CN110866174B - 庭审问题的推送方法、装置和系统 - Google Patents
庭审问题的推送方法、装置和系统 Download PDFInfo
- Publication number
- CN110866174B CN110866174B CN201810943324.7A CN201810943324A CN110866174B CN 110866174 B CN110866174 B CN 110866174B CN 201810943324 A CN201810943324 A CN 201810943324A CN 110866174 B CN110866174 B CN 110866174B
- Authority
- CN
- China
- Prior art keywords
- legal
- knowledge graph
- nodes
- legal knowledge
- node
- 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 99
- 230000008569 process Effects 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000010276 construction Methods 0.000 description 16
- 238000007418 data mining Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 12
- 230000002452 interceptive effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 201000009032 substance abuse Diseases 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000007721 medicinal effect Effects 0.000 description 4
- 238000005295 random walk Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Technology Law (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种庭审问题的推送方法、装置和系统。其中，该方法包括：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。本申请解决了现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
Description
技术领域
本申请涉及智能审判领域，具体而言，涉及一种庭审问题的推送方法、装置和系统。
背景技术
在传统的线下审判流程和线上(互联网)审判流程中，庭审是必不可少的环节。庭审的一般形式由法官来主持庭审的过程，需要由法官提炼争议焦点，向原告和被告提问，进一步基于当事人回答的问题总结答案，最终得到相应的裁判结果，这个过程比较耗费时间和人力，导致庭审以及裁判的效率较低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种庭审问题的推送方法、装置和系统，以至少解决现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
根据本申请实施例的一个方面，提供了一种庭审问题的推送方法，包括：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。
根据本申请实施例的另一方面，还提供了一种庭审问题的推送方法，包括：显示法律案件的案件信息；显示基于案件信息和法律知识图谱生成的庭审问题，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点。
根据本申请实施例的另一方面，还提供了一种庭审问题的推送装置，包括：获取模块，用于获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；生成模块，用于基于案件信息和法律知识图谱，生成庭审问题；推送模块，用于向目标对象推送庭审问题。
根据本申请实施例的另一方面，还提供了一种庭审问题的推送装置，包括：第一显示模块，用于显示法律案件的案件信息；第二显示模块，用于显示基于案件信息和法律知识图谱生成的庭审问题，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点。
根据本申请实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行如下步骤：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。
根据本申请实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行如下步骤：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。
根据本申请实施例的另一方面，还提供了一种庭审问题的推送系统，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：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。
在本申请实施例中，本申请上述实施例1所提供的方法，在庭审过程中，可以获取法律案件的案件信息和法律知识图谱，进一步基于案件信息和法律知识图谱，生成庭审问题，并向目标对象推送该庭审问题，从而实现庭审过程中问题推荐的目的。
容易注意到的，可以基于案件信息和法律知识图谱，生成庭审问题，从而辅助法官总结争议焦点，提出具体问题，与现有技术相比，无需法官人工确定上述问题，达到了提升裁判效率，节约庭审时间，降低庭审成本的技术效果。
由此，本申请实施例的方案解决了现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种用于实现庭审问题的推送方法的计算机终端(或移动设备)的硬件结构框图；
图2是根据本申请实施例1的一种庭审问题的推送方法的流程图；
图3是根据本申请实施例的一种可选的庭审问题的推送系统框图；
图4是根据本申请实施例的一种可选的法律知识图谱的示意图；
图5是根据本申请实施例的一种可选的裁判结果推理的示意图；
图6是根据本申请实施例2的一种庭审问题的推送方法的流程图；
图7是根据本申请实施例3的一种庭审问题的推送装置的示意图；
图8是根据本申请实施例4的一种庭审问题的推送装置的示意图；以及
图9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：
随机行走：即random walk，用于基于过去的表现，无法预测将来的发展的场景，其基本思想是，将图作为连通的有权无向图，从根节点开始漫步，首次到达各类标记顶点的概率代表了根节点属于标记顶点对应的标记类的可能性。在本申请的方案中，通过randomwalk的方式在法律知识图谱中漫步，根节点即为输入的法律案件的案件信息，标记顶点即为图谱中用于表示裁判结果的节点，首次达到裁判结果节点的概率即为该法律案件的裁判结果为达到的裁判结果节点的概率。
实施例1
根据本申请实施例，提供了一种庭审问题的推送方法的实施例，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庭审问题的推送方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)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装置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10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10(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处理器，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庭审问题的推送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，即实现上述的庭审问题的推送方法。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10。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10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10(或移动设备)的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
