CN113377906B - 一种相似法条智能搜索系统及方法 - Google Patents

Abstract

本发明涉及一种拟法、立法和司法辅助系统领域，公开了一种相似法条智能搜索系统及方法，首先是通过法律文本采集模块收集各种类型的法律文本，然后利用法律条文解析模块解析法律文本为一系列法律条文，并记录下相关的法律文本和条文的相关信息。再整理法律条文数据集，将数据集在预训练好的Bert模型上进行微调，得到效果更好的Bert模型。之后将法条相关信息和从Bert模型得到对应的768维向量存储到ElasticSearch中，最后通过法律条文搜索模块在ElasticSearch的基础上，实现基于内容和基于向量的快速搜索功能，通过采用了预训练的Bert模型，再整理法律条文数据集，将数据集在预训练好的Bert模型上进行微调，得到适应法条的Bert模型，从而提高了法条相似度比较的效率。

Description

一种相似法条智能搜索系统及方法

技术领域

本发明涉及拟法、立法和司法辅助系统领域，尤其涉及一种相似法条智能搜索系统及方法。

背景技术

目前随着社会经济的高速发展，对完善法律的诉求和期望越来越高了，相似法条对拟法人员有很大的参考作用，因此如何提高相似法条查询效果成为了亟待解决的问题。

根据《立法法》，设区的市以上地方人民代表大会及其常委会具有地方立法权。由于地方立法不得违反宪法和法律等上位法规范，在地方立法过程中，立法者需要不断穿梭于现行的上位法律规范与地方立法草案之间，以保证地方性法规的合法性。除地方立法之外，行政法规、地方性法规，乃至行政规范性文件在制定过程中都需要考虑与上位法相冲突的问题，而且需要制定的规范位阶越低，需要审查的上位法规范越丰富，对地方立法者、行政法规制定者的法律知识，尤其是法律检索能力提出了挑战。

而人工智能在法律领域的不断突破，正好适应了相似法条查询的需求。比如，拟法人员在拟定法律的时候，会参考其他地方的法律文本，会查询其他地方是否已经公布相似法律文本。而现有的查询工具几乎都是根据法律文本标题来进行查询的，少有的一部分是根据内容进行查询的，如此会造成拟法过程中地方性法规与上位法相冲突，进而在查询后需要拟法人员进行进一步筛选冲突的内容，影响地方立法工作中法律检索部分的效率。

发明内容

本发明的目的在于提供一种相似法条智能搜索系统及方法，旨在解决现有技术中的查询工具几乎都是根据法律文本标题来进行查询的，少有的一部分是根据内容进行查询的，如此会造成拟法过程中地方性法规与上位法相冲突，进而在查询后需要拟法人员进行进一步筛选冲突的内容，影响地方立法工作中法律检索部分的效率的技术问题。

为实现上述目的，本发明采用的一种相似法条智能搜索系统，包括法律文本采集模块、法律文本库、法律条文解析模块、法律条文库、Bert向量生成模型、ElasticSearch向量及条文库和相似法条搜索模块，所述法律文本库与所述法律文本采集模块连接，所述法律条文解析模块与所述法律文本库连接，并与所述相似法条搜索模块连接，所述法律条文库与所述法律条文解析模块连接，并与所述Bert向量生成模型连接，所述Bert向量生成模型与所述ElasticSearch向量及条文库连接，并与所述相似法条搜索模块连接，所述ElasticSearch向量及条文库与所述相似法条搜索模块连接，并与所述法律条文库连接；

