CN111797231B - 基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备 - Google Patents
基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备 Download PDFInfo
- Publication number
- CN111797231B CN111797231B CN202010533501.1A CN202010533501A CN111797231B CN 111797231 B CN111797231 B CN 111797231B CN 202010533501 A CN202010533501 A CN 202010533501A CN 111797231 B CN111797231 B CN 111797231B
- Authority
- CN
- China
- Prior art keywords
- legal
- representation
- event
- reasoning
- proposition
- 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 60
- 230000003993 interaction Effects 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 17
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F16/35—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Economics (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
本发明提供一种基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备，其中，方法包括：获取预设法律事件图谱；基于所述法律事件图谱中知识类型利用与所述知识类型对应的推理表示框架对所述法律事件图谱进行法律命题表示；利用三阶层论将所述法律命题进行概率化表示。由于预测的路径是基于法律三阶层论推理生成，该预测能够有充分的解释性，例如可以解释清楚要件合法性命题成立的情况以及支持它的概率大小，进而提供为法律决策提供预测和证据支撑。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备。
背景技术
推理是自然语言处理领域非常重要且具有挑战性的任务，其目的是使用已有的知识和推断技术对未见过的输入信息作出判断。机器推理需要启发式和策略，这通常由知识渊博的领域专家完成。这个过程就是机器推理对企业来说很难扩展的地方，因为这需要大量的专家人力来完成这个策略。
机器推理最适用于确定性场景。也就是说，确定某件事是否真实，或者是否会发生。机器推理(Machine Reasoning)在常识问答、事实检测、自然语言推理、视觉常识推理、视觉问答、文档级问答、多轮语义分析和问答等任务上都有不错的应用。
现有技术中也存在一些基于法律事件的推理方法，例如申请号为CN201910348896的中国专利公开了一种《法律案件深度推理方法》，该专利公开的技术方案是针对诉讼请求的支持率推理，是单纯的数据学习推理，其实质上是指狭义的推理，最后利用机器学习模型针对特征进行回归或分类，是机器学习模型概念中的“推理”，也可以称为“预测”。3.上述的推理研究是建立在数据观察的基础上，例如支持率、胜败诉率等等，对于推理的原子性问题没有深入研究，重心集中在如果让机器学习到输入和输出的相关性。
目前，现有的推理大部分的研究主要依赖于机器算法模型输出的结果，对结果的解释性非常缺乏，没有根据法律因果推理解释的结果是难以被采信和认可。单纯通过机器学习对数据拟合是无法产生解释性的，必须在理论的指导下，构建出实体和逻辑，再通过推理理论的步骤和路径，才能对所产生的推理结果进行解释。
发明内容
为了解决现有技术中法律事件的推理缺乏解释性，本发明提供一种基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备。
第一方面，本发明提供一种基于三阶层论法律推理命题表示方法，该方法包括：获取预设法律事件图谱；基于所述法律事件图谱中知识类型利用与所述知识类型对应的推理表示框架对所述法律事件图谱进行法律命题表示；利用三阶层论将所述法律命题进行概率化表示。
可选地，所述推理表示框架包括：基于符号逻辑表示框架、基于统计规则表示框架和嵌入式向量表示框架中的至少之一。
可选地，所述利用三阶层论将所述法律命题进行概率化表示包括：利用三阶层论将不同表示框架表示的法律命题融合；利用概率图模型将融合后的法律命题进行推理连接。
