CN112686339A - 一种基于起诉状的案由确定方法和装置 - Google Patents
一种基于起诉状的案由确定方法和装置 Download PDFInfo
- Publication number
- CN112686339A CN112686339A CN202110266982.9A CN202110266982A CN112686339A CN 112686339 A CN112686339 A CN 112686339A CN 202110266982 A CN202110266982 A CN 202110266982A CN 112686339 A CN112686339 A CN 112686339A
- Authority
- CN
- China
- Prior art keywords
- case
- routing
- complaint
- appeal
- layer
- 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.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种基于起诉状的案由确定方法和装置,所述方法包括:获取待确定案由的起诉状;从所述起诉状中识别出若干项指定的起诉信息;将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由。采用上述方法可以提高起诉状确定的准确度,且也可以提高效率。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种基于起诉状的案由确定方法和装置。
背景技术
随着人们法律意识的不断增强,越来越的人选择采用法律手段维护自身的合法权益。当自身权益受到侵害时,人们可以向法院提交起诉状,并在起诉状中阐明上诉人、被上诉人、诉讼请求、事实与理由等信息,法院可以根据该起诉状确定案由。
现有技术中一般通过人工阅读起诉状的方式来确定案由,但当案件数量较多时,采用人工的方式往往效率较低,且准确度也会受到一定影响,无法满足实际需求。基于此,如何准确、高效地基于起诉状确定案由,成为亟待解决的问题。
发明内容
有鉴于此,本申请提供一种基于起诉状的案由确定方法和装置。
具体地,本申请是通过如下技术方案实现的:
一种基于起诉状的案由确定方法,预设有案由树,所述案由树包括若干案由节点,每个案由节点表征唯一一个标准案由,所述方法包括:
获取待确定案由的起诉状;
从所述起诉状中识别出若干项指定的起诉信息;
将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由;
其中,所述案由识别模型包括起诉特征提取层、案由特征转换层和案由输出层,
所述起诉特征提取层,用于基于识别出的起诉信息提取出所述起诉状的起诉特征;
所述案由特征转换层,用于将所述起诉特征转换为若干案由特征向量,所述案由特征向量与所述案由树中唯一深度的案由节点对应,且所述案由特征向量中的各元素分别表征该深度下各案由节点的特征;
所述案由输出层,用于从所述若干案由特征向量中确定若干目标元素,将所述目标元素对应案由节点表征的标准案由确定为所述起诉状所属的标准案由。
一种基于起诉状的案由确定装置,预设有案由树,所述案由树包括若干案由节点,每个案由节点表征唯一一个标准案由,所述装置包括:
获取单元,获取待确定案由的起诉状;
识别单元,从所述起诉状中识别出若干项指定的起诉信息;
输入单元,将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由;
其中,所述案由识别模型包括起诉特征提取层、案由特征转换层和案由输出层,
所述起诉特征提取层,用于基于识别出的起诉信息提取出所述起诉状的起诉特征;
所述案由特征转换层,用于将所述起诉特征转换为若干案由特征向量,所述案由特征向量与所述案由树中唯一深度的案由节点对应,且所述案由特征向量中的各元素分别表征该深度下各案由节点的特征;
所述案由输出层,用于从所述若干案由特征向量中确定若干目标元素,将所述目标元素对应案由节点表征的标准案由确定为所述起诉状所属的标准案由。
在本申请的一个实施例中,可以从待确定案由的起诉状中识别出若干项指定的起诉信息,然后将起诉信息输入案由识别模型,该案由识别模型可以提取出起诉特征,将该起诉特征转换为若干个案由特征向量,然后基于所述案由特征向量确定起诉状所述的标准案由。
采用上述方法,相比于人工阅读起诉状以确定案由来说,可以大大提高案由确定的效率,并且也可以提高准确度。此外,上述方法中可以识别出起诉状所属的多级案由,相比于现有技术中仅能识别某个特定级别的案由来说,与实际业务场景的适配度更高,用户体验更好。
附图说明
图1是本申请一示例性实施例示出的一种基于起诉状的案由确定方法的流程示意图;
图2是本申请一示例性实施例示出的一种案由树的示意图;
图3是本申请一示例性实施例示出的一种案由识别模型的结构示意图;
图4是本申请一示例性实施例示出的另一种案由识别模型的结构示意图;
图5是本申请一示例性实施例示出的一种基于起诉状的案由确定装置所在服务器的一种硬件结构图;
图6是本申请一示例性实施例示出的一种基于起诉状的案由确定装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
