CN110888943A - 基于微模板的法院裁判文书辅助生成的方法和系统 - Google Patents
基于微模板的法院裁判文书辅助生成的方法和系统 Download PDFInfo
- Publication number
- CN110888943A CN110888943A CN201911088242.XA CN201911088242A CN110888943A CN 110888943 A CN110888943 A CN 110888943A CN 201911088242 A CN201911088242 A CN 201911088242A CN 110888943 A CN110888943 A CN 110888943A
- Authority
- CN
- China
- Prior art keywords
- module
- case
- court
- information
- result information
- 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.)
- Pending
Links
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于微模板的法院裁判文书辅助生成的方法和系统,该方法为:获取庭审笔录和庭审笔录相关信息以及相似内容,构建相关的所有案件知识的数据库;获取裁判说理分析结果信息;获取判决结果信息和所述裁判说理分析结果信息,采用自然语言生成技术NLG转换所述判决结果信息和所述裁判说理分析结果信息为自然语言;将案件基本信息与案件审流信息智能匹配所述模板库中正确的文书模板与本院认为部分微模板,整理裁判说理结果信息,输出所述判决结果信息,辅助生成裁判文书本院认为部分。通过本发明一方面为法官提供辅助生成的裁判文书,减轻法官工作量,提高效率,另一方面提供了一种基于微模板的法院裁判文书辅助生成的系统。
Description
技术领域
本发明涉及法院裁判文书辅助生成技术领域,具体来说,涉及一种基于微模板的法院裁判文书辅助生成的方法和系统。
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提出高要求,为此可事先由法官对每种类型案由下的基础案例的裁判文书和典型案例的裁判文书进行总结,给出每种类型案由的裁判文书的通用模板。
在其他法官处理某种类型案由的庭审笔录时,为其推送该类型案由的待生成裁判文书的通用模板以及该类型案由的至少一个裁判文书(如基础案例的裁判文书和/或典型案例的裁判文书),由法官参照推送的裁判文书在推送的待生成裁判文书的通用模板中填写庭审笔录记录的信息,从而得到该类型案件的庭审笔录的裁判文书。
但是这种推送裁判文书的通用模板和裁判文书的方式过于笼统宽泛,比如一种类型案由有多个通用模板,推送的裁判文书也各不相同,因此法官在处理某种类型案由的庭审笔录的裁判文书时,需要从推送的裁判文书的通用模板和裁判文书中确定可用的通用模板和裁判文书,而且法官根据通用模板需要完善和修改的内容过多,这降低裁判文书的完成效率,不能减轻法官的工作负担。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于微模板的法院裁判文书辅助生成的方法和系统,能够克服现有技术的上述不足。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于微模板的法院裁判文书辅助生成的方法,包括以下步骤:
获取庭审笔录和庭审笔录相关信息以及相似内容,构建相关的所有案件知识的数据库;
依据不同案由提取相应的案件要素及构建不同案由的判案模型,并建立相关联的模板库;
获取裁判说理分析结果信息;
获取判决结果信息,并将其与所述裁判说理分析结果信息,采用自然语言生成技术NLG转换所述判决结果信息和所述裁判说理分析结果信息为自然语言;
将案件基本信息与案件审流信息智能匹配所述模板库中正确的文书模板,整理裁判说理结果信息,输出所述判决结果信息,辅助生成法院裁判文书。
进一步的,所述构建相关的所有案件知识的数据库的步骤包括以下步骤:
采用自然语言处理技术和文本语义分析的方法,识别并抽取对象实体、属性以及相关的关系信息;
链接实体并融合知识,消除歧义的概念,剔除冗余和错误的对象;
采用形式化的方式,明确地定义知识之间的概念及其联系,构建案件的知识图谱,并发送数据信息到裁判说理分析模块。
进一步的,所述获取裁判说理分析结果信息的步骤包括以下步骤:
依据所述判决结果信息,采用学习模型学习判决文书的表示方式;
构建案件的知识图谱,映射所述知识图谱中实体关系为低维稠密空间中的向量;
解析实体关系向量信息,获取数据信息,采用不同推理规则,生成复杂案件法院裁判说理分析结果信息。
所述采用不同推理规则的步骤包括以下步骤:
简单推理过程;
复杂实体关系推测过程;
