CN115757819A - 裁判文书中引用法条信息获取方法及装置 - Google Patents
裁判文书中引用法条信息获取方法及装置 Download PDFInfo
- Publication number
- CN115757819A CN115757819A CN202211393265.3A CN202211393265A CN115757819A CN 115757819 A CN115757819 A CN 115757819A CN 202211393265 A CN202211393265 A CN 202211393265A CN 115757819 A CN115757819 A CN 115757819A
- Authority
- CN
- China
- Prior art keywords
- legal
- text
- processed
- citation
- law
- 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
Links
Images
Landscapes
- Machine Translation (AREA)
Abstract
本发明提供一种裁判文书中引用法条信息获取方法及装置，通过获取待处理法律文本材料；对待处理法律文本材料进行案件特征提取，得到法律文本要素；根据法律知识图谱对法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，能够精准、规范、高效的援引裁判文书法条，满足人民法院信息化建设需求。
Description
技术领域
本发明涉及人工智能和自然语言处理技术领域，尤其涉及一种裁判文书中引用法条信息获取方法及装置。
背景技术
裁判文书作为法律审判活动记录的载体,完整反映了当事人主张、举证和质证的客观过程,并全面阐述了裁判结果形成的法律依据、事实证据和推理过程，因此其是一类重要的司法数据,而庭审过程中双方当事人的举证质证、法官的认证、法律适用、作出裁判等活动都是以引用法条为内在要素而展开的。因此，精准、规范、高效的援引裁判文书法条，同样是人民法院信息化建设任务中的重要环节。在引用法条时需充分考虑已有相似案件的卷宗，但由于包含了绝大部分案情数据的电子卷宗为半结构化数据或非结构化数据，不能自动提取案情数据的关键内容，只能通过人工去查阅相似案件卷宗之后给出引用法条，不仅降低了法条引用效率，还会因为人为操作失误造成引用法条不准确，影响人民法院信息化建设任务的开展。
发明内容
本发明提供一种裁判文书中引用法条信息获取方法及装置，用以解决通过人工引用法条造成法条引用效率低以及引用法条不准确的缺陷。
本发明提供一种裁判文书中引用法条信息获取方法，包括：
获取待处理法律文本材料；
对所述待处理法律文本材料进行案件特征提取，得到法律文本要素；
根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条。
根据本发明提供的裁判文书中引用法条信息获取方法，所述获取待处理法律文本材料后，还包括：
对所述待处理法律文本材料进行预处理，包括：
对所述待处理法律文本材料中的案件类型、文本类型进行识别；
对所述待处理法律文本材料中的文本语句进行拆分，得到多个分词；
将所述多个分词根据所述案件类型、文本类型进行标注，得到词语标注文本。
根据本发明提供的裁判文书中引用法条信息获取方法，所述对所述待处理法律文本材料进行案件特征提取，得到法律文本要素，包括：
计算所述词语标注文本的词语语义相似度；
根据所述词语语义相似度构建词语语义相似网络；
计算所述词语语义相似网络中居间度密度；
根据所述居间度密度计算词语关键度；
根据所述词语关键度筛选出关键词，将所述关键词作为法律文本要素。
根据本发明提供的裁判文书中引用法条信息获取方法，所述法律知识图谱的构建方法包括：
通过建立正则表达式模型将历史法律文本资料中包含案件特征的表述转化为语义信息；
将语义信息进行标准化处理得到法律要素；
将所述法律要素与法律事实、法律法规进行关联以得到法律知识图谱。
根据本发明提供的裁判文书中引用法条信息获取方法，所述根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，包括：
根据法律知识图谱建立推理规则，所述推理规则包括法律文本要素与引用法条的对应关系；
基于动量对比算法将法律文本要素与法律知识图谱中的法律要素进行匹配；
根据匹配结果匹配出对应的推理规则，以得到待处理法律文本材料对应的裁判文书引用法条。
根据本发明提供的裁判文书中引用法条信息获取方法，所述根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，还包括：
对于引用同一法典项下的多条法律条文时，对法律名称进行消除重复项处理。
根据本发明提供的裁判文书中引用法条信息获取方法，还包括：
建立正则表达式模型分割法律法规各部分内容；
将法律条文拆分为法律名称、法条序号、法条内容设置标签；
构建标签名称与各部分内容的映射关系，得到引用法条。
本发明还提供一种裁判文书中引用法条信息获取装置，包括：
获取模块，用于获取待处理法律文本材料；
提取模块，用于对所述待处理法律文本材料进行案件特征提取，得到法律文本要素；
推理模块，用于根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条。
本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述的裁判文书中引用法条信息获取方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的裁判文书中引用法条信息获取方法。
