CN110738032B - 一种生成裁判文书本院认为段的方法及装置 - Google Patents
一种生成裁判文书本院认为段的方法及装置 Download PDFInfo
- Publication number
- CN110738032B CN110738032B CN201810716188.8A CN201810716188A CN110738032B CN 110738032 B CN110738032 B CN 110738032B CN 201810716188 A CN201810716188 A CN 201810716188A CN 110738032 B CN110738032 B CN 110738032B
- Authority
- CN
- China
- Prior art keywords
- determined
- dispute
- judge
- referee
- considered
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims description 55
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种生成裁判文书本院认为段的方法及装置。方法包括:当接收到用户输入的至少一个审判要素时,获取与各审判要素对应的争议焦点和裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则;根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果;依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述。本发明能够自动生成裁判文书的本院认为段,减少了法官撰写裁判文书的压力,提高了裁判文书本院认为段的生成效率,从而提高了裁判文书的生成效率。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种生成裁判文书本院认为段的方法及装置。
背景技术
随着我国法治社会的建设和完善,我国对司法审判的要求也越来越高,同时对裁判文书的生成效率也提出较高要求。
本院认为段是裁判文书中法官释法说理的部分,处于经审理查明段之后、判决主文之前,在段落开始有“本院认为”的字样。目前,待生成裁判文书中的本院认为段通常都是由法官参照与本案审判要素相似的其他裁判文书(即类案文书)的本院认为段撰写得到。
在实际应用中,与本案审判要素相似的其他裁判文书可能不是法官正在审理的案件,那么法官就需要研究这些其他裁判文书的争议焦点、裁判规则是否适用本案,并在经过仔细考量和比对后,再去决定其他裁判文书是否能够作为本案的参照文书、以及具体如何参照文书,整个过程都需要法官付出大量精力。
显然,目前由法官参照类案文书自行撰写裁判文书本院认为段的方法非常消耗法官撰写裁判文书的时间和精力,效率较低,降低了裁判文书的生成效率。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种生成裁判文书本院认为段的方法及装置。
技术方案如下:
基于本发明的一方面,本发明提供一种生成裁判文书本院认为段的方法,包括:
当接收到用户输入的至少一个审判要素时,获取与各审判要素对应的争议焦点和裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则;
根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果;
依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述。
可选地,所述获取与各审判要素对应的争议焦点和裁判规则、以及根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果,均通过预先训练的要素模型实现:
其中,所述要素模型通过由相同类型的裁判文书进行训练得到,用于根据输入的审判要素,得到与所述输入的审判要素对应的争议焦点和裁判规则、以及根据争议焦点和裁判规则,推导得到各争议焦点的判决结果。
可选地,所述要素模型通过如下步骤得到:
获取相同案由下第一数量的裁判文书作为训练样本文书,所述训练样本文书中带有事件数据的标注,所述事件数据包括要素、争议焦点、裁判规则和判决结果;
将所述训练样本文书作为要素模型的输入,采用预设算法对该要素模型进行训练,得到训练好的要素模型。
可选地,所述获取与各审判要素对应的争议焦点和裁判规则之后,所述方法还包括:
依据用户的第一选择指令,从各审判要素对应的多个争议焦点中选择确定的争议焦点;
依据用户的第二选择指令,从确定的各争议焦点对应的多个裁判规则中选择确定的裁判规则。
可选地,所述生成裁判文书的本院认为段之后,所述方法还包括:
依据用户输入的调整信息,调整生成的本院认为段。
