CN110781650B - 一种基于深度学习的裁判文书自动生成方法及系统 - Google Patents
一种基于深度学习的裁判文书自动生成方法及系统 Download PDFInfo
- Publication number
- CN110781650B CN110781650B CN202010000336.3A CN202010000336A CN110781650B CN 110781650 B CN110781650 B CN 110781650B CN 202010000336 A CN202010000336 A CN 202010000336A CN 110781650 B CN110781650 B CN 110781650B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- case
- model
- types
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013136 deep learning model Methods 0.000 claims description 29
- 238000004321 preservation Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的裁判文书自动生成方法及系统,本发明充分研究不同类型裁判文书案由的通常表述,结合同类型案由的基本情况,根据每种类型案由的要素分类情况标注裁判文书涉及的案由要素,将标注数据划分为训练集和测试集;利用深度学习算法建立序列模型,将LSTM作为模型的编码器和解码器;利用训练集和测试集训练和测试模型,通过案由要素实现裁判文书自动生成,可以有效提高裁判文书制作的效率与准确率,本发明还能够高速有效的生成一篇规范的裁判文书,并且本发明中的裁判文书生成的逻辑更加通顺。
Description
技术领域
本发明涉及自然语言处理领域,具体地,涉及一种基于深度学习的裁判文书自动生成方法及系统。
背景技术
裁判文书是人民法院结合当事人的请求事项或者争议事项进行审理后,根据具体的案件情况向当事人下发的具有法律意义的文书。目前,裁判文书生成主要有两种方式:一种是由审判人员人工“套改”已有类似案件的裁判文书生成;另一种使用OCR识别技术抓取起诉状、答辩状等诉讼材料中有限的信息生成。
现有裁判文书生成方法生成的文书类型、案号、当事人信息、审判人员信息等相对简单,可以较好生成固定部分的案由事实,但是无法有效处理核心部分的案由事实的生成。每个案件的案由事实都存在或多或少的差异,使用OCR技术识别起诉状、答辩状等诉讼材料抓取的部分事实信息,不仅文字识别正确率不高,且无法提供真正符合人民法院使用的案由事实,仍然需要审判人员做大量修改。
发明内容
为了更加高效、准确地实现裁判文书的自动生成,解决使用OCR技术识别直接抓取部分信息的弊端,本发明充分研究不同类型裁判文书案由的通常表述,结合同类型案由的基本情况,根据每种类型案由的要素分类情况标注裁判文书涉及的案由要素,构建深度学习模型,通过案由要素实现裁判文书自动生成,达到更符合实际要求的目的。
为实现上述发明目的,本发明一方面提供了一种基于深度学习的裁判文书自动生成方法,所述方法包括:
将案由划分为不同的类型;
总结每种类型案由的要素并分类;
采集样本数据,样本数据包括不同类型案由对应的裁判文书,根据每种类型案由的要素分类情况标注每种类型案由对应的裁判文书;
针对每种类型案由分别建立相应的要素表,要素表第一列为标注的要素,要素表第二列为标注的要素对应的类型和对应的值;
基于所有建立的要素表获取数据集,将数据集划分为训练集和测试集;
构建深度学习模型,利用训练集和测试集训练和测试深度学习模型;
针对不同类型案由对应的要素表中不同类型要素对应的要素内容,将诉讼材料输入训练后的深度学习模型,输出裁判文书案由的基本事实内容。
其中,本发明的原理为:要素是归纳总结同一案由下案件后凝练的固定事项,是查明案件必不可少的因素。在案件庭审过程中,法官根据要素进行发问,原告、被告分别回答法官的发问,由此得到相关特定审判信息。本发明将要素填进一个表,本发明称之为要素表。本发明利用要素表的要素生成裁判文书案件基本事实内容。
优选的,在本方法中,案由类型包括:劳动争议案由、离婚案由、民间借贷案由。
优选的,在本方法中,将数据集按照比例8:2划分为训练集和测试集。
优选的,在本方法中,构建深度学习模型,利用训练集和测试集训练和测试深度学习模型,具体包括:
将sequence to sequence模型的编码器和解码器均定义为一系列长短期记忆网络;
将数据集的第一列数据作为编码器的输入,将对应的第二列文段作为解码器的输出,构建sequence to sequence模型;
sequence to sequence模型的编码器将输入的每个文字作为一个输入,输入内容以x=(x1,x2,…, xJ)形式保存,其中J代表输入文字的总长度,编码器将输入的x转换成隐藏层的信息内容,同时解码器将隐藏层的信息内容作为输入,并输出y=(y1,y2,…,yT),其中T代表输出文字的总长度,通过反向传播学习模型参数,并利用测试集验证,得到训练后的模型。
