[发明专利]一种法律文书智能处理、编写方法及系统

说明书

本发明提供了一种法律文书智能处理、编写方法及系统，所述方法包括如下步骤：确定所述法律文书样例的构成要素，将所述法律文书样例的要素识别为不变要素和可变要素；法律文书样例经过上述过程成为预处理法律文书。上述方法基于人工智能算法的法律文书内容泛化技术，在有效提高法律文书编写效率的同时，保证了法律文书内容的合法性、形式的程式性、结构的确定性、用语的固定性、语言的精准性；同时通过目标法律文书数字签名与信息指纹分布式存储技术有效防止使用者擅自修改目标法律文书导致的证据效力丧失，使非专业普通用户也能够自行低成本、高效率的编写基于预设场景的专业化、高水平法律文书。

技术领域

本发明涉及人工智能信息处理领域，具体涉及一种法律文书智能处理、编写方法及系统。

背景技术

法律文书的制作不同于一般文书，是处理法律事务、纠纷等场景的具有执行效力的工具，必须严格依照法定的程序制作。程序对法律文书的制作有着严格的规定，不仅内容要合法、形式规范，同时也需要具备用词恰当、语句明确、句子的意义具备单一性等特点。因此，各个部门、行业对文书、合同等法律文书的格式作了比较统一的规定，既给制作带来了方便，也有利于付诸实践。

但法律文书种类繁多、内容复杂、形式多样、体系庞大，既有公、检、法、司等司法机关为实现其特定职能制作的专属性法律文书，也包括司法机关以外的国家机关和个人、公民在处理法律事务过程中制作的合同、协议、契约等一般性法律文书。若要制作出高水平的法律文书，不仅需要撰写者熟练掌握法律、法规和法律文书的写作格式，还要求其必须熟悉和精通语言，能够准确辨析词义的范围、区分语义的轻重和注意用词的褒贬色彩。这要求法律文书的编写方必须具备极高的专业水平与文学素养。

随着市场经济的深入发展和司法体制的不断完善，法律文书在人们日常生活中的重要性与日俱增，对于高水平法律文书的需求也快速增长。鉴于当前聘期高水平法律文书专业从业人员定制文书成本高，且网上能够容易搜索到数以万计的文书范文，有相当数量的法律文书需求者选择了照搬范文自行修改。但由于缺乏相应的专业能力，自行修改的法律文书往往漏洞百出，且丧失了法律文书的法律性和有效性，将导致其处理法律事务的过程中因主观因素造成意外损失。

为了解决这一问题，业内发展了许多自动化与智能化解决方案，这些方案共同的核心思路在于采用深度学习与文本分类模型提高海量法律文书的处理效果。常用的学习模型有：FastText，TextCNN，HAN，DPCNN等。FastText结构特别简单，将一篇文章中所有的词向量(还可以加上N-gram向量)直接相加求均值，然后过一个单层神经网络来得出最后的分类结果，但这样的做法对于复杂的文本分类任务来说丢失了太多的信息，尤其在法律文书处理实际应用的时候仍需要对用户的数据有足够的了解；TextCNN相较于fastText模型的结构复杂一些，能够分析与处理具有相似性的敏感词和关键词，应用在法律文书编写领域具备一定的词义辨析能力，但TextCNN模型最大的问题也是这个全局的特征各维最大汇总丢失了结构信息，因此很难去发现文本中的转折关系等复杂模式，无法解决语义区分问题；相较于TextCNN，HAN最大的进步在于完全保留了文章的结构信息，能够在一定程度上根据给定的句子权重与词权重区分语义，但句子的单一性等问题仍无法处理；DPCNN从词向量开始，通过两个卷积的非线性变换，提取更深层次的特征，再在输出的地方叠加上未经过两次卷积的快速链接通路，所以每次丢失的结构信息很少，后面的卷积层又能提取更加抽象的特征出来，最终模型可以在不丢失太多结构信息的情况下，能够做到比较深层的非线性变换，能够根据输入模型选择相关的句型、法条等推荐结果，在一定程度上解决句子的单一性等问题，但由于网络上的句型模板良莠不齐，海量优质训练数据的获取是限制着此方法实际引用的关键因素。

综上所述，目前几种主流方案的共同特点是对目标法律文书进行智能处理、优化纠错与引导修订，并没有在源头上解决法律文书的高水平、高效智能化编写与处理问题。

发明内容