-
公开(公告)号：CN110750635B
公开(公告)日：2023-12-15
申请号：CN201911009433.2
申请日：2019-10-21
Applicant: 南京大学
IPC: G06F16/335 , G06F16/33 , G06F40/289 , G06F40/30 , G06N3/08 , G06Q50/18 , G06N3/045 , G06N3/0442
Abstract: 本发明公开了一种基于法条关系的法条推荐方法，包括以下步骤：从中国裁判文书网收集裁判文书，构成训练语料；对训练语料进行预处理，包括对案件事实、指控罪名、引用法条三者的不同处理；对用户输入进行预处理；划分数据集，训练本发明设计的一个基于法条关系的联合生成模型，该模型基于罪名预测任务辅助法条推荐任务进行学习；根据训练好的联合生成模型提取推荐法条集；输出推荐法条集。本发明利用编码器‑解码器框架，基于法条关系，结合案件事实、控告罪名、引用法条三者之间的深度关联，设计了一种全新的联合生成模型。实现表明，该模型改善了法条推荐任务的预测效果，适用于真实场景下的法条推荐任务。
-
公开(公告)号：CN110717843A
公开(公告)日：2020-01-21
申请号：CN201911009434.7
申请日：2019-10-21
Applicant: 南京大学
IPC: G06Q50/18 , G06F16/9535 , G06N3/04 , G06N3/08 , G06F40/289 , G06K9/62
Abstract: 本发明公开了一种可复用的法条推荐框架，包括以下步骤：提取裁判文书集构建训练语料；对裁判文书进行预处理，包括抽取出案件基本情况段落和引用法条列表，对案件基本情况进行中文分词，学习案件基本情况的向量表示模型，构建法条推荐任务的输出空间以及学习法条的语义向量模型；对用户输入的案件情况进行预处理；设计多标签分类模型对法条集进行预排序获得候选推荐法条集；对候选推荐法条集进行二次排序，获得最终推荐结果；输出推荐法条列表。本发明模拟给定案件基本情况筛选相关法条进行引用的真实场景，额外考虑法条自身的语义信息、法条与法条之间的关联进行法条推荐，通过再排序策略优化推荐结果，提高了法条推荐的准确性。
-
公开(公告)号：CN110751216A
公开(公告)日：2020-02-04
申请号：CN201911003568.8
申请日：2019-10-21
Applicant: 南京大学
Abstract: 本发明公开了一种基于改进卷积神经网络的裁判文书行业分类方法，包括以下步骤：获取产品质量公开民事文书数据；定义文书涉及行业；人工标注文书涉及行业并筛除无效数据；文书数据预处理，包括结构化文书，提取原告诉称段，数据清洗，计算数据长度分布并统一限制序列最大长度；分层抽样划分训练集、验证集与测试集；创建字符与词语字典；构建与训练改进卷积神经网络分类器，包括基于字符和词语思想表示文书文本，构建基于字符与词语的双通道组合卷积，采取多种类型卷积核，采用k-max-mean池化；输入相关裁判文书，预测文书涉及行业。本发明不需要做任何特征工程相关工作；所提出的改进卷积神经网络模型架构用于裁判文书分类，能够达到更好的效果。
-
公开(公告)号：CN110750635A
公开(公告)日：2020-02-04
申请号：CN201911009433.2
申请日：2019-10-21
Applicant: 南京大学
IPC: G06F16/335 , G06F16/33 , G06F40/289 , G06F40/30 , G06N3/08 , G06Q50/18
Abstract: 本发明公开了一种基于法条关系的法条推荐方法，包括以下步骤：从中国裁判文书网收集裁判文书，构成训练语料；对训练语料进行预处理，包括对案件事实、指控罪名、引用法条三者的不同处理；对用户输入进行预处理；划分数据集，训练本发明设计的一个基于法条关系的联合生成模型，该模型基于罪名预测任务辅助法条推荐任务进行学习；根据训练好的联合生成模型提取推荐法条集；输出推荐法条集。本发明利用编码器-解码器框架，基于法条关系，结合案件事实、控告罪名、引用法条三者之间的深度关联，设计了一种全新的联合生成模型。实现表明，该模型改善了法条推荐任务的预测效果，适用于真实场景下的法条推荐任务。
-
-
-
Search Results
4
records
(took 0.018 seconds)
