CN110738039B - 一种案件辅助信息的提示方法、装置、存储介质和服务器 - Google Patents
一种案件辅助信息的提示方法、装置、存储介质和服务器 Download PDFInfo
- Publication number
- CN110738039B CN110738039B CN201910829464.6A CN201910829464A CN110738039B CN 110738039 B CN110738039 B CN 110738039B CN 201910829464 A CN201910829464 A CN 201910829464A CN 110738039 B CN110738039 B CN 110738039B
- Authority
- CN
- China
- Prior art keywords
- case
- information
- neural network
- network model
- determining
- 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 41
- 238000003062 neural network model Methods 0.000 claims abstract description 90
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—Combinations of networks
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域,提出一种案件辅助信息的提示方法、装置、存储介质和服务器。该方法包括:获取案件的判决结果文本;从所述判决结果文本中提取出所述案件的量刑信息和适用法条;从与所述案件相关的法律文书中提取出所述案件的案情信息;将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度;将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确;若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息,采用本方法能够辅助法官对案件的判决结果进行监督和复核。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种案件辅助信息的提示方法、装置、存储介质和服务器。
背景技术
目前,案件的审判过程很大程度依赖于法官的主观意识和看法。若法官在案件审判的过程中出错,则可能导致冤假错案的发生。因此,如何辅助法官对案件的判决结果进行监督和复核,减少案件误判行为的发生成为技术人员需要考虑的一个问题。
发明内容
有鉴于此,本发明实施例提供了一种案件辅助信息的提示方法、装置、存储介质和服务器,能够辅助法官对案件的判决结果进行监督和复核,减少案件误判行为的发生。
本发明实施例的第一方面,提供了一种案件辅助信息的提示方法,包括:
获取案件的判决结果文本;
从所述判决结果文本中提取出所述案件的量刑信息和适用法条;
从与所述案件相关的法律文书中提取出所述案件的案情信息;
将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度,所述第一神经网络模型由对应于所述量刑信息的多个第一样本案件的案情数据作为训练集训练获得,所述第一神经网络模型通过将所述案情信息和所述第一样本案件的案情数据进行匹配得到第一相似度,并根据所述第一相似度的大小确定所述量刑信息的合理度;
将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确,所述第二神经网络模型由对应于所述适用法条的多个第二样本案件的案情数据作为训练集训练获得,所述第二神经网络模型通过将所述案情信息和所述第二样本案件的案情数据进行匹配得到第二相似度,并根据所述第二相似度的大小确定所述适用法条是否正确;
若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息。
本发明实施例的第二方面,提供了一种面向法官的用户画像装置,包括:
判决结果获取模块,用于获取案件的判决结果文本;
判决信息提取模块,用于从所述判决结果文本中提取出所述案件的量刑信息和适用法条;
案情信息提取模块,用于从与所述案件相关的法律文书中提取出所述案件的案情信息;
量刑合理度确定模块,用于将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度,所述第一神经网络模型由对应于所述量刑信息的多个第一样本案件的案情数据作为训练集训练获得,所述第一神经网络模型通过将所述案情信息和所述第一样本案件的案情数据进行匹配得到第一相似度,并根据所述第一相似度的大小确定所述量刑信息的合理度;
适用法条确定模块,用于将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确,所述第二神经网络模型由对应于所述适用法条的多个第二样本案件的案情数据作为训练集训练获得,所述第二神经网络模型通过将所述案情信息和所述第二样本案件的案情数据进行匹配得到第二相似度,并根据所述第二相似度的大小确定所述适用法条是否正确;
辅助信息输出模块,用于若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息。
本发明实施例的第三方面,提供了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可读指令,所述计算机可读指令被处理器执行时实现如本发明实施例的第一方面提出的案件辅助信息的提示方法的步骤。