所述采用不同推理规则进一步包括以下步骤:
所述简单推理过程采用一阶谓词逻辑的方式,利用逻辑运算符号表达谓词,设定关系推理的逻辑和约束条件;
所述复杂实体关系推测过程采用知识图谱的图推理方法,查找源节点和目标节点间存在的路径,获取路径语义信息,推测两个节点间存在的关系。
进一步的,所述采用自然语言生成技术NLG转换所述判决结果信息和所述裁判说理分析结果信息为自然语言的步骤包括以下步骤:
按照句数将适用使用深度学习RNN模型对海量的司法领域的文本内容划分序列数;
获取司法领域的词汇语义知识,监督指导统计分布假设;
自动生成适用法言法语的自然语言文本序列。
根据本发明的另一方面,提供了一种基于微模板的法院裁判文书辅助生成的系统,包括:数据库模块、裁判说理分析模块、自然语言转换模块、裁判文书生成模块,其中,
所述数据库模块用于获取庭审笔录和庭审笔录相关信息以及相似内容,依据不同案由提取相应的案件要素及构建不同案由的判案模型,并建立相关联的模板库;
所述裁判说理分析模块用于推理和预测判决结果,引入深度学习,利用学习模型学习判决文书的表示方式,将知识图谱中实体和关系映射成低维稠密空间中的向量,解析实体关系信息和采用不同的推理规则,生成复杂案件法院裁判说理分析部分;
所述自然语言转换模块用于采用NLG技术将所分析和预测的知识点转换为自然语句,自动生成文本序列,对微模板相应部分进行填充;
所述裁判文书生成模块用于将案件基本信息与案件审流信息智能匹配所述模板库中正确的文书模板,整理裁判说理结果信息,输出所述判决结果信息,辅助生成法院裁判文书。
进一步的,所述数据库模块包括法律法规数据模块、案件要素数据模块、争议焦点数据模块、裁判说理数据模块和文书模板模块。
进一步的,所述裁判说理分析模块包括案件事实认定模块、证据采纳模块、争议焦点分析模块、适用法律解释模块、逻辑推理模块和裁判结果模块。
进一步的,所述逻辑推理模块包括简单推理模块、复杂实体关系推测模块;
所述简单推理模块用于采用一阶谓词逻辑的方式,利用逻辑运算符号表达谓词,设定关系推理的逻辑和约束条件;
所述复杂实体关系推测模块用于采用知识图谱的图推理方法,查找源节点和目标节点间存在的路径,获取路径语义信息,推测两个节点间存在的关系。
进一步的,所述自然语言转换模块还用于按照句数将适用使用深度学习RNN模型对海量的司法领域的文本内容划分序列数,获取司法领域的词汇语义知识,监督指导统计分布假设,自动生成适用法言法语的自然语言文本序列。
本发明的有益效果:模板规模层次多,并根据多标签分类算法解决了复杂模板的只能匹配问题;以形式化的方式对概念及其之间的联系给出明确的定义,构建出本案件的知识图谱,为裁判说理分析的深度智能推理提供数据支持;对裁判结果的推理预测可为法官判案提供辅助决策支持;微模板可以改善司法领域语义模型的表达能力,在生成极度接近自然语言表述的同时,又使用法言法语,符合裁判文书行文的规范与严谨。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例基于微模板的法院裁判文书辅助生成的方法的流程示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,根据本发明实施例所述的一种基于微模板的法院裁判文书辅助生成的方法,包括以下步骤:
步骤S1,获取庭审笔录和庭审笔录相关信息以及相似内容,构建相关的所有案件知识的数据库;
步骤S2,依据不同案由提取相应的案件要素及构建不同案由的判案模型,并建立相关联的裁判文书本院认为部分微模板;
步骤S3,获取裁判说理分析结果信息;
步骤S4,获取判决结果信息和所述裁判说理分析结果信息,采用自然语言生成技术NLG转换所述判决结果信息和所述裁判说理分析结果信息为自然语言;
步骤S5,将案件基本信息与案件审流信息智能匹配所述模板库中正确的文书模板与本院认为部分微模板,整理裁判说理结果信息,输出所述判决结果信息,辅助生成裁判文书本院认为部分。
步骤S1中,所述构建相关的所有案件知识的数据库的步骤包括以下步骤:
步骤S11,采用自然语言处理技术和文本语义分析的方法,识别并抽取对象实体、属性以及相关的关系信息;
步骤S12,链接实体并融合知识,消除歧义的概念,剔除冗余和错误的对象;
步骤S13,采用形式化的方式,明确地定义知识之间的概念及其联系,构建案件的知识图谱,并发送数据信息到裁判说理分析模块。
步骤S3包括:
步骤S31,依据所述判决结果信息,采用学习模型学习判决文书的表示方式;
步骤S32,构建案件的知识图谱,映射所述知识图谱中实体关系为低维稠密空间中的向量;
步骤S33,解析实体关系向量信息,获取数据信息,采用不同推理规则,生成复杂案件“本院认为”裁判说理分析结果信息。
步骤S33中,所述采用不同推理规则的步骤包括以下步骤:
步骤S331,简单推理过程;
步骤S332,复杂实体关系推测过程;
步骤S33中,所述采用不同推理规则进一步包括以下步骤:
步骤S333,所述简单推理过程采用一阶谓词逻辑的方式,利用逻辑运算符号表达谓词,设定关系推理的逻辑和约束条件;
步骤S334,所述复杂实体关系推测过程采用知识图谱的图推理方法,查找源节点和目标节点间存在的路径,获取路径语义信息,推测两个节点间存在的关系。
步骤S4中,所述采用自然语言生成技术NLG转换所述判决结果信息和所述裁判说理分析结果信息为自然语言的步骤包括以下步骤:
步骤S41,按照句数将适用使用深度学习RNN模型对海量的司法领域的文本内容划分序列数;
步骤S42,获取司法领域的词汇语义知识,监督指导统计分布假设;
步骤S43,自动生成适用法言法语的自然语言文本序列。
根据本发明的另一方面,提供了一种基于微模板的法院裁判文书辅助生成的系统,包括:数据库模块、裁判说理分析模块、自然语言转换模块、裁判文书生成模块,其中,所述数据库模块用于获取庭审笔录和庭审笔录相关信息以及相似内容,依据不同案由提取相应的案件要素及构建不同案由的判案模型,并建立相关联的模板库;所述裁判说理分析模块用于推理和预测判决结果,引入深度学习,利用学习模型学习判决文书的表示方式,将知识图谱中实体和关系映射成低维稠密空间中的向量,解析实体关系信息和采用不同的推理规则,生成复杂案件法院裁判说理分析部分;所述自然语言转换模块用于采用NLG技术将所分析和预测的知识点转换为自然语句,自动生成文本序列,对微模板相应部分进行填充;所述裁判文书生成模块用于将案件基本信息与案件审流信息智能匹配所述模板库中正确的文书模板,整理裁判说理结果信息,输出所述判决结果信息,辅助生成法院裁判文书,所述数据库模块包括法律法规数据模块、案件要素数据模块、争议焦点数据模块、裁判说理数据模块和文书模板模块,所述裁判说理分析模块包括案件事实认定模块、证据采纳模块、争议焦点分析模块、适用法律解释模块、逻辑推理模块和裁判结果模块,所述逻辑推理模块包括简单推理模块、复杂实体关系推测模块;所述简单推理模块用于采用一阶谓词逻辑的方式,利用逻辑运算符号表达谓词,设定关系推理的逻辑和约束条件;所述复杂实体关系推测模块用于采用知识图谱的图推理方法,查找源节点和目标节点间存在的路径,获取路径语义信息,推测两个节点间存在的关系,所述自然语言转换模块还用于按照句数将适用使用深度学习RNN模型对海量的司法领域的文本内容划分序列数,获取司法领域的词汇语义知识,监督指导统计分布假设,自动生成适用法言法语的自然语言文本序列。
便理解本发明的上述技术方案,以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在具体使用时,根据本发明所述的一种基于微模板的法院裁判文书辅助生成的方法和系统,以案件为中心,结合庭审笔录以及与庭审笔录向关联的相同或者内容相似的案件,构建与之相关的所有案件知识的数据库,具体而言,以案件为中心,将与之相关的所有知识构建知识图谱。所涵盖的知识包括:案件已有的数据库中数据、案件相关或类似的历史裁决文书以及案件适用的法律法规等语料。首先,使用自然语言处理和文本语义分析的方法,识别并抽取出对象实体、属性以及之间的关系;然后,进行知识融合,通过实体链接和知识合并,消除歧义的概念,剔除冗余和错误的对象;最后,通过知识加工,以形式化的方式对概念及其之间的联系给出明确的定义,构建出本案件的知识图谱,为裁判说理分析的深度智能推理提供数据支持。
进行裁判说理分析,对判决结果进行推理和预测,引入深度学习,利用学习模型对判决文书的表示方式进行学习,将知识图谱中实体和关系映射成低维稠密空间中的向量,进行计算和推理,归纳推理规则,最终生成复杂案件“本院认为”裁判说理分析部分,具体而言,裁判说理分析,包含了案件事实认定、证据采纳、争议焦点分析、适用法律解释、逻辑推理和裁判结果等方面。利用案件知识图谱中案件各要素关系、法律逻辑、专家经验以及类似案例等众多信息,解决说理分析的问题。对于简单的推理,采用一阶谓词逻辑的方式,通过逻辑运算符号表达谓词,设定关系推理的逻辑和约束条件,实现简单关系的推理;对于复杂的实体关系,采用基于知识图谱的图推理方法,寻找源节点和目标节点间存在的路径,通过路径包含的语义信息,推测两个节点间可能存在的关系。同时引入深度学习,利用TransE等模型进行知识表示学习,将知识图谱中实体和关系映射成低维稠密空间中的向量,进行计算和推理,归纳推理规则,最终生成复杂案件的“审理查明”和“本院认为”裁判说理分析部分。同时,对裁判结果的推理预测,也可为法官判案提供辅助决策支持。
将生成的判决结果以及裁判说理部分通过自然语言生成技术NLG转换生成人类使用的自然语言,具体而言,上述生成的裁判说理还只是知识,需要使用自然语言生成(NLG)技术将知识转化成人类使用的自然语言。知识所涉及的实体/概念,必须保留其自然语言形态,同时实体之间的关系,如因果关系、从属关系等,也由以自然语言形式表达的关系名称来表达。对于文本而言,每句话都相当于一个序列,使用深度学习RNN模型对海量的司法领域文本进行训练,引入司法领域的词汇语义知识对统计分布假设进行监督指导,达到自动生成文本序列的目的。在语义建模学习的过程中引入词性相关信息,确定句法、语法结构,优化聚合,提交生成表达式,建立微模板。微模板可以改善司法领域语义模型的表达能力,在生成极度接近自然语言表述的同时,又使用法言法语,符合裁判文书行文的规范与严谨。
