CN111813906A - 一种基于犯罪行为链的相似案件计算方法 - Google Patents
一种基于犯罪行为链的相似案件计算方法 Download PDFInfo
- Publication number
- CN111813906A CN111813906A CN202010557243.0A CN202010557243A CN111813906A CN 111813906 A CN111813906 A CN 111813906A CN 202010557243 A CN202010557243 A CN 202010557243A CN 111813906 A CN111813906 A CN 111813906A
- Authority
- CN
- China
- Prior art keywords
- criminal
- behavior chain
- chain
- behavior
- criminal behavior
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 100
- 230000009471 action Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 239000000470 constituent Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于犯罪行为链的相似案件计算方法，步骤一：从裁判文书的案情描述部分抽取相关信息，采用Bert+Crf作为序列标注的模型，并进行关键信息抽取，最终构建出犯罪行为链；步骤二：基于犯罪行为链的结构特征，采用图神经网络模型作为基础计算模型，实现犯罪行为链的相似度计算；步骤三：将图神经网络模型得到的结果与文本内容信息结合，实现基于犯罪行为链的相似度计算方法找到相似案件。本发明充分利用犯罪行为链的特征，在传统的相似案例查找上有更深入的计算方法，提高了相似案件之间的相似度，为解类案推送提供技术支撑，取得了很好的效果。
Description
技术领域
本发明涉及一种案件计算方法，尤其涉及一种基于犯罪行为链的相似案件计算方法，属于自然语言处理和机器学习技术领域。
背景技术
当前，法院在长期的司法实践中积累了大量的司法裁判文书，司法裁判文书具有专业性强、专业术语多、逻辑关系严谨、时序关系明显等典型特征，裁判文书中蕴含着巨大的价值。经过对裁判文书分析我们发现案情描述部分对案件审判结果、类案推送结果、适用法条结果等有着显著关系，然而案情特征的顺序容易被忽略，尤其涉及到相同特征的案件。因此，案情特征描述的先后顺序有着重要的影响。通过抽取案件中的各种要素，建立与之相对应的犯罪行为链，为分析和挖掘司法数据中的犯罪信息，直观展示案情部分。
随着我国经济社会快速发展，人民群众的法律意识、维权意识不断增强，各种矛盾纠纷大量增多，各类案件数量呈递增趋势。据相关统计数据显示，2018年人民法院受理案件2800万件，审结、执结2516.8万件，同比上年分别上升8.8％、10.6％。案多人少的问题真切呈现在司法工作者面前，单凭个人在审判工作中积累的经验来处理案件，难以满足工作要求。通过借助相关的相似案件检索工具，可以快速找到待决案件的裁判方法，提升工作效率。但在实际应用过程中，传统检索主要分为人工贴标签和关键字检索两类。通过技术人员建立数据库对相关案例进行人工“贴标签”，将每个具体的司法案例结构化为数十个法律标签。通过提取关键字进行案件检索，但是这些案例并未做到同案，有时连类案的标准也未达到，突显出检索案例不准确，无法解决司法工作者实际需要的问题。
针对上述存在的问题和对问题的分析，客观上需要应用有效的数据处理和分析方法来提升准确性。通过观察犯罪行为链的结构特征，找出犯罪行为链的相似度计算方法，实现基于句子结构的相似度计算，融合文本信息内容实现相似案件计算方法，有效支撑辅助审判工作中类案推送。
从实际情况看，在司法数据领域进行司法人工智能研究，对于推动司法体系转型、实现智慧法院具有重要意义。将案情描述部分和犯罪行为序列进行辅助办案方面，Luo等人在2017年采用基于注意机制的文本分类算法，实现了基于案情描述的罪名预测，但此模型只使用了案情描述，没有考虑犯罪行为这类信息。陈文哲等在2019年通过利用案情的事实描述和犯罪行为序列来预测案件涉及的相关法条,验证基于犯罪行为序列的法律条文预测的有效性。作为辅助办案的重要组成部分，如何实现相似案件计算的准确性是一大问题。
发明内容
本发明要解决的技术问题是：提供一种基于犯罪行为链的相似案件计算方法，本发明面向司法裁判文书，从案情描述部分出发，研究基于犯罪行为链的相似案件计算方法，从文本结构信息和文本内容信息多个角度，解决了基于犯罪行为链的相似案件计算的问题，有效的解决了上述存在的问题。
