【技术实现步骤摘要】
本申请涉及深度学习，更具体地说，涉及一种基于提示学习的案例匹配方法、装置及存储介质。
技术介绍
1、相似案例匹配是法律检索中的一项关键任务，相似案例匹配的目的是确定类似案例之间的相似性。匹配结果可以作为影响决策者动机的重要证据或信息，在法系制度中起着举足轻重的作用。此外，也可以为法系制度内的法律推理提供了基础依据。为此，法官和律师通常会花费大量时间寻找类似的案件。而通过相似案例匹配技术，可以大大缩小时间成本，从而提高法律系统的运行效率。
2、现在主要是通过从案例文档中提取特征，比较提取的特征的相似度进行相似案例匹配。然而，现有的相似案例匹配方法仅能够得到表示两个不同案例之间是否相似的匹配结果，而不能对匹配结果进行解释。
技术实现思路
1、有鉴于此，本申请提供了一种基于提示学习的案例匹配方法、装置及存储介质，用于解决现有相似案例匹配方法，仅能够得到表示两个不同案例之间是否相似的匹配结果，而不能对匹配结果进行解释的问题。
2、为实现上述目的，现提出的方案如下：
3、一种基于提示学习的案例匹配方法，包括：
4、通过预先训练完成的语言模型和第一映射器利用预设的第一提示模板对当前输入的目标案例和待匹配案例进行特征句识别，得到第一特征句集合和第二特征句集合；
5、将所述第一特征句集合和所述第二特征句集合中的特征句进行拼接，得到特征句对集合；
6、通过所述语言模型和第二映射器利用预设的第二提示模板，确定所述特征句对集合中各特
7、通过所述语言模型和分类器，检索所述特征句对的语义向量，并根据各特征句对语义向量确定案例匹配结果。
8、优选地，通过预先训练完成的语言模型和第一映射器利用预设的第一提示模板对当前输入的目标案例和待匹配案例进行特征句识别，包括：
9、通过所述语言模型利用与所述第一提示模板对应的原型空间分别预测所述目标案例和所述待匹配案例中各待处理语句的第一掩模原型；
10、通过所述第一映射器将所述第一掩模原型映射到对应的目标识别标签；
11、根据所述目标识别标签分别确定各待处理语句是否为特征句。
12、优选地，所述第一提示模板为xprompt,1＝t1(p1<sentnce>,p2,[mask]1)，其中，xprompt,1为所述语言模型的输入，t1(·)表示第一提示模板，<semtence>为待处理语句，[mask]1为待填充的第一掩模位置，p1和p2为人工预设提示标记。
13、优选地，所述通过所述语言模型和第二映射器利用预设的第二提示模板，确定所述特征句对集合中各特征句对的对齐结果，包括：
14、通过所述语言模型利用所述第二提示模板对所述特征句对集合中的各特征句对进行处理，预测各特征句对的第二掩模原型；
15、通过所述第二映射器将所述第二掩模原型映射到对应的目标对齐标签；
16、通过所述语言模型预测所述第二掩模原型为目标掩模原型的概率，得到所述对齐置信度；
17、根据所述目标对齐标签和所述对齐置信度，确定各特征句的对齐结果。
18、优选地，所述第二提示模板为xprompt,2＝t2(p1,<sai>,p2,<sbj>,pq,[mask]2)，其中xprompt,2为所述语言模型的输入，t2(·)表示第二提示模板，<sai>和<sbj>分别为特征句对中目标案例的特征句和待匹配案例中的特征句，[mask]2为待填充的第二掩模位置，p1、p2和pq为人工预设提示标记。
19、优选地，所述通过所述语言模型和分类器，检索所述特征句对的语义向量，并根据各特征句对语义向量确定案例匹配结果，包括：
20、通过所述语言模型检索所述特征句对集合中各特征句对的语义向量；
21、通过分类器对所述语义向量进行加权，得到标签概率分布；
22、根据所述标签概率分布确定案例匹配结果。
23、优选地，所述语言模型，包括：structbert模型，所述分类器为softmax函数。
24、一种基于提示学习的案例匹配装置，包括：
25、特征句识别单元，用于通过预先训练完成的语言模型和第一映射器利用预设的第一提示模板对当前输入的目标案例和待匹配案例进行特征句识别，得到第一特征句集合和第二特征句集合；
26、特征句拼接单元，用于将所述第一特征句集合和所述第二特征句集合中的特征句进行拼接，得到特征句对集合；
27、特征句对齐单元，用于通过所述语言模型和第二映射器利用预设的第二提示模板，确定所述特征句对集合中各特征句对的对齐结果；
28、案例匹配单元，用于通过所述语言模型和分类器，检索所述特征句对的语义向量，并根据各特征句对语义向量确定案例匹配结果。
29、一种基于提示学习的案例匹配设备，包括：存储器和处理器；
30、所述存储器，用于存储程序；
