[发明专利]一种基于相关图信息进行因果推断的案由认定方法及系统

说明书

本发明提供了一种基于相关图信息进行因果推断的案由认定方法及系统，所述方法包括，获取案件的事实描述；根据案件的事实描述构建因果图；利用GFCI算法对构建的因果图进行因果发现并采样得到因果子图；对采样得到的因果子图去噪后添加至loss中，得到案由认定结果；其中，构建因果图包括利用KeyBERT算法获取案件的关键字，并对案件的关键字进行聚类。本发明提出了使用因果图进行因果推断的方法来进行案由认定，这样充分的利用了案件事实描述中的非结构化信息，更好的分辨出不同案件的相似性和差异性，有效解决了类案不同判的情况，提高了案由认定的准确度，同时模型参数量更少，训练速度快，便于部署并且可以快速实现。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于相关图信息进行因果推断的案由认定方法及系统。

背景技术

随着对文件的研究越来越成熟，对于公司文件的研究也逐渐兴起。案由是公司对案件所涉及的法律关系的性质进行概括后形成的案件名称，在名称预测或者法律条款推荐等一些具有实际应用需求的场景中，往往需要根据公司文件的描述文本来确定出案件的案由。

由于公司文件的文书结构和文件的结构较为相似，因此可以将许多之前在文件上的研究直接迁移到公司文件的研究上来，但是，当前在确定案件的案由时，通常是由专业人员人工阅读公司文件，分析其中的描述来确定相应的案由。这样的人工方式往往效率低下，且容易受到人员的业务水平高低不同的影响，导致结果的准确性无法保证，且目前尚未实现通过自动分析来确定案由。

但是通过人工提起的方式，除了一些结构化数据之外，在案件事实描述中还存在着很多非结构的信息等待被挖掘，存在两个关键点：公司员工行为以及公司员工的特征。发掘出这两个在非结构化文本中的信息能够在案由认定的结果上更具有说服力。其次，通过对一些传统的深度神经网络实验发现从中获得受益并不多，如，其在面对类似情况以及小样本问题时往往会做出违反因果的结果，究其原因是其主要是基于特征和概率来进行学习，由于其学的特征可能出现误差从而导致了这一现象。

因此亟需一种基于相关图信息进行因果推断的案由认定方法及系统。

发明内容

本发明为了解决上述问题，提出了一种基于相关图信息进行因果推断的案由认定方法及系统，本发明能够极大的提高案由认定的效果。

术语解释:

KeyBERT:是由Prafull等人在2019年提出的，它是利用了BERT嵌入和简单的余弦相似性来自动标记短句语料库和关键字和关键短语以建立事实基础，这个过程节省了人工标注关键的时间，并且不需要任何先验知识。

GFCI：GFCI算法是Ogarrio等人在2016年提出的，它是基于限制的因果发现算法FCI (FastCausalInference)和基于分数的算法FGES的结合，是在FCI框架的基础上，利用FGES 进行了初始化，以提高精度和效率。

BIC:贝叶斯决策理论是主观贝叶斯派归纳理论的重要组成部分。是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。

PAG：是一种混合图，包含了所有有向无环图(DAG)的共同特征，这些图代表了被测变量之间相同的条件独立关系。换句话说，PAG包含了所有关于原始数据的有效DAG的可能性。

BiLSTM：是双向长短时记忆网络，属于基础模型。

BiLSTM-Att模型：是BiLSTM+attention，是现有的神经网络架构。

根据一些实施例，本发明采用如下技术方案：

一种基于相关图信息进行因果推断的案由认定方法，包括：

获取案件的事实描述，包括案件主体、案件情节和案件结果；