可选地，利用三阶层论将不同表示框架表示的法律命题融合包括：将不同表示框架表示的法律命题进行变量化；将变量化后的法律命题按照三阶层论的演进关系进行关联。
可选地，所述获取预设法律事件图谱包括：获取法律事件图谱；基于多轮交互策略获取被交互对象描述的法律事件的第一要件和第一要件关系；利用所述第一要件和所述第一要件关系所述对所述法律事件图谱进行更新得到法律事件演化交互图谱；将所述法律事件演化交互图谱作为预设法律事件图谱。
可选地，所述获取法律事件图谱包括：定义法律事件图谱；在法律事件图谱收集法律语料；基于所述法律语料在所述法律语料中抽取第二要件和第二要件关系。
根据第二方面，本发明实施例提供了一种法律事件推理方法，包括：获取法律事件交互图谱；将所述法律事件交互图谱属于预训练推理模型，得到法律事件的推理结果；所述预训练推理模型基于采用上述第一方面任一项所述的基于三阶层论法律推理命题表示方法生成的法律命题概率图构建而成。
根据第三方面，本发明实施例提供了一种基于三阶层论法律推理命题表示装置，包括：获取模块，用于获取预设法律事件图谱；命题表示模块，用于基于所述法律事件图谱中知识类型利用与所述知识类型对应的推理表示框架对所述法律事件图谱进行法律命题表示；概率化模块，用于利用三阶层论将所述法律命题进行概率化表示。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述第一方面任意一项所述的基于三阶层论法律推理命题表示方法或上述第二方面所述的法律事件推理方法。
根据第五方面，本发明实施例提供了一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面任意一项所述的基于三阶层论法律推理命题表示方法或上述第二方面所述的法律事件推理方法。
由于预测的路径是基于法律三阶层论推理生成，该预测能够有充分的解释性，例如可以解释清楚要件合法性命题成立的情况以及支持它的概率大小，进而提供为法律决策提供预测和证据支撑。
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为本发明实施例提供的基于三阶层论法律推理命题表示方法流程示意图；
图2为本发明实施例提供的三阶层论命题概率图；
图3为本发明实施例提供的第一轮的事件演化交互图谱示意图；
图4为本发明实施例提供的第二轮的事件演化交互图谱示意图；
图5为本发明实施例提供的第三轮的事件演化交互图谱示意图；
图6为本发明实施例提供的第四轮的事件演化交互图谱示意图；
图7为本发明实施例提供的多轮问答框架示意图；
图8为本发明实施例提供的法律事件推理方法流程示意图；
图9为本发明实施例提供的基于三阶层论法律推理命题表示装置示意图；
图10为本发明实施例提供的电子设备框图。
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。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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
正如背景技术所述，目前的现有技术关于法律事件的推理均是基于数据观察的基础上，例如支持率、胜败诉率等等，对于推理的原子性问题没有深入研究，重心集中在如果让机器学习到输入和输出的相关性，主要依赖于机器算法模型输出的结果，无法实现深层次的实体和逻辑推理。经发明人研究发现，法律从业人员更多的是通过意识和案例教学进行传播，使机器拥有这种能力是富有挑战的一件事。而阶层是对事物进行分类的一个概念，是指事物的不同等级。不同阶层的事物构成现实世界。而法律的三阶层论推理理论是一种哲学实践角度的理论。法律的三阶层论中的阶层是指犯罪的下位概念，即一定的犯罪由不同的要件构成，而这些要件之间存在着位阶关系。三阶层，就是指犯罪由三个具有位阶关系的要件所构成的。阶层有双重含义：第一层含义是指犯罪成立要件，即阶层具有实体性。第二层含义是指犯罪成立要件之间的关系，即阶层具有逻辑性。犯罪成立要件之间的位阶性是指犯罪成立要件之间存在以下两种关系：就前一要件与后一要件的关系而言，存在着“即无后者，亦有前者”的关系；就后一要件与前一要件的关系而言，存在着“若无前者，即无后者”的关系。
一个行为要构成犯罪必须符合三个递进式组合的条件。
(1)犯罪构成该当性。犯罪构成该当性也称构成要件符合性，是指构成要件的实现，即所发生的事实与刑法条文规定的内容要相一致。具体来说该当性中包括了行为主体、危害行为、犯罪对象、危害结果、因果关系几个要素。
(2)违法性。违法性要求犯罪行为不仅是符合构成要件的行为，而且实质上是法律所不允许的行为，即必须是违法的行为。违法性的判断标准在于是否有违法阻却事由。违法阻却事由是排除具有该当性的行为的违法性的事由。违法性阻却事由一般包括正当防卫、紧急避险、法令行为、被害人承诺等。
