【技术实现步骤摘要】
本专利技术涉及案件证据，尤其涉及一种基于图神经网络的案件证据逻辑推演方法。
技术介绍
1、随着人工智能技术的发展，司法领域逐渐引入智能化分析工具辅助案件审理与证据推理，案件证据逻辑推演是司法推理的重要组成部分，然而在传统的案件分析和证据推理过程中，案件事实的构建与推演仍然主要依赖法官、律师的经验判断，缺乏系统化、智能化的证据链构建方法，目前，大多数案件的证据分析依赖于人工检索、人工归纳和人工推理的方式进行，即法官、律师需要逐一阅读案件材料，从大量文本、图像、音频及时间序列类证据中提取关键信息，并基于个人经验推理案件事实链，虽然该方式能够保证法律专业人士对案件的深入理解，但由于案件证据类型多样且相互关联性复杂，导致案件分析过程费时低效。
2、近年来，一些法律科技系统开始应用于案件分析和推理，主要依赖法律知识图谱和基于关键词的案件检索技术来辅助案件分析，这类技术在一定程度上提高了案件信息检索的效率，但在案件推理和事实链构建方面仍然存在诸多问题：一方面，现有的法律信息检索系统主要基于关键词匹配，无法精准推演案件事实，难以在复杂案件中识别关键证据的逻辑关系；另一方面，现有的案件分析系统通常缺乏对证据因果关系的建模能力，难以综合不同证据类型进行推理，导致案件推演的准确性和可信度较低。此外，现有技术普遍未能有效处理案件证据之间的层次化关联，无法在推演过程中区分基础证据、推导证据和法律规则之间的逻辑关系，影响了案件推理的科学性和可解释性。
3、综上所述，现有技术在证据链构建的系统化、推理过程的自动化、证据可信度的量化评
技术实现思路
1、本专利技术的一个目的在于提出一种基于图神经网络的案件证据逻辑推演方法，本专利技术使得不同类型的案件证据数据能够在各自的层级中进行推理，有效避免信息混杂，提高案件事实推演的准确性和可解释性。
2、根据本专利技术实施例的一种基于图神经网络的案件证据逻辑推演方法，包括如下步骤：
3、s1、对案件相关信息进行数据采集，并对不同类型的案件证据数据进行预处理，形成标准化的案件证据数据集；
4、s2、基于标准化的案件证据数据集构建多层次案件证据图，设定多层级案件证据节点，形成多层次案件证据图；
5、s3、对多层次案件证据图的案件证据数据节点和边进行向量化表示，并对案件证据数据节点的权重进行计算；
6、s4、对多层次案件证据图输入图神经网络，计算案件证据数据节点之间的逻辑关系权重；
7、s5、基于案件证据数据节点的逻辑关系权重构建因果推理模型，计算案件证据数据节点之间的因果强度，并识别低可信度的案件证据数据节点；
8、s6、基于案件证据数据节点的逻辑关系权重与因果推理结果，采用路径搜索算法计算最优案件证据推演路径，识别案件核心事实链，生成案件推演结论，并结合法律规则节点的约束条件对案件推演结论进行合理性验证。
9、可选的，所述s1包括如下步骤：
10、s11、获取案件相关信息，并构建案件证据数据集，案件证据数据集包括文本类案件证据数据、图像类案件证据数据、语音类案件证据数据和时间序列类案件证据数据，所述文本类案件证据数据包括证人证词、合同协议和判决文书，所述语音类案件证据数据包括电话录音和谈话记录，所述时间序列类案件证据数据包括交易记录和位置信息；
11、s12、对文本类案件证据数据进行分词、实体识别和语义解析，提取案件相关的实体集合，对图像类案件证据数据进行目标检测和特征提取，获取案件关键目标集合，对语音类案件证据数据进行语音识别，并转录为文本形式，生成语音文本映射集合，对时间序列类案件证据数据进行时间对齐和趋势分析，构建时间序列特征矩阵；
12、s13、融合案件证据数据的格式化处理结果，形成标准化案件证据数据集：
13、；
14、其中，为案件文本实体集合、为案件图像目标集合、为语音文本映射集合，为时间序列特征矩阵。
15、可选的，所述s2包括如下步骤：
16、s21、对标准化案件证据数据集的每个标准化案件证据数据，利用多模态特征融合函数生成证据节点表示：
17、；
