基于AI循环神经网络深度学习技术的司法材料处理系统技术方案

本发明专利技术提供基于AI循环神经网络深度学习技术的司法材料处理系统，包括：获取模块、智能分析模块和处理模块；其中，获取模块用于获取司法材料的文本特征信息；智能分析模块用于根据获取的文本特征信息，将本文特征信息输入到训练好的司法材料识别模型中，得到司法材料的分类识别结果；处理模块用于根据得到的分类识别结果，完成对司法材料的分类管理。本发明专利技术有助于降低司法材料处理过程中的人工成本，提高司法材料的处理效率和数据管理水平。司法材料的处理效率和数据管理水平。司法材料的处理效率和数据管理水平。

【技术实现步骤摘要】
基于AI循环神经网络深度学习技术的司法材料处理系统


[0001]本专利技术涉及深度学习
，特别是基于AI循环神经网络深度学习技术的司法材料处理系统。

技术介绍

[0002]传统的司法活动过程中，会涉及到如判决文书、诉状文书、起诉文书、检举文书等大量的司法材料，司法材料在递交到相关部门之后，需要交到对应的人员来进行处理，例如，针对不同类型的起诉文书，文件初审流程部门会根据案件类型将起诉文书下派到对应的部门进行处理。
[0003]现有技术中，针对司法文书的筛查和分类，通常需要相关人员在查阅内书内容后进行人工分类，这导致了需要耗费大量的人工成本，随着目前案件量的不断递增，当前的人工数量无法应对案件数量的逐步增多，使得案件处理的效率低下。

