CN112988957A - 案件预判结果生成方法、装置、电子设备 - Google Patents

Abstract

公开一种案件预判结果生成方法，应用于辅助审判系统，获取与目标案件对应的案件要素数据；其中，所述案件要素数据为指示所述目标案件的案件关键特征的关键数据；将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果，以使法官可以基于预判结果进行案件审理从而快速生成案件判决书，提高了案件审判效率。

Description

案件预判结果生成方法、装置、电子设备

技术领域

本申请一个或多个实施例涉及计算机应用技术领域，尤其涉及案件预判结果生成方法、装置、电子设备及机器可读存储介质。

背景技术

起诉状，是指公民或法人因自身合法权益遭受侵害而向法院提起诉讼请求的法律文书。根据诉讼的性质和目的不同，起诉状可以包括民事起诉状、行政起诉状和刑事自诉状等。

答辩状，是指被告针对起诉状的内容，在法定期限内根据事实和法律进行回答和辩驳的法律文书。答辩状是法律赋予处于被告地位的案件当事人的一种权利，其有处置答辩权的自由，可以答辩，也可以沉默。答辩状有利于保护被告的正当合法权益；有利于法院在全面了解案情的基础上，判明是非，做出正确的判决。

案件判决书，是指法院对案件审判完成判决后写成的法律文书。例如，案件判决书可以包括民事判决书、刑事判决书、行政判决书和刑事附带民事判决书等。

发明内容

本申请提供一种案件预判结果生成方法，所述方法应用于辅助审判系统，所述方法包括：

获取与目标案件对应的案件要素数据；其中，所述案件要素数据为指示所述目标案件的案件关键特征的关键数据；

将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果。

可选的，所述案件要素数据至少包括指示所述目标案件的案件类型的第一案件要素数据；所述案件审判模型预设有法律逻辑图谱数据；其中，所述法律逻辑图谱数据为用于所述案件审判模型进行模拟判案的法律逻辑推理数据；

所述将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果，包括：

以所述第一案件要素数据作为查找索引，在所述法律逻辑图谱数据中，得到与所述目标案件的案件类型对应的匹配的法律逻辑图谱数据；

基于所述匹配的法律逻辑图谱数据，对所述案件要素数据进行案件预判处理，得到与所述目标案件对应的预判结果。

可选的，所述案件要素数据还包括指示所述目标案件的原告诉求的第二案件要素数据；

所述匹配的法律逻辑图谱数据包括法律实体及法律实体关系；其中，所述法律实体关系为指示多个法律实体之间存在的法律依赖关系；

所述基于所述匹配的法律逻辑图谱数据，对所述案件要素数据进行案件预判处理，得到与所述目标案件对应的预判结果，包括：

对所述匹配的法律逻辑图谱数据中的法律实体进行初始化；

基于所述匹配的法律逻辑图谱数据中的法律实体关系，对初始化完成后的法律实体执行对应的逻辑，数据和结论计算，得到与所述目标案件对应的预判结果。

可选的，所述案件要素数据还包括指示所述目标案件的证据的第三案件要素数据；

所述法律实体包括直接实体、目标实体；其中，所述直接实体为以所述第三案件要素数据作为输入的法律实体，所述目标实体为以所述第二案件要素数据作为输入的法律实体；

所述对所述匹配的法律逻辑图谱数据中的法律实体进行初始化，包括：

以所述第二案件要素数据及所述第三案件要素数据为输入，分别对所述目标实体及所述直接实体进行赋值。

可选的，所述法律实体还包括中间实体；其中，所述中间实体为基于存在依赖关系的法律实体进行汇总运算赋值后得到的间接法律实体，所述目标实体为经汇总运算赋值后得到的最终的中间实体；

所述基于所述匹配的法律逻辑图谱数据中的法律实体关系，对初始化完成后的法律实体执行对应的计算，得到与所述目标案件对应的预判结果，包括：

确定所述目标实体与所述直接实体之间的存在法律实体关系的中间实体；

对赋值后的直接实体进行运算，该运算可以为任何可量化的规则运算或者不可量化但可通过大数据抽象的到的关系运算，得到经运算后的中间实体；

基于对与所述目标实体相邻的已赋值的中间实体进行汇总运算，得到汇总运算后的已赋值的目标实体；

将所述已赋值的目标实体的结果作为与所述目标案件对应的预判结果。

可选的，所述法律逻辑图谱数据为实体关系为有向的知识图谱数据。

可选的，在得到与所述目标案件对应的预判结果后，还包括：

将所述预判结果输出给用户或其他系统使用者，以使用户对所述预判结果进行更新修正。

可选的，所述案件审判模型为基于深度神经网络构建的机器学习模型。

可选的，所述案件审判模型为基于与所述目标案件对应的历史案件案件的存在时序关联的要素数据进行训练获得的机器学习模型。

本申请还提供一种案件预判结果生成装置，所述装置应用于辅助审判系统，所述装置包括：

获取模块，获取与目标案件对应的案件要素数据；其中，所述案件要素数据为指示所述目标案件的案件关键特征的关键数据；

生成模块，将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果。

可选的，所述案件要素数据至少包括指示所述目标案件的案件类型的第一案件要素数据；所述案件审判模型预设有法律逻辑图谱数据；其中，所述法律逻辑图谱数据为用于所述案件审判模型进行模拟判案的法律逻辑推理数据；