此处需要说明的是，在一些实施例中，上述图1所示的计算机设备(或移动设备)具有触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。在一些实施例中，上述图1所示的计算机设备(或移动设备)具有图像用户界面(GUI)，用户可以通过触摸触敏表面上的手指接触和/或手势来与GUI进行人机交互，此处的人机交互功能可选的包括如下交互：创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通信、收发电子邮件、通话界面、播放数字视频、播放数字音乐和/或网络浏览等、用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。
在上述运行环境下，本申请提供了如图2所示的庭审问题的推送方法。图2是根据本申请实施例1的一种庭审问题的推送方法的流程图。如图2所示，该方法可以包括如下步骤：
步骤S22，获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点。
具体地，上述的法律案件的案件信息可以是法律案件本身固有的客观事实，例如，法律参与者的信息，法律案件的证据信息等。如图3所示，在上述步骤中，法律案件的案件信息可以通过信息抽取/数据挖掘模块进行获取，信息抽取/数据挖掘模块不仅仅可以从法律案件对应的法律文书中提取案件信息，还可以从图片、语音等其他途径获取案件信息。
信息抽取/数据挖掘模块的作用是为法律知识图谱提供输入。可选地，输入来源包括起诉书、答辩书、证据信息等，比如可以从起诉书中抽取原被告信息；从证据交易日志中抽取是否退款、是否保留追偿权利；从证据商品信息中抽取折扣价格，实际价格等。另一方面，输入来源也可以来自从大数据中挖掘的信息，例如，从而购物平台中的用户画像中挖掘出用户历史的投诉次数。
上述的法律知识图谱用于对法律案件进行自动裁判退率，不同案由领域需要构建不同的法律知识图谱，具体可以由法律专家人工构建，也即，依托专家知识的逻辑梳理和总结形成一套种子知识库，还可以通过大数据知识结合机器学习算法对法律知识图谱进行扩充，完成法律知识图谱的自动构建。如图3所示，在上述步骤中，法律知识图谱可以通过法律知识图谱构建模块进行构建。
与现有技术不同，法律知识图谱在构建时需要根据审判的逻辑、区分客观事实实体和法律事实实体，使得两者之间形成映射关系，实现最后的裁判。法律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”，还定义了逻辑推理关系，用于描述客观事实向法律事实的转化关系，例如“商品描述-推理关系-是否宣传有医疗效果”。
可选地，法律知识图谱的构成具体可以包括：实体：客观事实实体和法律事实实体；关系：属性关系、逻辑推理关系。法律知识图谱的关系可以采用三元组的形式进行存储，例如，“客观事实实体-属性关系-客观事实实体”，“客观事实实体-逻辑推理关系-法律事实实体”，“法律事实实体-逻辑推理关系-法律事实实体”。
法律知识图谱可以由多个节点，以及多个节点之间的有向连接线构成，多个节点之间的有向连接线用于表示逻辑推理关系，每个节点代表一个要素、判别要点或逻辑门，其中，要素可以是客观事实实体，判别要点可以是法律事实实体，逻辑门可以表示节点之间的逻辑推理关系。法律知识图谱中包含了生成文书需要的所有要素和审判逻辑的中间节点。
如图4所示，“原告在法院诉讼次数”和“原告在互联网法院诉讼次数”为该法律知识图谱中的要素；“是否原告自认滥诉”、“是否被告举证原告自认滥诉”、“是否在法院诉讼3次以上”、“是否在互联网法院诉讼3次以上”、“是否原告滥诉”这五个节点为审判要点；“或”为逻辑门，其中，该逻辑门用于表示如果输入至该逻辑门的任意一个判别要点的取值为1，则确定“是否原告滥诉”这一节点的取值为1；如果输入至该逻辑门的所有判别要点的取值为0，则确定“是否原告滥诉”这一节点的取值为0。在该法律知识图谱中，每层节点都与下一层节点的至少一个节点通过有向连接线进行连接，从而表示法律知识图谱的走向具有对应的关联信息和方向信息。
例如，根据“原告在互联网法院诉讼次数”，可以确定“是否在互联网法院诉讼3次以上”这一节点的取值是否为1，如果原告在互联网法院诉讼次数为4次，则“是否在互联网法院诉讼3次以上”这一节点的取值为1，而该节点还指向逻辑门“或”，因此，可以确定“是否原告滥诉”这一节点的取值为1。
需要说明的是，图4仅仅示出了整个法律知识图谱的一部分，在“是否原告滥诉”节点之后，还会存在其他节点，直至输出至裁判结果。
步骤S24，基于案件信息和法律知识图谱，生成庭审问题。
具体地，如图3所示，在上述步骤中，庭审问题可以通过自动问题推荐与交互模块进行生成。自动问题推荐与交互模块的主要目的是在庭审过程中辅助法官提炼争议焦点，辅助提问，缩短庭审时间。
在一种可选的方案中，可以将获取到的法律案件的案件信息作为法律知识图谱的要素，输入至法律知识图谱中，从而可以得到法律知识图谱中部分节点的具体取值，为了能够确定更多节点的取值，以确保最终的裁判结果准确度更高，可以基于为获取到取值的节点，生成相应的庭审问题，也即，生成庭审过程中，法官需要向原告或者被告提问的具体问题。
步骤S26，向目标对象推送庭审问题。
具体地，上述的目标对象可以是庭审过程中的法官。可以通过交互界面向法官推送自动生成的问题。可选的，在庭审过程中给法官提供一个交互界面，显示算法自动给出推荐的问题，法官根据问题向原被告提问，并在交互界面中根据当事人回答的问题总结答案填写进去。每一个问题的答案更新之后，算法系统会根据最新的状态动态更新推荐的问题。当算法系统判断获得的信息足够推断出裁判结果，就可以终止问题推荐，提示结束庭审。
本申请上述实施例1所提供的方法，在庭审过程中，可以获取法律案件的案件信息和法律知识图谱，进一步基于案件信息和法律知识图谱，生成庭审问题，并向目标对象推送该庭审问题，从而实现庭审过程中问题推荐的目的。
容易注意到的，可以基于案件信息和法律知识图谱，生成庭审问题，从而辅助法官总结争议焦点，提出具体问题，与现有技术相比，无需法官人工确定上述问题，达到了提升裁判效率，节约庭审时间，降低庭审成本的技术效果。
由此，本申请提供的上述实施例1的方案解决了现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
本申请上述实施例中，步骤S24，基于案件信息和法律知识图谱，生成庭审问题，包括：
步骤S242，基于案件信息，对法律知识图谱中的节点进行赋值，得到第一法律知识图谱。
具体地，首先可以对法律知识图谱进行图谱初始化，根据预先对原被告起诉状、答辩状、证据中提取出的案件信息，对预先建立的法律知识图谱中的实体节点进行赋值。例如，如图4所示，如果原告在互联网法院诉讼次数为2次，在法院诉讼次数为1次，则可以将法律知识图谱中“原告在法院诉讼次数”节点赋值为1，“原告在互联网法院诉讼次数”节点赋值为2，从而“是否在法院诉讼3次以上”这一节点的取值自动变为0，“是否在互联网法院诉讼3次以上”这一节点的取值自动变为0。
步骤S244，基于第一法律知识图谱，得到第一法律知识图谱中每个节点的重要程度参数，其中，重要程度参数用于表征法律案件的裁判结果和其他节点内容对节点的条件概率。
具体地，可以根据赋值后的法律知识图谱，也即上述的第一法律知识图谱中每个节点的取值的情况下，针对每个节点的取值对裁判结果的重要程度建模，得到每个节点的重要程度参数，具体可以定义为裁判结果和其他节点的取值对当前节点的取值的条件概率P(node|case，other nodes)，并记为Pimp，其中，node表示当前节点的取值，case表示裁判结果，other nodes表示其他节点的取值。
步骤S246，按照每个节点的重要程度参数对未赋值的节点进行排序。
具体地，由于法官需要针对未赋值的节点进行提问，可以基于每个节点的重要程度参数，对第一法律知识图谱中未知节点的Pimp值进行从大到小排序，并筛选出排名较高的多个未知节点作为生成庭审问题的基础。
步骤S248，基于排序最高的预设个数的节点对应的要素或判别要点，生成庭审问题。
具体地，可以根据实际庭审需要，预先设置筛选出的节点的数量，作为预设个数。在筛选出排序最高的预设个数的节点之后，可以根据该节点对应的要素或者判别要点，生成相应的庭审问题，并推送给法官，由法官向当事人提问。
例如，如图4所示，由于“是否在法院诉讼3次以上”这一节点的取值为0，“是否在互联网法院诉讼3次以上”这一节点的取值为0，为了得到“是否原告滥诉”这一点的取值，可以确定“是否原告自认滥诉”和“是否被告举证原告自认滥诉”这两个节点的重要程度参数较高，因此，可以根据这两个节点的相应的判决要点，生成相应的问题，并向原告和被告进行分别提问。
本申请上述实施例中，步骤S244，基于第一法律知识图谱，得到第一法律知识图谱中每个节点的重要程度参数，包括：
步骤S2442，通过对第一法律知识图谱中所有节点的取值进行统计，得到每个节点的重要程度参数。
具体地，每个节点的重要程度参数，也即条件概率的计算方式可以通过枚举节点所有取值的方式，用统计方法获得。
本申请上述实施例中，在步骤S26，向目标对象推送庭审问题之后，该方法还包括：