所述法律文本采集模块，用于采集互联网中权威网站公布的法律文本，以及未直接公布在互联网上的法律文本；

所述法律文本库，用于存储法律文本；

所述法律条文解析模块，用于解析法律文本；

所述法律条文库，用于存储法律条文；

所述Bert向量生成模型，用于生成法条向量；

所述ElasticSearch向量及条文库，用于存储法条向量及法条相关信息；

所述相似法条搜索模块，由前端和后端构成，前端用于展示法律文本或条文信息，后端实现基于内容或向量的搜索功能。

其中，所述法律文本采集模块包括程序采集和人工采集，所述程序采集与所述法律文本库连接，所述人工采集与所述法律文本库连接；

所述程序采集，用于采集互联网中权威网站公布的法律文本并能够及时采集最新法律文本；

所述人工采集，用于采集未直接公布在互联网上的法律文本并修正程序收集的格式错误的法律文本。

其中，所述法律文本库包含宪法、法律、行政法规、地方性法规、法律解释和司法解释的法律文本；

所述的法律文本库包含文本名称、文本存储路径、制定机关、法律性质、法律效力位阶、有效性、地方法规地点、公布日期和施行日期的字段。

其中，所述法律条文解析模块，能够通过解析法律文本，从法律文本中解析出一条一条的法律条文。

其中，所述法律条文库包含法律文本名、章节序号、章节标题、法条序号、法条内容的字段。

其中，所述Bert向量生成模型是基于法律条文库中的法条微调后的模型。

其中，所述ElasticSearch向量及条文库包含法条向量、文本名称、文本存储路径、制定机关、法律性质、法律效力位阶、有效性、地方法规地点、公布日期、施行日期、章节序号、章节标题、法条序号和法条内容。

其中，所述相似法条搜索模块包含前端子模块和后端子模块，所述前端子模块与所述后端子模块连接；

所述前端子模块，用于实现法律文本和条文展示；

所述后端子模块，用于实现法律文本解析、法律条文向量化、相似条文搜索、查询结果返回的功能。

本发明还包括一种相似法条智能搜索方法，

通过法律文本采集模块收集各种类型的法律文本；

利用法律条文解析模块解析法律文本为一系列法律条文，并记录下相关的法律文本和条文的相关信息；

再整理法律条文数据集，将数据集在预训练好的Bert模型上进行微调，得到效果更好的Bert模型；

之后将法条相关信息和从Bert模型得到对应的768维向量存储到ElasticSearch中；

最后通过法律条文搜索模块在ElasticSearch的基础上，实现基于内容和基于向量的快速搜索功能。

本发明的一种相似法条智能搜索系统及方法，首先是通过法律文本采集模块收集各种类型的法律文本，然后利用法律条文解析模块解析法律文本为一系列法律条文，并记录下相关的法律文本和条文的相关信息。再整理法律条文数据集，将数据集在预训练好的Bert模型上进行微调，得到效果更好的Bert模型。之后将法条相关信息和从Bert模型得到对应的768维向量存储到ElasticSearch中。最后通过法律条文搜索模块在ElasticSearch的基础上，实现基于内容和基于向量的快速搜索功能，通过采用了预训练的Bert模型，再整理法律条文数据集，将数据集在预训练好的Bert模型上进行微调，得到适应法条的Bert模型，从而提高了法条相似度比较的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的相似法条智能搜索系统的系统图。

图2是本发明的法律文本库的结构图。

图3是本发明的法律条文库的结构图。

图4是本发明的法律条文库的构造图。

图5是本发明的相似法条搜索模块的前端界面图。

图6是本发明的相似法条搜索模块的搜索结果展示界面图。

图7是本发明的相似法条智能搜索方法流程图。

图中：1-法律文本采集模块、2-法律文本库、3-法律条文解析模块、4-法律条文库、5-Bert向量生成模型、6-ElasticSearch向量及条文库、7-相似法条搜索模块、11-程序采集、12-人工采集、71-前端子模块、72-后端子模块。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”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，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提供了一种相似法条智能搜索系统，包括法律文本采集模块1、法律文本库2、法律条文解析模块3、法律条文库4、Bert向量生成模型5、ElasticSearch向量及条文库6和相似法条搜索模块7，所述法律文本库2与所述法律文本采集模块1连接，所述法律条文解析模块3与所述法律文本库2连接，并与所述相似法条搜索模块7连接，所述法律条文库4与所述法律条文解析模块3连接，并与所述Bert向量生成模型5连接，所述Bert向量生成模型5与所述ElasticSearch向量及条文库6连接，并与所述相似法条搜索模块7连接，所述ElasticSearch向量及条文库6与所述相似法条搜索模块7连接，并与所述法律条文库4连接；