现有技术中,法院在收到用户递交的起诉状后,需要根据起诉状确定案件所属的案由。案由是人民法院对诉讼案件所涉及的法律关系的性质进行概括后形成的案件名称。
以民事案件为例,根据最高人民法院发布的《民事案件案由规定》,案由可以分为一级案由、二级案由、三级案由和四级案由,比如一级案由可以包括:“人格权纠纷”、“婚姻家庭、继承纠纷”、“物权纠纷”、“合同、无因管理、不当得利纠纷”、“劳动争议、人事争议”、“侵权责任纠纷”。每个一级案由都可以存在对应的二级案由,比如对于“婚姻家庭、继承纠纷”这个一级案由,可以包括二级案由:“婚姻家庭纠纷”和“继承纠纷”。类似的,每个二级案由也可以存在对应的三级案由,比如对于“婚姻家庭纠纷”这个二级案由,可以包括三级案由:“婚约财产纠纷”、“离婚纠纷”、“离婚后财产纠纷”等。类似的,每个三级案由也可以存在对应的四级案由,本申请在此不一一举例。
现有技术中,通常由工作人员人工阅读起诉状来确定案由,但实际情况中法院每天可能都会接收到大量的起诉状,采用人工阅读的方式效率低下,并且案由确定的准确度也会受影响。
本申请提供了一种基于起诉状的案由确定方法,可以从起诉状中提取出关键起诉信息,然后将关键起诉信息输入案由识别模型,得到该起诉状所属的案由,相比于现有技术中人工确定案由的方法,可以大大提高效率。
请参见图1,图1是本申请提供的一种基于起诉状的案由确定方法的流程示意图,所述方法可以应用于具有存储器、处理器的电子设备中,例如服务器或服务器集群。所述方法可以包括以下步骤:
步骤102,获取待确定案由的起诉状;
步骤104,从所述起诉状中识别出若干项指定的起诉信息;
步骤106,将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由;
其中,所述案由识别模型包括起诉特征提取层、案由特征转换层和案由输出层,
所述起诉特征提取层,用于基于识别出的起诉信息提取出所述起诉状的起诉特征;
所述案由特征转换层,用于将所述起诉特征转换为若干案由特征向量,所述案由特征向量与所述案由树的唯一深度的案由节点对应,且所述案由特征向量中的各元素分别表征该深度下各案由节点的特征;
所述案由输出层,用于从所述若干案由特征向量中确定若干目标元素,将所述目标元素对应案由节点表征的标准案由确定为所述起诉状所属的标准案由。
下面对上述步骤进行详细说明。
本实施例中,可以先预设一个案由树,该案由数中包括若干案由节点,每个案由节点表征唯一一个标准案由,该标准案由可以是前述提到的标准民事案件案由,也可以是自定义的案由,对此不作特殊限制。请参见图2,图2是本申请一示例性实施例示出的一种案由树的示意图。
图2所示案由树中包括根节点(即标号为“0”的节点),根节点可以不表征任一标准案由。除根节点外的其余节点都可以是案由节点,每个案由节点都可以表征一个标准案由,并且针对任一案由节点,该案由节点表征的标准案由与其子案由节点表征的标准案由也属于父子关系。比如,案由节点A1可以表征“婚姻家庭、继承纠纷”这个一级案由,案由节点A11属于案由节点A1的子案由节点,那么案由节点A11可以表征“婚姻家庭、继承纠纷”的二级案由“婚姻家庭纠纷”,类似的,案由节点A12可以表征“婚姻家庭、继承纠纷”的二级案由“继承纠纷”。
可知,案由树中同一深度的节点表征的标准案由也属于同一级别。比如,图2中的案由节点A1、B1、C1、D1在案由树处于同一层级(即这些案由节点到根节点的路径长度相同),那么这四个案由节点表征的标准案由的级别也相同,比如可以对应一级案由。类似的,案由节点A11、A12、B11、B12、C11、D11、D12在案由树中也处于同一深度,那么这些案由节点可以对应二级案由。
除此之外,还可以根据图2获知该案由树的深度,其中,案由树的深度可以理解为案由节点到根节点的最大路径长度,比如案由节点A111到达根节点0的路径为:A111—A11—A1—0,其中两两节点之间的路径长度记为1,可知这条路径的总长度为3,且这一路径是案由树中案由节点到根节点最长的路径,那么据此确定案由树的深度为3。
本实施例中,可以预先确定若干标准案由之间的层级关系构建上述案由树,以基于案由树进行后续的处理。
值得说明的是,图2所示案由树仅仅为示例性例子,在实际情况下也可以构造其他深度的案由树,或者也可以构造包含更多案由节点的案由树,本申请对此不作特殊限制。
本实施例中,可以获取待确定案由的起诉状,该起诉状可以是电子文件,如word文件、PDF文件,也可以是照片。然后从该起诉状中识别出若干项指定的起诉信息。通常,起诉状中会包括上诉人、被上诉人、诉讼请求、事实和理由这四项起诉信息,那么可以将这四项起诉信息都识别出来。当然,也可以仅识别出部分起诉信息,本申请对此不作特殊限制。
其中,从起诉状中识别出起诉信息的具体方法可参照现有技术,本申请在此不作过多说明。
本实施例中,识别出指定的若干项起诉信息后,还可以将这些起诉信息输入嵌入模型,得到各起诉信息对应的嵌入特征。比如,嵌入模型可以将中文文本形式的起诉信息转换为向量或矩阵,便于后续处理。嵌入模型可以是多种类型的模型,本申请对此不作特殊限制。
其中,在将起诉信息输入嵌入模型之前,对于存在多个上诉人或者多个被上诉人的情况,还可以用特定的分隔符对多个上诉人/被上诉人进行分隔。对于存在多条诉讼请求、多条事实与理由的情况,同样可以采用上述分隔符进行分隔。