步骤S28，获取庭审问题对应的响应数据。
具体地，在法官向原告或被告等当事人进行提问之后，可以对当事人的回答进行总结，并将答案输入至交互界面中，从而可以获取到相应的响应数据。
例如，如图4所示，在根据“是否原告自认滥诉”和“是否被告举证原告自认滥诉”的节点对应的判决要点，生成相应的问题之后，可以基于问题原告和被告进行分别提问，并总结原告和被告的回答，假设原告回答为否认滥诉，而被告回答为给出相关证据，证明原告曾经自认滥诉。
步骤S210，基于响应数据，对第一法律知识图谱中庭审问题对应的节点进行赋值，得到第二法律知识图谱。
具体地，在每次法官填写问题的答案之后，也即，在获取到响应数据之后，可以自动更新到第一法律知识图谱相应的节点上，也即，可以对相应的节点进行幅值。
例如，如图4所示，在原告回答为否认滥诉，而被告回答为给出相关证据，证明原告曾经自认滥诉之后，可以为“是否原告自认滥诉”节点赋值0，为“是否被告举证原告自认滥诉”节点赋值1。
步骤S212，判断第二法律知识图谱中是否存在未赋值的预设节点，其中，预设节点为用于生成法律案件的判决结果的节点。
具体地，为了能够得到最终的裁判结果，需要确保第二法律知识图谱中的必要节点的取值均赋值，例如，如图4所示，为了得到“是否原告滥诉”这一节点的取值，可以确定与其通过有向连接线连接的“是否原告自认滥诉”、“是否被告举证原告自认滥诉”、“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”这四个节点为预设节点，也即为必填节点。
步骤S214，在第二法律知识图谱存在未赋值的预设节点的情况下，基于第二法律知识图谱，得到第二法律知识图谱中每个节点的重要程度参数，并生成庭审问题，直至第二法律知识图谱中不存在未赋值的预设节点。
具体地，如果必填节点中仍然有节点未赋值，则可以重复上述庭审问题的生成过程，向法官推荐一批新的问题，直至所有必填节点均已赋值完毕。例如，如图4所示，如果“是否原告自认滥诉”、“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”这三个节点已经赋值，而“是否被告举证原告自认滥诉”节点未赋值，则可以继续根据“是否被告举证原告自认滥诉”节点对应的判别要点，生成问题并推荐给法官。
本申请上述实施例中，该方法还包括：步骤S216，在第二法律知识图谱不存在未赋值的预设节点的情况下，输出提示信息，其中，提示信息用于表征结束对法律案件进行庭审。
具体地，在确定第二法律知识图谱中不存在未赋值的预设节点，也即，更新后的法律知识图谱中所有必填节点均已赋值之后，可以确定根据已赋值的节点的取值，以及相应节点与其他节点之间的有向连接线，能够得到最终的裁判结果，无需继续进行庭审，此时，可以在交互界面上显示相应的提示信息，向法官提示停止该法律案件的庭审过程，可以进入最终的裁判过程。
本申请上述实施例中，该方法还包括：步骤S218，在第二法律知识图谱不存在未赋值的预设节点的情况下，基于案件信息和第二法律知识图谱，生成法律案件的裁判结果。
具体地，在确定第二法律知识图谱中不存在未赋值的预设节点，也即，更新后的法律知识图谱中所有必填节点均已赋值之后，可以确定根据已赋值的节点的取值，以及相应节点与其他节点之间的有向连接线，能够得到最终的裁判结果，则可以直接根据最终更新的法律知识图谱，确定该法律案件的最终裁判结果。如图3所示，在上述步骤中，法律案件的裁判结果可以通过自动裁判推理模块自动推理得到。
本申请上述实施例中，步骤S218，基于案件信息和第二法律知识图谱，生成法律案件的裁判结果，包括：
步骤S2182，基于案件信息中的诉求内容，确定第二法律知识图谱中法律案件对应的激活区域。
具体地，为了兼容民事案件中的『不诉不理』『举证责任』的特点，首先需要确定案件信息中的诉求内容，上述的诉求内容可以是法律案件的原告对该法律案件提起诉讼的内容，诉讼内容在第二法律知识图谱中具有相应的判别要点。然后在第二法律知识图谱中找到激活区域，并在激活区域上做裁判推理。上述激活区域可以是与原告的诉求内容对应的节点在法律知识图谱中的区域，其中，节点在法律知识图谱中的区域指的是与该节点具有直接或间接连接关系的上游节点和下游节点，同理的，未激活区域即为原告未诉求的内容对应的节点在法律知识图谱中的区域。
例如，如图5所示，法律知识图谱的裁判结果包括退还贷款和三倍赔偿，如果原告仅仅针对价格欺骗提起诉讼，而并未对绝对化描述提起诉讼，则针对价格欺骗的节点为激活区域内的节点(如图5中实心圆圈所示)，针对绝对化描述的节点为未激活区域内的节点(如图5中空心圆圈所示)。
步骤S2184，使用不确定性推理技术对激活区域内的节点进行处理，得到裁判结果。
具体地，上述的不确定性推理技术可以是从具有不确定性的证据出发，运用不确定的指示或规则，推理出具有一定程度的不确定性，但合乎或近乎合理的结论的过程。在不确定推理技术适用在上述方案中时，用于表示要素的输入节点所输入的案件信息作为法律知识图谱的出发点，该出发点具有一定的不确定性，且法律指示图谱本身也具有一定的不确定性，推理出的第一裁判结果也具有一定的不确定性，但是是合乎情理的。
上述的不确定性推理技术的方法有很多种，在本申请实施例中，以两种方法为例进行说明，但不仅限于此。
本申请上述实施例中，步骤S2184，使用不确定性推理技术对激活区域内的节点进行处理，得到裁判结果，包括：
步骤S21841，按照激活区域内的节点之间的关联信息和方向信息，对激活区域内的节点进行遍历，获取用于指向裁判结果的节点。
步骤S21842，获取节点对应的裁判结果，得到裁判结果。
具体地，法律知识图谱中通过各个节点之间的有向连接线来标识节点之间的逻辑推理关系，在通过庭审过程，对法律知识图谱进行更新之后，可以按照节点之间的逻辑推理关系，沿着有向连接线的方向在激活区域内进行遍历，直至达到最终用于表示裁判结果的节点。
例如，如图5所示，实心圆圈所示的节点为激活区域内的节点，可以根据有向连接线的方向进行遍历，直至达到用于判断是否退还货款和三倍赔偿的节点，如果最终获取到的节点为退还货款的节点，则可以得到最终的裁判结果为退还货款；如果最终获取到的节点为三倍赔偿的节点，则可以得到最终的裁判结果为三倍赔偿；如果最终获取到的节点为退还货款的节点和三倍赔偿的节点，则可以得到最终的裁判结果为退还货款，并三倍赔偿。
本申请上述实施例中，步骤S2184，使用不确定性推理技术对激活区域内的节点进行处理，得到裁判结果，包括：
步骤S21843，对第二法律知识图谱中的每个节点进行向量化处理，得到第三法律知识图谱。
步骤S21844，在第三法律知识图谱上，对激活区域内的节点进行随机遍历，得到激活区域内每个遍历到的节点对应的概率值。
步骤S21845，在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果点的节点。
步骤S21846，获取节点对应的裁判结果，得到裁判结果。
具体地，可以采用图片向量化表示的方案得到裁判结果，具体可以使用Graphembedding(图嵌入)的方式对法律知识图谱中的每个节点进行向量化处理，得到基于向量化表示的法律知识图谱，然后可以采用随机行走(random walk)的方式遍历法律知识图谱。随机行走时将法律知识图谱视为一个随机场，以节点间的连通性和转移概率进行随机行走，以传递节点之间的关联关系。
在随机行走的过程中，遍历到的节点对应的概率值可以通过指向该节点的上一层节点的概率值来确定，在指向该节点的上一层节点为多个的情况下，根据每条边预设的权重的信息，对多个节点的概率值进行加权，从而得到该节点对应的概率值。
如果遍历到的节点的概率值大于预设概率，则沿着该节点继续向下个节点进行随机遍历，如果该节点的概率值小于预设概率，则停止该条路径，不再在该节点所在的下行路径上遍历。
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，还提供了一种庭审问题的推送方法的实施例，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。
图6是根据本申请实施例2的一种庭审问题的推送方法的流程图。如图6所示，该方法可以包括如下步骤：
步骤S62，显示法律案件的案件信息。
具体地，上述的法律案件的案件信息可以是法律案件本身固有的客观事实，例如，法律参与者的信息，法律案件的证据信息等。如图3所示，在上述步骤中，法律案件的案件信息可以通过信息抽取/数据挖掘模块进行获取，信息抽取/数据挖掘模块不仅仅可以从法律案件对应的法律文书中提取案件信息，还可以从图片、语音等其他途径获取案件信息。
信息抽取/数据挖掘模块的作用是为法律知识图谱提供输入。可选地，输入来源包括起诉书、答辩书、证据信息等，比如可以从起诉书中抽取原被告信息；从证据交易日志中抽取是否退款、是否保留追偿权利；从证据商品信息中抽取折扣价格，实际价格等。另一方面，输入来源也可以来自从大数据中挖掘的信息，例如，从而购物平台中的用户画像中挖掘出用户历史的投诉次数。
步骤S64，显示基于案件信息和法律知识图谱生成的庭审问题，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点。
