CN111858834B - 基于ai的案件争议焦点确定方法、装置、设备及介质 - Google Patents

基于ai的案件争议焦点确定方法、装置、设备及介质 Download PDF

Info

Publication number
CN111858834B
CN111858834B CN202010754572.4A CN202010754572A CN111858834B CN 111858834 B CN111858834 B CN 111858834B CN 202010754572 A CN202010754572 A CN 202010754572A CN 111858834 B CN111858834 B CN 111858834B
Authority
CN
China
Prior art keywords
dispute focus
case dispute
case
data
focus
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
Application number
CN202010754572.4A
Other languages
English (en)
Other versions
CN111858834A (zh
Inventor
娟娟
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010754572.4A priority Critical patent/CN111858834B/zh
Publication of CN111858834A publication Critical patent/CN111858834A/zh
Application granted granted Critical
Publication of CN111858834B publication Critical patent/CN111858834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/31—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
    • G06F16/3331—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本申请涉及人工智能及智能决策技术领域，提供一种基于AI的案件争议焦点确定方法、装置、设备及介质，其方法能够基于Transformer模型对文本数据进行扩展得到扩展数据，提高了数据的全面性，基于BERT模型对扩展数据进行回归分析得到基础数据，预测结果更加准确，获取目标辩称输入至决策模型，输出第一案件争议焦点集合，获取目标事实要素与规则表匹配，得到第二案件争议焦点集合，执行并集运算，得到备选案件争议焦点并推送至指定终端设备，结合两次案件争议焦点的确定自动认定备选案件争议焦点，以供法官等人员选择以辅助决策，提高了法官审理案件的质效，同时实现了相同类型案件的规范化。本发明还涉及区块链技术，规则表及决策模型可存储于区块链上。

Description

基于AI的案件争议焦点确定方法、装置、设备及介质
技术领域
本发明涉及人工智能及智能决策技术领域，尤其涉及一种基于AI的案件争议焦点确定方法、装置、设备及介质。
背景技术
法官在审理当事人对案件事实有争议的案件时，因案件争议焦点的认定结果是影响案件裁判结果的重要因素，所以需要梳理各方的争议焦点类型，并对认定的结果做出说理，同时附上法律依据等。但同一类型的案件争议焦点会有重复性，法官在审理诸多同类型案件的时候会遇到争议焦点相似的情形。
针对上述情况，法官每次都需要重复查阅资料、法律依据，并从同类案件中参考争议焦点的认定结果，重复的争议焦点认定过程耗时耗力，影响了法官审理案件的质效。
发明内容
鉴于以上内容，有必要提供一种基于AI的案件争议焦点确定方法、装置、设备及介质，能够基于人工智能手段，结合两次案件争议焦点的确定自动认定备选案件争议焦点，以供法官等相关人员选择以辅助决策，提高了法官审理案件的质效，同时实现了相同类型案件的规范化。
一种基于AI的案件争议焦点确定方法，所述基于AI的案件争议焦点确定方法包括：
响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据；
基于Transformer模型对所述文本数据进行扩展，得到扩展数据；
基于BERT模型对所述扩展数据进行回归分析，得到基础数据；
从所述基础数据中获取目标辩称及目标事实要素；
将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到；
将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合；
对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。
根据本发明优选实施例，所述基于Transformer模型对所述文本数据进行扩展，得到扩展数据包括：
获取所述文本数据中的每个段落；
将每个段落分别输入至所述Transformer模型，得到每个段落的多个关联段落；
计算每个段落的多个关联段落与对应段落的相关度；
将相关度大于或者等于第一预设值的关联段落确定为每个段落的扩展段落；
将每个段落的扩展段落合并至对应的段落；
整合合并后的各个段落，得到所述扩展数据。
根据本发明优选实施例，所述基于BERT模型对所述扩展数据进行回归分析，得到基础数据包括：
采用BERT算法，并基于通用文本库进行预训练，得到所述BERT模型；
将所述扩展数据输入至所述BERT模型，输出每个词的重要程度评分；
对每个词的重要程度评分进行标准化处理；
根据标准化处理后的每个词的重要程度评分，基于所述扩展数据的词组成生成所述扩展数据的文本表示作为所述基础数据。
根据本发明优选实施例，在将所述目标辩称输入至预先训练的决策模型中前，所述基于AI的案件争议焦点确定方法还包括：
获取样本数据，所述样本数据中包括辩称及与每个辩称对应的案件争议焦点；
基于随机森林算法提取每个辩称的关键词；
基于Word2Vec算法训练词向量字典；
采用卷积神经网络算法，基于所述词向量字典，以每个辩称的关键词为输入，以及以每个辩称对应的案件争议焦点为输出，训练所述决策模型。