本发明实施例的第四方面,提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如本发明实施例的第一方面提出的案件辅助信息的提示方法的步骤。
本发明实施例提出的案件辅助信息的提示方法包括:获取案件的判决结果文本;从所述判决结果文本中提取出所述案件的量刑信息和适用法条;从与所述案件相关的法律文书中提取出所述案件的案情信息;将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度;将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确;若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息。通过这样设置,当法官审判完一个案件并产生相应的判决结果文本之后,系统能够从该判决结果文本中提取出相应的量刑信息和适用法条,然后再从相关的法律文书中提取该案件的案情信息,通过将该案情信息分别输入与该量刑信息对应的神经网络模型以及与该适用法条对应的神经网络模型,从而确定该案件的量刑是否合理以及适用法条是否正确。若量刑不合理或者适用法条不正确,则会输出用于指示该案件判决有误的辅助信息,从而协助法官对案件的判决结果进行监督和复核,减少案件误判行为的发生。
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是本发明实施例提供的一种案件辅助信息的提示方法的第一个实施例的流程图;
图2是本发明实施例提供的一种案件辅助信息的提示方法的第二个实施例的流程图;
图3是本发明实施例提供的一种案件辅助信息的提示装置的一个实施例的结构图;
图4是本发明实施例提供的一种服务器的示意图。
具体实施方式
本发明实施例提供了一种案件辅助信息的提示方法、装置、存储介质和服务器,能够辅助法官对案件的判决结果进行监督和复核,减少案件误判行为的发生。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中一种案件辅助信息的提示方法的第一个实施例包括:
101、获取案件的判决结果文本;
当一个案件完成审判,产生判决结果之后,服务器会获取该案件的判决结果文本。该案件可以是刑事案件、民事案件等各类需要审判的案件,该判决结果文本可以是电子版的案件判决书,记录着案件的审判结果。
102、从所述判决结果文本中提取出所述案件的量刑信息和适用法条;
在获得判决结果文本之后,服务器会从该判决结果文本中提取出该案件的量刑信息和适用法条。具体的,量刑信息可以包括三年以下有期徒刑、三年以下拘役、三年以下管制、三年以上十年以下有期徒刑、十年以上有期徒刑、无期徒刑、死刑等,适用法条是法官判决案件时采用的法律条文,比如“中华人民共和国刑法第九条…”、“婚姻法第六条”等。在实际操作中,可以采用关键词检测与提取的方式从该判决结果文本中提取出所述案件的量刑信息和适用法条。比如若检测到关键词“死刑”,则可提取出量刑信息为“死刑”,以此类推。
103、从与所述案件相关的法律文书中提取出所述案件的案情信息;
接着,服务器会从与所述案件相关的法律文书中提取出所述案件的案情信息。这些法律文书记载着该案件的具体的案情信息,比如案件的前因、过程和后果,相关人员的证词等。在实际操作中,同样可以采用关键词检测与提取的方式从该法律文书中提取出案情信息。
104、将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度;
在提取出案情信息之后,服务器将这些案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度。该第一神经网络模型由对应于所述量刑信息的多个样本案件的案情数据作为训练集训练获得,比如若该量刑信息为“无期徒刑”,则该第一神经网络模型由被量刑为“无期徒刑”的多个历史样本案件的案情数据作为训练集训练获得。具体的,该第一神经网络模型在获取到输入的案情信息之后,会将该案情信息和对应于所述量刑信息的各个历史样本案件的案情数据进行相似度的匹配,得到一个相似度作为输出结果,然后可以根据该相似度的大小确定该量刑信息的合理度,相似度越大则对应的合理度越高,比如若相似度为90%,则确定合理度为80(最大100);若相似度为80%,则确定合理度为60等。
105、将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确;
另外,服务器还会将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确,该第二神经网络模型由对应于所述适用法条的多个样本案件的案情数据作为训练集训练获得,比如若该适用法条为“刑法第九条”,则该第二神经网络模型由被判定适用法条为“刑法第九条”的多个历史样本案件的案情数据作为训练集训练获得。具体的,该第二神经网络模型在获取到输入的案情信息之后,会将该案情信息和对应于所述适用法条的各个历史样本案件的案情数据进行相似度的匹配,得到一个相似度作为输出结果,然后可以根据该相似度的大小确定该适用法条是否正确,比如若该相似度超过某个预设的阈值,则确定适用法条正确;若该相似度未超过该阈值,则确定适用法条错误。
