[发明专利]案件分类方法、装置、计算机设备及存储介质

权利要求书

1.一种案件分类方法，其特征在于，所述案件分类方法包括：

获取待预测案件数据；

将所述待预测案件数据输入ERNIE-CNN分类模型，其中，所述ERNIE-CNN分类模型是指基于ERNIE算法对案件进行分类的模型，所述ERNIE-CNN分类模型包括CNN层；

基于所述ERNIE-CNN分类模型，对所述待预测案件数据进行文本向量化，得到词向量矩阵；

基于所述CNN层，对所述词向量矩阵进行局部特征提取，得到局部特征矩阵；

基于所述ERNIE-CNN分类模型的全连接层，对所述局部特征矩阵进行全连接和分类处理，得到所述待预测案件数据对应的分类结果。

2.如权利要求1所述的案件分类方法，其特征在于，所述获取待预测案件数据的步骤包括：

获取案件文档和所述案件文档对应的文本模板；

基于预设的要素抽取方式，对所述文本模板进行要素抽取，得到抽取规则；

基于所述抽取规则，对所述案件文档进行字段提取，得到关键字段；

对所述关键字段进行预处理，得到待预测案件数据。

3.如权利要求1所述的案件分类方法，其特征在于，所述基于所述ERNIE-CNN分类模型的全连接层，对所述局部特征矩阵进行全连接和分类处理，得到所述待预测案件数据对应的分类结果的步骤包括：

将所述局部特征矩阵依次输入所述ERNIE-CNN分类模型的dropout层和全连接层；

基于所述ERNIE-CNN分类模型的dropout层和全连接层，对所述局部特征矩阵进行全连接和分类处理，得到所述待预测案件数据对应的分类结果。

4.如权利要求1至3任一项所述的案件分类方法，其特征在于，在所述将所述待预测案件数据输入ERNIE-CNN分类模型之前，所述方法还包括：

基于DiceLoss损失函数，训练ERNIE-CNN分类模型；

按照以下公式计算所述DiceLoss损失函数：

其中，|A|表示样本预测值中元素的个数,|B|表示样本真实值中元素的个数，|A∩B|表示样本预测值和样本真实值之间的共同元素。

5.一种案件分类装置，其特征在于，所述案件分类装置包括：

数据获取模块，用于获取待预测案件数据；

输入模块，用于将所述待预测案件数据输入ERNIE-CNN分类模型，其中，所述ERNIE-CNN分类模型是指基于ERNIE算法对案件进行分类的模型，所述ERNIE-CNN分类模型包括CNN层；

文本向量化模块，用于基于所述ERNIE-CNN分类模型，对所述待预测案件数据进行文本向量化，得到词向量矩阵；

特征提取模块，用于基于所述CNN层，对所述词向量矩阵进行局部特征提取，得到局部特征矩阵；

分类结果获取模块，用于基于所述ERNIE-CNN分类模型的全连接层，对所述局部特征矩阵进行全连接和分类处理，得到所述待预测案件数据对应的分类结果。

6.如权利要求1所述的案件分类装置，其特征在于，所述数据获取模块包括：

案件文档获取单元，用于获取案件文档和所述案件文档对应的文本模板；

抽取规则获取单元，用于基于预设的要素抽取方式，对所述文本模板进行要素抽取，得到抽取规则；

关键字段获取单元，用于基于所述抽取规则，对所述案件文档进行字段提取，得到关键字段；

预处理单元，用于对所述关键字段进行预处理，得到待预测案件数据。

7.如权利要求1所述的案件分类装置，其特征在于，所述分类结果获取模块包括：

输入单元，用于将所述局部特征矩阵依次输入所述ERNIE-CNN分类模型的dropout层和全连接层；

分类单元，用于基于所述ERNIE-CNN分类模型的dropout层和全连接层，对所述局部特征矩阵进行全连接和分类处理，得到所述待预测案件数据对应的分类结果。