欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023104875995
申请人: 芽米科技(广州)有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2025-03-27
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于大数据的法律文书要素智能识别方法,其特征在于,包括:获取法律案例数据,将其输入到训练好的法律文书要素智能识别模型中,得到法律文书要素识别结果;

法律文书要素智能识别模型的训练过程包括:

S1:获取法律案例训练数据,包括法律文本和文本标签;将法律文本输入到Bert模型中进行处理,得到词嵌入矩阵Q;

S2:采用多头多层注意力模型对词嵌入向量进行处理,得到语义特征C和全局特征G;拼′接语义特征C和全局特征G,得到拼接向量C;

S3:提取文本标签的词频统计特征并采用变分自编码器对其进行处理,得到词频统计z向量ζ;

z O

S4:融合语义特征C和词频统计向量ζ,得到融合特征向量H;

O ′

S5:采用注意力机制处理融合特征向量H 、语义特征C和拼接向量C ,得到综合特征;根据综合特征得到法律文书要素识别结果;

S6:计算模型总损失并根据模型总损失调整模型参数,得到训练好的法律文书要素智能识别模型。

2.根据权利要求1所述的一种基于大数据的法律文书要素智能识别方法,其特征在于,得到语义特征C的过程包括:多头注意力卷积模型包括多层卷积层;每一层卷积层均对输入向量进行处理,得到局部特征矩阵;对局部特征矩阵和词嵌入矩阵进行残差连接并归一化,输出归一化特征;前一层的输出为后一层的输入,最后一层输出为语义矩阵C。

3.根据权利要求2所述的一种基于大数据的法律文书要素智能识别方法,其特征在于,得到局部特征矩阵的过程包括:卷积层的每个头均对输入向量进行处理,得到每个头的局部特征向量;拼接所有头的局部特征向量,得到该层的局部特征矩阵;每个头的局部特征向量表示为:其中,Oj表示第j个头的局部特征矩阵,fi表示Bi‑LSTM网络中第i个卷积核,M表示卷积滤波器对输入向量进行处理后得到的矩阵,Norm(M)表示对矩阵M按行进行归一化, 表示缩放因子,Wj表示随机矩阵。

4.根据权利要求1所述的一种基于大数据的法律文书要素智能识别方法,其特征在于,所述变分自编码器的损失函数为:其中,θ表示解码器参数,φ表示编码器参数,D表示判别器参数,ζ表示输入向量,z表示隐向量, 表示qφ(z|ζ)的期望,qφ(z|ζ)表示编码器输出的隐变量的后验分布,KL表示两概率分布之间的KL散度,pθ(z|ζ)表示解码器输出的数据的条件分布, 表示pθ(z|ζ)的期望,D()表示判别器的判断结果。

5.根据权利要求1所述的一种基于大数据的法律文书要素智能识别方法,其特征在于,融合语义特征和词频统计向量的过程包括:将语义特征和词频统计向量投影到共享空间,C ζ C ζ得到投影语义向量H和投影词频向量H;融合投影语义向量H和投影词频向量H ,得到融合O特征向量H,表示为:

O C C C′ ζ

H=GeLU(H)+sigmoid(cos(H))+Valve(H ,∈)⊙HC′

其中,GeLU()表示GeLU激活函数,sigmoid()表示sigmoid激活函数,Value(H ,∈)表示门控神经网络,⊙表示按位相乘。

6.根据权利要求5所述的一种基于大数据的法律文书要素智能识别方法,其特征在于,所述门控神经网络表示为:C′

其中,H 表示中间参数,C表示语义特征,σ表示置信度参数。

7.根据权利要求1所述的一种基于大数据的法律文书要素智能识别方法,其特征在于,步骤S5中,得到综合特征的公式为:O

其中,S表示综合特征,softmax()表示softmax激活函数,H 表示融合特征向量,sigmoid()表示sigmoid激活函数,W1表示第一随机权重矩阵,W2表示第二随机权重矩阵,C表示语义特征,b表示偏移量,dc表示语义特征C的维度,∈表示常数,W3表示第三随机权重矩阵,C′表示拼接向量。

8.根据权利要求1所述的一种基于大数据的法律文书要素智能识别方法,其特征在于,计算模型总损失的公式为:其中,L表示交叉熵损失,ωi表示平滑指数, 表示文本标签, 表示法律文书要素识别结果,∈表示常数。