具体地，上述的法律知识图谱用于对法律案件进行自动裁判退率，不同案由领域需要构建不同的法律知识图谱，具体可以由法律专家人工构建，也即，依托专家知识的逻辑梳理和总结形成一套种子知识库，还可以通过大数据知识结合机器学习算法对法律知识图谱进行扩充，完成法律知识图谱的自动构建。如图3所示，在上述步骤中，法律知识图谱可以通过法律知识图谱构建模块进行构建。
与现有技术不同，法律知识图谱在构建时需要根据审判的逻辑、区分客观事实实体和法律事实实体，使得两者之间形成映射关系，实现最后的裁判。法律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”，还定义了逻辑推理关系，用于描述客观事实向法律事实的转化关系，例如“商品描述-推理关系-是否宣传有医疗效果”。
可选地，法律知识图谱的构成具体可以包括：实体：客观事实实体和法律事实实体；关系：属性关系、逻辑推理关系。法律知识图谱的关系可以采用三元组的形式进行存储，例如，“客观事实实体-属性关系-客观事实实体”，“客观事实实体-逻辑推理关系-法律事实实体”，“法律事实实体-逻辑推理关系-法律事实实体”。
法律知识图谱可以由多个节点，以及多个节点之间的有向连接线构成，多个节点之间的有向连接线用于表示逻辑推理关系，每个节点代表一个要素、判别要点或逻辑门，其中，要素可以是客观事实实体，判别要点可以是法律事实实体，逻辑门可以表示节点之间的逻辑推理关系。法律知识图谱中包含了生成文书需要的所有要素和审判逻辑的中间节点。
如图3所示，在上述步骤中，庭审问题可以通过自动问题推荐与交互模块进行生成。自动问题推荐与交互模块的主要目的是在庭审过程中辅助法官提炼争议焦点，辅助提问，缩短庭审时间。可选的，在庭审过程中给法官提供一个交互界面，显示算法自动给出推荐的问题，法官根据问题向原被告提问，并在交互界面中根据当事人回答的问题总结答案填写进去。每一个问题的答案更新之后，算法系统会根据最新的状态动态更新推荐的问题。当算法系统判断获得的信息足够推断出裁判结果，就可以终止问题推荐，提示结束庭审。
在一种可选的方案中，可以将获取到的法律案件的案件信息作为法律知识图谱的要素，输入至法律知识图谱中，从而可以得到法律知识图谱中部分节点的具体取值，为了能够确定更多节点的取值，以确保最终的裁判结果准确度更高，可以基于为获取到取值的节点，生成相应的庭审问题，也即，生成庭审过程中，法官需要向原告或者被告提问的具体问题。
本申请上述实施例2所提供的方法，在庭审过程中，可以获取法律案件的案件信息并显示，同时获取法律知识图谱，进一步基于案件信息和法律知识图谱，生成庭审问题并进行显示，从而实现庭审过程中问题推荐的目的。
容易注意到的，可以基于案件信息和法律知识图谱，生成庭审问题，从而辅助法官总结争议焦点，提出具体问题，与现有技术相比，无需法官人工确定上述问题，达到了提升裁判效率，节约庭审时间，降低庭审成本的技术效果。
由此，本申请提供的上述实施例2的方案解决了现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
本申请上述实施例中，步骤S64，显示基于案件信息和法律知识图谱生成的庭审问题，包括：
步骤S642，显示第一法律知识图谱，其中，第一法律知识图谱是基于案件信息对法律知识图谱中的节点进行赋值得到的。
具体地，首先可以对法律知识图谱进行图谱初始化，根据预先对原被告起诉状、答辩状、证据中提取出的案件信息，对预先建立的法律知识图谱中的实体节点进行赋值。
步骤S644，显示基于第一法律知识图谱得到的第一法律知识图谱中每个节点的重要程度参数，其中，重要程度参数用于表征法律案件的裁判结果和其他节点内容对节点的条件概率。
具体地，可以根据赋值后的法律知识图谱，也即上述的第一法律知识图谱中每个节点的取值的情况下，针对每个节点的取值对裁判结果的重要程度建模，得到每个节点的重要程度参数，具体可以定义为裁判结果和其他节点的取值对当前节点的取值的条件概率P(node|case，other nodes)，并记为Pimp，其中，node表示当前节点的取值，case表示裁判结果，other nodes表示其他节点的取值。
步骤S646，显示庭审问题，其中，庭审问题是在按照每个节点的重要程度参数对未赋值的节点排序之后，基于排序最高的预设个数的节点对应的要素或判别要点生成的。
具体地，由于法官需要针对未赋值的节点进行提问，可以基于每个节点的重要程度参数，对第一法律知识图谱中未知节点的Pimp值进行从大到小排序，并筛选出排名较高的多个未知节点作为生成庭审问题的基础。可以根据实际庭审需要，预先设置筛选出的节点的数量，作为预设个数。在筛选出排序最高的预设个数的节点之后，可以根据该节点对应的要素或者判别要点，生成相应的庭审问题，并推送给法官，由法官向当事人提问。
本申请上述实施例中，每个节点的重要程度参数是通过对第一法律知识图谱中所有节点的取值进行统计得到的。
具体地，每个节点的重要程度参数，也即条件概率的计算方式可以通过枚举节点所有取值的方式，用统计方法获得。
本申请上述实施例中，在步骤S646，显示庭审问题之后，该方法还包括：
步骤S66，显示庭审问题对应的响应数据。
具体地，在法官向原告或被告等当事人进行提问之后，可以对当事人的回答进行总结，并将答案输入至交互界面中，从而可以获取到相应的响应数据。
步骤S68，显示第二法律知识图谱，其中，第二法律知识图谱是基于响应数据对第一法律知识图谱中庭审问题对应的节点进行赋值得到的。
具体地，在每次法官填写问题的答案之后，也即，在获取到响应数据之后，可以自动更新到第一法律知识图谱相应的节点上，也即，可以对相应的节点进行幅值。
步骤S610，在第二法律知识图谱存在未赋值的预设节点的情况下，显示庭审问题，直至第二法律知识图谱中不存在未赋值的预设节点，其中，庭审问题是基于第二法律知识图谱中每个节点的重要程度参数得到的，预设节点为用于生成法律案件的判决结果的节点。
具体地，为了能够得到最终的裁判结果，需要确保第二法律知识图谱中的必要节点的取值均赋值。如果必填节点中仍然有节点未赋值，则可以重复上述庭审问题的生成过程，向法官推荐一批新的问题，直至所有必填节点均已赋值完毕。
本申请上述实施例中，在第二法律知识图谱不存在未赋值的预设节点的情况下，显示提示信息，其中，提示信息用于表征结束对法律案件进行庭审。
具体地，在确定第二法律知识图谱中不存在未赋值的预设节点，也即，更新后的法律知识图谱中所有必填节点均已赋值之后，可以确定根据已赋值的节点的取值，以及相应节点与其他节点之间的有向连接线，能够得到最终的裁判结果，无需继续进行庭审，此时，可以在交互界面上显示相应的提示信息，向法官提示停止该法律案件的庭审过程，可以进入最终的裁判过程。
实施例3
根据本申请实施例，还提供了一种用于实施上述庭审问题的推送方法的庭审问题的推送装置，如图7所示，该装置700包括：获取模块702、生成模块704和推送模块706。
其中，获取模块702，用于获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点。
具体地，上述的法律案件的案件信息可以是法律案件本身固有的客观事实，例如，法律参与者的信息，法律案件的证据信息等。如图3所示，在上述步骤中，法律案件的案件信息可以通过信息抽取/数据挖掘模块进行获取，信息抽取/数据挖掘模块不仅仅可以从法律案件对应的法律文书中提取案件信息，还可以从图片、语音等其他途径获取案件信息。
信息抽取/数据挖掘模块的作用是为法律知识图谱提供输入。可选地，输入来源包括起诉书、答辩书、证据信息等，比如可以从起诉书中抽取原被告信息；从证据交易日志中抽取是否退款、是否保留追偿权利；从证据商品信息中抽取折扣价格，实际价格等。另一方面，输入来源也可以来自从大数据中挖掘的信息，例如，从而购物平台中的用户画像中挖掘出用户历史的投诉次数。
上述的法律知识图谱用于对法律案件进行自动裁判退率，不同案由领域需要构建不同的法律知识图谱，具体可以由法律专家人工构建，也即，依托专家知识的逻辑梳理和总结形成一套种子知识库，还可以通过大数据知识结合机器学习算法对法律知识图谱进行扩充，完成法律知识图谱的自动构建。如图3所示，在上述步骤中，法律知识图谱可以通过法律知识图谱构建模块进行构建。
与现有技术不同，法律知识图谱在构建时需要根据审判的逻辑、区分客观事实实体和法律事实实体，使得两者之间形成映射关系，实现最后的裁判。法律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”，还定义了逻辑推理关系，用于描述客观事实向法律事实的转化关系，例如“商品描述-推理关系-是否宣传有医疗效果”。
可选地，法律知识图谱的构成具体可以包括：实体：客观事实实体和法律事实实体；关系：属性关系、逻辑推理关系。法律知识图谱的关系可以采用三元组的形式进行存储，例如，“客观事实实体-属性关系-客观事实实体”，“客观事实实体-逻辑推理关系-法律事实实体”，“法律事实实体-逻辑推理关系-法律事实实体”。
法律知识图谱可以由多个节点，以及多个节点之间的有向连接线构成，多个节点之间的有向连接线用于表示逻辑推理关系，每个节点代表一个要素、判别要点或逻辑门，其中，要素可以是客观事实实体，判别要点可以是法律事实实体，逻辑门可以表示节点之间的逻辑推理关系。法律知识图谱中包含了生成文书需要的所有要素和审判逻辑的中间节点。
