CN111694945A - 基于神经网络的法条关联推荐方法及装置 - Google Patents

基于神经网络的法条关联推荐方法及装置 Download PDF

Info

Publication number
CN111694945A
CN111694945A CN202010493887.8A CN202010493887A CN111694945A CN 111694945 A CN111694945 A CN 111694945A CN 202010493887 A CN202010493887 A CN 202010493887A CN 111694945 A CN111694945 A CN 111694945A
Authority
CN
China
Prior art keywords
law
vector
feature vector
output unit
normal
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
Application number
CN202010493887.8A
Other languages
English (en)
Inventor
张君福
温立强
徐钰伟
陈一朴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Peking University Software Engineering Co ltd
Original Assignee
Beijing Peking University Software Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Peking University Software Engineering Co ltd filed Critical Beijing Peking University Software Engineering Co ltd
Priority to CN202010493887.8A priority Critical patent/CN111694945A/zh
Publication of CN111694945A publication Critical patent/CN111694945A/zh
Pending legal-status Critical Current

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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于神经网络的法条关联推荐方法及装置，包括获取待分析的相关法条，对相关法条进行处理转化为特征向量；相关法条包括上位法条集合和下位法条集合；构建LSTM网络模型，将特征向量输入LSTM网络模型中，获取相应的上位法条输出单元向量和下位法条输出单元向量；计算上位法条输出单元向量和下位法条输出单元向量的曼哈顿距离值，将上位法条输出单元向量、下位法条输出单元向量及曼哈顿距离值组合作为输出向量；对LSTM网络模型进行修正，将输出向量输入到修正后的LSTM网络模型中计算上位法条集合和下位法条集合的相似度，根据相似度输出推荐结果。本发明用于上下位法律条款识别时，能够有效的识别上下位法条之间的相似度并根据相似度为用户提供相应的法律法条。