本发明的技术方案为：一种基于犯罪行为链的相似案件计算方法，所述方法包含有如下步骤：步骤一：从裁判文书的案情描述部分抽取相关信息，采用Bert+Crf作为序列标注的模型，并进行关键信息抽取，最终构建出犯罪行为链；步骤二：基于犯罪行为链的结构特征，采用图神经网络模型作为基础计算模型，实现犯罪行为链的相似度计算；步骤三：将图神经网络模型得到的结果与文本内容信息结合，实现基于犯罪行为链的相似度计算方法找到相似案件。
所述步骤一中，根据犯罪行为链的组成元素(犯罪行为、犯罪要素和犯罪关系)提取关键词，犯罪行为(用集合M＝{m1,m2,...,mn}表示)、犯罪关系、犯罪要素(C＝{c1,c2,...,cn}表示)，依据犯罪行为链的核心是以行为词来建立对应关键词间的关联关系，最终采用Bert+Crf完成文本序列标注，再构建犯罪行为链，行为链看作为关键词信息整合到一起的图结构或树结构。
所述步骤二中，整个犯罪行为链构建顺序依据犯罪行为之间的时序关系，其中犯罪行为是核心，整个行为链可看作图结构或树结构，提出基于犯罪行为链的相似度计算方法，采用图神经网络模型作为计算的基础模型，从而得到相似的行为链，并根据行为链的信息对应出相应的案件。
所述步骤三中，根据犯罪行为链的相似度计算结果与案情描述的文本信息相似结果进行结合，最终得到相似案件。
本发明的有益效果是：与现有技术相比，采用本发明的技术方案，重点分析裁判文书的案情描述部分，通过使用案情描述部分，抽取相关要素信息，构建以“犯罪行为”为中心的犯罪行为链，直观展示对案情信息的有效描述，理清案情的发展势态，使整个案情的轮廓清晰。
由于裁判文书数据具有文本结构规则性较强、专业术语多、关键词专业性强、主题词较为明确、逻辑关系严谨、人员间关联程度高、犯罪行为词时序关系明显等特点，通过抽取句子结构和深入分析文本信息，应用有效的数据处理和分析方法提高相似案件计算的准确性，汇集司法领域有关数据，辅助司法人员制定相关决策，提高工作质量和效率，推动法院的智能化应用，提升司法辅助工作的智能化水平，促进司法为民、司法公正、司法公平。
附图说明
图1为本发明所述模型图；
图2为本发明的行为链构建模型图；
图3为本发明的词性预测流程图。
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，下面将参照本说明书附图对本发明作进一步的详细描述。
实施例1：如附图1～3所示，一种基于犯罪行为链的相似案件计算方法，所述方法包含有如下步骤：步骤一：从裁判文书的案情描述部分抽取相关信息，采用Bert+Crf作为序列标注的模型，并进行关键信息抽取，最终构建出犯罪行为链；步骤二：基于犯罪行为链的结构特征，采用图神经网络模型作为基础计算模型，实现犯罪行为链的相似度计算；步骤三：将图神经网络模型得到的结果与文本内容信息结合，实现基于犯罪行为链的相似度计算方法找到相似案件。其结果可以用来支持辅助审判应用中的类案推送。
步骤一中，根据犯罪行为链的组成元素(犯罪行为、犯罪要素和犯罪关系)提取关键词，犯罪行为(用集合M＝{m1,m2,...,mn}表示)、犯罪关系、犯罪要素(C＝{c1,c2,...,cn}表示)，依据犯罪行为链的核心是以行为词来建立对应关键词间的关联关系，最终采用Bert+Crf完成文本序列标注，再构建犯罪行为链，行为链看作为关键词信息整合到一起的图结构或树结构。
本步骤主要采用行为链的概念和构建规则来构建犯罪行为链。犯罪行为链由犯罪行为、犯罪要素及犯罪关系组成。犯罪行为表示与犯罪过程相关联的行为，是整个犯罪行为链的关键部分。Bert是一种能够生成句子中词向量表示以及句子向量表示的深度学习模型，对预训练后的Bert模型进行finetune，再与crf结合可以很好的解决序列标注问题。本文将使用Bert+Crf进行词性标注以及行为链相关要素抽取。
步骤一中，本步骤基于已提出的犯罪行为链的构建方法中的构建元素，采用不同的模型进行构建。在步骤一中，首先从裁判文书中抽取出案情描述部分，并进行数据预处理，根据犯罪行为链的构成元素进行犯罪行为的识别，犯罪行为表示与犯罪过程相关联的行为，例如砍杀、投毒、逃窜、击打等。犯罪行为和一般的行为区别在于是否关联到具体的犯罪主体；其次进行犯罪要素的识别，犯罪要素是指与犯罪行为相关的其它要素，如犯罪主体、犯罪客体、犯罪工具等；然后进行犯罪关系的识别，犯罪关系包含犯罪行为之间的时序关系或者犯罪行为与犯罪要素之间的关系。最后综合犯罪行为链的各个要素进行犯罪行为链的构建，犯罪行为链是以犯罪行为为中心的结构，将三个识别结果进行整合，得到案情描述所对应的一条完整的犯罪行为链。
下面结合附图2和实施例对本发明做进一步描述。
