CN111897959A - 动态法律事件内的推理方法、装置、设备和存储介质 - Google Patents

动态法律事件内的推理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111897959A
CN111897959A CN202010696545.6A CN202010696545A CN111897959A CN 111897959 A CN111897959 A CN 111897959A CN 202010696545 A CN202010696545 A CN 202010696545A CN 111897959 A CN111897959 A CN 111897959A
Authority
CN
China
Prior art keywords
legal
event
reasoning
events
text
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
CN202010696545.6A
Other languages
English (en)
Inventor
王义真
杜向阳
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.)
Nanjing Aegis Information Technology Co ltd
Original Assignee
Nanjing Aegis Information 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 Nanjing Aegis Information Technology Co ltd filed Critical Nanjing Aegis Information Technology Co ltd
Priority to CN202010696545.6A priority Critical patent/CN111897959A/zh
Publication of CN111897959A publication Critical patent/CN111897959A/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
    • G06F16/35—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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种动态法律事件内的推理方法、装置、设备和存储介质。所述方法包括根据法律事件的基本知识单位建立动态法律事件本体模型；获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律事件和事件要素；基于动态法律事件本体模型对所抽取的法律事件和事件要素进行描述；利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，得到最终推理结果。本申请避免了推理结果的人为干扰，提高了推理结果的可论证性和正确性。本申请解决相关技术中法律推理方法依赖于法律专家经验知识去抽取推理模型中的法律元素，抽取的效果和效率取决于法律专家，缺乏定量分析，容易造成推理结果存在偏差的技术问题。

Description

动态法律事件内的推理方法、装置、设备和存储介质
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种动态法律事件内的推理方法、装置、设备和存储介质。
背景技术
随着人工智能技术的不断深入和普及发展，现代化社会生活中更多的能够见到人工智能技术的身影。一系列支持人工智能在法律领域中发展的政策出台，促进了人工智能在法律领域的高速发展。智慧法院、智慧检查建设等国家重大工程，提高了案件受理、审判、执行、监督等各环节信息化水平，推动执法司法信息公开，促进司法公平正义。其中，自动法律推理是提升工作实效和促进程序公正性的关键。法律推理是以法律规范为依据，按照一定的程序，运用相应的逻辑规则，对未判决的法律案件作出结论的推理。法律推理的首要作用在于为结论提供正当理由，而法律推理的建模是实现自动法律推理最基础的问题。
目前，在法律推理模型方面，主流方法是以司法三段论为基础的法律推理模式、图尔敏的论辩模式、佩雷尔曼的新修辞学等。其中，司法三段论，是把三段论的逻辑推理应用于司法实践的一种思维方式和方法；图尔敏则是在对传统司法三段论反思的基础上，融合了实践性论辩的特点，发展出了一种具有“程序性”特点的法律论辩模式，基本模式是由主张(Claim)、予料(Data)、正当理由(Warrant)组成，并在基本模式上增加了支援(Backing)、模态限定(modal qualifiers)和反驳(Rebuttal)组成扩展模式；佩雷尔曼学则认为司法裁判过程不是传统逻辑三段论运用的过程，而是一个由多方主体参与的过程，通过听众理论使论证摆脱即时性，不随意邀宠于特定的人或特定的情境，使论辩的理由对结论的支持力具有相对的客观性。
公开号为CN110232447A的中国专利公开了一种法律案件深度推理方法，该方法通过解析引擎解析口语化后得到的解析结果与其知识图谱进行诉讼请求的支持率推理，从而得到推理结果，最终以可视化推理过程的方式给用户展示诉讼支持率以及相应的支持理由。