(3)有责性。有责性指能够就满足该当性和违法性条件的行为对行为人进行非难和谴责。是否具有有责性应该从行为人的刑事责任能力、犯罪故意或者过失等方面考察。此外，有责性还有两种阻却事由，一是违法性认识，二是缺乏期待可能性。
因此，为提高法律事件推理的解释性，发明人提出了一种基于三阶层论法律推理命题表示方法、法律事件推理方法，具体的，参见图1，该方法可以包括如下步骤：
S11.获取预设法律事件图谱。在本实施例中，所称的法律事件图谱可以提供了上述理论背景中的知识在计算机的表示和计算基础，例如实体的表示，通过本体约束了行为主体、危害行为，犯罪主体等法律实体的属性和特征，区别于字符串的表示它具备更全面的上下文和语义关系。对于逻辑的表示，是针对案例和法律法规中实体和事件的关系进行了抽取，构建出法律领域的关系实例库。总之，事件图谱是对理论知识和现实事件的计算机描述，使得计算机有能力识别、理解、并对其进行计算。在本实施例中，法律事件图谱可以为基于事件演化交互图谱不断识别补充的行为主体、危害行为、犯罪对象、危害结果等要件和要件之间的关系，最终的知识图谱。也可以为依赖于预先设定好的数据，匹配子图而生成的法律事件图谱。
S12.基于所述法律事件图谱中知识类型利用与所述知识类型对应的推理表示框架对所述法律事件图谱进行法律命题表示。
S13.利用三阶层论将所述法律命题进行概率化表示。通过多种模式针对不同的法律命题进行计算机可识别的命题表示，不同的命题方式不看作是独立的决策信息，而是利用三阶层论的理论知识和概率图模型进行结合，将命题进行了概率图化。
由于预测的路径是基于法律三阶层论推理生成，该预测能够有充分的解释性，例如可以解释清楚要件合法性命题成立的情况以及支持它的概率大小，进而提供为法律决策提供预测和证据支撑。
作为可选的实施例，所称的法律事件图谱中的知识类型可以包括事件中要件的实体关系、事件中要件的属性关系和描述性文本。在本实施例中对于不同知识类型采用不同的推理表示框架，所称的推理表示框架可以包括基于符号逻辑表示框架、基于统计规则表示框架和嵌入式向量表示框架。因此，在本实施例中应用了多种推理表示方式，从不同的角度来观察命题。几种表示是根据事件演化交互图的具体知识所产生，由于不同的知识符合不同的表示框架，因此需要多种表示才能够解决该问题。例如常见的奔驰是机动车这种事件的要件中的事实实体关系是符合基于符号的逻辑表示，即表示为<奔驰,is,机动车>。酒精含量和酒后驾驶这种要件属性关系是可以从大量的案例中统计得出，形成知识，表示为Number(酒精含量，数量)＝>Action(酒后驾驶)。
一些描述性的文本知识是很难用某种形式化的语言进行表示，这是利用表示学习，将命题表示为高维向量是解决方案，例如“下车的时候还有呼吸”要直接映射成为命题S(是否死亡)是非常困难的，在本实施例中可以基于大量的预训练语料将这种命题表示为高维向量，即S(“下车的时候还有呼吸”)＝[1.2,2.34,63.4,…,5.6]。基于符号逻辑的表示是指从事件演化交互图谱中抽取出对应的本体内容，基于产生式的规则，从而推理概念分类和概念之间的关系。事件交互演化图谱表示可以表示为：符号逻辑、统计规则、嵌入式向量，这三个数据完整的存储着事实要件信息。
利用三阶层论将所述法律命题进行概率化表示，得到法律命题概率模型，具体的，可以利用如图2所示的三阶层论命题概率图对法律命题进行概率化表示，事件演化交互图包含大量的事件知识，这些事件知识要服务于三阶层论，就需要对这些事实、命题进行变量化，变量化以后通过概率图模型按照三阶层论的演进关系关联，最终完成表示过程。
作为示例性的实施例，法律事件图谱可以为法律事件演化交互图谱获取法律事件图谱，具体的，获取法律事件图谱；基于多轮交互策略获取被交互对象描述的法律事件的第一要件和第一要件关系；利用所述第一要件和所述第一要件关系所述对所述法律事件图谱进行更新得到法律事件演化交互图谱。具体的，法律时间图谱的获取可以先定义法律事件图谱；在法律事件图谱收集法律语料；基于所述法律语料在所述法律语料中抽取第二要件和第二要件关系。其中第一要件可以为交互过程中获取的用户描述的法律事件的要件，第二要件可以为基于法律语料，例如法律文书、法律卷宗等，在法律语料中识别得到的。
基于多轮交互策略获取被交互对象描述的法律事件的第一要件和第一要件关系；利用所述第一要件和所述第一要件关系所述对所述法律事件图谱进行更新得到法律事件演化交互图谱。
具体的，用户通过多轮问答引擎和事件图谱引擎交互，逐步形成针对用户法律意图、法律场景的事件演化交互图谱实例，这个实例表示了该用户的所阐述出来的完整信息，并用知识图谱的方式进行了表示，便于计算机进行识别和计算。示例性的以图3-6所示的对话构建的事件演化交互图谱为例进行说明：