Description

基于神经网络的法条关联推荐方法及装置
技术领域
本发明属于神经网络技术领域，具体涉及一种基于神经网络的法条关联推荐方法及装置。
背景技术
通过对海量法律文本进行挖掘，能够获得海量法律文本的信息库，对于之后的法律文本分析能够起到至关重要的作用。利用基于自然语言处理和机器学习领域的法律条款相似度分析计算方法，能够在法律知识问答，法律知识援助，法律法规库更新等方面提供重要的解决思路。
在法律案件审判过程中，相关工作人员需要根据法律当事人双发以及法律案件的现实情况来进行相关法律条文的检索，以用来为法律案件的解决提供帮助。可是在法律条款查询过程中，相关工作人员可能会翻阅大量的法律文献去寻找相关的法律条文，此时不仅会耗费相关人员大量的时间，而且还有可能找不全相关的法律条文，因此可能会出现“同案不同判”的现象；除此之外对于不熟悉法律的案件当事人，可能还会耗费大量的金钱去寻求专业人士的帮助来了解案件的详情。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于神经网络的法条关联推荐方法及装置，以解决现有技术中法律条款查询过程中耗费时间长以及法条查询不全的问题。
为实现以上目的，本发明采用如下技术方案：一种基于神经网络的法条关联推荐方法，包括：
获取待分析的相关法条，对所述相关法条进行处理转化为特征向量；所述相关法条包括上位法条集合和下位法条集合；
构建LSTM网络模型，将所述特征向量输入所述LSTM网络模型中，获取相应的上位法条输出单元向量和下位法条输出单元向量；
计算所述上位法条输出单元向量和下位法条输出单元向量的曼哈顿距离值，将上位法条输出单元向量、下位法条输出单元向量及曼哈顿距离值组合作为输出向量；
对所述LSTM网络模型进行修正，将所述输出向量输入到修正后的LSTM网络模型中计算上位法条集合和下位法条集合的相似度，根据所述相似度输出推荐结果。
进一步的，所述对所述相关法条进行处理转化为特征向量；
采用分词工具对相关法条进行分词，得到法条分词数据；
采用训练好的语言模型将所述法条分词数据转化为词向量，所述相关法条转化为特征向量；其中，所述上位法条集合的特征向量为第一特征向量，下位法条集合的特征向量为第二特征向量；
调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等。
进一步的，所述调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等，包括：
对所述特征向量进行补零操作，使得第一特征向量与第二特征向量的长度相等。
进一步的，采用损失函数对LSTM网络模型进行修正。
进一步的，还包括：
根据所述相似度输出推荐结果。
进一步的，所述根据所述相似度输出推荐结果，包括：
根据相似度，使用html语言结合法律文本数据库，推荐相似的法律文本。
进一步的，所述语言模型采用：
word2vec语言模型。
进一步的，所述分词工具采用：
中文分词工具。
本申请实施例提供一种基于神经网络的法条关联装置，包括：
处理模块，用于获取待分析的相关法条，对所述相关法条进行处理转化为特征向量；所述相关法条包括上位法条集合和下位法条集合；
获取模块，用于构建LSTM网络模型，将所述特征向量输入所述LSTM网络模型中，获取相应的上位法条输出单元向量和下位法条输出单元向量；
计算模块，用于计算所述上位法条输出单元向量和下位法条输出单元向量的曼哈顿距离值，将上位法条输出单元向量、下位法条输出单元向量及曼哈顿距离值组合作为输出向量；
推荐模块，用于对所述LSTM网络模型进行修正，将所述输出向量输入到修正后的LSTM网络模型中计算上位法条集合和下位法条集合的相似度，根据所述相似度输出推荐结果。
进一步的，所述处理模块包括：
分词单元，用于采用分词工具对相关法条进行分词，得到法条分词数据；
转化单元，用于采用训练好的语言模型将所述法条分词数据转化为词向量，所述相关法条转化为特征向量；其中，所述上位法条集合的特征向量为第一特征向量，下位法条集合的特征向量为第二特征向量；
调整单元，用于调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等。
本发明采用以上技术方案，能够达到的有益效果包括：
本发明提供一种基于神经网络的法条关联推荐方法，本申请基于自然语言处理与机器学习神经网络的法律条款相似度的计算方法，能够帮助法律案件的当事人解决法律条款查询过程中耗费时间长以及法条查询不全的问题，本申请的LSTM网络是一种时间循环神经网络，能够在提取出的法律条文的特征向量上作用，输出相关的计算数值，并计算相似度，用于上下位法律条款识别时，能够有效的识别上下位法条之间的相似度并根据相似度为用户提供相应的法律法条。
