【技术实现步骤摘要】
一种案情知识图谱自动构建方法及系统及设备及介质
本专利技术涉及人工智能及数据处理领域，具体地，涉及一种案情知识图谱自动构建方法及系统及设备及介质。
技术介绍
谷歌公司于2012年正式提出知识图谱概念。现有的具有代表性的知识库包括：Freebase、Wikidata、DBpedia、YAGO等。上述知识库属于通用知识图谱，数据基本来源于开放社区或开放域的数据，对实际垂直领域应用的意义并不大。现有的面向垂直领域的知识图谱，数据来源主要是结构化或类结构化的文本数据。法律领域的文本数据以非结构化的文本信息为主，目前对于法律领域的知识图谱构建仍处于探索阶段。
技术实现思路
本专利技术为了实现在人工智能推动下的司法改革过程中通过技术让机器认知海量裁判文书资源库；实现机器自动学习与认知案件，为相似案例检索、类案精准推送、裁判文书自动生成等一系列司法应用奠定基础。为实现上述专利技术目的，本专利技术提供了一种案情知识图谱自动构建方法，所述方法包括：步骤A：建立专家库，基于专家库预先定义实体关系，其中...
【技术保护点】
1.一种案情知识图谱自动构建方法，其特征在于，所述方法包括：/n步骤A：建立专家库，基于专家库预先定义实体关系，其中实体为法律案由涉及的主题，关系为实体之间的关联，预定义的实体关系用于实体识别和关系抽取以及三元组构建；/n步骤B：采用Bert分类模型训练裁判文书结构化分类模型；采用模型原型Bert+CRF训练实体识别模型；采用模型原型基于Bert的关系抽取模型训练关系抽取模型；/n步骤C：构建案情知识图谱，包括：/n步骤C1：基于训练后的裁判文书结构化分类模型分类裁判文书的内容，提取案件基本事实和基础事实；/n步骤C2：基于训练后的实体识别模型对案件基本事实进行实体识别，抽...
【技术特征摘要】
1.一种案情知识图谱自动构建方法，其特征在于，所述方法包括：
步骤A：建立专家库，基于专家库预先定义实体关系，其中实体为法律案由涉及的主题，关系为实体之间的关联，预定义的实体关系用于实体识别和关系抽取以及三元组构建；
步骤B：采用Bert分类模型训练裁判文书结构化分类模型；采用模型原型Bert+CRF训练实体识别模型；采用模型原型基于Bert的关系抽取模型训练关系抽取模型；
步骤C：构建案情知识图谱，包括：
步骤C1：基于训练后的裁判文书结构化分类模型分类裁判文书的内容，提取案件基本事实和基础事实；
步骤C2：基于训练后的实体识别模型对案件基本事实进行实体识别，抽取案情基本事实中的各种实体；
步骤C3：基于步骤C2抽取的实体和步骤C1获得的案件基本事实，使用训练后的关系抽取模型抽取实体之间的关系，得到实体关系三元组，三元组的基本形式为：实体1，实体1与实体2之间的关系，实体2；
步骤C4：提取步骤C1得到的基础事实的实体和属性，将得到的实体和属性与步骤C3中得到的三元组进行知识融合获得完整的案情知识图谱。
2.根据权利要求1所述的一种案情知识图谱自动构建方法，其特征在于，专家库包括若干法学专业专家，专家根据案情具体分析总结司法实务，然后预先定义实体关系。
3.根据权利要求1所述的一种案情知识图谱自动构建方法，其特征在于，基本事实为裁判文书的法院认定事实部分；基础事实是裁判文书的案件基本信息部分，包括：被告、原告的基础信息。
4.根据权利要求1所述的一种案情知识图谱自动构建方法，其特征在于，步骤C3还包括：采用实体对齐和实体链接的方法融合获得的三元组。
5.根据权利要求1所述的一种案情知识图谱自动构建方法，其特征在于，所述步骤C还包括：
步骤C5：采用图数据库存储得到的案情知识图谱；
步骤C6：可视化展示...
【专利技术属性】
技术研发人员：翁洋，李鑫，王竹，谷松原，其他发明人请求不公开姓名，
申请(专利权)人：四川大学，成都星云律例科技有限责任公司，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。