根据本发明优选实施例，所述基于随机森林算法提取每个辩称的关键词包括：
对每个辩称对应的案件争议焦点进行分词处理；
提取分词处理后的每个案件争议焦点的词袋模型特征；
确定每个案件争议焦点与每个辩称的匹配度的评分；
对每个评分进行二分类处理，得到高分案件争议焦点及低分案件争议焦点；
基于随机森林算法，计算所述高分案件争议焦点对应的词袋模型特征的第一重要性，及所述低分案件争议焦点对应的词袋模型特征的第二重要性；
按照重要性的高低，分别对所述第一重要性及所述第二重要性进行排序；
从所述第一重要性中获取重要性高的前预设个词袋模型特征作为所述高分案件争议焦点的关键词；
从所述第二重要性中获取重要性高的前预设个词袋模型特征作为所述低分案件争议焦点的关键词；
将所述高分案件争议焦点的关键词及所述低分案件争议焦点的关键词确定为每个辩称的关键词。
根据本发明优选实施例，所述将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合包括：
提取所述目标事实要素的关键字；
以所述关键字在所述规则表中进行遍历匹配，所述规则表中存储了至少一个案件争议焦点及每个案件争议焦点对应的要素；
当确定所述规则表中有案件争议焦点的要素与所述关键字都匹配时，以确定的案件争议焦点构建所述第二案件争议焦点集合。
根据本发明优选实施例，所述基于AI的案件争议焦点确定方法还包括：
当没有得到所述备选案件争议焦点时，向指定联系人的终端设备发送提示信息；
当接收到所述终端设备反馈的案件争议焦点时，根据接收到的案件争议焦点更新所述规则表及所述决策模型；
将更新后的规则表及决策模型部署于区块链上。
一种基于AI的案件争议焦点确定装置，所述基于AI的案件争议焦点确定装置包括：
获取单元，用于响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据；
扩展单元，用于基于Transformer模型对所述文本数据进行扩展，得到扩展数据；
分析单元，用于基于BERT模型对所述扩展数据进行回归分析，得到基础数据；
所述获取单元，还用于从所述基础数据中获取目标辩称及目标事实要素；
输入单元，用于将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到；
匹配单元，用于将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合；
运算单元，用于对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。
根据本发明优选实施例，所述分析单元具体用于：
采用BERT算法，并基于通用文本库进行预训练，得到所述BERT模型；
将所述扩展数据输入至所述BERT模型，输出每个词的重要程度评分；
对每个词的重要程度评分进行标准化处理；
根据标准化处理后的每个词的重要程度评分，基于所述扩展数据的词组成生成所述扩展数据的文本表示作为所述基础数据。
根据本发明优选实施例，所述获取单元，还用于在将所述目标辩称输入至预先训练的决策模型中前，获取样本数据，所述样本数据中包括辩称及与每个辩称对应的案件争议焦点；
所述基于AI的案件争议焦点确定装置还包括：
提取单元，用于基于随机森林算法提取每个辩称的关键词；
训练单元，用于基于Word2Vec算法训练词向量字典；
所述训练单元，还用于采用卷积神经网络算法，基于所述词向量字典，以每个辩称的关键词为输入，以及以每个辩称对应的案件争议焦点为输出，训练所述决策模型。
根据本发明优选实施例，所述提取单元具体用于：
对每个辩称对应的案件争议焦点进行分词处理；
提取分词处理后的每个案件争议焦点的词袋模型特征；
确定每个案件争议焦点与每个辩称的匹配度的评分；
对每个评分进行二分类处理，得到高分案件争议焦点及低分案件争议焦点；
基于随机森林算法，计算所述高分案件争议焦点对应的词袋模型特征的第一重要性，及所述低分案件争议焦点对应的词袋模型特征的第二重要性；
按照重要性的高低，分别对所述第一重要性及所述第二重要性进行排序；
从所述第一重要性中获取重要性高的前预设个词袋模型特征作为所述高分案件争议焦点的关键词；
从所述第二重要性中获取重要性高的前预设个词袋模型特征作为所述低分案件争议焦点的关键词；
将所述高分案件争议焦点的关键词及所述低分案件争议焦点的关键词确定为每个辩称的关键词。
根据本发明优选实施例，所述匹配单元具体用于：
提取所述目标事实要素的关键字；
以所述关键字在所述规则表中进行遍历匹配，所述规则表中存储了至少一个案件争议焦点及每个案件争议焦点对应的要素；
当确定所述规则表中有案件争议焦点的要素与所述关键字都匹配时，以确定的案件争议焦点构建所述第二案件争议焦点集合。
根据本发明优选实施例，所述基于AI的案件争议焦点确定装置还包括：
发送单元，用于当没有得到所述备选案件争议焦点时，向指定联系人的终端设备发送提示信息；
更新单元，用于当接收到所述终端设备反馈的案件争议焦点时，根据接收到的案件争议焦点更新所述规则表及所述决策模型；
部署单元，用于将更新后的规则表及决策模型部署于区块链上。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述基于AI的案件争议焦点确定方法。
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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述基于AI的案件争议焦点确定方法。
由以上技术方案可以看出，本发明能够响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据，基于Transformer模型对所述文本数据进行扩展，得到扩展数据，实现了对文本数据的扩展，利用Transformer模型增加了各个段落的多样化信息，为每个段落添加了同义表述，提高了数据的全面性，基于BERT模型对所述扩展数据进行回归分析，得到基础数据，采用BERT模型代替TF-IDF预测词的重要程度，能够通过回归分析深度理解语义，预测结果更加准确，从所述基础数据中获取目标辩称及目标事实要素，将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到，将随机森林算法与卷积神经网络算法相结合，采用泛化程度高的随机森林算法构建关键词，通过多层决策树的构建，不仅能够不受样本多样性的影响，提取出区分好坏的关键词，还有效降低了由于多种辩称的不均衡分配造成的偏差，精确度更高，将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合，对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备，进而基于人工智能手段，结合两次案件争议焦点的确定自动认定备选案件争议焦点，以供法官等相关人员选择以辅助决策，提高了法官审理案件的质效，同时实现了相同类型案件的规范化。