优选的,第一神经网络模型及第二神经网络模型均可以采用基于BP神经网络的二分类器,该网络由一个输入层、至少一个隐藏层及一个输出层构成,通过将样本集合(Ai,Bi)送入网络,计算网络的实际输出O与样本值Bi之间的误差D,根据D调整网络的权值矩阵W,从而通过不断的训练使得误差D不超过规定的范围。针对该神经网络模型,其数学表达式可为yi=f(neti),其中W为神经元连接的权值,θ为预先设置的偏置值。其中,激活函数f可选择sigmoid函数,在训练BP神经网络模型时,可采用梯度下降BP训练函数,即将样本输入到神经网络得到输出值后,计算输出值和预计值之间的误差值,将误差值通过反向传播算法从后向前逐层输入到隐藏层,计算出各层参数的偏差,之后将参数移动特定的步长来进行调节,直至参数调整到合适的程度,即误差在可接受的范围内。待分类器训练完成后,将所述案情信息输入到分类器中,获取该分类器输出的结果(0或1)以确定该量刑信息以及适用法条是否合理,比如该分类器输出0则表示该量刑信息的合理度过低,或者该适用法条错误;输出1则表示该量刑信息的合理度较高,或者该适用法条正确。
106、若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息。
若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,服务器则会输出用于指示所述案件判决有误的辅助信息。比如,可以构建并输出“该案件的量刑信息过轻(过重),建议修正为…”或者“该案件的适用法条错误,请参照法条…”的辅助信息,以提醒审判该案件的法官注意,从而能够协助法官对案件的判决结果进行监督和复核,减少案件误判行为的发生。
本发明实施例提出的案件辅助信息的提示方法包括:获取案件的判决结果文本;从所述判决结果文本中提取出所述案件的量刑信息和适用法条;从与所述案件相关的法律文书中提取出所述案件的案情信息;将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度;将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确;若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息。通过这样设置,当法官审判完一个案件并产生相应的判决结果文本之后,系统能够从该判决结果文本中提取出相应的量刑信息和适用法条,然后再从相关的法律文书中提取该案件的案情信息,通过将该案情信息分别输入与该量刑信息对应的神经网络模型以及与该适用法条对应的神经网络模型,从而确定该案件的量刑是否合理以及适用法条是否正确。若量刑不合理或者适用法条不正确,则会输出用于指示该案件判决有误的辅助信息,从而协助法官对案件的判决结果进行监督和复核,减少案件误判行为的发生。
请参阅图2,本发明实施例中一种案件辅助信息的提示方法的第二个实施例包括:
201、获取案件的判决结果文本;
步骤201与步骤101相同,具体可参照步骤101的相关说明。
202、从所述判决结果文本中检测预先构建的关键词库中记录的量刑关键词以及法条关键词;
在获得该案件的判决结果文本之后,服务器从所述判决结果文本中检测预先构建的关键词库中记录的量刑关键词以及法条关键词。在服务器端,可以预先收集各类常用的量刑关键词和法条关键词,比如三年以上十年以下有期徒刑、十年以上有期徒刑、无期徒刑、死刑、婚姻法第六条、劳动法第二条、刑法第九条…等等,将这些关键词存储于一个关键词库中。然后,从所述判决结果文本中检测是否包含该关键词库中记录的这些关键词。
203、分别统计检测到的每个量刑关键词的词频以及每个法条关键词的词频;
然后,分别统计检测到的每个量刑关键词的词频以及每个法条关键词的词频,也即每个关键词在该判决结果文本中出现的次数。
204、将检测到的量刑关键词中词频最高的关键词确定为提取出的量刑信息;
205、将检测到的法条关键词中词频最高的关键词确定为提取出的适用法条;
接着,将检测到的量刑关键词中词频最高的关键词确定为提取出的量刑信息,将检测到的法条关键词中词频最高的关键词确定为提取出的适用法条。比如,若检测到量刑关键词“无期徒刑”1次,“十年以上有期徒刑”1次,“死刑”4次,则将量刑关键词“死刑”确定为提取出的量刑信息。
206、从与所述案件相关的法律文书中提取出所述案件的案情信息;
进一步的,所述关键词库还记录案情关键词,步骤206可以包括:
(1)采用预先构建的分词模型对所述法律文书的内容进行分词,得到目标词组集;
(2)将从所述目标词组集中检测到的所述案情关键词确定为提取出的所述案件的案情信息。
在服务器端,可以预先收集各类常用的案情关键词,比如抢夺、盗窃、受贿等,将这些关键词存储于该关键词库中。在从法律文书中提取所述案件的案情信息时,可以采用预先构建的分词模型对所述法律文书的内容进行分词,得到目标词组集,然后将从所述目标词组集中检测到的所述案情关键词确定为提取出的所述案件的案情信息。
具体的,对于步骤(1),可以包括:
(1.1)从所述法律文书的内容中检测预设的目标关键词;
(1.2)根据检测到的目标关键词确定所述法律文书的类型;
(1.3)选取与所述法律文书的类型对应的分词模型对所述法律文书的内容进行分词。
在获得法律文书之后,从所述法律文书的内容中检测预设的目标关键词。对所述法律文书进行全文检索,以确定该法律文书的内容中是否包含某些预设的目标关键词,这些目标关键词可以用于确定该法律文书的类型,比如刑事、民事、行政、一审、二审等关键词。接着,根据检测到的目标关键词确定所述法律文书的类型。比如若检测到的目标关键词为“刑事”类型法律文书所对应的关键词,则确定该法律文书的类型为“刑事”;检测到的目标关键词为“一审”类型法律文书所对应的关键词,则确定该法律文书的类型为“一审”。另外,还可以通过识别法律文书中的法律理由,即作出该判决所适用的法条,来确定该法律文书的类型。也即,在对法律文书进行全文搜索时,可以首先识别文书中的书名号,将书名号中的法条名称取出,再根据法条名称确定该法律文书为刑事、民事或其他类型。