可选地,所述依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段包括:
将确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,填写本院认为段模版,生成裁判文书的本院认为段。
可选地,对于多个争议焦点的判决结果相同的情况,在填写本院认为段模版时,将该多个争议焦点相同的判决结果整合为一条判决结果进行填写。
基于本发明的另一方面,本发明提供一种生成裁判文书本院认为段的装置,包括:
获取单元,用于当接收到用户输入的至少一个审判要素时,获取与各审判要素对应的争议焦点和裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则;
判决结果得到单元,用于根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果;
本院认为段生成单元,用于依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述。
基于本发明的再一方面,本发明提供一种存储介质,所述存储介质上存储有程序,所述程序被处理器执行时实现如前文所述的生成裁判文书本院认为段的方法。
基于本发明的再一方面,本发明提供一种处理器,所述处理器用于运行程序,其中所述程序运行时执行如前文所述的生成裁判文书本院认为段的方法。
借由上述技术方案,本发明提供的生成裁判文书本院认为段的方法及装置中,只需用户输入至少一个审判要素,本发明便可得到与输入的审判要素对应的争议焦点和裁判规则,并进一步根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果,最后依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段。本发明提供的生成裁判文书本院认为段的方法及装置能够自动生成裁判文书的本院认为段,减少了法官撰写裁判文书的压力,提高了裁判文书本院认为段的生成效率,从而提高了裁判文书的生成效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种生成裁判文书本院认为段的方法的流程图;
图2示出了本发明实施例中要素模型的训练方法的流程图;
图3示出了本发明实施例提供的一种生成裁判文书本院认为段的装置的结构示意图。
实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
请参阅图1,其示出了本发明实施例提供的一种生成裁判文书本院认为段的方法的流程图,通过本发明实施例提供的生成裁判文书本院认为段的方法能够自动生成裁判文书的本院认为段,减少了法官撰写裁判文书的压力,提高了裁判文书的本院认为段的生成效率,从而提高了裁判文书的生成效率。其中本院认为段是裁判文书中法官对案件进行案件结果总结认定的段落,一般在裁判文书中常见的表述形式为“本院认为……”。
具体的,图1所示生成裁判文书本院认为段的方法可以包括以下步骤:
步骤101,当接收到用户输入的至少一个审判要素时,获取与各审判要素对应的争议焦点和裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则。
在实际应用过程中,可由法官直接输入至少一个审判要素,也可在庭审过程中,让当事人填写审判要素,进而由法官对当事人填写的审判要素进行分析甄别,从中确认法院认可的审判要素进行输入。
步骤102,根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果。
在实际应用过程中,由于一个审判要素可能对应多项争议焦点,一项争议焦点又对应多条裁判规则,然而有些争议焦点或裁判规则可能与本案有些偏差,或者不是用户关心的焦点,由此本发明在获取到与各审判要素对应的多个争议焦点和裁判规则时,可以先输出获得的所有争议焦点和裁判规则,供用户选择来确定对应的争议焦点和裁判规则。
具体地,可以依据用户的第一选择指令,从各审判要素对应的多个争议焦点中选择确定的争议焦点;依据用户的第二选择指令,从确定的各争议焦点对应的多个裁判规则中选择确定的裁判规则。
对于本发明上述步骤101、步骤102,可以通过预先训练的要素模型实现。本发明中,一个案由下的要素模型由该案由下的裁判文书训练得到。优选地,选择该案由下的典型案例进行训练得到要素模型。对于训练好的要素模型,能够根据输入的审判要素,得到与所述输入的审判要素对应的争议焦点和裁判规则、以及根据确定的争议焦点和裁判规则,推导得到确定的各争议焦点的判决结果。
对于本发明中的要素模型,具体采用如下步骤201-步骤202所示的方法进行训练得到,如图2所示,方法包括:
步骤201,获取相同案由下第一数量的裁判文书作为训练样本文书,所述训练样本文书中带有事件数据的标注,所述事件数据包括要素、争议焦点、裁判规则和判决结果。