结合案件基本信息,从数据库中匹配正确的文本模板进行裁判说理的整理和判决结果的输出,具体而言,利用案件基本信息,从模板库中智能匹配正确的文书模板。文书种类众多,可从文书类型、诉讼程序、案由等多个维度进行分类。其中类型包括判决书、裁决书、调解书、决定书、通知书、令等多种类型;案由按照大案由->类案由->种案由->微案由的基本原则,数量庞大且具有树形层次的结构;审判程序又有一审、二审、再审、复核、审监等类型。另外,针对特殊的案情,又有特定适用的模板,比如,根据《立法法》的规定:刑事裁判文书应当引用法律、法律解释或者司法解释;民事裁判文书应当引用法律、法律解释或者司法解释;行政裁判文书应当引用法律、法律解释、行政法规或者司法解释。根据审理案件的需要,经审查认定为合法有效的,可以作为裁判说理的依据。
因此,需要设计一种大规模的层次多标签分类算法,解决复杂模板的智能匹配问题。
需要说明如下几点:
假设事实描述可以直接用于“审理查明”事实认定的内容,或者经过简单自动文摘归纳,故不需要相应的微模板和自然语言生成(NLG)模型(如果不是,那同说理部分一样,也需建立相应的微模板和NLG模型);
在依据法律条款和裁判结果部分,一般具有固定格式“依据《xx法》xx条xx款……”和“判决如下……”,根据文书类型、案由、程序等只构造相应微模板即可,或不需要另训练NLG模型;
说理分析的自然语言生成模型(上面模型4)是暂且将任务分解,逻辑上,应该是先进行各实体间的关系推理,再将其“翻译”成自然语言。这里因为关系推理暂时输出不确定,具体推理哪些实体间、哪些关系,依赖于生成过程中需要用到的实体和关系。比如盗窃案,说理分析过程中需要“盗窃数额”这一项内容,那就需要对其推理是“数额较大”、“数额巨大”,还是“数额特别巨大”,还有是否有从轻从重行为等。关系推理和生成是一个交互的过程。而根据《刑法》的规定,还需要结合当前的经济发展水瓶和社会治安状况,对于盗窃罪而言其数额认定标准又浮动于一个区间:
一、个人盗窃公私财物“数额较大”,以一千至三千元为起点。
二、个人盗窃公私财物“数额巨大”,以三万元至五万元为起点。
三、个人盗窃公私财物“数额特别巨大”,以三十万元至五十万元为起点。
因此,在进行裁判文件的生成时,还需要进行具体区间数值的参考,这类数据同样需要数据库进行大量判决文件的学习和记录。
综上所述,借助于本发明的上述技术方案,通过构建数据库、裁判说理分析、微模板裁判文书说理分析、智能匹配裁判文书、转换自然语言,从而使得模板规模层次多,并根据多标签分类算法解决了复杂模板的只能匹配问题;以形式化的方式对概念及其之间的联系给出明确的定义,构建出本案件的知识图谱,为裁判说理分析的深度智能推理提供数据支持;对裁判结果的推理预测可为法官判案提供辅助决策支持;微模板可以改善司法领域语义模型的表达能力,在生成极度接近自然语言表述的同时,又使用法言法语,符合裁判文书行文的规范与严谨。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于微模板的法院裁判文书辅助生成的方法,其特征在于,包括以下步骤:
获取庭审笔录和庭审笔录相关信息以及相似内容,构建相关的所有案件知识的数据库;
依据不同案由提取相应的案件要素及构建不同案由的判案模型,并建立相关联的模板库;
获取裁判说理分析结果信息;
获取判决结果信息,并将其与所述裁判说理分析结果信息,采用自然语言生成技术NLG转换所述判决结果信息和所述裁判说理分析结果信息为自然语言;
将案件基本信息与案件审流信息智能匹配所述模板库中正确的文书模板,整理裁判说理结果信息,输出所述判决结果信息,辅助生成法院裁判文书。
2.根据权利要求1所述的基于微模板的法院裁判文书辅助生成的方法,其特征在于,所述构建相关的所有案件知识的数据库的步骤包括以下步骤:
采用自然语言处理技术和文本语义分析的方法,识别并抽取对象实体、属性以及相关的关系信息;
链接实体并融合知识,消除歧义的概念,剔除冗余和错误的对象;
采用形式化的方式,明确地定义知识之间的概念及其联系,构建案件的知识图谱,并发送数据信息到裁判说理分析模块。
3.根据权利要求1所述的基于微模板的法院裁判文书辅助生成的方法,其特征在于,所述获取裁判说理分析结果信息的步骤包括以下步骤:
依据所述判决结果信息,采用学习模型学习判决文书的表示方式;
构建案件的知识图谱,映射所述知识图谱中实体关系为低维稠密空间中的向量;
解析实体关系向量信息,获取数据信息,采用不同推理规则,生成复杂案件法院裁判说理分析结果信息。
4.所述采用不同推理规则的步骤包括以下步骤:
简单推理过程;
复杂实体关系推测过程;
所述采用不同推理规则进一步包括以下步骤:
所述简单推理过程采用一阶谓词逻辑的方式,利用逻辑运算符号表达谓词,设定关系推理的逻辑和约束条件;
所述复杂实体关系推测过程采用知识图谱的图推理方法,查找源节点和目标节点间存在的路径,获取路径语义信息,推测两个节点间存在的关系。
5.根据权利要求1所述的基于微模板的法院裁判文书辅助生成的方法,其特征在于,所述采用自然语言生成技术NLG转换所述判决结果信息和所述裁判说理分析结果信息为自然语言的步骤包括以下步骤:
按照句数将适用使用深度学习RNN模型对海量的司法领域的文本内容划分序列数;
获取司法领域的词汇语义知识,监督指导统计分布假设;
自动生成适用法言法语的自然语言文本序列。
6.一种基于微模板的法院裁判文书辅助生成的系统,其特征在于,包括:数据库模块、裁判说理分析模块、自然语言转换模块、裁判文书生成模块,其中,
所述数据库模块用于获取庭审笔录和庭审笔录相关信息以及相似内容,依据不同案由提取相应的案件要素及构建不同案由的判案模型,并建立相关联的模板库;
所述裁判说理分析模块用于推理和预测判决结果,引入深度学习,利用学习模型学习判决文书的表示方式,将知识图谱中实体和关系映射成低维稠密空间中的向量,解析实体关系信息和采用不同的推理规则,生成复杂案件法院裁判说理分析部分;
所述自然语言转换模块用于采用NLG技术将所分析和预测的知识点转换为自然语句,自动生成文本序列,对微模板相应部分进行填充;
所述裁判文书生成模块用于将案件基本信息与案件审流信息智能匹配所述模板库中正确的文书模板,整理裁判说理结果信息,输出所述判决结果信息,辅助生成法院裁判文书。
7.根据权利要求5所述的基于微模板的法院裁判文书辅助生成的系统,其特征在于,所述数据库模块包括法律法规数据模块、案件要素数据模块、争议焦点数据模块、裁判说理数据模块和文书模板模块。
8.根据权利要求5所述的基于微模板的法院裁判文书辅助生成的系统,其特征在于,所述裁判说理分析模块包括案件事实认定模块、证据采纳模块、争议焦点分析模块、适用法律解释模块、逻辑推理模块和裁判结果模块。
9.根据权利要求7所述的基于微模板的法院裁判文书辅助生成的系统,其特征在于,所述逻辑推理模块包括简单推理模块、复杂实体关系推测模块;
所述简单推理模块用于采用一阶谓词逻辑的方式,利用逻辑运算符号表达谓词,设定关系推理的逻辑和约束条件;
所述复杂实体关系推测模块用于采用知识图谱的图推理方法,查找源节点和目标节点间存在的路径,获取路径语义信息,推测两个节点间存在的关系。
10.根据权利要求5所述的基于微模板的法院裁判文书辅助生成的系统,其特征在于,所述自然语言转换模块还用于按照句数将适用使用深度学习RNN模型对海量的司法领域的文本内容划分序列数,获取司法领域的词汇语义知识,监督指导统计分布假设,自动生成适用法言法语的自然语言文本序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088242.XA CN110888943A (zh) | 2019-11-08 | 2019-11-08 | 基于微模板的法院裁判文书辅助生成的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088242.XA CN110888943A (zh) | 2019-11-08 | 2019-11-08 | 基于微模板的法院裁判文书辅助生成的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110888943A true CN110888943A (zh) | 2020-03-17 |
Family
ID=69747151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911088242.XA Pending CN110888943A (zh) | 2019-11-08 | 2019-11-08 | 基于微模板的法院裁判文书辅助生成的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110888943A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859885A (zh) * | 2020-06-19 | 2020-10-30 | 广州大学 | 一种法律判决书自动生成方法及系统 |
CN111859969A (zh) * | 2020-07-20 | 2020-10-30 | 航天科工智慧产业发展有限公司 | 数据分析方法及装置、电子设备、存储介质 |
CN112269878A (zh) * | 2020-11-02 | 2021-01-26 | 成都纬创立科技有限公司 | 可解释法律判决预测方法、装置、电子设备及存储介质 |
