案件推荐方法、装置、设备以及存储介质制造方法及图纸

本申请公开了案件推荐方法、装置、设备以及存储介质，涉及知识图谱、深度学习技术领域。具体实现方案为：接收来自终端设备的案件推荐请求，案件推荐请求用于请求获取第一案件的推荐案件；获取第一案件的多个语义要素，语义要素为描述案件构成的要素；根据第一案件与历史案件针对各所述语义要素的相似度，以及各语义要素的权重，从历史案件中获取第一案件的推荐案件，语义要素的权重与第一案件的类型相关；向终端设备发送推荐案件。该实现方案提高了案件推荐的准确度。

【技术实现步骤摘要】
案件推荐方法、装置、设备以及存储介质
本申请实施例涉及计算机技术中的知识图谱技术，尤其涉及一种案件推荐方法、装置、设备以及存储介质。
技术介绍
在案件处理过程中，相似案件对案件的快速正确处理具有重要的意义。目前，用户在需要获取当前案件的相似案件时，可通过终端设备向服务器发送推荐请求。服务器在接收到推荐请求后，根据推荐请求获取当前案件的相似案件，并向终端设备发送当前案件的相似案件以完成相似案件的推荐。其中，服务器可通过匹配案件属性的方式获取当前案件的相似案件，案件属性比如可为案件发生的地点、时间、案由，由于案件属性比较宽泛，通过匹配案件属性的方式获取到的案件中可能包括大量与当前案件不相关的案件。服务器还可通过匹配案件的文本内容的方式获取案件的推荐案件，由于相同的词语可能会出现在完全不相关的案件中，因此该方法也存在获取到的案件中可能包括大量与当前案件不相关的案件的问题。也就是说，目前推荐相似案件的准确度不高。
技术实现思路
本申请实施例提供了一种案件推荐方法、装置、设备以及存储介质，提高了案件推荐的准确度。根据第一方面，提供了一种案件推荐方法，包括：接收来自终端设备的案件推荐请求，所述案件推荐请求用于请求获取第一案件的推荐案件；获取第一案件的多个语义要素，所述语义要素为描述案件构成的要素；根据所述第一案件与历史案件针对各所述语义要素的相似度，以及各所述语义要素的权重，从所述历史案件中获取所述第一案件的推荐案件，所述语义要素的权重与所述第一案件的类型相关；向所述终端设备发送所述推荐案件。本申请中的语义要素为描述案件构成的要素，而相似案件的案件构成会较相似，那么根据第一案件的各语义要素以及历史案件的各语义要素，从历史案件中选取与第一案件相似的案件作为推荐案件，可以提高案件推荐的准确度。同时，由于本实施例中的各语义要素的权重考虑了案件的类型，进一步提高了案件推荐的准确度。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1为本申请实施例提供的系统架构图；图2为本申请实施例提供的案件推荐方法的流程图；图3为本申请实施例提供的获取各语义要素与第一案件的类型相关的权重的过程示意图；图4为本申请实施例提供的案件推荐装置的结构示意图；图5是根据本申请实施例的案件推荐方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。为了更好的理解本申请，首先对本申请涉及的要素进行说明。1、本实施中的案件可以为法律相关案件，比如劳动纠纷相关案件，婚姻家庭纠纷相关案件等等。2、案件的属性可包括但不限于如下的几项：案件发生的地点、案件发生的时间、案件的案由。3、案件的构成包括但不限于如下的几个部分：原告诉求、案件详情、基本结论、涉及的法律法规或法条。图1为本申请实施例提供的系统架构图，参见图1，该系统架构包括终端设备和服务器。