附图说明
图1是本发明基于AI的案件争议焦点确定方法的较佳实施例的流程图。
图2是本发明基于AI的案件争议焦点确定装置的较佳实施例的功能模块图。
图3是本发明实现基于AI的案件争议焦点确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于AI的案件争议焦点确定方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于AI的案件争议焦点确定方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据。
其中，所述案件争议焦点确定指令可以由处理所述待处理案件的法官或者相关工作人员触发。
在本发明的至少一个实施例中，所述从所述案件争议焦点确定指令中获取待处理案件的文本数据包括：
确定预设标签；
从所述案件争议焦点确定指令中获取与所述预设标签对应的数据作为所述待处理案件的文本数据。
S11，基于Transformer模型对所述文本数据进行扩展，得到扩展数据。
在本发明的至少一个实施例中，所述基于Transformer模型对所述文本数据进行扩展，得到扩展数据包括：
获取所述文本数据中的每个段落；
将每个段落分别输入至所述Transformer模型，得到每个段落的多个关联段落；
计算每个段落的多个关联段落与对应段落的相关度；
将相关度大于或者等于第一预设值的关联段落确定为每个段落的扩展段落；
将每个段落的扩展段落合并至对应的段落；
整合合并后的各个段落，得到所述扩展数据。
通过上述实施方式，实现了对文本数据的扩展，利用Transformer模型增加了各个段落的多样化信息，为每个段落添加了同义表述，提高了数据的全面性。
S12，基于BERT(Bidirectional Encoder Representations from Transformers，基于Transformer的双向编码器表征)模型对所述扩展数据进行回归分析，得到基础数据。
在本发明的至少一个实施例中，所述基于BERT模型对所述扩展数据进行回归分析，得到基础数据包括：
采用BERT算法，并基于通用文本库进行预训练，得到所述BERT模型；
将所述扩展数据输入至所述BERT模型，输出每个词的重要程度评分；
对每个词的重要程度评分进行标准化处理；
根据标准化处理后的每个词的重要程度评分，基于所述扩展数据的词组成生成所述扩展数据的文本表示作为所述基础数据。
现有技术方案中通常采用TF-IDF(term frequency–inverse documentfrequency，信息检索数据挖掘的常用加权技术)预测词的重要程度，TF-IDF采用词频乘以逆词频来计算，词频是指某个词在文章中出现的次数，能够代表该词的重要程度，但是，对于一些语气词、助词等，在其他的文章中出现的次数也会很高，但是这些词往往在文章中并不重要。另外，当利用TF(词频)*IDF(其他文章中词频的倒数)计算词的重要程度时，在本篇文章中出现的次数越多，在其他文章中出现的次数越少的词，其TFIDF的值越高，预测出的重要程度也越高，则会有一定的局限性，TF-IDF无法准确预测出句子中各个词的重要程度。
相比较而言，本案采用BERT模型代替TF-IDF预测词的重要程度，能够通过回归分析深度理解语义，预测结果更加准确。
S13，从所述基础数据中获取目标辩称及目标事实要素。
其中，所述目标事实要素包括，但不限于以下一种或者多种的组合：
被告身份、利率等。
S14，将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到。
通过上述实施方式，可以基于辩称及决策模型进行第一次案件争议焦点的自动确定。
在本发明的至少一个实施例中，在将所述目标辩称输入至预先训练的决策模型中前，所述基于AI的案件争议焦点确定方法还包括：
训练所述决策模型。
具体地，所述训练所述决策模型包括：
获取样本数据，所述样本数据中包括辩称及与每个辩称对应的案件争议焦点；
基于随机森林算法提取每个辩称的关键词；
基于Word2Vec算法训练词向量字典；
采用卷积神经网络算法，基于所述词向量字典，以每个辩称的关键词为输入，以及以每个辩称对应的案件争议焦点为输出，训练所述决策模型。
其中，所述词向量字典能够量化词语，使每一个词语均对应一组向量，以量化其词义。并且，词义相近的词语往往具有距离相近的词向量。
本案中将随机森林算法与卷积神经网络算法相结合，采用泛化程度高的随机森林算法构建关键词，通过多层决策树的构建，不仅能够不受样本多样性的影响，提取出区分好坏的关键词，还有效降低了由于多种辩称的不均衡分配造成的偏差，精确度更高。
具体地，所述电子设备用有抽样放回的方法(bootstrap)从样本集中选取n个样本作为一个训练集，再用抽样得到的样本集生成一棵决策树。在生成的每一个结点，随机不重复地选择d个特征，并利用这d个特征分别对样本集进行划分，进而找到最佳的划分特征，重复上述步骤(重复的次数为随机森林中决策树的个数)，再用训练得到的随机森林对测试样本进行预测，并用票选法决定预测的结果，整合预测的结果，得到所述关键词。其中，n、d为大于或者等于0的整数。在提取关键词的同时，所述电子设备计算每个关键词在随机森林中的每颗树上做了多大的贡献，然后计算贡献的平均值，最后比较关键词之间的贡献大小，以确定每个关键词的重要性。
在本案中，基于一个词向量字典训练卷积神经网络，由于词向量字典中涵盖了海量数据作为支撑，因此，词向量字典的引入，能够使训练得到的卷积神经网络具有更强的泛化能力，进而能够使最终训练得到的决策模型适用范围更广。
进一步地，所述基于随机森林算法提取每个辩称的关键词包括：
对每个辩称对应的案件争议焦点进行分词处理；
提取分词处理后的每个案件争议焦点的词袋模型特征；
确定每个案件争议焦点与每个辩称的匹配度的评分；