然后可以各起诉信息对应的嵌入特征输入案由识别模型,该案由识别模型可以包括起诉特征提取层、起诉特征转换层和案由输出层。起诉特征提取层可以基于输入的各起诉信息提取得到起诉特征,然后将该起诉特征输入起诉特征转换层,起诉特征转换层可以将该起诉特征转换为若干案由特征向量,每个案由特征向量都与案由树中的唯一深度下的案由节点对应。
比如,仍对于图2所示案由树,该案由树的深度为3,那么可以针对每个深度都转换
得到一个案由特征向量,即可以转换得到3个案由特征向量,并且案由特征向量中的各元素
分别表征对应深度下各案由节点的特征。即可以转换得到深度1对应的案由特征向量,假设
为={a1,b1,c1,d1},其中,a1表征案由节点A1的特征,b1表征案由节点B1对应的特征,c1
表征案由节点C1对应的特征,d1表征案由节点D1对应的特征。该特征具体的特征值为案由
识别模型预测得到。类似的,还可以转换得到深度2对应的案由特征向量={a11,a12,b11,
b12,c11,d11,d12}、深度3对应的案由特征向量={a111,a112,b111,b112,b121,d111,
d112,d121}。
当然,也可以仅转换得到部分深度对应的案由特征向量。比如仍对于上述例子,深度1下的案由节点可以对应一级案由,而一级案由通常是较为宽泛、概括的标准案由,实际情况下可能会更关注层级更高、更细节的案由,而不需要预测出一级案由。那么也可以仅转换得到深度2(对应二级案由)、深度3(对应三级案由)对应的案由特征向量用于后续分析,本实施例对此不作特殊限制。
本实施例中,案由特征转换层转换得到若干案由特征向量后,可以将这些案由特征向量输入案由输出层,案由输出层可以从所述若干案由特征向量中确定出若干目标元素,将该目标元素对应的案由节点表征的标准案由确定为起诉状所属的标准案由,并输出案由识别模型。
比如,可以按照深度从低到高的顺序,依次从各案由特征向量中确定出目标元素。
仍以上述例子为例,可以从深度为i开始执行,比如i=1,可以先从中确定出第一目标元
素,例如可以将元素值最高的元素确定为第一目标元素,也可以将元素值超过阈值的元素
确定为第一目标元素,所述阈值可以人为预设。假设确定出的第一目标元素为a1,则可以将
a1对应的标准案由确定为所述起诉状所属的标准案由。
然后可以判断第一目标元素a1对应的案由节点A1是否为叶子节点,若是,则可以
不再分析其他案由特征向量,仅将上述a1对应的标准案由输出。若不是,则可以进一步分析,找到中a1的子元素a11和a12,然后从a11和a12中确定出第二目标子元素。比如可以
将元素值最大的元素确定为第二目标子元素,假设第二目标子元素为a12,则可以将a12对
应的标准案由确定为所述起诉状所属的标准案由。类似的,可以判断a12对应的案由节点
A12是否为叶子节点,若是,则可以不必再分析下一深度的案由特征向量。最终得到起诉状
所属的标准案由为:一级案由为A1对应标准案由,二级案由为A12对应标准案由。其中,叶子
节点指的是不存在子节点的案由节点。
由以上描述可以看出,在本申请的一个实施例中,可以从待确定案由的起诉状中识别出若干项指定的起诉信息,然后将起诉信息输入案由识别模型,该案由识别模型可以提取出起诉特征,将该起诉特征转换为若干个案由特征向量,然后基于所述案由特征向量确定起诉状所述的标准案由。
采用上述方法,相比于人工阅读起诉状以确定案由来说,可以大大提高案由确定的效率,并且也可以提高准确度。此外,上述方法中可以识别出起诉状所属的多级案由,相比于现有技术中仅能识别某个特定级别的案由来说,与实际业务场景的适配度更高,用户体验更好。
下面结合案由识别模型的结构对本申请提供基于起诉状的案由确定方法进行说明。请参见图3,图3为本申请一示例性实施例示出的案由识别模型的结构示意图。
如图3所示,案由识别模型可以包括起诉特征提取层、案由特征转换层和案由输出层,其中,起诉特征提取层可以包括初始提取层、初始融合层、中间融合层和若干个中间提取层,中间提取层的数量可以预先设置。
可以先将提取得到的起诉信息输入初始提取层,初始提取层可以对输入的起诉信息进行特征提取。比如图3所示,假设本例中提取得到四项起诉信息,分别为起诉信息1-4,可以将起诉信息1-4输入初始提取层,在这一层可以采用4个卷积核分别对四项起诉信息进行特征提取,所述卷积核的尺寸可以是1*1,各卷积核的权重值可以在案由识别模型训练的过程中确定。
假设提取得到的初始特征为初始特征1-4,然后可以将这些初始特征输入初始融合层,初始融合层可以对初始特征1-4进行融合,得到融合特征,融合的方法可以参照现有技术,在此不作过多说明。然后可以将融合特征输入每个中间提取层。
图3中每个虚线框即可代表一个中间提取层,可以把融合特征分别输入各个中间提取层。每个中间提取层中可以包括N个卷积核,N的数量同样可以预先设置,并且N个卷积核的尺寸可以是不同的。比如,每个中间提取层可以包括3个卷积核,分别为卷积核a、b和x,其中,a的尺寸为1*1、b的尺寸为3*3、x的尺寸为5*5。针对同样尺寸的卷积核,各个中间提取层中该尺寸卷积核的权重值可以不同,具体可在案由识别模型训练过程中确定。