CN113157937A (zh) * | 2021-03-04 | 2021-07-23 | 浙报融媒体科技(浙江)有限责任公司 | 基于流计算模型的机器实时自动写稿系统及方法 |
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 |
CN114201951A (zh) * | 2022-02-17 | 2022-03-18 | 佛山市禅城区人民法院 | 金融借款纠纷文书生成方法、系统和可读存储介质 |
CN116595950A (zh) * | 2023-03-06 | 2023-08-15 | 华院计算技术(上海)股份有限公司 | 判决书的生成方法、系统、设备及介质 |
CN117273008A (zh) * | 2023-08-30 | 2023-12-22 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110178936A1 (en) * | 2008-07-18 | 2011-07-21 | Dewan Mohan | Electronic Justice System |
CN107562938A (zh) * | 2017-09-21 | 2018-01-09 | 重庆工商大学 | 一种法院智能审判方法 |
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 |
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 |
-
2019
- 2019-11-08 CN CN201911088242.XA patent/CN110888943A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110178936A1 (en) * | 2008-07-18 | 2011-07-21 | Dewan Mohan | Electronic Justice System |
CN107562938A (zh) * | 2017-09-21 | 2018-01-09 | 重庆工商大学 | 一种法院智能审判方法 |
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 |
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 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859885A (zh) * | 2020-06-19 | 2020-10-30 | 广州大学 | 一种法律判决书自动生成方法及系统 |
CN111859969A (zh) * | 2020-07-20 | 2020-10-30 | 航天科工智慧产业发展有限公司 | 数据分析方法及装置、电子设备、存储介质 |
CN111859969B (zh) * | 2020-07-20 | 2024-05-03 | 航天科工智慧产业发展有限公司 | 数据分析方法及装置、电子设备、存储介质 |
CN112269878B (zh) * | 2020-11-02 | 2024-03-26 | 成都纬创立科技有限公司 | 可解释法律判决预测方法、装置、电子设备及存储介质 |
CN112269878A (zh) * | 2020-11-02 | 2021-01-26 | 成都纬创立科技有限公司 | 可解释法律判决预测方法、装置、电子设备及存储介质 |
CN113157937A (zh) * | 2021-03-04 | 2021-07-23 | 浙报融媒体科技(浙江)有限责任公司 | 基于流计算模型的机器实时自动写稿系统及方法 |
CN113157937B (zh) * | 2021-03-04 | 2023-06-06 | 浙报融媒体科技(浙江)股份有限公司 | 基于流计算模型的机器实时自动写稿系统及方法 |
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 |
CN114201951B (zh) * | 2022-02-17 | 2022-05-10 | 佛山市禅城区人民法院 | 金融借款纠纷文书生成方法、系统和可读存储介质 |
CN114201951A (zh) * | 2022-02-17 | 2022-03-18 | 佛山市禅城区人民法院 | 金融借款纠纷文书生成方法、系统和可读存储介质 |
CN116595950A (zh) * | 2023-03-06 | 2023-08-15 | 华院计算技术(上海)股份有限公司 | 判决书的生成方法、系统、设备及介质 |
