CN110968688A - 司法数据的处理方法及系统 - Google Patents
司法数据的处理方法及系统 Download PDFInfo
- Publication number
- CN110968688A CN110968688A CN201811158102.0A CN201811158102A CN110968688A CN 110968688 A CN110968688 A CN 110968688A CN 201811158102 A CN201811158102 A CN 201811158102A CN 110968688 A CN110968688 A CN 110968688A
- Authority
- CN
- China
- Prior art keywords
- layer
- judicial
- prediction
- data
- error
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 136
- 238000003062 neural network model Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (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
本发明提供一种司法数据的处理方法及系统,所述方法包括:获取需要预测司法数据的待办理案件的案件信息,司法数据包括罪名、法条和刑期,案件信息包括待办理案件的文本信息。在预先建立的司法数据预测模型中基于文本信息预测,得到待办理案件适用的罪名、法条和刑期,其中,司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。本发明提供的方案中,利用已经公开的司法文书预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种司法数据的处理方法及系统。
背景技术
随着现代社会的发展,法律是文明社会发展过程中的产物之一。法律通常是指由社会认可国家确认立法机关制定规范的行为准则,并由国家强制力保证规定当事人权利和义务为内容的,对全体社会成员具有普遍约束力的一种特殊行为规范。当社会成员之间出现纠纷时,由司法机关按照法律进行立案裁定。
在进行法律判决时,通常由人工根据案情的描述并查阅相关法律,根据法律规定做出判决。目前常见的定罪方法为要素解析,即人为事先对多个罪名逐一梳理出一套定罪要素,再为每个定罪要素总结对应的识别方法,其中常见的识别方法为正则匹配法,即当行为事实描述符合某个罪名的定罪要素,则可以判断该行为触犯了对应的罪名和法条,再对该行为进行量刑。但一方面由于各国法律规定的罪名有数百个,通过人工逐一梳理每个罪名的定罪要素需要较高的时间和人力成本。另一方面由于语言的多样性,对同一个定罪要素通常有多个不同的描述和表达方式,影响判决的准确性和效率。
综上所知,利用现有技术进行罪名、法条和刑期判决存在耗时长、准确性低和效率低等问题。
发明内容
有鉴于此,本发明实施例提供一种司法数据的处理方法及系统,以解决现有进行罪名、法条和刑期判决存在耗时长、准确性低和效率低等问题。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面公开了一种司法数据的处理方法,所述方法包括:
获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息;
在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。
可选的,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的,过程包括:
基于由词向量模型预先训练好的词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数;
将样本数据输入所述神经网络模型训练,得到预测结果;
计算所述预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差;
判断所述预测误差是否小于误差阈值;
若是,基于当前词向量层、卷积网络层和全连接层的参数,确定司法数据预测模型;
若否,基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至所述预测误差小于误差阈值,确定训练后的所述神经网络模型为司法数据预测模型,其中,由n+1轮次训练起始调整所述词向量层的参数,n为正整数。
可选的,在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,包括:
将所述文本信息输入所述司法数据预测模型的输入层进行分词处理,将得到的分词信息传输至所述司法数据预测模型的词向量层;
在所述司法数据预测模型的词向量层中,使用预先训练好的词向量模型将所述分词信息转换为M*N的词向量,将所述词向量传输至所述司法数据预测模型的卷积网络层中,M为所述文本信息的词数量,N为所述词向量的维数;
在所述司法数据预测模型的卷积网络层中,对所述词向量进行训练得到第一信息,将所述第一信息传输到所述司法数据预测模型的输出层;
在所述司法数据预测模型的输出层中,将所述第一信息传输到所述司法数据预测模型的全局特征层中得到特征信息;
获取所述特征信息中包含的罪名特征数据、法条特征数据和刑期特征数据。
可选的,计算预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差,包括:
基于罪名预测结果和样本数据对应的罪名真实判决结果,使用交叉熵函数计算罪名误差;
基于法条预测结果和样本数据对应的法条真实判决结果,使用交叉熵函数计算法条误差;
基于输出的刑期预测结果和样本数据对应的真实判决结果,使用平方损失函数计算刑期误差。
本发明实施例第二方面公开了一种司法数据的处理系统,所述系统包括:
获取单元,用于获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息;
预测单元,用于在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。
可选的,所述预测单元包括:
设置模块,用于基于由词向量模型预先训练好的词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数;
训练模块,用于将样本数据输入所述神经网络模型训练,得到预测结果;
误差模块,用于计算所述预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差;
判断模块,用于判断所述预测误差是否小于误差阈值,若是,基于当前词向量层、卷积网络层和全连接层的参数,确定司法数据预测模型,若否,基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至所述预测误差小于误差阈值,确定训练后的所述神经网络模型为司法数据预测模型,其中,由n+1轮次训练起始调整所述词向量层的参数,n为正整数。
可选的,所述预测单元包括:
分词模块,用于将所述文本信息输入所述司法数据预测模型的输入层进行分词处理,将得到的分词信息传输至所述司法数据预测模型的词向量层;
转换模块,用于在所述司法数据预测模型的词向量层中,使用预先训练好的词向量模型将所述分词信息转换为M*N的词向量,将所述词向量传输至所述司法数据预测模型的卷积网络层中,M为所述文本信息的词数量,N为所述词向量的维数;
第一获取模块,用于在所述司法数据预测模型的卷积网络层中,对所述词向量进行训练得到第一信息,将所述第一信息传输到所述司法数据预测模型的输出层;
第二获取模块,用于在所述司法数据预测模型的输出层中,将所述第一信息传输到所述司法数据预测模型的全局特征层中得到特征信息;
第三获取模块,用于获取所述特征信息中包含的罪名特征数据、法条特征数据和刑期特征数据。
可选的,所述误差模块,具体用于基于罪名预测结果和样本数据对应的罪名真实判决结果,使用交叉熵函数计算罪名误差,基于法条预测结果和样本数据对应的法条真实判决结果,使用交叉熵函数计算法条误差,基于输出的刑期预测结果和样本数据对应的真实判决结果,使用平方损失函数计算刑期误差。
本发明实施例第三方面公开了一种存储介质,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本发明实施例第一方面公开的司法数据的处理方法。
本发明实施例第四方面公开了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行如本发明实施例第一方面公开的司法数据的处理方法。
基于上述本发明实施例提供的一种司法数据的处理方法及系统,所述方法包括:获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息。在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。本发明提供的方案中,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种司法数据的处理方法的流程示意图;
图2为本发明实施例提供的建立司法数据预测模型的方法流程图;
图3为本发明实施例提供的预测司法数据的流程图;
图4为本发明实施例提供的一种司法数据的处理系统的结构框图;
图5为本发明实施例提供的一种司法数据的处理系统的结构框图;
图6为本发明实施例提供的一种司法数据的处理系统的结构框图。
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,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,在现有技术中,在进行法律判决时,通常由人工根据案情的描述并查阅相关法律,根据法律规定做出判决。目前常见的定罪方法为要素解析,即人为事先对多个罪名逐一梳理出一套定罪要素,再为每个定罪要素总结对应的识别方法,其中常见的识别方法为正则匹配法,即当行为事实描述符合某个罪名的定罪要素,则可以判断该行为触犯了对应的罪名和法条,再对该行为进行量刑。但一方面由于各国法律规定的罪名有数百个,通过人工逐一梳理每个罪名的定罪要素需要较高的时间和人力成本。另一方面由于语言的多样性,对同一个定罪要素通常有多个不同的描述和表达方式,影响判决的准确性和效率。
因此,本发明实施例公开的一种司法数据的处理方法及系统,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
参考图1,示出了本发明实施例提供的一种司法数据的处理方法的流程图,包括以下步骤:
步骤S101:获取需要预测司法数据的待办理案件的案件信息。
在具体实现步骤S101的过程中,司法数据包括但不仅限于罪名、法条和刑期。案件信息包括但不仅限于待办理案件的文本信息。
步骤S102:在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期。
