[发明专利]一种基于关联图的法条推荐预测系统及方法

说明书

本申请提供一种基于关联图的法条推荐系统及方法，包括：获取案情描述、涉及法律的各法条及其间引用关系的获取模块，利用法条间引用关系构造关联图的关联图构造模块，构建学习模型、提取得到包含案情描述文本主要语义信息的语义提取模块，对应关联图中的每一个节点构造分类器预测节点对应法条标签为真的可能性以及该节点的下一步流向的分类器构造模块，利用深度学习的优化算法训练此由分类器构成的网状模型的训练模块。本系统应用于法条推荐任务，能够利用法条间引用关系进行多标签预测，提升法条推荐工作的准确率。

技术领域

本发明属于文本分类技术领域，特别涉及一种基于关联图的法条推荐预测系统及方法。

背景技术

近年来，随着“智慧法院”的推进，人民法院的信息化建设不断完善，案件审判越来越公开化、透明化。截止2018年12月，中国裁判文书网已收录超过5900万篇裁判文书，其中展现了丰富的案件信息和审理情况。这些海量的司法数据之中也蕴含着巨大的价值。

案件审理过程中，法官往往需要查阅相关法律条文和以往类似案件的审理情况，并结合这些内容对案件进行分析，这一部分工作往往占据了案件审理的大量时间。虽然借助于已有的信息化手段，检索工作已经能由计算机完成，但更为繁琐的翻阅、分析工作仍然只能由人工来完成。

随着机器学习技术的发展，利用以往的司法数据完成这些工作成为了可能。利用深度神经网络，计算机能够理解案件内容，并对其进行分析，向法官智能推荐案件相关法条，大大减少法官的工作量，提升案件审理的效率。

法条推荐工作实质上是应用于司法领域的文本分类问题，其往往是采用卷积神经网络、循环神经网络等方式先提取文本中隐含的特征，再用分类器对这些特征进行分类。但现有的分类方法大部分只支持单标签分类，即一条文本仅能对应到一个类别或标签上，而现有的一些多标签分类方法，虽然能够为一条文本打上多个标签，但却往往不能考虑到这些标签间的关联性。例如，“美食”与“川菜”这样的标签，它们之间就存在包含关系。显然，这样的关联关系会造成一个标签的取值影响到其他标签的取值，因此，使用标签间的关联关系能够利用已确定的标签值辅助其他标签值的预测，有效地提升多标签预测的效果。

具体到法条推荐上，这一任务本身即是一个多标签分类的问题，一个案情有可能涉及多个相关法条，而法条之间也会存在关联。例如，刑法之中常有的“……的，依照本法第××条的规定处罚”。因此，本申请提出了一种应用于法条推荐任务的基于关联图的多标签分类方法及装置，以利用法条间的关联关系辅助法条推荐，解决以往方法和装置不能很好地对涉及多条法律的案情进行法条推荐的问题。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于关联图的法条推荐预测系统及方法，以解决传统法条推荐方法预测各法条时相互独立，不能考虑法条间关联性的问题。

为了实现上述目的，本发明采用的技术方案是：

一种基于关联图的法条推荐预测系统，包括：

获取模块，用于获取案情描述、相关法律的所有法条及法条间的引用关系；

关联图构造模块，用于利用所述法条间的引用关系构造一个有向无环图作为关联图，图中每个节点表示一条法条，每条边表示法条间的引用关系，边的方向为引用关系的方向；

语义提取模块，用于对案情描述构建学习模型进行特征的提取，得到包含主要语义信息的特征向量；

分类器构造模块，包括标签预测单元和流向预测单元，对应所构造关联图中的每一个节点，构造一个分类器，标签预测单元对该节点对应的法条进行二分类，预测该法条与案情的相关性分数，若该节点有下游节点，流向预测单元对该节点下一步的流向进行预测，根据预测结果将法条与案情的相关性分数作为关联图中相应下游节点的分类器的输入，即，每个分类器的输入至少包括语义提取模块所提取的特征向量，且在关联图中上游节点对应的分类器有传入时，同时包括上游节点对应的分类器传入的输入；