CN117273008A (zh) * | 2023-08-30 | 2023-12-22 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
CN117273008B (zh) * | 2023-08-30 | 2024-06-04 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110888943A (zh) | 基于微模板的法院裁判文书辅助生成的方法和系统 | |
US7428517B2 (en) | Data integration and knowledge management solution | |
CN112528034B (zh) | 一种基于知识蒸馏的实体关系抽取方法 | |
CN113806563B (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
CN113191148B (zh) | 一种基于半监督学习和聚类的轨道交通实体识别方法 | |
US20210350125A1 (en) | System for searching natural language documents | |
CN112463981A (zh) | 一种基于深度学习的企业内部经营管理风险识别提取方法及系统 | |
CN113487211A (zh) | 核电装备质量追溯方法、系统、计算机设备及介质 | |
CN113919366A (zh) | 一种面向电力变压器知识问答的语义匹配方法和装置 | |
Li et al. | Neural factoid geospatial question answering | |
Zhang et al. | Hierarchical representation and deep learning–based method for automatically transforming textual building codes into semantic computable requirements | |
Mezghanni et al. | Deriving ontological semantic relations between Arabic compound nouns concepts | |
Sun | A natural language interface for querying graph databases | |
US20220207240A1 (en) | System and method for analyzing similarity of natural language data | |
Qiu et al. | NeuroSPE: A neuro‐net spatial relation extractor for natural language text fusing gazetteers and pretrained models | |
CN117473054A (zh) | 基于知识图谱的通用智能问答方法及装置 | |
CN116843175A (zh) | 一种合同条款风险检查方法、系统、设备和存储介质 | |
Zhao et al. | Natural language query for technical knowledge graph navigation | |
Hassan | Ontology learning using formal concept analysis and wordnet | |
Arbizu | Extracting knowledge from documents to construct concept maps | |
Belhadef | A new bidirectional method for ontologies matching | |
Diefenbach | Question answering over knowledge bases | |
Zhang | Text Complexity Classification Data Mining Model Based on Dynamic Quantitative Relationship between Modality and English Context | |
Curry et al. | Foundation Data Space Models: Bridging the Artificial Intelligence and Data Ecosystems (Vision Paper) | |
CN115374108B (zh) | 一种基于知识图谱技术的数据标准生成与自动映射方法 |
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 |