[发明专利]一种司法数据处理方法及系统

权利要求书

1.一种司法数据处理方法，其特征在于，包括：

获取需要预测司法数据的待办理案件的案件信息，所述司法数据包括罪名和法条，所述案件信息包括所述待办理案件的文本信息；

对所述文本信息进行分词处理，得到文本分词数据；

将所述文本分词数据经过预先训练好的网络模型进行处理，获取对应所述待办理案件的罪名和法条预测结果，所述网络模型通过将TextCNN卷积网络和胶囊网络模型与神经网络模型融合得到；

所述将所述文本分词数据经过预先训练好的网络模型进行处理，获取对应所述待办理案件的罪名和法条预测结果，包括：

将所述文本分词数据映射至词向量模型中进行词向量处理，得到词向量，所述词向量模型为所述网络模型的输入层，所述词向量包括用于表征罪名的罪名特征向量和用于表征法条的法条特征向量；

将所述词向量输入TextCNN卷积网络模型进行处理，得到第一维度数量的第一向量；

将所述词向量输入胶囊网络模型进行处理，得到第二维度数量的第二向量；

集合所述第一向量和所述第二向量，得到集合向量，所述集合向量的维度数量为所述第一维度数量与所述第二维度数量之和；

基于所述网络模型的全连接层将所述集合向量连接至预先建立的罪名类标和法条类标，获取所述集合向量中对应罪名类标的罪名回归结果和对应法条类标的法条回归结果，将所述罪名和所述法条回归结果作为预测的司法数据。

2.根据权利要求1所述的方法，其特征在于，所述网络模型通过以下方式融合得到，包括：

获取已公开的司法文书作为训练文本，对所述训练文本进行词向量训练，得到词向量模型，所述训练文本包括案件信息以及已经作出判定的罪名和法条；

将所述词向量模型作为神经网络模型的输入层，将所述TextCNN卷积网络和所述胶囊网络并列作为所述神经网络模型的第二层，构建所述神经网络模型；

基于所述训练文本对所述神经网络模型进行训练，将迭代次数达到预设迭代次数或者训练轮次达到指定次数的神经网络模型作为网络模型。

3.一种司法数据处理系统，其特征在于，包括：

获取单元，用于获取需要预测司法数据的待办理案件的案件信息，所述司法数据包括罪名和法条，所述案件信息包括所述待办理案件的文本信息；

分词单元，用于对所述文本信息进行分词处理，得到文本分词数据；

预测单元，用于将所述文本分词数据经过预先训练好的网络模型进行处理，获取对应所述待办理案件的罪名和法条预测结果，所述网络模型通过将TextCNN卷积网络和胶囊网络模型与神经网络模型融合得到；

所述预测单元，包括：

词向量处理模块，用于将所述文本分词数据映射至词向量模型中进行词向量处理，得到词向量，所述词向量模型为所述网络模型的输入层，所述词向量包括用于表征罪名的罪名特征向量和用于表征法条的法条特征向量；

处理模块，用于将所述词向量分别输入TextCNN卷积网络和胶囊网络模型进行处理，集合所述TextCNN卷积网络和胶囊网络模型的输出向量，得到集合向量；

输出模块，用于基于所述网络模型的全连接层将所述集合向量连接至预先建立的罪名类标和法条类标，获取所述集合向量中对应罪名类标的罪名回归结果和对应法条类标的法条回归结果，将所述罪名和所述法条回归结果作为预测的司法数据；

所述处理模块，包括：

第一处理子模块，用于将所述词向量输入TextCNN卷积网络模型进行处理，得到第一维度数量的第一向量；

第二处理子模块，用于将所述词向量输入胶囊网络模型进行处理，得到第二维度数量的第二向量；

向量叠加模块，用于集合所述第一向量和所述第二向量，得到集合向量，所述集合向量的维度数量为所述第一维度数量与所述第二维度数量之和。