[发明专利]基于元学习的法律案件风险点识别方法及系统

权利要求书

1.一种基于元学习的法律案件风险点识别方法，其特征在于：包括以下过程：

获取待分类的法律案例文字描述；

根据待分类的法律案例文字描述与已知风险点的法律案例文字描述构造元学习任务；

根据待分类的法律案例文字描述和元学习任务支持集中的法律案例文字描述以及预设特征提取模型，得到待分类的法律案例文字描述和元学习任务支持集中的法律案例文字描述的特征向量；

根据元学习任务支持集中的法律案例文字描述的特征向量以及预设归纳模型，得到每类风险的类代表向量；

根据待分类的法律案例文字描述的特征向量和每类风险的类代表向量，得到待分类的法律案例存在各种风险的概率。

2.如权利要求1所述的基于元学习的法律案件风险点识别方法，其特征在于：

获取待分类的法律案例文字描述，包括以下过程：

获取待分类的法律案例文字描述；

将待分类的法律案例文字描述，删除没有实际意义的文字和符号；

将处理后的待分类的法律案例文字描述，通过分词转换成词组合。

3.如权利要求1所述的基于元学习的法律案件风险点识别方法，其特征在于：

根据待分类的法律案例文字描述与已知风险点的法律案例文字描述构造元学习任务，包括以下过程：

将处理后的待分类的法律案例文字描述，作为元学习任务的查询集，并从已知风险点的法律案件描述中抽样，随机抽取N类风险点，每类风险随机抽取K个不同的样本，组成元学习任务的支持集，两者结合构造出元学习任务。

4.如权利要求1所述的基于元学习的法律案件风险点识别方法，其特征在于：

特征提取模型的特征提取过程，包括：

使用双向LSTM编码，由正向和反向编码拼接，得到隐含向量；

通过注意力机制，结合得到的隐含向量，将对语义信息影响较大的词加大权重，得到法律案件描述的特征向量。

5.如权利要求1所述的基于元学习的法律案件风险点识别方法，其特征在于：

预设归纳模型的归纳过程，包括以下过程：

获取支持集每一类的样本特征向量；

将支持集中每一类中所有样本特征向量，通过动态路由算法，经过预设次数的迭代归纳，得到类代表向量。

6.如权利要求5所述的基于元学习的法律案件风险点识别方法，其特征在于：

根据变换矩阵、偏置以及预设挤压函数，得到支持集中类i中每个向量的预测值；

动态路由过程中，链接参数b_i在路由的过程中被动态地修改，将b_i经过一次softmax得到权重d_i；

将支持集中类i中所有样本预测向量在权重d_i上求加权和，得到每个类的候选向量，将候选相邻经过squash函数得到类代表向量。

7.如权利要求1所述的基于元学习的法律案件风险点识别方法，其特征在于：

将元学习任务支持集中的法律案例文字描述的特征向量和归纳模型中得到的支持集中的类代表向量输入神经张量网络；

将神经张量网络得到的结果输入全连接网络，再经过sigmoid激活函数，得到两个向量之间的相关性分数。

8.一种基于元学习的法律案件风险点识别系统，其特征在于：包括：

数据获取模块，被配置为：获取待分类的法律案例文字描述；

任务构造模块，被配置为：根据待分类的法律案例文字描述与已知风险点的法律案例文字描述构造元学习任务；

特征提取模块，其被配置为：根据待分类的法律案例文字描述和元学习任务支持集中的法律案例文字描述以及预设特征提取模型，得到待分类的法律案例文字描述和元学习任务支持集中的法律案例文字描述的特征向量；

归纳模块，其被配置为：根据元学习任务支持集中的法律案例文字描述的特征向量以及预设归纳模型，得到每类风险的类代表向量；

风险点预测模块，其被配置为：根据待分类的法律案例文字描述的特征向量和每类风险的类代表向量，得到待分类的法律案例存在各种风险的概率。