一种基于深度学习的裁判文书逻辑评估方法及系统技术方案

本发明专利技术公开了一种基于深度学习的裁判文书逻辑评估方法及系统，包括：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；对该三大部分进行分句处理生成句对格式数据；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；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；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。本发明专利技术将裁判文书逻辑评估问题转化为“案情‑理由‑判决结果”三大部分之间的逻辑支撑性力度评估，利用深度学习模型实现了对裁判文书逻辑的高效、准确、定量评估。

【技术实现步骤摘要】
一种基于深度学习的裁判文书逻辑评估方法及系统
本专利技术属于自然语言处理
，特别涉及一种基于深度学习的裁判文书逻辑评估方法及系统。
技术介绍
近年来，以深度学习(DeepLearning)为代表的人工智能技术快速发展，在司法智能化方面取得了巨大的进步，展现出了跨时代的技术理性力量。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。裁判文书是法院对已经审结案件的书面结论，裁判文书的公开是司法公开的主要体现，因此提高裁判文书的书写质量显得尤为重要。在法律领域，为了提升裁判文书质量，现在的裁判文书的质量评估主要聚焦在基本语法错别字检测、判决罪名是否有误、引用法条是否有误以及刑期是否有误，对于裁判文书的行文逻辑评估，现在绝大多数法院还是采取法官互评的方式进行人为评估，而未实现自动化地对裁判文书的逻辑性进行评价本文档来自技高网...

【技术保护点】
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：/n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；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王平辉，王晓燕，吴用，许诺，赵俊舟，陶敬，王悦，杨鹏，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61