CN114490946A - 基于Xlnet模型的类案检索方法、系统及设备 - Google Patents

基于Xlnet模型的类案检索方法、系统及设备 Download PDF

Info

Publication number
CN114490946A
CN114490946A CN202210142076.2A CN202210142076A CN114490946A CN 114490946 A CN114490946 A CN 114490946A CN 202210142076 A CN202210142076 A CN 202210142076A CN 114490946 A CN114490946 A CN 114490946A
Authority
CN
China
Prior art keywords
case
text
case text
retrieval
similarity
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
CN202210142076.2A
Other languages
English (en)
Inventor
李芳芳
汤达夫
张健
段俊文
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202210142076.2A priority Critical patent/CN114490946A/zh
Publication of CN114490946A publication Critical patent/CN114490946A/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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例中提供了一种基于Xlnet模型的类案检索方法、系统及设备，属于数据处理技术领域，具体包括：将目标案件文本与案件检索数据库内的文本进行预处理；根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，以及，利用Xlnet模型提取语义特征；将案件文本相似度特征与语义特征融合后输入全连接神经网络，输出检索结果。通过本公开的方案，对案件文本数据预处理时进行数据清洗，使原始数据包含的信息更加规范精确，然后计算案件文本相似度特征，以及，利用Xlnet模型将文本转为词向量，得到语义特征并进行融合，输入全连接神经网络得到检索结果，提高了类案检索的效率、精准度和适应性。

