一种基于工程模型的诉讼案件预判方法、装置及电子设备制造方法及图纸

本发明专利技术涉及司法数据处理技术领域，尤其涉及一种基于工程模型的诉讼案件预判方法、装置及电子设备，包括规则库构建模块，构建用于诉讼案件的规则库；建模模块，建立基于多维特征的特征因子工程模型；引擎构建模块，建立基于诉讼场景的案件推理引擎；数据获取模块，获取待处理的诉讼案件的案件数据；特征提取模块，提取待处理所述诉讼案件的多维特征，并将待处理所述诉讼案件的多维特征输入特征因子工程模型生成用于所述诉讼案件的特征因子；结果预测模块，将待处理所述诉讼案件的特征因子输入所述案件推理引擎，生成诉讼风险及判决结果合理性预测，有效地解决了相关技术中对诉讼案件风险及走向的可能性进行预判处理效率低、成本高的问题。高的问题。高的问题。

【技术实现步骤摘要】
一种基于工程模型的诉讼案件预判方法、装置及电子设备


[0001]本专利技术涉及司法数据处理
，尤其涉及一种基于工程模型的诉讼案件预判方法、装置及电子设备。

技术介绍

[0002]基于诉讼场景的道交案件风险是指当事人在诉讼活动中可能遇到争议事实以外的因素，影响道交案件的审理和执行，致使其合法权益无法实现的风险。在民事诉讼中，主张权利的人应当提供证据。但在现实中，由于诸多原因，当事人举证往往有许多困难，因为举证困难也可能导致败诉的结果。不少当事人不知道诉讼时效期限，但已经超过诉讼时效期限，导致诉讼失败。
[0003]在相关技术中，一般从以下几个方面的数据来挖掘影响因子，从而进行诉讼道交案件风险及判决结果的预测：(1)当事人要学习和掌握一定的法律知识，才能预防风险和杜绝风险；(2)要规范自己的民事行为，要通过学习使自己具备这方面的专业知识；(3)要有法律知识，在发生较大的法律行为时，必须注意保全相应的证据。因为民法规定，谁主张谁举证，没有证据就无法打赢官司；(4)聘请一个好的法律顾问，一个好的法律顾问会给当事人在日常生活中提供法律咨询，为可能发生的道交案件诉讼风险提供相应的预防措施等，在诉讼中充分运用法律最大限度地保护当事人的合法权益，为当事人的合法权益据理力争。
[0004]以上方法虽然能够得到一些对诉讼道交案件风险及判决结果的预测。但也存在一些问题，例如，通过上述第(1)(2)(3)种的方案，需要当事人学习和掌握一定的法律知识，获取预测结果的门槛较高且无法对判决结果有预测；而通过上述第(4)种的方案时，虽然能避免诉讼道交案件风险，且对于判决结果有一定的预测，但是此方案成本太高。因此，在相关技术中，基于诉讼道交案件客观可获取的数据对诉讼道交案件风险及判决结果进行预测时，存在预测门槛高以及成本高的问题。
[0005]而法律文书的撰写，需要更高的知识储备要求，要基于事实的真实性和客观性，根据撰写文书指定结构从全局着眼，统筹安排结构，合理组织材料。生活场景下当遇到需要撰写法律文书，一般都要聘请一个好的法律顾问才可实现。其同样存在门槛高以及成本高的问题。

