CN110928986B - 法律证据的排序和推荐方法、装置、设备及存储介质 - Google Patents
法律证据的排序和推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110928986B CN110928986B CN201910991648.2A CN201910991648A CN110928986B CN 110928986 B CN110928986 B CN 110928986B CN 201910991648 A CN201910991648 A CN 201910991648A CN 110928986 B CN110928986 B CN 110928986B
- Authority
- CN
- China
- Prior art keywords
- preset
- target
- evidence
- item
- weight
- 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
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/322—Trees
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及大数据技术领域,公开了一种法律证据的排序和推荐方法、装置、设备及存储介质。法律证据的排序和推荐方法包括:获取预置证据项的目标特征;根据预置树模型对目标特征进行处理,得到目标特征的权重;对目标特征和目标特征的权重进行加权平均计算,得到预置证据项的目标权重;将预置证据项的目标权重存储到预置法律知识图谱中;当接收到目标终端发送的检索请求时,从预置法律知识图谱中确定证据指引数据,并将证据指引数据推送到目标终端,证据指引数据用于指示目标权重大于预置阈值的预置证据项。本发明通过确定证据项的目标特征和证据项的权重,根据证据项的权重进行证据项排序和推送,提高证据指引的正确率和效率。
Description
技术领域
本发明涉及智能推荐领域,尤其涉及法律证据的排序和推荐方法、装置、设备及存储介质。
背景技术
知识图谱技术日益成为人工智能的基础,它是机器理解自然语言和构建知识网络的重要方法。近年来,知识图谱在司法领域的运用悄然兴起,它帮助从业人员快速地在线检索相关的法务内容,从而提高法院审判工作质量和效率。
由于一个案件往往有多个证据,而且各个证据相互间存在相互印证,存在相互矛盾,所以有必要通过庭审质证以及法官核实判断证据,结合全案证据,对所有证据之间存在的客观联系,以及各个证据证明力的大小进行判断,并就案件事实作出符合客观实际的结论。法律知识图谱的一个重要应用便是在确定诉讼双方的争议焦点后根据法律知识图谱查询或者推断出解决这一争议焦点所需要的证据,并且对容易忽视但是在以往案例中起到重要的作用的证据给出提示。
目前在法律领域法律从业人员只能依靠法条或者个人从业经验来判断需要哪些证据以及这些证据对案件的重要性程度,这种证据指引方式准确率低。
发明内容
本发明的主要目的在于解决了只能依靠法条或者个人从业经验来判断证据或者证据权重准确率低的技术问题。
为实现上述目的,本发明第一方面提供了一种法律证据的排序和推荐方法,包括:获取预置证据项的目标特征,所述预置证据项为预置争议焦点中的证据项集合,所述目标特征包括预置证据项频率和预置逆争议焦点频率;根据预置树模型对所述目标特征进行处理,得到所述目标特征的权重;对所述目标特征和所述目标特征的权重进行加权平均计算,得到所述预置证据项的目标权重;将所述预置证据项的目标权重存储到预置法律知识图谱中;当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中确定证据指引数据,并将所述证据指引数据推送到所述目标终端,所述证据指引数据用于指示所述目标权重大于预置阈值的预置证据项。
可选的,在本发明第一方面的第一种实现方式中,所述根据预置树模型对所述目标特征进行处理,得到所述目标特征的权重包括:根据预置最小化目标特征的损失函数L生成预置树模型的结构风险最小化模型,所述结构风险最小化模型为其中,J(f)为结构风险最小化模型的复杂度;确定每棵分类回归树的复杂度Ω(f),所述Ω(f)为/>其中,T为所述分类回归树的子节点数,||ω||为所述分类回归树的子节点向量的模,γ为节点切分的难度,λ表示L2正则化系数;对所述预置最小化目标特征的损失函数L和所述每棵分类回归树的复杂度Ω(f)进行叠加,得到初始函数,所述初始函数如下所示:/>根据所述初始函数进行计算得到目标函数obj*;根据所述目标函数obj*确定所述目标特征的全部切分点,并对所述目标特征的全部切分点进行切分,得到所述目标特征的多个目标增益值;从所述目标特征的多个目标增益值中确定最大增益值;设置所述最大增益值对应的切分点为最佳分裂点,并在最佳分裂点处切分节点,得到目标分类回归树;累加目标分类回归树的结果,得到目标特征的权重βn,所述βn的取值范围为大于等于0并且小于等于1;将所述目标特征的权重βn写入到预置数据字典中。
可选的,在本发明第一方面的第二种实现方式中,所述当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中确定证据指引数据,并将所述证据指引数据推送到所述目标终端,所述证据指引数据用于指示所述目标权重大于预置阈值的预置证据项包括:当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中读取目标实体数据,所述目标实体数据包括所述预置证据项和所述预置证据项的目标权重;基于所述预置证据项的目标权重将所述预置证据项按照从大到小的顺序进行排序;将所述目标权重大于预置阈值的预置证据项设置为证据指引数据;将所述证据指引数据推送到目标终端,所述目标终端用于将所述证据指引数据以提示信息进行展示。
可选的,在本发明第一方面的第三种实现方式中,所述当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中读取目标实体数据,所述目标实体数据包括所述预置证据项和所述预置证据项的目标权重包括:当接收到目标终端发送的检索请求时,解析所述目标终端发送的检索请求,得到查询文本;根据预置关键词提取算法从所述查询文本中提取关键词;根据预置相似度算法和所述关键词查询所述预置法律知识图谱,得到目标实体数据,所述目标实体数据包括所述预置证据项和所述预置证据项对应的目标权重。
