CN113420143A - 文书摘要生成方法、装置、设备及存储介质 - Google Patents

文书摘要生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113420143A
CN113420143A CN202110612952.9A CN202110612952A CN113420143A CN 113420143 A CN113420143 A CN 113420143A CN 202110612952 A CN202110612952 A CN 202110612952A CN 113420143 A CN113420143 A CN 113420143A
Authority
CN
China
Prior art keywords
document
entity
referee
abstract
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.)
Granted
Application number
CN202110612952.9A
Other languages
English (en)
Other versions
CN113420143B (zh
Inventor
方俊波
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 CN202110612952.9A priority Critical patent/CN113420143B/zh
Publication of CN113420143A publication Critical patent/CN113420143A/zh
Application granted granted Critical
Publication of CN113420143B publication Critical patent/CN113420143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/34—Browsing; Visualisation therefor
    • G06F16/345—Summarisation for human users
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/189—Automatic justification
    • 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
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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 Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及人工智能，提供一种文书摘要生成方法、装置、设备及存储介质。该方法能够当接收到文书摘要生成请求时，根据文书摘要生成请求获取裁判文书，对裁判文书进行要素抽取，得到文书实体要素，根据文书实体要素从裁判文书中提取目标文本，基于文书实体要素对目标文本进行上下文语义分析，得到文书实体要素的上下文语义向量，对上下文语义向量进行解码，得到与文书实体要素相关联的特征信息，确定文书实体要素在裁判文书中的要素排版顺序，根据要素排版顺序拼接特征信息，得到裁判文书的摘要文本。本发明能够准确生成文书摘要。此外，本发明还涉及区块链技术，所述摘要文本可存储于区块链中。

Description

文书摘要生成方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种文书摘要生成方法、装置、设备及存储介质。
背景技术
在目前的裁判文书网中，每个裁判文书往往是以长篇文本的形式出现，不利于查阅人员迅速掌握文书中的重点信息，为此，基于裁判文书的摘要自动生成方案由此产生。
然而，在现有的裁判文书的摘要自动生成方案中，往往是依赖于预先设定好的规则对文本进行抽取，由于预先设定好的规则无法全面覆盖到整个文书的特征信息，造成无法准确的生成文书摘要。
发明内容
鉴于以上内容，有必要提供一种文书摘要生成方法、装置、设备及存储介质，能够准确的生成文书摘要。
一方面，本发明提出一种文书摘要生成方法，所述文书摘要生成方法包括：
当接收到文书摘要生成请求时，根据所述文书摘要生成请求获取裁判文书；
对所述裁判文书进行要素抽取，得到文书实体要素；
根据所述文书实体要素从所述裁判文书中提取目标文本；
基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量；
对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息；
确定所述文书实体要素在所述裁判文书中的要素排版顺序；
根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本。
根据本发明优选实施例，所述根据所述文书摘要生成请求获取裁判文书包括：
解析所述文书摘要生成请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取指示文书的信息作为文书编号；
获取预设标识，所述预设标识用于指示未生成摘要的文书；
将所述预设标识及所述文书编号写入预设查询模板，得到查询语句；
获取预设网站，所述预设网站中存储有多个法律文书；
在所述预设网站中运行所述查询语句，得到文书路径；
将所述文书路径中存储的信息确定为所述裁判文书。
根据本发明优选实施例，所述对所述裁判文书进行要素抽取，得到文书实体要素包括：