本发明提供的裁判文书中引用法条信息获取方法及装置，通过获取待处理法律文本材料；对待处理法律文本材料进行案件特征提取，得到法律文本要素；根据法律知识图谱对法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，能够精准、规范、高效的援引裁判文书法条，满足人民法院信息化建设需求。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的裁判文书中引用法条信息获取方法的流程示意图之一；
图2是本发明提供的裁判文书中引用法条信息获取方法的流程示意图之二；
图3是本发明提供的裁判文书中引用法条信息获取方法的流程示意图之三；
图4是本发明提供的法律事实、法律要素与各类知识类型关联关系图谱示例图；
图5是本发明提供的法律事实关系图谱示意图；
图6是本发明提供的裁判文书中引用法条信息获取方法的流程示意图之四；
图7是本发明提供的法条标准化标签及标签内容映射图；
图8是本发明提供的裁判文书中引用法条信息获取方法的流程示意图之五；
图9是本发明提供的裁判文书中引用法条信息获取装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
图1为本发明实施例提供的裁判文书中引用法条信息获取方法的流程图，如图1所示，本发明实施例提供的裁判文书中引用法条信息获取方法包括：
步骤101、获取待处理法律文本材料；
在本发明实施例中，以案由为坐标，遵循法学理论和法律逻辑，通过对多类型多体量的样本材料的学习训练，建设包含该案由项下的案件特征数据的法律要素集合。本发明对法律要素的设置标准区别于对案件基本属性的解析，而是一种对影响实体属性的最小颗粒度的要素级解析。
通过建立正则表达式模型将文本中包含案件特征的表述转化为语义信息，并将经过标准化的语义信息设置为法律要素。
步骤102、对待处理法律文本材料进行案件特征提取，得到法律文本要素；
步骤103、根据法律知识图谱对法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条。
传统裁判文书中引用法条信息获取方法，不能自动提取案情数据的关键内容，只能通过人工去查阅相似案件卷宗之后给出引用法条，不仅降低了法条引用效率，还会因为人为操作失误造成引用法条不准确，影响人民法院信息化建设任务的开展。
本发明实施例提供的裁判文书中引用法条信息获取方法通过获取待处理法律文本材料；对待处理法律文本材料进行案件特征提取，得到法律文本要素；根据法律知识图谱对法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，能够精准、规范、高效的援引裁判文书法条，满足人民法院信息化建设需求。
基于上述任一实施例，获取待处理法律文本材料后，裁判文书中引用法条信息获取方法还包括：对待处理法律文本材料进行预处理，具体包括：
对待处理法律文本材料中的案件类型、文本类型进行识别；
对待处理法律文本材料中的文本语句进行拆分，得到多个分词；
将多个分词根据所述案件类型、文本类型进行标注，得到词语标注文本。
在本发明实施例中，文本预处理包含对案件材料的案件类型识别、文本段落类型识别以及文本语句拆分等步骤，此环节能够将数据进行基础的结构化，进而对不同类型的段落、语句、词语使用不同的认知策略。
如图2所示，步骤102中对待处理法律文本材料进行案件特征提取，得到法律文本要素，包括：
步骤201、计算词语标注文本的词语语义相似度；
步骤202、根据词语语义相似度构建词语语义相似网络；
步骤203、计算词语语义相似网络中居间度密度；
步骤204、根据居间度密度计算词语关键度；
步骤205、根据词语关键度筛选出关键词，将关键词作为法律文本要素。
在本发明实施例中，基于语义的中文文本关键词提取算法(SKE)，清理文本数据、提取案件特征数据，对法律文本中的自然语言表述经过语义特征识别、实体抽取、实体关系解析，对文本中的法律事实进行提取，将通过自然语言处理技术对文本材料提取到的法律文本要素，存入待处理的法律文本要素池。
其中，计算词语语义相似度的函数公式为：
W1、W2代表两个词语，Dis(W1，W2)代表W1与W2两个词语之间语义距离，α是一个可调节的参数，α控制语义相似度Sim的取值范围，α越大，语义相似度越不灵敏。
同时，通过计算居间度密度，判断词语之间各种关系和词语在网络中的作用，其公式如下：
其中，gmk表示顶点Vm和Vk之间的最短路径数；gmk(Vi)表示顶点Vm和Vk之间的最短路径是否通过顶点Vi，通过Vi则为1，否则为0。如果两个词语语义相似，词语的居间度密度越大。通过居间度密度的计算，能够正确反应词语语义的相似度，并能有效排除居间度很大但主题无关的词语，最终实现提取到对目标要素。
计算词语关键度的函数公式为：
其中，Vdi表示Wi的语义贡献值；Vdw表示语义贡献值权重；Tw为统计特征值权重；locij表示Wi是否在位置j上出现过；locwj表示统计特征中位置j的权重，其中，j取值为1、2、3，代表的位置种类分别为标题、段首、段尾；leni表示Wi的词长；lenw表示统计特征中词长权重；posi表示Wi的词性值；posw表示统计特征中词性权重；tfidfii表示Wi的TF-IDF值，tfidfw表示统计特征中TF-IDF权重，TF-IDF(term frequency–inverse documentfrequency)是一种用于信息检索与数据挖掘的常用加权技术，TF是词频(TermFrequency)，IDF是逆文本频率指数(Inverse Document Frequency)，最终得值越高，说明该词语的关键度越高，即为需要提取的案件特征性数据。
如图3所示，步骤103中法律知识图谱的构建方法包括：
步骤301、通过建立正则表达式模型将历史法律文本资料中包含案件特征的表述转化为语义信息；
步骤302、将语义信息进行标准化处理得到法律要素；
步骤303、将法律要素与法律事实、法律法规进行关联以得到法律知识图谱。