所述生成模块进一步：

以所述第一案件要素数据作为查找索引，在所述法律逻辑图谱数据中，得到与所述目标案件的案件类型对应的匹配的法律逻辑图谱数据；

基于所述匹配的法律逻辑图谱数据，对所述案件要素数据进行案件预判处理，得到与所述目标案件对应的预判结果。

可选的，所述案件要素数据还包括指示所述目标案件的原告诉求的第二案件要素数据；

所述匹配的法律逻辑图谱数据包括法律实体及法律实体关系；其中，所述法律实体关系为指示多个法律实体之间存在的法律依赖关系；

所述生成模块进一步：

对所述匹配的法律逻辑图谱数据中的法律实体进行初始化；

基于所述匹配的法律逻辑图谱数据中的法律实体关系，对初始化完成后的法律实体执行对应的逻辑，数据和结论计算，得到与所述目标案件对应的预判结果。

可选的，所述案件要素数据还包括指示所述目标案件的证据的第三案件要素数据；

所述法律实体包括直接实体、目标实体；其中，所述直接实体为以所述第三案件要素数据作为输入的法律实体，所述目标实体为以所述第二案件要素数据作为输入的法律实体；

所述生成模块进一步：

以所述第二案件要素数据及所述第三案件要素数据为输入，分别对所述目标实体及所述直接实体进行赋值。

可选的，所述法律实体还包括中间实体；其中，所述中间实体为基于存在依赖关系的法律实体进行汇总运算赋值后得到的间接法律实体，所述目标实体为经汇总运算赋值后得到的最终的中间实体；

所述生成模块进一步：

确定所述目标实体与所述直接实体之间的存在法律实体关系的中间实体；

对赋值后的直接实体进行运算，该运算可以为任何可量化的规则运算或者不可量化但可通过大数据抽象的到的关系运算，得到经运算后的中间实体；

基于对与所述目标实体相邻的已赋值的中间实体进行汇总计算，得到汇总计算后的已赋值的目标实体；

将所述已赋值的目标实体的结果作为与所述目标案件对应的预判结果。

可选的，所述法律逻辑图谱数据为实体关系为有向的知识图谱数据。

可选的，在得到与所述目标案件对应的预判结果后，所述生成模块进一步：

将所述预判结果输出给用户，以使用户对所述预判结果进行更新修正。

可选的，所述案件审判模型为基于深度神经网络构建的机器学习模型。

可选的，所述案件审判模型为基于与所述目标案件对应的历史案件案件的存在时序关联的要素数据进行训练获得的机器学习模型。

本申请还提供一种电子设备，包括通信接口、处理器、存储器和总线，所述通信接口、所述处理器和所述存储器之间通过总线相互连接；

所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行上述的方法。

通过以上实施例，基于获取与目标案件对应的案件要素数据；以及，将案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与目标案件对应的预判结果，以使法官可以基于预判结果进行案件审理从而快速生成案件判决书，提高了案件审判效率。

附图说明

图1是一示例性实施例提供的一种案件判决过程的示意图；

图2是一示例性实施例提供的一种案件预判结果生成方法的流程图；

图3是一示例性实施例提供的一种法律逻辑图谱数据的逻辑结构的示意图；

图4是一示例性实施例提供的一种交通事故纠纷案子的法律逻辑图谱数据的逻辑结构的示意图；

图5是一示例性实施例提供的一种电子设备的硬件结构图；

图6是一示例性实施例提供的一种案件预判结果生成装置的框图。

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”。

为了使本技术领域的人员更好地理解本说明书实施例中的技术方案，下面先对本说明书实施例涉及的案件预判结果生成的相关技术，进行简要说明。

请参见图1，图1是本说明书一实施例提供的一种案件判决过程的示意图。

如图1所示的案件判决过程，包括：立案、开庭审理、案件宣判；案件涉及的参与对象包括：原告、被告及法院。

如图1所示，在立案的过程中，原告可以向法院提交起诉状，发起诉讼请求(如图1所示的S1步骤)；在法院确定原告的诉讼请求符合立案条件后，进行立案；法院获得原告提交的证据等诉讼数据(如图1所示的S2步骤)；进一步地，法院向被告发送案件传票给被告(如图1所示的S3步骤)；以及，获得被告提交的答辩状、证据等诉讼数据(如图1所示的S4步骤)。

如图1所示，在开庭审理的过程中，法院召集原告、被告及与案件相关人(比如：律师或证人等)，进行现场开庭及当庭审判，庭审期间过程的所有数据(比如：证据、证言、答辩过程)会保存为庭审笔录(如图1所示的S5步骤)。

如图1所示，在开庭审理完成后，由法官进行案件推理分析手工撰写案件判决书，并根据案件判决书对案件宣判(如图1所示的S6步骤)，从而完成案件宣判，通常，由法官在当庭召集原告及被告，现场宣读案件判决书。

基于如图1所示的案件判决过程的场景，由于法官个体经验不同，可能存在案件判决尺度和标准差异较大的问题。

在以上示出的案件判决过程的基础上，本说明书旨在提出一种，基于辅助审判系统进行案件审判，并自动生成案件预判结果的技术方案。

在实现时，辅助审判系统获取与目标案件对应的案件要素数据；其中，案件要素数据为指示目标案件的案件关键特征的关键数据。

进一步地，辅助审判系统将案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与目标案件对应的预判结果。

在以上技术方案中，基于获取与目标案件对应的案件要素数据；以及，将案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与目标案件对应的预判结果，以使法官可以基于预判结果进行案件审理从而快速生成案件判决书，提高了案件审判效率。