本发明实施例中,获取的相同案由下第一数量的裁判文书可以位于预设文书库中,其中预设文书库是预先选取的裁判文书组成的文书库,该文书库可以包括:典型案件的裁判文书和基础案件的裁判文书。其中典型案件是最高人民法院或地方高级法院发布的具有典型性的案件,对同类案件具有参考意义,使得典型案件的裁判文书的质量高于基础案件的裁判文书的质量。其中第一数量的取值可以根据实际应用而定,本发明不限定其取值。训练样本文书优选为相同案由下的典型案件的裁判文书,当该案由下的典型案件数量过少时,可以选择该案由下的全部典型案件以及该案由下的部分或全部基础案件的裁判文书作为训练样本文书;当该案由下的典型案件数量充足时,可以选择该案由下的全部或部分典型案件的裁判文书作为训练样本文书。
对于获取的相同案由下第一数量的裁判文书,可选地,可以只将该第一数量的裁判文书中的本院认为段作为要素模型训练的训练样本文书,针对每一篇训练样本文书,其都带有事件数据的标注,其中事件数据包括要素、争议焦点、裁判规则和判决结果。
可以理解地,本发明中的要素是具有总结概括意义、能够区别其他案件的关键元素或词汇。要素可以是从案件中提炼出的核心案情,也可以是法官基于案情总结得到的案件的概括描述。
要素中可以包含案件的基本案情、涉及的争议内容、纠纷起因、证据等等,以房屋买卖合同纠纷案件为例,要素可以为试用期间的购买标准,如购买标准一“房屋买卖双方当事人应当具备能够以自身行为依法行使权利并且承担义务的资格”这是一个要素,购买标准二“房屋买卖不得违反政策、法律法规和社会公共利益”这也是一个要素。又如,以离婚案件为例,要素可以为准予离婚的条件,如“因感情不和分居满二年”是一个要素,“原告方长期承受家庭暴力”又是一个要素。
争议焦点是基于要素得到的,要素是争议焦点争议的某一种状态的表述,以“房屋买卖不得违反政策、法律法规和社会公共利益” 这一要素为例,该要素对应的争议焦点可以是“房屋买卖没有违反政策、法律法规和社会公共利益,是否认定房屋买卖成立并生效”;又如,以“因感情不和分居满二年”这一要素为例,该要素对应的争议焦点可以是“因感情不和分居满二年,是否准予离婚”。
裁判规则是争议焦点的处理规则,举例来说,要素为“对方存在欺诈行为认定合同无效”,争议焦点为“对方存在欺诈行为是否认定合同无效”,裁判规则为:认定合同无效的规则。
判决结果是根据争议焦点和裁判规则推导出的该争议焦点予以支持还是驳回。。
训练样本文书中的事件数据可以是训练样本文书中的一些词汇、一句话、或一个段落,本发明实施例对训练样本文书中事件数据进行标注具体可以为,采用人工标记或机器学习后标记的方式,对训练样本文书中的事件数据进行标注。
步骤202,将所述训练样本文书作为要素模型的输入,采用预设算法对该要素模型进行训练,得到训练好的要素模型。
其中预设算法可以为SVM(Support Vector Machine,支持向量机)算法或神经网络算法等。
通过将这些标注好的训练样本文书输入到要素模型中,就能够对要素模型进行训练。当输入了一定数量的训练样本文书后,则可以认为对要素模型的训练结束。对于训练结束后的要素模型,其学习了各个要素分别与争议焦点、裁判规则的逻辑对应关系,以及争议焦点、裁判规则与判决结果间的逻辑对应关系。当向该训练好的要素模型中输入审判要素,要素模型就能够依据该输入的审判要素获取到与之对应的至少一项争议焦点以及与争议焦点对应的至少一条裁判规则,并可以进一步根据确定的争议焦点和裁判规则,推导得到确定的各争议焦点的判决结果。
在本发明得到训练好的要素模型,尤其是初次得到训练好的要素模型后,为了保证要素模型输出结果的准确度,可以选取相同案由下第二数量的裁判文书作为测试样本文书,将该第二数量的裁判文书中的审判要素输入至要素模型,从而实现对要素模型准确性测试和微调。
具体地,对于每个测试样本文书:提取出该测试样本文书中的审判要素,并将其输入至要素模型,从而获取要素模型输出的争议焦点、裁判规则、以及根据争议焦点和裁判规则,推导得到各争议焦点的判决结果,进而将其与测试样本文书中本院认为段记载的争议焦点、裁判规则、判决结果进行比对。如果测试样本文书中本院认为段记载的争议焦点、裁判规则、判决结果都包含在要素模型提取的争议焦点、裁判规则和推导的判决结果内,则说明可以通过要素模型得到正确的争议焦点、裁判规则、判决结果;若测试样本文书中本院认为段记载的争议焦点、裁判规则、判决结果不完全包含在要素模型提取的争议焦点、裁判规则和推导的判决结果内,则说明要素模型目前尚未完善。此时,可以继续输入训练样本文书对要素模型进行训练。在一个实施例中,继续训练时输入的训练样本文书与之前的训练样本文书可以是相同或部分相同的,但是继续训练所输入的样本与之前输入训练样本文书的标注方式存在一定差异。在另一个实施例中,继续训练时输入的训练样本文书与之前的训练样本文书可以是完全不同的样本。通过对要素模型进行测试和再次训练的方式,能够提高要素模型输出结果的准确度。
步骤103,依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述。
本院认为段由争议焦点+裁判规则+法官具体分析内容组成,是裁判文书中法官依据已经查明的事实和相关法律,论证如何推导出判决结果的说理部分,据此本发明实施例预先设置了本院认为段模板。