在具体实现步骤S102的过程中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。得到的罪名和法条数量大于等于0,刑期的数值单位为年份或月份。需要说明的是,所述样本数据为从已经公开的司法文书中选取,具体选取数量由技术人员根据实际情况进行选取。刑期的数值单位由技术人员根据实际情况进行设定。
本发明实施例中,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
上述图1示出的步骤S102中涉及的司法数据预测模型的建立过程,参考图2,示出了本发明实施例提供的建立司法数据预测模型的方法流程图,包括以下步骤:
步骤S201:基于由词向量模型预先训练好的词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数。
在具体实现步骤S201的过程中,使用词向量模型(word to vector,word2vec)预先训练已经公开的司法文书得到所述训练好的词向量权重,使用词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数。设定在第n训练轮次前不更新所述词向量层的参数,n为正整数,具体数值由技术人员根据实际情况进行设定。
步骤S202:将样本数据输入所述神经网络模型训练,得到预测结果。
在具体实现步骤S202的过程中,将文本信息输入所述神经网络模型训练,得到的预测结果包括但不仅限于:罪名预测结果、法条预测结果和刑期预测结果。文本信息由对样本实际进行信息抽取获得,所述样本数据采样过采样的方式获取。
其中,对信息抽取的过程进行举例说明:
已经公开的司法文书通常由当事人信息、审理经过、检察院请求情况、答辩情况、法院审理查明、判决结果、法官信息和判决日期等组成。在本发明实施例中所使用的文本信息通常由检察院请求情况和法院审理查明构成。在判决结果中说明了被告触犯了法律的某条规定、构成某罪和判决的刑期,将被告触发的法条作为训练神经网络模型时样本数据对应的法条真实判决结果,将被告构成的罪名作为训练神经网络模型时样本数据对应的罪名真实判决结果,将被告被判决的刑期作为训练神经网络时样本数据对应的刑期真实判决结果。
对过采样的过程进行举例说明:
经研究统计已经公开的司法文书数据发现,审判案件的罪名数量呈长尾分布,即高频的罪名如:交通肇事、盗窃等有数十万案例,而低频罪名如:巨额财产来源不明、洗钱等只有数百案例。采用过采样的方式采集样本数据,能够提高低频罪名的采样率,即提高低频罪名数据量,使得后续进行司法数据预测时更为精确。
步骤S203:计算所述预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差。
在具体实现步骤S203的过程中,基于罪名预测结果和样本数据对应的罪名真实判决结果,使用交叉熵函数计算罪名误差。基于法条预测结果和样本数据对应的法条真实判决结果,使用交叉熵函数计算法条误差。基于输出的刑期预测结果和样本数据对应的真实判决结果,使用平方损失函数计算刑期误差。
步骤S204:判断所述预测误差是否小于误差阈值,若是,执行步骤S205,若否,执行步骤S206。
在具体实现步骤S204的过程中,需要说明的是,所述误差阈值由技术人员根据实际情况进行设定。
步骤S205:基于当前词向量层、卷积网络层和全连接层的参数,确定司法数据预测模型。
步骤S206:基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至所述预测误差小于误差阈值,确定训练后的所述神经网络模型为司法数据预测模型。
在具体实现步骤S206的过程中,基于所述预测误差卷积网络层和全连接层的参数,从n+1轮次训练起始调整所述词向量层的参数。将神经网络模型除了词向量层以外的其它网络层的学习率调整为初始学习率,将词向量层的学习率调整为比初始学习率小的学习率,继续训练所述神经网络模型直至收敛,即预测误差小于误差阈值,确定收敛后的神经网络模型为司法数据预测模型。
需要说明的是,学习率为指示技术人员如何通过损失函数的梯度调整神经网络权重的超参数。学习率越低,损失函数的变化速度越慢。初始学习率和词向量的学习率调整由技术人员根据实际情况进行设定。词向量层、卷积网络层和全连接层的参数的调整方式由技术人员根据实际情况进行设定。
可选的,在执行步骤S206的过程中,基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至训练轮次达到训练轮次阈值,确定训练后的所述神经网络模型为司法数据预测模型。训练轮次阈值由技术人员根据实际情况进行设定。
本发明实施例中,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
参考图3,示出了本发明实施例提供的预测司法数据的流程图,包括以下步骤:
步骤S301:将所述文本信息输入所述司法数据预测模型的输入层进行分词处理,将得到的分词信息传输至所述司法数据预测模型的词向量层。
在具体实现步骤S301的过程中,使用开源分词工具软件对所述案情描述进行分词。
步骤S302:在所述司法数据预测模型的词向量层中,使用预先训练好的词向量模型将所述分词信息转换为M*N的词向量,将所述词向量传输至所述司法数据预测模型的卷积网络层中。
在具体实现步骤S302的过程中,词向量模型可以使用词向量训练工具预先训练生成,该词向量训练工具如:Word2vec,M为所述文本信息的词数量,N为所述词向量的维数。需要说明的是,词向量的维数N由技术人员根据实际情况设定。
步骤S303:在所述司法数据预测模型的卷积网络层中,对所述词向量进行训练得到第一信息,将所述第一信息传输到所述司法数据预测模型的输出层。