用户在需要获取当前案件的相似案件时，可通过终端设备向服务器发送推荐请求。服务器在接收到推荐请求后，根据推荐请求获取该案件的相似案件，以及将该案件的相似案件发送至终端设备。目前，服务器可通过匹配案件属性的方式获取当前案件的相似案件，由于案件属性比较宽泛，比如同一地点会发生各种类型的案件，因此通过匹配案件属性的方式获取的案件中可能包括大量与当前案件不相关的案件。服务器还可通过匹配案件的文本内容的方式获取案件的相似案件，由于相同的词语可能会出现在完全不相关的案件中，因此该方法也存在获取的案件中可能包括大量与当前案件不相关的案件的问题。服务器获取的案件中包括大量与当前案件不相关的案件，那么向用户推荐的案件中就包括大量与当前案件不相关的案件，即推荐相似案件的准确度不高。为了解决上述技术问题，专利技术人发现若两个案件相似则案件的构成会较相似，因此，可以通过匹配案件的构成来推荐相似案件。但是，案件往往涉及一个或多个法律文书，每个法律文书中均记载有大量的文字信息，因此，如何从案件对应的法律文书中将案件的构成抽离出来是一个技术难题。为了解决该技术难题，专利技术人发现可通过获取用于描述案件构成的语义要素，通过匹配案件间的语义要素为案件推荐准确的相似案件。下面采用具体的实施例对本申请涉及的案件推荐方法进行详细说明。图2为本申请实施例提供的案件推荐方法的流程图，参见图2，本实施例的方法包括：步骤S201、终端设备向服务器发送案件推荐请求，该案件推荐请求用于请求获取第一案件的推荐案件。终端设备可显示有案件推荐界面，用户通过案件推荐界面输入案件推荐指令，案件推荐指令包括第一案件的描述信息，终端设备根据案件推荐指令生成案件推荐请求，并将案件推荐请求发送至服务器。可以理解的是案件推荐请求中也包括第一案件的描述信息。对于第一案件的描述信息：在第一种方式中，第一案件的描述信息可包括案件的法律文件，案件的法律文件包括但不限于起诉状、答辩状、庭审记录等。在第二种方式中，第一案件的描述信息包括第一案件的多个语义要素，其中，语义要素为描述案件构成的要素。如上所述，案件构成可包括但不限于如下中的至少一项：原告诉求、案件详情、基本结论。因此，第一案件的多个语义要素可包括但不限于如下中的至少两项：描述原告诉求的原告诉求语义要素、描述案件详情的案件详情语义要素、描述基本结论的基本结论语义要素。第一案件的多个语义要素可以是对第一案件结构化处理后得到的。对于终端设备显示的案件推荐界面：一种方式中，在用户使用终端设备登录服务器以进行相似案件查询时，服务器向该终端设备发送数据流，使得终端设备的显示屏上显示案件推荐界面。步骤S202、服务器获取第一案件的多个语义要素，语义要素为描述案件构成的要素。在第一案件的描述信息包括案件的法律文件时，服务器获取第一案件的多个语义要素，包括：服务器根据第一案件的法律文件，获取第一案件的多个语义要素。比如，服务器可通过第一机器学习模型，根据第一案件的法律文件，获取第一案件的多个语义要素。其中，第一机器学习模型是基于多个第二训练样本得到的，每个第二训练样本包括第二训练案件的法律文件以及第二训练案件包括的多个语义要素。第一机器学习模型可为神经网络模型。根据第一机器学习模型，获取第一案件的多个语义要素的效率较高。在第一案件的描述信息包括第一案件的多个语义要素时，服务器获取第一案件的多个语义要素，包括：服务器接收到案件推荐请求后，提取案件请求中包括的第一案件的多个语义要素。步骤S203、服务器根据第一案件与历史案件针本文档来自技高网...