本院认为段模板例如为:本院认为,本案的争议焦点为xxxxxx,依据xxxxx,一方(如原告方)的理由有事实和法律依据,本院予以支持,另一方(如被告方)的请求于法无据,本院予以驳回。
本发明在确定争议焦点、裁判规则、以及依据争议焦点和裁判规则得到确定的各争议焦点的判决结果后,将确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,填写本院认为段模版,从而自动生成裁判文书的本院认为段。
在实际应用过程中,对于存在多个争议焦点的案子,会出现多个争议焦点的判决结果相同的情况,比如争议焦点分别为“是否赔偿精神补偿金”、“离婚后是否对房屋的所有权进行分割”,该两个争议焦点的判决结果均为驳回时,为了简便描述,在填写本院认为段模版时,可以将该多个争议焦点相同的判决结果整合为一条判决结果进行填写,而不再逐个描述。
例如,本案的争议焦点为“是否赔偿精神补偿金”和“离婚后是否对房屋的所有权进行分割”,依据xxxxx,原告方的理由有事实和法律依据,本院予以支持,被告方的请求于法无据,本院予以驳回。
此外作为本发明实施例的一个可选实施例,本发明在步骤103之后,还可以包括:依据用户输入的调整信息,调整生成的本院认为段。
其中调整信息例如为修改描述、增加描述、删除描述等。
本发明实施例在输出自动生成的本院认为段后,法官可以根据法律经验,自行判断是否采纳生成的本院认为段,且支持对生成的本院认为段进行微调定稿,从而形成最终的判决结果。
本发明提供的生成裁判文书本院认为段的方法中,用户输入至少一个审判要素,本发明便可得到与输入的审判要素对应的争议焦点和裁判规则,并进一步根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果,最后依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段。
本发明提供的生成裁判文书本院认为段的方法能够自动生成裁判文书的本院认为段,减少了法官撰写裁判文书的压力,提高了裁判文书本院认为段的生成效率,从而提高了裁判文书的生成效率。
与上述方法实施例相对应,本发明实施例还提供一种生成裁判文书本院认为段的装置,能够自动生成裁判文书的本院认为段,减少了法官撰写裁判文书的压力,提高了裁判文书的本院认为段的生成效率,从而提高了裁判文书的生成效率。其中本院认为段是裁判文书中法官对案件进行案件结果总结认定的段落,一般在裁判文书中常见的表述形式为“本院认为……”。
在本发明实施例中,生成裁判文书本院认为段的装置的可选结构如图3所示,可以包括:获取单元11、判决结果得到单元12和本院认为段生成单元13。其中,
获取单元11,用于当接收到用户输入的至少一个审判要素时,获取与各审判要素对应的争议焦点和裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则;
判决结果得到单元12,用于根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果;
本院认为段生成单元13,用于依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述。
所述生成裁判文书本院认为段的装置包括处理器和存储器,上述获取单元11、判决结果得到单元12和本院认为段生成单元13等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现自动生成裁判文书的本院认为段。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述生成裁判文书本院认为段的方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述生成裁判文书本院认为段的方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:
当接收到用户输入的至少一个审判要素时,获取与各审判要素对应的争议焦点和裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则;
根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果;
依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述。
可选地,所述获取与各审判要素对应的争议焦点和裁判规则、以及根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果,均通过预先训练的要素模型实现:
其中,所述要素模型通过由相同类型的裁判文书进行训练得到,用于根据输入的审判要素,得到与所述输入的审判要素对应的争议焦点和裁判规则、以及根据争议焦点和裁判规则,推导得到各争议焦点的判决结果。