对话开始后，用户叙述：“我喝了点酒，开车撞到了路人，怎么办”基于问答引擎识别自然语言，构建了图3所示的第一轮的时间演化交互图谱：行为主体为“我”，实施了犯罪行为“酒后驾驶”，导致了危害结果“撞人”。并且基于用户的自然语言的和问答引擎中的动作运行器例如对法律法规的查询，理解用户的交互内容，并生成对应的对话反馈至用户。基于用户的交互内容可以生成如下对话：机器：“请问血液酒精检测的含量是多少”，用户：“185mg/ml”，基于问答引擎识别自然语言，在图3的基础上对事件的要件和要件之间的关系进行补充构建了图4所示的第二轮的时间演化交互图谱：增加事件的要件属性为：酒精含量185mg/ml。继续理解用户交互上下文，生成新的对话：机器：“请问你开的什么车”，用户：“家用的奔驰”。基于问答引擎识别自然语言，在图4的基础上对事件的要件和要件之间的关系进行补充构建了图5所示的第三轮的时间演化交互图谱：增加事件的要件属性为：车辆类型为奔驰属于普通机动车。继续理解用户交互上下文，生成新的对话：机器：“撞到几个人，被撞的路人怎么样了”，用户：“撞到3个，1个重伤1个死亡”。基于问答引擎识别自然语言，在图5的基础上对事件的要件和要件之间的关系进行补充构建了图6所示的第四轮的时间演化交互图谱：增加事件的要件结果递进为：结果递进撞死和撞伤。本实施例中的四轮交互问答只是示例性的示出了事件演化交互图谱的构建过程，更多轮的交互和更少轮的交互同样在本申请实施例的保护范围内。
基于事件演化交互图谱不断识别补充的行为主体、危害行为、犯罪对象、危害结果等要件和要件之间的关系，最终以知识图谱的实例存在。
事件演化交互图谱构建是一个动态交互更新产生的知识图谱，根据用户的意图、对应的法律事件场景、要素、经历等信息和用户进行交互，获取用户的信息，再经过系统处理动态组建成事件演化交互图谱，图谱揭示了一个法律命题的完整信息。
作为示例性的实施例，演化交互过程涉及到的识别流程的多轮问答框架如图7所示，具体的，其中
XNLP表示自然语言处理模块，用于对法律文本得词法分析、句法分析等。
XNLU表示自然语言理解模块，用于对法律文本的领域识别、意图识别、事件识别和法律实体识别
Dialogue Engine表示对话引擎，包括两个核心模块：状态追踪器和策略管理。状态追踪器记录了和用户交互的上下文，策略管理用于判别当前对话机器返回的动作。
Action Runner表示动作运行器，运行着机器人的各项技能，例如法律法规的查询等等。
XNLG表示自然语言生成，根据反馈动作自动生成对话，反馈给用户，同时将当前收集到的信息反馈到事件演化交互图谱中，更新当前的图谱实例。
本申请实施例提供了一种法律事件推理方法，如图8所示，该方法可以包括：
S21.获取法律事件交互图谱；
S22.将所述法律事件交互图谱属于预训练推理模型，得到法律事件的推理结果。所述预训练推理模型基于采用上述实施例中所述的基于三阶层论法律推理命题表示方法生成的法律命题概率图构建而成。
具体的，参见图7所示三阶层论命题概率图，基于三阶层论命题概率图建立推理模型。将命题用x1、x2、x3,…,xn表示：行为主体命题＝x1,侵害客体命题＝x2,行为结果成立命题＝x3,因果关系命题＝x4,故意命题＝x5,意图命题＝x5，客观构成要件命题＝x6,主观构成要件命题＝x7,构成要件合法性命题＝x8等。则整体的概率公式如下：
其中根据图中的依赖关系来逐步分解，在案例数据中转化相应的边缘概率分布，进而进行整体分布构建，例如客观构建要件命题：
P(x6|x1，x2，x3)
要件合法性分布：
P(x8|x6，x7)
获得了各个分布后，便可以进行模型学习和推理。
如果假设犯罪成立命题＝Y，则依据下列公式可进行参数估计：
其中，Y*为推理模型参数，Y为犯罪成立命题，X为法律命题。
模型参数估计后，完成了推理模型构建，当有新的事件交互演化图则可以用当前模型进行预测。且由于预测的路径是基于法律三阶层论推理生成，该预测能够有充分的解释性，例如可以解释清楚要件合法性命题成立的情况以及支持它的概率大小，进而提供为法律决策提供预测和证据支撑。
本申请实施例提供了一种基于三阶层论法律推理命题表示装置，如图9所示，包括：获取模块10，用于获取预设法律事件图谱；命题表示模块20，用于基于所述法律事件图谱中知识类型利用与所述知识类型对应的推理表示框架对所述法律事件图谱进行法律命题表示；概率化模块30，用于利用三阶层论将所述法律命题进行概率化表示。
本发明实施例提供了一种电子设备，如图10所示，该电子设备包括一个或多个处理器31以及存储器32，图10中以一个处理器33为例。
该控制器还可以包括：输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图10中以通过总线连接为例。
处理器31可以为中央处理器(CentralProcessingUnit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的控制方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于三阶层论法律推理命题表示方法和/或法律事件推理方法。