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为本发明基于神经网络的法条关联推荐方法的步骤示意图；
图2为本发明基于神经网络的法条关联推荐方法的流程示意图；
图3为本发明上位法条集合和下位法条集合示意图；
图4为本发明基于神经网络的法条关联装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的基于神经网络的法条关联推荐方法。
如图1所示，本申请实施例中提供的基于神经网络的法条关联推荐方法，包括：
S101，获取待分析的相关法条，对所述相关法条进行处理转化为特征向量；所述相关法条包括上位法条集合和下位法条集合；
对相关的法条进行标注，形成标注数据集，分为上位法条集合和下位法条集合。
S102，构建LSTM网络模型，将所述特征向量输入所述LSTM网络模型中，获取相应的上位法条输出单元向量和下位法条输出单元向量；
S103，计算所述上位法条输出单元向量和下位法条输出单元向量的曼哈顿距离值，将上位法条输出单元向量、下位法条输出单元向量及曼哈顿距离值组合作为输出向量；
S104，对所述LSTM网络模型进行修正，将所述输出向量输入到修正后的LSTM网络模型中计算上位法条集合和下位法条集合的相似度。
基于神经网络的法条关联推荐方法的工作原理为：将待分析的法律条款进行分词处理，并转化为相应的固定维度的特征向量；构建相同结构的LSTM网络模型，将上述已经提取好的特征向量，分别通过同一个网络模型计算出响应的输出值；结合两个法律条款特征向量的输出结果以及输出结果之间的曼哈顿距离值，计算得分；根据人工标注结果以及得分调整模型输出结果。
一些实施例中，所述对所述相关法条进行处理转化为特征向量；
采用分词工具对相关法条进行分词，得到法条分词数据；
采用训练好的语言模型将所述法条分词数据转化为词向量，所述相关法条转化为特征向量；其中，所述上位法条集合的特征向量为第一特征向量，下位法条集合的特征向量为第二特征向量；
调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等。
优选的，所述调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等，包括：
对所述特征向量进行补零操作，使得第一特征向量与第二特征向量的长度相等。
具体的，使用法律条文数据进行word2vec的模型的训练，获得能够适配法律条文的word2vec模型，从而将上述分词好的法条数据转化为相应的向量表示。因为法条的长短不一，且分词后的数量不同，因此得到的法条对应的特征向量的长短也就不同，但是为了下一步骤的输入相同维度的特征向量因此使用补零方法，对获得的向量进行长度的修改操作，对于已经形成的特征向量进行补零操作，形成长度相等的特征向量。
一些实施例中，采用损失函数对LSTM网络模型进行修正。
数理统计中均方误差是指参数估计值与参数值之差平方的期望值，记为MSE。MSE是衡量“平均误差”的一种较方便的方法，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
优选的，还包括：
根据所述相似度输出推荐结果。
根据上述的输出结果，我们的基于LSTM网络的法条关联方发的推荐方法会推荐给用户适当的法条结果。
优选的，所述根据所述相似度输出推荐结果，包括：
根据相似度，使用html语言结合法律文本数据库，推荐相似的法律文本。
优选的，所述语言模型采用：word2vec语言模型。
优选的，所述分词工具采用：中文分词工具。
作为一个具体的实施例，如图2所示，具体如下：
第一步，收集并整理法条数据集合，如图3所示，分为上位法条集合以及其相对应的下位法条集合A与B，其中A1＝{a1,a2,…aN}，B1＝{b1,b2,…bN}，分别代表法条中的每个句子。
第二步，使用适当的自然语言处理中的分词工具对上下位法条进行分词处理，便于下一步骤的应用，在对上面的法条数据集合进行处理后获得上位法条集合以及相对应的下位法条集合A1'与B1'，其中对于A1＝{a1,a2,…aN}，B1＝{b1,b2,…bN}获得A1'＝{a1',a2',…aN'},B1'＝{b1',b2',…bN'}。
第三步，使用法律条文数据进行自己的word2vec的模型的训练，获得能够适配法律条文的word2vec模型，从而将上述分词好的法条数据转化为相应的向量表示。