优选的,在本方法中,劳动争议案由的要素类型分为五类:劳动者入职时间、劳动者离职时间、劳动合同约定工资、劳动者离职前12个月平均工资和劳动者离职原因;离婚案由的要素类型分为四类:确定恋爱的关系时间、登记结婚时间、婚姻登记机关和需要抚养的生育子女个数;民间借贷案由的要素类型分为六类:债权凭证签订日期、预扣利息具体金额、借款交付地点、借款交付日期、约定还款日期和借款金额。
另一方面,本发明还提供了一种基于深度学习的裁判文书自动生成系统,所述系统包括:
案由类型划分单元,用于将案由划分为不同的类型;
案由要素分类单元,用于总结每种类型案由的要素并分类;
样本数据采集及标注单元,用于采集样本数据,样本数据包括不同类型案由对应的裁判文书,根据每种类型案由的要素分类情况标注每种类型案由对应的裁判文书;
要素表建立单元,用于针对每种类型案由分别建立相应的要素表,要素表第一列为标注的要素,要素表第二列为标注的要素对应的类型和对应的值;
数据集获取单元,用于基于所有建立的要素表获取数据集,将数据集划分为训练集和测试集;
模型构建及训练单元,用于构建深度学习模型,利用训练集和测试集训练和测试深度学习模型;
基本事实内容生成单元,用于针对不同类型案由对应的要素表的不同类型要素对应的要素内容,将诉讼材料输入训练后的深度学习模型,输出裁判文书案由的基本事实内容。
进一步的,在本系统中,案由类型包括但不限于:劳动争议案由、离婚案由、民间借贷案由。
进一步的,在本系统中,将数据集按照比例8:2划分为训练集和测试集。
进一步的,在本系统中,构建深度学习模型,利用训练集和测试集训练和测试深度学习模型,具体包括:
将sequence to sequence模型的编码器和解码器均定义为一系列长短期记忆网络;
将数据集的第一列数据作为编码器的输入,将对应的第二列文段作为解码器的输出,构建sequence to sequence模型;
sequence to sequence模型的编码器将输入的每个文字作为一个输入,输入内容以x=(x1,x2,…, xJ)形式保存,其中J代表输入文字的总长度,编码器将输入的x转换成隐藏层的信息内容,同时解码器将隐藏层的信息内容作为输入,并输出y=(y1,y2,…,yT),其中T代表输出文字的总长度,通过反向传播学习模型参数,并利用测试集验证,得到训练后的模型。
进一步的,在本系统中,劳动争议案由的要素类型分为五类:劳动者入职时间、劳动者离职时间、劳动合同约定工资、劳动者离职前12个月平均工资和劳动者离职原因;离婚案由的要素类型分为四类:确定恋爱的关系时间、登记结婚时间、婚姻登记机关和需要抚养的生育子女个数;民间借贷案由的要素类型分为六类:债权凭证签订日期、预扣利息具体金额、借款交付地点、借款交付日期、约定还款日期和借款金额。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明采用序列模型,将LSTM作为模型的编码器和解码器,通过案由要素实现裁判文书自动生成,可以有效提高裁判文书制作的效率与准确率,将法官从繁琐的文书制作中解放出来,从根本上缓解法院“案多人少”的矛盾。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1是本发明中一种基于深度学习的裁判文书自动生成方法的流程示意图;
图2是本发明中一种基于深度学习的裁判文书自动生成系统的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1,图1为本方法的流程示意图,本方法包括:
将案由划分为不同的类型;
总结每种类型案由的要素并分类;
采集样本数据,样本数据包括不同类型的案由对应的裁判文书,根据每种类型案由的要素分类情况标注每种类型案由对应的裁判文书;
针对每种类型案由分别建立相应的要素表,要素表第一列为标注的要素,要素表第二列为标注的要素对应的类型和对应的值;
基于所有建立的要素表获取数据集,将数据集划分为训练集和测试集;
构建深度学习模型,利用训练集和测试集训练和测试深度学习模型;
针对不同类型案由对应的要素表中不同类型要素对应的要素内容,将诉讼材料输入训练后的深度学习模型,输出裁判文书案由的基本事实内容。
请参考图2,图2为本系统的组成示意图,本系统包括:
案由类型划分单元,用于将案由划分为不同的类型;
案由要素分类单元,用于总结每种类型案由的要素并分类;
样本数据采集及标注单元,用于采集样本数据,样本数据包括不同类型的案由对应的裁判文书,根据每种类型案由的要素分类情况标注每种类型案由对应的裁判文书;
要素表建立单元,用于针对每种类型案由分别建立相应的要素表,要素表第一列为标注的要素,要素表第二列为标注的要素对应的类型和对应的值;
数据集获取单元,用于基于所有建立的要素表获取数据集,将数据集划分为训练集和测试集;
模型构建及训练单元,用于构建深度学习模型,利用训练集和测试集训练和测试深度学习模型;
基本事实内容生成单元,用于针对不同类型案由对应的要素表中不同类型要素对应的要素内容,将诉讼材料输入训练后的深度学习模型,输出裁判文书案由的基本事实内容。
本方法的具体实施步骤为:
具体步骤如下:
1.由于不同类型案由所涉及的法律关系存在差异,本发明以案由为维度分别进行要素总结,并根据案由特征将要素分类为不同类型。例如劳动争议案由的要素归纳为这五种类型:劳动者入职时间、劳动者离职时间、劳动合同约定工资、劳动者离职前12个月平均工资、劳动者离职原因;例如离婚案由的要素归纳为这四种类型:确定恋爱的关系时间、登记结婚时间、婚姻登记机关、需要抚养的生育子女个数;例如民间借贷案由的要素归纳为这六种类型:债权凭证签订日期、预扣利息具体金额、借款交付地点、借款交付日期、约定还款日期、借款金额;
2.针对劳动争议案由,本发明利用人工标注50000篇劳动争议裁判文书涉及的上述五类要素内容,例如劳动者入职时间,本发明标注对应时间,以劳动者入职时间【20XX年XX月XX日】保存;劳动者离职时间,本发明标注对应时间,以劳动者离职时间【20XX年XX月XX日】保存;劳动合同约定工资,本发明标注对应工资金额,以劳动合同约定工资【XX元】保存;劳动者离职前12个月平均工资,本发明标注对应工资金额,以劳动者离职前12个月平均工资【XX元】保存;劳动者离职原因,本发明标注对应文字内容,以劳动者离职原因【XXX】保存;
针对离婚案由,本发明同样选取50000份离婚案由裁判文书并人工标注其涉及的上述四类要素内容,例如确定恋爱的关系时间,本发明标注对应时间,以确定恋爱时间【20XX年XX月XX日】保存;登记结婚时间,本发明标注对应时间,以登记结婚时间【20XX年XX月XX日】保存;例如婚姻登记机关,本发明标注对应机关名称,以婚姻登记机关【XX】保存;例如需要抚养的生育子女个数,本发明标注子女个数,以需要抚养的生育子女个数【XX个】保存;
针对民间借贷案由,本发明同样选取50000份民间借贷案由裁判文书并人工标注其涉及的上述六类要素内容,例如债权凭证签订日期,本发明标注时间,以债权凭证签订日期【20XX年XX月XX日】保存;例如预扣利息具体金额,本发明标注具体金额,以预扣利息具体金额【XX元】保存;例如借款交付地点,本发明标注具体地点,以借款交付地点【XX】保存;例如借款交付日期,本发明标注具体时间,以借款交付日期【20XX年XX月XX日】保存;比如约定还款日期,本发明标注具体时间,以约定还款日期【20XX年XX月XX日】保存;比如借款金额,本发明标注具体金额,以借款金额【XX元】保存;
3.针对劳动争议案由,本发明将以上要素储存至excel表第一列,将上述五个要素类型及其值以一列排开,并裁判文书涉及要素的对应段落,即要生成的案件基本事实内容保存至第二列,最终形成50000行、2列的数据集;以此类推,针对离婚案由,本发明将获得50000行、2列的数据集;针对民间借贷案由,本发明将获得60000行、2列的数据集;
4.本发明分别将上述不同案由的数据集按照比例8:2划分为训练集和测试集;
5.本发明将sequence to sequence模型的编码器定义为一系列LSTM,解码器也定义为一系列LSTM;
6.本发明将训练集的第一列数据,即归纳的要素类型对应的要素值作为编码器的输入,将对应的第二列文段作为解码器的输出,构建sequence to sequence模型;
7.上述模型的编码器会将输入的每个要素对应的值,以每个文字作为一个输入,即将输入数据存储为x=(x1,x2,…, xJ),其中J代表输入文字的总长度,编码器将x转换成隐藏层的信息内容,与此同时解码器将上述隐藏层的信息内容作为输入,并输出y=(y1,y2,…,yT),其中T代表输出文字的总长度,通过反向传播学习模型参数,并利用测试集验证,得到训练后的模型;
8.本发明将该模型运用在实际应用中,当获取到不同案由下要素表中不同类型的要素对应的要素内容时,即可利用该模型自动生成裁判文书的案件基本事实部分。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于深度学习的裁判文书自动生成方法,其特征在于,所述方法包括:
将案由划分为不同的类型;
总结每种类型案由的要素并分类;
采集样本数据,样本数据包括不同类型案由对应的裁判文书,根据每种类型案由的要素分类情况,标注每种类型案由对应的裁判文书;
针对每种类型案由分别建立相应的要素表,要素表第一列为标注的要素,要素表第二列为标注的要素对应的类型和对应的值;
基于所有建立的要素表获取数据集,将数据集划分为训练集和测试集;
构建深度学习模型,利用训练集和测试集训练和测试深度学习模型;
针对不同类型案由对应的要素表中不同类型要素对应的要素内容,将诉讼材料输入训练后的深度学习模型,输出裁判文书案由的基本事实内容;
构建深度学习模型,利用训练集和测试集训练和测试深度学习模型,具体包括:
将sequence to sequence模型的编码器和解码器均定义为一系列长短期记忆网络;
将数据集的第一列数据作为编码器的输入,将对应的第二列文段作为解码器的输出,构建sequence to sequence模型;
sequence to sequence模型的编码器将输入的每个文字作为一个输入,输入内容以x=(x1,x2,…, xJ)形式保存,其中J代表输入文字的总长度,编码器将输入的x转换成隐藏层的信息内容,同时解码器将隐藏层的信息内容作为输入,并输出y=(y1,y2,…,yT),其中T代表输出文字的总长度,通过反向传播学习模型参数,并利用测试集验证,得到训练后的模型。