存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。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。
输入装置33可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
一个或者多个模块存储在存储器32中，当被一个或者多个处理器31执行时，执行如图1和/或图8所示的方法。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
最后，本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于三阶层论法律推理命题表示方法，其特征在于，包括：
获取预设法律事件图谱；
基于所述法律事件图谱中知识类型利用与所述知识类型对应的推理表示框架对所述法律事件图谱进行法律命题表示；所述知识类型包括事件中要件的实体关系、事件中要件的属性关系和描述性文本，所述推理表示框架包括：基于符号逻辑表示框架、基于统计规则表示框架和嵌入式向量表示框架；
利用三阶层论将所述法律命题进行概率化表示；
所述利用三阶层论将所述法律命题进行概率化表示包括：
利用三阶层论将不同表示框架表示的法律命题融合；
利用概率图模型将融合后的法律命题进行推理连接。
2.如权利要求1所述的基于三阶层论法律推理命题表示方法，其特征在于，利用三阶层论将不同表示框架表示的法律命题融合包括：
将不同表示框架表示的法律命题进行变量化；
将变量化后的法律命题按照三阶层论的演进关系进行关联。
3.如权利要求1所述的基于三阶层论法律推理命题表示方法，其特征在于，所述获取预设法律事件图谱包括：
获取法律事件图谱；
基于多轮交互策略获取被交互对象描述的法律事件的第一要件和第一要件关系；
利用所述第一要件和所述第一要件关系对所述法律事件图谱进行更新得到法律事件演化交互图谱；
将所述法律事件演化交互图谱作为预设法律事件图谱。
4.如权利要求3所述的基于三阶层论法律推理命题表示方法，其特征在于，所述获取法律事件图谱包括：
定义法律事件图谱；
在法律事件图谱收集法律语料；
基于所述法律语料在所述法律语料中抽取第二要件和第二要件关系。
5.一种法律事件推理方法，其特征在于，包括：
获取法律事件交互图谱；
将所述法律事件交互图谱输入预训练推理模型，得到法律事件的推理结果；
所述预训练推理模型基于采用权利要求1-4任一项所述的基于三阶层论法律推理命题表示方法生成的法律命题概率图构建而成。
6.一种基于三阶层论法律推理命题表示装置，其特征在于，包括：
获取模块，用于获取预设法律事件图谱；
命题表示模块，用于基于所述法律事件图谱中知识类型利用与所述知识类型对应的推理表示框架对所述法律事件图谱进行法律命题表示，所述知识类型包括事件中要件的实体关系、事件中要件的属性关系和描述性文本，所述推理表示框架包括基于符号逻辑表示框架、基于统计规则表示框架和嵌入式向量表示框架；
概率化模块，用于利用三阶层论将所述法律命题进行概率化表示；
所述利用三阶层论将所述法律命题进行概率化表示包括：
利用三阶层论将不同表示框架表示的法律命题融合；
利用概率图模型将融合后的法律命题进行推理连接。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述权利要求1-4任意一项所述的基于三阶层论法律推理命题表示方法或权利要求5所述的法律事件推理方法。
8.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-4任意一项所述的基于三阶层论法律推理命题表示方法或权利要求5所述的法律事件推理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533501.1A CN111797231B (zh) | 2020-06-11 | 2020-06-11 | 基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533501.1A CN111797231B (zh) | 2020-06-11 | 2020-06-11 | 基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111797231A CN111797231A (zh) | 2020-10-20 |
| CN111797231B true CN111797231B (zh) | 2021-08-20 |
Family