对每个评分进行二分类处理，得到高分案件争议焦点及低分案件争议焦点；
基于随机森林算法，计算所述高分案件争议焦点对应的词袋模型特征的第一重要性，及所述低分案件争议焦点对应的词袋模型特征的第二重要性；
按照重要性的高低，分别对所述第一重要性及所述第二重要性进行排序；
从所述第一重要性中获取重要性高的前预设个词袋模型特征作为所述高分案件争议焦点的关键词；
从所述第二重要性中获取重要性高的前预设个词袋模型特征作为所述低分案件争议焦点的关键词；
将所述高分案件争议焦点的关键词及所述低分案件争议焦点的关键词确定为每个辩称的关键词。
其中，对每个评分进行二分类处理，得到高分案件争议焦点及低分案件争议焦点包括：
配置预设分值，当有第一案件争议焦点的评分大于或者等于所述预设分值时，所述电子设备确定所述第一案件争议焦点为高分案件争议焦点；或者当有第二案件争议焦点的评分小于所述预设分值时，所述电子设备确定所述第二案件争议焦点为低分案件争议焦点。
其中，所述预设分值可以进行自定义配置，例如：80分、85分等，本发明在此不做限制。
具体地，基于随机森林算法计算所述高分案件争议焦点对应的词袋模型特征的第一重要性，及计算所述低分案件争议焦点对应的词袋模型特征的第二重要性主要基于如下原理：
确定每个词袋模型特征在随机森林中的每颗树上做了多大的贡献，然后对贡献取平均值，最后对比每个词袋模型特征之间的贡献大小，在此不赘述。
S15，将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合。
其中，所述规则表可以根据历史案件数据进行配置。
具体地，所述将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合包括：
提取所述目标事实要素的关键字；
以所述关键字在所述规则表中进行遍历匹配，所述规则表中存储了至少一个案件争议焦点及每个案件争议焦点对应的要素；
当确定所述规则表中有案件争议焦点的要素与所述关键字都匹配时，以确定的案件争议焦点构建所述第二案件争议焦点集合。
通过上述实施方式，可以基于事实要素及规则表进行第二次案件争议焦点的自动确定。
S16，对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。
其中，所述指定终端设备可以是相关法官的终端设备。
通过上述实施方式，基于辩称及决策模型进行一次案件争议焦点，再基于事实要素及规则表进行一次案件争议焦点的自动确定，进而基于人工智能手段，结合两次案件争议焦点的确定自动认定备选案件争议焦点，以供法官等线管人员选择，辅助法官进行决策，提高了法官审理案件的质效，同时实现了相同类型案件的规范化。
在本发明的至少一个实施例中，所述基于AI的案件争议焦点确定方法还包括：
当没有得到所述备选案件争议焦点时，向指定联系人的终端设备发送提示信息；
当接收到所述终端设备反馈的案件争议焦点时，根据接收到的案件争议焦点更新所述规则表及所述决策模型；
将更新后的规则表及决策模型部署于区块链上。
通过上述实施方式，能够实现对规则表及决策模型的自动更新，使规则表及决策模型均处于动态更新的状态，以适应最新的需求，同时，将更新后的规则表及决策模型部署于区块链上，以有效防止数据被篡改，提高数据的安全性。
由以上技术方案可以看出，本发明能够响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据，基于Transformer模型对所述文本数据进行扩展，得到扩展数据，实现了对文本数据的扩展，利用Transformer模型增加了各个段落的多样化信息，为每个段落添加了同义表述，提高了数据的全面性，基于BERT模型对所述扩展数据进行回归分析，得到基础数据，采用BERT模型代替TF-IDF预测词的重要程度，能够通过回归分析深度理解语义，预测结果更加准确，从所述基础数据中获取目标辩称及目标事实要素，将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到，将随机森林算法与卷积神经网络算法相结合，采用泛化程度高的随机森林算法构建关键词，通过多层决策树的构建，不仅能够不受样本多样性的影响，提取出区分好坏的关键词，还有效降低了由于多种辩称的不均衡分配造成的偏差，精确度更高，将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合，对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备，进而基于人工智能手段，结合两次案件争议焦点的确定自动认定备选案件争议焦点，以供法官等相关人员选择以辅助决策，提高了法官审理案件的质效，同时实现了相同类型案件的规范化。
如图2所示，是本发明基于AI的案件争议焦点确定装置的较佳实施例的功能模块图。所述基于AI的案件争议焦点确定装置11包括获取单元110、扩展单元111、分析单元112、输入单元113、匹配单元114、运算单元115、提取单元116、训练单元117、发送单元118、更新单元119、部署单元120。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
响应于接收到的案件争议焦点确定指令，获取单元110从所述案件争议焦点确定指令中获取待处理案件的文本数据。
其中，所述案件争议焦点确定指令可以由处理所述待处理案件的法官或者相关工作人员触发。
在本发明的至少一个实施例中，所述获取单元110从所述案件争议焦点确定指令中获取待处理案件的文本数据包括：
确定预设标签；
从所述案件争议焦点确定指令中获取与所述预设标签对应的数据作为所述待处理案件的文本数据。
扩展单元111基于Transformer模型对所述文本数据进行扩展，得到扩展数据。
在本发明的至少一个实施例中，所述扩展单元111基于Transformer模型对所述文本数据进行扩展，得到扩展数据包括：
获取所述文本数据中的每个段落；
将每个段落分别输入至所述Transformer模型，得到每个段落的多个关联段落；
计算每个段落的多个关联段落与对应段落的相关度；
将相关度大于或者等于第一预设值的关联段落确定为每个段落的扩展段落；
将每个段落的扩展段落合并至对应的段落；
整合合并后的各个段落，得到所述扩展数据。
通过上述实施方式，实现了对文本数据的扩展，利用Transformer模型增加了各个段落的多样化信息，为每个段落添加了同义表述，提高了数据的全面性。