在确定所述法律文书的类型之后,选取与所述法律文书的类型对应的分词模型对所述法律文书的内容进行分词,得到目标词组集。不同的法律文书类型的用语、文书结构、段落组成有较大差别,因此,根据不同的文书类型预先生成不同的分词模型,在应用时选择合适的分词模型进行分词处理,有助于提高分词的合理性,从而获得更为精确的分词结果。
具体的,对于步骤(1.2),可以包括:
(1.2.1)若检测到的目标关键词的数量为一个,则根据所述检测到的目标关键词确定所述法律文书的类型;
(1.2.2)若检测到的目标关键词的数量为二个以上,则将所述检测到的目标关键词划分为一个以上的关键词组合,并根据所述关键词组合确定所述法律文书的类型,每个所述关键词组合包含二个以上的所述目标关键词。
若检测到的目标关键词的数量只有一个,则直接根据该目标关键词确定该法律文书的类型;若检测到的目标关键词的数量为二个以上,则将这些目标关键词划分为一个以上的关键词组合,然后根据划分得到的关键词组合确定该法律文书的类型,每个所述关键词组合包含二个以上的所述目标关键词。比如,目标关键词为“民事”,则直接确定该法律文书的类型为“民事”类型;划分得到的关键词组合为“民事,一审”,则可以确定该法律文书的类型为“一审的民事”类型。
具体的,对于步骤(1.2.2),所述根据所述关键词组合确定所述法律文书的类型可以包括:
(1.2.2.1)若所述关键词组合的数量为一个,则根据所述关键词组合确定所述法律文书的类型;
(1.2.2.2)若所述关键词组合的数量为二个以上,则分别统计每个所述关键词组合所包含的各个目标关键词在所述法律文书中的文本距离,并根据所述文本距离最小的关键词组合确定所述法律文书的类型。
若划分得到的关键词组合的数量为一个,则直接根据该关键词组合确定所述法律文书的类型,若划分得到的关键词组合的数量为二个以上,则可以分别统计每个所述关键词组合所包含的各个目标关键词在所述法律文书中的文本距离,也即两个关键词在法律文书的内容中所间隔的字符数量,最后根据所述文本距离最小的关键词组合确定所述法律文书的类型。通过这样设置,能够应对语义复杂,通过单个关键词无法判断法律文书类型的应用场景。
举例来说,在法律文书的内容“撤销北京市第二中级人民法院(2017)京02民终10216号民事判决第一项、第四项、第五项、第六项及北京市东城区人民法院(2016)京0101民初7939号民事判决第一项;维持北京市第二中级人民法院(2017)京02民终10216号民事判决第二项及北京市东城区人民法院(2016)京0101民初7939号民事判决第二项”中,选择出“撤销”、“民事判决第一项、第四项、第五项、第六项”、“维持”以及“民事判决第二项”等目标关键词,组合为关键词组合“撤销…民事判决第二项”,以及关键词组合“维持…民事判决第二项”。则通过统计可得,“撤销…民事判决第二项”该关键词组合中关键词的文本距离大于“维持…民事判决第二项”的文本距离,则选取“维持…民事判决第二项”关键词组合以确定该法律文书的类型。
207、将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度;
208、将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确;
209、若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息。
步骤207-209与步骤104-106相同,具体可参照步骤104-106的相关说明。
本发明实施例提出的案件辅助信息的提示方法包括:获取案件的判决结果文本;从所述判决结果文本中检测预先构建的关键词库中记录的量刑关键词以及法条关键词;分别统计检测到的每个量刑关键词的词频以及每个法条关键词的词频;将检测到的量刑关键词中词频最高的关键词确定为提取出的量刑信息;将检测到的法条关键词中词频最高的关键词确定为提取出的适用法条;从与所述案件相关的法律文书中提取出所述案件的案情信息;将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度;将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确;若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息。与本发明的第一个实施例相比,本实施例提出了一种从案件的判决结果文本中提取出量刑信息和适用法条的具体方式。
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。
上面主要描述了一种案件辅助信息的提示方法,下面将对一种案件辅助信息的提示装置进行描述。
请参阅图3,本发明实施例中一种案件辅助信息的提示装置的一个实施例包括:
判决结果获取模块301,用于获取案件的判决结果文本;
判决信息提取模块302,用于从所述判决结果文本中提取出所述案件的量刑信息和适用法条;
案情信息提取模块303,用于从与所述案件相关的法律文书中提取出所述案件的案情信息;
量刑合理度确定模块304,用于将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度,所述第一神经网络模型由对应于所述量刑信息的多个第一样本案件的案情数据作为训练集训练获得,所述第一神经网络模型通过将所述案情信息和所述第一样本案件的案情数据进行匹配得到第一相似度,并根据所述第一相似度的大小确定所述量刑信息的合理度;
适用法条确定模块305,用于将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确,所述第二神经网络模型由对应于所述适用法条的多个第二样本案件的案情数据作为训练集训练获得,所述第二神经网络模型通过将所述案情信息和所述第二样本案件的案情数据进行匹配得到第二相似度,并根据所述第二相似度的大小确定所述适用法条是否正确;