第Ⅰ步，对模型预训练。在本发明中利用预训练模型进行犯罪行为链相关词语的识别和抽取。数据集采用裁判文书中案情描述的标注数据集。由于采用了Bert作为基础模型，为满足Bert模型的要求，在进行模型训练时对数据进行数据预处理。即将原文本拆分成一系列汉字，并对每个汉字进行词性标注，词性为犯罪行为链需要的各要素。
第Ⅱ步，将文本进行词性预测。将需要识别的文本进行拆分后输入到预训练模型中，模型输出每个词对应的预测词性。结合案情描述中的一个例句“何某某用枕头捂住张某某口鼻”和附图3进一步描述文本词性预测流程，采用BERT+CRF完成词性预测，由于Bert模型需要，首先对数据进行预处理，即将句子拆分成单个汉字，然后将“何某某用枕头捂住张某某口鼻”单字输入到模型中进行预测，模型的输出为每个单字对应的预测词性，即“何B-SUB某I-SUB某I-SUB用B-ADV枕I-ADV头I-ADV捂B-PRE住I-PRE张B-RAI某I-RAI口I-RAI鼻I-RAI”。由于使用的单词分词的“BIO”体系，其中“B”表示该汉字是词汇的开始字符或单个字；“I”表示该汉字是词汇的中间字符；“O”表示该汉字不在词汇当中。后面为设定的标签，其中“SUB”表示主语；“ADV”为行为描述；“PRE”表示行为词；“RAI”表示结果；“TEM”表示时间；“LOC”表示地点。由于模型输出结果不好查看，使用数据后处理将单词词语合到一起。最终得到词性预测结果“何某某SUB用枕头ADV捂住PRE张某口鼻RAI”。
在词性预测方面，采用Bert模型作为基础模型，Bert通过预训练和精调可以横扫11项NLP任务。在序列标注任务方面，BERT+CRF相较于其他模型训练速度更快，准确率更高，可以高质量完成中文文本的序列标注任务，从例子中可以看到模型在完成词性标注的同时也完成了分词任务，表明该模型可以完成多任务。
第Ⅲ步，对于犯罪行为、犯罪关系、犯罪要素识别。由于犯罪行为链主要由犯罪行为、犯罪要素和犯罪关系构成。其中犯罪行为识别主要是从案情描述的完整句子中识别与犯罪主体相关的犯罪行为。犯罪要素是指与犯罪行为相关的其它要素，如犯罪主体，犯罪客体、犯罪工具、犯罪时间、犯罪地点等。犯罪关系包含：犯罪行为之间的时序关系或者犯罪行为与犯罪要素之间的关系。本发明中，将词性标注后的数据输入到神经网络模型中，根据词性预测标签分别识别出犯罪行为(用集合M＝{m1,m2,...,mn}表示)、犯罪关系、犯罪要素(C＝{c1,c2,...,cn}表示)。
第Ⅳ步，犯罪行为链的构建，以犯罪行为词为中心，将其他要素按照犯罪关系融入到犯罪行为链。可将所有信息整合后的犯罪行为链看作图结构或者树结构，我们用G＝{V,R|V＝C∪M,vi∈V,vj∈V,R＝(vi,vj)}表示，其中，V表示图G的顶点集合，R表示顶点之间边的集合)。
步骤二中，整个犯罪行为链构建顺序依据犯罪行为之间的时序关系，其中犯罪行为是核心，整个行为链可看作图结构或树结构，提出基于犯罪行为链的相似度计算方法，采用图神经网络模型作为计算的基础模型，从而得到相似的行为链，并根据行为链的信息对应出相应的案件。本步骤预期结果是获得与之对应的较高相似性的行为链，并对应到具体案件。
步骤三中，根据犯罪行为链的相似度计算结果与案情描述的文本信息相似结果进行结合，最终得到相似案件。
将步骤三的结果与文本内容之间相似度结果进行结合，最后通过激活函数得到相似案件计算结果。相似案件计算围绕案情描述部分展开，通过综合句子结构信息与文本内容信息进行综合判断。本发明拟采用神经网络技术进行文本句子结构和句子内容的相似度计算，实现相似案件的计算，为辅助审判的类案提供技术支撑，其模型框架如附图1所示。
本发明针对现有关于相似案件查找在实际应用中不足的问题，提出基于犯罪行为链的相似案件计算方法，从句子结构和文本内容出发，多角度计算。在发明的技术方案中，采用Bert作为构建行为链和计算相似度的基础模型，使用句子和短文本级别的文本任务，将行为链和文本内容的相似度计算模型进行融合，最后通过激活函数得到最终的相似案件结果。
在具体实践中，有效支撑辅助审判工作的类案推送。根据裁判文书的典型特征，采用Bert+Crf对文本信息进行序列标注并抽取关键要素进行犯罪行为链构建，提出基于犯罪行为链的相似案件计算方法进行案件分析。
本发明未详述之处，均为本技术领域技术人员的公知技术。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于犯罪行为链的相似案件计算方法，其特征在于：所述方法包含有如下步骤：步骤一：从裁判文书的案情描述部分抽取相关信息，采用Bert+Crf作为序列标注的模型，并进行关键信息抽取，最终构建出犯罪行为链；步骤二：基于犯罪行为链的结构特征，采用图神经网络模型作为基础计算模型，实现犯罪行为链的相似度计算；步骤三：将图神经网络模型得到的结果与文本内容信息结合，实现基于犯罪行为链的相似度计算方法找到相似案件。