下面通过具体实施例并结合具体的应用场景对本说明书进行描述。

请参考图2，图2是本说明书一实施例提供的一种案件预判结果生成方法的流程图，该方法应用于辅助审判系统，上述方法执行以下步骤：

步骤202、获取与目标案件对应的案件要素数据；其中，上述案件要素数据为指示上述目标案件的案件关键特征的关键数据。

步骤204、将上述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与上述目标案件对应的预判结果。

在本说明书中，上述辅助审判系统，是指用于辅助法院进行案件信息收集及案件审判的任何形式的机器或机器集群。

例如，在实际应用中，上述辅助审判系统可以是用于辅助法院进行案件信息收集及案件审判的位于本地的机器或机器集群，也可以是用于辅助法院进行案件信息收集及案件审判的位于云端的机器或机器集群。

在本说明书中，上述目标案件，可以包括任何类型的法律案件。

例如，在实际应用中，上述目标案件可以包括民事案件、刑事案件、行政案件等。

在本说明书中，上述案件审判模型，是指上述辅助审判系统中搭载的用于模拟法官进行案件分析、推理、判案等法律逻辑的机器学习模型。

在示出的一种实施方式中，上述案件审判模型为深度神经网络构建的机器学习模型。

例如，在实际应用中，上述案件审判模型为基于LSTM(Long Short-Term Memory，长短记忆)神经网络构建的机器学习模型。

在示出的一种实施方式中，上述案件审判模型为基于与上述目标案件对应的历史案件案件的存在时序关联的要素数据进行训练获得的机器学习模型。

以目标案件为交通事故纠纷的民事案件举例说明，上述案件审判模型为基于上述目标案件的案情相似的已完成审判的多个交通事故纠纷的历史案件对应的诉讼数据(可以包括该历史案件对应存在时序关联的原告和被告提交的诉讼数据、庭审笔录数据等)输入至LSTM神经网络进行训练，从而完成对该机器模型的模型参数的训练，具体过程请参见LSTM神经网络的原理及实现，这里不再赘述。

在本说明书中，上述案件要素数据，是指用于指示上述目标案件的案件关键特征的关键数据。

在实际应用中，上述案件要素数据可以包括指示上述目标案件的案件类型的关键数据；上述案件要素数据还可以包括指示上述目标案件的原告起诉状及被告答辩状中指示各自的核心诉求的关键数据；上述案件要素数据还可以包括指示上述目标案件的原告证据及被告证据的重要证据的关键数据；上述案件要素数据还可以包括指示上述目标案件的庭审笔录数据中重要内容的关键数据。

以目标案件为交通事故纠纷的民事案件举例说明，上述案件要素数据可以包括:{“案件类型”：“交通事故纠纷的民事案件”}、{“原被告身份信息”：原被告住址，身份信息等}、{“原告的医疗赔偿诉求”：{“诉求“：“赔偿”}}、{“原告提交的已花费医疗费用发票单据的证据1”：{“类型”：“票据”}，原告提交的已花费医疗费用发票单据的证据2”：{“类型”：“票据”}，...“原告提交的已花费医疗费用发票单据的证据N”：{“类型”：“票据”}}、{“被告可提供的医疗赔偿金额”：{“类型”：“票据”}}、{“被告提交的已赔偿原告的医疗费用发票单据的证据1”：{“类型”：“票据或单据”}，“被告提交的已赔偿原告的医疗费用发票单据的证据2”：{“类型”：“票据”}，...“被告提交的已赔偿原告的医疗费用发票单据的证据N”：{“类型”：“票据”}}、{“庭审笔录信息”：原被告庭审发言词记录}中的一种或多种组合。

在本说明书中，上述辅助审判系统获取与上述目标案件对应的上述案件要素数据。

接着以上示例继续举例说明，上述辅助审判系统对与上述目标案件对应的诉讼数据，比如：该诉讼数据可以包括起诉状、答辩状、文字庭审笔录等文本数据及原告及被告提交的图片、视频等非文本化的证据数据、庭审笔录录音等数据等)；

上述辅助审判系统可以基于OCR(Optical Character Recognition，光学字符识别)算法、语音识别算法、图像及视频识别算法等，进行识别处理得到文本化的诉讼数据；

进一步地，上述辅助审判系统基于NLP(Natural Language Processing，自然语言处理)算法，对得到的文本化的诉讼数据进行语义分析，得到指示上述目标案件为交通事故纠纷的民事案件的案件关键特征的关键数据；其中，该关键数据可以包括指示该目标案件为交通事故纠纷的民事案件的案件特征的起诉状、答辩状、原告证据、被告证据、庭审笔录数据对应的文本化后的文本中的所有指示该目标案件的案件关键特征的关键词及其对应的值。

为了方便理解，这里简单介绍下知识图谱，知识图谱是一种将人类对客观世界的认知映射到计算机世界中的一种信息技术。以客观世界中的对象作为计算机世界中的实体，以客观世界中的对象的属性或对象之间关系作为计算机世界中的实体属性或者实体间关系，用来通过计算机世界描述客观世界的对象、对象属性及对象关系。

在实现时，知识图谱的构成核心是三元组：实体(Entity)、属性(Attribute)和关系(Relation)；客观世界中的对象的属性或对象之间关系，可以被表示为<实体，关系，实体>或<实体，属性，属性值>。

例如：“Google是人工智能公司”这是人类的认知，在计算机世界中通过知识图谱的三元组方式进行描述时，可以使用三元组<Google，是，人工智能公司>表达；其中，“Google”、“人工智能公司”都为实体，“是”表征“Google”与“人工智能公司”的实体关系。