技术实现思路

[0006]为此，本专利技术提供一种基于工程模型的诉讼案件预判方法、装置及电子设备，用以克服现有技术中不能够进行有效的、准确的诉讼案件风险及判决结果合理性预测，从而造成当事人不能及时合理地规避风险、理性诉讼，不能方便快捷地为当事人自动生成法律文书，从而导致当事人的诉讼成本高的问题。
[0007]为实现上述目的，本专利技术一种实施方式提供一种基于工程模型的诉讼案件预判方
法，包括：步骤S1、规则库构建模块构建用于诉讼案件的规则库；步骤S2、建模模块建立基于多维特征的特征因子工程模型；步骤S3、引擎构建模块建立基于诉讼场景的案件推理引擎；步骤S4、数据获取模块获取待处理诉讼案件的案件数据；步骤S5、特征提取模块提取待处理所述诉讼案件的多维特征，并将待处理的所述诉讼案件的多维特征输入特征因子工程模型生成用于待处理所述诉讼案件的特征因子；步骤S6、结果预测模块将待处理所述诉讼案件的特征因子输入所述案件推理引擎，生成诉讼风险预测及判决结果合理性的预测结果；步骤S7、文书生成模块根据案件的预测结果作出最有利当事人的选择，并根据当事人的需要生成起诉状、答辩状、证据清单的法律文书;在所述步骤S2中，建模模块建立基于多维特征的特征因子工程模型包括提取历史诉讼案件中的基础数据，对基础数据进行因子挖掘，将挖掘的因子输入XGBoost模型进行训练，生成特征因子工程模型。
[0008]进一步地，在所述步骤S1中，当规则库构建模块构建用于所述诉讼案件的规则库时，包括构建诉讼案件风险规则库、判决结果规则库和文书模板规则库；其中，构建诉讼案件风险规则库和判决结果规则库包括：获取历史案件信息数据；对所述历史案件信息数据进行分析获取各历史案件的诉讼信息结构化数据；根据各所述诉讼信息结构化数据生成各历史案件的诉讼案件规则；将若干历史诉讼案件规则整合生成诉讼案件风险规则库和诉讼案件判决结果规则库；所述案件信息数据至少包括诉讼案件争议事实数据、电子卷宗、文书材料、审判数据以及执行数据，所述诉讼信息结构化包括证据实体识别、证据属性抽取和模块结构化信息。
[0009]进一步地，构建所述诉讼案件文书模板规则库包括：构建诉讼文书库；对所述诉讼文书库各文本数据进行诉讼案件诉讼文书规范识别；根据识别完成的各所述诉讼案件诉讼文书规范生成各诉讼案件诉讼文书规则；将若干所述诉讼案件诉讼文书规则整合生成诉讼案件文书模板规则库；其中，所述诉讼文书库的各文本数据包括民事诉讼法、行政诉讼法、刑事诉讼法、九部审判法和裁判文书；所述诉讼文书规范识别包括行为规范法条识别、证据时效法条识别和证据有效性法条识别。
[0010]进一步地，在所述步骤S2中，所述构建特征因子工程包括获取历史诉讼案件的基础数据，对基础数据进行因子挖掘，获得对应的特征因子；所述基础数据包括历史诉讼案件的争议事实数据、审理数据和执行数据；所述特征因子包括历史诉讼案件的争议事实数据、审理数据和执行数据对应的争议事实因子、审理因子和执行因子。
[0011]进一步地，在所述步骤S3中，所述建立基于诉讼场景的案件推理引擎包括通过预
先配置风险信息事件类型的事件驱动信息和推理资源，在推理引擎运行时，首先根据输入风险信息事件的类型，加载事件驱动文件，在加载完成时解析事件驱动文件，获取本次风险决策推理本次事件所需推理资源，创建推理引擎并根据所述推理资源指导推理引擎进行逻辑推理，在推理完成时生成风险信息推理结果。
[0012]进一步地，在所述步骤S5中，待处理所述诉讼案件的多维特征至少包括诉讼案件的争议事实数据。
[0013]进一步地，待处理所述诉讼案件的多维特征还包括审理特征和执行特征，所述审理特征包括用于表征待处理所述诉讼案件的审理程序的至少一个程序指标，以及基于至少一个审理程序指标得到的信息数据，所述执行特征包括所述诉讼案件的执行程序的至少一个程序指标，以及基于至少一个执行程序指标得到的信息数据。