分析单元112基于BERT(Bidirectional Encoder Representations fromTransformers，基于Transformer的双向编码器表征)模型对所述扩展数据进行回归分析，得到基础数据。
在本发明的至少一个实施例中，所述分析单元112基于BERT模型对所述扩展数据进行回归分析，得到基础数据包括：
采用BERT算法，并基于通用文本库进行预训练，得到所述BERT模型；
将所述扩展数据输入至所述BERT模型，输出每个词的重要程度评分；
对每个词的重要程度评分进行标准化处理；
根据标准化处理后的每个词的重要程度评分，基于所述扩展数据的词组成生成所述扩展数据的文本表示作为所述基础数据。
现有技术方案中通常采用TF-IDF(term frequency–inverse documentfrequency，信息检索数据挖掘的常用加权技术)预测词的重要程度，TF-IDF采用词频乘以逆词频来计算，词频是指某个词在文章中出现的次数，能够代表该词的重要程度，但是，对于一些语气词、助词等，在其他的文章中出现的次数也会很高，但是这些词往往在文章中并不重要。另外，当利用TF(词频)*IDF(其他文章中词频的倒数)计算词的重要程度时，在本篇文章中出现的次数越多，在其他文章中出现的次数越少的词，其TFIDF的值越高，预测出的重要程度也越高，则会有一定的局限性，TF-IDF无法准确预测出句子中各个词的重要程度。
相比较而言，本案采用BERT模型代替TF-IDF预测词的重要程度，能够通过回归分析深度理解语义，预测结果更加准确。
所述获取单元110从所述基础数据中获取目标辩称及目标事实要素。
其中，所述目标事实要素包括，但不限于以下一种或者多种的组合：
被告身份、利率等。
输入单元113将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到。
通过上述实施方式，可以基于辩称及决策模型进行第一次案件争议焦点的自动确定。
在本发明的至少一个实施例中，在将所述目标辩称输入至预先训练的决策模型中前，训练所述决策模型。
具体地，所述训练所述决策模型包括：
所述获取单元110获取样本数据，所述样本数据中包括辩称及与每个辩称对应的案件争议焦点；
提取单元116基于随机森林算法提取每个辩称的关键词；
训练单元117基于Word2Vec算法训练词向量字典；
所述训练单元117采用卷积神经网络算法，基于所述词向量字典，以每个辩称的关键词为输入，以及以每个辩称对应的案件争议焦点为输出，训练所述决策模型。
其中，所述词向量字典能够量化词语，使每一个词语均对应一组向量，以量化其词义。并且，词义相近的词语往往具有距离相近的词向量。
本案中将随机森林算法与卷积神经网络算法相结合，采用泛化程度高的随机森林算法构建关键词，通过多层决策树的构建，不仅能够不受样本多样性的影响，提取出区分好坏的关键词，还有效降低了由于多种辩称的不均衡分配造成的偏差，精确度更高。
具体地，所述电子设备用有抽样放回的方法(bootstrap)从样本集中选取n个样本作为一个训练集，再用抽样得到的样本集生成一棵决策树。在生成的每一个结点，随机不重复地选择d个特征，并利用这d个特征分别对样本集进行划分，进而找到最佳的划分特征，重复上述步骤(重复的次数为随机森林中决策树的个数)，再用训练得到的随机森林对测试样本进行预测，并用票选法决定预测的结果，整合预测的结果，得到所述关键词。其中，n、d为大于或者等于0的整数。在提取关键词的同时，所述电子设备计算每个关键词在随机森林中的每颗树上做了多大的贡献，然后计算贡献的平均值，最后比较关键词之间的贡献大小，以确定每个关键词的重要性。
在本案中，基于一个词向量字典训练卷积神经网络，由于词向量字典中涵盖了海量数据作为支撑，因此，词向量字典的引入，能够使训练得到的卷积神经网络具有更强的泛化能力，进而能够使最终训练得到的决策模型适用范围更广。
进一步地，所述提取单元116基于随机森林算法提取每个辩称的关键词包括：
对每个辩称对应的案件争议焦点进行分词处理；
提取分词处理后的每个案件争议焦点的词袋模型特征；
确定每个案件争议焦点与每个辩称的匹配度的评分；
对每个评分进行二分类处理，得到高分案件争议焦点及低分案件争议焦点；
基于随机森林算法，计算所述高分案件争议焦点对应的词袋模型特征的第一重要性，及所述低分案件争议焦点对应的词袋模型特征的第二重要性；
按照重要性的高低，分别对所述第一重要性及所述第二重要性进行排序；
从所述第一重要性中获取重要性高的前预设个词袋模型特征作为所述高分案件争议焦点的关键词；
从所述第二重要性中获取重要性高的前预设个词袋模型特征作为所述低分案件争议焦点的关键词；
将所述高分案件争议焦点的关键词及所述低分案件争议焦点的关键词确定为每个辩称的关键词。
其中，对每个评分进行二分类处理，得到高分案件争议焦点及低分案件争议焦点包括：
配置预设分值，当有第一案件争议焦点的评分大于或者等于所述预设分值时，所述电子设备确定所述第一案件争议焦点为高分案件争议焦点；或者当有第二案件争议焦点的评分小于所述预设分值时，所述电子设备确定所述第二案件争议焦点为低分案件争议焦点。
其中，所述预设分值可以进行自定义配置，例如：80分、85分等，本发明在此不做限制。
具体地，基于随机森林算法计算所述高分案件争议焦点对应的词袋模型特征的第一重要性，及计算所述低分案件争议焦点对应的词袋模型特征的第二重要性主要基于如下原理：
确定每个词袋模型特征在随机森林中的每颗树上做了多大的贡献，然后对贡献取平均值，最后对比每个词袋模型特征之间的贡献大小，在此不赘述。
匹配单元114将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合。
其中，所述规则表可以根据历史案件数据进行配置。
具体地，所述匹配单元114将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合包括：
提取所述目标事实要素的关键字；
以所述关键字在所述规则表中进行遍历匹配，所述规则表中存储了至少一个案件争议焦点及每个案件争议焦点对应的要素；
当确定所述规则表中有案件争议焦点的要素与所述关键字都匹配时，以确定的案件争议焦点构建所述第二案件争议焦点集合。
通过上述实施方式，可以基于事实要素及规则表进行第二次案件争议焦点的自动确定。
运算单元115对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。