又例如：“地球的年龄是46亿年”这是人类的认知，在计算机世界中通过知识图谱的三元组方式进行描述时，可以使用三元组<地球，年龄，46亿年>表达；其中，“地球”为实体，“年龄”表征“地球”实体的实体属性，“46亿年””表征“地球年龄”实体属性的属性值。

由此，通过构建海量的知识图谱的三元组数据，可以将人类认知在计算机世界中形成海量数据的知识图谱数据，该知识图谱数据可以通过图数据库进行存储，具体图数据库的类型及原理，请参见图数据库技术说明，这里不再赘述。

请参见图3，图3是本说明书一实施例提供的一种法律逻辑图谱数据的逻辑结构的示意图。

如图3中所示的矩形框代表法律逻辑图谱数据中的法律实体；两个有连线的实体代表该两个实体之间具有依存关系。

如图3中所示的每个矩形框分别代表法律实体；其中，带斜线的矩形框包括G、F、H，分别代表直接实体；白色背景的矩形框包括D、E、J、B、C，分别代表中间实体；灰色背景的矩形框包括A，代表目标实体。

需要说明的是，如图3所示的法律实体之间存在的依存关系，依存关系随着实体的不同而变化，两个实体之间的关系可以包括逻辑运算、数学运算、关系运算等，以及任何可以形式的依存关系。

在本说明书中，上述法律逻辑图谱数据，是指用于上述案件审判模型进行模拟判案的法律逻辑推理数据。

例如，在实现时，上述法律逻辑图谱数据可以包括基于法官的判案法律逻辑推理构建的知识图谱数据。上述法律逻辑图谱数据的逻辑结构如图3所示。

在示出的一种实施方式中，上述法律逻辑图谱数据，为实体关系为有向的知识图谱数据。

例如，在实际应用中，上述法律逻辑图谱数据为如图3所示，上述法律逻辑图谱数据可以有如图3所示的右侧的直接实体按实体关系进行逐级计算得到若干中间实体，最终得到如图3所示的左侧的目标实体A。

当然，当上述法律逻辑图谱数据的逻辑结构为如图3所示的水平结构时，法律逻辑图谱数据的方向性可以除了可以为从右到左外，也可以为从左到右。为了方便理解和描述，后续示例以图3所示的法律逻辑图谱数据的方向性为从右到左进行描述。

在本说明书中，上述第一案件要素数据包括指示上述目标案件的案件类型的关键数据。

以目标案件为交通事故纠纷的民事案件举例说明，上述第一案件要素数据可以包括指示上述目标案件的案件类型的关键数据，该关键数据比如可以包括：{“案件类型”：“交通事故纠纷的民事案件”}。

在示出的一种实施方式中，上述案件要素数据至少包括上述第一案件要素数据，在将上述案件要素数据输入至上述案件审判模型进行案件预判处理，得到与上述目标案件对应的预判结果的过程中，上述辅助审判系统以上述第一案件要素数据作为查找索引，在上述法律逻辑图谱数据中，得到与所述目标案件的案件类型对应的匹配的法律逻辑图谱数据。

接着以上示例继续举例，上述辅助审判系统以上述第一案件要素数据作为查找索引，在上述法律逻辑图谱数据中，得到与上述目标案件的案件类型为“交通事故纠纷的民事案件”对应的匹配的法律逻辑图谱数据。

需要说明的是，通常，上述法律逻辑图谱数据可以包括针对所有案件类型的生成的法律逻辑图谱数据，而当目标案件为“交通事故纠纷的民事案件”案件类型时，仅需在上述法律逻辑图谱数据中找到与该目标案件的案件类型对应的匹配的法律逻辑图谱数据。

在本说明书中，上述匹配的法律逻辑图谱数据，是指上述法律逻辑图谱数据中的、与上述目标案件的案件类型对应的匹配的法律逻辑图谱数据。

接着以上示例继续举例，上述匹配的法律逻辑图谱数据为与该目标案件的案件类型“交通事故纠纷的民事案件”对应的匹配的法律逻辑图谱数据。

在本说明书中，进一步地，上述辅助审判系统基于上述匹配的法律逻辑图谱数据，对上述案件要素数据进行案件预判处理，得到与上述目标案件对应的预判结果。

接着以上示例继续举例，上述辅助审判系统基于与案件类型为“交通事故纠纷的民事案件”的法律逻辑图谱数据，对上述案件要素数据进行案件预判处理，得到与上述目标案件对应的预判结果。

在本说明书中，上述预判结果，是指上述辅助审判系统输出的、与上述目标案件对应的案由、审判过程及审判结论的机器判决结果。

以目标案件为交通事故纠纷的民事案件举例说明，上述预判结果可以包括上述辅助审判系统输出的、与该交通事故纠纷的民事案件对应的机器判决结果；该判决结果可以包括该交通事故纠纷的民事案件案由、审判过程及审判结论等。

在本说明书中，上述第二案件要素数据包括指示上述目标案件的原告诉求的关键数据。

以目标案件为交通事故纠纷的民事案件举例说明，上述第二案件要素数据可以包括指示上述目标案件的原告诉求的关键数据，该关键数据比如可以包括：{“起诉状中的原告的医疗赔偿金额诉求”：金额X}。

在示出的一种实施方式中，上述案件要素数据除了包括上述第一案件要素数据外，还包括上述第二案件要素数据。

接着以上示例继续举例，上述案件要素数据除了包括关键数据{“案件类型”：“交通事故纠纷的民事案件”}外，还包括关键数据{“起诉状中的原告的医疗赔偿金额诉求”：金额X}。