获取所述裁判文书的文书标签；
根据所述文书标签获取所述裁判文书的抽取实体；
确定所述抽取实体的实体类型，并根据所述实体类型及所述抽取实体生成要素问句；
将所述裁判文书及所述要素问句输入至预先训练好的阅读理解模型中，得到要素向量；
根据所述要素向量从所述裁判文书中提取所述文书实体要素。
根据本发明优选实施例，所述根据所述文书实体要素从所述裁判文书中提取目标文本包括：
根据所述要素向量确定所述文书实体要素在所述裁判文书中的要素位置；
将所述要素位置对应的段落确定为目标段落；
从所述裁判文书中提取与所述目标段落对应的文本作为所述目标文本。
根据本发明优选实施例，所述基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量包括：
获取向量映射表；
基于所述向量映射表对所述文书实体要素进行向量化处理，得到实体向量；
对所述目标文本进行预处理，得到文本分词；
基于所述向量映射表对所述文本分词进行向量化处理，得到分词向量；
从所述分词向量中获取与所述实体向量相邻的向量作为上下文向量，所述上下文向量的个数为预设个数；
将每个上下文向量分别与第一预设矩阵进行乘积运算，得到第一运算向量，并计算所述第一运算向量的平均值，得到第二运算向量；
将所述第二运算向量点乘第二预设矩阵，得到目标矩阵；
采用激活函数计算所述目标矩阵中每个列向量的概率；
将所述概率最大的列向量确定为所述上下文语义向量。
根据本发明优选实施例，所述对所述目标文本进行预处理，得到文本分词包括：
根据预设词典对所述目标文本进行切分，得到多个切分路径，及每个切分路径对应的切割分词；
获取每个切割分词在所述预设词典中的分词权值，并计算每个切分路径中所述分词权值的总和，得到路径得分；
将所述路径得分最大的所述切分路径确定为目标路径，并将与所述目标路径对应的所述切割分词确定为初始分词；
获取停用词表；
根据所述停用词表对所述初始分词中的停用词进行过滤，得到所述文本分词。
根据本发明优选实施例，所述根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本包括：
根据所述要素排版顺序确定每个所述特征信息的拼接顺序；
基于所述拼接顺序拼接所述特征信息，得到所述摘要文本。
另一方面，本发明还提出一种文书摘要生成装置，所述文书摘要生成装置包括：
获取单元，用于当接收到文书摘要生成请求时，根据所述文书摘要生成请求获取裁判文书；
抽取单元，用于对所述裁判文书进行要素抽取，得到文书实体要素；
提取单元，用于根据所述文书实体要素从所述裁判文书中提取目标文本；
分析单元，用于基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量；
解码单元，用于对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息；
确定单元，用于确定所述文书实体要素在所述裁判文书中的要素排版顺序；
拼接单元，用于根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述文书摘要生成方法。
另一方面，本发明还提出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计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述文书摘要生成方法。
由以上技术方案可以看出，本发明通过对所述裁判文书进行要素抽取，能够准确的获取到所述裁判文书中的文书实体要素，进而通过所述文书实体要素对确定出的所述目标文本进行上下文语义分析，由于无需对整个所述裁判文书进行分析，因此能够提高分析效率，从而提高所述摘要文本的生成效率，通过对所述上下文语义向量进行解码，能够准确的获取到所述裁判文书中的特征信息，从而根据所述文书实体要素在所述裁判文书中的要素排版顺序及所述特征信息生成所述摘要文本，由于所述要素排版顺序是根据所述要素位置生成的，因此，能够使生成的所述摘要文本符合所述裁判文书的文书样式，同时，通过所述文书实体要素进行上下文语义分析，能够使生成的所述特征信息包含有所述裁判文书中关键信息的特征，提高了所述摘要文本的生成准确度。
附图说明
图1是本发明文书摘要生成方法的较佳实施例的流程图。
图2是本发明文书摘要生成装置的较佳实施例的功能模块图。
图3是本发明实现文书摘要生成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，是本发明文书摘要生成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。
所述文书摘要生成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计算机可读指令，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 Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(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)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
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，当接收到文书摘要生成请求时，根据所述文书摘要生成请求获取裁判文书。
在本发明的至少一个实施例中，所述文书摘要生成请求可以由相关查阅人员触发生成，例如，所述文书摘要生成请求可以由法院工作人员触发生成。
所述文书摘要生成请求携带的信息包括，但不限于：所述文书编号等。
所述裁判文书是指没有相应摘要的法律类文件。