其中，所述指定终端设备可以是相关法官的终端设备。
通过上述实施方式，基于辩称及决策模型进行一次案件争议焦点，再基于事实要素及规则表进行一次案件争议焦点的自动确定，进而基于人工智能手段，结合两次案件争议焦点的确定自动认定备选案件争议焦点，以供法官等线管人员选择，辅助法官进行决策，提高了法官审理案件的质效，同时实现了相同类型案件的规范化。
在本发明的至少一个实施例中，当没有得到所述备选案件争议焦点时，发送单元118向指定联系人的终端设备发送提示信息；
当接收到所述终端设备反馈的案件争议焦点时，更新单元119根据接收到的案件争议焦点更新所述规则表及所述决策模型；
部署单元120将更新后的规则表及决策模型部署于区块链上。
通过上述实施方式，能够实现对规则表及决策模型的自动更新，使规则表及决策模型均处于动态更新的状态，以适应最新的需求，同时，将更新后的规则表及决策模型部署于区块链上，以有效防止数据被篡改，提高数据的安全性。
由以上技术方案可以看出，本发明能够响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据，基于Transformer模型对所述文本数据进行扩展，得到扩展数据，实现了对文本数据的扩展，利用Transformer模型增加了各个段落的多样化信息，为每个段落添加了同义表述，提高了数据的全面性，基于BERT模型对所述扩展数据进行回归分析，得到基础数据，采用BERT模型代替TF-IDF预测词的重要程度，能够通过回归分析深度理解语义，预测结果更加准确，从所述基础数据中获取目标辩称及目标事实要素，将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到，将随机森林算法与卷积神经网络算法相结合，采用泛化程度高的随机森林算法构建关键词，通过多层决策树的构建，不仅能够不受样本多样性的影响，提取出区分好坏的关键词，还有效降低了由于多种辩称的不均衡分配造成的偏差，精确度更高，将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合，对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备，进而基于人工智能手段，结合两次案件争议焦点的确定自动认定备选案件争议焦点，以供法官等相关人员选择以辅助决策，提高了法官审理案件的质效，同时实现了相同类型案件的规范化。
如图3所示，是本发明实现基于AI的案件争议焦点确定方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于AI的案件争议焦点确定程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于AI的案件争议焦点确定程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于AI的案件争议焦点确定程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于AI的案件争议焦点确定方法实施例中的步骤，例如图1所示的步骤。
或者，所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如：
响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据；
基于Transformer模型对所述文本数据进行扩展，得到扩展数据；
基于BERT模型对所述扩展数据进行回归分析，得到基础数据；
从所述基础数据中获取目标辩称及目标事实要素；
将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到；
将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合；
对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、扩展单元111、分析单元112、输入单元113、匹配单元114、运算单元115、提取单元116、训练单元117、发送单元118、更新单元119、部署单元120。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于AI的案件争议焦点确定方法的部分。
所述电子设备1集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于AI的案件争议焦点确定方法，所述处理器13可执行所述多个指令从而实现：
响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据；
基于Transformer模型对所述文本数据进行扩展，得到扩展数据；
基于BERT模型对所述扩展数据进行回归分析，得到基础数据；
从所述基础数据中获取目标辩称及目标事实要素；
将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到；
将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合；
对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，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等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种基于AI的案件争议焦点确定方法，其特征在于，所述基于AI的案件争议焦点确定方法包括：
响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据；
基于Transformer模型对所述文本数据进行扩展，得到扩展数据，包括：获取所述文本数据中的每个段落；将每个段落分别输入至所述Transformer模型，得到每个段落的多个关联段落；计算每个段落的多个关联段落与对应段落的相关度；将相关度大于或者等于第一预设值的关联段落确定为每个段落的扩展段落；将每个段落的扩展段落合并至对应的段落；整合合并后的各个段落，得到所述扩展数据；