2.根据权利要求1所述的基于犯罪行为链的相似案件计算方法，其特征在于：所述步骤一中，根据犯罪行为链的组成元素提取关键词，犯罪行为链的组成元素包括犯罪行为、犯罪关系、犯罪要素，依据犯罪行为链的核心是以行为词来建立对应关键词间的关联关系，采用Bert+Crf完成文本序列标注，再构建犯罪行为链，行为链看作为关键词信息整合到一起的图结构或树结构。
3.根据权利要求1所述的基于犯罪行为链的相似案件计算方法，其特征在于：所述步骤二中，整个犯罪行为链构建顺序依据犯罪行为之间的时序关系，其中犯罪行为是核心，将整个行为链看作图结构或树结构，提出基于犯罪行为链的相似度计算方法，采用图神经网络模型作为计算的基础模型，从而得到相似的行为链，并根据行为链的信息对应出相应的案件。
4.根据权利要求1所述的基于犯罪行为链的相似案件计算方法，其特征在于：所述步骤三中，根据犯罪行为链的相似度计算结果与案情描述的文本信息相似结果进行结合，最终得到相似案件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010557243.0A CN111813906A (zh) | 2020-06-18 | 2020-06-18 | 一种基于犯罪行为链的相似案件计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010557243.0A CN111813906A (zh) | 2020-06-18 | 2020-06-18 | 一种基于犯罪行为链的相似案件计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111813906A true CN111813906A (zh) | 2020-10-23 |
Family
ID=72846259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010557243.0A Pending CN111813906A (zh) | 2020-06-18 | 2020-06-18 | 一种基于犯罪行为链的相似案件计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111813906A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113282726A (zh) * | 2021-05-27 | 2021-08-20 | 成都数之联科技有限公司 | 数据处理方法及系统及装置及介质及数据分析方法 |
| CN115422934A (zh) * | 2022-07-08 | 2022-12-02 | 中国科学院空间应用工程与技术中心 | 一种航天文本数据的实体识别与链接方法、系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287292A (zh) * | 2019-07-04 | 2019-09-27 | 科大讯飞股份有限公司 | 一种裁判量刑偏离度预测方法及装置 |
| CN110457479A (zh) * | 2019-08-12 | 2019-11-15 | 贵州大学 | 一种基于犯罪行为链的裁判文书分析方法 |
| US20190354855A1 (en) * | 2018-05-15 | 2019-11-21 | CoreDotToday Inc. | Method for calculating similarity of cases based on citation relationship |
| CN110647631A (zh) * | 2018-06-25 | 2020-01-03 | 阿里巴巴集团控股有限公司 | 案例推荐的方法及装置、存储介质、处理器 |
| CN110781254A (zh) * | 2020-01-02 | 2020-02-11 | 四川大学 | 一种案情知识图谱自动构建方法及系统及设备及介质 |
-
2020
- 2020-06-18 CN CN202010557243.0A patent/CN111813906A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190354855A1 (en) * | 2018-05-15 | 2019-11-21 | CoreDotToday Inc. | Method for calculating similarity of cases based on citation relationship |