公开号为CN110046262A的中国专利提出一种基于法律专家知识库的上下文推理方法，该方法利用推理引擎能够有效解决法律文本语言理解中的部分上下文推理问题。
目前，运用知识图谱技术和人工智能技术为驱动，构建基于动态法律事件的法律推理模型及推理方法，可以实现：(1)自动化、半自动化抽取推理模型中的法律元素替代人工阅读法律文本，提升法律元素的抽取效率；(2)以动态法律事件为桥梁去连接法律规范和行为事实的对应关系；(3)量化支持和反驳条件度，将原有模型的0、1关系转化成可计算概率网络。
但是，现有的法律事件推理存在以下问题：
1、随着法律数据越来越庞大，案件形态的多样性、案件事实及证据本身的复杂性、法官与当事人对案件的认识角度的差异，使得无法解决事实与规范的对应问题，事实与规范二者并不存在外延的宽窄问题，不能片面认为具体的案件事实的外延必然窄于一般性的规范，因此，此时司法三段论与逻辑学发生了断裂。
2、现有的法律推理方法依赖于法律专家经验知识去抽取推理模型中的法律元素，抽取的效果和效率取决于法律专家，这通常是定性分析，缺乏定量的感性分析，定性案例是法学领域的惯用方法，而定量方法则是对事实进行归纳，描述其特征，分析事实之间的关联或者因果关系的程度，而现有的法律推理方法缺乏定量分析，容易造成推理结果存在偏差。
3、目前法律推理的认知体系，借鉴西方的法律推理认知体系，站在法学家对法学的思考和总结，无法将法律推理的逻辑思维的推理过程转化为一种自然语言的描述，导致计算机无法理解。
针对相关技术中法律推理方法依赖于法律专家经验知识去抽取推理模型中的法律元素，抽取的效果和效率取决于法律专家，缺乏定量分析，容易造成推理结果存在偏差的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种动态法律事件内的推理方法、装置、设备和存储介质，以解决相关技术中法律推理方法依赖于法律专家经验知识去抽取推理模型中的法律元素，抽取的效果和效率取决于法律专家，缺乏定量分析，容易造成推理结果存在偏差的问题。
为了实现上述目的，第一方面，本申请提供了一种动态法律事件内的推理方法。
根据本申请的方法包括：
根据法律事件的基本知识单位建立动态法律事件本体模型；
获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素；
基于动态法律事件本体模型对所抽取的法律事件和与法律事件对应的事件要素进行描述；
利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，得到最终推理结果。
在本申请一种可能的实现方式中，法律事件的基本知识单位包括法律事件名称和事件要素，事件要素包括法律事件的触发词、发生时间、发生空间、状态、程度、类别、主体、客体、动作和结果。
在本申请一种可能的实现方式中，获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素，包括：
获取法律文本，利用神经网络对法律文本进行特征描述，得到法律文本特征；
基于法律事件识别方法对法律文本特征中的法律事件进行抽取，得到法律事件；
基于事件要素识别方法对法律文本特征中的事件要素进行抽取，得到与法律事件对应的事件要素。
在本申请一种可能的实现方式中，单调经典逻辑方法包括形式逻辑和演绎逻辑。
在本申请一种可能的实现方式中，非单调现代方法包括归纳推理、演绎推理、模糊推理和概率推理。
在本申请一种可能的实现方式中，利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，包括：
根据单调经典逻辑方法，设定判定模式为“大前提-小前提-结论”，则第一判定公式为：
Figure BDA0002590188330000041
其中，LE为大前提中的法律事件，LE’为小前提中包含于法律事件LE的事件，x为结论；
基于非单调现代方法对第一判定公式进行修改，得到第二判定公式，则第二判定公式为：
Figure BDA0002590188330000042
其中，符号
Figure BDA0002590188330000043
表示事件要素的不确定，则结论x随事件要素的变化而变化。
第二方面，本申请还提供了一种动态法律事件内的推理装置，装置包括：
模型建立模块，用于根据法律事件的基本知识单位建立动态法律事件本体模型；
抽取模块，用于获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素；
描述模块，基于动态法律事件本体模型对所抽取的法律事件和与法律事件对应的事件要素进行描述；
推理模块，用于利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，得到最终推理结果。
在本申请一种可能的实现方式中，抽取模块具体用于：
获取法律文本，利用神经网络对法律文本进行特征描述，得到法律文本特征；
基于法律事件识别方法对法律文本特征中的法律事件进行抽取，得到法律事件；
基于事件要素识别方法对法律文本特征中的事件要素进行抽取，得到与法律事件对应的事件要素。
在本申请一种可能的实现方式中，推理模块具体用于：
根据单调经典逻辑方法，设定判定模式为“大前提-小前提-结论”，则第一判定公式为：
Figure BDA0002590188330000051
其中，LE为大前提中的法律事件，LE’为小前提中包含于法律事件LE的事件，x为结论；
基于非单调现代方法对第一判定公式进行修改，得到第二判定公式，则第二判定公式为：