可选的,在本发明第一方面的第四种实现方式中,所述获取预置证据项的目标特征,所述预置证据项为预置争议焦点中的证据项集合,所述目标特征包括预置证据项频率和预置逆争议焦点频率包括:根据预置法条确定预置争议焦点中的证据项集合,得到预置证据项χk,其中,所述k为正整数,所述k用于指示预置争议焦点中预置证据项的数量;根据所述预置证据项确定目标特征,并将目标特征标记为αin,所述i为小于或者等于k的正整数,所述αin的取值范围为大于等于0并且小于等于1,所述n为目标特征的个数,所述目标特征包括预置证据项频率和预置逆争议焦点频率;将所述预置证据项χk和所述目标特征αin按照对应关系存储到预置数据字典中。
可选的,在本发明第一方面的第五种实现方式中,所述对所述目标特征和所述目标特征的权重进行加权平均计算,得到所述预置证据项的目标权重包括:从所述预置数据字典中读取所述目标特征αin和所述目标特征的权重βn;根据预置公式对所述目标特征αin和所述目标特征的权重βn进行加权平均计算,得到所述预置证据项的目标权重ρi,所述预置公式为ρi=β1×αi1+β2×αi2+...+βn×αin,其中,ρi>0;将所述目标特征设置为键,将所述目标权重ρi设置为值,并将所述目标权重ρi存储到所述预置数据字典中。
可选的,在本发明第一方面的第六种实现方式中,所述将所述预置证据项的目标权重存储到预置法律知识图谱中包括:将所述预置证据项的目标权重设置为所述预置证据项的属性;将所述预置证据项和所述预置证据项的目标权重导入到预置法律知识图谱中,所述预置法律知识图谱以三元组形式进行存储。
本发明第二方面提供了一种法律证据的排序和推荐装置,包括:获取单元,用于获取预置证据项的目标特征,所述预置证据项为预置争议焦点中的证据项集合,所述目标特征包括预置证据项频率和预置逆争议焦点频率;处理单元,用于根据预置树模型对所述目标特征进行处理,得到所述目标特征的权重;计算单元,用于对所述目标特征和所述目标特征的权重进行加权平均计算,得到所述预置证据项的目标权重;存储单元,用于将所述预置证据项的目标权重存储到预置法律知识图谱中;推送单元,当接收到目标终端发送的检索请求时,用于从所述预置法律知识图谱中确定证据指引数据,并将所述证据指引数据推送到所述目标终端,所述证据指引数据用于指示所述目标权重大于预置阈值的预置证据项。
可选的,在本发明第二方面的第一种实现方式中,所述处理单元还具体用于:根据预置最小化目标特征的损失函数L生成预置树模型的结构风险最小化模型,所述结构风险最小化模型为其中,J(f)为结构风险最小化模型的复杂度;确定每棵分类回归树的复杂度Ω(f),所述Ω(f)为/>其中,T为所述分类回归树的子节点数,||ω||为所述分类回归树的子节点向量的模,γ为节点切分的难度,λ表示L2正则化系数;对所述预置最小化目标特征的损失函数L和所述每棵分类回归树的复杂度Ω(f)进行叠加,得到初始函数,所述初始函数如下所示:根据所述初始函数进行计算得到目标函数obj*;根据所述目标函数obj*确定所述目标特征的全部切分点,并对所述目标特征的全部切分点进行切分,得到所述目标特征的多个目标增益值;从所述目标特征的多个目标增益值中确定最大增益值;设置所述最大增益值对应的切分点为最佳分裂点,并在最佳分裂点处切分节点,得到目标分类回归树;累加目标分类回归树的结果,得到目标特征的权重βn,所述βn的取值范围为大于等于0并且小于等于1;将所述目标特征的权重βn写入到预置数据字典中。
可选的,在本发明第二方面的第二种实现方式中,所述推送单元具体还包括:读取子单元,当接收到目标终端发送的检索请求时,用于从所述预置法律知识图谱中读取目标实体数据,所述目标实体数据包括所述预置证据项和所述预置证据项的目标权重;排序子单元,用于基于所述预置证据项的目标权重将所述预置证据项按照从大到小的顺序进行排序;设置子单元,用于将所述目标权重大于预置阈值的预置证据项设置为证据指引数据;推送子单元,用于将所述证据指引数据推送到目标终端,所述目标终端用于将所述证据指引数据以提示信息进行展示。
可选的,在本发明第二方面的第三种实现方式中,所述读取子单元具体用于:当接收到目标终端发送的检索请求时,解析所述目标终端发送的检索请求,得到查询文本;根据预置关键词提取算法从所述查询文本中提取关键词;根据预置相似度算法和所述关键词查询所述预置法律知识图谱,得到目标实体数据,所述目标实体数据包括所述预置证据项和所述预置证据项对应的目标权重。
可选的,在本发明第二方面的第四种实现方式中,所述获取单元具体用于:根据预置法条确定预置争议焦点中的证据项集合,得到预置证据项χk,其中,所述k为正整数,所述k用于指示预置争议焦点中预置证据项的数量;根据所述预置证据项确定目标特征,并将目标特征标记为αin,所述i为小于或者等于k的正整数,所述αin的取值范围为大于等于0并且小于等于1,所述n为目标特征的个数,所述目标特征包括预置证据项频率和预置逆争议焦点频率;将所述预置证据项χk和所述目标特征αin按照对应关系存储到预置数据字典中。
可选的,在本发明第二方面的第五种实现方式中,所述计算单元具体用于:从所述预置数据字典中读取所述目标特征αin和所述目标特征的权重βn;根据预置公式对所述目标特征αin和所述目标特征的权重βn进行加权平均计算,得到所述预置证据项的目标权重ρi,所述预置公式为ρi=β1×αi1+β2×αi2+...+βn×αin,其中,ρi>0;将所述目标特征设置为键,将所述目标权重ρi设置为值,并将所述目标权重ρi存储到所述预置数据字典中。
可选的,在本发明第二方面的第六种实现方式中,所述存储单元具体用于:将所述预置证据项的目标权重设置为所述预置证据项的属性;将所述预置证据项和所述预置证据项的目标权重导入到预置法律知识图谱中,所述预置法律知识图谱以三元组形式进行存储。
本发明第三方面提供了一种法律证据的排序和推荐设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互联;所述至少一个处理器调用所述存储器中的所述指令,以使得所述法律证据的排序和推荐设备执行上述第一方面所述的方法。