生成模块704，用于基于案件信息和法律知识图谱，生成庭审问题。
具体地，如图3所示，在上述步骤中，庭审问题可以通过自动问题推荐与交互模块进行生成。自动问题推荐与交互模块的主要目的是在庭审过程中辅助法官提炼争议焦点，辅助提问，缩短庭审时间。
推送模块706，用于向目标对象推送庭审问题。
具体地，上述的目标对象可以是庭审过程中的法官。可以通过交互界面向法官推送自动生成的问题。可选的，在庭审过程中给法官提供一个交互界面，显示算法自动给出推荐的问题，法官根据问题向原被告提问，并在交互界面中根据当事人回答的问题总结答案填写进去。每一个问题的答案更新之后，算法系统会根据最新的状态动态更新推荐的问题。当算法系统判断获得的信息足够推断出裁判结果，就可以终止问题推荐，提示结束庭审。
此处需要说明的是，上述获取模块702、生成模块704和推送模块706对应于实施例1中的步骤S22至步骤S26，三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1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例3所提供的方法，在庭审过程中，可以获取法律案件的案件信息和法律知识图谱，进一步基于案件信息和法律知识图谱，生成庭审问题，并向目标对象推送该庭审问题，从而实现庭审过程中问题推荐的目的。
容易注意到的，可以基于案件信息和法律知识图谱，生成庭审问题，从而辅助法官总结争议焦点，提出具体问题，与现有技术相比，无需法官人工确定上述问题，达到了提升裁判效率，节约庭审时间，降低庭审成本的技术效果。
由此，本申请提供的上述实施例3的方案解决了现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
本申请上述实施例中，生成模块包括：赋值子模块，用于基于案件信息，对法律知识图谱中的节点进行赋值，得到第一法律知识图谱；第一处理子模块，用于基于第一法律知识图谱，得到第一法律知识图谱中每个节点的重要程度参数，其中，重要程度参数用于表征法律案件的裁判结果和其他节点内容对节点的条件概率；第一排序子模块，用于按照每个节点的重要程度参数对未赋值的节点进行排序；生成子模块，用于基于排序最高的预设个数的节点对应的要素或判别要点，生成庭审问题。
本申请上述实施例中，第一处理子模块包括：统计单元，用于通过对第一法律知识图谱中所有节点的取值进行统计，得到每个节点的重要程度参数。
本申请上述实施例中，该装置还包括：获取模块还用于获取庭审问题对应的响应数据；赋值模块，用于基于响应数据，对第一法律知识图谱中庭审问题对应的节点进行赋值，得到第二法律知识图谱；判断模块，用于判断第二法律知识图谱中是否存在未赋值的预设节点，其中，预设节点为用于生成法律案件的判决结果的节点；生成模块用于在第二法律知识图谱存在未赋值的预设节点的情况下，基于第二法律知识图谱，得到第二法律知识图谱中每个节点的重要程度参数，并生成庭审问题，直至第二法律知识图谱中不存在未赋值的预设节点。
本申请上述实施例中，该装置还包括：输出模块，用于在第二法律知识图谱不存在未赋值的预设节点的情况下，输出提示信息，其中，提示信息用于表征结束对法律案件进行庭审。
本申请上述实施例中，生成模块还用于在第二法律知识图谱不存在未赋值的预设节点的情况下，基于案件信息和第二法律知识图谱，生成法律案件的裁判结果。
本申请上述实施例中，生成模块包括：确定子模块，用于基于案件信息中的诉求内容，确定第二法律知识图谱中法律案件对应的激活区域；第二处理子模块，用于使用不确定性推理技术对激活区域内的节点进行处理，得到裁判结果。
本申请上述实施例中，第二处理子模块包括：第一遍历单元，用于按照激活区域内的节点之间的关联信息和方向信息，对激活区域内的节点进行遍历，获取用于指向裁判结果的节点；第一获取单元，用于获取节点对应的裁判结果，得到裁判结果。
本申请上述实施例中，第二处理子模块包括：处理单元，用于对第二法律知识图谱中的每个节点进行向量化处理，得到第三法律知识图谱；第二遍历单元，用于在第三法律知识图谱上，对激活区域内的节点进行随机遍历，得到激活区域内每个遍历到的节点对应的概率值；第三遍历单元，用于在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果点的节点；第二获取单元，用于获取节点对应的裁判结果，得到裁判结果。
实施例4
根据本申请实施例，还提供了一种用于实施上述庭审问题的推送方法的庭审问题的推送装置，如图8所示，该装置800包括：第一显示模块802和第二显示模块804。
其中，第一显示模块802，用于显示法律案件的案件信息。
具体地，上述的法律案件的案件信息可以是法律案件本身固有的客观事实，例如，法律参与者的信息，法律案件的证据信息等。如图3所示，在上述步骤中，法律案件的案件信息可以通过信息抽取/数据挖掘模块进行获取，信息抽取/数据挖掘模块不仅仅可以从法律案件对应的法律文书中提取案件信息，还可以从图片、语音等其他途径获取案件信息。
信息抽取/数据挖掘模块的作用是为法律知识图谱提供输入。可选地，输入来源包括起诉书、答辩书、证据信息等，比如可以从起诉书中抽取原被告信息；从证据交易日志中抽取是否退款、是否保留追偿权利；从证据商品信息中抽取折扣价格，实际价格等。另一方面，输入来源也可以来自从大数据中挖掘的信息，例如，从而购物平台中的用户画像中挖掘出用户历史的投诉次数。
第二显示模块804，用于显示基于案件信息和法律知识图谱生成的庭审问题，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点。
具体地，上述的法律知识图谱用于对法律案件进行自动裁判退率，不同案由领域需要构建不同的法律知识图谱，具体可以由法律专家人工构建，也即，依托专家知识的逻辑梳理和总结形成一套种子知识库，还可以通过大数据知识结合机器学习算法对法律知识图谱进行扩充，完成法律知识图谱的自动构建。如图3所示，在上述步骤中，法律知识图谱可以通过法律知识图谱构建模块进行构建。
与现有技术不同，法律知识图谱在构建时需要根据审判的逻辑、区分客观事实实体和法律事实实体，使得两者之间形成映射关系，实现最后的裁判。法律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”，还定义了逻辑推理关系，用于描述客观事实向法律事实的转化关系，例如“商品描述-推理关系-是否宣传有医疗效果”。
可选地，法律知识图谱的构成具体可以包括：实体：客观事实实体和法律事实实体；关系：属性关系、逻辑推理关系。法律知识图谱的关系可以采用三元组的形式进行存储，例如，“客观事实实体-属性关系-客观事实实体”，“客观事实实体-逻辑推理关系-法律事实实体”，“法律事实实体-逻辑推理关系-法律事实实体”。
法律知识图谱可以由多个节点，以及多个节点之间的有向连接线构成，多个节点之间的有向连接线用于表示逻辑推理关系，每个节点代表一个要素、判别要点或逻辑门，其中，要素可以是客观事实实体，判别要点可以是法律事实实体，逻辑门可以表示节点之间的逻辑推理关系。法律知识图谱中包含了生成文书需要的所有要素和审判逻辑的中间节点。
如图3所示，在上述步骤中，庭审问题可以通过自动问题推荐与交互模块进行生成。自动问题推荐与交互模块的主要目的是在庭审过程中辅助法官提炼争议焦点，辅助提问，缩短庭审时间。可选的，在庭审过程中给法官提供一个交互界面，显示算法自动给出推荐的问题，法官根据问题向原被告提问，并在交互界面中根据当事人回答的问题总结答案填写进去。每一个问题的答案更新之后，算法系统会根据最新的状态动态更新推荐的问题。当算法系统判断获得的信息足够推断出裁判结果，就可以终止问题推荐，提示结束庭审。
此处需要说明的是，上述第一显示模块802和第二显示模块804对应于实施例2中的步骤S62至步骤S64，两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2所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例4所提供的方法，在庭审过程中，可以获取法律案件的案件信息并显示，同时获取法律知识图谱，进一步基于案件信息和法律知识图谱，生成庭审问题并进行显示，从而实现庭审过程中问题推荐的目的。
容易注意到的，可以基于案件信息和法律知识图谱，生成庭审问题，从而辅助法官总结争议焦点，提出具体问题，与现有技术相比，无需法官人工确定上述问题，达到了提升裁判效率，节约庭审时间，降低庭审成本的技术效果。
由此，本申请提供的上述实施例4的方案解决了现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
本申请上述实施例中，第二显示模块包括：第一显示子模块，用于显示第一法律知识图谱，其中，第一法律知识图谱是基于案件信息对法律知识图谱中的节点进行赋值得到的；第二显示子模块，用于显示基于第一法律知识图谱得到的第一法律知识图谱中每个节点的重要程度参数，其中，重要程度参数用于表征法律案件的裁判结果和其他节点内容对节点的条件概率；第三显示子模块，用于显示庭审问题，其中，庭审问题是在按照每个节点的重要程度参数对未赋值的节点排序之后，基于排序最高的预设个数的节点对应的要素或判别要点生成的。