Figure BDA0002590188330000052
其中，符号
Figure BDA0002590188330000053
表示事件要素的不确定，则结论x随事件要素的变化而变化。
第三方面，本申请还提供了一种设备，设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现第一方面中任一项的动态法律事件内的推理方法。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行第一方面任一项的动态法律事件内的推理方法中的步骤。
在本申请实施例中，提供一种动态法律事件内的推理方法，通过利用法律事件的基本知识单位建立动态法律事件本体模型，可以对任意的法律事件进行描述，通过计算机技术，对法律事件和与法律事件相对应的事件要素进行抽取和描述，并在单调经典逻辑方法的基础之上结合非单调现代方法对法律事件内的关系进行推理，结合了大量的法律事件数据，避免了推理结果的人为干扰，提高了推理结果的可论证性和正确性；进而解决相关技术中法律推理方法依赖于法律专家经验知识去抽取推理模型中的法律元素，抽取的效果和效率取决于法律专家，缺乏定量分析，容易造成推理结果存在偏差的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种动态法律事件内的推理方法的一个实施例流程示意图；
图2是根据本申请实施例提供的动态法律事件本体模型的一个实施例结构示意图；
图3是根据本申请实施例提供的步骤102的一个实施例流程示意图；
图4是根据本申请实施例提供的步骤104的一个实施例流程示意图；
图5是根据本申请实施例提供的一种动态法律事件内的推理装置的一个实施例结构示意图；
图6是根据本申请实施例提供的一种设备的一个实施例结构示意图。
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。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
另外，术语“多个”的含义应为两个以及两个以上。
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。
首先，本申请实施例提供一种动态法律事件内的推理方法，该动态法律事件内的推理方法的执行主体为动态法律事件内的推理装置，该动态法律事件内的推理装置应用于处理器，该动态法律事件内的推理方法包括：根据法律事件的基本知识单位建立动态法律事件本体模型；获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素；基于动态法律事件本体模型对所抽取的法律事件和与法律事件对应的事件要素进行描述；利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，得到最终推理结果。
请参阅图1，图1为本申请实施例所提供的一种动态法律事件内的推理方法的一个实施例流程示意图，该动态法律事件内的推理方法包括：
101、根据法律事件的基本知识单位建立动态法律事件本体模型。
法律事件是对法律事实的一种描述，是不以法律主体的主观意志为转移的法律事实和客观现象，用来连接法律规范、法律行为、法律关系以及法律责任间关系的桥梁。动态法律事件本体是共享的、客观存在的法律事件类。
如图2，本申请实施例中，法律事件的基本知识单位可以包括法律事件名称和事件要素，其中事件要素包括法律事件的触发词、发生时间、发生空间、状态、程度、类别、主体、客体、动作和结果。
比如，法律事件(Law Event，LE)可以表示为：
LE＝<Name，Anchors，Time，Location，Status，Degree，Type，Object，Subject，Action，Result>
其中，Name表示当前法律事件名称，Anchors表示当前法律事件的触发词，Time表示当前法律事件的发生时间，Location表示当前法律事件的发生空间即发送地点，Status表示当前法律事件的状态，Degree表示当前法律事件的程度，Type表示当前法律事件的类别，Object表示当前法律事件的主体，Subject表示当前法律事件的客体，Action表示当前法律事件的动作，Result表示当前法律事件的结果。需要说明的是，其他能够用于描述法律事件的要素同样也适用于本申请实施例，具体此处不做限定。
另外，本申请的动态法律事件本体模型还可以用于描述法律事件链<Law EventChain，LEC>，法律事件链可以是由多个法律事件按照一定的关系构成的链式结构，比如最小的法律事件链可以表示为：minLEC＝<LE1，R，LE2>,其中LE1、LE2分别表示两个法律事件，R表示LE1和LE2两者之间的关系。
102、获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素。
本实施例中，获取法律文本的方式可以是被动获取，比如操作人员通过拍照、扫描、文字输入、语音输入等方式将法律文本输入到处理器；也可以是主动获取，比如规定将法律文本存储在一个固定区域，处理器按照设定的时间间隔比如5分钟，主动访问该固定区域，若该固定区域内存在法律文本，则对其进行获取，若不存在，则不执行相关操作，本申请实施例的法律文本的获取方式具体此处不做限定。
