型的案件；提取不同类型的案件中每件案件的至少一个客观事实要素；获取目标对象建立的每个客观事实要素与法律要素之间的逻辑关系；基于客观事实要素、法律要素、客观事实要素与法律要素之间的逻辑关系创建知识图谱。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：通过大数据技术结合机器学习对种子知识库进行扩充，创建知识图谱，其中，种子知识库包括：目标对象建立的每个客观事实要素、每个客观事实要素对应的法律要素、每个客观事实要素与法律要素之间的逻辑关系。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素；以及基于特征要素集合中每个客观事实要素和法律要素得到案件的裁判结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：判断特征要素集合中每个客观事实要素是否包括在知识图谱中；若存在客观事实要素未包括在知识图谱中，基于知识图谱采用迁移学习技术，确定客观事实要素对应法律要素；对包括在知识图谱中的客观事实要素，基于知识图谱中的逻辑关系，确定特征要素集合中每个客观事实要素对应的法律要素。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定知识图谱中每个客观事实要素到各个判断结果的路径；计算每条路径的概率值；将概率值最大的路径的判断结果作为案件的裁判结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：从每个客观事实要素对应的法律要素中确定目标法律要素；根据目标法律要素确定目标信息，其中，目标信息中包括目标法律要素的判断结果，目标信息至少还包括以下之一：目标法律要素对应的客观事实要素、客观事实要素的证据材料；发送目标信息至目标对象；接收目标对象返回的针对目标法律要素的处理结果；基于针对目标法律要素的处理结果重新确定案件的裁判结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：按照法律资料中每种文本材料的构成部分进行切分，得到多个构成部分；基于多个构成部分提取客观事实要素，得到特征要素集合。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定多个构成部分中每个构成部分待提取的客观事实要素；确定每个构成部分待提取的客观事实要素的机器学习模型；采用机器学习模型对对应的构成部分提取客观事实要素，得到特征要素集合。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (13)

1.一种案件裁判方法，其特征在于，包括：

获取案件的法律资料，其中，所述法律资料包括以下至少之一：起诉书、证据材料、裁判文书；

从所述法律资料中提取客观事实要素，得到特征要素集合，其中，所述特征要素集合中包括至少一个客观事实要素；

基于知识图谱中的逻辑关系和所述客观事实要素，确定所述案件的裁判结果，其中，所述知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

2.根据权利要求1所述的方法，其特征在于，在基于知识图谱中的逻辑关系和所述客观事实要素，确定所述案件的裁判结果之前，所述方法还包括：

确定不同类型的案件；

提取所述不同类型的案件中每件案件的至少一个客观事实要素；

获取目标对象建立的每个客观事实要素与法律要素之间的逻辑关系；

基于所述客观事实要素、所述法律要素、所述客观事实要素与所述法律要素之间的逻辑关系创建所述知识图谱。

3.根据权利要求2所述的方法，其特征在于，基于所述客观事实要素、所述法律要素、所述客观事实要素与所述法律要素之间的逻辑关系创建所述知识图谱包括：

通过大数据技术结合机器学习对种子知识库进行扩充，创建所述知识图谱，其中，所述种子知识库包括：所述目标对象建立的每个客观事实要素、每个客观事实要素对应的法律要素、每个客观事实要素与法律要素之间的逻辑关系。

4.根据权利要求1所述的方法，其特征在于，基于知识图谱中的逻辑关系和所述客观事实要素，确定所述案件的裁判结果包括：

基于所述知识图谱中的逻辑关系，确定所述特征要素集合中每个客观事实要素对应的法律要素；以及

基于所述特征要素集合中每个客观事实要素和所述法律要素得到所述案件的裁判结果。

5.根据权利要求4所述的方法，其特征在于，基于所述知识图谱中的逻辑关系，确定所述特征要素集合中每个客观事实要素对应的法律要素包括：

判断所述特征要素集合中每个客观事实要素是否包括在所述知识图谱中；

若存在客观事实要素未包括在所述知识图谱中，基于所述知识图谱采用迁移学习技术，确定所述客观事实要素对应法律要素；

对包括在所述知识图谱中的客观事实要素，基于所述知识图谱中的逻辑关系，确定所述特征要素集合中每个客观事实要素对应的法律要素。

6.根据权利要求5所述的方法，其特征在于，基于所述特征要素集合中每个客观事实要素和所述法律要素得到所述案件的裁判结果包括：

确定所述知识图谱中每个客观事实要素到各个判断结果的路径；

计算每条路径的概率值；

将概率值最大的路径的判断结果作为所述案件的裁判结果。

7.根据权利要求4所述的方法，其特征在于，在基于所述特征要素集合中每个客观事实要素和所述法律要素得到所述案件的裁判结果之后，所述方法还包括：

从每个客观事实要素对应的法律要素中确定目标法律要素；

根据所述目标法律要素确定目标信息，其中，所述目标信息中包括所述目标法律要素的判断结果，所述目标信息至少还包括以下之一：所述目标法律要素的判断结果、所述目标法律要素对应的客观事实要素、所述客观事实要素的证据材料；

发送所述目标信息至目标对象；

接收所述目标对象返回的针对目标法律要素的处理结果；

基于所述针对目标法律要素的处理结果重新确定所述案件的裁判结果。

8.根据权利要求1所述的方法，其特征在于，从所述法律资料中提取客观事实要素，得到特征要素集合包括：

按照所述法律资料中每种文本材料的构成部分进行切分，得到多个构成部分；

基于所述多个构成部分提取所述客观事实要素，得到所述特征要素集合。

9.根据权利要求8所述的方法，其特征在于，基于所述多个构成部分提取客观事实要素，得到所述特征要素集合包括：

确定所述多个构成部分中每个构成部分待提取的客观事实要素；

确定每个构成部分待提取的客观事实要素的机器学习模型；

采用所述机器学习模型对对应的构成部分提取所述客观事实要素，得到所述特征要素集合。

10.根据权利要求1所述的方法，其特征在于，案件裁判方法应用于以下至少之一：立案审查流程，举证质证流程，裁判流程。

11.一种案件裁判装置，其特征在于，包括：

获取模块，用于获取案件的法律资料，其中，所述法律资料包括以下至少之一：起诉书、证据材料、裁判文书；

提取模块，用于从所述法律资料中提取客观事实要素，得到特征要素集合，其中，所述特征要素集合中包括至少一个客观事实要素；

确定模块，用于基于知识图谱中的逻辑关系和所述客观事实要素，确定所述案件的裁判结果，其中，所述知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

12.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序被处理器运行时控制所述存储介质所在设备执行以下步骤：

获取案件的法律资料，其中，所述法律资料包括以下至少之一：起诉书、证据材料、裁判文书；

从所述法律资料中提取客观事实要素，得到特征要素集合，其中，所述特征要素集合中包括至少一个客观事实要素；

基于知识图谱中的逻辑关系和所述客观事实要素，确定所述案件的裁判结果，其中，所述知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

13.一种案件裁判系统，其特征在于，包括：

处理器；以及

存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：

获取案件的法律资料，其中，所述法律资料包括以下至少之一：起诉书、证据材料、裁判文书；

从所述法律资料中提取客观事实要素，得到特征要素集合，其中，所述特征要素集合中包括至少一个客观事实要素；

基于知识图谱中的逻辑关系和所述客观事实要素，确定所述案件的裁判结果，其中，所述知识图谱中包括多个客观事实要素，多个法律要素以及各个客观事实要素与法律要素之间的逻辑关系。

Images