法律事实、法律要素与各类知识类型关联关系图谱示例如图4所示，创建法律知识图谱，即建立以法律事实为基础，遵循法学理论和法律逻辑的知识框架，并将每个知识实体与法律法规相连结，使法律要素、法律事实与法律法规之间产生动态关联。通过法律知识图谱的搭建，可以实现法律事实建模，使法律要素能够自动的进行关联并连接形成法律关系的自动推理，法律事实关系图谱如图5所示。
基于上述任一实施例，如图6所示，根据法律知识图谱对法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，包括：
步骤601、根据法律知识图谱建立推理规则，所述推理规则包括法律文本要素与引用法条的对应关系；
步骤602、基于动量对比算法将法律文本要素与法律知识图谱中的法律要素进行匹配；
基于动量对比算法将在文本材料中提取到的内容(要素值)与法律要素库内相同语义信息的要素进行匹配，其计算公式如下：
动量对比算法里使用的是info NCE损失函数，其中q表示query的特征，ki表示dictionary中特征key，k+表示q在dictionary中的一个正样本(假设有且只有一个)，τ是一个超参数，用于调整上述损失函数的。
当ki！＝k+时，表明查询的q与数据库里的ki不相似，则exp(q*ki/τ)的值小；当ki＝k+时，表明查询的q与数据库里的k+相似，则exp(q*ki/τ)的值大，这样log里值接近1，从而达到最小化函数的目的，从而得到实际比对数据。
步骤603、根据匹配结果匹配出对应的推理规则，以得到待处理法律文本材料对应的裁判文书引用法条。
在本发明一些实施例中，根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，还包括：
对于引用同一法典项下的多条法律条文时，对法律名称进行消除重复项处理，即仅显示该法律名称一次及多个法条序号。
在本发明一些实施例中，根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，还包括：
建立正则表达式模型分割法律法规各部分内容；
将法律条文拆分为法律名称、法条序号、法条内容设置标签；
构建标签名称与各部分内容的映射关系，得到引用法条。
依据裁判文书法条援引规范(《最高人民法院关于裁判文书引用法律、法规等规范性法律文件的规定》、《最高人民法院关于印发<人民法院民事裁判文书制作规范><民事诉讼文书样式>的通知》)，对底层法律法规库中法律条文进行标准化转化，依据推理规则，推出材料中应适用的裁判文书法条，法条标准化标签及标签内容映射图示如图7所示。
裁判文书作为法律审判活动记录的载体,完整反映了当事入主张、举证和质证的客观过程,并全面阐述了裁判结果形成的法律依据、事实证据和推理过程，是一类重要的司法数据,而裁判文书引用法条也并非仅作为裁判的一个片段出现，而是贯穿整个审判过程的复杂工作。庭审过程中双方当事人的举证质证，以及法官的认证、法律适用、作出裁判等活动都是以引用法条为内在要素而展开的。因此精准、规范、高效的援引裁判文书法条，同样是人民法院信息化建设任务中的重要环节。
目前而言，大部分法院对数据的管理及应用仅仅局限于以审判流程数据为代表的结构化数据上，而对于包含了绝大部分案情数据的电子卷宗却缺乏足够的应用，案情数据的挖掘和应用是建设与审判业务深度结合的智慧化应用系统的前提。
裁判文书中引用法条信息获取方法总体流程如图8所示，以各类案由案件为学习语料，建立法律要素库，构建法律知识图谱；获取文本，对文本进行预处理；利用深度学习SKE方法对文本中的案件特征数据(即法律文本要素)进行提取，并将提取到的法律文本要素存入待处理的法律文本要素池；基于法律知识图谱中法律要素与法律法规的关联规则进行知识推理，推出裁判文书引用法条。
本申请提供的实现推理式裁判文书法条引用的方法，能够精准、规范、高效的援引裁判文书法条，满足人民法院信息化建设任务中法院智慧化的需求本发明实施例提供的裁判文书中引用法条信息获取方法能够实现对结构化数据、半结构化数据和非结构化数据的挖掘、解析，将其中的法律数据进行抽取，提炼出法律实体、实体间关系、实体的属性，并在信息抽取的基础上结合法律逻辑，对学习进行预加工，实现关联实体的链接、歧义实体消除歧义、同一实体的去重消解。最终再结合法律推理逻辑实现法律的推理，实现对数据的深度应用，以对案件审理提供深度的智慧化辅助。
下面对本发明提供的裁判文书中引用法条信息获取装置进行描述，下文描述的裁判文书中引用法条信息获取装置与上文描述的裁判文书中引用法条信息获取方法可相互对应参照。
图9为本发明实施例提供的裁判文书中引用法条信息获取装置的示意图，如图9所示，本发明实施例提供的裁判文书中引用法条信息获取装置包括：
获取模块901，用于获取待处理法律文本材料；
提取模块902，用于对待处理法律文本材料进行案件特征提取，得到法律文本要素；
推理模块903，用于根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条。
本发明实施例提供的裁判文书中引用法条信息获取装置通过获取待处理法律文本材料；对待处理法律文本材料进行案件特征提取，得到法律文本要素；根据法律知识图谱对法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，能够精准、规范、高效的援引裁判文书法条，满足人民法院信息化建设需求。
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行裁判文书中引用法条信息获取方法，该方法包括：获取待处理法律文本材料；对待处理法律文本材料进行案件特征提取，得到法律文本要素；根据法律知识图谱对法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条。