| CN110647631A (zh) * | 2018-06-25 | 2020-01-03 | 阿里巴巴集团控股有限公司 | 案例推荐的方法及装置、存储介质、处理器 |
| CN110287292A (zh) * | 2019-07-04 | 2019-09-27 | 科大讯飞股份有限公司 | 一种裁判量刑偏离度预测方法及装置 |
| CN110457479A (zh) * | 2019-08-12 | 2019-11-15 | 贵州大学 | 一种基于犯罪行为链的裁判文书分析方法 |
| CN110781254A (zh) * | 2020-01-02 | 2020-02-11 | 四川大学 | 一种案情知识图谱自动构建方法及系统及设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 秦永彬: ""智慧法院"数据融合分析与集成应用", 《大数据》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113282726A (zh) * | 2021-05-27 | 2021-08-20 | 成都数之联科技有限公司 | 数据处理方法及系统及装置及介质及数据分析方法 |
| CN115422934A (zh) * | 2022-07-08 | 2022-12-02 | 中国科学院空间应用工程与技术中心 | 一种航天文本数据的实体识别与链接方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765257B (zh) | 一种知识图谱驱动型的法律智能咨询系统 | |
| CN106503055B (zh) | 一种从结构化文本到图像描述的生成方法 | |
| CN111104498B (zh) | 一种任务型对话系统中的语义理解方法 | |
| CN111783394B (zh) | 事件抽取模型的训练方法、事件抽取方法和系统及设备 | |
| CN110287323B (zh) | 一种面向目标的情感分类方法 | |
| CN109344187B (zh) | 一种司法判决书案情信息结构化处理系统 | |
| CN110750635B (zh) | 一种基于联合深度学习模型的法条推荐方法 | |
| CN109271527A (zh) | 一种需求功能点智能识别方法 | |
| CN110889786A (zh) | 一种基于lstm技术的法律诉讼被告人保全用审判服务方法 | |
| CN109783623A (zh) | 一种真实场景下用户与客服对话的数据分析方法 | |
| CN111813906A (zh) | 一种基于犯罪行为链的相似案件计算方法 | |
| CN114036933A (zh) | 基于法律文书的信息抽取方法 | |
| CN113239208A (zh) | 一种基于知识图谱的标注训练模型 | |
| CN112765974A (zh) | 一种业务辅助方法、电子设备及可读存储介质 | |
| CN111126057A (zh) | 一种分级神经网络的案件情节精准量刑系统 | |
| CN112685513A (zh) | 一种基于文本挖掘的Al-Si合金材料实体关系抽取方法 | |
| CN112966525A (zh) | 一种基于预训练模型和卷积神经网络算法的法律领域事件抽取方法 | |
| CN111444720A (zh) | 一种英文文本的命名实体识别方法 | |
| CN111191413B (zh) | 一种基于图排序模型的事件核心内容自动标记方法、装置及系统 | |
| CN110110087A (zh) | 一种基于二分类器的用于法律文本分类的特征工程方法 | |
| CN112579666A (zh) | 智能问答系统和方法及相关设备 | |
| CN117131856A (zh) | 一种基于问题引导的交通事故文本因果关系抽取方法 | |
| CN111400445A (zh) | 一种基于相似文本的案件繁简分流方法 | |
| CN109344251A (zh) | 一种基于层分类器和模板匹配的特定文本信息抽取方法 | |
| CN110414819B (zh) | 一种工单评分方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |
|
| RJ01 | Rejection of invention patent application after publication |