在具体实现步骤S303的过程中,卷积神经网络适用于捕捉局部特征,在预测罪名、法条和刑期时,使用卷积神经网络捕捉文本信息中的特征,有利于判断待办理案件触犯的罪名、法条和被判决的刑期。
步骤S304:在所述司法数据预测模型的输出层中,将所述第一信息传输到所述司法数据预测模型的全局特征层中得到特征信息。
在具体实现步骤S304的过程中,由于卷积神经网络层抽取的特征为二维向量,即所述第一信息为二维特征向量。因此,需要在全局特征层中,需要将第一信息转换成一维特征向量得到所述特征信息。
步骤S305:获取所述特征信息中包含的罪名特征数据、法条特征数据和刑期特征数据。
在具体实现步骤S305的过程中,将全局特征层连接三个全连接层,并分别抽取罪名特征数据、法条特征数据和刑期特征数据。
本发明实施例中,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
与上述本发明实施例提供的一种司法数据的处理方法相对应,参考图4,示出了本发明实施例还提供了一种司法数据的处理系统的结构框图,包括:
获取单元401,用于获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息。
预测单元402,用于在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。具体内容参见上述本发明实施例图1公开的步骤S102相对应的内容。
本发明实施例中,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
可选的,结合图4,参考图5,示出了本发明实施例还提供了一种司法数据的处理系统的结构框图,所述预测单元402包括:设置模块4021、训练模块4022、误差模块4023和判断模块4024。
设置模块4021,用于基于由词向量模型预先训练好的词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数。具体内容参见上述本发明实施例图2公开的步骤S201相对应的内容。
训练模块4022,用于将样本数据输入所述神经网络模型训练,得到预测结果。具体内容参见上述本发明实施例图2公开的步骤S202相对应的内容。
误差模块4023,用于计算所述预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差。具体内容参见上述本发明实施例图2公开的步骤S203相对应的内容。
判断模块4024,用于判断所述预测误差是否小于误差阈值,若是,基于当前词向量层、卷积网络层和全连接层的参数,确定司法数据预测模型,若否,基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至所述预测误差小于误差阈值,确定训练后的所述神经网络模型为司法数据预测模型,其中,由n+1轮次训练起始调整所述词向量层的参数,n为正整数。具体内容参见上述本发明实施例图2公开的步骤S204-S206相对应的内容。
可选的,所述误差模块4023具体用于基于罪名预测结果和样本数据对应的罪名真实判决结果,使用交叉熵函数计算罪名误差,基于法条预测结果和样本数据对应的法条真实判决结果,使用交叉熵函数计算法条误差,基于输出的刑期预测结果和样本数据对应的真实判决结果,使用平方损失函数计算刑期误差。
本发明实施例中,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
可选的,结合图5,参考图6,示出了本发明实施例还提供了一种司法数据的处理系统的结构框图,所述预测单元402包括:分词模块4025、转换模块4026、第一获取模块4027、第二获取模块4028和第三获取模块4029。
分词模块4025,用于将所述文本信息输入所述司法数据预测模型的输入层进行分词处理,将得到的分词信息传输至所述司法数据预测模型的词向量层。具体内容参见上述本发明实施例图3公开的步骤S301相对应的内容。
转换模块4026,用于在所述司法数据预测模型的词向量层中,使用预先训练好的词向量模型将所述分词信息转换为M*N的词向量,将所述词向量传输至所述司法数据预测模型的卷积网络层中,M为所述文本信息的词数量,N为所述词向量的维数。具体内容参见上述本发明实施例图3公开的步骤S302相对应的内容。
第一获取模块4027,用于在所述司法数据预测模型的卷积网络层中,对所述词向量进行训练得到第一信息,将所述第一信息传输到所述司法数据预测模型的输出层。具体内容参见上述本发明实施例图3公开的步骤S303相对应的内容。
第二获取模块4028,用于在所述司法数据预测模型的输出层中,将所述第一信息传输到所述司法数据预测模型的全局特征层中得到特征信息。具体内容参见上述本发明实施例图3公开的步骤S304相对应的内容。
第三获取模块4029,用于获取所述特征信息中包含的罪名特征数据、法条特征数据和刑期特征数据。具体内容参见上述本发明实施例图3公开的步骤S305相对应的内容。
本发明实施例中,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
基于上述本发明实施例公开的司法数据的处理系统,上述各个模块可以通过一种由处理器和存储器构成的硬件设备实现。具体为:上述各个模块作为程序单元存储于存储器中,由处理器执行存储在存储器中的上述程序单元来实现司法数据的预测。
其中,处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现司法数据的预测。