辅助信息输出模块306,用于若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息。
进一步的,所述判决信息提取模块可以包括:
关键词检测单元,用于从所述判决结果文本中检测预先构建的关键词库中记录的量刑关键词以及法条关键词;
词频统计单元,用于分别统计检测到的每个量刑关键词的词频以及每个法条关键词的词频;
量刑信息确定单元,用于将检测到的量刑关键词中词频最高的关键词确定为提取出的所述量刑信息;
适用法条确定单元,用于将检测到的法条关键词中词频最高的关键词确定为提取出的所述适用法条。
进一步的,所述关键词库还记录案情关键词,所述案情信息提取模块可以包括:
分词单元,用于采用预先构建的分词模型对所述法律文书的内容进行分词,得到目标词组集;
案情信息确定单元,用于将从所述目标词组集中检测到的所述案情关键词确定为提取出的所述案件的案情信息。
更进一步的,所述分词单元可以包括:
关键词检测子单元,用于从所述法律文书的内容中检测预设的目标关键词;
法律文书类型确定子单元,用于根据检测到的目标关键词确定所述法律文书的类型;
分词模型选取子单元,用于选取与所述法律文书的类型对应的分词模型对所述法律文书的内容进行分词。
更进一步的,所述法律文书类型确定子单元可以包括:
第一类型确定孙单元,用于若检测到的目标关键词的数量为一个,则根据所述检测到的目标关键词确定所述法律文书的类型;
第二类型确定孙单元,用于若检测到的目标关键词的数量为二个以上,则将所述检测到的目标关键词划分为一个以上的关键词组合,并根据所述关键词组合确定所述法律文书的类型,每个所述关键词组合包含二个以上的所述目标关键词。
本发明实施例还提供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可读指令,所述计算机可读指令被处理器执行时实现如图1或图2表示的任意一种案件辅助信息的提示方法的步骤。
本发明实施例还提供一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如图1或图2表示的任意一种案件辅助信息的提示方法的步骤。
图4是本发明一实施例提供的服务器的示意图。如图4所示,该实施例的服务器4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个应用推广效果的评估方法实施例中的步骤,例如图1所示的步骤101至106。或者,所述处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块301至306的功能。
示例性的,所述计算机可读指令42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机可读指令42在所述服务器4中的执行过程。
所述服务器4可以是智能手机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是服务器4的示例,并不构成对服务器4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,例如所述服务器4还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40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41可以是所述服务器4的内部存储单元,例如服务器4的硬盘或内存。所述存储器41也可以是所述服务器4的外部存储设备,例如所述服务器4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41还可以既包括所述服务器4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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(可以是个人计算机,服务器,或者网络设备等)执行本发明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、移动硬盘、只读存储器(ROM,Read-OnLyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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,并不使相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。
Claims (8)
1.一种案件辅助信息的提示方法,其特征在于,包括:
获取案件的判决结果文本;
从所述判决结果文本中提取出所述案件的量刑信息和适用法条;
从与所述案件相关的法律文书中提取出所述案件的案情信息;
将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度,所述第一神经网络模型由对应于所述量刑信息的多个第一样本案件的案情数据作为训练集训练获得,所述第一神经网络模型通过将所述案情信息和所述第一样本案件的案情数据进行匹配得到第一相似度,并根据所述第一相似度的大小确定所述量刑信息的合理度;
将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确,所述第二神经网络模型由对应于所述适用法条的多个第二样本案件的案情数据作为训练集训练获得,所述第二神经网络模型通过将所述案情信息和所述第二样本案件的案情数据进行匹配得到第二相似度,并根据所述第二相似度的大小确定所述适用法条是否正确;
