[发明专利]一种基于深度学习的裁判文书逻辑评估方法及系统

权利要求书

1.一种基于深度学习的裁判文书逻辑评估方法，其特征在于，包括如下步骤：

步骤1：对裁判文书进行逻辑抽取，得到具有逻辑支撑性的“案情-理由-判决结果”三大部分；

步骤2：对“案情-理由-判决结果”三大部分进行分句处理，生成句对格式数据；

步骤3：构建深度学习模型，使其可以得到输入句对之间的支撑力度；

步骤4：将处理后的“案情-理由-判决结果”输入到深度学习模型中，得到“案情-理由”之间、“理由-判决结果”之间的逻辑支撑力度；

步骤5：根据“案情-理由-判决结果”之间的逻辑支撑力度，计算得到逻辑评估结果。

2.根据权利要求1所述基于深度学习的裁判文书逻辑评估方法，其特征在于，所述裁判文书的类型包括刑事类、民事类和行政类。

3.根据权利要求1所述基于深度学习的裁判文书逻辑评估方法，其特征在于，所述步骤1包括：

采用正则表达式在裁判文书中获取“经审理查明”及其近义表达、“本院认为”及其近义表达和“判决如下”及其近义表达三字段在文本中的位置p1、p2、p3；

抽取裁判文书中p1-p2之间文字即为案情描述部分；

抽取裁判文书中p2-p3之间文字即为判决理由部分；

抽取裁判文书中p3之后的文字即为判决结果部分。

4.根据权利要求1所述基于深度学习的裁判文书逻辑评估方法，其特征在于，所述步骤2包括：将案情描述和理由两大部分按句号分割成各个单句，判决结果整体看作一个单句，根据三大部分的单句，得到“案情-理由”句对、“理由-判决结果”句对。

5.根据权利要求1所述基于深度学习的裁判文书逻辑评估方法，其特征在于，所述深度学习模型为句间交互模型，包括ESIM为代表的文本推理模型以及以DSSM为代表的文本匹配模型。

6.根据权利要求1或5所述基于深度学习的裁判文书逻辑评估方法，其特征在于，所述深度学习模型的构建过程包括：

样本数据采集：样本数据包括大量的裁判文书，抽取出裁判文书的案情、理由和判决结果三大部分，将案情描述和理由两大部分按句号分割成各个单句，判决结果整体看作一个单句，构建句对格式数据集，并将数据集分成训练集、验证集、测试集；

数据建模：利用训练集训练模型，利用验证集验证模型，利用测试集测试模型。

7.根据权利要求6所述基于深度学习的裁判文书逻辑评估方法，其特征在于，所述构建句对格式数据集，对于某一条数据，第一列是案情，第二列是理由，第三列是标签，若案情与理由之间构成逻辑支撑关系，则标签为1，否则为0；或者是，第一列是理由，第二列是判决结果，第三列是标签，若理由与判决结果之间构成逻辑支撑关系，则标签为1，否则为0。

8.根据权利要求6所述基于深度学习的裁判文书逻辑评估方法，其特征在于，所述步骤4和步骤5包括：

将“案情-理由”句对、“理由-判决结果”句对输入到训练好的深度学习模型中，得到“案情-理由-判决结果”之间的逻辑支撑力度；

将案情、理由、判决结果看作节点，将逻辑支撑力度作为“案情-理由-判决结果”之间连接的权值，若连接权值大于某阈值则予以连接，小于该阈值则无连接关系，得到由下至上依次为案情、理由、判决结果的树状结构；

最底层的案情节点值设置为1，将两层之间的逻辑支撑力度作为两层之间的连接权值，上一层的节点值是下一层的节点值的加权求和结果，由下至上计算得到最终结果，也即裁判文书的逻辑评估结果。

9.一种基于深度学习的裁判文书逻辑评估系统，其特征在于，包括：

裁判文书获取单元，获取待评估的裁判文书；

裁判文书预处理单元，将待评估的裁判文书进行预处理，获取“案情-理由”句对、“理由-判决结果”句对；

深度学习模型构建单元，利用已经获取的裁判文书，建立相应的数据集，对深度学习模型进行训练、验证、测试，得到训练好的深度学习模型，模型输出为“案情-理由”之间、“理由-判决结果”之间的逻辑支撑力度；

裁判文书逻辑评估单元，根据模型输出的“案情-理由-判决结果”之间的逻辑支撑力度，计算得到逻辑评估结果。