[发明专利]一种基于案情描述的类案推送方法与装置

权利要求书

1.一种基于案情描述的类案推送方法，其特征在于，包括以下步骤：

S1：提取判决书案情描述

借助深度学习模型对判决书各个段落进行层次编码，根据段落上下文编码形成特征，通过多层感知机进行二分类建模，通过训练生成案情描述判定模型，使用模型提取待处理判决书的案情描述；

S2：构建判决书案情描述潜在语义空间

为了提高信息检索的精确度，对描述词汇和案情描述关系的传统向量空间进行去噪处理，所构建的潜在语义空间是低维空间；

S3：检索和推送判决书

将用户输入的查询语句映射到潜在语义空间，计算其和所有案情描述向量的相似性，根据相似性进行排序，将TopK案情描述对应判决书推荐给用户。

2.根据权利要求1所述的基于案情描述的类案推送方法，其特征在于：所述步骤S1中，先对每份判决书文本进行预处理，生成每份判决书段落的向量化编码，然后提取每份判决书所有段落的向量化特征，训练基于多层感知机的案情描述判定模型，使用模型提取待处理判决书的案情描述即可。

3.根据权利要求2所述的基于案情描述的类案推送方法，其特征在于：所述步骤S1中，

设判决书有m个段落，分别表示为P₁、P₂、……、P_m，对段落P_i进行向量化编码，其中i为不大于m的自然数；设段落P_i包含n个句子，分别表示为S_i1、S_i2、……、S_in，对句子S_ij进行向量化编码，其中j为不大于n的自然数；判决书所有段落向量化编码结束后，返回判决书段落向量化编码。

4.根据权利要求3所述的基于案情描述的类案推送方法，其特征在于：所述步骤S1中，对句子S_ij进行向量化编码，包括以下步骤：

S111：使用Word2Vec对分词词汇进行向量化编码；

S112：使用Bi-LSTM处理词汇向量化序列；

S113：从处理结果中提取句子S_ij的向量化编码；

S114：返回句子S_ij的向量化编码。

5.根据权利要求3所述的基于案情描述的类案推送方法，其特征在于：所述步骤S1中，对段落P_i进行向量化编码，是当段落P_i的n个句子全都完成向量化编码后，使用Bi-LSTM处理句子向量化序列，并从处理结果中提取段落P_i的向量化编码。

6.根据权利要求2所述的基于案情描述的类案推送方法，其特征在于：所述步骤S1中，将每个段落的向量化特征和判定结果送入多层感知机，通过训练得到案情描述判定模型；具体包括以下步骤：

S121：初始化多层感知机参数；

S122：将所有判决书段落的向量化特征送入多层感知机输入层；

S123：将对应判决书段落的判定结果送入多层感知机输出层；

S124：根据收敛条件训练多层感知机模型；

S125：返回多层感知机模型权重。

7.根据权利要求1所述的基于案情描述的类案推送方法，其特征在于：所述步骤S2中，包括以下步骤：

S21：构建“词汇-案情描述”频率矩阵；

S22：构建“词汇-案情描述”TFIDF矩阵；

S23：对“词汇-案情描述”TFIDF矩阵进行奇异值分解；

S24：根据奇异值分解结果构建潜在语义空间。

8.根据权利要求1所述的基于案情描述的类案推送方法，其特征在于：所述步骤S3中，包括以下步骤：

S31：接收用户的查询语句；

S32：将查询语句转换为查询向量；

S33：将查询向量映射到潜在语义空间；

S34：在潜在语义空间计算映射结果和案情描述的相关性；

S35：将TopK案情描述对应判决书推荐给用户。