传统的方法将事件识别和事件要素的识别看做两类任务，分别多其进行建模和模型训练。然而法律事件的因果关系描述的法律事件之间存在因果之间的联系，而时序事件描述的是法律事件之间在一定时间内按照先后顺序发生。事实上，法律事件的时序关系和因果关系是有一定的逻辑关联，甚至可以将法律事件的因果关系看做是一种特殊的时序关系。因此，本申请实施例从法律事件的因果关系和时序关系的关联性角度出发，提出基于多任务的法律事件识别和事件要素识别，利用两者任务之间的关联性共同得到识别结果，即法律事件和其对应的时间要素。
103、基于动态法律事件本体模型对所抽取的法律事件和与法律事件对应的事件要素进行描述。
本申请实施例中，利用步骤101中的动态法律事件本体模型对步骤102中抽取的所有法律事件和与该法律事件对应的事件要素进行描述，体现了本申请实施例中动态法律事件本体模型的动态变化性。
104、利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，得到最终推理结果。
法律人员在撰写法律事件文本过程会出现事件要素的缺省和上下文关联(如：指代、蕴含等)。所以要能完整理解法律事件文本，就需要解决法律事件的事件要素缺省推理和上下文的关联推理。本申请实施例采用单调经典逻辑方法和非单调现代方法相结合来解决缺省和上下文关联推理。本申请实施例中，单调经典逻辑方法包括形式逻辑和演绎逻辑，非单调现代方法包括归纳推理、演绎推理、模糊推理和概率推理。单调经典逻辑方法的推理以已有知识为前提必然能得到新的知识，或者说在保证已有知识为真的前提下，由推理所得的新知识必定也是真的。然而在法律文本中，法律人员所遇到的问题往往比较复杂，容易形成不可测的集合，非单调推理是一种灵活性的推理方式，所得到的结论具有暂时性，随着新的知识出现，不断修正前面的结论，这满足了法律事件动态演化的特性，因此，在单调经典逻辑方法的基础上结合非单调现代方法能够完全满足法律事件动态演化的特性。
本申请实施例通过利用法律事件的基本知识单位建立动态法律事件本体模型，可以对任意的法律事件进行描述，通过计算机技术，对法律事件和与法律事件相对应的事件要素进行抽取和描述，并在单调经典逻辑方法的基础之上结合非单调现代方法对法律事件内的关系进行推理，结合了大量的法律事件数据，避免了推理结果的人为干扰，提高了推理结果的可论证性和正确性。
如图3所示，在本申请一些实施例中，步骤102中获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素，可以进一步包括：
301、获取法律文本，利用神经网络对法律文本进行特征描述，得到法律文本特征。
由于法律事件识别的难度要小于事件要素识别，因此本申请实施例中将事件要素识别作为主任务，法律事件识别作为辅助任务，利用多任务学习模型对法律事件和事件要素进行识别。
本申请实施例中所采用的神经网络为现有的任意神经网络结构，比如卷积神经网络、长短期神经网络、来自变换器的双向编码器表征量(Bidirectional EncoderRepresentations from Transformers，BERT)模型。
302、基于法律事件识别方法对法律文本特征中的所有法律事件进行抽取，得到法律事件。
303、基于事件要素识别方法对法律文本特征中的事件要素进行抽取，得到与法律事件对应的事件要素。
需要说明的是，本申请实施例中，步骤302对法律事件的识别和步骤303对事件要素的识别是利用两个独立的模型分别进行法律事件和事件要素的识别抽取的，因此两个步骤可以是同时进行的。
如图4所示，在本申请一些实施例中，步骤104中利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，可以进一步包括：
401、根据单调经典逻辑方法，设定判定模式为“大前提-小前提-结论”，则第一判定公式为：
Figure BDA0002590188330000111
其中，LE为大前提中的法律事件，LE’为小前提中包含于法律事件LE的事件，x为结论；
比如大前提“机动车闯交通信号灯违反了交通规则”，小前提“宝马是机动车”，那么可以推理得出新知识“宝马闯红灯违反了交通规则”。
402、基于非单调现代方法对第一判定公式进行修改，得到第二判定公式，则第二判定公式为：
Figure BDA0002590188330000112
其中，符号
Figure BDA0002590188330000113
表示事件要素的不确定，则结论x随事件要素的变化而变化，由于法律事件比较复杂，容易形成不可测的集合，结合非单调现代方法所得到的结论具有暂时性，随着新的知识出现，不断修正前面的结论，这满足了法律事件动态演化的特性。
为了更好实施本申请实施例中的动态法律事件内的推理方法，在动态法律事件内的推理方法基础之上，本申请实施例还提供一种动态法律事件内的推理装置，如图5所示，动态法律事件内的推理装置500包括：
模型建立模块501，用于根据法律事件的基本知识单位建立动态法律事件本体模型；
抽取模块502，用于获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素；
描述模块503，基于动态法律事件本体模型对所抽取的所有法律事件和与法律事件对应的事件要素进行描述；
推理模块504，用于利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，得到最终推理结果。
本申请一些实施例中，抽取模块502具体用于：
获取法律文本，利用神经网络对法律文本进行特征描述，得到法律文本特征；
基于法律事件识别方法对法律文本特征中的法律事件进行抽取，得到法律事件；
