基于法律知识图谱的定性量纪推荐方法及相关设备技术

本公开提供了一种基于法律知识图谱的定性量纪推荐方法及相关设备。该方法包括：响应于接收到对违规案件的文本描述，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；根据所述违规行为类别标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签；输出所述处罚条款信息和所述违规性质标签作为对所述违规案件的推荐定性结果。本公开提供的方法通过从现有相关文件和案例中进行法律信息的自动提取，建立一套相关领域的知识图谱，基于该图谱给出较为合理的司法判定，为司法机关判案提供辅助。为司法机关判案提供辅助。为司法机关判案提供辅助。

【技术实现步骤摘要】
基于法律知识图谱的定性量纪推荐方法及相关设备


[0001]本公开涉及知识图谱
，尤其涉及一种基于法律知识图谱的定性量纪推荐方法及相关设备。

技术介绍

[0002]法律知识图谱的构建是实现智慧司法不可或缺的基础工程。近年来，司法领域积极运用大数据、云计算、人工智能等先进技术，有效提升办案效率，辅助司法管理，服务群众诉讼，对加速推进司法现代化起到了极大的推进作用。法律知识图谱是根据应用的场景，抽取相关领域法律、法条中的实体、实体间的关系和属性，构建逻辑关系、形成结构化的知识表达。基于法律知识图谱，最终实现司法业务场景的智能应用，为司法人员办案、判案提供有效参考和依据。
[0003]定性量纪属于法律决策的范畴，其理性根基是法律论证。传统的法律论证主要由人工完成，论证的优劣程度完全取决于法律论证者的论证能力和知识储备，而作为自然人的论证者会存在价值取向、知识结构等局限，得出的决策往往会受到主观因素的影响。在法律决策中，尤其是在法律论证者经验不足的阶段，常常会因常识或逻辑性的错误导致判决有失偏颇，而相关的法律决策智能辅助系统可以通过保证法律问题的部分可计算性，减少此类错误的发生。

技术实现思路

[0004]有鉴于此，本公开的目的在于提出一种基于法律知识图谱的定性量纪推荐方法及相关设备。
[0005]基于上述目的，本公开提供了一种基于法律知识图谱的定性量纪推荐方法，包括：
[0006]响应于接收到对违规案件的文本描述，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；
[0007]根据所述违规行为类别标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签；
[0008]输出所述处罚条款信息和所述违规性质标签作为对所述违规案件的推荐定性结果，
[0009]其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于针对违规行为的处罚规定相关文件而构建的。
[0010]基于同一专利技术构思，本公开还提供了一种基于法律知识图谱的定性量纪推荐方法，包括：
[0011]响应于接收到对违规案件的文本描述以及所述违规案件的情节严重度标签，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；
[0012]根据所述违规行为类别标签和所述情节严重度标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签以及针对所述违规案件的处罚措施信息；
[0013]输出所述处罚条款信息、所述违规性质标签以及所述处罚措施信息作为对所述违规案件的推荐判定结果，
[0014]其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于针对违规行为的处罚规定相关文件而构建的。
[0015]基于同一专利技术构思，本公开还提供了一种基于法律知识图谱的定性量纪推荐装置，包括：
[0016]分类模块，被配置为：响应于接收到对违规案件的文本描述，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；
[0017]匹配与推理模块，被配置为：根据所述违规行为类别标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签；
[0018]输出模块，被配置为输出所述处罚条款信息和所述违规性质标签作为对所述违规案件的推荐定性结果，
[0019]其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于所述处罚规定知识图谱而构建的。
[0020]基于同一专利技术构思，本公开还提供了一种基于法律知识图谱的定性量纪推荐装置，包括：分类模块，被配置为：响应于接收到对违规案件的文本描述以及所述违规案件的情节严重度标签，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；
[0021]匹配与推理模块，被配置为：根据所述违规行为类别标签和所述情节严重度标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签以及针对所述违规案件的处罚措施信息；
[0022]输出模块，被配置为输出所述处罚条款信息、所述违规性质标签以及所述处罚措施信息作为对所述违规案件的推荐判定结果，
[0023]其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于所述处罚规定知识图谱而构建的。
[0024]基于同一专利技术构思，本公开还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述基于法律知识图谱的定性量纪推荐方法。
[0025]从上面所述可以看出，本公开提供的基于法律知识图谱的定性量纪推荐方法及相关设备，通过从现有的法律相关文件和案例中进行法律信息的自动提取，建立一套相关领域的知识图谱，对于给定的案例，基于该图谱进行匹配推理，最终给出较为合理的司法判定，克服了传统的法律推荐数据结构化不足、智能技术推荐不够精准的缺陷，为司法机关判案提供辅助。
附图说明
[0026]为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本公开实施例的基于法律知识图谱的定性量纪推荐方法的流程示意图；
[0028]图2为本公开实施例的处罚规定知识图谱中各类处罚条款节点之间的层级关系示意图；
[0029]图3为本公开实施例的基于法律知识图谱的定性量纪推荐装置的结构示意图；
[0030]图4为本公开实施例的电子设备的结构示意图。
具体实施方式
[0031]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0032]需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于法律知识图谱的定性量纪推荐方法，包括：响应于接收到对违规案件的文本描述，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；根据所述违规行为类别标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签；输出所述处罚条款信息和所述违规性质标签作为对所述违规案件的推荐定性结果，其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于针对违规行为的处罚规定相关文件而构建的。2.根据权利要求1所述的方法，还包括：在输出所述处罚条款信息和所述违规性质标签后，响应于接收到用户输入的所述违规案件的情节严重度标签，将所述处罚条款信息和所述情节严重度标签与所述处罚规定知识图谱进行匹配，以确定针对所述违规案件的处罚措施信息；输出所述处罚措施信息作为对所述违规案件的推荐处罚措施结果。3.根据权利要求1或2所述的方法，其中，所述违规行为标签树具有继承层次结构，在该继承层次结构中第一层标签、多个第二层标签和多个第三层标签从高到低顺序排列。4.根据权利要求3所述的方法，其中，利用所述多标签注意力机制对所述文本描述进行多标签分类以预测出所述违规行为类别标签包括：利用所述多标签注意力机制，根据所述多个第二层标签对所述文本描述进行分类，以得到所述多个第二层标签各自的第一得分；将所述多个第二层标签按所述第一得分从高到低进行排序，选取排序后的所述多个第二层标签中的前N个第二层标签，其中N表示预设数量；对于所述前N个第二层标签中的每一个第二层标签，基于所述违规行为标签树而确定所述多个第三层标签中与该第二层标签关联的第三层标签作为候选标签；利用所述多标签注意力机制，根据所述候选标签对所述文本描述进行分类，以得到所述候选标签各自的第二得分；确定所述候选标签中所述第二得分最高的候选标签作为所述违规行为类别标签。5.一种基于法律知识图谱的定性量纪推荐方法，包括：响应于接收到对所述违规案件的文本描述以及所述违规案件的情节严重度标签，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；根据所述违规行为类别标签和所述情节严重度标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签以及针对所述违规案件的处罚措施信息；输出所述处罚条款信息、所述违规性质标签以及所述处罚措施信息作为对所述违规案件的推荐判定结果，其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于针对违规行为的处罚规定相关文件而构建的。6...

【专利技术属性】
技术研发人员：朵思惟，余梓飞，张程华，薛晨云，
申请(专利权)人：天津汇智星源信息技术有限公司，
类型：发明
国别省市：