本申请上述实施例中，每个节点的重要程度参数是通过对第一法律知识图谱中所有节点的取值进行统计得到的。
本申请上述实施例中，该装置还包括：第三显示模块，用于显示庭审问题对应的响应数据；第四显示模块，用于显示第二法律知识图谱，其中，第二法律知识图谱是基于响应数据对第一法律知识图谱中庭审问题对应的节点进行赋值得到的；第五显示模块，用于在第二法律知识图谱存在未赋值的预设节点的情况下，显示庭审问题，直至第二法律知识图谱中不存在未赋值的预设节点，其中，庭审问题是基于第二法律知识图谱中每个节点的重要程度参数得到的，预设节点为用于生成法律案件的判决结果的节点。
本申请上述实施例中，在第二法律知识图谱不存在未赋值的预设节点的情况下，显示提示信息，其中，提示信息用于表征结束对法律案件进行庭审。
实施例5
根据本申请实施例，还提供了一种庭审问题的推送系统，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：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。
本申请上述实施例5所提供的方法，在庭审过程中，可以获取法律案件的案件信息和法律知识图谱，进一步基于案件信息和法律知识图谱，生成庭审问题，并向目标对象推送该庭审问题，从而实现庭审过程中问题推荐的目的。
容易注意到的，可以基于案件信息和法律知识图谱，生成庭审问题，从而辅助法官总结争议焦点，提出具体问题，与现有技术相比，无需法官人工确定上述问题，达到了提升裁判效率，节约庭审时间，降低庭审成本的技术效果。
由此，本申请提供的上述实施例5的方案解决了现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
实施例6
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庭审问题的推送方法中以下步骤的程序代码：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。
可选地，图9是根据本申请实施例的一种计算机终端的结构框图。如图9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902以及存储器904。
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庭审问题的推送方法和装置对应的程序指令/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，即实现上述的庭审问题的推送方法。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：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。
可选的，上述处理器还可以执行如下步骤的程序代码：基于案件信息，对法律知识图谱中的节点进行赋值，得到第一法律知识图谱；基于第一法律知识图谱，得到第一法律知识图谱中每个节点的重要程度参数，其中，重要程度参数用于表征法律案件的裁判结果和其他节点内容对节点的条件概率；按照每个节点的重要程度参数对未赋值的节点进行排序；基于排序最高的预设个数的节点对应的要素或判别要点，生成庭审问题。
可选的，上述处理器还可以执行如下步骤的程序代码：通过对第一法律知识图谱中所有节点的取值进行统计，得到每个节点的重要程度参数。
可选的，上述处理器还可以执行如下步骤的程序代码：在向目标对象推送庭审问题之后，获取庭审问题对应的响应数据；基于响应数据，对第一法律知识图谱中庭审问题对应的节点进行赋值，得到第二法律知识图谱；判断第二法律知识图谱中是否存在未赋值的预设节点，其中，预设节点为用于生成法律案件的判决结果的节点；在第二法律知识图谱存在未赋值的预设节点的情况下，基于第二法律知识图谱，得到第二法律知识图谱中每个节点的重要程度参数，并生成庭审问题，直至第二法律知识图谱中不存在未赋值的预设节点。
可选的，上述处理器还可以执行如下步骤的程序代码：在第二法律知识图谱不存在未赋值的预设节点的情况下，输出提示信息，其中，提示信息用于表征结束对法律案件进行庭审。
可选的，上述处理器还可以执行如下步骤的程序代码：在第二法律知识图谱不存在未赋值的预设节点的情况下，基于案件信息和第二法律知识图谱，生成法律案件的裁判结果。
可选的，上述处理器还可以执行如下步骤的程序代码：基于案件信息中的诉求内容，确定第二法律知识图谱中法律案件对应的激活区域；使用不确定性推理技术对激活区域内的节点进行处理，得到裁判结果。
可选的，上述处理器还可以执行如下步骤的程序代码：按照激活区域内的节点之间的关联信息和方向信息，对激活区域内的节点进行遍历，获取用于指向裁判结果的节点；获取节点对应的裁判结果，得到裁判结果。
可选的，上述处理器还可以执行如下步骤的程序代码：对第二法律知识图谱中的每个节点进行向量化处理，得到第三法律知识图谱；在第三法律知识图谱上，对激活区域内的节点进行随机遍历，得到激活区域内每个遍历到的节点对应的概率值；在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果点的节点；获取节点对应的裁判结果，得到裁判结果。
采用本申请实施例，在庭审过程中，可以获取法律案件的案件信息和法律知识图谱，进一步基于案件信息和法律知识图谱，生成庭审问题，并向目标对象推送该庭审问题，从而实现庭审过程中问题推荐的目的。
容易注意到的，可以基于案件信息和法律知识图谱，生成庭审问题，从而辅助法官总结争议焦点，提出具体问题，与现有技术相比，无需法官人工确定上述问题，达到了提升裁判效率，节约庭审时间，降低庭审成本的技术效果。
由此，本申请上述实施例的方案解决了现有技术中庭审问题由目标对象人工提出，导致裁判效率低的技术问题。
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：显示法律案件的案件信息；显示基于案件信息和法律知识图谱生成的庭审问题，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点。
本领域普通技术人员可以理解，图9所示的结构仅为示意，计算机终端也可以是智能手机(如、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9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9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9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7
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庭审问题的推送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：获取法律案件的案件信息和法律知识图谱，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点；基于案件信息和法律知识图谱，生成庭审问题；向目标对象推送庭审问题。
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：显示法律案件的案件信息；显示基于案件信息和法律知识图谱生成的庭审问题，其中，法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点。
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 (17)
1.一种庭审问题的推送方法，包括：
获取法律案件的案件信息和法律知识图谱，其中，所述法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在所述法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点，所述要素为客观事实实体，所述判别要点为法律事实实体；
基于所述案件信息和所述法律知识图谱，生成庭审问题，其中，所述庭审问题为法官向原告或者被告提问的问题；
向目标对象推送所述庭审问题；
其中，所述基于所述案件信息和所述法律知识图谱，生成庭审问题，包括：
基于所述案件信息，对所述法律知识图谱中的节点进行赋值，得到第一法律知识图谱；基于所述第一法律知识图谱，得到所述第一法律知识图谱中每个节点的重要程度参数，其中，所述重要程度参数用于表征所述法律案件的裁判结果和其他节点内容对所述节点的条件概率；按照所述每个节点的重要程度参数从大到小对未赋值的节点进行排序；基于排序的前预设个数的节点对应的要素或判别要点，生成所述庭审问题。
2.根据权利要求1所述的方法，其中，基于所述第一法律知识图谱，得到所述第一法律知识图谱中每个节点的重要程度参数，包括：
通过对所述第一法律知识图谱中所有节点的取值进行统计，得到所述每个节点的重要程度参数。