若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息;
其中,所述从与所述案件相关的法律文书中提取出所述案件的案情信息包括:
采用预先构建的分词模型对所述法律文书的内容进行分词,得到目标词组集;
将从所述目标词组集中检测到的,属于预先构建的关键词库中记录的案情关键词确定为提取出的所述案件的案情信息;
所述采用预先构建的分词模型对所述法律文书的内容进行分词,包括:
识别所述法律文书的书名号;
提取所述书名号中的法条名称;
根据所述法条名称确定所述法律文书的类型;
选取与所述法律文书的类型对应的分词模型对所述法律文书的内容进行分词。
2.根据权利要求1所述的案件辅助信息的提示方法,其特征在于,所述从所述判决结果文本中提取出所述案件的量刑信息和适用法条包括:
从所述判决结果文本中检测所述关键词库中记录的量刑关键词以及法条关键词;
分别统计检测到的每个量刑关键词的词频以及每个法条关键词的词频;
将检测到的量刑关键词中词频最高的关键词确定为提取出的所述量刑信息;
将检测到的法条关键词中词频最高的关键词确定为提取出的所述适用法条。
3.根据权利要求1所述的案件辅助信息的提示方法,其特征在于,所述采用预先构建的分词模型对所述法律文书的内容进行分词,还包括:
从所述法律文书的内容中检测预设的目标关键词;
根据检测到的目标关键词确定所述法律文书的类型;
选取与所述法律文书的类型对应的分词模型对所述法律文书的内容进行分词。
4.根据权利要求3所述的案件辅助信息的提示方法,其特征在于,所述根据检测到的目标关键词确定所述法律文书的类型包括:
若检测到的目标关键词的数量为一个,则根据所述检测到的目标关键词确定所述法律文书的类型;
若检测到的目标关键词的数量为二个以上,则将所述检测到的目标关键词划分为一个以上的关键词组合,并根据所述关键词组合确定所述法律文书的类型,每个所述关键词组合包含二个以上的所述目标关键词。
5.一种案件辅助信息的提示装置,其特征在于,包括:
判决结果获取模块,用于获取案件的判决结果文本;
判决信息提取模块,用于从所述判决结果文本中提取出所述案件的量刑信息和适用法条;
案情信息提取模块,用于从与所述案件相关的法律文书中提取出所述案件的案情信息;
量刑合理度确定模块,用于将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度,所述第一神经网络模型由对应于所述量刑信息的多个第一样本案件的案情数据作为训练集训练获得,所述第一神经网络模型通过将所述案情信息和所述第一样本案件的案情数据进行匹配得到第一相似度,并根据所述第一相似度的大小确定所述量刑信息的合理度;
适用法条确定模块,用于将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确,所述第二神经网络模型由对应于所述适用法条的多个第二样本案件的案情数据作为训练集训练获得,所述第二神经网络模型通过将所述案情信息和所述第二样本案件的案情数据进行匹配得到第二相似度,并根据所述第二相似度的大小确定所述适用法条是否正确;
辅助信息输出模块,用于若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息;
其中,所述案情信息提取模块包括:
分词单元,用于采用预先构建的分词模型对所述法律文书的内容进行分词,得到目标词组集;
案情信息确定单元,用于将从所述目标词组集中检测到的,属于预先构建的关键词库中记录的案情关键词确定为提取出的所述案件的案情信息;
所述分词单元包括:
书名号识别子单元,用于识别所述法律文书的书名号;
法条名称提取子单元,用于提取所述书名号中的法条名称;
法律文书类型获取子单元,用于根据所述法条名称确定所述法律文书的类型;
分词子单元,用于选取与所述法律文书的类型对应的分词模型对所述法律文书的内容进行分词。
6.一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可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的案件辅助信息的提示方法的步骤。
7.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如下步骤:
获取案件的判决结果文本;
从所述判决结果文本中提取出所述案件的量刑信息和适用法条;
从与所述案件相关的法律文书中提取出所述案件的案情信息;
将所述案情信息输入预先构建的第一神经网络模型,通过所述第一神经网络模型的输出结果确定所述量刑信息的合理度,所述第一神经网络模型由对应于所述量刑信息的多个第一样本案件的案情数据作为训练集训练获得,所述第一神经网络模型通过将所述案情信息和所述第一样本案件的案情数据进行匹配得到第一相似度,并根据所述第一相似度的大小确定所述量刑信息的合理度;
将所述案情信息输入预先构建的第二神经网络模型,通过所述第二神经网络模型的输出结果确定所述适用法条是否正确,所述第二神经网络模型由对应于所述适用法条的多个第二样本案件的案情数据作为训练集训练获得,所述第二神经网络模型通过将所述案情信息和所述第二样本案件的案情数据进行匹配得到第二相似度,并根据所述第二相似度的大小确定所述适用法条是否正确;
若所述量刑信息的合理度低于预设的阈值或者所述适用法条不正确,则输出用于指示所述案件判决有误的辅助信息;
其中,所述从与所述案件相关的法律文书中提取出所述案件的案情信息包括:
采用预先构建的分词模型对所述法律文书的内容进行分词,得到目标词组集;
将从所述目标词组集中检测到的,属于预先构建的关键词库中记录的案情关键词确定为提取出的所述案件的案情信息;
所述采用预先构建的分词模型对所述法律文书的内容进行分词,包括:
识别所述法律文书的书名号;
提取所述书名号中的法条名称;