此外，上述的存储器1030中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的裁判文书中引用法条信息获取方法，该方法包括：获取待处理法律文本材料；对待处理法律文本材料进行案件特征提取，得到法律文本要素；根据法律知识图谱对法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条。
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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种裁判文书中引用法条信息获取方法，其特征在于，包括：
获取待处理法律文本材料；
对所述待处理法律文本材料进行案件特征提取，得到法律文本要素；
根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条。
2.根据权利要求1所述的裁判文书中引用法条信息获取方法，其特征在于，所述获取待处理法律文本材料后，还包括：
对所述待处理法律文本材料进行预处理，包括：
对所述待处理法律文本材料中的案件类型、文本类型进行识别；
对所述待处理法律文本材料中的文本语句进行拆分，得到多个分词；
将所述多个分词根据所述案件类型、文本类型进行标注，得到词语标注文本。
3.根据权利要求2所述的裁判文书中引用法条信息获取方法，其特征在于，所述对所述待处理法律文本材料进行案件特征提取，得到法律文本要素，包括：
计算所述词语标注文本的词语语义相似度；
根据所述词语语义相似度构建词语语义相似网络；
计算所述词语语义相似网络中居间度密度；
根据所述居间度密度计算词语关键度；
根据所述词语关键度筛选出关键词，将所述关键词作为法律文本要素。
4.根据权利要求1所述的裁判文书中引用法条信息获取方法，其特征在于，所述法律知识图谱的构建方法包括：
通过建立正则表达式模型将历史法律文本资料中包含案件特征的表述转化为语义信息；
将语义信息进行标准化处理得到法律要素；
将所述法律要素与法律事实、法律法规进行关联以得到法律知识图谱。
5.根据权利要求1所述的裁判文书中引用法条信息获取方法，其特征在于，所述根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，包括：
根据法律知识图谱建立推理规则，所述推理规则包括法律文本要素与引用法条的对应关系；
基于动量对比算法将法律文本要素与法律知识图谱中的法律要素进行匹配；
根据匹配结果匹配出对应的推理规则，以得到待处理法律文本材料对应的裁判文书引用法条。
6.根据权利要求5所述的裁判文书中引用法条信息获取方法，其特征在于，所述根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条，还包括：
对于引用同一法典项下的多条法律条文时，对法律名称进行消除重复项处理。
7.根据权利要求5所述的裁判文书中引用法条信息获取方法，其特征在于，还包括：
建立正则表达式模型分割法律法规各部分内容；
将法律条文拆分为法律名称、法条序号、法条内容设置标签；
构建标签名称与各部分内容的映射关系，得到引用法条。
8.一种裁判文书中引用法条信息获取装置，其特征在于，包括：
获取模块，用于获取待处理法律文本材料；
提取模块，用于对所述待处理法律文本材料进行案件特征提取，得到法律文本要素；
推理模块，用于根据法律知识图谱对所述法律文本要素进行知识推理，得到待处理法律文本材料对应的裁判文书引用法条。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1至7任一项所述的裁判文书中引用法条信息获取方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的裁判文书中引用法条信息获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211393265.3A CN115757819A (zh) | 2022-11-08 | 2022-11-08 | 裁判文书中引用法条信息获取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211393265.3A CN115757819A (zh) | 2022-11-08 | 2022-11-08 | 裁判文书中引用法条信息获取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115757819A true CN115757819A (zh) | 2023-03-07 |
Family
ID=85368213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211393265.3A Pending CN115757819A (zh) | 2022-11-08 | 2022-11-08 | 裁判文书中引用法条信息获取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115757819A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035406A (zh) * | 2023-07-31 | 2023-11-10 | 北京华夏电通科技股份有限公司 | 审判流程智能管控方法、装置和设备 |
| CN117149999A (zh) * | 2023-11-01 | 2023-12-01 | 人民法院信息技术服务中心 | 基于法律要素层次网络和文本特征的类案推荐方法及装置 |
| CN117273008A (zh) * | 2023-08-30 | 2023-12-22 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
-
2022