2.根据权利要求1所述的一种基于深度学习的裁判文书自动生成方法,其特征在于,案由类型包括:劳动争议案由、离婚案由、民间借贷案由。
3.根据权利要求1所述的一种基于深度学习的裁判文书自动生成方法,其特征在于,将数据集按照比例8:2划分为训练集和测试集。
4.根据权利要求2所述的一种基于深度学习的裁判文书自动生成方法,其特征在于,劳动争议案由的要素类型分为五类:劳动者入职时间、劳动者离职时间、劳动合同约定工资、劳动者离职前12个月平均工资和劳动者离职原因;离婚案由的要素类型分为四类:确定恋爱的关系时间、登记结婚时间、婚姻登记机关和需要抚养的生育子女个数;民间借贷案由的要素类型分为六类:债权凭证签订日期、预扣利息具体金额、借款交付地点、借款交付日期、约定还款日期和借款金额。
5.一种基于深度学习的裁判文书自动生成系统,其特征在于,所述系统包括:
案由类型划分单元,用于将案由划分为不同的类型;
案由要素分类单元,用于总结每种类型案由的要素进行并分类;
样本数据采集及标注单元,用于采集样本数据,样本数据包括不同类型案由对应的裁判文书,根据每种类型案由的要素分类情况标注每种类型案由对应的裁判文书;
要素表建立单元,用于针对每种类型案由分别建立相应的要素表,要素表的第一列为标注的要素,要素表的第二列为标注的要素对应的类型和对应的值;
数据集获取单元,用于基于所有建立的要素表获取数据集,将数据集划分为训练集和测试集;
模型构建及训练单元,用于构建深度学习模型,利用训练集和测试集训练和测试深度学习模型;
基本事实内容生成单元,用于针对不同类型案由对应的要素表中不同类型要素对应的要素内容,将诉讼材料输入训练后的深度学习模型,输出裁判文书案由的基本事实内容;
构建深度学习模型,利用训练集和测试集训练和测试深度学习模型,具体包括:
将sequence to sequence模型的编码器和解码器均定义为一系列长短期记忆网络;
将数据集的第一列数据作为编码器的输入,将对应的第二列文段作为解码器的输出,构建sequence to sequence模型;
sequence to sequence模型的编码器将输入的每个文字作为一个输入,输入内容以x=(x1,x2,…, xJ)形式保存,其中J代表输入文字的总长度,编码器将输入的x转换成隐藏层的信息内容,同时解码器将隐藏层的信息内容作为输入,并输出y=(y1,y2,…,yT),其中T代表输出文字的总长度,通过反向传播学习模型参数,并利用测试集验证,得到训练后的模型。
6.根据权利要求5所述的一种基于深度学习的裁判文书自动生成系统,其特征在于,案由类型包括:劳动争议案由、离婚案由、民间借贷案由。
7.根据权利要求5所述的一种基于深度学习的裁判文书自动生成系统,其特征在于,将数据集按照比例8:2划分为训练集和测试集。
8.根据权利要求6所述的一种基于深度学习的裁判文书自动生成系统,其特征在于,劳动争议案由的要素类型分为五类:劳动者入职时间、劳动者离职时间、劳动合同约定工资、劳动者离职前12个月平均工资和劳动者离职原因;离婚案由要素的类型分为四类:确定恋爱的关系时间、登记结婚时间、婚姻登记机关和需要抚养生育的子女个数;民间借贷案由要素的类型分为六类:债权凭证签订日期、预扣利息具体金额、借款交付地点、借款交付日期、约定还款日期和借款金额。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010000336.3A CN110781650B (zh) | 2020-01-02 | 2020-01-02 | 一种基于深度学习的裁判文书自动生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010000336.3A CN110781650B (zh) | 2020-01-02 | 2020-01-02 | 一种基于深度学习的裁判文书自动生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781650A CN110781650A (zh) | 2020-02-11 |
CN110781650B true CN110781650B (zh) | 2020-04-14 |
Family
ID=69394819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010000336.3A Active CN110781650B (zh) | 2020-01-02 | 2020-01-02 | 一种基于深度学习的裁判文书自动生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781650B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581975B (zh) * | 2020-05-09 | 2023-06-20 | 北京明朝万达科技股份有限公司 | 案件的笔录文本的处理方法、装置、存储介质和处理器 |