需要说明的是，在本说明书中，法律实体是指客观世界中具有法律意义的对象对应在计算机世界中描述的实体(Entity)；法律实体关系是指客观世界中具有法律意义的对象关系对应在计算机世界中描述的关系(Relation)；对法律实体赋值，是指对实体(Entity)的属性(Attribute)进行赋值。具体法律实体及法律实体关系，请参见前文知识图谱的描述和示例，具体不再赘述。

在示出的一种实施方式中，上述匹配的法律逻辑图谱数据包括法律实体及法律实体关系；其中，上述法律实体关系为指示多个法律实体之间存在的法律依赖关系。

接着以上示例继续举例，上述匹配的法律逻辑图谱数据为如图3所示，上述匹配的法律逻辑图谱数据包括多个法律实体(比如包括：A、B、C、D、E、F、G、H、J)及其之间对应的法律关系；

其中，上述法律实体关系为指示多个法律实体之间存在的法律依赖关系，例如：法律实体G和法律实体F在分别赋值后，通过确定其分别与D关系推断出D的值；法律实体H和法律实体F在分别赋值后,通过其分别与E的关系推断的到E的值；基于法律实体D的值，通过其分别与J的关系推断的到J的值；法律实体D的值和法律实体G的值，通过其分别与B的关系推断的到B的值；法律实体C的值，通过其与J的关系通过J推断得来；法律实体B的值和法律实体C的值，通过推断得到A的值。

在本说明书中，上述第三案件要素数据包括指示上述目标案件的证据的关键数据。

以目标案件为交通事故纠纷的民事案件举例说明，上述第三案件要素数据可以包括指示上述目标案件的证据的关键数据，该关键数据比如可以包括：{“原告提交的已花费医疗费用发票单据的证据1”：{“类型”：“票据”}，原告提交的已花费医疗费用发票单据的证据2”：{“类型”：“票据”}，...“原告提交的已花费医疗费用发票单据的证据N”：{“类型”：“票据”}}、{“被告提交的已赔偿原告的医疗费用发票单据的证据1”：{“类型”：“票据”}，“被告提交的已赔偿原告的医疗费用发票单据的证据2”：{“类型”：“票据”}，...“被告提交的已赔偿原告的医疗费用发票单据的证据N”：{“类型”：“票据”}}、{“庭审笔录证据”：原被告庭审发言词证据}。

在示出的一种实施方式中，上述案件要素数据除了包括上述第一案件要素数据、上述第二案件要素数据外，还包括上述第三案件要素数据。

接着以上示例继续举例，上述案件要素数据除了包括关键数据{“案件类型”：“交通事故纠纷的民事案件”}、关键数据{“起诉状中的原告的医疗诉求”：{“类型”：“医疗费”}}外，还包括指示上述目标案件的证据的上述第三案件要素数据。

在示出的一种实施方式中，法律实体包括直接实体、目标实体；其中，上述直接实体为以上述第三案件要素数据作为输入的法律实体，上述目标实体为以上述第二案件要素数据作为输入的法律实体。

接着以上示例继续举例，请参见图3所示，G、F、H，分别代表直接实体；其中，每个直接实体为以上述第三案件要素数据作为输入的法律实体，也即，G、F、H每个直接实体为以上述第三案件要素数据的值作为输入，赋值给每个实体对应的属性。A代表目标实体，其中，该目标实体以上述第二案件要素数据作为输入，赋值给该目标实体对应的属性。

在本说明书中，在基于上述匹配的法律逻辑图谱数据，对上述案件要素数据(除了包括上述第一案件要素数据、上述第二案件要素数据外，还包括上述第三案件要素数据)进行案件预判处理，得到与上述目标案件对应的预判结果的过程中，上述辅助审判系统对上述匹配的法律逻辑图谱数据中的法律实体进行初始化。

在示出的一种实施方式中，在对上述匹配的法律逻辑图谱数据中的法律实体进行初始化的过程中，上述辅助审判系统以上述第二案件要素数据及上述第三案件要素数据为输入，分别对上述目标实体及上述直接实体进行赋值。

接着以上示例继续举例，请参见图3，上述辅助审判系统以上述第二案件要素数据为输入，对目标实体A的实体属性进行赋值；以及，上述辅助审判系统以上述第三案件要素数据为输入，分别对直接实体G、F、H的实体属性进行赋值。

在示出的一种实施方式中，法律实体除了包括直接实体、目标实体外，还包括中间实体。

接着以上示例继续举例，请参见图3，法律实体除了包括直接实体(G、F、H)、目标实体(A)外，还包括中间实体(D、E、J、B、C、A)。

在本说明书中，上述中间实体为基于存在依赖关系的法律实体进行汇总运算赋值后得到的间接法律实体，上述目标实体为经汇总运算赋值后得到的最终的间接法律实体。

接着以上示例继续举例，请参见图3，中间实体(D、E、J、B、C、A)为基于存在依赖关系的法律实体进行汇总运算赋值后得到的间接法律实体，具体计算过程，请参见前文中的对上述法律实体关系的示例，这里不再赘述。

在本说明书中，在对上述匹配的法律逻辑图谱数据中的法律实体进行初始化后，进一步地，上述辅助审判系统基于上述匹配的法律逻辑图谱数据中的法律实体关系，对初始化完成后的法律实体执行对应的计算，得到与所述目标案件对应的预判结果。