第四步，将上述步骤中形成的相对应的上下位法条分词数据集合A与B′，通过训练好的word2vec模型进行处理，得到其相对应的特征向量模型，也就是对应图2中的Embedding步骤，由A1'＝{a1',a2',…aN'},B1'＝{b1',b2',…bN'}，获得A1'＝{a1',a2',…aN'},B1'＝{b1',b2',…bN'}。其中a1'，b1'为一个词向量。
第五步，因为法条的长短不一，切分词后的数量不同，因此得到的法条对应的特征向量的长短也就不同，但是为了下一步骤的输入相同维度的特征向量因此使用补0方法，对获得的向量进行长度的修改操作，对于已经形成的特征向量A1'＝{a1',a2',…aN'},B1'＝{b1',b2',…bN'}，进行补0操作，形成长度相等的特征向量，A1”＝{0,0,…a1”,a2”,…aN”}，B1”＝{0,0,…b1”,b2”,…bN”}。
第六步，构建LSTM网络模型，为了处理过后的法条特征向量在进行LSTM网络模型处理的时候获得相关的处理结果，因此这里只进行一个LSTM模型的构建，使得经过同一个LSTM模型的对应法条特征向量具有处理结果的相关性。经过处理的长度相等的法条特征向量A1”＝{0,0,…a1”,a2”,…aN”}，B1”＝{0,0,…b1”,b2”,…bN”}，得到相应的结果h1与h2，其中h1与h2也是向量。
第七步，对于获得的h1与h2计算其曼哈顿距离，计算公式为
Figure BDA0002522063020000071
第八步，将h1与h2与m结合，视为总体输出y＝{h1,h2,m}，此时结合相应的上下位法律条文的关系，使用MSE方法作为损失函数生成最终需要的LSTM网络模型，对新的法律数据进行检验。经过处理的长度相等的法条特征向量A1”＝{0,0,…a1”,a2”,…aN”}，B1”＝{0,0,…b1”,b2”,…bN”}得到相应的结果1或0，其中1代表此时输入的两个法条是相关的，0则是表示两条法律条款并不相关。
根据上述的输出结果，推荐给用户适当的法条结果。
本申请实施例还提供一种基于神经网络的法条关联装置，包括：
处理模块401，用于获取待分析的相关法条，对所述相关法条进行处理转化为特征向量；所述相关法条包括上位法条集合和下位法条集合；
获取模块402，用于构建LSTM网络模型，将所述特征向量输入所述LSTM网络模型中，获取相应的上位法条输出单元向量和下位法条输出单元向量；
计算模块403，用于计算所述上位法条输出单元向量和下位法条输出单元向量的曼哈顿距离值，将上位法条输出单元向量、下位法条输出单元向量及曼哈顿距离值组合作为输出向量；
推荐模块404，用于对所述LSTM网络模型进行修正，将所述输出向量输入到修正后的LSTM网络模型中计算上位法条集合和下位法条集合的相似度，根据所述相似度输出推荐结果。
基于神经网络的法条关联装置的工作原理是，处理模块401获取待分析的相关法条，对所述相关法条进行处理转化为特征向量；所述相关法条包括上位法条集合和下位法条集合；获取模块402构建LSTM网络模型，将所述特征向量输入所述LSTM网络模型中，获取相应的上位法条输出单元向量和下位法条输出单元向量；计算模块403计算所述上位法条输出单元向量和下位法条输出单元向量的曼哈顿距离值，将上位法条输出单元向量、下位法条输出单元向量及曼哈顿距离值组合作为输出向量；推荐模块404对所述LSTM网络模型进行修正，将所述输出向量输入到修正后的LSTM网络模型中计算上位法条集合和下位法条集合的相似度，根据所述相似度输出推荐结果。
一些实施例中，所述处理模块401包括：
分词单元，用于采用分词工具对相关法条进行分词，得到法条分词数据；
转化单元，用于采用训练好的语言模型将所述法条分词数据转化为词向量，所述相关法条转化为特征向量；其中，所述上位法条集合的特征向量为第一特征向量，下位法条集合的特征向量为第二特征向量；
调整单元，用于调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等。
本申请实施例提供一种计算机设备，包括处理器，以及与处理器连接的存储器；
存储器用于存储计算机程序，计算机程序用于执行上述任一实施例提供的基于神经网络的法条关联推荐方法；
处理器用于调用并执行存储器中的计算机程序。
综上所述，本发明提供一种基于神经网络的法条关联推荐方法及装置，本申请基于自然语言处理与机器学习神经网络的法律条款相似度的计算方法，能够帮助法律案件的当事人解决法律条款查询过程中耗费时间长以及法条查询不全的问题，本申请的LSTM网络是一种时间循环神经网络，能够在提取出的法律条文的特征向量上作用，输出相关的计算数值，并计算相似度，用于上下位法律条款识别时，能够有效的识别上下位法条之间的相似度并根据相似度为用户提供相应的法律法条。
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