所述法律文本采集模块1，用于采集互联网中权威网站公布的法律文本，以及未直接公布在互联网上的法律文本；

所述法律文本库2，用于存储法律文本；

所述法律条文解析模块3，用于解析法律文本；

所述法律条文库4，用于存储法律条文；

所述Bert向量生成模型5，用于生成法条向量；

所述ElasticSearch向量及条文库6，用于存储法条向量及法条相关信息；

所述相似法条搜索模块7，由前端和后端构成，前端用于展示法律文本或条文信息，后端实现基于内容或向量的搜索功能。

进一步地，请参阅图1，所述法律文本采集模块1包括程序采集11和人工采集12，所述程序采集11与所述法律文本库2连接，所述人工采集12与所述法律文本库2连接；

所述程序采集11，用于采集互联网中权威网站公布的法律文本并能够及时采集最新法律文本；

所述人工采集12，用于采集未直接公布在互联网上的法律文本并修正程序收集的格式错误的法律文本。

进一步地，所述法律文本库2包含宪法、法律、行政法规、地方性法规、法律解释和司法解释的法律文本；

所述的法律文本库2包含文本名称、文本存储路径、制定机关、法律性质、法律效力位阶、有效性、地方法规地点、公布日期和施行日期的字段。

进一步地，所述法律条文解析模块3，能够通过解析法律文本，从法律文本中解析出一条一条的法律条文。

进一步地，所述法律条文库4包含法律文本名、章节序号、章节标题、法条序号、法条内容的字段。

进一步地，所述Bert向量生成模型5是基于法律条文库4中的法条微调后的模型。

进一步地，所述ElasticSearch向量及条文库6包含法条向量、文本名称、文本存储路径、制定机关、法律性质、法律效力位阶、有效性、地方法规地点、公布日期、施行日期、章节序号、章节标题、法条序号和法条内容。

进一步地，请参阅图1，所述相似法条搜索模块7包含前端子模块71和后端子模块72，所述前端子模块71与所述后端子模块72连接；

所述前端子模块71，用于实现法律文本和条文展示；

所述后端子模块72，用于实现法律文本解析、法律条文向量化、相似条文搜索、查询结果返回的功能。

请参阅图7，一种相似法条智能搜索方法，包括如下步骤，

S901：通过法律文本采集模块1收集各种类型的法律文本；

S902：利用法律条文解析模块3解析法律文本为一系列法律条文，并记录下相关的法律文本和条文的相关信息；

S903：再整理法律条文数据集，将数据集在预训练好的Bert模型上进行微调，得到效果更好的Bert模型；

S904：之后将法条相关信息和从Bert模型得到对应的768维向量存储到ElasticSearch中；

S905：最后通过法律条文搜索模块在ElasticSearch的基础上，实现基于内容和基于向量的快速搜索功能。

在本实施方式中，图1给出了基于Bert和ElasticSearch的相似法条智能搜索系统模型。其中法律文本采集模块1分为程序和人工两种方式采集法律文本；法律文本库2用于存储法律文本，并且包含法律性质、制定机关、法律名称、有效性、地方法规地点、公布日期与施行日期等相关字段；法律条文解析模块3用于解析法律文本；法律条文库4用于存储法律条文，并且包含章节序号、章节标题、条文序号、条文内容等相关字段；Bert向量生成模型5是在Bert预训练模型的基础上，利用法律条文库4中数据微调后的模型；ElasticSearch向量及条文库6用于存储法条向量及法条相关信息；相似法条搜索模块7由前端和后端构成，前端用于展示法律条文和搜索法律文本或条文等相关信息的结果，后端实现基于内容或向量的搜索功能。

图2给出了法律文本的一个范例，一个符合规范的法律文本应当由章节序号、章节标题、条文序号和条文标题组成。而由法律文本采集模块1采集到的法律文本也应当符合这样的规范。如图3，模块同时也需要记录法律文本标题、制定机关、法律性质、法律效力位阶、有效性、地方法规地点、公布日期和施行日期等字段，并将这些数据存储到法律文本库2。

图4给出法律条文库4的构造，法律条文解析模块3解析法律条文库4中的数据，从法律文本中解析出一系列法律条文，并记录法律文本主键、章节序号、章节标题、条文序号、条文标题。

解析完所有的法律条文，自然就形成了法律条文数据集。我们可以从Github上下载到Bert的中文预训练模型，之后再利用法律条文数据集对Bert模型进行微调操作，自然得到了效果更佳的Bert模型。利用所得到的Bert模型，我们利用它来为每一条法律条文生成一个768维的向量，而这样的能够得到向量的模块我们称之为Bert向量生成模型5。之后再将得到的向量和法律条文及其相关信息组合存储到ElasticSearch中。这样由ElasticSearch和法律条文及其相关信息和向量组成了我们的ElasticSearch向量及条文库6。