根据所述法条名称确定所述法律文书的类型;
选取与所述法律文书的类型对应的分词模型对所述法律文书的内容进行分词。
8.根据权利要求7所述的服务器,其特征在于,所述从所述判决结果文本中提取出所述案件的量刑信息和适用法条包括:
从所述判决结果文本中检测所述关键词库中记录的量刑关键词以及法条关键词;
分别统计检测到的每个量刑关键词的词频以及每个法条关键词的词频;
将检测到的量刑关键词中词频最高的关键词确定为提取出的所述量刑信息;
将检测到的法条关键词中词频最高的关键词确定为提取出的所述适用法条。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829464.6A CN110738039B (zh) | 2019-09-03 | 2019-09-03 | 一种案件辅助信息的提示方法、装置、存储介质和服务器 |
PCT/CN2019/118557 WO2021042560A1 (zh) | 2019-09-03 | 2019-11-14 | 一种案件辅助信息的提示方法、装置、存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829464.6A CN110738039B (zh) | 2019-09-03 | 2019-09-03 | 一种案件辅助信息的提示方法、装置、存储介质和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738039A CN110738039A (zh) | 2020-01-31 |
CN110738039B true CN110738039B (zh) | 2023-04-07 |
Family
ID=69267385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910829464.6A Active CN110738039B (zh) | 2019-09-03 | 2019-09-03 | 一种案件辅助信息的提示方法、装置、存储介质和服务器 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110738039B (zh) |
WO (1) | WO2021042560A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344750A (zh) * | 2020-03-02 | 2021-09-03 | 中国司法大数据研究院有限公司 | 一种案件审判瑕疵等级的判定方法和系统 |
CN111639494A (zh) * | 2020-04-20 | 2020-09-08 | 北京大学 | 案件事理关系确定方法及系统 |
CN111832277B (zh) * | 2020-06-04 | 2024-03-26 | 北京百度网讯科技有限公司 | 阅读理解模型的训练方法及阅读理解处理方法 |
CN111967437A (zh) * | 2020-09-03 | 2020-11-20 | 平安国际智慧城市科技股份有限公司 | 文本识别方法、装置、设备及存储介质 |
CN111814472B (zh) * | 2020-09-03 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 文本识别方法、装置、设备及存储介质 |
CN111932413B (zh) * | 2020-09-14 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 案件要素提取方法、装置、设备及介质 |
CN113220641B (zh) * | 2021-05-20 | 2022-08-02 | 共道网络科技有限公司 | 一种法律文书的辅助阅读方法和装置 |
CN113779969B (zh) * | 2021-09-16 | 2024-09-20 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的案件信息处理方法、装置、设备及介质 |
WO2024162864A1 (ru) * | 2023-02-01 | 2024-08-08 | Лев Эдуардович СМАРЫГИН | Способ удаленного принятия решений |
CN117555983B (zh) * | 2023-04-19 | 2024-07-12 | 北京盛科沃科技发展有限公司 | 一种基于机器学习的辅助定密方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460025A (zh) * | 2018-04-09 | 2018-08-28 | 北京智慧正安科技有限公司 | 刑事案件自动化量刑方法、装置及计算机可读存储介质 |
CN109740728A (zh) * | 2018-12-10 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种基于多种神经网络组合的量刑计算方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557485B (zh) * | 2015-09-25 | 2020-11-06 | 北京国双科技有限公司 | 一种选取文本分类训练集的方法及装置 |
CN106991092B (zh) * | 2016-01-20 | 2021-11-05 | 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 |