【技术保护点】
1.一种案件推荐方法，其特征在于，包括：/n接收来自终端设备的案件推荐请求，所述案件推荐请求用于请求获取第一案件的推荐案件；/n获取第一案件的多个语义要素，所述语义要素为描述案件构成的要素；/n根据所述第一案件与历史案件针对各所述语义要素的相似度，以及各所述语义要素的权重，从所述历史案件中获取所述第一案件的推荐案件，所述语义要素的权重与所述第一案件的类型相关；/n向所述终端设备发送所述推荐案件。/n

【技术特征摘要】
1.一种案件推荐方法，其特征在于，包括：
接收来自终端设备的案件推荐请求，所述案件推荐请求用于请求获取第一案件的推荐案件；
获取第一案件的多个语义要素，所述语义要素为描述案件构成的要素；
根据所述第一案件与历史案件针对各所述语义要素的相似度，以及各所述语义要素的权重，从所述历史案件中获取所述第一案件的推荐案件，所述语义要素的权重与所述第一案件的类型相关；
向所述终端设备发送所述推荐案件。


2.根据权利要求1所述的方法，其特征在于，各所述语义要素的权重是基于多个第一训练样本得到的，所述多个第一训练样本对应的多个第一训练案件的类型均与所述第一案件的类型相同；
每个第一训练样本包括一个第一训练案件的所述多类语义要素和该第一训练案件所涉及的法条。


3.根据权利要求2所述的方法，其特征在于，在从所述历史案件中获取所述第一案件的推荐案件之前，还包括：
获取所述类型的所述多个第一训练案件的所述多类语义要素，得到所述多个第一训练样本；
获取各所述语义要素的预选权重；
采用机器学习算法，基于所述多个第一训练样本，调整所述预选权重，得到各所述语义要素的权重。


4.根据权利要求1～3任一项所述的方法，其特征在于，所述第一案件的所述语义要素包括至少一个第一语义标签，所述历史案件的所述语义要素包括至少一个第二语义标签，在从所述历史案件中获取所述第一案件的推荐案件之前，还包括：
根据所述至少一个第一语义标签和所述至少一个第二语义标签，获取所述第一案件与所述历史案件针对所述语义要素的相似度。


5.根据权利要求4所述的方法，其特征在于，所述根据所述至少一个第一语义标签和所述至少一个第二语义标签，获取所述第一案件与所述历史案件针对所述语义要素的相似度，包括：
确定所述第一语义标签的数量为第一数量；
确定所述第二语义标签的数量为第二数量；
确定所述第一数量的第一语义标签和所述第二数量的第二语义标签中存在第三数量的相同语义标签；
根据所述第一数量、所述第二数量和所述第三数量，获取所述第一案件与所述历史案件针对所述语义要素的相似度。


6.根据权利要求5所述的方法，其特征在于，所述根据所述第一数量、所述第二数量和所述第三数量，获取所述第一案件与所述历史案件针对所述语义要素的相似度，包括：
获取所述第三数量和所述第一数量的第一比值；
获取所述第三数量和所述第二数量的第二比值；
确定所述第一比值和所述第二比值的乘积为所述第一案件与所述历史案件针对所述语义要素的相似度。


7.根据权利要求5所述的方法，其特征在于，所述语义要素所包括的语义标签为第一预设语义标签集合中的语义标签。


8.根据权利要求4所述的方法，其特征在于，在从所述历史案件中获取所述第一案件的推荐案件之前，还包括：
根据所述至少一个第一语义标签和所述至少一个第二语义标签之间的语义相似度，得到所述第一相似度。


9.根据权利要求1～3任一项所述的方法，其特征在于，所述案件推荐请求包括所述第一案件的描述信息，所述获取第一案件的多个语义要素，包括：
根据所述第一案件的描述信息和第一机器学习模型，获取所述第一案件的多个语义要素；
其中，所述第一机器学习模型是基于多个第二训练样本得到的，每个第二训练样本包括第二训练案件的描述信息以及所述第二训练案件包括的所述多个语义要素。


10.根据权利要求1～3任一项所述的方法，其特征在于，所述根据所述第一案件与历史案件针对各所述语义要素的相似度，以及各所述语义要素的权重，从所述历史案件中获取所述第一案件的推荐案件，包括：
根据所述第一案件与历史案件针对各所述语义要素的相似度，以及各所述语义要素的权重，计算相似度总分；
基于相似度总分，从所述历史案件中获取所述第一案件的推荐案件。


11.根据权利要求1所述的方法，其特征在于，所述多个语义要素可包括如下中的至少两个语义要素：原告诉求要素、案件详情要素、案件基本结论要素。


12.一种案件推荐装置，其特征在于，包括：
收发模块，用于接收来自终端设备的案件推荐请求，所述案件推荐请求用于请求获取第一案件的推荐案件；...

【专利技术属性】
技术研发人员：杨天行，彭彬，杨晨，张一麟，宋勋超，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11