在本发明的至少一个实施例中，所述电子设备根据所述文书摘要生成请求获取裁判文书包括：
解析所述文书摘要生成请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取指示文书的信息作为文书编号；
获取预设标识，所述预设标识用于指示未生成摘要的文书；
将所述预设标识及所述文书编号写入预设查询模板，得到查询语句；
获取预设网站，所述预设网站中存储有多个法律文书；
在所述预设网站中运行所述查询语句，得到文书路径；
将所述文书路径中存储的信息确定为所述裁判文书。
其中，所述数据信息包括，但不限于：所述文书编号等。
所述文书编号用于指示文书，每个法律文书均有相对应的编号。
所述预设查询模板可以是结构化查询语句。
通过所述文书编号，由于编号与文书存在映射关系，因此能够提高所述裁判文书的确定准确率，通过所述预设标识，能够使获取到的所述裁判文书是没有生成摘要的，从而能够避免所述裁判文书中重复生成摘要。
S11，对所述裁判文书进行要素抽取，得到文书实体要素。
在本发明的至少一个实施例中，所述文书实体要素是指所述裁判文书中的实体，例如，所述文书实体要素包括：原告、被告、争议焦点、审判结果等。
在本发明的至少一个实施例中，所述电子设备对所述裁判文书进行要素抽取，得到文书实体要素包括：
获取所述裁判文书的文书标签；
根据所述文书标签获取所述裁判文书的抽取实体；
确定所述抽取实体的实体类型，并根据所述实体类型及所述抽取实体生成要素问句；
将所述裁判文书及所述要素问句输入至预先训练好的阅读理解模型中，得到要素向量；
根据所述要素向量从所述裁判文书中提取所述文书实体要素。
其中，所述文书标签是指所述裁判文书对应的法律种类，例如，所述文书标签可以是民事标签，所述文书标签还可以是刑事标签等。
进一步地，每个文书标签对应有不同的抽取实体，例如，民事标签对应的抽取实体有：原告、被告、争议焦点、审判结果等。
所述实体类型是指所述抽取实体所属的类型，例如，抽取实体“原告”的实体类型为人物，抽取实体“争议焦点”的实体类型为事件等。
所述阅读理解模型是基于预设BERT网络训练生成的。所述阅读理解能够基于所述要素问句对所述裁判文书进行理解，并生成与所述要素问句对应的答案。
例如，裁判文书为“本案被告人为张三”，要素问句为“本案被告人是谁”，经处理，得到所述要素向量为：start[0,0,0,0,0,0,1,0]，end[0,0,0,0,0,0,0,1]，进而抽取到所述文书实体要素为：张三。
通过所述文书标签能够准确的获取到所述抽取实体，进而根据所述抽取实体及所述实体类型能够准确的生成所述要素问句，从而通过所述阅读理解模型能够快速获取到所述要素向量，进而通过所述要素向量在所述裁判文书中的映射能够快速从所述裁判文书中获取到所述文书实体要素。
具体地，在将所述裁判文书及所述要素问句输入至预先训练好的阅读理解模型之前，所述方法还包括：
获取样本数据；
对所述样本数据进行划分，得到训练样本及验证样本；
将所述训练样本输入至所述预设BERT网络中进行训练，得到学习器；
根据所述验证样本对所述学习器进行验证，得到验证结果；
从所述验证样本中提取样本结果；
若所述验证结果与所述样本结果相同的比例大于预设比例，将所述学习器确定为所述阅读理解模型。
通过上述实施方式，能够准确生成所述阅读理解模型。
S12，根据所述文书实体要素从所述裁判文书中提取目标文本。
在本发明的至少一个实施例中，所述目标文本是指所述文书实体要素在所述裁判文书中所在段落的文本。例如，所述文书实体要素“原告”在所述裁判文书中的第一段，因此，将该第一段中的文本确定为所述目标文本。
在本发明的至少一个实施例中，所述电子设备根据所述文书实体要素从所述裁判文书中提取目标文本包括：
根据所述要素向量确定所述文书实体要素在所述裁判文书中的要素位置；
将所述要素位置对应的段落确定为目标段落；
从所述裁判文书中提取与所述目标段落对应的文本作为所述目标文本。
通过所述要素向量能够快速定位到所述要素位置，进而根据所述要素位置能够快速从所述裁判文书中提取到所述目标文本。
S13，基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量。
在本发明的至少一个实施例中，所述上下文语义向量包含有所述文书实体要素在所述目标文本中的上下文语义。
在本发明的至少一个实施例中，所述电子设备基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量包括：
获取向量映射表；
基于所述向量映射表对所述文书实体要素进行向量化处理，得到实体向量；
对所述目标文本进行预处理，得到文本分词；
基于所述向量映射表对所述文本分词进行向量化处理，得到分词向量；
从所述分词向量中获取与所述实体向量相邻的向量作为上下文向量，所述上下文向量的个数为预设个数；
将每个上下文向量分别与第一预设矩阵进行乘积运算，得到第一运算向量，并计算所述第一运算向量的平均值，得到第二运算向量；
将所述第二运算向量点乘第二预设矩阵，得到目标矩阵；
采用激活函数计算所述目标矩阵中每个列向量的概率；
将所述概率最大的列向量确定为所述上下文语义向量。
其中，所述向量映射表是预先设定好的。
所述预设个数是根据语义分析范围确定的。
所述第一预设矩阵及所述第二预设矩阵是自定义设置的，本发明对此不作限制。
通过相同的所述向量映射表分别对所述文书实体要素及所述文本分词进行向量化处理，能够提高所述上下文语义向量的确定准确率，通过所述预设个数能够调节语义分析的范围，提高灵活性。
具体地，所述电子设备对所述目标文本进行预处理，得到文本分词包括：
根据预设词典对所述目标文本进行切分，得到多个切分路径，及每个切分路径对应的切割分词；
获取每个切割分词在所述预设词典中的分词权值，并计算每个切分路径中所述分词权值的总和，得到路径得分；
