[发明专利]一种基于神经网络的诉讼请求合理性预测模型训练方法和预测方法及装置

说明书

本发明公开一种基于神经网络的诉讼请求合理性预测模型训练方法和预测方法及装置。本发明提出了基于多方证据关联模型和神经网络的诉讼请求合理性预测框架，首先基于诉讼请求的司法知识和多方证据关联模型设计了诉讼请求合理性的司法特征，然后基于深度神经网络模型对司法特征进行训练预测，最终实现了对诉讼求情合理性的预测和评估方案。本发明能够进行有效的、准确的诉讼请求合理性预测，从而提示当事人及时合理地规避风险、理性诉讼，同时支持诉前引导、案件分流，也可以为法官进行智能风险提示，辅助断案。

技术领域

本发明属于人工智能以及司法大数据领域，具体涉及一种基于神经网络的诉讼请求合理性预测模型训练方法和诉讼请求合理性预测方法及装置。

背景技术

随着智慧法院建设的推进，人工智能技术在诉讼风险分析中凸显出越来越重大的意义。以司法场景专用大数据与人工智能技术为驱动，对诉讼请求合理性等风险进行提醒，是构建诉讼风险分析和结果预测平台的重要模块，不仅能够有效节约法院诉讼服务人力、空间资源，同时还能够为公众随时提供简单、安全、智慧、高效的诉讼智能服务，从而在诉讼准备阶段提供全面的诉讼决策指引、合理分流不必要的诉讼请求，大力提升公众对法院诉讼服务的满意度，提高法院公信力。

诉讼合理性的预测是诉讼风险分析的重要组成部分，在诉讼风险分析研究方面，国内常规采用定性与定量结合分析。其中，风险评估定性方法是采用文字描述和定义级别，说明风险程度和风险出现可能性，包括但不限于问卷调查、集体讨论以及专家调查法，其优势在于可以更高效快速的评估风险。风险评估定量方法是使用多源数据分析风险程度和可能性，主要包括决策树分析法、蒙特卡罗模拟方法、敏感性分析等。其中，决策树法是比较常用的定量分析方法，其利用图解形式，将风险因素层层分解，绘制成树状图，逐项计算其概率和期望值，其计算量与风险因素、变化频度成指数关系，需要足够有效数据支撑，该方法层次清晰，不同对象的风险及概率一目了然，不易遗漏，能够适应多阶段风险分析。蒙特卡罗模拟方法是一种随机模拟数学方法，用于分析评估风险发生可能性、风险的成因、风险造成的损失或带来的机会等变量在未来变化的概率分布，具有效力高、结果相对精确的优点。目前针对中国法律法规的诉讼请求合理性预测准确率不高，缺乏针对异构、多样的案件进行合理化预期建模的方法；同时，基于机器学习方法对于诉讼请求合理性判断的研究较少，诉讼请求合理性的特征设计、选择和模型仍待探索。对诉讼合理性的预测既依赖于法律法规，又依赖于案件证据和事实的判定。诉讼请求合理性的关键特征以及选择是一个有待探索的问题，同时，面对诉讼活动复杂性、专业性以及法律局限性和证据不确定性等挑战，传统的浅层模型难以应对诉讼合理性预测的挑战。

近年来，随着计算能力的提升，基于海量参数训练的深度神经网络模型逐渐在各个领域大放异彩。在语音识别、图像识别和机器翻译等领域取得了巨大成就，例如AlexNet、VGG-Net、R-CNN和ResNet等。神经网络模型可以有效应对诉讼请求合理性预测的复杂性，因此，本发明提出了基于神经网络进行诉讼请求合理性预测的方法。

发明内容

本发明的目的在于提供一种基于神经网络的诉讼请求合理性预测模型训练方法和诉讼请求合理性预测方法及装置，能够进行有效的、准确的诉讼请求合理性预测，从而提示当事人及时合理地规避风险、理性诉讼，同时支持诉前引导、案件分流。

本发明通过如下技术方案来解决问题：

构建诉讼风险规则知识库：对法律法规、案件事实、裁判文书等进行无监督机器学习，对潜在风险点进行分类，形成诉讼风险规则知识库。

诉讼特征量化：依托多方证据关联模型及诉讼风险规则知识库中诉讼请求合理性相关的风险规则，围绕争议焦点、权利要求、要件事实、证据条件和诉讼请求确定诉讼特征；最终获得诉讼风险对诉讼请求合理性的诉讼特征量化方法。

诉讼请求合理性模型训练：基于历史案件样本，对训练数据进行特征量化，训练预测诉讼请求合理性的神经网络模型。