可选地,所述要素模型通过如下步骤得到:
获取相同案由下第一数量的裁判文书作为训练样本文书,所述训练样本文书中带有事件数据的标注,所述事件数据包括要素、争议焦点、裁判规则和判决结果;
将所述训练样本文书作为要素模型的输入,采用预设算法对该要素模型进行训练,得到训练好的要素模型。
可选地,所述获取与各审判要素对应的争议焦点和裁判规则之后,所述方法还包括:
依据用户的第一选择指令,从各审判要素对应的多个争议焦点中选择确定的争议焦点;
依据用户的第二选择指令,从确定的各争议焦点对应的多个裁判规则中选择确定的裁判规则。
可选地,所述生成裁判文书的本院认为段之后,所述方法还包括:
依据用户输入的调整信息,调整生成的本院认为段。
可选地,所述依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段包括:
将确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,填写本院认为段模版,生成裁判文书的本院认为段。
可选地,对于多个争议焦点的判决结果相同的情况,在填写本院认为段模版时,将该多个争议焦点相同的判决结果整合为一条判决结果进行填写。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
当接收到用户输入的至少一个审判要素时,获取与各审判要素对应的争议焦点和裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则;
根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果;
依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述。
可选地,所述获取与各审判要素对应的争议焦点和裁判规则、以及根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果,均通过预先训练的要素模型实现:
其中,所述要素模型通过由相同类型的裁判文书进行训练得到,用于根据输入的审判要素,得到与所述输入的审判要素对应的争议焦点和裁判规则、以及根据争议焦点和裁判规则,推导得到各争议焦点的判决结果。
可选地,所述要素模型通过如下步骤得到:
获取相同案由下第一数量的裁判文书作为训练样本文书,所述训练样本文书中带有事件数据的标注,所述事件数据包括要素、争议焦点、裁判规则和判决结果;
将所述训练样本文书作为要素模型的输入,采用预设算法对该要素模型进行训练,得到训练好的要素模型。
可选地,所述获取与各审判要素对应的争议焦点和裁判规则之后,所述方法还包括:
依据用户的第一选择指令,从各审判要素对应的多个争议焦点中选择确定的争议焦点;
依据用户的第二选择指令,从确定的各争议焦点对应的多个裁判规则中选择确定的裁判规则。
可选地,所述生成裁判文书的本院认为段之后,所述方法还包括:
依据用户输入的调整信息,调整生成的本院认为段。
可选地,所述依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段包括:
将确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,填写本院认为段模版,生成裁判文书的本院认为段。
可选地,对于多个争议焦点的判决结果相同的情况,在填写本院认为段模版时,将该多个争议焦点相同的判决结果整合为一条判决结果进行填写。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种生成裁判文书本院认为段的方法,其特征在于,包括:
当接收到用户输入的至少一个审判要素时,通过预先训练的要素模型获取与各审判要素对应的争议焦点和裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则;
通过所述要素模型根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果;
依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述;
依据用户输入的调整信息,调整生成的本院认为段;所述调整信息至少包括修改描述、增加描述、删除描述中的一个;
其中,所述要素模型通过由相同类型的裁判文书进行训练得到,包括:
获取相同案由下第一数量的裁判文书作为训练样本文书,所述训练样本文书中带有事件数据的标注,所述事件数据包括要素、争议焦点、裁判规则和判决结果;
将所述训练样本文书作为要素模型的输入,采用预设算法对该要素模型进行训练,得到训练好的要素模型;
所述获取与各审判要素对应的争议焦点和裁判规则之后,所述方法还包括:
依据用户的第一选择指令,从各审判要素对应的多个争议焦点中选择确定的争议焦点;
依据用户的第二选择指令,从确定的各争议焦点对应的多个裁判规则中选择确定的裁判规则。