将所述路径得分最大的所述切分路径确定为目标路径，并将与所述目标路径对应的所述切割分词确定为初始分词；
获取停用词表；
根据所述停用词表对所述初始分词中的停用词进行过滤，得到所述文本分词。
其中，所述预设词典中存储有多个自定义词，及每个自定义词对应的权值。
所述停用词表中存储有多个预先定义好的停用词。
通过所述预设词典能够快速生成需求最大的所述初始分词，进而利用所述停用词表能够快速获取到所述文本分词。
具体地，所述电子设备采用激活函数计算所述目标矩阵中每个列向量的概率包括：
P＝softmax(Yi)；
其中，P为所述概率，Yi为所述目标矩阵中第i个列向量。
S14，对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息。
在本发明的至少一个实施例中，所述特征信息是指包含有所述文书实体要素及所述文书实体要素的上下文语义的信息。
在本发明的至少一个实施例中，所述电子设备对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息包括：
基于所述向量映射表获取解码器；
将所述上下文语义向量输入至所述解码器进行解码处理，得到所述特征信息。
其中，所述解码器是根据所述向量映射表训练生成的。
通过所述向量映射表能够准确获取到所述解码器，从而通过所述解码器能够准确的对所述上下文语义向量进行解码，得到所述特征信息。
S15，确定所述文书实体要素在所述裁判文书中的要素排版顺序。
在本发明的至少一个实施例中，所述要素排版顺序是指所述文书实体要素在所述裁判文书中的顺序。
在本发明的至少一个实施例中，所述电子设备确定所述文书实体要素在所述裁判文书中的要素排版顺序。
例如，所述文书实体要素“原告”的要素位置为：第一段，所述文书实体要素“争议焦点”的要素位置为：第三段，所述文书实体要素“审判结果”的要素位置为：第五段，经确定，得到所述要素排版顺序为“原告”→“争议焦点”→“审判结果”。
S16，根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本。
在本发明的至少一个实施例中，所述摘要文本是所述文书摘要生成请求的响应结果。
需要强调的是，为进一步保证上述摘要文本的私密和安全性，上述摘要文本还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本包括：
根据所述要素排版顺序确定每个所述特征信息的拼接顺序；
基于所述拼接顺序拼接所述特征信息，得到所述摘要文本。
承接上述例子，所述文书实体要素“原告”的特征信息为A，所述文书实体要素“争议焦点”的特征信息为B，所述文书实体要素“审判结果”的特征信息C，经确定，所述拼接顺序为A→B→C，得到所述摘要文本ABC。
通过所述文书实体要素在所述裁判文书中的要素排版顺序，能够确定出与所述文书实体要素对应的特征信息的拼接顺序，进而能够生成连贯的所述摘要文本。
在本发明的至少一个实施例中，在得到所述裁判文书的摘要文本后，所述方法还包括：
存储所述摘要文本，得到目标路径；
获取所述文书摘要生成请求的请求编号；
根据所述请求编号及所述目标路径生成提示信息；
采用对称加密技术加密所述提示信息，得到密文；
将所述密文发送至指定联系人的终端设备。
其中，所述指定联系人可以是触发所述文书摘要生成请求的用户。
通过所述请求编号及所述目标路径能够快速生成所述提示信息，从而能够及时通知所述指定联系人，进而通过对所述提示信息进行加密，避免存储在所述目标路径中的所述摘要文本被篡改，提高了所述摘要文本的安全性。
由以上技术方案可以看出，本发明通过对所述裁判文书进行要素抽取，能够准确的获取到所述裁判文书中的文书实体要素，进而通过所述文书实体要素对确定出的所述目标文本进行上下文语义分析，由于无需对整个所述裁判文书进行分析，因此能够提高分析效率，从而提高所述摘要文本的生成效率，通过对所述上下文语义向量进行解码，能够准确的获取到所述裁判文书中的特征信息，从而根据所述文书实体要素在所述裁判文书中的要素排版顺序及所述特征信息生成所述摘要文本，由于所述要素排版顺序是根据所述要素位置生成的，因此，能够使生成的所述摘要文本符合所述裁判文书的文书样式，同时，通过所述文书实体要素进行上下文语义分析，能够使生成的所述特征信息包含有所述裁判文书中关键信息的特征，提高了所述摘要文本的生成准确度。
如图2所示，是本发明文书摘要生成装置的较佳实施例的功能模块图。所述文书摘要生成装置11包括获取单元110、抽取单元111、提取单元112、分析单元113、解码单元114、确定单元115、拼接单元116、存储单元117、生成单元118、加密单元119及发送单元120。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，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。
当接收到文书摘要生成请求时，获取单元110根据所述文书摘要生成请求获取裁判文书。
在本发明的至少一个实施例中，所述获取单元110根据所述文书摘要生成请求获取裁判文书包括：
解析所述文书摘要生成请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取指示文书的信息作为文书编号；
获取预设标识，所述预设标识用于指示未生成摘要的文书；
将所述预设标识及所述文书编号写入预设查询模板，得到查询语句；
获取预设网站，所述预设网站中存储有多个法律文书；
在所述预设网站中运行所述查询语句，得到文书路径；
将所述文书路径中存储的信息确定为所述裁判文书。
通过所述文书编号，由于编号与文书存在映射关系，因此能够提高所述裁判文书的确定准确率，通过所述预设标识，能够使获取到的所述裁判文书是没有生成摘要的，从而能够避免所述裁判文书中重复生成摘要。