CN112328555B (zh) * | 2020-11-25 | 2022-11-04 | 国家电网有限公司 | 一种招标文件的快速生成方法 |
CN112329891B (zh) * | 2020-11-27 | 2022-05-31 | 浙江大学 | 双向注意力和判案逻辑结合的辅助判案方法、装置、介质 |
CN112686639B (zh) * | 2021-01-05 | 2022-11-08 | 河北冀联人力资源服务集团有限公司 | 一种基于深度学习的劳动合同确定的方法和系统 |
CN113254651B (zh) * | 2021-06-28 | 2021-11-02 | 人民法院信息技术服务中心 | 一种裁判文书的分析方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991891A (zh) * | 2015-07-28 | 2015-10-21 | 北京大学 | 一种短文本特征提取方法 |
CN107577785A (zh) * | 2017-09-15 | 2018-01-12 | 南京大学 | 一种适用于法律识别的层次多标签分类方法 |
CN108334500A (zh) * | 2018-03-05 | 2018-07-27 | 上海思贤信息技术股份有限公司 | 一种基于机器学习算法的裁判文书标注方法及装置 |
CN108519968A (zh) * | 2018-04-09 | 2018-09-11 | 北京智慧正安科技有限公司 | 刑事案件裁判文书生成方法、装置及计算机可读存储介质 |
CN109118368A (zh) * | 2018-08-09 | 2019-01-01 | 武汉优品楚鼎科技有限公司 | 基于hmm模型的金融投资品种分析方法、系统及装置 |
CN110502749A (zh) * | 2019-08-02 | 2019-11-26 | 中国电子科技集团公司第二十八研究所 | 一种基于双层注意力机制与双向gru的文本关系抽取方法 |
CN110633458A (zh) * | 2018-06-25 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 裁判文书的生成方法和生成装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005020790A2 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
CN109783640A (zh) * | 2018-12-20 | 2019-05-21 | 广州恒巨信息科技有限公司 | 一种类案推荐方法、系统及装置 |
-
2020
- 2020-01-02 CN CN202010000336.3A patent/CN110781650B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991891A (zh) * | 2015-07-28 | 2015-10-21 | 北京大学 | 一种短文本特征提取方法 |
CN107577785A (zh) * | 2017-09-15 | 2018-01-12 | 南京大学 | 一种适用于法律识别的层次多标签分类方法 |
CN108334500A (zh) * | 2018-03-05 | 2018-07-27 | 上海思贤信息技术股份有限公司 | 一种基于机器学习算法的裁判文书标注方法及装置 |
CN108519968A (zh) * | 2018-04-09 | 2018-09-11 | 北京智慧正安科技有限公司 | 刑事案件裁判文书生成方法、装置及计算机可读存储介质 |
CN110633458A (zh) * | 2018-06-25 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 裁判文书的生成方法和生成装置 |
CN109118368A (zh) * | 2018-08-09 | 2019-01-01 | 武汉优品楚鼎科技有限公司 | 基于hmm模型的金融投资品种分析方法、系统及装置 |
CN110502749A (zh) * | 2019-08-02 | 2019-11-26 | 中国电子科技集团公司第二十八研究所 | 一种基于双层注意力机制与双向gru的文本关系抽取方法 |
Non-Patent Citations (2)
Title |
---|
关于法律人工智能在中国运用前景的若干思考;左卫民;《清华法学》;20180430;第12卷(第2期);第108-124页 * |
基于自然语义处理的裁判文书推荐系统设计与实现;向李兴;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151215(第5期);第I138-909页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110781650A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781650B (zh) | 一种基于深度学习的裁判文书自动生成方法及系统 | |
