[发明专利]一种基于强化学习的法律认知方法、装置和介质

说明书

本发明涉及一种利用人工智能领域的机器学习技术，通过机器强化学习和反馈法律知识提高人工智能的水平，尤其是法律领域人工智能的水平。本发明所涉及的方法、装置和计算机可读介质，调用法律知识图谱，获得法律概念，对所述法律概念进行置信度评价，获得法律认知结果，构建所述法律认知结果的评估网络，通过所述评估网络，反馈并强化所述法律知识图谱。对法律知识的识别和处理引入评价机制，提高了人工智能法律知识的处理能力。

技术领域

本发明涉及一种利用人工智能领域的学习和认知，特别是法律信息的人工智能学习领域。

背景技术

自然语言处理(natural language processing，简称NLP)是计算机科学，人工智能，语言学关注计算机和人类(自然)语言之间的相互作用的领域。对于自然语言理解，特别是语义理解方面，从现有的理论和技术现状看，部分的自然语言处理系统，特别是针对特定业务需求的自然语言处理和理解系统，虽然具备了一定的实用性，但是在法律文本的自然语言处理领域，尚无成熟的、专业的技术成果和商业应用。

就法律自然语言理解而言，其主要问题包括几方面：

一是缺少针对法律领域的大规模真实语料库的研制，以及专业性强的丰富的法律词典的编制。如对于法律专业的“无因管理”、“不当得利”以及特定的案由、罪名等，通用的分词等技术是无法满足实际应用需求的。

二是对法律文本的基本属性、特征、规则研究不足，导致对包括裁判文书、检察文书、诉状与答辩意见、证据材料等在内的各类文本进行信息抽取和分析效果不佳。

三是目前的语义理解能力，主要集中在对相似的法律词语的理解上。在短语、语句层面的理解效果上还有不足，导致无法实现从字面涵义到法律涵义的转换，更无法对纷繁复杂的案件自然事实、情节、证据进行统一认知和扩展。

举例来说，裁判文书会区分为刑事、民事、行政、执行等各类案件类型，同时也会区分一审、二审、再审等各类审判程序，并且根据判决、裁定、调解文书来看，其文书结构和段落等也会有较多的差别。只有精准的识别了相应的属性，我们才有可能更好地做相应的信息抽取和语义理解。如到公安机关投案这个事实，在法律认知上属于自首的一个具体情形。再如对于入户盗窃中关于“户”的理解，也需要结合具体语境或者实际情况来实现统一的认知，从而扩展我们的知识。

强化学习(reinforcement learning)，是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。强化学习主要实现智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大，不断找到实现优化。

就强化学习而言，其主要问题在于：传统的强化学习，一般是通过完全的人机交互来实现的。而针对法律领域，由于其专业性、逻辑性的要求，单纯的依靠人工干预，即使是专业的法律用户来干预，一方面在效率、成本上有诸多制约，另一方面，也会受到人为判定标准差异性等因素的影响。单纯的自然语言处理技术和强化学习技术不能很好地解决法律文本处理和认知方面的问题，因此我们提出了基于强化学习的法律认知引擎和其应用方法。

发明内容

为了解决上述存在的技术问题，本发明提出了一种基于强化学习的法律认知方法、装置和介质。本发明提出的技术方案与法律知识图谱调用和法律规则构建技术相结合，通过对法律概念的置信度评价，对强化反馈的效率和准确性进行改进，促进机器的自主强化学习，从而提高法律知识的准确性。

本发明提出的一种基于强化学习的法律认知方法，包括，

步骤1：调用法律知识图谱，获得法律概念；

步骤2：对所述法律概念进行置信度评价，获得法律认知结果；

步骤3：构建所述法律认知结果的评估网络；

步骤4：通过所述评估网络，反馈并强化所述法律知识图谱。