在示出的一种实施方式中，在对初始化完成后的法律实体执行对应的计算得到与上述目标案件对应的预判结果的过程中，上述辅助审判系统确定目标实体与直接实体之间的存在法律实体关系的中间实体。

例如，在实际应用中，上述辅助审判系统可以基于上述案件审判模型，对上述案件要素数据进行数据分析及挖掘，确定目标实体与直接实体之间的存在法律实体关系的中间实体。

在本说明书中，进一步地，上述辅助审判系统对赋值后的直接实体进行运算，该运算可以为任何可量化的规则运算或者不可量化但可通过大数据抽象的到的关系运算，得到经运算后的中间实体。

例如，请参见图3所示，通过上述第三案件要素数据对直接实体(G、F、H)进行赋值，进一步地，上述辅助审判系统对赋值后的直接实体(G、F、H)按照如图3所示的法律实体关系进行汇总运算，得到汇总运算后的已赋值的中间实体(D、E、J、B、C)

在本说明书中，进一步地，上述辅助审判系统基于对与目标实体相邻的已赋值的中间实体进行汇总计算，得到汇总计算后的已赋值的目标实体。

接着以上示例继续举例，上述辅助审判系统基于对与目标实体A相邻的已赋值的中间实体(B、C)进行汇总计算，得到汇总计算后的已赋值的目标实体A。

在本说明书中，进一步地，上述辅助审判系统将已赋值的目标实体的结果作为与上述目标案件对应的预判结果。

接着以上示例继续举例，上述辅助审判系统将已赋值的目标实体A的结果作为与上述目标案件对应的预判结果。

为了方便理解，在图3所示的法律逻辑图谱数据的逻辑结构的基础上，以一个交通事故纠纷案子对应的法律逻辑图谱数据进行示例。

请参见图4，图4是本说明书一实施例提供的一种交通事故纠纷案子的法律逻辑图谱数据的逻辑结构的示意图。

与图3相同，图4中所示的矩形框代表法律逻辑图谱数据中的法律实体；

其中，“住院发票金额1”、“住院发票金额2”...、“住院发票金额N”,“门诊发票金额1”、“门诊发票金额2”...、“门诊发票金额N”、“住院发票金额N”,“药店发票金额1”、“药店发票金额2”...、“药店发票金额N”、“鉴定医疗费用金额”、“原告诉请的医疗费总金额”为直接实体；

“住院费用总金额”、“医院住院费”、“医院门诊费”、“药店购药费”、“计算得到的医疗费总金额”为中间实体；

“支持的原告诉请的医疗费总金额”为目标实体。

如图4，实体之间有相连的代表实体之间存在依存关系，实体类型的不同决定了依存关系的不同。

如图4所示，上述目标案件为交通事故纠纷案件，在辅助审判系统将与该案件对应的案件要素数据，输入上述案件审判模型进行案件预判处理，得到与该案件对应的预判结果，也即，该预判结果为目标实体(“支持的原告诉请的医疗费总金额”)的具体数值。

如图4所示，基于与该案件对应的匹配的交通事故纠纷的法律逻辑图谱数据，辅助审判系统可以得到对应的预判结果。

例如，原告诉请的医疗费总金额为10万元，而辅助审判系统通过该案件对应的案件要素数据(如图4所示的各种发票)进行预判处理，得到“计算得到的医疗费总金额”为8万，则辅助审判系统输出对应的预判结果，可以包括：“支持的原告诉请的医疗费总金额”为8万元。

需要说明的是，上述预判结果仅为示例，在实际应用中，上述预判结果可以包括上述辅助审判系统输出的、与上述目标案件对应的案由、审判过程及审判结论的任何描述的机器判决结果。

在示出的一种实施方式中，在上述辅助审判系统得到与上述目标案件对应的上述预判结果后，上述辅助审判系统向用户(比如：使用上述辅助审判系统的法官)或其他系统使用者(比如：使用上述辅助审判系统的其它业务系统)，输出与上述目标案件对应的上述预判结果，以使法官可以对上述预判结果进行数据更新修正，比如，经过法院合议后一致觉得判决赔偿金额为9万元相比8万元更合适，则法官可以针对上述辅助审判系统输出的预判结果，进行更新为9万元。

当然，在实际应用中，在基于上述辅助审判系统进行案件审判的过程中，法官可以多次修改上述预判结果，并提交给上述辅助审判系统，以由上述辅助审判系统基于更新后的预判结果，多次案件基于上述审判模型进行数据处理完成机器审判。由此，极大地提升了案件审判的效率。

在以上技术方案中，基于获取与目标案件对应的案件要素数据；以及，将案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与目标案件对应的预判结果，以使法官可以基于预判结果进行案件审理从而快速生成案件判决书，提高了案件审判效率。

与上述方法实施例相对应，本申请还提供了案件预判结果生成装置的实施例。

与上述方法实施例相对应，本说明书还提供了一种案件预判结果生成装置的实施例。本说明书的案件预判结果生成装置的实施例可以应用在电子设备上。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，是通过其所在电子设备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，为本说明书的案件预判结果生成装置所在电子设备的一种硬件结构图，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电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。

图6是本说明书一示例性实施例示出的一种案件预判结果生成装置的框图。

请参考图6，该案件预判结果生成装置60可以应用在前述图5所示的电子设备中，所述装置应用于辅助审判系统，所述装置包括：

获取模块601，获取与目标案件对应的案件要素数据；其中，所述案件要素数据为指示所述目标案件的案件关键特征的关键数据；

生成模块602，将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果。

在本实施例中，所述案件要素数据至少包括指示所述目标案件的案件类型的第一案件要素数据；所述案件审判模型预设有法律逻辑图谱数据；其中，所述法律逻辑图谱数据为用于所述案件审判模型进行模拟判案的法律逻辑推理数据；