31、所述处理器，用于执行所述程序，实现如前述基于提示学习的案例匹配方法的各个步骤。
32、一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如前述基于提示学习的案例匹配方法的各个步骤。
33、从上述的技术方案可以看出，本申请实施例提供的基于提示学习的案例匹配方法，通过预先训练完成的语言模型和第一映射器利用预设的第一提示模板对当前输入的目标案例和待匹配案例进行特征句识别，得到第一特征句集合和第二特征句集合；将第一特征句集合和所述第二特征句集合中的特征句进行拼接，得到特征句对集合；通过语言模型和第二映射器利用预设的第二提示模板，确定特征句对集合中各特征句对的对齐结果；通过语言模型和分类器，检索特征句对的语义向量，并根据各特征句对语义向量确定案例匹配结果。本申请实施例提供的相似案例匹配方法，通过预先训练完成的语言模型和第二映射器，利用预设的第二提示模板，确定特征句对集合中各特征句对的对齐结果。分类器可以根据各特征句的语义向量确定案例是否匹配，输出匹配结果，特征句对集合中的特征句对和对齐结果可以作为案例匹配结果的可解释证据。
34、进一步地，本申请实施例提供的基于提示学习的案例匹配方法，预先训练完成语言模型使用人工构建的第一提示模板作为引导，利用训练阶段获取的语义知识进行案例中的特征句识别。因此，在复杂或细微的语言场景中对特征句的识别精确度更高。
本文档来自技高网...【技术保护点】
1.一种基于提示学习的案例匹配方法，其特征在于，包括：
2.根据权利要求1所述的基于提示学习的案例匹配方法，其特征在于，通过预先训练完成的语言模型和第一映射器利用预设的第一提示模板对当前输入的目标案例和待匹配案例进行特征句识别，包括：
3.根据权利要求1所述的基于提示学习的相似案例匹配，其特征在于，所述第一提示模板为xprompt,1＝T1(P1<Sentence>,P2,[MASK]1)，其中，xprompt,1为所述语言模型的输入，T1(·)表示第一提示模板，<Sentence>为待处理语句，[MASK]1为待填充的第一掩模位置，P1和P2为人工预设提示标记。
4.根据权利要求1所述的基于提示学习的案例匹配方法，其特征在于，所述通过所述语言模型和第二映射器利用预设的第二提示模板，确定所述特征句对集合中各特征句对的对齐结果，包括：
5.根据权利要求1所述的基于提示学习的案例匹配方法，其特征在于，所述第二提示模板为xprompt,2＝T2(P1,<sai>,P2,，<sbj>,Pq,[
6.根据权利要求1所述的基于提示学习的案例匹配方法，其特征在于，所述通过所述语言模型和分类器，检索所述特征句对的语义向量，并根据各特征句对语义向量确定案例匹配结果，包括：
7.根据权利要求1-6任一项所述的基于提示学习的案例匹配方法，其特征在于，所述语言模型，包括：StructBERT模型，所述分类器为softmax函数。
8.一种基于提示学习的案例匹配装置，其特征在于，包括：
9.一种基于提示学习的案例匹配设备，其特征在于，包括：存储器和处理器；
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述基于提示学习的案例匹配方法的各个步骤。
...【技术特征摘要】
1.一种基于提示学习的案例匹配方法，其特征在于，包括：
2.根据权利要求1所述的基于提示学习的案例匹配方法，其特征在于，通过预先训练完成的语言模型和第一映射器利用预设的第一提示模板对当前输入的目标案例和待匹配案例进行特征句识别，包括：
3.根据权利要求1所述的基于提示学习的相似案例匹配，其特征在于，所述第一提示模板为xprompt,1＝t1(p1<sentence>,p2,[mask]1)，其中，xprompt,1为所述语言模型的输入，t1(·)表示第一提示模板，<sentence>为待处理语句，[mask]1为待填充的第一掩模位置，p1和p2为人工预设提示标记。
4.根据权利要求1所述的基于提示学习的案例匹配方法，其特征在于，所述通过所述语言模型和第二映射器利用预设的第二提示模板，确定所述特征句对集合中各特征句对的对齐结果，包括：
5.根据权利要求1所述的基于提示学习的案例匹配方法，其特征在于，所述第二提示模板为xprompt,2＝t2(p1,<sai>,p2,，&...
【专利技术属性】
技术研发人员：周栋，彭子陶，林楠铠，阳爱民，
申请(专利权)人：广东外语外贸大学，
类型：发明
国别省市：
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。