Rässler | Statistical matching: A frequentist theory, practical applications, and alternative Bayesian approaches | |
Feng et al. | Customer orientation for decreasing time-to-market of new products: IT implementation as a complementary asset | |
Greenfield | Fundraising fundamentals: A guide to annual giving for professionals and volunteers | |
CN111401040B (zh) | 一种适用于word文本的关键词提取方法 | |
CN108764707A (zh) | 一种数据评估系统以及方法 | |
CN109065180A (zh) | 应用于医学信息的共享知识平台系统 | |
Dam et al. | The determinants of customer’s intention to use international payment services by applying blockchain | |
CN112668335B (zh) | 一种利用命名实体识别提取营业执照结构化信息的方法 | |
CN116777607A (zh) | 一种基于nlp技术的智能审计方法 | |
CN111737448B (zh) | 基于答题时长的基础学科简答题的选题方法及系统 | |
Tipples | The re-regulation of farming em-ployment relations in New Zealand | |
Davis | A climate solution on shaky ground: the voluntary carbon market and agricultural sequestration | |
CN117829161B (zh) | 基于llm的数据资产指标问答方法及系统 | |
Gerring | Coordinating reappraisals | |
CN111444678B (zh) | 一种基于机器阅读理解的起诉状信息抽取方法及系统 | |
CN115860309A (zh) | 校企融合自驱动共建共享型数字教材管理系统及构建方法 | |
Wang | Research on Talent Cultivation Path for Marketing Majors under the Integration of Industry and Education Based on Intelligent Data Analysis | |
Kasasbeh | The Impact of Computerized Accounting System on Accountans Performance in the Jordanian Medicine Shareholding Companies: A Field Study | |
Yakubu et al. | Challenges and Prospects of Marketing Nigerian-Made Computer Software: A Study on Attitudes and Marketability. | |
Pan et al. | DIIS Method of Third-Party Evaluation | |
Aslipour et al. | An Analysis of Factors Affecting Policy Research based on ISM Approach (Case Study: Legislative Power) | |
Bhardwaj et al. | Sentiment Analysis of Live Stream Comments using Machine Learning Algorithms | |
Agno | A proposed model on energy education for national development of the Philippines with emphasis on the planning and implementation roles of vocational-technical education | |
Pintea et al. | AUTOMATIC EVALUATION OF PSYCHOLOGICAL QUIZ TESTS. |
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 |