[0014]进一步地，在所述步骤S6中，当结果预测模块生成所述风险预测结果完成时，所述结果预测模块中的结果调整单元获取待处理所述诉讼案件争议事实数据与所述历史案件数据的第一平均相似度Ua，并根据该第一平均相似度Ua与第一预设相似度U1的比对结果确定是否对所述预测结果的输出值进行补偿，若Ua＞U1，则所述结果调整单元确定对所述预测结果的输出值进行补偿；若Ua≤U1，则所述结果调整单元确定不对所述预测结果的输出值进行补偿；当所述结果调整单元确定对所述预测结果的输出值进行补偿时，计算所述第一平均相似度Ua和第一预设相似度U1的相似度差值C，设定C=Ua
‑
U1，并根据该相似度差值和预设相似度差值的比对结果选取对应的补偿系数对所述输出值进行补偿，所述结果调整单元将调整后的输出值设置为Wf，设定Wf=W
×
fi，其中W为初始的输出值，fi为输出值补偿系数。
[0015]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工程模型的诉讼案件预判方法，其特征在于，包括：步骤S1、规则库构建模块构建用于诉讼案件的规则库；步骤S2、建模模块建立基于多维特征的特征因子工程模型；步骤S3、引擎构建模块建立基于诉讼场景的案件推理引擎；步骤S4、数据获取模块获取待处理诉讼案件的案件数据；步骤S5、特征提取模块提取待处理所述诉讼案件的多维特征，并将待处理所述诉讼案件的多维特征输入特征因子工程模型生成用于待处理所述诉讼案件的特征因子；步骤S6、结果预测模块将待处理所述诉讼案件的特征因子输入所述案件推理引擎，生成诉讼风险预测及判决结果合理性的预测结果；步骤S7、文书生成模块根据案件的预测结果作出最有利当事人的选择，并根据当事人的需要生成起诉状、答辩状、证据清单的法律文书；在所述步骤S2中，建模模块建立基于多维特征的特征因子工程模型包括提取历史诉讼案件中的基础数据，对基础数据进行因子挖掘，将挖掘的因子输入XGBoost模型进行训练，生成特征因子工程模型。2.根据权利要求1所述的基于工程模型的诉讼案件预判方法，其特征在于，在所述步骤S1中，当规则库构建模块构建用于所述诉讼案件的规则库时，包括构建诉讼案件风险规则库、判决结果规则库和文书模板规则库；其中，构建诉讼案件风险规则库和判决结果规则库包括：获取历史案件信息数据；对所述历史案件信息数据进行分析获取各历史案件的诉讼信息结构化数据；根据各所述诉讼信息结构化数据生成各历史案件的诉讼案件规则；将若干历史诉讼案件规则整合生成诉讼案件风险规则库和诉讼案件判决结果规则库；所述案件信息数据包括诉讼案件争议事实数据、电子卷宗、文书材料、审判数据以及执行数据，所述诉讼信息结构化包括证据实体识别、证据属性抽取和模块结构化信息。3.根据权利要求2所述的基于工程模型的诉讼案件预判方法，其特征在于，构建所述诉讼案件文书模板规则库包括：构建诉讼文书库；对所述诉讼文书库中各文本数据进行诉讼案件诉讼文书规范识别；根据识别完成的各所述诉讼案件诉讼文书规范生成各诉讼案件诉讼文书规则；将若干所述诉讼案件诉讼文书规则整合生成诉讼案件文书模板规则库；其中，所述诉讼文书库中各文本数据包括民事诉讼法、行政诉讼法、刑事诉讼法、九部审判法和裁判文书；所述诉讼文书规范识别包括行为规范法条识别、证据时效法条识别和证据有效性法条识别。4.根据权利要求3所述的基于工程模型的诉讼案件预判方法，其特征在于，在所述步骤S2中，所述构建特征因子工程包括获取历史诉讼案件的基础数据，对基础数据进行因子挖掘，获得对应的特征因子；所述基础数据包括历史诉讼案件的争议事实数据、审理数据和执行数据；所述特征因子包括历史诉讼案件的争议事实数据、审理数据和执行数据对应的争议事实因子、审理因子和执行因子。
5.根据权利要求4所述的基于工程模型的诉讼案件预判方法，其特征在于，在所述步骤S3中，所述建立基于诉讼场景的案件推理引擎包括通过预先配置风险信息事件类型的事件驱动信息和推理资源，在推理引擎运行时，首先根据输入风险信息事件的类型，加载事件驱动文件，在加载完成时解析事件驱动文件，获取本次风险决策推理本次事件所需推理资源，创建推理引擎并根据所述推理资源指导推理引擎进行逻辑推理，在推理完成时生成风险信息推理结果。6.根据权利要求5所述的基于工程模...

【专利技术属性】
技术研发人员：陈雪婷，王波，王磊，左晶晶，冯勇，
申请(专利权)人：上海百事通法务信息技术有限公司浙江分公司，
类型：发明
国别省市：