[发明专利]基于案例知识图谱的案件推荐方法、装置和电子设备

权利要求书

1.一种基于案例知识图谱的案例推荐方法，其特征在于，包括：

响应于接收到用户输入的法律案件和/或问题的描述，从所述描述中提取多维度特征，所述多维度特征包括实体、关系、事件和主题，

对所述描述进行预处理，以去除所述描述中的停用词；

对经过所述预处理的所述描述通过深度语义表示模型进行向量表示，计算得出相关实体，完成实体识别；

对经过所述实体识别的所述描述采用基于堆叠膨胀门卷积神经网络DGCNN进行关系抽取；

对经过所述实体识别的所述描述进行事件抽取，所述事件抽取包括触发词提取和角色提取；

对经过所述实体识别的所述描述采用基于预训练的分类模型进行主题抽取；

对经过所述实体识别、所述关系抽取、所述事件抽取和所述主题抽取得到的相应特征进行融合；

根据所述多维度特征，在预先基于案例相关文件构建的案例知识图谱中进行语义图搜索，搜索出与所述多维度特征相关联的案例候选推荐数据；

输出所述案例候选推荐数据中的至少一个作为与所述描述相关的案例推荐数据。

2.根据权利要求1所述的案例推荐方法，其特征在于，对经过所述实体识别的所述描述采用DGCNN进行关系抽取，包括：

通过字词混合向量得到所述描述的字向量序列，所述字向量序列加上位置向量，得到所述描述的混合编码；

将所述混合编码输入到12层DGCNN中进行编码，得到编码后的序列H；

将所述序列H输入DGCNN自注意力层后得到序列H的向量表示；

将所述序列H的向量表示传入卷积神经网络CNN的全连接层Dense中，用sigmoid激活函数预测所述描述的主体的首尾位置；

随机采样一个所述主体，将所述序列H对应所述主体的子序列传入到一个双向长短期记忆LSTM神经网络中，得到所述主体的编码向量，所述主体的编码向量加上相对位置向量，得到一个与所述描述等长的向量序列；

将H传入DGCNN的另一层自注意力层后，将输出结果与所述描述等长的向量序列进行拼接；

将拼接后的结果传入CNN的全连接层Dense中，通过sigmoid激活函数来预测对应的客体的首、尾位置，同时把关系抽取出来。

3.根据权利要求1所述的案例推荐方法，其特征在于，对经过所述实体识别的所述描述进行事件抽取，包括：

通过预训练的来自变换器的双向编码器表示BERT模型得到所述描述的词向量表示，基于案件类别对所述描述的每个词进行分类，当某个词超过其中一个案件类别设定的阈值时，则将该词归为所述案件类别，并作为触发词提取出来；

根据提取出的所述触发词，提取相关所有可能的角色。

4.根据权利要求1至3中任一项所述的案例推荐方法，其特征在于，在预先基于案例相关文件构建的案例知识图谱中进行语义图搜索，搜索出与所述多维度特征相关联的案例候选推荐数据，包括：

优先采用子图搜索方式进行搜索，无返回结果时采用所述多维度特征自由组合的方式进行匹配搜索，直至匹配搜索成功。

5.根据权利要求1至3中任一项所述的案例推荐方法，其特征在于，输出所述案例候选推荐数据中的至少一个作为与所述描述相关的案例推荐数据，包括：

对所述特征提取方式提取出的所述特征进行加权平均，得出所述案例候选推荐数据的相关度评分，从所述案例候选推荐数据中选取相关度评分较高的案例候选推荐数据作为案例候选数据集；

根据预定规则，过滤掉所述案例候选数据集中的异常案例。