所述生成模块602进一步：

以所述第一案件要素数据作为查找索引，在所述法律逻辑图谱数据中，得到与所述目标案件的案件类型对应的匹配的法律逻辑图谱数据；

基于所述匹配的法律逻辑图谱数据，对所述案件要素数据进行案件预判处理，得到与所述目标案件对应的预判结果。

在本实施例中，所述案件要素数据还包括指示所述目标案件的原告诉求的第二案件要素数据；

所述匹配的法律逻辑图谱数据包括法律实体及法律实体关系；其中，所述法律实体关系为指示多个法律实体之间存在的法律依赖关系；

所述生成模块602进一步：

对所述匹配的法律逻辑图谱数据中的法律实体进行初始化；

基于所述匹配的法律逻辑图谱数据中的法律实体关系，对初始化完成后的法律实体执行对应的逻辑，数据和结论计算，得到与所述目标案件对应的预判结果。

在本实施例中，所述案件要素数据还包括指示所述目标案件的证据的第三案件要素数据；

所述法律实体包括直接实体、目标实体；其中，所述直接实体为以所述第三案件要素数据作为输入的法律实体，所述目标实体为以所述第二案件要素数据作为输入的法律实体；

所述生成模块602进一步：

以所述第二案件要素数据及所述第三案件要素数据为输入，分别对所述目标实体及所述直接实体进行赋值。

在本实施例中，所述法律实体还包括中间实体；其中，所述中间实体为基于存在依赖关系的法律实体进行汇总运算赋值后得到的间接法律实体，所述目标实体为经汇总运算赋值后得到的最终的中间实体；

所述生成模块602进一步：

确定所述目标实体与所述直接实体之间的存在法律实体关系的中间实体；

对赋值后的直接实体进行运算，该运算可以为任何可量化的规则运算或者不可量化但可通过大数据抽象的到的关系运算，得到经运算后的中间实体；

基于对与所述目标实体相邻的已赋值的中间实体进行汇总计算，得到汇总计算后的已赋值的目标实体；

将所述已赋值的目标实体的结果作为与所述目标案件对应的预判结果。

在本实施例中，所述法律逻辑图谱数据为实体关系为有向的知识图谱数据。

在本实施例中，在得到与所述目标案件对应的预判结果后，所述生成模块602进一步：

将所述预判结果输出给用户，以使用户对所述预判结果进行更新修正。

在本实施例中，所述案件审判模型为基于深度神经网络构建的机器学习模型。

在本实施例中，所述案件审判模型为基于与所述目标案件对应的历史案件案件的存在时序关联的要素数据进行训练获得的机器学习模型。

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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。

上述实施例阐明的装置、装置、模块或模块，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。

与上述方法实施例相对应，本说明书还提供了一种电子设备的实施例。所述电子设备可以应用于辅助审判系统；该电子设备包括：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通过内部总线相互连接。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案件预判结果生成的控制逻辑对应的机器可执行指令，所述处理器被促使：

获取与目标案件对应的案件要素数据；其中，所述案件要素数据为指示所述目标案件的案件关键特征的关键数据；

将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果。

在本实施例中，所述案件要素数据至少包括指示所述目标案件的案件类型的第一案件要素数据；所述案件审判模型预设有法律逻辑图谱数据；其中，所述法律逻辑图谱数据为用于所述案件审判模型进行模拟判案的法律逻辑推理数据；通过读取并执行所述存储器存储的与案件预判结果生成的控制逻辑对应的机器可执行指令，所述处理器被促使：

以所述第一案件要素数据作为查找索引，在所述法律逻辑图谱数据中，得到与所述目标案件的案件类型对应的匹配的法律逻辑图谱数据；

基于所述匹配的法律逻辑图谱数据，对所述案件要素数据进行案件预判处理，得到与所述目标案件对应的预判结果。

在本实施例中，所述案件要素数据还包括指示所述目标案件的原告诉求的第二案件要素数据；所述匹配的法律逻辑图谱数据包括法律实体及法律实体关系；其中，所述法律实体关系为指示多个法律实体之间存在的法律依赖关系；通过读取并执行所述存储器存储的与案件预判结果生成的控制逻辑对应的机器可执行指令，所述处理器被促使：

对所述匹配的法律逻辑图谱数据中的法律实体进行初始化；

基于所述匹配的法律逻辑图谱数据中的法律实体关系，对初始化完成后的法律实体执行对应的逻辑，数据和结论计算，得到与所述目标案件对应的预判结果。

在本实施例中，所述案件要素数据还包括指示所述目标案件的证据的第三案件要素数据；所述法律实体包括直接实体、目标实体；其中，所述直接实体为以所述第三案件要素数据作为输入的法律实体，所述目标实体为以所述第二案件要素数据作为输入的法律实体；通过读取并执行所述存储器存储的与案件预判结果生成的控制逻辑对应的机器可执行指令，所述处理器被促使：

以所述第二案件要素数据及所述第三案件要素数据为输入，分别对所述目标实体及所述直接实体进行赋值。

在本实施例中，所述法律实体还包括中间实体；其中，所述中间实体为基于存在依赖关系的法律实体进行汇总运算赋值后得到的间接法律实体，所述目标实体为经汇总运算赋值后得到的最终的中间实体；通过读取并执行所述存储器存储的与案件预判结果生成的控制逻辑对应的机器可执行指令，所述处理器被促使：