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、系统、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和光学存储器等)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方法的制造品，该指令方法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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于神经网络的法条关联推荐方法，其特征在于，包括：
获取待分析的相关法条，对所述相关法条进行处理转化为特征向量；所述相关法条包括上位法条集合和下位法条集合；
构建LSTM网络模型，将所述特征向量输入所述LSTM网络模型中，获取相应的上位法条输出单元向量和下位法条输出单元向量；
计算所述上位法条输出单元向量和下位法条输出单元向量的曼哈顿距离值，将上位法条输出单元向量、下位法条输出单元向量及曼哈顿距离值组合作为输出向量；
对所述LSTM网络模型进行修正，将所述输出向量输入到修正后的LSTM网络模型中计算上位法条集合和下位法条集合的相似度。
2.根据权利要求1所述的推荐方法，其特征在于，所述对所述相关法条进行处理转化为特征向量；
采用分词工具对相关法条进行分词，得到法条分词数据；
采用训练好的语言模型将所述法条分词数据转化为词向量，所述相关法条转化为特征向量；其中，所述上位法条集合的特征向量为第一特征向量，下位法条集合的特征向量为第二特征向量；
调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等。
3.根据权利要求2所述的推荐方法，其特征在于，所述调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等，包括：
对所述特征向量进行补零操作，使得第一特征向量与第二特征向量的长度相等。
4.根据权利要求1所述的推荐方法，其特征在于，
采用损失函数对LSTM网络模型进行修正。
5.根据权利要求1所述的推荐方法，其特征在于，还包括：
根据所述相似度输出推荐结果。
6.根据权利要求5所述的推荐方法，其特征在于，所述根据所述相似度输出推荐结果，包括：
根据相似度，使用html语言结合法律文本数据库，推荐相似的法律文本。
7.根据权利要求2所述的推荐方法，其特征在于，所述语言模型采用：
word2vec语言模型。
8.根据权利要求2所述的推荐方法，其特征在于，所述分词工具采用：
中文分词工具。
9.一种基于神经网络的法条关联装置，其特征在于，包括：
处理模块，用于获取待分析的相关法条，对所述相关法条进行处理转化为特征向量；所述相关法条包括上位法条集合和下位法条集合；
获取模块，用于构建LSTM网络模型，将所述特征向量输入所述LSTM网络模型中，获取相应的上位法条输出单元向量和下位法条输出单元向量；
计算模块，用于计算所述上位法条输出单元向量和下位法条输出单元向量的曼哈顿距离值，将上位法条输出单元向量、下位法条输出单元向量及曼哈顿距离值组合作为输出向量；
推荐模块，用于对所述LSTM网络模型进行修正，将所述输出向量输入到修正后的LSTM网络模型中计算上位法条集合和下位法条集合的相似度，根据所述相似度输出推荐结果。
10.根据权利要求9所述的装置，其特征在于，所述处理模块包括：
分词单元，用于采用分词工具对相关法条进行分词，得到法条分词数据；
转化单元，用于采用训练好的语言模型将所述法条分词数据转化为词向量，所述相关法条转化为特征向量；其中，所述上位法条集合的特征向量为第一特征向量，下位法条集合的特征向量为第二特征向量；
调整单元，用于调整第一特征向量与第二特征向量，使得所述第一特征向量与第二特征向量的长度相等。
CN202010493887.8A 2020-06-03 2020-06-03 基于神经网络的法条关联推荐方法及装置 Pending CN111694945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010493887.8A CN111694945A (zh) 2020-06-03 2020-06-03 基于神经网络的法条关联推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010493887.8A CN111694945A (zh) 2020-06-03 2020-06-03 基于神经网络的法条关联推荐方法及装置