Description

基于Xlnet模型的类案检索方法、系统及设备
技术领域
本公开实施例涉及数据处理技术领域，尤其涉及一种基于Xlnet模型的类案检索方法、系统及设备。
背景技术
目前，作广义层面的理解时，“类案”可被视为“类型化案件”，作狭义层面的理解时，“类案”可被视为“类似案件”。随着信息化的发展，社会对于案件的审判结果也备受关注，人们对于案件检索的需日益强烈，提供一种减少人工成本的智能化检索方式十分必要。
目前类案检索的方法主要有基于关键词规则匹配和深度学习的技术。使用关键词规则匹配技术需要建立一系列规则，需要花费大量人工成本，而且用户很难总结出一个关键词去检索自己想要的案例，机械性的匹配无法满足用户的需求。而基于CNN模型或者LSTM模型的深度学习的对于长文本的学习效果有限，无法将案件文本的信息有效表示。Bert模型的自注意机制可以很好学习文本的上下文信息，但Bert模型对于文本的输入长度有一定限制，通常需要对案件长文本进行关键部分截取，这样容易遗漏关键信息。单方面的只使用深度学习的方式或统计特征的方式无法全面的判断案件文本的相似程度。
可见，亟需一种精准高效且适应性强的基于Xlnet模型的类案检索方法。
发明内容
有鉴于此，本公开实施例提供一种基于Xlnet模型的类案检索方法、系统及设备，至少部分解决现有技术中存在检索效率、精准度和适应性较差的问题。
第一方面，本公开实施例提供了一种基于Xlnet模型的类案检索方法，包括：
将目标案件文本与案件检索数据库内的文本进行预处理；
根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，以及，利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征；
将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果。
根据本公开实施例的一种具体实现方式，所述将目标案件文本与案件检索数据库内的文本进行预处理的步骤，包括：
将所述目标案件文本与所述案件检索数据库内文本的字符进行统一；
将统一字符后的目标案件文本与案件检索数据库内文本进行去停用词操作；
将进行所述去停用词操作后的目标案件文本与案件检索数据库内文本进行分词处理，并对每个分词进行词性标注。
根据本公开实施例的一种具体实现方式，所述根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征的步骤，包括：
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的jaccard相似度；
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的编辑距离；
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的tf-idf余弦距离；
将所述jaccard相似度、所述编辑距离和所述tf-idf余弦距离作为所述案件文本相似度特征。
根据本公开实施例的一种具体实现方式，所述Xlnet模型包括排序语言模型、Attention Mask机制和双流自注意机制。
根据本公开实施例的一种具体实现方式，所述利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征的步骤，包括：
分别对预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本进行语序排列，并对排序结果进行随机采样和预测；
根据预测结果对预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本构建掩码矩阵；
根据所述掩码矩阵和双流自注意机制预训练AR语言模型，生成所述语义特征。
根据本公开实施例的一种具体实现方式，所述将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果的步骤之前，所述方法还包括：
构建所述全连接神经网络，其中，所述全连接神经网络包括输入层、隐藏层和输出层，所述输入层和所述隐藏层之间采用ReLu函数作为激活函数。
根据本公开实施例的一种具体实现方式，所述将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果的步骤，包括：
将所述jaccard相似度、所述编辑距离和所述tf-idf余弦距离拼接为统计特征向量；
将所述统计特征向量和所述语义特征拼接为与所述输入层尺寸相同的融合特征向量；
将所述融合特征向量输入所述输入层和所述隐藏层，采用随机失活方法进行拟合，通过所述输出层得到输出向量；
对所述输出向量进行归一化并利用预设函数进行处理，得到所述检索结果。
第二方面，本公开实施例提供了一种基于Xlnet模型的类案检索系统，包括：
预处理模块，用于将目标案件文本与案件检索数据库内的文本进行预处理；
计算模块，用于根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，以及，利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征；
融合模块，用于将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于Xlnet模型的类案检索方法。
本公开实施例中的基于Xlnet模型的类案检索方案，包括：将目标案件文本与案件检索数据库内的文本进行预处理；根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，以及，利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征；将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果。
本公开实施例的有益效果为：通过本公开的方案，对案件文本数据预处理时进行数据清洗，使原始数据包含的信息更加规范精确，然后计算案件文本相似度特征，以及，利用Xlnet模型将文本转为词向量，得到语义特征并进行融合，输入全连接神经网络得到检索结果，提高了类案检索的效率、精准度和适应性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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它的附图。
图1为本公开实施例提供的一种基于Xlnet模型的类案检索方法的流程示意图；
图2为本公开实施例提供的一种数据预处理流程示意图；
图3为本公开实施例提供的根据因式分解产生的不同顺序的预测示意图；
图4为本公开实施例提供的一种掩码矩阵；
图5为本公开实施例提供的双流自注意机制计算原理图；
图6为本公开实施例提供的Xlnet整体工作流程图；
