[发明专利]基于多任务的小样本学习的裁判文书争议焦点提取方法

说明书

本发明公开了基于多任务的小样本学习的裁判文书争议焦点提取方法，解决了有争议的问题被分配到许多类中，而每个类中包含的争议焦点问题的数量的巨大差异导致类的不平衡，从而导致文本聚类的性能下降，且目前的大部分算法模型对数据的要求都较高，需要实现大量的数据标注工作的问题。本发明通过聚类之后得到一定量的有标签的数据，使用LDA自动获取集群标签，数据增强处理后进行模型训练、模型剪裁、争议焦点分类匹配提取司法争议焦点，本发明能够更好的为律师法官去检索类案提供帮助。

技术领域

本发明涉及司法领域争议焦点领域的文本分类匹配，具体涉及基于多任务的小样本学习的裁判文书争议焦点提取方法。

背景技术

随着我国社会发展的不断进步，司法改革必将进一步推进。改革从人民群众对公正的要求出发，以加强对权力的监督和制约为重点。随着信息技术的高速发展，网络判决的发布对于促进司法公开起到了至关重要的作用。随着新诉讼制度的逐步形成，中国法院围绕有争议的问题组织辩论。

事实争议性问题有助于在法庭审判中集中事实调查，而法律争议性问题有助于法庭辩论组织和法律适用。判决书体现了法律论证的过程，判决书中所包含的争议问题在庭审过程中被整理、调查和辩论。因此，争议性问题在审判现场的恢复和法官的决策中起着关键的作用。

然而，有效地识别海量数据中的关键信息将是一个巨大的挑战。同类争议问题的分类成为案例分类的基础。然而，由于语料库庞大、表达式多样、门类繁多，手工地识别外生争议性问题是很费钱的。使用机器学习算法来提取这些争议焦点是解决这一问题的有效方法。

由于行政法官的自由裁量权和法外因素，加之事实和法律的确定性，法官的描述缺乏格式。由于人类语言表达的复杂性，在对有争议的问题进行分类时产生了歧义。准确地对争议焦点问题进行分类成为一项具有挑战性的自然语言处理(NLP)任务。

通过研究数据集的结构，发现争议焦点数据遵循幂律分布，这表明，其中少数类是常见的，而大多数类是罕见的。因此，有争议的问题被分配到许多类中，而每个类中包含的争议焦点问题的数量的巨大差异导致了类的不平衡，从而导致文本聚类的性能下降。文本分类技术已成功应用于多种应用，如垃圾邮件识别、情绪分析和舆论监测。但是，目前的大部分算法模型对数据的要求都较高，需要实现大量的数据标注工作。数据标注的任务是计算出总共有多少类有争议的问题，以及每个类包含哪些有争议的问题。

发明内容

本发明所要解决的技术问题是：有争议的问题被分配到许多类中，而每个类中包含的争议焦点问题的数量的巨大差异导致了类的不平衡，从而导致文本聚类的性能下降；目前的大部分算法模型对数据的要求都较高，需要实现大量的数据标注工作。

本发明提供了解决上述类的数量差异导致的不平衡问题和算法模型对数据要求大量标注的问题的基于多任务的小样本学习的裁判文书争议焦点提取方法。

本发明通过下述技术方案实现：

基于多任务的小样本学习的裁判文书争议焦点提取方法，包括以下步骤：

S1、依据n个案由数据中有争议的判断问题进行分类，将所述有争议的判断问题分类为争议性问题重复诉讼事由组(G1)、一般程序法争议问题组(G2)、一般实体法争议问题组(G3)和非一般性法律争议问题及事实争议问题组；

S2、对G4文本数据进行争议焦点处理如下：整理非一般性法律争议问题及事实争议问题组并对其中的与案件事实相关的争议性问题数据（G4）文本数据做如下处理：

步骤S2A、采用bert模型向量化G4文本数据，使用GMM（高斯混合模型）聚合向量化后的G4文本数据得到k个类别数据；