基于BERT模型对所述扩展数据进行回归分析，得到基础数据，包括：采用BERT算法，并基于通用文本库进行预训练，得到所述BERT模型；将所述扩展数据输入至所述BERT模型，输出每个词的重要程度评分；对每个词的重要程度评分进行标准化处理；根据标准化处理后的每个词的重要程度评分，基于所述扩展数据的词组成生成所述扩展数据的文本表示作为所述基础数据；
从所述基础数据中获取目标辩称及目标事实要素；
将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到；
将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合，包括：提取所述目标事实要素的关键字；以所述关键字在所述规则表中进行遍历匹配，所述规则表中存储了至少一个案件争议焦点及每个案件争议焦点对应的要素；当确定所述规则表中有案件争议焦点的要素与所述关键字都匹配时，以确定的案件争议焦点构建所述第二案件争议焦点集合；
对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。
2.如权利要求1所述的基于AI的案件争议焦点确定方法，其特征在于，在将所述目标辩称输入至预先训练的决策模型中前，所述基于AI的案件争议焦点确定方法还包括：
获取样本数据，所述样本数据中包括辩称及与每个辩称对应的案件争议焦点；
基于随机森林算法提取每个辩称的关键词；
基于Word2Vec算法训练词向量字典；
采用卷积神经网络算法，基于所述词向量字典，以每个辩称的关键词为输入，以及以每个辩称对应的案件争议焦点为输出，训练所述决策模型。
3.如权利要求2所述的基于AI的案件争议焦点确定方法，其特征在于，所述基于随机森林算法提取每个辩称的关键词包括：
对每个辩称对应的案件争议焦点进行分词处理；
提取分词处理后的每个案件争议焦点的词袋模型特征；
确定每个案件争议焦点与每个辩称的匹配度的评分；
对每个评分进行二分类处理，得到高分案件争议焦点及低分案件争议焦点；
基于随机森林算法，计算所述高分案件争议焦点对应的词袋模型特征的第一重要性，及所述低分案件争议焦点对应的词袋模型特征的第二重要性；
按照重要性的高低，分别对所述第一重要性及所述第二重要性进行排序；
从所述第一重要性中获取重要性高的前预设个词袋模型特征作为所述高分案件争议焦点的关键词；
从所述第二重要性中获取重要性高的前预设个词袋模型特征作为所述低分案件争议焦点的关键词；
将所述高分案件争议焦点的关键词及所述低分案件争议焦点的关键词确定为每个辩称的关键词。
4.如权利要求1所述的基于AI的案件争议焦点确定方法，其特征在于，所述基于AI的案件争议焦点确定方法还包括：
当没有得到所述备选案件争议焦点时，向指定联系人的终端设备发送提示信息；
当接收到所述终端设备反馈的案件争议焦点时，根据接收到的案件争议焦点更新所述规则表及所述决策模型；
将更新后的规则表及决策模型部署于区块链上。
5.一种基于AI的案件争议焦点确定装置，其特征在于，所述基于AI的案件争议焦点确定装置包括：
获取单元，用于响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据；
扩展单元，用于基于Transformer模型对所述文本数据进行扩展，得到扩展数据，包括：获取所述文本数据中的每个段落；将每个段落分别输入至所述Transformer模型，得到每个段落的多个关联段落；计算每个段落的多个关联段落与对应段落的相关度；将相关度大于或者等于第一预设值的关联段落确定为每个段落的扩展段落；将每个段落的扩展段落合并至对应的段落；整合合并后的各个段落，得到所述扩展数据；
分析单元，用于基于BERT模型对所述扩展数据进行回归分析，得到基础数据，包括：采用BERT算法，并基于通用文本库进行预训练，得到所述BERT模型；将所述扩展数据输入至所述BERT模型，输出每个词的重要程度评分；对每个词的重要程度评分进行标准化处理；根据标准化处理后的每个词的重要程度评分，基于所述扩展数据的词组成生成所述扩展数据的文本表示作为所述基础数据；
所述获取单元，还用于从所述基础数据中获取目标辩称及目标事实要素；
输入单元，用于将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到；
匹配单元，用于将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合，包括：提取所述目标事实要素的关键字；以所述关键字在所述规则表中进行遍历匹配，所述规则表中存储了至少一个案件争议焦点及每个案件争议焦点对应的要素；当确定所述规则表中有案件争议焦点的要素与所述关键字都匹配时，以确定的案件争议焦点构建所述第二案件争议焦点集合；
运算单元，用于对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。
6. 一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至4中任意一项所述的基于AI的案件争议焦点确定方法。
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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至4中任意一项所述的基于AI的案件争议焦点确定方法。
CN202010754572.4A 2020-07-30 2020-07-30 基于ai的案件争议焦点确定方法、装置、设备及介质 Active CN111858834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010754572.4A CN111858834B (zh) 2020-07-30 2020-07-30 基于ai的案件争议焦点确定方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010754572.4A CN111858834B (zh) 2020-07-30 2020-07-30 基于ai的案件争议焦点确定方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111858834A CN111858834A (zh) 2020-10-30
CN111858834B true CN111858834B (zh) 2023-12-01