18、其中，layernorm 表示层归一化操作，r表示证据数据的模态类型，取值于标准化案件证据数据集，为针对模态r的特征提取函数，将证据数据d映射为初步特征向量，为模态r的特征变换矩阵，为相应偏置向量，为自注意力机制计算得到的模态权重；
19、通过映射函数构成初步的案件证据图节点集合：
20、；
21、以及对应的初步多层次案件证据图：
22、；
23、s22、将初步节点集合根据其特征分布划分为不同层级：
24、；
25、其中，为任一证据节点，l表示案件证据图的层级类型，取值于基础案件证据层base、推导案件证据层infer和法律规则层law，为预定义的层级原型向量，反映各层应具有的特征中心；
26、则各层级节点集合分别定义为：
27、；
28、s23、依据案件证据数据节点之间的关联关系，在基础案件证据层与推导案件证据层之间建立边，对任一基础节点与推导节点，设定其边权重为：
29、；
30、其中，表示两节点间的余弦相似度，为高斯核尺度参数，用以控制相似度衰减，为预设的相似度阈值，为指示函数，条件满足时取值1，否则为0；
31、由此形成边集合：
32、；
33、s24、依据案件证据数据节点与法律规则之间的关联性在基础及推导层节点与法律规则层节点之间建立边，对任一证据节点与法律规则节点，设定其边权重为：
34、；
35、其中，表示 sigmoid 函数，用以将相似度映射至[0,1]，表示两向量内积；
36、由此构成边集合：
37、；
38、其中，为法律规则关联的阈值；
39、s25、将步骤s23中构建的基础与推导层之间的边集合与步骤s24中构建的案件证据与法律规则之间的边集合合并，构成多层次案件证据图的完整边集合：
40、；
41、完整构建的多层次案件证据图为：
42、。
43、可选的，所述s3包括如下步骤：
44、s31、基于多层次案件证据图对每个案件证据数据节点进行特征嵌入，生成初始特征向量：
45、；
46、其中，表示案件证据数据节点的类型嵌入，对应基础案件证据、推导案件证据或法律规则，表示案件证据数据节点的内容嵌入，基于案件证据数据文本、图像、语音或时间序列的特征提取结果，表示案件证据数据节点的关联性嵌入，基于案件证据数据与其他案件证据数据之间的关联性计算得到；
47、s32、基于边集合对每条边进行向量化表本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的案件证据逻辑推演方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图神经网络的案件证据逻辑推演方法，其特征在于，所述S1包括如下步骤：
3.根据权利要求2所述的一种基于图神经网络的案件证据逻辑推演方法，其特征在于，所述S2包括如下步骤：
4.根据权利要求1所述的一种基于图神经网络的案件证据逻辑推演方法，其特征在于，所述S3包括如下步骤：
5.根据权利要求1所述的一种基于图神经网络的案件证据逻辑推演方法，其特征在于，所述S4包括如下步骤：
6.根据权利要求1所述的一种基于图神经网络的案件证据逻辑推演方法，其特征在于，所述S5包括如下步骤：
7.根据权利要求1所述的一种基于图神经网络的案件证据逻辑推演方法，其特征在于，所述S6包括如下步骤：
【技术特征摘要】
1.一种基于图神经网络的案件证据逻辑推演方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图神经网络的案件证据逻辑推演方法，其特征在于，所述s1包括如下步骤：
3.根据权利要求2所述的一种基于图神经网络的案件证据逻辑推演方法，其特征在于，所述s2包括如下步骤：
4.根据权利要求1所述的一种基于图神经网络的案件证据逻辑推演方法...
【专利技术属性】
技术研发人员：姬忠远，冯超，王雨晨，韩颖，李伟，
申请(专利权)人：南京航空航天大学，
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。