储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
进一步的,本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述司法数据的处理方法。
进一步的,本发明实施例提供了一种设备,该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息;在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。
其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的,具体包括:基于由词向量模型预先训练好的词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数;将样本数据输入所述神经网络模型训练,得到预测结果;计算所述预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差;判断所述预测误差是否小于误差阈值;若是,基于当前词向量层、卷积网络层和全连接层的参数,确定司法数据预测模型;若否,基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至所述预测误差小于误差阈值,确定训练后的所述神经网络模型为司法数据预测模型,其中,由n+1轮次训练起始调整所述词向量层的参数,n为正整数。
其中,在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,具体包括:将所述文本信息输入所述司法数据预测模型的输入层进行分词处理,将得到的分词信息传输至所述司法数据预测模型的词向量层;在所述所述司法数据预测模型的词向量层中,使用预先训练好的词向量模型将所述分词信息转换为M*N的词向量,将所述词向量传输至所述司法数据预测模型的卷积网络层中,M为所述文本信息的词数量,N为所述词向量的维数;在所述司法数据预测模型的卷积网络层中,对所述词向量进行训练得到第一信息,将所述第一信息传输到所述司法数据预测模型的输出层;在所述司法数据预测模型的输出层中,将所述第一信息传输到所述司法数据预测模型的全局特征层中得到特征信息;获取所述特征信息中包含的罪名特征数据、法条特征数据和刑期特征数据。
进一步的,计算预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差,具体包括:基于罪名预测结果和样本数据对应的罪名真实判决结果,使用交叉熵函数计算罪名误差;基于法条预测结果和样本数据对应的法条真实判决结果,使用交叉熵函数计算法条误差;基于输出的刑期预测结果和样本数据对应的真实判决结果,使用平方损失函数计算刑期误差。
本发明实施例中公开的设备可以是PC、PAD、手机等。
进一步的,本发明实施例还提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现司法数据的预测。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息;在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。
其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的,具体包括:基于由词向量模型预先训练好的词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数;将样本数据输入所述神经网络模型训练,得到预测结果;计算所述预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差;判断所述预测误差是否小于误差阈值;若是,基于当前词向量层、卷积网络层和全连接层的参数,确定司法数据预测模型;若否,基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至所述预测误差小于误差阈值,确定训练后的所述神经网络模型为司法数据预测模型,其中,由n+1轮次训练起始调整所述词向量层的参数,n为正整数。
其中,在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,具体包括:将所述文本信息输入所述司法数据预测模型的输入层进行分词处理,将得到的分词信息传输至所述司法数据预测模型的词向量层;在所述司法数据预测模型的词向量层中,使用预先训练好的词向量模型将所述分词信息转换为M*N的词向量,将所述词向量传输至所述司法数据预测模型的卷积网络层中,M为所述文本信息的词数量,N为所述词向量的维数;在所述司法数据预测模型的卷积网络层中,对所述词向量进行训练得到第一信息,将所述第一信息传输到所述司法数据预测模型的输出层;在所述司法数据预测模型的输出层中,将所述第一信息传输到所述司法数据预测模型的全局特征层中得到特征信息;获取所述特征信息中包含的罪名特征数据、法条特征数据和刑期特征数据。
进一步的,计算预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差,具体包括:基于罪名预测结果和样本数据对应的罪名真实判决结果,使用交叉熵函数计算罪名误差;基于法条预测结果和样本数据对应的法条真实判决结果,使用交叉熵函数计算法条误差;基于输出的刑期预测结果和样本数据对应的真实判决结果,使用平方损失函数计算刑期误差。