图7为本公开实施例提供的融合网络模型图；
图8为本公开实施例提供的一种基于Xlnet模型的类案检索系统的结构示意图；
图9为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于Xlnet模型的类案检索方法，所述方法可以应用于文本数据处理场景中的文案检索对比过程。
参见图1，为本公开实施例提供的一种基于Xlnet模型的类案检索方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，将目标案件文本与案件检索数据库内的文本进行预处理；
可选的，步骤S101所述的，将目标案件文本与案件检索数据库内的文本进行预处理，包括：
将所述目标案件文本与所述案件检索数据库内文本的字符进行统一；
将统一字符后的目标案件文本与案件检索数据库内文本进行去停用词操作；
将进行所述去停用词操作后的目标案件文本与案件检索数据库内文本进行分词处理，并对每个分词进行词性标注。
具体实施时，如图2所示，考虑到案件样本都是中文数据，其长度通常在3000字以上，其中包含很多无益信息，比如地名和法院判决时的一些特定结构的表达，对于深度学习模型的学习成本以及学习精度都会产生非常大的干扰，而且进行统计分析、计算处理、模型训练都需要结构化数据。为了解决上述问题，可以通过以下步骤对数据进行预处理：
步骤一：由于输入法不同等原因，可能会导致同一个汉字，由于半角与全角的差异，导致计算机认为它们是不同的字符，所以需要将全角统一转变为半角。
步骤二：由于中文文本的特殊性，会将部分停用词保留下来，去停用词不仅可以减少文本的长度，而且提高了有用信息词的密度，提升了模型的运行速度，使得模型对语义的学习更加容易准确。
步骤三：由于法律文本包含地名、人名等一系列对案件相似度判断无关的词汇，也会对模型提取的特性向量造成一定的干扰，所以该方法先采用jieba分词工具对案件文本进行分词处理，然后对每个分词进行词性标注，如果分词被标注为名词并出现在准备好的地名、人名等无用名词表中时，该方法会将其进行剔除处理。
步骤四：由于原始法律案件文本数量有限，且标签分布不均匀，数据增强能让有限的数据产生更多的数据。例如数据A、B相似，B、C相似，根据闭包的传递性，那么A与C之间则存在相似关系，通过此方法可以增加训练样本以及样本的多样性，提高模型的鲁棒性。
相比于传统的文本处理方式，预处理既可以去缩短案件文本长度，除大部分的噪声干扰，又可以增加训练样本与样本的多样性，对预测结果有很大提升。
S102，根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，以及，利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征；
进一步的，步骤S102所述的，根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，包括：
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的jaccard相似度；
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的编辑距离；
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的tf-idf余弦距离；
将所述jaccard相似度、所述编辑距离和所述tf-idf余弦距离作为所述案件文本相似度特征。
可选的，所述Xlnet模型包括排序语言模型、Attention Mask机制和双流自注意机制。
在上述实施例的基础上，步骤S102所述的，利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征，包括：
分别对预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本进行语序排列，并对排序结果进行随机采样和预测；
根据预测结果对预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本构建掩码矩阵；
根据所述掩码矩阵和双流自注意机制预训练AR语言模型，生成所述语义特征。
具体实施时，深度学习网络可以提取出文本的语义方面的信息，但文本的统计特征、距离特征、和相似度函数也能携带案件文本是否匹配的信息，所以本专利提出以上三个方面的特征信息作为特征融合网络的部分输入。具体步骤如下：
步骤一：首先可以计算文本的jaccard相似度，jaccard相似度用于比较有限样本集之间的相似性和差异性，jaccard值越大说明案件文本相似度越高。给定两个案件文本A、B，jaccard系数的计算过程如公式(1)所示：
Figure BDA0003506791020000081
步骤二：案件A、B文本的编辑距离也反应了案件文本间的相似度，编辑距离e_distance可以使用动态规划的方式进行计算，递推公式如(2)所示：
Figure BDA0003506791020000082
步骤三：计算案件文本的tf-idf余弦距离。统计词频的计算过程如公式(3)所示：
Figure BDA0003506791020000091
词频(termfrequency，tf)指的是某一个给定的词语在该文件中出现的频率。以上式子中ni,j是该词在文件j中的出现次数，而分母则是在文件j中所有词的出现次数之和。逆文本频率(IDF)的计算如公式(4)所示：
Figure BDA0003506791020000092
该公式的num代表文档总数，numi,j代表词汇j出现的文档数，tf-idf的计算如公式(5)所示：
tf-idf＝tf*idf# (5)
最后使用tf-idf计算特征向量的余弦距离，计算如公式(6)所示：
Figure BDA0003506791020000093
优点：相比于只直接使用深度神经网络提取特征信息，该方法所包含的信息会更加全面，在一些比较简单的案件文本中，使用统计特征和距离特征便可直接衡量案件文本之间的相似度。通过该方法构建的编码时能够包含其语义信息，而且编码出来的序列长度也比较适合，提高统计特征和距离特征在案件文本相似度判断中的权重，可以提高模型的预测精度。
然后，考虑到传统的one-hot编码在欧氏空间中属于互相正交的基向量，无法计算相似度，而且当词表过大时，one-hot向量会非常稀疏，增加计算代价。Word2Vec模型是一种静态词向量模型，训练得到的词向量与词之间是一一对应的关系，导致模型无法识别多义词，而且Word2Vec只考虑到了词的局部信息，对上下文信息的获取能力较弱。Bert模型属于自编码语言模型，但会忽略被mask的词之间的关联性，具有一定局限性。而Xlnet模型可以很好的解决上述问题。Xlnet由排序语言模型、Attention Mask机制、双流自注意机制三个部分组成，具体如下：
1、排序语言模型