抽取单元111对所述裁判文书进行要素抽取，得到文书实体要素。
在本发明的至少一个实施例中，所述抽取单元111对所述裁判文书进行要素抽取，得到文书实体要素包括：
获取所述裁判文书的文书标签；
根据所述文书标签获取所述裁判文书的抽取实体；
确定所述抽取实体的实体类型，并根据所述实体类型及所述抽取实体生成要素问句；
将所述裁判文书及所述要素问句输入至预先训练好的阅读理解模型中，得到要素向量；
根据所述要素向量从所述裁判文书中提取所述文书实体要素。
通过所述文书标签能够准确的获取到所述抽取实体，进而根据所述抽取实体及所述实体类型能够准确的生成所述要素问句，从而通过所述阅读理解模型能够快速获取到所述要素向量，进而通过所述要素向量在所述裁判文书中的映射能够快速从所述裁判文书中获取到所述文书实体要素。
提取单元112根据所述文书实体要素从所述裁判文书中提取目标文本。
在本发明的至少一个实施例中，所述提取单元112根据所述文书实体要素从所述裁判文书中提取目标文本包括：
根据所述要素向量确定所述文书实体要素在所述裁判文书中的要素位置；
将所述要素位置对应的段落确定为目标段落；
从所述裁判文书中提取与所述目标段落对应的文本作为所述目标文本。
通过所述要素向量能够快速定位到所述要素位置，进而根据所述要素位置能够快速从所述裁判文书中提取到所述目标文本。
分析单元113基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量。
在本发明的至少一个实施例中，所述分析单元113基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量包括：
获取向量映射表；
基于所述向量映射表对所述文书实体要素进行向量化处理，得到实体向量；
对所述目标文本进行预处理，得到文本分词；
基于所述向量映射表对所述文本分词进行向量化处理，得到分词向量；
从所述分词向量中获取与所述实体向量相邻的向量作为上下文向量，所述上下文向量的个数为预设个数；
将每个上下文向量分别与第一预设矩阵进行乘积运算，得到第一运算向量，并计算所述第一运算向量的平均值，得到第二运算向量；
将所述第二运算向量点乘第二预设矩阵，得到目标矩阵；
采用激活函数计算所述目标矩阵中每个列向量的概率；
将所述概率最大的列向量确定为所述上下文语义向量。
通过相同的所述向量映射表分别对所述文书实体要素及所述文本分词进行向量化处理，能够提高所述上下文语义向量的确定准确率，通过所述预设个数能够调节语义分析的范围，提高灵活性。
具体地，所述分析单元113对所述目标文本进行预处理，得到文本分词包括：
根据预设词典对所述目标文本进行切分，得到多个切分路径，及每个切分路径对应的切割分词；
获取每个切割分词在所述预设词典中的分词权值，并计算每个切分路径中所述分词权值的总和，得到路径得分；
将所述路径得分最大的所述切分路径确定为目标路径，并将与所述目标路径对应的所述切割分词确定为初始分词；
获取停用词表；
根据所述停用词表对所述初始分词中的停用词进行过滤，得到所述文本分词。
通过所述预设词典能够快速生成需求最大的所述初始分词，进而利用所述停用词表能够快速获取到所述文本分词。
解码单元114对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息。
在本发明的至少一个实施例中，所述解码单元114对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息包括：
基于所述向量映射表获取解码器；
将所述上下文语义向量输入至所述解码器进行解码处理，得到所述特征信息。
通过所述向量映射表能够准确获取到所述解码器，从而通过所述解码器能够准确的对所述上下文语义向量进行解码，得到所述特征信息。
确定单元115确定所述文书实体要素在所述裁判文书中的要素排版顺序。
拼接单元116根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本。
在本发明的至少一个实施例中，所述拼接单元116根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本包括：
根据所述要素排版顺序确定每个所述特征信息的拼接顺序；
基于所述拼接顺序拼接所述特征信息，得到所述摘要文本。
通过所述文书实体要素在所述裁判文书中的要素排版顺序，能够确定出与所述文书实体要素对应的特征信息的拼接顺序，进而能够生成连贯的所述摘要文本。
在本发明的至少一个实施例中，在得到所述裁判文书的摘要文本后，存储单元117存储所述摘要文本，得到目标路径；
所述获取单元110获取所述文书摘要生成请求的请求编号；
生成单元118根据所述请求编号及所述目标路径生成提示信息；
加密单元119采用对称加密技术加密所述提示信息，得到密文；
发送单元120将所述密文发送至指定联系人的终端设备。
通过所述请求编号及所述目标路径能够快速生成所述提示信息，从而能够及时通知所述指定联系人，进而通过对所述提示信息进行加密，避免存储在所述目标路径中的所述摘要文本被篡改，提高了所述摘要文本的安全性。
由以上技术方案可以看出，本发明通过对所述裁判文书进行要素抽取，能够准确的获取到所述裁判文书中的文书实体要素，进而通过所述文书实体要素对确定出的所述目标文本进行上下文语义分析，由于无需对整个所述裁判文书进行分析，因此能够提高分析效率，从而提高所述摘要文本的生成效率，通过对所述上下文语义向量进行解码，能够准确的获取到所述裁判文书中的特征信息，从而根据所述文书实体要素在所述裁判文书中的要素排版顺序及所述特征信息生成所述摘要文本，由于所述要素排版顺序是根据所述要素位置生成的，因此，能够使生成的所述摘要文本符合所述裁判文书的文书样式，同时，通过所述文书实体要素进行上下文语义分析，能够使生成的所述特征信息包含有所述裁判文书中关键信息的特征，提高了所述摘要文本的生成准确度。