综上所述,本发明提供一种司法数据的处理方法及系统,所述方法包括:获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息。在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。本发明提供的司法数据的方案中,通过利用已经公开的司法文书数据预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中进行预测得到对应的预测罪名、预测法条和预测刑期,能缩短判决时间,提高判决准确性和效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、客户端、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种司法数据的处理方法,其特征在于,所述方法包括:
获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息;
在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。
2.根据权利要求1所述的方法,其特征在于,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的,过程包括:
基于由词向量模型预先训练好的词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数;
将样本数据输入所述神经网络模型训练,得到预测结果;
计算所述预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差;
判断所述预测误差是否小于误差阈值;
若是,基于当前词向量层、卷积网络层和全连接层的参数,确定司法数据预测模型;
若否,基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至所述预测误差小于误差阈值,确定训练后的所述神经网络模型为司法数据预测模型,其中,由n+1轮次训练起始调整所述词向量层的参数,n为正整数。
3.根据权利要求1所述的方法,其特征在于,在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,包括:
将所述文本信息输入所述司法数据预测模型的输入层进行分词处理,将得到的分词信息传输至所述司法数据预测模型的词向量层;
在所述司法数据预测模型的词向量层中,使用预先训练好的词向量模型将所述分词信息转换为M*N的词向量,将所述词向量传输至所述司法数据预测模型的卷积网络层中,M为所述文本信息的词数量,N为所述词向量的维数;
在所述司法数据预测模型的卷积网络层中,对所述词向量进行训练得到第一信息,将所述第一信息传输到所述司法数据预测模型的输出层;
在所述司法数据预测模型的输出层中,将所述第一信息传输到所述司法数据预测模型的全局特征层中得到特征信息;
获取所述特征信息中包含的罪名特征数据、法条特征数据和刑期特征数据。
4.根据权利要求2所述的方法,其特征在于,计算预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差,包括:
基于罪名预测结果和样本数据对应的罪名真实判决结果,使用交叉熵函数计算罪名误差;
基于法条预测结果和样本数据对应的法条真实判决结果,使用交叉熵函数计算法条误差;
基于输出的刑期预测结果和样本数据对应的真实判决结果,使用平方损失函数计算刑期误差。
5.一种司法数据的处理系统,其特征在于,所述系统包括:
获取单元,用于获取需要预测司法数据的待办理案件的案件信息,所述司法数据包括罪名、法条和刑期,所述案件信息包括所述待办理案件的文本信息;
预测单元,用于在预先建立的司法数据预测模型中基于所述文本信息预测,得到所述待办理案件适用的罪名、法条和刑期,其中,所述司法数据预测模型由基于样本数据的预测结果和真实判决结果之间的误差,调整神经网络模型的词向量层、卷积网络层和全连接层的参数获得的。
6.根据权利要求5所述的系统,其特征在于,所述预测单元包括:
设置模块,用于基于由词向量模型预先训练好的词向量权重,初始化所述神经网络模型的词向量层、卷积网络层和全连接层的参数;
训练模块,用于将样本数据输入所述神经网络模型训练,得到预测结果;
误差模块,用于计算所述预测结果和所述样本数据对应的真实判决结果的误差,得到预测误差;
判断模块,用于判断所述预测误差是否小于误差阈值,若是,基于当前词向量层、卷积网络层和全连接层的参数,确定司法数据预测模型,若否,基于所述预测误差调整词向量层、卷积网络层和全连接层的参数,训练所述神经网络模型直至所述预测误差小于误差阈值,确定训练后的所述神经网络模型为司法数据预测模型,其中,由n+1轮次训练起始调整所述词向量层的参数,n为正整数。
7.根据权利要求5所述的系统,其特征在于,所述预测单元包括:
分词模块,用于将所述文本信息输入所述司法数据预测模型的输入层进行分词处理,将得到的分词信息传输至所述司法数据预测模型的词向量层;
转换模块,用于在所述司法数据预测模型的词向量层中,使用预先训练好的词向量模型将所述分词信息转换为M*N的词向量,将所述词向量传输至所述司法数据预测模型的卷积网络层中,M为所述文本信息的词数量,N为所述词向量的维数;
第一获取模块,用于在所述司法数据预测模型的卷积网络层中,对所述词向量进行训练得到第一信息,将所述第一信息传输到所述司法数据预测模型的输出层;
第二获取模块,用于在所述司法数据预测模型的输出层中,将所述第一信息传输到所述司法数据预测模型的全局特征层中得到特征信息;