本发明的第四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中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面所述的方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的技术方案中,获取预置证据项的目标特征,所述预置证据项为预置争议焦点中的证据项集合,所述目标特征包括预置证据项频率和预置逆争议焦点频率;根据预置树模型对所述目标特征进行处理,得到所述目标特征的权重;对所述目标特征和所述目标特征的权重进行加权平均计算,得到所述预置证据项的目标权重;将所述预置证据项的目标权重存储到预置法律知识图谱中;当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中确定证据指引数据,并将所述证据指引数据推送到所述目标终端,所述证据指引数据用于指示所述目标权重大于预置阈值的预置证据项。本发明实施例中,通过提取预置证据项的目标特征和目标特征的权重,并根据预置证据项的目标特征和目标特征的权重计算的到预置证据项的权重,根据预置证据项的权重进行证据项排序和推送,提高证据指引的正确率和效率。
附图说明
图1为本发明实施例中法律证据的排序和推荐方法的一个实施例示意图;
图2为本发明实施例中法律证据的排序和推荐方法的另一个实施例示意图;
图3为本发明实施例中法律证据的排序和推荐装置的一个实施例示意图;
图4为本发明实施例中法律证据的排序和推荐装置的另一个实施例示意图;
图5为本发明实施例中法律证据的排序和推荐设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种法律证据的排序和推荐方法、装置、设备及存储介质,用于通过提取预置证据项的目标特征和目标特征的权重,并根据预置证据项的目标特征和目标特征的权重计算的到预置证据项的权重,根据预置证据项的权重进行证据项排序和推送,提高证据指引的正确率和效率。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例进行描述。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中法律证据的排序和推荐方法的一个实施例包括:
101、获取预置证据项的目标特征,预置证据项为预置争议焦点中的证据项集合,目标特征包括预置证据项频率和预置逆争议焦点频率;
服务器获取预置证据项的目标特征,预置证据项为预置争议焦点中的证据项集合,目标特征包括预置证据项频率和预置逆争议焦点频率。其中,预置证据项频率为同一预置争议焦点对应的案例中预置证据项出现次数与同一预置争议焦点对应案例总数的比例系数,预置逆争议焦点频率为预置证据项在全部预置争议焦点中出现的次数与预置争议焦点总数的商,例如,对7个预置争议焦点,预置证据项存在3个预置争议焦点对应的案例中,则预置逆争议焦点频率就是3/7。
需要说明的是,预置证据项对应的目标特征包括预置证据项频率和预置逆争议焦点频率,构建这两个特征的目的是预置证据项的重要性随着预置证据项在案例中出现的次数成正比增加,但同时随着预置证据项在所有争议焦点中出现频率成反比下降。进一步地,目标特征还包括同一争议焦点对应的案例中该证据项支持小要素成立的次数/同一争议焦点对应的案例总数、是否是原始证据、是否是传来证据、是否是直接证据、是否是间接证据、是否是书证、是否是物证、是否是视听资料、是否是证人证言、是否是当事人陈述、是否是鉴定结论和是否是勘验笔录,具体此处不做限定。
102、根据预置树模型对目标特征进行处理,得到目标特征的权重;
服务器根据预置树模型对目标特征进行处理,得到目标特征的权重。具体的,服务器采用预置树模型对目标特征进行处理,得到目标特征的权重,的取值范围为大于等于0并且小于等于1。其中,预置树模型可以为极端梯度提升(extreme gradient boosting,XGBoost)算法,XGBoost算法通过构造加法模型逐步累加预测结果,以达到在给定目标特征的情况下,得出最佳的预测值,该最佳的预测值为目标特征的权重。
需要说明的是,权重是指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度,倾向于贡献度或重要性。
103、对目标特征和目标特征的权重进行加权平均计算,得到预置证据项的目标权重;
服务器对目标特征和目标特征的权重进行加权平均计算,得到预置证据项的目标权重。具体的,服务器从预置数据字典中读取目标特征和目标特征的权重;服务器根据预置公式对目标特征和目标特征的权重进行加权平均计算,得到预置证据项的目标权重;服务器将目标特征设置为键,将目标权重设置为值,并将目标权重存储到预置数据字典中。
需要说明的是,预置数据字典是指预先对数据的数据项、数据结构、数据流、数据存储、处理逻辑等进行定义和描述,其目的是对数据流程图中的各个元素做出详细的说明,预置数据字典包括预置证据项和目标特征的信息集合。
104、将预置证据项的目标权重存储到预置法律知识图谱中;
服务器将预置证据项的目标权重存储到预置法律知识图谱中。具体的,服务器将预置证据项的目标权重设置为预置证据项的属性;服务器将预置证据项和预置证据项的目标权重导入到预置法律知识图谱中,预置法律知识图谱以三元组形式进行存储,其中,三元组是由实体、与实体关联的属性以及属性对应的属性值组成。
需要说明的是,知识图谱是指用图作为表示知识的数据结构,知识图谱包括节点和节点之间的边,其中,节点表示实体或者实体的属性值,节点之间的边用于表示实体的属性,预置法律知识图谱将法律知识用知识图谱结构化的方式表示。
105、当接收到目标终端发送的检索请求时,从预置法律知识图谱中确定证据指引数据,并将证据指引数据推送到目标终端,证据指引数据用于指示目标权重大于预置阈值的预置证据项。
当接收到目标终端发送的检索请求时,服务器从预置法律知识图谱中确定证据指引数据,并将证据指引数据推送到目标终端,证据指引数据用于指示目标权重大于预置阈值的预置证据项。具体的,服务器接收目标终端发送的检索请求;服务器解析目标终端发送的检索请求,得到目标终端的唯一标识和查询文本,其中,唯一标识用于指示目标终端;服务器根据查询文本查找预置法律知识图谱,得到预置证据项和预置证据项的权重;基于预置证据项的权重进行排序,并将目标权重大于预置阈值的预置证据项设置为证据指引数据,该证据指引数据于指示位根据预置法律知识图谱准确查找到对应查询文本的推送信息;服务器根据唯一标识将证据指引数据推送到目标终端。
