[发明专利]基于小样本学习的智能审判系统

权利要求书

1.基于小样本学习的智能审判系统，其特征在于：包括

相似案件检索模型，用于根据输入的目标案情和推送法条从案件库中检索出若干个相似案件，形成相似案件集输出，所述案件库存储有案件，所述案件包括案情、法条、审判结果；

审判要素推理模型，用于根据输入的目标案情在相似案件集的基础上给出审判要素预测。

2.根据权利要求1所述的基于小样本学习的智能审判系统，其特征在于：还包括：

法条匹配模型，用于根据输入的目标案情从法条条文集中匹配出若干条法条条文，形成推送法条输出，所述法条条文集存储有法条。

3.根据权利要求2所述的基于小样本学习的智能审判系统，其特征在于：所述法条匹配模型从法条匹配模型训练模块获取，所述法条匹配模型训练模块包括

输入获取模块I，用于从案件数据集中获取N_train个案件S_i，形成训练集DSTrain，案件S_i包括案情AQ_i、法条FT_i、审判结果SP_i，案情AQ_i包括zs个字符，AQ_i＝{x₁,x₂,...,x_m,...,x_zs}|AQ_i，法条FT_i包括ts个条文，FT_i＝{y₁,y₂,...,y_n,...,y_ts}|FT_i；

其中正样本集：取自训练集DSTrain的NPTrain个案件S_i，形成正样本集DSPTrain；

负样本集：取自训练集DSTrain的NNTrain个案件S_i，将S_i对应的案情法条中任意一条或多条换成其他案件法条，形成负样本集DSNTrain；

滑动窗Albert编码器I，包括一个预处理模块I和多个结构相同的编码单元I，所述预处理模块接收输入获取模块I的数据，进行预处理后输出窗向量给第一个编码单元，多个编码单元依次连接，最后一个编码单元输出与窗向量对应的表征向量给法条匹配网络I；

法条匹配网络I，包括依次连接的多头自注意层II、全连接层I、sigmoid层I，所述多头自注意层II的输入端与滑动窗Albert编码器I的输出端连接，所述sigmoid层I输出案情与法条条文相关的概率值；

训练单元I，包括损失评估I，采用MSE损失函数，训练集乱序分批进行训练，每次训练计算MSE损失函数，判断损失函数是否满足训练结束条件，若不满足训练结束条件，则最小化惩罚函数策略迭代训练多头自注意力层II、全连接层I的模型参数；若满足训练结束条件，则完成法条匹配模型训练，训练结束后的滑动窗Albert编码器I、法条匹配网络I，构成法条匹配模型。