第三获取模块,用于获取所述特征信息中包含的罪名特征数据、法条特征数据和刑期特征数据。
8.根据权利要求6所述的系统,其特征在于,所述误差模块,具体用于基于罪名预测结果和样本数据对应的罪名真实判决结果,使用交叉熵函数计算罪名误差,基于法条预测结果和样本数据对应的法条真实判决结果,使用交叉熵函数计算法条误差,基于输出的刑期预测结果和样本数据对应的真实判决结果,使用平方损失函数计算刑期误差。
9.一种存储介质,其特征在于,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权利要求1-4中任一所述的司法数据的处理方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行如权利要求1-4中任一所述的司法数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158102.0A CN110968688A (zh) | 2018-09-30 | 2018-09-30 | 司法数据的处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158102.0A CN110968688A (zh) | 2018-09-30 | 2018-09-30 | 司法数据的处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110968688A true CN110968688A (zh) | 2020-04-07 |
Family
ID=70028900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811158102.0A Pending CN110968688A (zh) | 2018-09-30 | 2018-09-30 | 司法数据的处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968688A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552808A (zh) * | 2020-04-20 | 2020-08-18 | 北京北大软件工程股份有限公司 | 一种基于卷积神经网络的行政违法案由预测方法及工具 |
CN111695874A (zh) * | 2020-06-09 | 2020-09-22 | 山东交通学院 | 一种司法判决辅助系统以及方法、设备、可存储介质 |
CN112232576A (zh) * | 2020-10-22 | 2021-01-15 | 北京明略昭辉科技有限公司 | 判决预测方法、装置、电子设备及可读存储介质 |
CN113204567A (zh) * | 2021-05-31 | 2021-08-03 | 山东政法学院司法鉴定中心 | 大数据司法案件分析处理系统 |
CN113422671A (zh) * | 2021-06-30 | 2021-09-21 | 北京交通大学 | 一种用于司法公开的内外网数据一致性的核验方法 |
WO2023279921A1 (zh) * | 2021-07-08 | 2023-01-12 | 华为技术有限公司 | 神经网络模型的训练方法、数据处理的方法及装置 |
CN112232576B (zh) * | 2020-10-22 | 2024-06-28 | 北京明略昭辉科技有限公司 | 判决预测方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965819A (zh) * | 2015-07-12 | 2015-10-07 | 大连理工大学 | 一种基于句法词向量的生物医学事件触发词识别方法 |
CN106296495A (zh) * | 2016-08-09 | 2017-01-04 | 点击律(上海)网络科技有限公司 | 一种诉讼结果的预测方法及系统 |
US9552548B1 (en) * | 2016-07-01 | 2017-01-24 | Intraspexion Inc. | Using classified text and deep learning algorithms to identify risk and provide early warning |
CN108133436A (zh) * | 2017-11-23 | 2018-06-08 | 科大讯飞股份有限公司 | 自动判案方法及系统 |
CN108563703A (zh) * | 2018-03-26 | 2018-09-21 | 北京北大英华科技有限公司 | 一种罪名的判定方法、装置及计算机设备、存储介质 |
CN108596360A (zh) * | 2018-03-16 | 2018-09-28 | 北京中科闻歌科技股份有限公司 | 一种基于机器学习的判决预测方法及系统 |
-
2018
- 2018-09-30 CN CN201811158102.0A patent/CN110968688A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965819A (zh) * | 2015-07-12 | 2015-10-07 | 大连理工大学 | 一种基于句法词向量的生物医学事件触发词识别方法 |
US9552548B1 (en) * | 2016-07-01 | 2017-01-24 | Intraspexion Inc. | Using classified text and deep learning algorithms to identify risk and provide early warning |