如图3所示，是本发明实现文书摘要生成方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如文书摘要生成程序。
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，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，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、总线等。
所述处理器13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)、现场可编程门阵列(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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令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可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、抽取单元111、提取单元112、分析单元113、解码单元114、确定单元115、拼接单元116、存储单元117、生成单元118、加密单元119及发送单元120。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12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电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
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，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令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可读指令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)、随机存取存储器(RAM，Random Access Memory)。
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。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种文书摘要生成方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到文书摘要生成请求时，根据所述文书摘要生成请求获取裁判文书；
对所述裁判文书进行要素抽取，得到文书实体要素；
根据所述文书实体要素从所述裁判文书中提取目标文本；
基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量；
对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息；
确定所述文书实体要素在所述裁判文书中的要素排版顺序；
根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本。
具体地，所述处理器13对上述计算机可读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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到文书摘要生成请求时，根据所述文书摘要生成请求获取裁判文书；
对所述裁判文书进行要素抽取，得到文书实体要素；
根据所述文书实体要素从所述裁判文书中提取目标文本；
基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量；
对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息；
确定所述文书实体要素在所述裁判文书中的要素排版顺序；
根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本。
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。
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。所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。第一、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 (10)

1.一种文书摘要生成方法，其特征在于，所述文书摘要生成方法包括：
当接收到文书摘要生成请求时，根据所述文书摘要生成请求获取裁判文书；
对所述裁判文书进行要素抽取，得到文书实体要素；
根据所述文书实体要素从所述裁判文书中提取目标文本；
基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量；
对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息；
确定所述文书实体要素在所述裁判文书中的要素排版顺序；
根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本。