3.根据权利要求1所述的方法，其中，在向目标对象推送所述庭审问题之后，所述方法还包括：
获取所述庭审问题对应的响应数据；
基于所述响应数据，对所述第一法律知识图谱中所述庭审问题对应的节点进行赋值，得到第二法律知识图谱；
判断所述第二法律知识图谱中是否存在未赋值的预设节点，其中，所述预设节点为用于生成所述法律案件的判决结果的节点；
在所述第二法律知识图谱存在未赋值的预设节点的情况下，基于所述第二法律知识图谱，得到所述第二法律知识图谱中每个节点的重要程度参数，并生成所述庭审问题，直至所述第二法律知识图谱中不存在未赋值的预设节点。
4.根据权利要求3所述的方法，其中，在所述第二法律知识图谱不存在未赋值的预设节点的情况下，输出提示信息，其中，所述提示信息用于表征结束对所述法律案件进行庭审。
5.根据权利要求3所述的方法，其中，在所述第二法律知识图谱不存在未赋值的预设节点的情况下，基于所述案件信息和所述第二法律知识图谱，生成所述法律案件的裁判结果。
6.根据权利要求5所述的方法，其中，基于所述案件信息和所述第二法律知识图谱，生成所述法律案件的裁判结果，包括：
基于所述案件信息中的诉求内容，确定所述第二法律知识图谱中所述法律案件对应的激活区域；
使用不确定性推理技术对所述激活区域内的节点进行处理，得到所述裁判结果。
7.根据权利要求6所述的方法，其中，使用不确定性推理技术对所述激活区域内的节点进行处理，得到所述裁判结果，包括：
按照所述激活区域内的节点之间的所述关联信息和方向信息，对所述激活区域内的节点进行遍历，获取用于指向所述裁判结果的节点；
获取所述节点对应的裁判结果，得到所述裁判结果。
8.根据权利要求6所述的方法，其中，使用不确定性推理技术对所述激活区域内的节点进行处理，得到所述裁判结果，包括：
对所述第二法律知识图谱中的每个节点进行向量化处理，得到第三法律知识图谱；
在所述第三法律知识图谱上，对所述激活区域内的节点进行随机遍历，得到所述激活区域内每个遍历到的节点对应的概率值；
在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果点的节点；
获取所述节点对应的裁判结果，得到所述裁判结果。
9.一种庭审问题的推送方法，包括：
显示法律案件的案件信息；
显示基于所述案件信息和法律知识图谱生成的庭审问题，其中，所述法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在所述法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点，所述要素为客观事实实体，所述判别要点为法律事实实体，所述庭审问题为法官向原告或者被告提问的问题；
其中，所述显示基于所述案件信息和法律知识图谱生成的庭审问题，包括：
显示第一法律知识图谱，其中，所述第一法律知识图谱是基于所述案件信息对所述法律知识图谱中的节点进行赋值得到的；显示基于所述第一法律知识图谱得到的所述第一法律知识图谱中每个节点的重要程度参数，其中，所述重要程度参数用于表征所述法律案件的裁判结果和其他节点内容对所述节点的条件概率；显示所述庭审问题，其中，所述庭审问题是按照所述每个节点的重要程度参数从大到小对未赋值的节点进行排序之后，基于排序的前预设个数的节点对应的要素或判别要点生成的。
10.根据权利要求9所述的方法，其中，所述每个节点的重要程度参数是通过对所述第一法律知识图谱中所有节点的取值进行统计得到的。
11.根据权利要求9所述的方法，其中，在显示所述庭审问题之后，所述方法还包括：
显示所述庭审问题对应的响应数据；
显示第二法律知识图谱，其中，所述第二法律知识图谱是基于所述响应数据对所述第一法律知识图谱中所述庭审问题对应的节点进行赋值得到的；
在所述第二法律知识图谱存在未赋值的预设节点的情况下，显示所述庭审问题，直至所述第二法律知识图谱中不存在未赋值的预设节点，其中，所述庭审问题是基于所述第二法律知识图谱中每个节点的重要程度参数得到的，所述预设节点为用于生成所述法律案件的判决结果的节点。
12.根据权利要求11所述的方法，其中，在所述第二法律知识图谱不存在未赋值的预设节点的情况下，显示提示信息，其中，所述提示信息用于表征结束对所述法律案件进行庭审。
13.一种庭审问题的推送装置，包括：
获取模块，用于获取法律案件的案件信息和法律知识图谱，其中，所述法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在所述法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点，所述要素为客观事实实体，所述判别要点为法律事实实体；
生成模块，用于基于所述案件信息和所述法律知识图谱，生成庭审问题，其中，所述庭审问题为法官向原告或者被告提问的问题；
推送模块，用于向目标对象推送所述庭审问题；
其中，所述生成模块还用于通过以下步骤基于所述案件信息和所述法律知识图谱，生成所述庭审问题：基于所述案件信息，对所述法律知识图谱中的节点进行赋值，得到第一法律知识图谱；基于所述第一法律知识图谱，得到所述第一法律知识图谱中每个节点的重要程度参数，其中，所述重要程度参数用于表征所述法律案件的裁判结果和其他节点内容对所述节点的条件概率；按照所述每个节点的重要程度参数从大到小对未赋值的节点进行排序；基于排序的前预设个数的节点对应的要素或判别要点，生成所述庭审问题。
14.一种庭审问题的推送装置，包括：
第一显示模块，用于显示法律案件的案件信息；
第二显示模块，用于显示基于所述案件信息和法律知识图谱生成的庭审问题，其中，所述法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在所述法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点，所述要素为客观事实实体，所述判别要点为法律事实实体，所述庭审问题为法官向原告或者被告提问的问题；
其中，所述第二显示模块还用于通过以下步骤显示基于所述案件信息和法律知识图谱生成的庭审问题：显示第一法律知识图谱，其中，所述第一法律知识图谱是基于所述案件信息对所述法律知识图谱中的节点进行赋值得到的；显示基于所述第一法律知识图谱得到的所述第一法律知识图谱中每个节点的重要程度参数，其中，所述重要程度参数用于表征所述法律案件的裁判结果和其他节点内容对所述节点的条件概率；显示所述庭审问题，其中，所述庭审问题是按照所述每个节点的重要程度参数从大到小对未赋值的节点进行排序之后，基于排序的前预设个数的节点对应的要素或判别要点生成的。
15.一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如下步骤：获取法律案件的案件信息和法律知识图谱，其中，所述法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在所述法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点，所述要素为客观事实实体，所述判别要点为法律事实实体；基于所述案件信息和所述法律知识图谱，生成庭审问题，其中，所述庭审问题为法官向原告或者被告提问的问题；向目标对象推送所述庭审问题；
其中，在所述程序运行时还控制所述存储介质所在设备执行如下步骤：基于所述案件信息，对所述法律知识图谱中的节点进行赋值，得到第一法律知识图谱；基于所述第一法律知识图谱，得到所述第一法律知识图谱中每个节点的重要程度参数，其中，所述重要程度参数用于表征所述法律案件的裁判结果和其他节点内容对所述节点的条件概率；按照所述每个节点的重要程度参数从大到小对未赋值的节点进行排序；基于排序的前预设个数的节点对应的要素或判别要点，生成所述庭审问题。
16.一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行如下步骤：获取法律案件的案件信息和法律知识图谱，其中，所述法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在所述法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点，所述要素为客观事实实体，所述判别要点为法律事实实体；基于所述案件信息和所述法律知识图谱，生成庭审问题，其中，所述庭审问题为法官向原告或者被告提问的问题；向目标对象推送所述庭审问题；
其中，所述程序运行时还执行如下步骤：基于所述案件信息，对所述法律知识图谱中的节点进行赋值，得到第一法律知识图谱；基于所述第一法律知识图谱，得到所述第一法律知识图谱中每个节点的重要程度参数，其中，所述重要程度参数用于表征所述法律案件的裁判结果和其他节点内容对所述节点的条件概率；按照所述每个节点的重要程度参数从大到小对未赋值的节点进行排序；基于排序的前预设个数的节点对应的要素或判别要点，生成所述庭审问题。