- 2022-11-08 CN CN202211393265.3A patent/CN115757819A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035406A (zh) * | 2023-07-31 | 2023-11-10 | 北京华夏电通科技股份有限公司 | 审判流程智能管控方法、装置和设备 |
| CN117273008A (zh) * | 2023-08-30 | 2023-12-22 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
| CN117273008B (zh) * | 2023-08-30 | 2024-06-04 | 北京华夏电通科技股份有限公司 | 裁判文书生成方法、装置及电子设备 |
| CN117149999A (zh) * | 2023-11-01 | 2023-12-01 | 人民法院信息技术服务中心 | 基于法律要素层次网络和文本特征的类案推荐方法及装置 |
| CN117149999B (zh) * | 2023-11-01 | 2024-01-23 | 人民法院信息技术服务中心 | 基于法律要素层次网络和文本特征的类案推荐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9613024B1 (en) | System and methods for creating datasets representing words and objects | |
| CN111767368B (zh) | 一种基于实体链接的问答知识图谱构建方法及存储介质 | |
| CN109960786A (zh) | 基于融合策略的中文词语相似度计算方法 | |
| US9195647B1 (en) | System, methods, and data structure for machine-learning of contextualized symbolic associations | |
| CN115757819A (zh) | 裁判文书中引用法条信息获取方法及装置 | |
| Daryani et al. | An automated resume screening system using natural language processing and similarity | |
| CN106126619A (zh) | 一种基于视频内容的视频检索方法及系统 | |
| CN109472022B (zh) | 基于机器学习的新词识别方法及终端设备 | |
| US11893537B2 (en) | Linguistic analysis of seed documents and peer groups | |
| CN112559684A (zh) | 一种关键词提取及信息检索方法 | |
| Das et al. | A CV parser model using entity extraction process and big data tools | |
| CN114138979B (zh) | 基于词拓展无监督文本分类的文物安全知识图谱创建方法 | |
| CN114153994A (zh) | 医保信息问答方法及装置 | |
| CN114840685A (zh) | 一种应急预案知识图谱构建方法 | |
| US9262395B1 (en) | System, methods, and data structure for quantitative assessment of symbolic associations | |
| Zadgaonkar et al. | An Approach for analyzing unstructured text data using topic modeling techniques for efficient information extraction | |
| CN111444713A (zh) | 新闻事件内实体关系抽取方法及装置 | |
| Tapsai et al. | Natural language interface to database for data retrieval and processing | |
| CN104216880B (zh) | 基于互联网的术语定义辨析方法 | |
| Phan et al. | Applying skip-gram word estimation and SVM-based classification for opinion mining Vietnamese food places text reviews | |
| Corredera Arbide et al. | Affective computing for smart operations: a survey and comparative analysis of the available tools, libraries and web services | |
| CN112597761A (zh) | 临时报告语义信息挖掘方法、装置、存储介质和电子设备 | |
| Iswari et al. | Analysis of User-generated Content in Visitor Reviews of Tourist Attractions Using Semantic Similarity | |
| CN112182228A (zh) | 一种短文本热点主题挖掘与概括方法及装置 | |
| Ojokoh et al. | Online question answering system |
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 |