[发明专利]基于复杂语境的法律咨询方法及相关设备

权利要求书

1.一种基于复杂语境的法律咨询方法，其特征在于，包括：

响应于接收到用户依次输入的关联的法律问题的多个描述，通过预训练的深度神经网络模型对每个所述描述进行语义识别，提取与每个所述描述对应的主题、意图和信息点；

根据所述主题和所述意图，在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索，搜索出与所述主题和所述意图相关联的推荐子图；

将所述推荐子图中的全部节点与知识点集合中的每一个知识点进行匹配，输出至少一个与所述知识点相同的所述节点作为推荐节点，其中，

响应于确定当前输入的所述描述是首次输入的所述描述，则所述知识点集合包括当前输入的所述描述对应的所述信息点，

响应于确定当前输入的所述描述不是首次输入的所述描述，则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题；

将所述推荐节点与预先构建的答案映射集合进行匹配，输出与所述推荐节点相关的法律答案作为与当前输入的所述描述相关的法律咨询答案。

2.根据权利要求1所述的方法，其特征在于，所述通过预训练的深度神经网络模型对每个所述描述进行语义识别，提取与每个所述描述对应的主题、意图和信息点，包括：

通过多类别分类模型对所述描述进行语义识别，分别提取与所述描述对应的所述主题和所述意图；

通过多标签分类模型对所述描述进行语义识别，提取与所述描述对应的所述信息点。

3.根据权利要求2所述的方法，其特征在于，所述通过多类别分类模型对所述描述进行语义识别，分别提取与所述描述对应的所述主题和所述意图，包括：

通过jieba分词算法对所述描述进行分词；

将经过分词的所述描述输入预训练模型Bert中，经由所述预训练模型Bert输出与所述描述对应的词向量集合；

基于预先构建的主题标签集合和意图标签集合，分别通过所述预训练模型Bert得到所述主题标签集合中的每一个主题标签对应的主题标签向量以及所述意图标签集合中的每一个意图标签对应的意图标签向量；

基于所述词向量集合和全部所述主题标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的主题权重系数，

基于所述词向量集合和全部所述意图标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的意图权重系数；

通过Softmax函数分别对所述主题权重系数和所述意图权重系数进行归一化处理，以得到归一化的主题权重系数和归一化的意图权重系数；

基于所述词向量集合和所述归一化的主题权重系数得到所述描述对应的主题句子向量，

基于所述词向量集合和所述归一化的意图权重系数得到所述描述对应的意图句子向量；

基于所述主题句子向量通过Softmax函数计算得到所述描述对应的主题得分向量，将所述主题得分向量中的最高得分对应的所述主题标签作为所述描述的所述主题，

基于所述意图句子向量通过Softmax函数计算得到所述描述对应的意图得分向量，将所述意图得分向量中的最高得分对应的所述意图标签作为所述描述的所述意图。

4.根据权利要求2所述的方法，其特征在于，所述通过多标签分类模型对所述描述进行语义识别，提取与所述描述对应的所述信息点，包括：

通过jieba分词算法对所述描述进行分词；

将经过分词的所述描述输入预训练模型Bert中，经由所述预训练模型Bert输出与所述描述对应的词向量集合；

基于预先构建的信息点标签集合，通过所述预训练模型Bert得到所述信息点标签集合中的每一个信息点标签对应的信息点标签向量；

基于所述词向量集合和全部所述信息点标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的信息点权重系数；

通过Softmax函数对所述信息点权重系数进行归一化处理，以得到归一化的信息点权重系数；

基于所述词向量集合和所述归一化的信息点权重系数得到所述描述对应的信息点句子向量；

基于所述信息点句子向量通过Sigmoid函数计算得到所述描述对应的信息点得分向量，将所述信息点得分向量中超过预设得分阈值的得分对应的所述信息点标签作为所述描述的所述信息点。