2.如权利要求1所述的文书摘要生成方法，其特征在于，所述根据所述文书摘要生成请求获取裁判文书包括：
解析所述文书摘要生成请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取指示文书的信息作为文书编号；
获取预设标识，所述预设标识用于指示未生成摘要的文书；
将所述预设标识及所述文书编号写入预设查询模板，得到查询语句；
获取预设网站，所述预设网站中存储有多个法律文书；
在所述预设网站中运行所述查询语句，得到文书路径；
将所述文书路径中存储的信息确定为所述裁判文书。
3.如权利要求1所述的文书摘要生成方法，其特征在于，所述对所述裁判文书进行要素抽取，得到文书实体要素包括：
获取所述裁判文书的文书标签；
根据所述文书标签获取所述裁判文书的抽取实体；
确定所述抽取实体的实体类型，并根据所述实体类型及所述抽取实体生成要素问句；
将所述裁判文书及所述要素问句输入至预先训练好的阅读理解模型中，得到要素向量；
根据所述要素向量从所述裁判文书中提取所述文书实体要素。
4.如权利要求3所述的文书摘要生成方法，其特征在于，所述根据所述文书实体要素从所述裁判文书中提取目标文本包括：
根据所述要素向量确定所述文书实体要素在所述裁判文书中的要素位置；
将所述要素位置对应的段落确定为目标段落；
从所述裁判文书中提取与所述目标段落对应的文本作为所述目标文本。
5.如权利要求1所述的文书摘要生成方法，其特征在于，所述基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量包括：
获取向量映射表；
基于所述向量映射表对所述文书实体要素进行向量化处理，得到实体向量；
对所述目标文本进行预处理，得到文本分词；
基于所述向量映射表对所述文本分词进行向量化处理，得到分词向量；
从所述分词向量中获取与所述实体向量相邻的向量作为上下文向量，所述上下文向量的个数为预设个数；
将每个上下文向量分别与第一预设矩阵进行乘积运算，得到第一运算向量，并计算所述第一运算向量的平均值，得到第二运算向量；
将所述第二运算向量点乘第二预设矩阵，得到目标矩阵；
采用激活函数计算所述目标矩阵中每个列向量的概率；
将所述概率最大的列向量确定为所述上下文语义向量。
6.如权利要求5所述的文书摘要生成方法，其特征在于，所述对所述目标文本进行预处理，得到文本分词包括：
根据预设词典对所述目标文本进行切分，得到多个切分路径，及每个切分路径对应的切割分词；
获取每个切割分词在所述预设词典中的分词权值，并计算每个切分路径中所述分词权值的总和，得到路径得分；
将所述路径得分最大的所述切分路径确定为目标路径，并将与所述目标路径对应的所述切割分词确定为初始分词；
获取停用词表；
根据所述停用词表对所述初始分词中的停用词进行过滤，得到所述文本分词。
7.如权利要求1所述的文书摘要生成方法，其特征在于，所述根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本包括：
根据所述要素排版顺序确定每个所述特征信息的拼接顺序；
基于所述拼接顺序拼接所述特征信息，得到所述摘要文本。
8.一种文书摘要生成装置，其特征在于，所述文书摘要生成装置包括：
获取单元，用于当接收到文书摘要生成请求时，根据所述文书摘要生成请求获取裁判文书；
抽取单元，用于对所述裁判文书进行要素抽取，得到文书实体要素；
提取单元，用于根据所述文书实体要素从所述裁判文书中提取目标文本；
分析单元，用于基于所述文书实体要素对所述目标文本进行上下文语义分析，得到所述文书实体要素的上下文语义向量；
解码单元，用于对所述上下文语义向量进行解码，得到与所述文书实体要素相关联的特征信息；
确定单元，用于确定所述文书实体要素在所述裁判文书中的要素排版顺序；
拼接单元，用于根据所述要素排版顺序拼接所述特征信息，得到所述裁判文书的摘要文本。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的文书摘要生成方法。
10.一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计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的文书摘要生成方法。
CN202110612952.9A 2021-06-02 2021-06-02 文书摘要生成方法、装置、设备及存储介质 Active CN113420143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110612952.9A CN113420143B (zh) 2021-06-02 2021-06-02 文书摘要生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110612952.9A CN113420143B (zh) 2021-06-02 2021-06-02 文书摘要生成方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113420143A true CN113420143A (zh) 2021-09-21
CN113420143B CN113420143B (zh) 2023-12-22

Family