CN106296495A (zh) * | 2016-08-09 | 2017-01-04 | 点击律(上海)网络科技有限公司 | 一种诉讼结果的预测方法及系统 |
CN108133436A (zh) * | 2017-11-23 | 2018-06-08 | 科大讯飞股份有限公司 | 自动判案方法及系统 |
CN108596360A (zh) * | 2018-03-16 | 2018-09-28 | 北京中科闻歌科技股份有限公司 | 一种基于机器学习的判决预测方法及系统 |
CN108563703A (zh) * | 2018-03-26 | 2018-09-21 | 北京北大英华科技有限公司 | 一种罪名的判定方法、装置及计算机设备、存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552808A (zh) * | 2020-04-20 | 2020-08-18 | 北京北大软件工程股份有限公司 | 一种基于卷积神经网络的行政违法案由预测方法及工具 |
CN111695874A (zh) * | 2020-06-09 | 2020-09-22 | 山东交通学院 | 一种司法判决辅助系统以及方法、设备、可存储介质 |
CN111695874B (zh) * | 2020-06-09 | 2023-08-11 | 山东交通学院 | 一种司法判决辅助系统以及方法、设备、可存储介质 |
CN112232576A (zh) * | 2020-10-22 | 2021-01-15 | 北京明略昭辉科技有限公司 | 判决预测方法、装置、电子设备及可读存储介质 |
CN112232576B (zh) * | 2020-10-22 | 2024-06-28 | 北京明略昭辉科技有限公司 | 判决预测方法、装置、电子设备及可读存储介质 |
CN113204567A (zh) * | 2021-05-31 | 2021-08-03 | 山东政法学院司法鉴定中心 | 大数据司法案件分析处理系统 |
CN113422671A (zh) * | 2021-06-30 | 2021-09-21 | 北京交通大学 | 一种用于司法公开的内外网数据一致性的核验方法 |
WO2023279921A1 (zh) * | 2021-07-08 | 2023-01-12 | 华为技术有限公司 | 神经网络模型的训练方法、数据处理的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968688A (zh) | 司法数据的处理方法及系统 | |
CN109544166B (zh) | 一种风险识别方法和装置 | |
CN107690660B (zh) | 图像识别方法及装置 | |
CN110929785B (zh) | 数据分类方法、装置、终端设备及可读存储介质 | |
CN110163242B (zh) | 风险识别方法、装置及服务器 | |
CN110969017A (zh) | 一种司法数据的处理方法及系统 | |
CN108197795B (zh) | 恶意团体账户识别方法、装置、终端及存储介质 | |
CN110968689A (zh) | 罪名及法条预测模型的训练方法以及罪名及法条预测方法 | |
CN110990560B (zh) | 一种司法数据处理方法及系统 | |
CN111338692A (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
CN113792122A (zh) | 实体关系的抽取方法及装置、电子设备、存储介质 | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN113051330A (zh) | 基于大数据的实时环境监控方法、装置及计算机设备 | |
Martinovič | Chaotic behaviour of noisy traffic data | |
CN111815485A (zh) | 一种基于深度学习bert模型的量刑预测方法和装置 | |
CN110705622A (zh) | 一种决策方法、系统以及电子设备 | |
CN111310995A (zh) | 基于卷积神经网络的业务预测方法以及装置 | |
CN110633853A (zh) | 时空数据预测模型的训练方法、装置及电子设备 | |
CN113253336A (zh) | 一种基于深度学习的地震预测方法和系统 | |
CN116991455A (zh) | 一种api资产识别方法和装置 | |
CN110969549B (zh) | 一种司法数据处理方法及系统 | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
CN114238280A (zh) | 构建金融敏感信息标准库的方法、装置及电子设备 | |
CN114358422A (zh) | 研发进度的异常预测方法及装置、存储介质和电子设备 | |
CN110210518B (zh) | 提取降维特征的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200407 |
|
RJ01 | Rejection of invention patent application after publication |