本实施例中,每个中间提取层提取得到各卷积核对应的卷积特征后,可以将各卷积核对应的卷积特征进行池化,比如执行ROI pooling操作,然后对池化后的特征进行融合,得到中间特征。
然后每个中间提取层都可以将各自提取得到的中间特征输入中间融合层,中间融合层可以融合各个中间提取层对应的中间特征,得到起诉特征。
当然,上述例子仅仅是示例性的说明,在实际情况下也可以设置其他数量、其他尺寸的卷积核,并且在中间提取层也可以采用其他的方式进行特征提取。
比如,可参见图4,也可以每个中间提取层包括1个指定尺寸的卷积核,第一个中间提取层可以包括卷积核a,a的尺寸可以是1*1,第二个中间提取层可以包括卷积核b,b的尺寸可以是3*3,在第x个中间提取层可以包括卷积核x,x的尺寸可以是5*5。每个中间提取层可以采用本层对应尺寸的卷积核对综合特征进行N次卷积,N的数量可以人为预设,每次卷积中卷积核的权重值可以不同,具体可以在案由识别模型训练过程中确定。
比如,在第一个中间提取层,可以对融合特征进行N次卷积,得到;在第二个中间提取层,可以对融合特征进行N次卷积,得到;在第x个中间提取层,可以对融合特征进行N次卷积,得到。然后每个中间提取层可以对N次卷积得到的卷积特征进行融合,得到
中间特征,如图4中的、、……、。然后同样的,可以把这些可以把这些中间特征输入
中间融合层,中间融合层可以基于各中间提取层对应的中间特征,融合得到起诉特征。
本实施例中,假设中间融合层融合得到的起诉特征为F,可以将F输入案由转换层,
案由转换层可以将起诉特征F转换为若干个案由特征向量。比如,仍以前述图2所示案由树
为例,可以将起诉特征F转换为案由树深度为2对应的案由特征向量、将F转换为案由树
深度为3对应的案由特征向量。其中,将特征转换为一维向量的具体方法可参照现有技
术,本申请在此不过多说明。当然,图3所示转换为2两个案由特征向量仅仅是示例性的说
明,在实际情况下也可以转换得到其他数量的案由特征向量。
然后可以对进行softmax操作,得到向量中各元素的元素值。假设的的
={0.1,0.1,0.4,0.1,0.1,0.1,0.1},中的各元素值依次代表案由节点A11、A12、B11、
B12、C11、D11、D12的特征值,={0.1,0.1,0.3,0.1,0.1,0.1,0.1,0.1},中的各元素值
依次代表案由节点A111、A112、B111、B112、B121、D111、D112、D121的特征值。
可以将上述输入案由输出层。案由输出层可以从深度i对应案由特征向
量开始分析,i为大于等于1的整数。比如,i可以是2。则案由输出层可以先分析,从中
找到元素值超过阈值的元素,假设阈值为0.3,发现0.4超过阈值,则可以将0.4对应的案由
节点B11表征的标准案由确定为所述起诉状在该深度下所属的标准案由。然后分析得到B11
并非叶子节点,则可以进一步分析,从中找到0.4对应的元素值为0.3和0.1,可以选择
最大元素值0.3对应的案由节点B112,将B112表征的标准案由确定为所述起诉状在该深度
下所属的标准案由。
那么案由输出层可以输出该起诉状所属的标准案由为B11和B112表征的标准案由。当然,案由输出层还可以输出标准案由的对应的级数,比如输出B11表征的标准案由为二级案由,B112表征的标准案由为三级案由。
或者案由输出层也可以输出标准案由的概率,如B11表征的标准案由的概率为0.4,B112表征的标准案由的概率为0.3。对于在深度i对应案由特征向量中,存在多个元素值超过阈值的情况,可以将这些多个元素都确定为目标元素,从而得到多种标准案由。那么通过输出标准案由概率,还可以后续让用户基于概率来确定最终的标准案由。
当然,上述例子仅仅是示例性的说明,在实际情况下也可以使i的初始值为其他数值,对此不作特殊限制。并且,也可能存在深度i对应的案由特征向量中,有多个元素超过阈值,那么可以把这些元素对应的标准案由都作为起诉状所属的标准案由,然后针对每个超过阈值的元素,进一步分析深度i+1对应特征案由向量中对应的子元素,以基于子元素找到以找到下一级别的标准案由。
本实施例中,还可能存在,深度i对应案由特征向量中不存在超过阈值的元素值。那么可以将最大元素值对应的标准案由输出,且不分析i+1深度下的标准案由。这是由于,若深度i对应的案由特征向量中都不存在超过阈值的元素值,说明当前正在分析的起诉状可能和案由树中的标准案由都不是十分匹配,那么进一步分析得到的子标准案由的匹配度很可能会更低,那么可以不再对子标准案由进行分析。
由以上描述可以看出,在申请的一个实施例中,可以在起诉特征提取层先对起诉信息进行初步的特征提取,得到初始特征,然后将各起诉信息的初始特征进行融合,得到融合特征。然后采用多个卷积核、多次卷积的方式对融合特征进行特征提取,得到最终的起诉特征。采用这种方式可以得到更丰富的特征,提高案由识别模型预测的准确度。
与前述基于起诉状的案由确定方法的实施例相对应,本申请还提供了基于起诉状的案由确定装置的实施例。
本申请基于起诉状的案由确定装置的实施例可以应用在服务器上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在服务器的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图5所示,为本申请基于起诉状的案由确定装置所在服务器的一种硬件结构图,除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的服务器通常根据该服务器的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图6,图6是本申请一示例性实施例示出的一种基于起诉状的案由确定装置的框图。所述装置可以包括获取单元610,识别单元620和输入单元630。