ID=77713592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110612952.9A Active CN113420143B (zh) 2021-06-02 2021-06-02 文书摘要生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113420143B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115080816A (zh) * 2022-06-16 2022-09-20 抖音视界(北京)有限公司 摘要信息生成与搜索结果展示方法、装置、设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020107878A1 (zh) * 2018-11-30 2020-06-04 平安科技（深圳）有限公司 文本摘要生成方法、装置、计算机设备及存储介质
CN111597803A (zh) * 2020-05-14 2020-08-28 鼎富智能科技有限公司 一种要素提取方法、装置、电子设备及存储介质
US20200285662A1 (en) * 2019-03-09 2020-09-10 Wipro Limited Method and System for Generating Review Summaries
CN112241631A (zh) * 2020-10-23 2021-01-19 平安科技（深圳）有限公司 文本语义识别方法、装置、电子设备及存储介质
CN112507711A (zh) * 2020-12-04 2021-03-16 南京擎盾信息科技有限公司 文本摘要抽取方法及系统
CN112784578A (zh) * 2021-03-16 2021-05-11 北京华宇元典信息服务有限公司 法律要素提取方法、装置和电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020107878A1 (zh) * 2018-11-30 2020-06-04 平安科技（深圳）有限公司 文本摘要生成方法、装置、计算机设备及存储介质
US20200285662A1 (en) * 2019-03-09 2020-09-10 Wipro Limited Method and System for Generating Review Summaries
CN111597803A (zh) * 2020-05-14 2020-08-28 鼎富智能科技有限公司 一种要素提取方法、装置、电子设备及存储介质
CN112241631A (zh) * 2020-10-23 2021-01-19 平安科技（深圳）有限公司 文本语义识别方法、装置、电子设备及存储介质
CN112507711A (zh) * 2020-12-04 2021-03-16 南京擎盾信息科技有限公司 文本摘要抽取方法及系统
CN112784578A (zh) * 2021-03-16 2021-05-11 北京华宇元典信息服务有限公司 法律要素提取方法、装置和电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115080816A (zh) * 2022-06-16 2022-09-20 抖音视界(北京)有限公司 摘要信息生成与搜索结果展示方法、装置、设备和介质

Also Published As

Publication number Publication date
CN113420143B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN111694826B (zh) 基于人工智能的数据增强方法、装置、电子设备及介质
CN113032528B (zh) 案件分析方法、装置、设备及存储介质
CN112989826B (zh) 基于人工智能的试题分数确定方法、装置、设备及介质
CN112686036B (zh) 风险文本识别方法、装置、计算机设备及存储介质
CN112183091A (zh) 问答对生成方法、装置、电子设备及可读存储介质
CN113656547B (zh) 文本匹配方法、装置、设备及存储介质
CN111883251A (zh) 医疗误诊检测方法、装置、电子设备及存储介质
CN111639487A (zh) 基于分类模型的字段抽取方法、装置、电子设备及介质
CN113064973A (zh) 文本分类方法、装置、设备及存储介质
CN111552800A (zh) 摘要生成方法、装置、电子设备及介质
CN112395886A (zh) 相似文本确定方法及相关设备
CN111679975A (zh) 单证生成方法、装置、电子设备及介质
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
CN111986763A (zh) 疾病数据分析方法、装置、电子设备及存储介质
CN113342977B (zh) 发票图像分类方法、装置、设备及存储介质
CN113918467A (zh) 金融系统测试方法、装置、设备及存储介质
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN113268597A (zh) 文本分类方法、装置、设备及存储介质
CN113420143B (zh) 文书摘要生成方法、装置、设备及存储介质
CN113064972A (zh) 智能问答方法、装置、设备及存储介质
CN111933241A (zh) 医疗数据解析方法、装置、电子设备及存储介质
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN112949305B (zh) 负反馈信息采集方法、装置、设备及存储介质
CN112989820B (zh) 法律文书定位方法、装置、设备及存储介质
CN112989044B (zh) 文本分类方法、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