基于事件要素识别方法对法律文本特征中的事件要素进行抽取，得到与法律事件对应的事件要素。
本申请一些实施例中，推理模块504具体用于：
根据单调经典逻辑方法，设定判定模式为“大前提-小前提-结论”，则第一判定公式为：
Figure BDA0002590188330000121
其中，LE为大前提中的法律事件，LE’为小前提中包含于法律事件LE的事件，x为结论；
基于非单调现代方法对第一判定公式进行修改，得到第二判定公式，则第二判定公式为：
Figure BDA0002590188330000131
其中，符号
Figure BDA0002590188330000132
表示事件要素的不确定，则结论x随事件要素的变化而变化。
本申请实施例还提供一种设备，其集成了本申请实施例所提供的任一种动态法律事件内的推理装置，设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述动态法律事件内的推理方法实施例中任一实施例中的动态法律事件内的推理方法中的步骤。
本申请实施例还提供一种设备，其集成了本申请实施例所提供的任一种动态法律事件内的推理装置。如图6所示，其示出了本申请实施例所涉及的设备的结构示意图，具体来讲：
该设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储器602、电源603和输入单元604等部件。本领域技术人员可以理解，图6中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器601是该设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器602内的软件程序和/或模块，以及调用存储在存储器602内的数据，执行设备的各种功能和处理数据，从而对设备进行整体监控。可选的，处理器601可包括一个或多个处理核心；处理器601可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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。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，优选的，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及模块，处理器601通过运行存储在存储器602的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器602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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器602还可以包括存储器控制器，以提供处理器601对存储器602的访问。
设备还包括给各个部件供电的电源603，优选的，电源603可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电系统、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。
该设备还可包括输入单元604，该输入单元604可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，设备中的处理器601会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中，并由处理器601来运行存储在存储器602中的应用程序，从而实现各种功能，如下：
根据法律事件的基本知识单位建立动态法律事件本体模型；
获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素；
基于动态法律事件本体模型对所抽取的法律事件和与法律事件对应的事件要素进行描述；
利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，得到最终推理结果。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种动态法律事件内的推理方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：
根据法律事件的基本知识单位建立动态法律事件本体模型；
获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从法律文本中抽取法律文本包含的法律事件和与法律事件对应的事件要素；
基于动态法律事件本体模型对所抽取的法律事件和与法律事件对应的事件要素进行描述；
利用单调经典逻辑方法结合非单调现代方法对法律事件内的关系进行推理，得到最终推理结果。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种动态法律事件内的推理方法，其特征在于，包括：
根据法律事件的基本知识单位建立动态法律事件本体模型；
获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从所述法律文本中抽取所述法律文本包含的法律事件和与所述法律事件对应的事件要素；
基于所述动态法律事件本体模型对所抽取的所述法律事件和与所述法律事件对应的所述事件要素进行描述；