其中,获取单元610,用于获取待确定案由的起诉状;
识别单元620,用于从所述起诉状中识别出若干项指定的起诉信息;
输入单元630,用于将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由;
其中,所述案由识别模型包括起诉特征提取层、案由特征转换层和案由输出层,
所述起诉特征提取层,用于基于识别出的起诉信息提取出所述起诉状的起诉特征;
所述案由特征转换层,用于将所述起诉特征转换为若干案由特征向量,所述案由特征向量与所述案由树中唯一深度的案由节点对应,且所述案由特征向量中的各元素分别表征该深度下各案由节点的特征;
所述案由输出层,用于从所述若干案由特征向量中确定若干目标元素,将所述目标元素对应案由节点表征的标准案由确定为所述起诉状所属的标准案由。
可选的,所述起诉特征提取层包括:初始提取层、初始融合层、若干个中间提取层和中间融合层;
所述初始提取层,用于分别提取各起诉信息的初始特征;
所述初始融合层,用于融合各个初始特征得到所述起诉信息的融合特征;
每个所述中间提取层,用于采用若干卷积核对所述融合特征进行特征提取,得到各卷积核对应的卷积特征,并融合各卷积核对应的卷积特征得到本层对应的中间特征;
所述中间融合层,用于融合各个中间提取层得到的中间特征,得到所述起诉状的起诉特征。
可选的,所述输出层用于:
从深度为i的案由节点对应的案由特征向量中确定第一目标元素;
判断所述第一目标元素对应的案由节点是否为所述案由树的叶子节点;
若否,则从深度i+1的案由节点对应的案由特征向量中查找所述第一目标元素对应的若干子元素,并从所述若干子元素中确定出第二目标元素,继续执行判断所述目标子元素对应的子案由节点是否为所述案由树的叶子节点的步骤,并将i置为i+1;
其中,i的初始值为1,i为大于等于1的整数。
可选的,所述从深度i对应案由特征向量中确定第一目标元素,包括:
将元素值超过阈值的若干元素确定为所述第一目标元素。
可选的,所述从所述若干子元素中确定出第二目标元素,包括:
将元素值最大的所述子元素确定为所述第二目标子元素。
可选的,所述输入单元630还用于:
将所述起诉信息输入嵌入模型,得到所述起诉信息对应的嵌入特征,将所述嵌入特征作为所述起诉信息输入所述案由识别模型。
可选的,所述起诉信息包括以下一种或多种:
上诉人、被上诉人、诉讼请求、事实和理由。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与前述基于起诉状的案由确定方法的实施例相对应,本申请还提供一种基于起诉状的案由确定装置,该装置包括:处理器以及用于存储机器可执行指令的存储器。其中,处理器和存储器通常借由内部总线相互连接。在其他可能的实现方式中,所述设备还可能包括外部接口,以能够与其他设备或者部件进行通信。
在本实施例中,通过读取并执行所述存储器存储的与基于区块链的数据验证逻辑对应的机器可执行指令,所述处理器被促使:
获取待确定案由的起诉状;
从所述起诉状中识别出若干项指定的起诉信息;
将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由;
其中,所述案由识别模型包括起诉特征提取层、案由特征转换层和案由输出层,
所述起诉特征提取层,用于基于识别出的起诉信息提取出所述起诉状的起诉特征;
所述案由特征转换层,用于将所述起诉特征转换为若干案由特征向量,所述案由特征向量与所述案由树中唯一深度的案由节点对应,且所述案由特征向量中的各元素分别表征该深度下各案由节点的特征;
所述案由输出层,用于从所述若干案由特征向量中确定若干目标元素,将所述目标元素对应案由节点表征的标准案由确定为所述起诉状所属的标准案由。
可选的,所述起诉特征提取层包括:初始提取层、初始融合层、若干个中间提取层和中间融合层;
所述初始提取层,用于分别提取各起诉信息的初始特征;
所述初始融合层,用于融合各个初始特征得到所述起诉信息的融合特征;
每个所述中间提取层,用于采用若干卷积核对所述融合特征进行特征提取,得到各卷积核对应的卷积特征,并融合各卷积核对应的卷积特征得到本层对应的中间特征;
所述中间融合层,用于融合各个中间提取层得到的中间特征,得到所述起诉状的起诉特征。
可选的,所述输出层用于:
从深度为i的案由节点对应的案由特征向量中确定第一目标元素;
判断所述第一目标元素对应的案由节点是否为所述案由树的叶子节点;
若否,则从深度i+1的案由节点对应的案由特征向量中查找所述第一目标元素对应的若干子元素,并从所述若干子元素中确定出第二目标元素,继续执行判断所述目标子元素对应的子案由节点是否为所述案由树的叶子节点的步骤,并将i置为i+1;
其中,i的初始值为1,i为大于等于1的整数。
可选的,所述从深度i对应案由特征向量中确定第一目标元素,包括:
将元素值超过阈值的若干元素确定为所述第一目标元素。
可选的,所述从所述若干子元素中确定出第二目标元素,包括:
将元素值最大的所述子元素确定为所述第二目标子元素。
可选的,所述从所述起诉状中识别出若干项指定的起诉信息之后,所述处理器还被促使:
将所述起诉信息输入嵌入模型,得到所述起诉信息对应的嵌入特征,将所述嵌入特征作为所述起诉信息输入所述案由识别模型。
可选的,所述起诉信息包括以下一种或多种:
上诉人、被上诉人、诉讼请求、事实和理由。
与前述基于起诉状的案由确定的实施例相对应,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取待确定案由的起诉状;
从所述起诉状中识别出若干项指定的起诉信息;
将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由;
其中,所述案由识别模型包括起诉特征提取层、案由特征转换层和案由输出层,
所述起诉特征提取层,用于基于识别出的起诉信息提取出所述起诉状的起诉特征;
所述案由特征转换层,用于将所述起诉特征转换为若干案由特征向量,所述案由特征向量与所述案由树中唯一深度的案由节点对应,且所述案由特征向量中的各元素分别表征该深度下各案由节点的特征;
所述案由输出层,用于从所述若干案由特征向量中确定若干目标元素,将所述目标元素对应案由节点表征的标准案由确定为所述起诉状所属的标准案由。
可选的,所述起诉特征提取层包括:初始提取层、初始融合层、若干个中间提取层和中间融合层;
所述初始提取层,用于分别提取各起诉信息的初始特征;
所述初始融合层,用于融合各个初始特征得到所述起诉信息的融合特征;
每个所述中间提取层,用于采用若干卷积核对所述融合特征进行特征提取,得到各卷积核对应的卷积特征,并融合各卷积核对应的卷积特征得到本层对应的中间特征;
所述中间融合层,用于融合各个中间提取层得到的中间特征,得到所述起诉状的起诉特征。
可选的,所述输出层用于:
从深度为i的案由节点对应的案由特征向量中确定第一目标元素;
判断所述第一目标元素对应的案由节点是否为所述案由树的叶子节点;
若否,则从深度i+1的案由节点对应的案由特征向量中查找所述第一目标元素对应的若干子元素,并从所述若干子元素中确定出第二目标元素,继续执行判断所述目标子元素对应的子案由节点是否为所述案由树的叶子节点的步骤,并将i置为i+1;
其中,i的初始值为1,i为大于等于1的整数。
可选的,所述从深度i对应案由特征向量中确定第一目标元素,包括:
将元素值超过阈值的若干元素确定为所述第一目标元素。
可选的,所述从所述若干子元素中确定出第二目标元素,包括:
将元素值最大的所述子元素确定为所述第二目标子元素。
可选的,所述从所述起诉状中识别出若干项指定的起诉信息之后,所述方法还包括:
将所述起诉信息输入嵌入模型,得到所述起诉信息对应的嵌入特征,将所述嵌入特征作为所述起诉信息输入所述案由识别模型。
可选的,所述起诉信息包括以下一种或多种:
上诉人、被上诉人、诉讼请求、事实和理由。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (16)
1.一种基于起诉状的案由确定方法,其特征在于,预设有案由树,所述案由树包括若干案由节点,每个案由节点表征唯一一个标准案由,所述方法包括:
获取待确定案由的起诉状;
从所述起诉状中识别出若干项指定的起诉信息;
将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由;
其中,所述案由识别模型包括起诉特征提取层、案由特征转换层和案由输出层,
所述起诉特征提取层,用于基于识别出的起诉信息提取出所述起诉状的起诉特征;
所述案由特征转换层,用于将所述起诉特征转换为若干案由特征向量,所述案由特征向量与所述案由树中唯一深度的案由节点对应,且所述案由特征向量中的各元素分别表征该深度下各案由节点的特征;
所述案由输出层,用于从所述若干案由特征向量中确定若干目标元素,将所述目标元素对应案由节点表征的标准案由确定为所述起诉状所属的标准案由。
2.根据权利要求1所述方法,其特征在于,所述起诉特征提取层包括:初始提取层、初始融合层、若干个中间提取层和中间融合层;
所述初始提取层,用于分别提取各起诉信息的初始特征;
所述初始融合层,用于融合各个初始特征得到所述起诉信息的融合特征;
每个所述中间提取层,用于采用若干卷积核对所述融合特征进行特征提取,得到各卷积核对应的卷积特征,并融合各卷积核对应的卷积特征得到本层对应的中间特征;
所述中间融合层,用于融合各个中间提取层得到的中间特征,得到所述起诉状的起诉特征。
3.根据权利要求1所述方法,其特征在于,所述输出层用于:
从深度为i的案由节点对应的案由特征向量中确定第一目标元素;
判断所述第一目标元素对应的案由节点是否为所述案由树的叶子节点;
若否,则从深度i+1的案由节点对应的案由特征向量中查找所述第一目标元素对应的若干子元素,并从所述若干子元素中确定出第二目标元素,继续执行判断所述目标子元素对应的子案由节点是否为所述案由树的叶子节点的步骤,并将i置为i+1;
其中,i的初始值为1,i为大于等于1的整数。
4.根据权利要求3所述方法,其特征在于,所述从深度i对应案由特征向量中确定第一目标元素,包括:
将元素值超过阈值的若干元素确定为所述第一目标元素。
5.根据权利要求3所述方法,其特征在于,所述从所述若干子元素中确定出第二目标元素,包括:
将元素值最大的所述子元素确定为所述第二目标子元素。
6.根据权利要求1所述方法,其特征在于,所述从所述起诉状中识别出若干项指定的起诉信息之后,所述方法还包括:
将所述起诉信息输入嵌入模型,得到所述起诉信息对应的嵌入特征,将所述嵌入特征作为所述起诉信息输入所述案由识别模型。
7.根据权利要求1所述方法,其特征在于,所述起诉信息包括以下一种或多种:
上诉人、被上诉人、诉讼请求、事实和理由。
8.一种基于起诉状的案由确定装置,其特征在于,预设有案由树,所述案由树包括若干案由节点,每个案由节点表征唯一一个标准案由,所述装置包括:
获取单元,用于获取待确定案由的起诉状;
识别单元,用于从所述起诉状中识别出若干项指定的起诉信息;
输入单元,用于将所述起诉信息输入案由识别模型,得到所述起诉状所属的标准案由;
其中,所述案由识别模型包括起诉特征提取层、案由特征转换层和案由输出层,
所述起诉特征提取层,用于基于识别出的起诉信息提取出所述起诉状的起诉特征;
所述案由特征转换层,用于将所述起诉特征转换为若干案由特征向量,所述案由特征向量与所述案由树中唯一深度的案由节点对应,且所述案由特征向量中的各元素分别表征该深度下各案由节点的特征;
所述案由输出层,用于从所述若干案由特征向量中确定若干目标元素,将所述目标元素对应案由节点表征的标准案由确定为所述起诉状所属的标准案由。
9.根据权利要求8所述装置,其特征在于,所述起诉特征提取层包括:初始提取层、初始融合层、若干个中间提取层和中间融合层;
所述初始提取层,用于分别提取各起诉信息的初始特征;
所述初始融合层,用于融合各个初始特征得到所述起诉信息的融合特征;
每个所述中间提取层,用于采用若干卷积核对所述融合特征进行特征提取,得到各卷积核对应的卷积特征,并融合各卷积核对应的卷积特征得到本层对应的中间特征;
所述中间融合层,用于融合各个中间提取层得到的中间特征,得到所述起诉状的起诉特征。
10.根据权利要求8所述装置,其特征在于,所述输出层用于:
从深度为i的案由节点对应的案由特征向量中确定第一目标元素;
判断所述第一目标元素对应的案由节点是否为所述案由树的叶子节点;
若否,则从深度i+1的案由节点对应的案由特征向量中查找所述第一目标元素对应的若干子元素,并从所述若干子元素中确定出第二目标元素,继续执行判断所述目标子元素对应的子案由节点是否为所述案由树的叶子节点的步骤,并将i置为i+1;
其中,i的初始值为1,i为大于等于1的整数。
11.根据权利要求10所述装置,其特征在于,所述从深度i对应案由特征向量中确定第一目标元素,包括:
将元素值超过阈值的若干元素确定为所述第一目标元素。
12.根据权利要求10所述装置,其特征在于,所述从所述若干子元素中确定出第二目标元素,包括:
将元素值最大的所述子元素确定为所述第二目标子元素。
13.根据权利要求8所述装置,其特征在于,所述输入单元还用于:
将所述起诉信息输入嵌入模型,得到所述起诉信息对应的嵌入特征,将所述嵌入特征作为所述起诉信息输入所述案由识别模型。
14.根据权利要求8所述装置,其特征在于,所述起诉信息包括以下一种或多种:
上诉人、被上诉人、诉讼请求、事实和理由。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1-7所述方法的步骤。
16.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110266982.9A CN112686339B (zh) | 2021-03-11 | 2021-03-11 | 一种基于起诉状的案由确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110266982.9A CN112686339B (zh) | 2021-03-11 | 2021-03-11 | 一种基于起诉状的案由确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686339A true CN112686339A (zh) | 2021-04-20 |
CN112686339B CN112686339B (zh) | 2021-07-20 |
Family
ID=75455490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110266982.9A Active CN112686339B (zh) | 2021-03-11 | 2021-03-11 | 一种基于起诉状的案由确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686339B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113722488A (zh) * | 2021-09-01 | 2021-11-30 | 北京市律典通科技有限公司 | 民事案由信息识别训练方法、装置及案由提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145097A (zh) * | 2018-06-11 | 2019-01-04 | 人民法院信息技术服务中心 | 一种基于信息提取的裁判文书分类方法 |