所述Xlnet模型基于自回归(AR)语言模型建模，但AR语言模型无法同时理解上下文语义，为了解决这个问题，提出了排序语言模型，具体步骤如下：
步骤一：对语序全排列。排序语言模型(PLM)通过对案件文本句子进行全排序，以获得不同的语序结构。假设给定序列(x1,x2,x3,x4),对序列全排列得到3→2→4→1、2→4→3→1、1→4→3→2等顺序。以预测x3为例，对于顺序3→2→4→1，因为x3排在首位，则只能使用其隐藏状态men进行预测。对于顺序1→4→3→2，可以使用x1，x4进行预测。预测过程如图3所示，其中，(a)和(b)分别表示根据因式分解产生的不同顺序来预测x3的值；
步骤二：对排序随机采样。对于给定长度T的序列x，对其进行全排序有T！种结果，当序列长度过长时会导致算法复杂度过高。所以只对其进行随机采样。对序列全排序随机采样优化通过公式(7)实现：
Figure BDA0003506791020000101
步骤三：对序列进行部分预测。对于随机抽样的序列，倾向于选取该序列位置靠后的词。靠后的词有更高的概率获得更高的上下文信息。
2、Attention Mask机制
PLM使模型可以看到上下文的语义信息，同时引入Attention Mask机制，使得模型从外部看仍是从左往右单向建模，在transformer内部，把需要预测的部分mask，使其在预测过程中被忽略。例如原语句的排列方式为1→2→3→4，若采样序列为3→2→4→1，构建的掩码矩阵如图4所示，矩阵图中的每一行依次代表x1，x2，x3，x4序列，每一列中的黑色掩码代表可以看到的语义信息，第一行掩码为2，3，4，代表x1只能获取x2，x3，x4的语义信息，以此类推。
3、双流自注意机制
所述双流自注意机制(Two-Stream Self Attention)可以解决PLM模型无法获得打乱顺序后词的位置信息问题。双流分为Content Stream和Query Stream。传统的AR语言模型对长度为T的序列x目标函数如公式(8)：
Figure BDA0003506791020000102
其中，z为从长度为T的序列x全排列随机采样序列，zt表示采样序列t位置上的序列号，x为预测词，e(x)为x的embedding；内容隐状态hθ(xz<t)即编码x的内容又编码其上文信息，但不包含位置信息。
Figure BDA0003506791020000111
可解释为对于排序序列t位置上词的预测，由t位置前序列号对应的词计算其概率。由于PLM会将序列顺序打乱，所以需要加入位置词信息，如公式(9)所示：
Figure BDA0003506791020000112
其中，gθ(xz<t,zt)表示查询隐状态，包含了t位置之前的词以及需要预测词x的位置信息，它只编码预测词x上下文和其位置信息，但不能编码x的内容信息。
内容隐状态hθ(xz<t)和查询隐状态gθ(xz<t,zt)更新过程如下公式(10)，(11)所示：
Figure BDA0003506791020000113
Figure BDA0003506791020000114
其中，m表示网络层的层数，通常在第0层将查询隐状态g0初始化为一个变量w，内容隐状态h(0)初始化为词的embedding，即e(x),根据第0层计算第一层数据，往后逐层计算，具体如图5所示，其中，(a)为Content Stream流工作原理图，(b)为Query Stream流工作原理图，h，g分别表示内容信息和查询信息，图6为Xlnet整体工作流程图。
经过排序语言模型、Attention Mask、双流自注意三个部分预训练完成的模型可以考虑到被mask词之间的关系，克服了Bert模型存在的这个问题，可以更好的理解与表达案件文本的上下文语义。相较于传统的AR回归语言模型，Xlnet的排序机制克服了AR模型只能从左往右或者从右往左预测的问题。对于全排序进行随机抽样和取序列末端的词进行预测，可以减少算法的复杂度，加快收敛速度。
S103，将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果。
可选的，步骤S103所述的，将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果之前，所述方法还包括：
构建所述全连接神经网络，其中，所述全连接神经网络包括输入层、隐藏层和输出层，所述输入层和所述隐藏层之间采用ReLu函数作为激活函数。
进一步的，步骤S103所述的，将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果，包括：
将所述jaccard相似度、所述编辑距离和所述tf-idf余弦距离拼接为统计特征向量；
将所述统计特征向量和所述语义特征拼接为与所述输入层尺寸相同的融合特征向量；
将所述融合特征向量输入所述输入层和所述隐藏层，采用随机失活方法进行拟合，通过所述输出层得到输出向量；
对所述输出向量进行归一化并利用预设函数进行处理，得到所述检索结果。
具体实施时，可以先构建所述全连接神经网络，如图7所示，所述全连接神经网络可以由1×771的输入层Input Layer，1×256的隐藏层Hidden Layer和1×4的输出层Output Layer构成。输入层和隐藏层之间采用ReLu作为激活函数。
考虑到只采用传统的文本相似度判断方式，容易忽略案件文本在语义上的信息。而只使用深度学习的方法又容易忽略案件文本最原始的特征信息，所以该方法提出一种融合网络模型，将计算出的案件文本相似度特征与Xlnet提取出的语义特征向量进行融合，作为全连接神经网络的输入，融合网络模型由特征融合阶段和全连接阶段组成。步骤一：构造统计特征向量Va。将案件文本的jaccard系数、编辑距离editdistance、tf-idf的余弦距拼接为1×3的统计特征向量Va。
步骤二：构造融合特征向量Vmerge。将统计特征向量Va将1×3的统计特征向量和Xlnet提取出的1×768的语义特征向量Vb拼接成为1×771的融合特征向量Vmerge,该特征向量作为融合网络中全连接阶段的输入向量。
步骤三：使用Dropout方法随机使一定的神经元失活来减少过拟合现象，失活概率p＝0.3，特征向量Vmerge通过整个全连接阶段后得到大小为1×4的输出向量Voutput，对Voutput先做减去平均值再除以最大值的归一化处理(BatchNormalization)并且再用sigmoid函数进行处理Vtarget，根据四维向量Vtarget判断两个案件文本的相似程度，该方法把文本相似程度划分为4个等级。
优点：相比于只使用传统的文本相似度判断方式和只使用深度学习提取的特征，使用融合网络能使特征向量包含的信息更加全面，提高了特征向量的质量，大大提高了数据预测的精度。
本实施例提供的基于Xlnet模型的类案检索方法，通过对案件文本数据预处理时进行数据清洗，使原始数据包含的信息更加规范精确，然后计算案件文本相似度特征，以及，利用Xlnet模型将文本转为词向量，得到语义特征并进行融合，输入全连接神经网络得到检索结果，提高了类案检索的效率、精准度和适应性。