本发明实施例中,通过提取预置证据项的目标特征和目标特征的权重,并根据预置证据项的目标特征和目标特征的权重计算的到预置证据项的权重,根据预置证据项的权重进行证据项排序和推送,提高证据指引的正确率和效率。
请参阅图2,本发明实施例中法律证据的排序和推荐方法的另一个实施例包括:
201、获取预置证据项的目标特征,预置证据项为预置争议焦点中的证据项集合,目标特征包括预置证据项频率和预置逆争议焦点频率;
服务器获取预置证据项的目标特征,预置证据项为预置争议焦点中的证据项集合,目标特征包括预置证据项频率和预置逆争议焦点频率。具体的,服务器根据预置法条确定预置争议焦点中的证据项集合,得到预置证据项χk,其中,k为正整数,k用于指示预置争议焦点中预置证据项的数量,例如,目标案件争议焦点为借款是否为夫妻的共同财产,服务器确定目标案件争议焦点包括3个预置证据项,预置证据项为借款合同、离婚协议书和借款使用说明,则k=3,将预置证据项标记为(χ1,χ2,χ3);服务器根据预置证据项确定目标特征,并将目标特征标记为αin,i为小于或者等于k的正整数,αin的取值范围为大于等于0并且小于等于1,n为目标特征的个数,目标特征包括预置证据项频率和预置逆争议焦点频率,其中,i用于指示预置证据项的序号,k在预置争议焦点中是不同的,但预置争议焦点中每个预置证据项对应的n是相同的,例如,3个预置证据项(χ1,χ2,χ3),若每个预置证据项包括2个目标特征,则n=2,服务器设置预置证据项χ1的目标特征为(α11,α12),服务器设置预置证据项χ2的目标特征为(α21,α22),服务器设置预置证据项χ3的目标特征为(α31,α32),其中,0≤αin≤1;服务器将预置证据项χk和目标特征αin按照对应关系存储到预置数据字典中。
需要说明的是,预置证据项对应的目标特征αin包括预置证据项频率和预置逆争议焦点频率,构建这两个特征的目的是预置证据项的重要性随着预置证据项在案例中出现的次数成正比增加,但同时随着预置证据项在所有争议焦点中出现频率成反比下降。进一步地,目标特征还包括同一争议焦点对应的案例中该证据项支持小要素成立的次数/同一争议焦点对应的案例总数、是否是原始证据、是否是传来证据、是否是直接证据、是否是间接证据、是否是书证、是否是物证、是否是视听资料、是否是证人证言、是否是当事人陈述、是否是鉴定结论和是否是勘验笔录,具体此处不做限定。例如,服务器按照上述目标特征顺序设置的(αi1,αi2,...,αin)为(0.3,0.4,0.8,1,0,1,0,1,0,0,0,0,0,0)。
202、根据预置树模型对目标特征进行处理,得到目标特征的权重;
服务器根据预置树模型对目标特征进行处理,得到目标特征的权重。具体的,服务器根据预置最小化目标特征的损失函数L生成预置树模型的结构风险最小化模型,结构风险最小化模型为其中,J(f)为结构风险最小化模型的复杂度;服务器确定每棵分类回归树的复杂度Ω(f),Ω(f)为/>其中,T为分类回归树的子节点数,||ω||为分类回归树的子节点向量的模,γ为节点切分的难度,λ表示L2正则化系数;服务器对预置最小化目标特征的损失函数L和每棵分类回归树的复杂度Ω(f)进行叠加,得到初始函数,初始函数如下所示:/>服务器根据初始函数进行计算得到目标函数obj*;服务器根据目标函数obj*确定目标特征的全部切分点,并对目标特征的全部切分点进行切分,得到目标特征的多个目标增益值;服务器从目标特征的多个目标增益值中确定最大增益值;服务器设置最大增益值对应的切分点为最佳分裂点,并在最佳分裂点处切分节点,得到目标分类回归树;服务器累加目标分类回归树的结果,得到目标特征的权重βn,βn的取值范围为大于等于0并且小于等于1;服务器将目标特征的权重βn写入到预置数据字典中。其中,βn相加后总和为1,例如,n=4,则目标特征为(0.1,0.4,0.3,0.2)。
需要说明的是,权重是指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度,倾向于贡献度或重要性。
203、对目标特征和目标特征的权重进行加权平均计算,得到预置证据项的目标权重;
服务器对目标特征和目标特征的权重进行加权平均计算,得到预置证据项的目标权重,具体的,服务器从预置数据字典中读取目标特征αin和目标特征的权重βn;服务器根据预置公式对目标特征αin和目标特征的权重βn进行加权平均计算,得到预置证据项的目标权重ρi,预置公式为ρi=β1×αi1+β2×αi2+...+βn×αin其中,ρi>0;服务器将目标特征设置为键,将目标权重ρi设置为值,并将目标权重ρi存储到预置数据字典中。
需要说明的是,预置证据项的目标权重与该预置证据项在案例中出现的次数成正比,预置证据项的目标权重与预置证据项在所有预置争议焦点中出现的频率成反比。
204、将预置证据项的目标权重存储到预置法律知识图谱中;
服务器将预置证据项的目标权重存储到预置法律知识图谱中。服务器将预置证据项的目标权重设置为预置证据项的属性;服务器将预置证据项和预置证据项的目标权重导入到预置法律知识图谱中,预置法律知识图谱以三元组形式进行存储,其中,三元组是由实体、与实体关联的属性以及属性对应的属性值组成。
需要说明的是,知识图谱是指用图作为表示知识的数据结构,知识图谱包括节点和节点之间的边,其中,节点表示实体或者实体的属性值,节点之间的边用于表示实体的属性,预置法律知识图谱将法律知识用知识图谱结构化的方式表示。
205、当接收到目标终端发送的检索请求时,从预置法律知识图谱中读取目标实体数据,目标实体数据包括预置证据项和预置证据项的目标权重;
当接收到目标终端发送的检索请求时,服务器从预置法律知识图谱中读取目标实体数据,目标实体数据包括预置证据项和预置证据项的目标权重,具体的,当接收到目标终端发送的检索请求时,服务器解析目标终端发送的检索请求,得到查询文本;服务器根据预置关键词提取算法从查询文本中提取关键词;服务器根据预置相似度算法和关键词查询预置法律知识图谱,得到目标实体数据,目标实体数据包括预置证据项和预置证据项对应的目标权重。
需要说明的是,服务器解析目标终端发送的检索请求后,还得到目标终端的唯一标识,唯一标识用于指示服务器将目标实体数据推送的目标终端。
206、基于预置证据项的目标权重将预置证据项按照从大到小的顺序进行排序;