CN110751216A (zh) * | 2019-10-21 | 2020-02-04 | 南京大学 | 一种基于改进卷积神经网络的裁判文书行业分类方法 |
CN111539853A (zh) * | 2020-06-19 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 标准案由确定方法、装置和设备 |
-
2021
- 2021-03-11 CN CN202110266982.9A patent/CN112686339B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145097A (zh) * | 2018-06-11 | 2019-01-04 | 人民法院信息技术服务中心 | 一种基于信息提取的裁判文书分类方法 |
CN110751216A (zh) * | 2019-10-21 | 2020-02-04 | 南京大学 | 一种基于改进卷积神经网络的裁判文书行业分类方法 |
CN111539853A (zh) * | 2020-06-19 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 标准案由确定方法、装置和设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113722488A (zh) * | 2021-09-01 | 2021-11-30 | 北京市律典通科技有限公司 | 民事案由信息识别训练方法、装置及案由提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112686339B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI677852B (zh) | 一種圖像特徵獲取方法及裝置、電子設備、電腦可讀存儲介質 | |
CN110555050B (zh) | 一种基于元路径的异构网络节点表示学习方法 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN110414550B (zh) | 人脸识别模型的训练方法、装置、系统和计算机可读介质 | |
CN111028006B (zh) | 一种业务投放辅助方法、业务投放方法及相关装置 | |
CN113656660B (zh) | 跨模态数据的匹配方法、装置、设备及介质 | |
WO2020063524A1 (zh) | 一种法律文书的确定方法及系统 | |
CN111783934A (zh) | 卷积神经网络构建方法、装置、设备及介质 | |
CN112686339B (zh) | 一种基于起诉状的案由确定方法和装置 | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
CN114494809A (zh) | 特征提取模型优化方法、装置及电子设备 | |
JP7092194B2 (ja) | 情報処理装置、判定方法、及びプログラム | |
Shi et al. | Segmentation quality evaluation based on multi-scale convolutional neural networks | |
CN113515620A (zh) | 电力设备技术标准文档排序方法、装置、电子设备和介质 | |
CN117493672A (zh) | 产品的推荐方法、装置、存储介质及电子设备 | |
CN111626098B (zh) | 模型的参数值更新方法、装置、设备及介质 | |
CN115545001B (zh) | 一种文本匹配方法及装置 | |
CN111507218A (zh) | 语音与人脸图像的匹配方法、装置、存储介质及电子设备 | |
CN110827078A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN112766288B (zh) | 图像处理模型构建方法、装置、电子设备和可读存储介质 | |
CN110705889A (zh) | 一种企业筛选方法、装置、设备及存储介质 | |
CN117688390A (zh) | 内容匹配方法、装置、计算机设备、存储介质和程序产品 | |
Wen et al. | QoS-aware web service recommendation model based on users and services clustering | |
Ameur et al. | Influence of basic belief assignments construction on the behaviour of a fusion system for tree species recognition | |
CN114757581A (zh) | 一种金融交易风险评估方法、装置、电子设备及计算机可读介质 |
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 |