与上面的方法实施例相对应，参见图8，本公开实施例还提供了一种基于Xlnet模型的类案检索系统80，包括：
预处理模块801，用于将目标案件文本与案件检索数据库内的文本进行预处理；
计算模块802，用于根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，以及，利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征；
融合模块803，用于将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果。
图8所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图9，本公开实施例还提供了一种电子设备90，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于Xlnet模型的类案检索方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于Xlnet模型的类案检索方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于Xlnet模型的类案检索方法。
下面参考图9，其示出了适于用来实现本公开实施例的电子设备90的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，电子设备90可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有电子设备90操作所需的各种程序和数据。处理装置901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备90与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备90，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于Xlnet模型的类案检索方法，其特征在于，包括：
将目标案件文本与案件检索数据库内的文本进行预处理；
根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，以及，利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征；
将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果。
2.根据权利要求1所述的方法，其特征在于,所述将目标案件文本与案件检索数据库内的文本进行预处理的步骤，包括：
将所述目标案件文本与所述案件检索数据库内文本的字符进行统一；
将统一字符后的目标案件文本与案件检索数据库内文本进行去停用词操作；
将进行所述去停用词操作后的目标案件文本与案件检索数据库内文本进行分词处理，并对每个分词进行词性标注。
3.根据权利要求1所述的方法，其特征在于,所述根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征的步骤，包括：
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的jaccard相似度；
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的编辑距离；
计算预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本的tf-idf余弦距离；
将所述jaccard相似度、所述编辑距离和所述tf-idf余弦距离作为所述案件文本相似度特征。
4.根据权利要求1所述的方法，其特征在于,所述Xlnet模型包括排序语言模型、Attention Mask机制和双流自注意机制。
5.根据权利要求4所述的方法，其特征在于,所述利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征的步骤，包括：
分别对预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本进行语序排列，并对排序结果进行随机采样和预测；
根据预测结果对预处理后的目标案件文本与预处理后的案件检索数据库内每个案件文本构建掩码矩阵；
根据所述掩码矩阵和双流自注意机制预训练AR语言模型，生成所述语义特征。
6.根据权利要求3所述的方法，其特征在于,所述将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果的步骤之前，所述方法还包括：
构建所述全连接神经网络，其中，所述全连接神经网络包括输入层、隐藏层和输出层，所述输入层和所述隐藏层之间采用ReLu函数作为激活函数。
7.根据权利要求6所述的方法，其特征在于,所述将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果的步骤，包括：
将所述jaccard相似度、所述编辑距离和所述tf-idf余弦距离拼接为统计特征向量；
将所述统计特征向量和所述语义特征拼接为与所述输入层尺寸相同的融合特征向量；
将所述融合特征向量输入所述输入层和所述隐藏层，采用随机失活方法进行拟合，通过所述输出层得到输出向量；
对所述输出向量进行归一化并利用预设函数进行处理，得到所述检索结果。
8.一种基于Xlnet模型的类案检索系统，其特征在于，包括：
预处理模块，用于将目标案件文本与案件检索数据库内的文本进行预处理；
计算模块，用于根据预设算法计算预处理后的目标案件文本与案件检索数据库内文本的案件文本相似度特征，以及，利用Xlnet模型提取预处理后的目标案件文本与案件检索数据库内文本的语义特征；
融合模块，用于将所述案件文本相似度特征与所述语义特征融合后输入全连接神经网络，输出检索结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的基于Xlnet模型的类案检索方法。
CN202210142076.2A 2022-02-16 2022-02-16 基于Xlnet模型的类案检索方法、系统及设备 Pending CN114490946A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210142076.2A CN114490946A (zh) 2022-02-16 2022-02-16 基于Xlnet模型的类案检索方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210142076.2A CN114490946A (zh) 2022-02-16 2022-02-16 基于Xlnet模型的类案检索方法、系统及设备

