[发明专利]一种基于复合投票机制的类案推送方法及装置

权利要求书

1.一种基于复合投票机制的类案推送方法，其特征在于，包括：

将信息网络输入至预设的非监督学习模型中，得到与案情描述之间的相似度大于预设阈值的多个裁判文书；所述信息网络基于所述案情描述、所述裁判文书、以及案件实体之间的关联关系预先构建；所述关联关系基于预设的文本嵌入模型对所述案前描述、以及所述裁判文书进行案件实体识别得到；

将所述案情描述的文本嵌入矩阵，输入至监督学习模型中，得到所述案情描述的罪名；所述监督学习模型基于样本裁判文书的文本嵌入矩阵预先训练得到；所述案情描述的文本嵌入矩阵，基于所述文本嵌入模型对所述案情描述进行文本嵌入矩阵化得到；

将所述与案情描述之间的相似度大于预设阈值的多个裁判文书、以及所述案情描述的罪名，作为投票机制的参考依据，并利用所述投票机制从各个所述裁判文书中选取出目标裁判文书，作为对外推送的裁判文书。

2.根据权利要求1所述的方法，其特征在于，所述利用所述投票机制从各个所述裁判文书中选取出目标裁判文书，作为对外推送的裁判文书，包括：

所述投票机制，用于：

预先统计各个所述裁判文书的罪名，得到罪名序列；其中，所述罪名序列中的各项罪名，依据所包含的裁判文书的数量从多到少的顺序进行排序；

在所述案情描述的罪名位于所述罪名序列的前m位，且位于所述罪名序列中第一序位的罪名所包含的裁判文书的数量大于预设数值的情况下，按照所述裁判文书与所述案情描述之间的相似度从高到低的顺序，对所述第一序位的罪名所包含的多个裁判文书进行排序，得到第一文书序列，并将所述第一文书序列中前k位的裁判文书，作为目标裁判文书；其中，m和k均为正整数。

3.根据权利要求2所述的方法，其特征在于，还包括：

所述投票机制，还用于：

在所述案情描述的罪名位于所述罪名序列的前m位，且位于所述罪名序列中第一序位的罪名所包含的裁判文书的数量不大于所述预设数值的情况下，按照所述裁判文书与所述案情描述之间的相似度从高到低的顺序，对所述案情描述的罪名所包含的多个裁判文书进行排序，得到第二文书序列，并第二文书序列中前k位的裁判文书，作为目标裁判文书；其中，m和k均为正整数。

4.根据权利要求2所述的方法，其特征在于，还包括：

所述投票机制，还用于：

在所述案情描述的罪名没有位于所述罪名序列的前m位的情况下，按照所述裁判文书与所述案情描述之间的相似度从高到低的顺序，对所述与案情描述之间的相似度大于预设阈值的多个裁判文书进行排序，得到第三文书序列，并将所述第三文书序列中前k位的裁判文书，作为目标裁判文书；其中，m和k均为正整数。

5.根据权利要求1所述的方法，其特征在于，所述将信息网络输入至预设的非监督学习模型中，得到与案情描述之间的相似度大于预设阈值的多个裁判文书，包括：

将信息网络输入至预设的非监督学习模型中，得到案情描述的网络表示、以及各个裁判文书的网络表示；

针对每个裁判文书，基于所述案情描述的网络表示、以及所述裁判文书的网络表示，计算所述裁判文书与所述案情描述之间的相似度；

按照所述裁判文书与所述案情描述之间的相似度从高到低的顺序，对各个所述裁判文书进行排序，得到文书序列；

确定所述文书序列中前n位的裁判文书均大于预设阈值；其中，n为正整数。

6.根据权利要求1所述的方法，其特征在于，还包括：

从所述信息网络中获取与新建裁判文书关联的各个案件实体的向量表示；

计算各个所述案件实体的向量表示的算术平均，得到所述新建裁判文书的网络表示；

基于所述案情描述的网络表示、以及所述新建裁判文书的网络表示，计算所述新建裁判文书与所述案情描述之间的相似度；

在所述新建裁判文书与所述案情描述之间的相似度大于所述预设阈值的情况下，将所述新建裁判文书纳入所述参考依据。