CN109426905B (zh) * | 2017-08-29 | 2022-03-18 | 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 |
CN107918921B (zh) * | 2017-11-21 | 2021-10-08 | 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 |
CN108596360B (zh) * | 2018-03-16 | 2021-03-12 | 北京中科闻歌科技股份有限公司 | 一种基于机器学习的判决预测方法及系统 |
CN109241528B (zh) * | 2018-08-24 | 2023-09-01 | 讯飞智元信息科技有限公司 | 一种量刑结果预测方法、装置、设备及存储介质 |
CN109241285A (zh) * | 2018-08-29 | 2019-01-18 | 东南大学 | 一种基于机器学习的辅助司法案件判决的装置 |
CN109213864A (zh) * | 2018-08-30 | 2019-01-15 | 广州慧睿思通信息科技有限公司 | 基于深度学习的刑事案件预判系统及其构建和预判方法 |
CN109582950A (zh) * | 2018-09-25 | 2019-04-05 | 南京大学 | 一种裁判文书说理评估方法 |
CN109800292A (zh) * | 2018-12-17 | 2019-05-24 | 北京百度网讯科技有限公司 | 问答匹配度的确定方法、装置及设备 |
-
2019
- 2019-09-03 CN CN201910829464.6A patent/CN110738039B/zh active Active
- 2019-11-14 WO PCT/CN2019/118557 patent/WO2021042560A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460025A (zh) * | 2018-04-09 | 2018-08-28 | 北京智慧正安科技有限公司 | 刑事案件自动化量刑方法、装置及计算机可读存储介质 |
CN109740728A (zh) * | 2018-12-10 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种基于多种神经网络组合的量刑计算方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021042560A1 (zh) | 2021-03-11 |
CN110738039A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738039B (zh) | 一种案件辅助信息的提示方法、装置、存储介质和服务器 | |
Adiba et al. | Effect of corpora on classification of fake news using naive Bayes classifier | |
US11475143B2 (en) | Sensitive data classification | |
WO2019218514A1 (zh) | 网页目标信息的提取方法、装置及存储介质 | |
US20160239520A1 (en) | Biometric matching engine | |
CN106815207B (zh) | 用于法律裁判文书的信息处理方法及装置 | |
CN104899508B (zh) | 一种多阶段钓鱼网站检测方法与系统 | |
CN104778186B (zh) | 将商品对象挂载到标准产品单元的方法及系统 | |
CN102306287B (zh) | 一种用于识别敏感图像的方法与设备 | |
CN109902223B (zh) | 一种基于多模态信息特征的不良内容过滤方法 | |
CN110727766A (zh) | 敏感词的检测方法 | |
CN110197389A (zh) | 一种用户识别方法及装置 | |
CN113094596A (zh) | 一种基于双向传播图的多任务谣言检测方法 | |
CN111488732B (zh) | 一种变形关键词检测方法、系统及相关设备 | |
CN104778283B (zh) | 一种基于微博的用户职业分类方法及系统 | |
CN108268470A (zh) | 一种基于演化聚类的评论文本分类提取方法 | |
CN110570199B (zh) | 一种基于用户输入行为的用户身份检测方法及系统 | |
CN110765760A (zh) | 一种法律案件分配方法、装置、存储介质和服务器 | |
EP3703061A1 (en) | Image retrieval | |
CN108170691A (zh) | 关联文书的确定方法和装置 | |
CN112069307A (zh) | 一种法律法条引用信息抽取系统 | |
Sharma et al. | Machine learning methods to identify hindi fake news within social-media | |
CN112434163A (zh) | 风险识别方法及模型构建方法、装置、电子设备和介质 | |
CN110888877A (zh) | 事件信息显示方法、装置、计算设备及存储介质 | |
CN111488452A (zh) | 一种网页篡改检测方法、检测系统及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |