[发明专利]基于深度学习的裁判结果获取方法和装置

权利要求书

1.一种基于深度学习的裁判结果获取方法，其特征在于，包括：

获取法条信息，并根据待处理案件的原始文本，获取所述待处理案件的案件信息；

通过裁判模型对所述法条信息和所述待处理案件的案件信息进行处理，获得所述裁判模型输出的裁判结果，其中所述裁判模型是以法条信息、以及至少一个裁判文书的案件信息和裁判结果为样本，经过深度学习训练获得的。

2.根据权利要求1所述的方法，其特征在于，所述根据待处理案件的原始文本，获取所述待处理案件的案件信息之前，还包括：

识别所述原始文本中的金额信息，对所述金额信息进行整数格式的转化；和/或，

识别所述原始文本中的姓名信息，将所述姓名信息替换为同一姓名标识；和/或，

识别所述原始文本中的时间信息，将所述时间信息替换为同一时间标识。

3.根据权利要求1所述的方法，其特征在于，所述通过裁判模型对所述法条信息和所述待处理案件的案件信息进行处理，获得所述裁判模型输出的裁判结果，包括：

根据所述待处理案件的案件信息，获得相应的第一文本词向量矩阵后，对所述第一文本词向量矩阵分别进行正向解读和反向解读，获得第一正向解读结果和第一反向解读结果，将所述第一正向解读结果和所述第一反向解读结果进行拼接，对拼接获得的数据进行信息抽取，获得第一文本内容向量；

根据所述法条信息，获得相应的第一法条词向量矩阵后，对所述第一法条词向量矩阵进行信息抽取，获得第一法条内容向量；

对所述第一法条内容向量和所述第一文本内容向量进行融合，获得第一待输出向量；

从所述第一待输出向量中提取出第一裁定向量，对所述第一裁定向量进行解析，获得所述裁判结果。

4.根据权利要求3所述的方法，其特征在于，所述对所述第一法条词向量矩阵进行信息抽取，获得第一法条内容向量，包括：

通过所述裁判模型中的attention-rnn子模型对所述第一法条词向量矩阵进行处理，获得所述attention-rnn子模型输出的第二法条内容向量，所述第二法条内容向量的形状为{N,D}，其中，N为法条的数量，D为所述第一法条词向量矩阵的词向量维度；

根据所述第二法条内容向量作如下运算，以对所述第二法条内容向量进行信息抽取，获得所述第一法条内容向量：

Y₃＝Y₂*Y₁+(1-₂)*X

其中，Y₁＝relu(XM₁+C₁)，Y₂＝sigmoid(Y₁M₂+XM₃+C₂)，其中，M₁、M₂、M₃均为形状为{D,D}的可变矩阵，C₁、C₂均为形状为{N,D}的可变矩阵，X为所述第二法条内容向量，Y₃为所述第一法条内容向量。

5.根据权利要求4所述的方法，其特征在于，所述对所述第一法条内容向量和所述第一文本内容向量进行融合，获得第一待输出向量，包括：

根据所述第一法条内容向量和所述第一文本内容向量作如下运算，以对所述第一法条内容向量和所述第一文本内容向量进行融合，获得所述第一待输出向量；

Y₅＝Y₃Y₄

其中，Y₄＝M₄Y_b，其中，Y_b为所述第一文本内容向量，M₄为形状为{D,N}的可变矩阵，Y₅为所述第一待输出向量。