ID=72803470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010533501.1A Active CN111797231B (zh) | 2020-06-11 | 2020-06-11 | 基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797231B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100061270A (ko) * | 2008-11-27 | 2010-06-07 | 한국과학기술원 | 온톨로지를 이용한 장소성 기반 상황 정보 서비스 장치 및 방법 |
| CN108073673A (zh) * | 2017-05-15 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于机器学习的法律知识图谱构建方法、装置、系统和介质 |
| CN109977237A (zh) * | 2019-05-27 | 2019-07-05 | 南京擎盾信息科技有限公司 | 一种面向法律领域的动态法律事件图谱构建方法 |
| CN110059193A (zh) * | 2019-06-21 | 2019-07-26 | 南京擎盾信息科技有限公司 | 基于法律语义件与文书大数据统计分析的法律咨询系统 |
| CN110634088A (zh) * | 2018-06-25 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 案件裁判方法、装置和系统 |
| CN110825879A (zh) * | 2019-09-18 | 2020-02-21 | 平安科技（深圳）有限公司 | 判案结果确定方法、装置、设备及计算机可读存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060026085A1 (en) * | 2004-07-28 | 2006-02-02 | Steven Zoric | Investment structure for tax-exempt and tax deferred investors |
| US8214177B2 (en) * | 2005-10-20 | 2012-07-03 | Syracuse University | Optimized stochastic resonance signal detection method |
| US9397676B1 (en) * | 2015-09-29 | 2016-07-19 | Analog Devices, Inc. | Low power switching techniques for digital-to-analog converters |
| CN106204366A (zh) * | 2016-07-22 | 2016-12-07 | 三峡大学 | 一种基于模糊推理的法律大数据管理系统 |
| CN108073988B (zh) * | 2017-06-21 | 2021-09-03 | 北京华宇元典信息服务有限公司 | 一种基于强化学习的法律认知方法、装置和介质 |
| CN111160744A (zh) * | 2019-12-20 | 2020-05-15 | 中国计量大学 | 基于ahp对地铁运营突发事件应急处置能力的评价方法 |
-
2020
- 2020-06-11 CN CN202010533501.1A patent/CN111797231B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100061270A (ko) * | 2008-11-27 | 2010-06-07 | 한국과학기술원 | 온톨로지를 이용한 장소성 기반 상황 정보 서비스 장치 및 방법 |
| CN108073673A (zh) * | 2017-05-15 | 2018-05-25 | 北京华宇元典信息服务有限公司 | 一种基于机器学习的法律知识图谱构建方法、装置、系统和介质 |
| CN110634088A (zh) * | 2018-06-25 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 案件裁判方法、装置和系统 |
| CN109977237A (zh) * | 2019-05-27 | 2019-07-05 | 南京擎盾信息科技有限公司 | 一种面向法律领域的动态法律事件图谱构建方法 |
| CN110059193A (zh) * | 2019-06-21 | 2019-07-26 | 南京擎盾信息科技有限公司 | 基于法律语义件与文书大数据统计分析的法律咨询系统 |
