[发明专利]基于AI的案件争议焦点确定方法、装置、设备及介质

权利要求书

1.一种基于AI的案件争议焦点确定方法，其特征在于，所述基于AI的案件争议焦点确定方法包括：

响应于接收到的案件争议焦点确定指令，从所述案件争议焦点确定指令中获取待处理案件的文本数据；

基于Transformer模型对所述文本数据进行扩展，得到扩展数据；

基于BERT模型对所述扩展数据进行回归分析，得到基础数据；

从所述基础数据中获取目标辩称及目标事实要素；

将所述目标辩称输入至预先训练的决策模型中，输出第一案件争议焦点集合，其中，所述决策模型基于随机森林算法及卷积神经网络算法训练而得到；

将所述目标事实要素与预先配置的规则表进行匹配，得到第二案件争议焦点集合；

对所述第一案件争议焦点集合及所述第二案件争议焦点集合执行并集运算，得到备选案件争议焦点，并将所述备选案件争议焦点推送至指定终端设备。

2.如权利要求1所述的基于AI的案件争议焦点确定方法，其特征在于，所述基于Transformer模型对所述文本数据进行扩展，得到扩展数据包括：

获取所述文本数据中的每个段落；

将每个段落分别输入至所述Transformer模型，得到每个段落的多个关联段落；

计算每个段落的多个关联段落与对应段落的相关度；

将相关度大于或者等于第一预设值的关联段落确定为每个段落的扩展段落；

将每个段落的扩展段落合并至对应的段落；

整合合并后的各个段落，得到所述扩展数据。

3.如权利要求1所述的基于AI的案件争议焦点确定方法，其特征在于，所述基于BERT模型对所述扩展数据进行回归分析，得到基础数据包括：

采用BERT算法，并基于通用文本库进行预训练，得到所述BERT模型；

将所述扩展数据输入至所述BERT模型，输出每个词的重要程度评分；

对每个词的重要程度评分进行标准化处理；

根据标准化处理后的每个词的重要程度评分，基于所述扩展数据的词组成生成所述扩展数据的文本表示作为所述基础数据。

4.如权利要求1所述的基于AI的案件争议焦点确定方法，其特征在于，在将所述目标辩称输入至预先训练的决策模型中前，所述基于AI的案件争议焦点确定方法还包括：

获取样本数据，所述样本数据中包括辩称及与每个辩称对应的案件争议焦点；

基于随机森林算法提取每个辩称的关键词；

基于Word2Vec算法训练词向量字典；

采用卷积神经网络算法，基于所述词向量字典，以每个辩称的关键词为输入，以及以每个辩称对应的案件争议焦点为输出，训练所述决策模型。

5.如权利要求4所述的基于AI的案件争议焦点确定方法，其特征在于，所述基于随机森林算法提取每个辩称的关键词包括：

对每个辩称对应的案件争议焦点进行分词处理；

提取分词处理后的每个案件争议焦点的词袋模型特征；

确定每个案件争议焦点与每个辩称的匹配度的评分；

对每个评分进行二分类处理，得到高分案件争议焦点及低分案件争议焦点；

基于随机森林算法，计算所述高分案件争议焦点对应的词袋模型特征的第一重要性，及所述低分案件争议焦点对应的词袋模型特征的第二重要性；

按照重要性的高低，分别对所述第一重要性及所述第二重要性进行排序；

从所述第一重要性中获取重要性高的前预设个词袋模型特征作为所述高分案件争议焦点的关键词；

从所述第二重要性中获取重要性高的前预设个词袋模型特征作为所述低分案件争议焦点的关键词；

将所述高分案件争议焦点的关键词及所述低分案件争议焦点的关键词确定为每个辩称的关键词。