17.一种庭审问题的推送系统，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：获取法律案件的案件信息和法律知识图谱，其中，所述法律知识图谱至少包括：多个节点，以及多个节点之间的关联信息和方向信息，每个节点在所述法律知识图谱中表示如下一种信息：生成法律文书的要素或判别要点，所述要素为客观事实实体，所述判别要点为法律事实实体；基于所述案件信息和所述法律知识图谱，生成庭审问题，其中，所述庭审问题为法官向原告或者被告提问的问题；向目标对象推送所述庭审问题；
其中，所述存储器还用于为所述处理器提供处理以下处理步骤的指令：基于所述案件信息，对所述法律知识图谱中的节点进行赋值，得到第一法律知识图谱；基于所述第一法律知识图谱，得到所述第一法律知识图谱中每个节点的重要程度参数，其中，所述重要程度参数用于表征所述法律案件的裁判结果和其他节点内容对所述节点的条件概率；按照所述每个节点的重要程度参数从大到小对未赋值的节点进行排序；基于排序的前预设个数的节点对应的要素或判别要点，生成所述庭审问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810943324.7A CN110866174B (zh) | 2018-08-17 | 2018-08-17 | 庭审问题的推送方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810943324.7A CN110866174B (zh) | 2018-08-17 | 2018-08-17 | 庭审问题的推送方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110866174A CN110866174A (zh) | 2020-03-06 |
| CN110866174B true CN110866174B (zh) | 2023-05-02 |
Family
ID=69651013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810943324.7A Active CN110866174B (zh) | 2018-08-17 | 2018-08-17 | 庭审问题的推送方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866174B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037029B (zh) * | 2020-09-01 | 2024-02-27 | 中国银行股份有限公司 | 银行信贷审批问题自动生成方法及装置 |
| CN112883196B (zh) * | 2021-02-01 | 2022-08-16 | 上海交通大学 | 基于知识图谱的案件分配方法、系统、介质及电子设备 |
| CN113128946A (zh) * | 2021-03-12 | 2021-07-16 | 广州八爪鱼科技有限公司 | 一种网络庭审的交互控制方法及设备 |
| CN112948567B (zh) * | 2021-05-13 | 2021-09-03 | 华自科技股份有限公司 | 一种收集设备故障信息的方法及系统 |
| CN113222251A (zh) * | 2021-05-13 | 2021-08-06 | 太极计算机股份有限公司 | 一种基于案件争议焦点的辅助裁判结果预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105761567A (zh) * | 2016-05-04 | 2016-07-13 | 北京新唐思创教育科技有限公司 | 动态推荐习题的方法和装置 |
| CN107273490A (zh) * | 2017-06-14 | 2017-10-20 | 北京工业大学 | 一种基于知识图谱的组合错题推荐方法 |
| CN107633060A (zh) * | 2017-09-20 | 2018-01-26 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
| CN108009299A (zh) * | 2017-12-28 | 2018-05-08 | 北京市律典通科技有限公司 | 法律审判业务处理方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10303999B2 (en) * | 2011-02-22 | 2019-05-28 | Refinitiv Us Organization Llc | Machine learning-based relationship association and related discovery and search engines |
-
2018
- 2018-08-17 CN CN201810943324.7A patent/CN110866174B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105761567A (zh) * | 2016-05-04 | 2016-07-13 | 北京新唐思创教育科技有限公司 | 动态推荐习题的方法和装置 |
| CN107273490A (zh) * | 2017-06-14 | 2017-10-20 | 北京工业大学 | 一种基于知识图谱的组合错题推荐方法 |
| CN107633060A (zh) * | 2017-09-20 | 2018-01-26 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
| CN108009299A (zh) * | 2017-12-28 | 2018-05-08 | 北京市律典通科技有限公司 | 法律审判业务处理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110866174A (zh) | 2020-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866174B (zh) | 庭审问题的推送方法、装置和系统 | |
| Hew et al. | Predicting drivers of mobile entertainment adoption: a two-stage SEM-artificial-neural-network analysis | |
| CN109472296A (zh) | 一种基于梯度提升决策树的模型训练方法及装置 | |
| CN108460627A (zh) | 营销活动方案推送方法、装置、计算机设备及存储介质 | |
| CN111325417B (zh) | 实现隐私保护的多方协同更新业务预测模型的方法及装置 | |
| CN107123057A (zh) | 用户推荐方法及装置 | |
| CN111552880A (zh) | 基于知识图谱的数据处理方法、装置、介质及电子设备 | |
| CN107807935B (zh) | 应用推荐方法及装置 | |
| CN107392640A (zh) | 一种处理电子券链接的方法及装置 | |
| CN113722603A (zh) | 对象推送方法、产品推送方法、计算机终端及存储介质 | |
| CN105337841A (zh) | 一种信息处理方法和系统、客户端和服务器 | |
| US10409952B2 (en) | Knowledge-based personal intelligent health consulting system | |
| CN113096055A (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
| CN110837563B (zh) | 案件的裁判方法、装置和系统 | |
| CN115019980B (zh) | 一种问诊数据处理方法和装置、用户终端和服务器 | |
| CN114004750A (zh) | 图像处理方法、装置和系统 | |
| CN113128534A (zh) | 情绪识别的方法、装置以及存储介质 | |
| CN111652673A (zh) | 智能推荐方法、装置、服务器和存储介质 | |
| CN113051405A (zh) | 基于对话场景的智能外呼知识图谱构建方法及装置 | |
| Pušnik et al. | Patterns for improving mobile user experience | |
| CN109157840B (zh) | 游戏中的数据处理方法、系统以及存储介质 | |
| CN111507095B (zh) | 裁判文书的生成方法、装置、存储介质和处理器 | |
| CN110837562A (zh) | 案件的处理方法、装置和系统 | |
| CN109583934A (zh) | 安全行为的行为数据处理方法、装置及设备 | |
| CN111178960B (zh) | 一种广告资源整合平台 |
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 |