服务器基于预置证据项的目标权重将预置证据项按照从大到小的顺序进行排序,可以理解的是,服务器按照预置证据项的目标权重从大到小的顺序对目标实体数据进行降序排序。例如,服务器从预置法律知识图谱中查询得到目标实体数据,目标实体数据包括A、B、C、D、E、F和G共7项预置证据项,预置证据项各自对应的目标权重为1、1.1、2.4、0.5、0.9、0.3和3,服务器基于预置证据项的目标权重将预置证据项按照从大到小的顺序进行排序后,得到目标实体数据为(G,3)、(C,2.4)、(B,1.1)、(A,1)、(E,0.9)、(D,0.5)和(F,0.3)。
207、将目标权重大于预置阈值的预置证据项设置为证据指引数据;
服务器将目标权重大于预置阈值的预置证据项设置为证据指引数据。具体的,服务器读取预置阈值;服务器判断目标权重是否大于预置阈值;若目标权重大于预置阈值,则服务器将目标权重大于预置阈值的预置证据项设置为证据指引数据;若目标权重小于或者等于预置阈值,则服务器将目标权重小于或者等于预置阈值的预置证据项丢弃。例如,预置阈值为2,预置证据项为为(G,3)、(C,2.4)、(B,1.1)、(A,1)、(E,0.9)、(D,0.5)和(F,0.3),则服务器将大于2的预置证据项(G,3)、(C,2.4)设置为证据指引数据。
208、将证据指引数据推送到目标终端,目标终端用于将证据指引数据以提示信息进行展示。
服务器将证据指引数据推送到目标终端,目标终端用于将证据指引数据以提示信息进行展示。具体的,服务器根据目标终端的唯一标识确认目标终端;服务器将证据指引数据按照预置格式进行构建,并调用预置推送接口将构建后的证据指引数据推送到目标终端,目标终端用于将证据指引数据以提示信息进行展示。例如,服务器确认唯一标识001对应目标终端A,则服务器将证据指引数据推送到目标终端A。
需要说明的是,目标终端的唯一标识由目标终端进行设置,可以为设备标识,也就是长度为32位的数字和小写字母的组合的字符串,也可以为密码令牌标识,具体此处不做限定。
本发明实施例中,通过提取预置证据项的目标特征和目标特征的权重,并根据预置证据项的目标特征和目标特征的权重计算的到预置证据项的权重,根据预置证据项的权重进行证据项排序和推送,提高证据指引的正确率和效率。
上面对本发明实施例中法律证据的排序和推荐方法进行了描述,下面对本发明实施例中法律证据的排序和推荐装置进行描述,请参阅图3,本发明实施例中法律证据的排序和推荐装置的一个实施例包括:
获取单元301,用于获取预置证据项的目标特征,预置证据项为预置争议焦点中的证据项集合,目标特征包括预置证据项频率和预置逆争议焦点频率;
处理单元302,用于根据预置树模型对目标特征进行处理,得到目标特征的权重;
计算单元303,用于对目标特征和目标特征的权重进行加权平均计算,得到预置证据项的目标权重;
存储单元304,用于将预置证据项的目标权重存储到预置法律知识图谱中;
推送单元305,当接收到目标终端发送的检索请求时,用于从预置法律知识图谱中确定证据指引数据,并将证据指引数据推送到目标终端,证据指引数据用于指示目标权重大于预置阈值的预置证据项。
本发明实施例中,通过提取预置证据项的目标特征和目标特征的权重,并根据预置证据项的目标特征和目标特征的权重计算的到预置证据项的权重,根据预置证据项的权重进行证据项排序和推送,提高证据指引的正确率和效率。
请参阅图4,本发明实施例中法律证据的排序和推荐装置的另一个实施例包括:
获取单元301,用于获取预置证据项的目标特征,预置证据项为预置争议焦点中的证据项集合,目标特征包括预置证据项频率和预置逆争议焦点频率;
处理单元302,用于根据预置树模型对目标特征进行处理,得到目标特征的权重;
计算单元303,用于对目标特征和目标特征的权重进行加权平均计算,得到预置证据项的目标权重;
存储单元304,用于将预置证据项的目标权重存储到预置法律知识图谱中;
推送单元305,当接收到目标终端发送的检索请求时,用于从预置法律知识图谱中确定证据指引数据,并将证据指引数据推送到目标终端,证据指引数据用于指示目标权重大于预置阈值的预置证据项。
可选的,处理单元302还可以具体用于:
根据预置最小化目标特征的损失函数L生成预置树模型的结构风险最小化模型,结构风险最小化模型为其中,J(f)为结构风险最小化模型的复杂度;
确定每棵分类回归树的复杂度Ω(f),Ω(f)为其中,T为分类回归树的子节点数,||ω||为分类回归树的子节点向量的模,γ为节点切分的难度,λ表示L2正则化系数;
对预置最小化目标特征的损失函数L和每棵分类回归树的复杂度Ω(f)进行叠加,得到初始函数,初始函数如下所示:
根据初始函数进行计算得到目标函数obj*;
根据目标函数obj*确定目标特征的全部切分点,并对目标特征的全部切分点进行切分,得到目标特征的多个目标增益值;
从目标特征的多个目标增益值中确定最大增益值;
设置最大增益值对应的切分点为最佳分裂点,并在最佳分裂点处切分节点,得到目标分类回归树;
累加目标分类回归树的结果,得到目标特征的权重βn,βn的取值范围为大于等于0并且小于等于1;
将目标特征的权重βn写入到预置数据字典中。
可选的,推送单元305还可进一步包括:
读取子单元3051,当接收到目标终端发送的检索请求时,用于从预置法律知识图谱中读取目标实体数据,目标实体数据包括预置证据项和预置证据项的目标权重;
排序子单元3052,用于基于预置证据项的目标权重将预置证据项按照从大到小的顺序进行排序;
设置子单元3053,用于将目标权重大于预置阈值的预置证据项设置为证据指引数据;
推送子单元3054,用于将证据指引数据推送到目标终端,目标终端用于将证据指引数据以提示信息进行展示。
可选的,读取子单元3051还可以具体用于:
当接收到目标终端发送的检索请求时,解析目标终端发送的检索请求,得到查询文本;
根据预置关键词提取算法从查询文本中提取关键词;
根据预置相似度算法和关键词查询预置法律知识图谱,得到目标实体数据,目标实体数据包括预置证据项和预置证据项对应的目标权重。
可选的,获取单元301还可以具体用于:
根据预置法条确定预置争议焦点中的证据项集合,得到预置证据项χk,其中,k为正整数,k用于指示预置争议焦点中预置证据项的数量;
根据预置证据项确定目标特征,并将目标特征标记为αin,i为小于或者等于k的正整数,αin的取值范围为大于等于0并且小于等于1,n为目标特征的个数,目标特征包括预置证据项频率和预置逆争议焦点频率;