利用单调经典逻辑方法结合非单调现代方法对所述法律事件内的关系进行推理，得到最终推理结果。
2.如权利要求1所述的方法，其特征在于，所述法律事件的基本知识单位包括法律事件名称和事件要素，所述事件要素包括所述法律事件的触发词、发生时间、发生空间、状态、程度、类别、主体、客体、动作和结果。
3.如权利要求1所述的方法，其特征在于，所述获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从所述法律文本中抽取所述法律文本包含的法律事件和与所述法律事件对应的事件要素，包括：
获取法律文本，利用神经网络对所述法律文本进行特征描述，得到法律文本特征；
基于所述法律事件识别方法对所述法律文本特征中的法律事件进行抽取，得到所述法律事件；
基于所述事件要素识别方法对所述法律文本特征中的事件要素进行抽取，得到与所述法律事件对应的所述事件要素。
4.如权利要求1所述的方法，其特征在于，所述单调经典逻辑方法包括形式逻辑和演绎逻辑。
5.如权利要求1所述的方法，其特征在于，所述非单调现代方法包括归纳推理、演绎推理、模糊推理和概率推理。
6.如权利要求1所述的方法，其特征在于，所述利用单调经典逻辑方法结合非单调现代方法对所述法律事件内的关系进行推理，包括：
根据所述单调经典逻辑方法，设定判定模式为“大前提-小前提-结论”，则第一判定公式为：
Figure FDA0002590188320000021
其中，LE为大前提中的法律事件，LE’为小前提中包含于法律事件LE的事件，x为结论；
基于所述非单调现代方法对所述第一判定公式进行修改，得到第二判定公式，则所述第二判定公式为：
Figure FDA0002590188320000022
其中，符号
Figure FDA0002590188320000023
表示所述事件要素的不确定，则结论x随事件要素的变化而变化。
7.一种动态法律事件内的推理装置，其特征在于，包括：
模型建立模块，用于根据法律事件的基本知识单位建立动态法律事件本体模型；
抽取模块，用于获取法律文本，基于多任务的法律事件识别和事件要素识别方法，从所述法律文本中抽取所述法律文本包含的法律事件和与所述法律事件对应的事件要素；
描述模块，基于所述动态法律事件本体模型对所抽取的所述法律事件和与所述法律事件对应的所述事件要素进行描述；
推理模块，用于利用单调经典逻辑方法结合非单调现代方法对所述法律事件内的关系进行推理，得到最终推理结果。
8.如权利要求7所述的装置，其特征在于，所述抽取模块具体用于：
获取法律文本，利用神经网络对所述法律文本进行特征描述，得到法律文本特征；
基于所述法律事件识别方法对所述法律文本特征中的法律事件进行抽取，得到所述法律事件；
基于所述事件要素识别方法对所述法律文本特征中的事件要素进行抽取，得到与所述法律事件对应的所述事件要素。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1-6中任一项所述的动态法律事件内的推理方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1-6任一项所述的动态法律事件内的推理方法中的步骤。
CN202010696545.6A 2020-07-17 2020-07-17 动态法律事件内的推理方法、装置、设备和存储介质 Pending CN111897959A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010696545.6A CN111897959A (zh) 2020-07-17 2020-07-17 动态法律事件内的推理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010696545.6A CN111897959A (zh) 2020-07-17 2020-07-17 动态法律事件内的推理方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN111897959A true CN111897959A (zh) 2020-11-06

Family

ID=73189451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010696545.6A Pending CN111897959A (zh) 2020-07-17 2020-07-17 动态法律事件内的推理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111897959A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024016139A1 (zh) * 2022-07-19 2024-01-25 华为技术有限公司 查询方法和相关设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908671A (zh) * 2017-10-25 2018-04-13 南京擎盾信息科技有限公司 基于法律数据的知识图谱构建方法及系统
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