Publications (1)

Publication Number Publication Date
CN114490946A true CN114490946A (zh) 2022-05-13

Family

ID=81480790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210142076.2A Pending CN114490946A (zh) 2022-02-16 2022-02-16 基于Xlnet模型的类案检索方法、系统及设备

Country Status (1)

Country Link
CN (1) CN114490946A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070624A (zh) * 2023-04-06 2023-05-05 中南大学 一种基于环保案件要素的类案推送方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070624A (zh) * 2023-04-06 2023-05-05 中南大学 一种基于环保案件要素的类案推送方法

Similar Documents

Publication Publication Date Title
CN112528672B (zh) 一种基于图卷积神经网络的方面级情感分析方法及装置
CN111444340B (zh) 文本分类方法、装置、设备及存储介质
CN107783960B (zh) 用于抽取信息的方法、装置和设备
CN116775847B (zh) 一种基于知识图谱和大语言模型的问答方法和系统
CN110019732B (zh) 一种智能问答方法以及相关装置
WO2021135455A1 (zh) 语义召回方法、装置、计算机设备及存储介质
WO2022247562A1 (zh) 多模态数据检索方法、装置、介质及电子设备
WO2022166613A1 (zh) 文本中角色的识别方法、装置、可读介质和电子设备
CN110377778A (zh) 基于标题图相关性的图排序方法、装置及电子设备
CN115221191A (zh) 一种基于数据湖的虚拟列构建方法以及数据查询方法
CN118113852A (zh) 一种金融问题解答方法、装置、设备、系统、介质及产品
CN111241273A (zh) 文本数据分类方法、装置、电子设备及计算机可读介质
CN114490946A (zh) 基于Xlnet模型的类案检索方法、系统及设备
CN117609612A (zh) 资源推荐方法、装置、存储介质及电子设备
CN112599211A (zh) 一种医疗实体关系抽取方法及装置
CN114791950B (zh) 基于词性位置与图卷积网络的方面级情感分类方法及装置
CN113836308B (zh) 网络大数据长文本多标签分类方法、系统、设备及介质
CN116361511A (zh) 一种复合语义的视频检索方法、装置、设备及存储介质
CN115062136A (zh) 基于图神经网络的事件消歧方法及其相关设备
CN116821327A (zh) 文本数据处理方法、装置、设备、可读存储介质及产品
CN114925175A (zh) 基于人工智能的摘要生成方法、装置、计算机设备及介质
CN110852043B (zh) 一种文本转写方法、装置、设备及存储介质
US12073299B2 (en) Systems and methods for using contrastive pre-training to generate text and code embeddings
CN118503411B (zh) 提纲生成方法、模型训练方法、设备及介质
CN117874261B (zh) 基于课程学习的问答式事件抽取方法以及相关设备

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