确定所述目标实体与所述直接实体之间的存在法律实体关系的中间实体；

对赋值后的直接实体进行运算，该运算可以为任何可量化的规则运算或者不可量化但可通过大数据抽象的到的关系运算，得到经运算后的中间实体；

基于对与所述目标实体相邻的已赋值的中间实体进行汇总计算，得到汇总计算后的已赋值的目标实体；

将所述已赋值的目标实体的结果作为与所述目标案件对应的预判结果。

在本实施例中，所述法律逻辑图谱数据为实体关系为有向的知识图谱数据。

在本实施例中，在得到与所述目标案件对应的预判结果后，通过读取并执行所述存储器存储的与案件预判结果生成的控制逻辑对应的机器可执行指令，所述处理器被促使：

将所述预判结果输出给用户，以使用户对所述预判结果进行更新修正。

在本实施例中，所述案件审判模型为基于深度神经网络构建的机器学习模型。

在本实施例中，所述案件审判模型为基于与所述目标案件对应的历史案件案件的存在时序关联的要素数据进行训练获得的机器学习模型。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (12)

1.一种案件预判结果生成方法，所述方法应用于辅助审判系统，所述方法包括：

获取与目标案件对应的案件要素数据；其中，所述案件要素数据为指示所述目标案件的案件关键特征的关键数据；

将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果。

2.根据权利要求1所述的方法，所述案件要素数据至少包括指示所述目标案件的案件类型的第一案件要素数据；所述案件审判模型预设有法律逻辑图谱数据；其中，所述法律逻辑图谱数据为用于所述案件审判模型进行模拟判案的法律逻辑推理数据；

所述将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果，包括：

以所述第一案件要素数据作为查找索引，在所述法律逻辑图谱数据中，得到与所述目标案件的案件类型对应的匹配的法律逻辑图谱数据；

基于所述匹配的法律逻辑图谱数据，对所述案件要素数据进行案件预判处理，得到与所述目标案件对应的预判结果。

3.根据权利要求2所述的方法，所述案件要素数据还包括指示所述目标案件的原告诉求的第二案件要素数据；

所述匹配的法律逻辑图谱数据包括法律实体及法律实体关系；其中，所述法律实体关系为指示多个法律实体之间存在的法律依赖关系；

所述基于所述匹配的法律逻辑图谱数据，对所述案件要素数据进行案件预判处理，得到与所述目标案件对应的预判结果，包括：

对所述匹配的法律逻辑图谱数据中的法律实体进行初始化；

基于所述匹配的法律逻辑图谱数据中的法律实体关系，对初始化完成后的法律实体执行对应的逻辑，数据和结论计算，得到与所述目标案件对应的预判结果。

4.根据权利要求3所述的方法，所述案件要素数据还包括指示所述目标案件的证据的第三案件要素数据；

所述法律实体包括直接实体、目标实体；其中，所述直接实体为以所述第三案件要素数据作为输入的法律实体，所述目标实体为以所述第二案件要素数据作为输入的法律实体；

所述对所述匹配的法律逻辑图谱数据中的法律实体进行初始化，包括：

以所述第二案件要素数据及所述第三案件要素数据为输入，分别对所述目标实体及所述直接实体进行赋值。

5.根据权利要求4所述的方法，所述法律实体还包括中间实体；其中，所述中间实体为基于存在依赖关系的法律实体进行汇总运算赋值后得到的间接法律实体，所述目标实体为经汇总运算赋值后得到的最终的中间实体；

所述基于所述匹配的法律逻辑图谱数据中的法律实体关系，对初始化完成后的法律实体执行对应的逻辑，数据和结论计算，得到与所述目标案件对应的预判结果，包括：

确定所述目标实体与所述直接实体之间的存在法律实体关系的中间实体；

对赋值后的直接实体进行运算，该运算可以为任何可量化的规则运算或者不可量化但可通过大数据抽象的到的关系运算，得到经运算后的中间实体；

基于对与所述目标实体相邻的已赋值的中间实体进行汇总计算，得到汇总计算后的已赋值的目标实体；

将所述已赋值的目标实体的结果作为与所述目标案件对应的预判结果。

6.根据权利要求2所述的方法，所述法律逻辑图谱数据为实体关系为有向的知识图谱数据。

7.根据权利要求1所述的方法，在得到与所述目标案件对应的预判结果后，还包括：

将所述预判结果输出给用户，以使用户对所述预判结果进行更新修正。

8.根据权利要求1所述的方法，所述案件审判模型为基于深度神经网络构建的机器学习模型。

9.根据权利要求1所述的方法，所述案件审判模型为基于与所述目标案件对应的历史案件案件的存在时序关联的要素数据进行训练获得的机器学习模型。

10.一种案件预判结果生成装置，所述装置应用于辅助审判系统，所述装置包括：

获取模块，获取与目标案件对应的案件要素数据；其中，所述案件要素数据为指示所述目标案件的案件关键特征的关键数据；

生成模块，将所述案件要素数据输入至预设的案件审判模型进行案件预判处理，得到与所述目标案件对应的预判结果。

11.一种电子设备，包括通信接口、处理器、存储器和总线，所述通信接口、所述处理器和所述存储器之间通过总线相互连接；

所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行如权利要求1至9任一项所述的方法。

12.一种机器可读存储介质，所述机器可读存储介质存储有机器可读指令，所述机器可读指令在被处理器调用和执行时，实现权利要求1至9任一项所述的方法。

Images