将预置证据项χk和目标特征αin按照对应关系存储到预置数据字典中。
可选的,计算单元303还可以具体用于:
从预置数据字典中读取目标特征αin和目标特征的权重βn;
根据预置公式对目标特征αin和目标特征的权重βn进行加权平均计算,得到预置证据项的目标权重ρi,预置公式为ρi=β1×αi1+β2×αi2+...+βn×αin,其中,ρi>0;
将目标特征设置为键,将目标权重ρi设置为值,并将目标权重ρi存储到预置数据字典中。
可选的,存储单元304还可以具体用于:
将预置证据项的目标权重设置为预置证据项的属性;
将预置证据项和预置证据项的目标权重导入到预置法律知识图谱中,预置法律知识图谱以三元组形式进行存储。
本发明实施例中,通过提取预置证据项的目标特征和目标特征的权重,并根据预置证据项的目标特征和目标特征的权重计算的到预置证据项的权重,根据预置证据项的权重进行证据项排序和推送,提高证据指引的正确率和效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的法律证据的排序和推荐装置进行详细描述,下面从硬件处理的角度对本发明实施例中法律证据的排序和推荐设备进行详细描述。
图5是本发明实施例提供的一种法律证据的排序和推荐设备的结构示意图,该法律证据的排序和推荐设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)501(例如,一个或一个以上处理器)和存储器509,一个或一个以上存储应用程序507或数据506的存储介质508(例如一个或一个以上海量存储设备)。其中,存储器509和存储介质508可以是短暂存储或持久存储。存储在存储介质508的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对法律证据的排序和推荐设备中的一系列指令操作。更进一步地,处理器501可以设置为与存储介质508通信,在法律证据的排序和推荐设备500上执行存储介质508中的一系列指令操作。
法律证据的排序和推荐设备500还可以包括一个或一个以上电源502,一个或一个以上有线或无线网络接口503,一个或一个以上输入输出接口504,和/或,一个或一个以上操作系统505,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5中示出的法律证据的排序和推荐设备结构并不构成对法律证据的排序和推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
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。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、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 (9)
1.一种法律证据的排序和推荐方法,其特征在于,包括:
获取预置证据项的目标特征,所述预置证据项为预置争议焦点中的证据项集合,所述目标特征包括预置证据项频率和预置逆争议焦点频率;
根据预置树模型对所述目标特征进行处理,得到所述目标特征的权重;
对所述目标特征和所述目标特征的权重进行加权平均计算,得到所述预置证据项的目标权重;
将所述预置证据项的目标权重存储到预置法律知识图谱中;
当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中确定证据指引数据,并将所述证据指引数据推送到所述目标终端,所述证据指引数据用于指示所述目标权重大于预置阈值的预置证据项;
其中,所述根据预置树模型对所述目标特征进行处理,得到所述目标特征的权重包括:
根据预置最小化目标特征的损失函数L生成预置树模型的结构风险最小化模型,所述结构风险最小化模型为其中,J(f)为结构风险最小化模型的复杂度;
确定每棵分类回归树的复杂度Ω(f),所述Ω(f)为其中,T为所述分类回归树的子节点数,||ω||为所述分类回归树的子节点向量的模,γ为节点切分的难度,λ表示L2正则化系数;
对所述预置最小化目标特征的损失函数L和所述每棵分类回归树的复杂度Ω(f)进行叠加,得到初始函数,所述初始函数如下所示:
根据所述初始函数进行计算得到目标函数obj*;
根据所述目标函数obj*确定所述目标特征的全部切分点,并对所述目标特征的全部切分点进行切分,得到所述目标特征的多个目标增益值;
从所述目标特征的多个目标增益值中确定最大增益值;
设置所述最大增益值对应的切分点为最佳分裂点,并在最佳分裂点处切分节点,得到目标分类回归树;
累加目标分类回归树的结果,得到目标特征的权重βn,所述βn的取值范围为大于等于0并且小于等于1;
将所述目标特征的权重βn写入到预置数据字典中。
2.根据权利要求1所述的法律证据的排序和推荐方法,其特征在于,所述当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中确定证据指引数据,并将所述证据指引数据推送到所述目标终端,所述证据指引数据用于指示所述目标权重大于预置阈值的预置证据项包括:
当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中读取目标实体数据,所述目标实体数据包括所述预置证据项和所述预置证据项的目标权重;
基于所述预置证据项的目标权重将所述预置证据项按照从大到小的顺序进行排序;
将所述目标权重大于预置阈值的预置证据项设置为证据指引数据;
将所述证据指引数据推送到目标终端,所述目标终端用于将所述证据指引数据以提示信息进行展示。
3.根据权利要求2所述的法律证据的排序和推荐方法,其特征在于,所述当接收到目标终端发送的检索请求时,从所述预置法律知识图谱中读取目标实体数据,所述目标实体数据包括所述预置证据项和所述预置证据项的目标权重包括:
当接收到目标终端发送的检索请求时,解析所述目标终端发送的检索请求,得到查询文本;
根据预置关键词提取算法从所述查询文本中提取关键词;
根据预置相似度算法和所述关键词查询所述预置法律知识图谱,得到目标实体数据,所述目标实体数据包括所述预置证据项和所述预置证据项对应的目标权重。
4.根据权利要求1所述的法律证据的排序和推荐方法,其特征在于,所述获取预置证据项的目标特征,所述预置证据项为预置争议焦点中的证据项集合,所述目标特征包括预置证据项频率和预置逆争议焦点频率包括:
根据预置法条确定预置争议焦点中的证据项集合,得到预置证据项χk,其中,所述k为正整数,所述k用于指示预置争议焦点中预置证据项的数量;
根据所述预置证据项χk确定目标特征,并将目标特征标记为αin,所述i为小于或者等于k的正整数,所述αin的取值范围为大于等于0并且小于等于1,所述n为目标特征的个数,所述目标特征包括预置证据项频率和预置逆争议焦点频率;
将所述预置证据项χk和所述目标特征αin按照对应关系存储到预置数据字典中。
5.根据权利要求4所述的法律证据的排序和推荐方法,其特征在于,所述对所述目标特征和所述目标特征的权重进行加权平均计算,得到所述预置证据项的目标权重包括:
从所述预置数据字典中读取所述目标特征αin和所述目标特征的权重βn;
根据预置公式对所述目标特征αin和所述目标特征的权重βn进行加权平均计算,得到所述预置证据项的目标权重ρi,所述预置公式为ρi=β1×αi1+β2×αi2+...+βn×αin,其中,ρi>0;
将所述目标特征设置为键,将所述目标权重ρi设置为值,并将所述目标权重ρi存储到所述预置数据字典中。
6.根据权利要求1-5中任一项所述的法律证据的排序和推荐方法,其特征在于,所述将所述预置证据项的目标权重存储到预置法律知识图谱中包括:
将所述预置证据项的目标权重设置为所述预置证据项的属性;
将所述预置证据项和所述预置证据项的目标权重导入到预置法律知识图谱中,所述预置法律知识图谱以三元组形式进行存储。
7.一种法律证据的排序和推荐装置,其特征在于,所述法律证据的排序和推荐装置包括:
获取单元,用于获取预置证据项的目标特征,所述预置证据项为预置争议焦点中的证据项集合,所述目标特征包括预置证据项频率和预置逆争议焦点频率;
处理单元,用于根据预置树模型对所述目标特征进行处理,得到所述目标特征的权重;
计算单元,用于对所述目标特征和所述目标特征的权重进行加权平均计算,得到所述预置证据项的目标权重;
存储单元,用于将所述预置证据项的目标权重存储到预置法律知识图谱中;
推送单元,当接收到目标终端发送的检索请求时,用于从所述预置法律知识图谱中确定证据指引数据,并将所述证据指引数据推送到所述目标终端,所述证据指引数据用于指示所述目标权重大于预置阈值的预置证据项;
其中,所述根据预置树模型对所述目标特征进行处理,得到所述目标特征的权重包括:
根据预置最小化目标特征的损失函数L生成预置树模型的结构风险最小化模型,所述结构风险最小化模型为其中,J(f)为结构风险最小化模型的复杂度;
确定每棵分类回归树的复杂度Ω(f),所述Ω(f)为其中,T为所述分类回归树的子节点数,||ω||为所述分类回归树的子节点向量的模,γ为节点切分的难度,λ表示L2正则化系数;
对所述预置最小化目标特征的损失函数L和所述每棵分类回归树的复杂度Ω(f)进行叠加,得到初始函数,所述初始函数如下所示:
根据所述初始函数进行计算得到目标函数obj*;
根据所述目标函数obj*确定所述目标特征的全部切分点,并对所述目标特征的全部切分点进行切分,得到所述目标特征的多个目标增益值;
从所述目标特征的多个目标增益值中确定最大增益值;
设置所述最大增益值对应的切分点为最佳分裂点,并在最佳分裂点处切分节点,得到目标分类回归树;
累加目标分类回归树的结果,得到目标特征的权重βn,所述βn的取值范围为大于等于0并且小于等于1;
将所述目标特征的权重βn写入到预置数据字典中。
8.一种法律证据的排序和推荐设备,其特征在于,所述法律证据的排序和推荐设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互联;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述法律证据的排序和推荐设备执行如权利要求1-6中任意一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991648.2A CN110928986B (zh) | 2019-10-18 | 2019-10-18 | 法律证据的排序和推荐方法、装置、设备及存储介质 |
PCT/CN2020/118287 WO2021073410A1 (zh) | 2019-10-18 | 2020-09-28 | 法律证据的排序和推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991648.2A CN110928986B (zh) | 2019-10-18 | 2019-10-18 | 法律证据的排序和推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110928986A CN110928986A (zh) | 2020-03-27 |
CN110928986B true CN110928986B (zh) | 2023-07-21 |
Family
ID=69849246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910991648.2A Active CN110928986B (zh) | 2019-10-18 | 2019-10-18 | 法律证据的排序和推荐方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110928986B (zh) |
WO (1) | WO2021073410A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928986B (zh) * | 2019-10-18 | 2023-07-21 | 平安科技(深圳)有限公司 | 法律证据的排序和推荐方法、装置、设备及存储介质 |
CN112052304A (zh) * | 2020-08-18 | 2020-12-08 | 中国建设银行股份有限公司 | 课程标签确定方法、装置及电子设备 |
CN114969384B (zh) * | 2022-08-02 | 2022-10-21 | 联通(四川)产业互联网有限公司 | 高价值司法证据链获取存储方法、装置及可读储存介质 |