技术实现思路

[0004]针对上述问题，本专利技术旨在提供基于AI循环神经网络深度学习技术的司法材料处理系统。
[0005]本专利技术的目的采用以下技术方案来实现：
[0006]本专利技术示出基于AI循环神经网络深度学习技术的司法材料处理系统，包括：获取模块、智能分析模块和处理模块；其中，
[0007]获取模块用于获取司法材料的文本特征信息；
[0008]智能分析模块用于根据获取的文本特征信息，将本文特征信息输入到训练好的司法材料识别模型中，得到司法材料的分类识别结果；
[0009]处理模块用于根据得到的分类识别结果，完成对司法材料的分类管理。
[0010]一种实施方式中，获取模块包括电子文档上传单元；
[0011]电子文档上传单元用于上传司法材料的电子文档，并根据得到的电子文档的文本数据获取司法材料的文本特征信息。
[0012]一种实施方式中，获取模块包括图像获取单元和文本识别单元；其中，
[0013]图像获取单元用于拍摄或扫描纸质版的司法材料，获取司法材料图像数据；
[0014]文本识别单元用于根据得到的司法材料图像数据进行文本识别处理，得到对应的文本数据，并根据得到的文本数据获取司法材料的文本特征信息。
[0015]一种实施方式中，文本识别单元包括：
[0016]根据得到的司法材料图像数据进行图像预处理，得到预处理后的司法材料图像，并基于文本识别模型对预处理后的司法材料图像进行处理，提取司法材料图像对应的文本数据，并根据得到的文本数据进行数据清洗、分词、去停用词等处理，得到司法材料的文本特征信息。
[0017]一种实施方式中，所述司法材料识别模型基于卷积神经网络进行搭建，其中司法
材料识别模型包括输入层、BERT层、循环神经网络层、卷积神经网络层和第一softmax层、第二softmax层和融合输出层；
[0018]其中，输入层用于将司法材料的文本特征信息输入到司法材料识别模型中；BERT层于输入层连接，用于对输入的文本特征信息进行语义特征提取，得到每个单词的输出向量并组成语义特征序列矩阵，将得到的语义特征序列矩阵分别输出到循环神经网络层和卷积神经网络层；
[0019]循环神经网络层基于BiLSTM网络结构进行搭建，用于根据输入的语义特征序列矩阵进行语义编码，得到各个单词的上下文表示，其中BiLSTM网络的输出设置有Attention层，同通过attention机制为每个单词的上下文表示向量分配权重，并通过加权求和的方式得到文本特征信息的全局语义特征表示；并将得到的全局语义特征表示输入到第一softmax层中进行分类处理，得到第一司法材料分类结果；
[0020]卷积神经网络层用于根据输入的语义特征序列矩阵提取文本特征信息的局部特征表示，其中卷积神经网络层中包含卷积层和池化层，其中卷积层设置有不同窗口大小的卷积核，分别对输入的语义特征序列矩阵进行卷积处理，分别得到不同粒度大小的特征图，池化层针对得到的各个特征图进行最大池化操作筛选特征和特征拼接融合得到文本特征信息的局部特征表示；并将得到的局部语义特征表示输入到第二softmax层中进行分类处理，得到第二司法材料分类结果；
[0021]融合输出层用于根据得到的第一司法材料分类结果和第二司法材料分类结果进行概率融合，得到并输出最终的司法材料分类识别结果。
[0022]一种实施方式中，该系统还包括模型训练模块；
[0023]模型训练模块用于训练所述司法材料识别模型，具体包括：
[0024]根据司法材料和对应的分类标识构建训练集，并采用训练集对司法材料识别模型进行训练；
[0025]采用测试集对训练好的司法材料识别模型进行验证，当测试集的准确率超过设定的标准时，则停止司法材料识别模型的训练并输出训练好的司法材料识别模型。
[0026]一种实施方式中，处理模块包括标识单元和分类管理单元；
[0027]标识单元用于根据得到的司法材料分类识别结果对相应的司法材料进行分类标记；
[0028]分类管理单元用于根据司法材料的分类标记对司法材料进行分类归档处理。
[0029]本专利技术的有益效果为：本专利技术系统首先提取司法材料的文本特征信息，通过基于深度学习训练的司法材料识别模型对司法材料进行自适应的分类处理，能够实现司法材料的智能化分类，并根据得到的分类结果对司法材料进行标识和分类管理，有助于降低司法材料处理过程中的人工成本，提高司法材料的处理效率和数据管理水平。
附图说明
[0030]利用附图对本专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0031]图1为本专利技术基于AI循环神经网络深度学习技术的司法材料处理系统的框架结构
图；
[0032]图2为本专利技术智能分析模块中司法材料识别模型的结构示意图。
具体实施方式
[0033]结合以下应用场景对本专利技术作进一步描述。
[0034]参见图1实施例所示基于AI循环神经网络深度学习技术的司法材料处理系统，包括：获取模块、智能分析模块和处理模块；其中，
[0035]获取模块用于获取司法材料的文本特征信息；
[0036]智能分析模块用于根据获取的文本特征信息，将本文特征信息输入到训练好的司法材料识别模型中，得到司法材料的分类识别结果；
[0037]处理模块用于根据得到的分类识别结果，完成对司法材料的分类管理。
[0038]其中，司法材料包括司法文书材料、判决文书、诉状文书、起诉文书、检举文书等。
[0039]本专利技术上述实施方式，首先提取司法材料的文本特征信息，通过基于深度学习训练的司法材料识别模型对司法材料进行自适应的分类处理，能够实现司法材料的智能化分类，并根据得到的分类结果对司法材料进行标识和分类管理，有助于降低司法材料处理过程中的人工成本，提高司法材料的处理效率和数据管理水平。
[0040]一种场景中，通过司法材料识别模型，能够对司法材料进行自适应的分类处理，其中得到的分类识别结果包括司法材料的类型、所属领域分类、裁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于AI循环神经网络深度学习技术的司法材料处理系统，其特征在于，包括：获取模块、智能分析模块和处理模块；其中，获取模块用于获取司法材料的文本特征信息；智能分析模块用于根据获取的文本特征信息，将本文特征信息输入到训练好的司法材料识别模型中，得到司法材料的分类识别结果；处理模块用于根据得到的分类识别结果，完成对司法材料的分类管理。2.根据权利要求1所述的基于AI循环神经网络深度学习技术的司法材料处理系统，其特征在于，获取模块包括电子文档上传单元；电子文档上传单元用于上传司法材料的电子文档，并根据得到的电子文档的文本数据获取司法材料的文本特征信息。3.根据权利要求2所述的基于AI循环神经网络深度学习技术的司法材料处理系统，其特征在于，获取模块包括图像获取单元和文本识别单元；其中，图像获取单元用于拍摄或扫描纸质版的司法材料，获取司法材料图像数据；文本识别单元用于根据得到的司法材料图像数据进行文本识别处理，得到对应的文本数据，并根据得到的文本数据获取司法材料的文本特征信息。4.根据权利要求3所述的基于AI循环神经网络深度学习技术的司法材料处理系统，其特征在于，文本识别单元包括：根据得到的司法材料图像数据进行图像预处理，得到预处理后的司法材料图像，并基于文本识别模型对预处理后的司法材料图像进行处理，提取司法材料图像对应的文本数据，并根据得到的文本数据进行数据清洗、分词、去停用词等处理，得到司法材料的文本特征信息。5.根据权利要求1所述的基于AI循环神经网络深度学习技术的司法材料处理系统，其特征在于，所述司法材料识别模型基于卷积神经网络进行搭建，其中司法材料识别模型包括输入层、BERT层、循环神经网络层、卷积神经网络层和第一softmax层、第二softmax层和融合输出层；其中，输入层用于将司法材料的文本特征信息输入到司法材料识别模型中；BERT层于输入层连接，用于对输入的文本特征信息进行语义特征提取，得到每个单词的输出向量并组成语义特征序列...

【专利技术属性】
技术研发人员：张梁，蔡述平，明邦祥，刘婷，杨琳，陆思颖，周琪，
申请(专利权)人：深圳市弘长科技有限公司张梁周琪，
类型：发明
国别省市：