US10360503B2 (en) * 2012-12-01 2019-07-23 Sirius-Beta Corporation System and method for ontology derivation
CN110046262A (zh) * 2019-06-10 2019-07-23 南京擎盾信息科技有限公司 一种基于法律专家知识库的上下文推理方法
CN110675023A (zh) * 2019-08-22 2020-01-10 中国司法大数据研究院有限公司 一种基于神经网络的诉讼请求合理性预测模型训练方法和预测方法及装置
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10360503B2 (en) * 2012-12-01 2019-07-23 Sirius-Beta Corporation System and method for ontology derivation
CN107908671A (zh) * 2017-10-25 2018-04-13 南京擎盾信息科技有限公司 基于法律数据的知识图谱构建方法及系统
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
CN110046262A (zh) * 2019-06-10 2019-07-23 南京擎盾信息科技有限公司 一种基于法律专家知识库的上下文推理方法
CN110675023A (zh) * 2019-08-22 2020-01-10 中国司法大数据研究院有限公司 一种基于神经网络的诉讼请求合理性预测模型训练方法和预测方法及装置
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘飞: "非单调推理及其应用", 《中国优秀硕士学位论文全文数据库哲学与人文科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024016139A1 (zh) * 2022-07-19 2024-01-25 华为技术有限公司 查询方法和相关设备

Similar Documents

Publication Publication Date Title
CN111897960B (zh) 动态法律事件间的推理方法、装置、设备和存储介质
CN111538844B (zh) 目标领域知识库的生成、问题解答方法及装置
US8296257B1 (en) Comparing models
CN110874716A (zh) 面试测评方法、装置、电子设备及存储介质
CN112199477A (zh) 对话管理方案和对话管理语料的构建方法
CN115982335A (zh) 一种主动式ai医疗问答系统、方法、设备及存储介质
Guarini Particularism, analogy, and moral cognition
Horvitz et al. Complementary computing: policies for transferring callers from dialog systems to human receptionists
Welke IS/DSS: DBMS support for information systems development
CN111897959A (zh) 动态法律事件内的推理方法、装置、设备和存储介质
Axak et al. The behavior model of the computer user
De Vries et al. An overview of medical expert systems
CN109086391B (zh) 一种构建知识图谱的方法及系统
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
CN111797230B (zh) 法律三阶层论自动推理方法、装置和电子设备
CN109684466B (zh) 一种智能教育顾问系统
CN111814019A (zh) 一种基于人工智能语义分析的政务公开评估系统
Thalheim Reasoning Through Models
Struss A conceptualization and general architecture of intelligent decision support systems
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
CN110414628A (zh) 一种自创课程的学习过程规划和管理方法及系统
CN117252260B (zh) 一种基于大语言模型的面试技能训练方法、设备及介质
Nurius et al. Capturing clinical expertise: An analysis of knowledge “mining” through expert system development
Li et al. Research on interactive behavior analyzing in new-type distributed software system
Walker A Default-Logic Framework for Legal Reasoning in Multiagent Systems.

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