[发明专利]一种识别法律文书案由的方法和装置

说明书

本公开提供了用于识别法律文书案由的方法和装置。一种用于识别法律文书案由的方法包括：接收正样例集和负样例集，其中所述正样例集包括属于法律文书案由的文本段落，且所述负样例集包括不属于法律文书案由的文本段落；对所述正样例集和所述负样例集中的文本段落进行分词拆解以生成每个文本段落的多个词样本；以及使用所述正样例集中的文本段落的词样本和所述负样例集中的文本段落的词样本来训练机器学习模型。本公开还提供了用于识别法律文书案由的装置和系统。

技术领域

本公开涉及计算机技术，尤其涉及一种识别法律文书案由的方法和装置。

背景技术

一篇文章通常由多个段落组成，每个段落所描述的内容可能属于不同的主题类别。例如，监管处罚文案可包括当事人信息、违法事实和证据(即，案由)、处罚种类和依据、申诉途径等。在一些情况下，需要识别或提取出其中一部分文本内容。例如，在处罚事件结构化中，往往需要对处罚案由进行识别。

在一些简单场景中可通过关键字来识别特定主题类别的文本内容。然而，监管处罚文案的案由可包括多个段落，其中某些段落可包含所设定的能表明主题类别的关键词，而某些段落不包含这些关键词，由此无法准确地进行识别。在这种情况下，需要人工识别哪些段落属于案由，且可能需要完整阅读整个文章/段落才能做出判断，其效率十分低下，且耗费大量人力资源，不适用于批量处理。此外，人工识别案由也存在主观因素，无法保证其判断准确性。

因此，本领域需要能够准确和/或高效地识别法律文书案由的方法和装置。

发明内容

本公开提供了识别法律文书案由的方法和装置，尤其是使用机器学习模型来识别法律文书案由，与现有技术相比极大地提升了识别案由的准确率以及效率。

在本公开的一个实施例，提供了一种用于识别法律文书案由的方法，其包括：接收正样例集和负样例集，其中所述正样例集包括属于法律文书案由的文本段落，且所述负样例集包括不属于法律文书案由的文本段落；对所述正样例集和所述负样例集中的文本段落进行分词拆解以生成每个文本段落的多个词样本；以及使用所述正样例集中的文本段落的词样本和所述负样例集中的文本段落的词样本来训练机器学习模型。

在一方面，所述机器学习模型包括多个输入单元，其中每个输入单元用于接收一个文本段落的一个词样本。

在一方面，该方法进一步包括：确定文本段落的词样本数量是否大于所述输入单元的数量；如果该文本段落的词样本数量大于所述输入单元的数量，则将所述文本段落拆分成词样本数量小于或等于所述输入单元的数量的多个子段落。

在一方面，所述机器学习模型包括CNN模型、RNN模型、LSTM模型、GBDT模型之一。

在一方面，生成每个文本段落的多个词样本还包括对每个文本段落的词样本进行筛选，对每个文本段落的词样本进行筛选包括去除每个文本段落的停用词，所述停用词包括标点符号、数学字符、和/或高频无用词。

在一方面，所述负样例集包括除法律文书以外的文本数据以及法律文书中的非案由部分。

在一方面，所述负样例集包括以下一者或多者：新闻信息、期刊杂志文章、网络文章、评论文章。

在一方面，该方法进一步包括：接收待识别的文本段落；将所述待识别的文本段落的词样本输入到经训练的机器学习模型；以及从所述机器学习模型输出该文本段落属于法律文书案由的概率。

在一方面，如果所述概率高于阈值，则确定所述文本段落属于法律文书案由。