2.根据权利要求1所述的方法,其特征在于,所述依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段包括:
将确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,填写本院认为段模版,生成裁判文书的本院认为段。
3.根据权利要求2所述的方法,其特征在于,
对于多个争议焦点的判决结果相同的情况,在填写本院认为段模版时,将多个争议焦点相同的判决结果整合为一条判决结果进行填写。
4.一种生成裁判文书本院认为段的装置,其特征在于,包括:
获取单元,用于当接收到用户输入的至少一个审判要素时,通过预先训练的要素模型获取与各审判要素对应的争议焦点和裁判规则,依据用户的第一选择指令,从各审判要素对应的多个争议焦点中选择确定的争议焦点,依据用户的第二选择指令,从确定的各争议焦点对应的多个裁判规则中选择确定的裁判规则,其中一个审判要素对应至少一项争议焦点,一项争议焦点对应至少一条裁判规则;
判决结果得到单元,用于通过预先训练的要素模型根据确定的争议焦点和裁判规则,得到确定的各争议焦点的判决结果;
本院认为段生成单元,用于依据确定的争议焦点、裁判规则、以及得到的确定的各争议焦点的判决结果,结合预先设置的本院认为段模板,生成裁判文书的本院认为段,并依据用户输入的调整信息,调整生成的本院认为段;其中所述本院认为段模板是预先为本院认为段设定的案件结果总结的标准描述;所述调整信息至少包括修改描述、增加描述、删除描述中的一个;
其中,所述要素模型通过由相同类型的裁判文书进行训练得到,包括:
获取相同案由下第一数量的裁判文书作为训练样本文书,所述训练样本文书中带有事件数据的标注,所述事件数据包括要素、争议焦点、裁判规则和判决结果;
将所述训练样本文书作为要素模型的输入,采用预设算法对该要素模型进行训练,得到训练好的要素模型。
5.一种存储介质,其特征在于,所述存储介质上存储有程序,所述程序被处理器执行时实现如权利要求1至3任意一项所述的生成裁判文书本院认为段的方法。
6.一种处理器,其特征在于,所述处理器用于运行程序,其中所述程序运行时执行如权利要求1至3任意一项所述的生成裁判文书本院认为段的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716188.8A CN110738032B (zh) | 2018-07-03 | 2018-07-03 | 一种生成裁判文书本院认为段的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716188.8A CN110738032B (zh) | 2018-07-03 | 2018-07-03 | 一种生成裁判文书本院认为段的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738032A CN110738032A (zh) | 2020-01-31 |
CN110738032B true CN110738032B (zh) | 2024-02-13 |
Family
ID=69234124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810716188.8A Active CN110738032B (zh) | 2018-07-03 | 2018-07-03 | 一种生成裁判文书本院认为段的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738032B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695874B (zh) * | 2020-06-09 | 2023-08-11 | 山东交通学院 | 一种司法判决辅助系统以及方法、设备、可存储介质 |
CN116127977B (zh) * | 2023-02-08 | 2023-10-03 | 中国司法大数据研究院有限公司 | 一种面向裁判文书的伤亡人数提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106844318A (zh) * | 2016-12-20 | 2017-06-13 | 北京华宇信息技术有限公司 | 文书智能编写方法、文书智能编写装置和计算机存储介质 |
CN107562938A (zh) * | 2017-09-21 | 2018-01-09 | 重庆工商大学 | 一种法院智能审判方法 |
CN107818175A (zh) * | 2017-11-17 | 2018-03-20 | 厦门能见易判信息科技有限公司 | 一种法律类案问题智能预判系统及方法 |