Publications (1)

Publication Number Publication Date
CN111694945A true CN111694945A (zh) 2020-09-22

Family

ID=72479348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010493887.8A Pending CN111694945A (zh) 2020-06-03 2020-06-03 基于神经网络的法条关联推荐方法及装置

Country Status (1)

Country Link
CN (1) CN111694945A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113377906A (zh) * 2021-06-08 2021-09-10 四川大学 一种相似法条智能搜索系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015963A (zh) * 2017-03-22 2017-08-04 重庆邮电大学 基于深度神经网络的自然语言语义分析系统及方法
CN109446416A (zh) * 2018-09-26 2019-03-08 南京大学 基于词向量模型的法条推荐方法
WO2019174422A1 (zh) * 2018-03-16 2019-09-19 北京国双科技有限公司 实体关联关系的分析方法及相关装置
CN110442684A (zh) * 2019-08-14 2019-11-12 山东大学 一种基于文本内容的类案推荐方法
CN110717843A (zh) * 2019-10-21 2020-01-21 南京大学 一种可复用的法条推荐框架
CN110990523A (zh) * 2018-09-30 2020-04-10 北京国双科技有限公司 一种法律文书的确定方法及系统
CN111091009A (zh) * 2019-11-20 2020-05-01 中国电子科技集团公司第三十研究所 一种基于语义分析的文档关联审核方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015963A (zh) * 2017-03-22 2017-08-04 重庆邮电大学 基于深度神经网络的自然语言语义分析系统及方法
WO2019174422A1 (zh) * 2018-03-16 2019-09-19 北京国双科技有限公司 实体关联关系的分析方法及相关装置
CN109446416A (zh) * 2018-09-26 2019-03-08 南京大学 基于词向量模型的法条推荐方法
CN110990523A (zh) * 2018-09-30 2020-04-10 北京国双科技有限公司 一种法律文书的确定方法及系统
CN110442684A (zh) * 2019-08-14 2019-11-12 山东大学 一种基于文本内容的类案推荐方法
CN110717843A (zh) * 2019-10-21 2020-01-21 南京大学 一种可复用的法条推荐框架
CN111091009A (zh) * 2019-11-20 2020-05-01 中国电子科技集团公司第三十研究所 一种基于语义分析的文档关联审核方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113377906A (zh) * 2021-06-08 2021-09-10 四川大学 一种相似法条智能搜索系统及方法

Similar Documents

Publication Publication Date Title
TWI612488B (zh) 用於預測商品的市場需求的計算機裝置與方法
CN109800307B (zh) 产品评价的分析方法、装置、计算机设备及存储介质
CN110795913B (zh) 一种文本编码方法、装置、存储介质及终端
CN110264038A (zh) 一种产品测评模型的生成方法及设备
CN111738532B (zh) 一种事件对对象影响度的获取方法和系统
CN111274267A (zh) 一种数据库查询方法、装置及计算机可读取存储介质
CN110399547B (zh) 用于更新模型参数的方法、装置、设备和存储介质
CN104809139B (zh) 代码文件查询方法和装置
CN111563384A (zh) 面向电商产品的评价对象识别方法、装置及存储介质
CN116719520B (zh) 代码生成方法及装置
CN111198939A (zh) 语句相似度的分析方法、装置及计算机设备
CN113627797A (zh) 入职员工画像生成方法、装置、计算机设备及存储介质
US20240078384A1 (en) Method of training sentiment preference recognition model for comment information, recognition method, and device thereof
CN112948575A (zh) 文本数据处理方法、装置和计算机可读存储介质
CN111178537A (zh) 一种特征提取模型训练方法及设备
CN114255096A (zh) 数据需求匹配方法和装置、电子设备、存储介质
CN115809887A (zh) 一种基于发票数据确定企业主要经营范围的方法和装置
CN112632377A (zh) 一种基于用户评论情感分析与矩阵分解的推荐方法
CN103729431B (zh) 具有增减量功能的海量微博数据分布式分类装置及方法
CN115099310A (zh) 训练模型、对企业进行行业分类的方法和装置
CN112559691B (zh) 语义相似度的确定方法及确定装置、电子设备
Pichiyan et al. Web scraping using natural language processing: exploiting unstructured text for data extraction and analysis
CN111694945A (zh) 基于神经网络的法条关联推荐方法及装置
CN117436446A (zh) 基于弱监督的农业社会化销售服务用户评价数据分析方法
CN110633363B (zh) 一种基于nlp和模糊多准则决策的文本实体推荐方法

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