CN117743590A (zh) * | 2023-11-30 | 2024-03-22 | 北京汉勃科技有限公司 | 一种基于大语言模型的法律辅助方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133276A (zh) * | 2017-04-12 | 2017-09-05 | 安徽富驰信息技术有限公司 | 一种司法类案检索系统及其检索方法 |
CN108038508A (zh) * | 2017-12-12 | 2018-05-15 | 携程旅游网络技术(上海)有限公司 | 中转航班的推送方法、系统、存储介质和电子设备 |
CN110110233A (zh) * | 2019-05-09 | 2019-08-09 | 网易传媒科技(北京)有限公司 | 信息处理方法、装置、介质和计算设备 |
CN110263854A (zh) * | 2019-06-20 | 2019-09-20 | 广州酷狗计算机科技有限公司 | 直播标签确定方法、装置及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10540439B2 (en) * | 2016-04-15 | 2020-01-21 | Marca Research & Development International, Llc | Systems and methods for identifying evidentiary information |
CN109359175B (zh) * | 2018-09-07 | 2023-04-07 | 平安科技(深圳)有限公司 | 电子装置、诉讼数据处理的方法及存储介质 |
CN110175333B (zh) * | 2019-06-04 | 2023-09-26 | 科大讯飞股份有限公司 | 一种证据指引方法、装置、设备及存储介质 |
CN110928986B (zh) * | 2019-10-18 | 2023-07-21 | 平安科技(深圳)有限公司 | 法律证据的排序和推荐方法、装置、设备及存储介质 |
-
2019
- 2019-10-18 CN CN201910991648.2A patent/CN110928986B/zh active Active
-
2020
- 2020-09-28 WO PCT/CN2020/118287 patent/WO2021073410A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133276A (zh) * | 2017-04-12 | 2017-09-05 | 安徽富驰信息技术有限公司 | 一种司法类案检索系统及其检索方法 |
CN108038508A (zh) * | 2017-12-12 | 2018-05-15 | 携程旅游网络技术(上海)有限公司 | 中转航班的推送方法、系统、存储介质和电子设备 |
CN110110233A (zh) * | 2019-05-09 | 2019-08-09 | 网易传媒科技(北京)有限公司 | 信息处理方法、装置、介质和计算设备 |
CN110263854A (zh) * | 2019-06-20 | 2019-09-20 | 广州酷狗计算机科技有限公司 | 直播标签确定方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110928986A (zh) | 2020-03-27 |
WO2021073410A1 (zh) | 2021-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110928986B (zh) | 法律证据的排序和推荐方法、装置、设备及存储介质 | |
CN111241241B (zh) | 基于知识图谱的案件检索方法、装置、设备及存储介质 | |
CN112199375B (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
CN106599054B (zh) | 一种题目分类及推送的方法及系统 | |
CN106547871B (zh) | 基于神经网络的搜索结果的召回方法和装置 | |
CN106649273B (zh) | 一种文本处理方法及装置 | |
CN112100396B (zh) | 一种数据处理方法和装置 | |
CN110866102A (zh) | 检索处理方法 | |
CN111325033B (zh) | 实体识别方法、装置、电子设备及计算机可读存储介质 | |
CN104951478A (zh) | 信息处理方法和信息处理装置 | |
CN108287850B (zh) | 文本分类模型的优化方法及装置 | |
CN109753646B (zh) | 一种文章属性识别方法以及电子设备 | |
CN111737523B (zh) | 一种视频标签、搜索内容的生成方法及服务器 | |
CN112989053A (zh) | 一种期刊推荐方法及装置 | |
JP5622880B2 (ja) | アイテム推薦システム、アイテム推薦方法およびアイテム推薦プログラム | |
CN105930358B (zh) | 基于关联度的案例检索方法及其系统 | |
CN111325562A (zh) | 粮食安全追溯系统及方法 | |
CN113704623B (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN108170665B (zh) | 基于综合相似度的关键词拓展方法和装置 | |
CN107169065B (zh) | 一种特定内容的去除方法和装置 | |
CN107577690B (zh) | 海量信息数据的推荐方法及推荐装置 | |
CN115292478A (zh) | 一种推荐搜索内容的方法、装置、设备和存储介质 | |
CN114282119A (zh) | 一种基于异构信息网络的科技信息资源检索方法及系统 | |
CN109947873B (zh) | 景点知识地图构建方法、装置、设备及可读存储介质 | |
JP4125951B2 (ja) | テキスト自動分類方法及び装置並びにプログラム及び記録媒体 |
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 |