图5和图6给出了相似法条搜索模块7的前端界面和搜索结果展示界面。在实施例中，用户可以直接输入法律条文进行相似搜索，也可以采用直接上传文件的方式进行相似搜索。在上传文件的方式中，前端将法律文本发送给后端，后端将接收到的法律文本交由法律条文解析模块3，法律条文解析模块3解析出一系列法律条文后转交给后端。后端将法律条文再发送给Bert向量生成模型5，Bert向量生成模型5将得到的法律条文转换为768维向量，再转交给后端。后端接收到法律条文所对应的向量，再通过法律条文内容或向量查询的方式向ElasticSearch法律条文库4提交数据，ElasticSearch对法律条文内容会进行分词搜索排序，对向量会进行余弦相似度计算，之后返回最相似的一系列数据给后端。最后后端将这些数据返回给前端，而前端则展示出这些数据。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (8)

1.一种相似法条智能搜索系统，其特征在于，包括法律文本采集模块、法律文本库、法律条文解析模块、法律条文库、Bert向量生成模型、ElasticSearch向量及条文库和相似法条搜索模块，所述法律文本库与所述法律文本采集模块连接，所述法律条文解析模块与所述法律文本库连接，并与所述相似法条搜索模块连接，所述法律条文库与所述法律条文解析模块连接，并与所述Bert向量生成模型连接，所述Bert向量生成模型与所述ElasticSearch向量及条文库连接，并与所述相似法条搜索模块连接，所述ElasticSearch向量及条文库与所述相似法条搜索模块连接，并与所述法律条文库连接；

所述法律文本采集模块，用于采集互联网中权威网站公布的法律文本，以及未直接公布在互联网上的法律文本；

所述法律文本库，用于存储法律文本；

所述法律条文解析模块，能够通过解析法律文本，从法律文本中解析出一条一条的法律条文；

所述法律条文库，用于存储法律条文；

所述Bert向量生成模型，用于生成法条向量；

所述ElasticSearch向量及条文库，用于存储法条向量及法条相关信息；

所述相似法条搜索模块，由前端和后端构成，前端用于展示法律文本或条文信息，后端实现基于内容或向量的搜索功能。

2.如权利要求1所述的相似法条智能搜索系统，其特征在于，

所述法律文本采集模块包括程序采集和人工采集，所述程序采集与所述法律文本库连接，所述人工采集与所述法律文本库连接；

所述程序采集，用于采集互联网中权威网站公布的法律文本并能够及时采集最新法律文本；

所述人工采集，用于采集未直接公布在互联网上的法律文本并修正程序收集的格式错误的法律文本。

3.如权利要求1所述的相似法条智能搜索系统，其特征在于，

所述法律文本库包含宪法、法律、行政法规、地方性法规、法律解释和司法解释的法律文本；

所述的法律文本库包含文本名称、文本存储路径、制定机关、法律性质、法律效力位阶、有效性、地方法规地点、公布日期和施行日期的字段。

4.如权利要求1所述的相似法条智能搜索系统，其特征在于，

所述法律条文库包含法律文本名、章节序号、章节标题、法条序号、法条内容的字段。

5.如权利要求1所述的相似法条智能搜索系统，其特征在于，

所述Bert向量生成模型是基于法律条文库中的法条微调后的模型。

6.如权利要求1所述的相似法条智能搜索系统，其特征在于，

所述ElasticSearch向量及条文库包含法条向量、文本名称、文本存储路径、制定机关、法律性质、法律效力位阶、有效性、地方法规地点、公布日期、施行日期、章节序号、章节标题、法条序号和法条内容。

7.如权利要求1所述的相似法条智能搜索系统，其特征在于，

所述相似法条搜索模块包含前端子模块和后端子模块，所述前端子模块与所述后端子模块连接；

所述前端子模块，用于实现法律文本和条文展示；

所述后端子模块，用于实现法律文本解析、法律条文向量化、相似条文搜索、查询结果返回的功能。

8.一种相似法条智能搜索方法，其特征在于，包括如下步骤，

通过法律文本采集模块收集各种类型的法律文本；

利用法律条文解析模块解析法律文本为一系列法律条文，并记录下相关的法律文本和条文的相关信息；

再整理法律条文数据集，将数据集在预训练好的Bert模型上进行微调，得到效果更好的Bert模型；

之后将法条相关信息和从Bert模型得到对应的768维向量存储到ElasticSearch中；

最后通过法律条文搜索模块在ElasticSearch的基础上，实现基于内容和基于向量的快速搜索功能。

Images