CN107918921A (zh) * | 2017-11-21 | 2018-04-17 | 南京擎盾信息科技有限公司 | 刑事案件判决结果度量方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101559717B1 (ko) * | 2015-05-22 | 2015-10-12 | (주)이투오피에스 | 라이브웨어에 대한 상태변환 예측 및 상태 개선 방법, 그리고 상기 방법을 구현하는 장치 |
-
2018
- 2018-07-03 CN CN201810716188.8A patent/CN110738032B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106844318A (zh) * | 2016-12-20 | 2017-06-13 | 北京华宇信息技术有限公司 | 文书智能编写方法、文书智能编写装置和计算机存储介质 |
CN107562938A (zh) * | 2017-09-21 | 2018-01-09 | 重庆工商大学 | 一种法院智能审判方法 |
CN107818175A (zh) * | 2017-11-17 | 2018-03-20 | 厦门能见易判信息科技有限公司 | 一种法律类案问题智能预判系统及方法 |
CN107918921A (zh) * | 2017-11-21 | 2018-04-17 | 南京擎盾信息科技有限公司 | 刑事案件判决结果度量方法及系统 |
Non-Patent Citations (2)
Title |
---|
A Model for Automated Rating of Case Law;Marc van Opijnen等;《ICAIL ’13》;20130614;第140-149页 * |
基于本体的刑事审判案例推理方案研究;佘贵清 等;《图书情报工作》;20140731;第58卷(第13期);第118-124页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110738032A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108121795B (zh) | 用户行为预测方法及装置 | |
CN112860841B (zh) | 一种文本情感分析方法、装置、设备及存储介质 | |
CN103970864B (zh) | 基于微博文本的情绪分类和情绪成分分析方法及系统 | |
CN111291570A (zh) | 一种实现司法文书中要素识别的方法及装置 | |
CN110597966A (zh) | 自动问答方法及装置 | |
CN110069545B (zh) | 一种行为数据评估方法及装置 | |
CN107368489B (zh) | 一种资讯数据处理方法及装置 | |
CN110490304B (zh) | 一种数据处理方法及设备 | |
CN110019660A (zh) | 一种相似文本检测方法及装置 | |
CN110738032B (zh) | 一种生成裁判文书本院认为段的方法及装置 | |
CN110309295B (zh) | 生成裁判文书经审理查明段的方法及装置 | |
Hellrich et al. | Don't Get Fooled by Word Embeddings-Better Watch their Neighborhood. | |
CN110245346A (zh) | 事件信息分析方法及装置 | |
Dubash et al. | Political implications of data presentation | |
Peric et al. | Legal language modeling with transformers | |
Pérez-Montoro | Interaction in digital news media: from principles to practice | |
De La Mare et al. | Applying scientific principles in international law on whaling | |
CN108733672A (zh) | 实现网络信息质量评估的方法和装置 | |
CN111061870A (zh) | 文章的质量评价方法及装置 | |
CN105786929B (zh) | 一种信息监测方法及装置 | |
CN110347921A (zh) | 一种多模态数据信息的标签抽取方法及装置 | |
CN115617998A (zh) | 一种基于智能营销场景的文本分类方法及装置 | |
CN108986786A (zh) | 语音交互设备评级方法、系统、计算机设备和存储介质 | |
CN112380872B (zh) | 一种目标实体的情感倾向确定方法及装置 | |
CN113704452A (zh) | 基于Bert模型的数据推荐方法、装置、设备及介质 |
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 |