Family

ID=72945712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010754572.4A Active CN111858834B (zh) 2020-07-30 2020-07-30 基于ai的案件争议焦点确定方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111858834B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487146B (zh) * 2020-12-02 2022-05-31 重庆邮电大学 一种法律案件争议焦点获取方法、装置以及计算机设备
CN113268613B (zh) * 2021-04-30 2024-04-09 上海右云信息技术有限公司 一种用于获取侵权线索的方法、设备、介质及程序产品
CN116842021B (zh) * 2023-07-14 2024-04-26 恩核(北京)信息技术有限公司 基于ai生成式技术的数据字典标准化方法、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019041521A1 (zh) * 2017-08-29 2019-03-07 平安科技（深圳）有限公司 用户关键词提取装置、方法及计算机可读存储介质
CN110516203A (zh) * 2019-08-28 2019-11-29 北京市律典通科技有限公司 争议焦点分析方法、装置、电子设备及计算机可存储介质
CN111143550A (zh) * 2019-11-27 2020-05-12 浙江大学 一种基于层次注意力神经网络模型的争议焦点自动识别方法
WO2020114373A1 (zh) * 2018-12-07 2020-06-11 北京国双科技有限公司 一种实现司法文书中要素识别的方法及装置
CN111401047A (zh) * 2018-12-29 2020-07-10 北京国双科技有限公司 法律文书的争议焦点生成方法、装置及计算机设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197102A (zh) * 2017-12-26 2018-06-22 百度在线网络技术（北京）有限公司 一种文本数据统计方法、装置和服务器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019041521A1 (zh) * 2017-08-29 2019-03-07 平安科技（深圳）有限公司 用户关键词提取装置、方法及计算机可读存储介质
WO2020114373A1 (zh) * 2018-12-07 2020-06-11 北京国双科技有限公司 一种实现司法文书中要素识别的方法及装置
CN111401047A (zh) * 2018-12-29 2020-07-10 北京国双科技有限公司 法律文书的争议焦点生成方法、装置及计算机设备
CN110516203A (zh) * 2019-08-28 2019-11-29 北京市律典通科技有限公司 争议焦点分析方法、装置、电子设备及计算机可存储介质
CN111143550A (zh) * 2019-11-27 2020-05-12 浙江大学 一种基于层次注意力神经网络模型的争议焦点自动识别方法

Also Published As

Publication number Publication date
CN111858834A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
WO2021174919A1 (zh) 简历数据信息解析及匹配方法、装置、电子设备及介质
CN111858834B (zh) 基于ai的案件争议焦点确定方法、装置、设备及介质
CN111639153B (zh) 基于法律知识图谱的查询方法、装置、电子设备及介质
CN110929125B (zh) 搜索召回方法、装置、设备及其存储介质
CN111639486A (zh) 段落搜索方法、装置、电子设备及存储介质
CN111984793A (zh) 文本情感分类模型训练方法、装置、计算机设备及介质
CN112541338A (zh) 相似文本匹配方法、装置、电子设备及计算机存储介质
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN112417128B (zh) 话术推荐方法、装置、计算机设备及存储介质
CN113761218A (zh) 一种实体链接的方法、装置、设备及存储介质
CN111460797B (zh) 关键字抽取方法、装置、电子设备及可读存储介质
CN111950621B (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN113627530B (zh) 相似问题文本生成方法、装置、设备及介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN111753089A (zh) 话题聚类方法、装置、电子设备及存储介质
CN112667775A (zh) 基于关键词提示的检索方法、装置、电子设备及存储介质
CN113704410A (zh) 情绪波动检测方法、装置、电子设备及存储介质
CN113706322A (zh) 基于数据分析的服务分发方法、装置、设备及存储介质
CN116956896A (zh) 基于人工智能的文本分析方法、系统、电子设备及介质
CN115525750A (zh) 机器人话术检测可视化方法、装置、电子设备及存储介质
CN112364068A (zh) 课程标签生成方法、装置、设备及介质
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
CN111859985B (zh) Ai客服模型测试方法、装置、电子设备及存储介质
CN113935328A (zh) 文本摘要生成方法、装置、电子设备及存储介质
CN114219367A (zh) 用户评分方法、装置、设备及存储介质

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