| CN110825879A (zh) * | 2019-09-18 | 2020-02-21 | 平安科技（深圳）有限公司 | 判案结果确定方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111797231A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Friedrichs et al. | On acting and knowing: How pragmatism can advance international relations research and methodology | |
| Gisborne | The event structure of perception verbs | |
| Thagard | Explanatory coherence | |
| Kukla | Studies in scientific realism | |
| Prakken | Analysing reasoning about evidence with formal models of argumentation | |
| Galitsky et al. | Learning communicative actions of conflicting human agents | |
| Gabbay et al. | The practical turn in logic | |
| CN111797230B (zh) | 法律三阶层论自动推理方法、装置和电子设备 | |
| Engelmann et al. | Argumentation as a method for explainable AI: A systematic literature review | |
| CN111797232B (zh) | 法律事件图谱构建方法、法律事件推理方法、装置和电子设备 | |
| CN111797231B (zh) | 基于三阶层论法律推理命题表示方法、法律事件推理方法和电子设备 | |
| Hanson et al. | Introduction: Return of the A Priori | |
| Lawley et al. | Towards natural language story understanding with rich logical schemas | |
| Memon et al. | Human-centric cognitive decision support system for ill-structured problems | |
| Sánchez et al. | On models and ontologies | |
| O'Rorke | Coherence and abduction | |
| Gueddes et al. | Enhancing ontology-based home Care Services platform using Bayesian networks | |
| Galitsky et al. | Managing customer relations in an explainable way | |
| Clardy | What can we know about the future? Epistemology and the credibility of claims about the world ahead | |
| Duplessis et al. | A conventional dialogue model based on empirically specified dialogue games | |
| Giere | What does explanatory coherence explain? | |
| Lenat | Building a Machine Smart Enough to Pass the Turing Test: Could We, Should We, Will We? | |
| Bereiter et al. | When weak explanations prevail | |
| Falk | Primate tool use: But what about their brains? | |
| Chandrashekar et al. | Machine Learning Meets the Semantic Web |
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 |