CN119398055A 法律事件的确定方法及法律事件检测模型的训练方法 （南京硅基智能科技有限公司）

法律事件的确定方法及法律事件检测模型律事件的确定方法及法律事件检测模型的训练息并确定第一提问信息中的多个实体和各实体之间的实体关系；基于第一提问信息和多个实最后一个神经网络层确定的各实体对应的更新2获取用户输入的第一提问信息，并通过所述法律事件检测模型确定所述第一提问信息中的多个实体和所述多个实体中各所述实体之间通过所述法律事件检测模型中的第二神经网络模型基于所述第一提问信息和所述多各所述实体对应的初始特征表征各所述实体对通过所述法律事件检测模型中第三神经网络模型中的多个神经网络层基于所述第一更新，得到所述多个神经网络层中各所述神经网络层确定的各所述实体对应的更新特征；所述多个边中各所述边对应各所述实体之间的实体关将所述多个神经网络层中最后一个神经网络层确通过所述法律事件检测模型中的第四神经网络模型基于所述提问信息特征和所述第神经网络模型确定所述第一提问信息中的多个实体和所述多个实体中各所述实体之间的获取历史事件信息，并通过所述第一神经网络模型对所述历史通过所述第一神经网络模型对所述第一提问信息中的法律要素进行特通过所述第一神经网络模型基于所述第一提问信息对应的所述多个要素特征和所述通过所述第一神经网络模型对所述内容特征进行实体关系抽取，经网络模型中的多个神经网络层基于所述第一提问信息对应的句法图和各所述实体对应通过所述多个神经网络层中的第一神经网络层基于各所述实体对通过所述多个神经网络层中的第二神经网络层基于各所述实体对包括各所述实体对应的第一特征和各所述实体对应3通过所述第四神经网络模型对所述融合特征对应的法律事件进行分通过所述第四神经网络模型基于所述提问信息特征和所述第一提问信息对应的核心通过第五神经网络模型基于所述第一事件信息确定事件判定信息，并基于所述获取用户对所述第二提问信息输入的回复信息，并基于所述通过所述第四神经网络模型基于所述目标提问信息对应的目标提问信息特征和所述通过所述第五神经网络模型基于所述第一事件信息在预设数据库中确定与所述第一通过所述第五神经网络模型对第一预设文本进行处理，得到所述通过所述第五神经网络模型对所述第一预设文本对应的通过所述第五神经网络模型在所述多个候选种子检索对中确定满足预设条件的目标在当前轮次的聚类过程中，通过所述第五神经网络模型获取上一轮次通过所述第五神经网络模型对所述多个第一种子检索对和所述多个第一检索对进行通过所述第五神经网络模型在各所述法律类别对应的所述多个第二所述第二种子检索对在所述多个检索对中确定未聚类的多个第二4通过所述第五神经网络模型在下一轮次的聚类过程中对多个所述第二种子检索对和所述多个第二检索对进行聚类处理，直至所述多个检索对中不存在未聚类的检索对为止，索对中各所述候选种子检索对分别对应不同的法通过所述第五神经网络模型在各所述法律类别中，确定各所述第二通过所述第五神经网络模型根据各所述第二检索对对应的语义向量量为除所述第一语义向量对应的第二检索对之外的第二检索对通过所述第五神经网络模型在多个所述第一语义向量中确定与所述第二语义向量之确定所述多个候选种子检索对中各所述候选种子检索对的目述候选种子检索对对应的法律类别中的检索对数将所述多个候选种子检索对中目标置信度分值大于或等于预设分值的候选种子检索获取句法图样本和多个节点中各所述样本节点的目标向量表对所述句法图样本中的多个节点进行向量化处理，得到所述多个样通过待训练的第三神经网络模型获取所述句法图样本，并通过层中的各所述待训练的神经网络层基于各所述样本节点的初始向量表示和各所述样本节基于各所述样本节点的目标向量表示和所述多个神经网络层中最后一个神经网络层确定的各所述节点的更新向量表示，确定所述待训练的第三神经网络模型对应的损失函基于所述损失函数对所述第三神经网络模型中的参数进行优化，以5第一获取模块，被配置为获取用户输入的第一提问信息，并通型中的第一神经网络模型确定所述第一提问信息中的多个实体和所述多个实体中各所述第一确定模块，被配置为通过所述法律事件检测模型中第一更新模块，被配置为通过所述法律事件检测模型中第三神第二确定模块，被配置为将所述多个神经网络层中最后第三确定模块，被配置为通过所述法律事件检测模型中第二获取模块，被配置为获取句法图样本和多个节点中第二更新模块，被配置为通过待训练的第三神经网络模型过多个待训练的神经网络层中的各所述待训练的神经网络层基于各所述样本节点的初始量表示进行更新，得到各所述待训练的神经网络层确定的各所述样本节点的更新向量表第四确定模块，被配置为基于各所述样本节点的目标向量表优化模块，被配置为基于所述损失函数对所述第三神经网络模型中的参数进行优化，其中，当所述一个或多个程序被所述一个或多个处理器执行器实现根据权利要求1_9中任一项所述的法律事件的确定方法，或实现根据权利要求10所67以基于所确定的法律事件对咨询信息进行进一步的处理（如检索相关的案例和法律依据等以为用户提供准确的咨询意见。[0003]本申请实施例提供了一种法律事件的确定方法及法律事能够准确地获取到用户输入的提问信息中各实体的核心信息以及各实体之间的核心关系，[0004]本申请实施例第一方面提供一种法律事件的确定方法，应用于法律事件检测模经网络模型确定上述第一提问信息中的多个实体和上述多个实体中各上述实体之间的实测模型中第三神经网络模型中的多个神经网络层基于上述第一提问信息对应的句法图和检测模型中的第四神经网络模型基于上述提问信息特征和上述第一提问信息对应的核心监督向量；通过上述第一神经网络模型对上述第一提问信息中的法律要素进行特征提取，问信息对应的上述多个要素特征和上述监督向量，确定上述第一提问信息对应的内容特8息对应的目标提问信息特征和上述目标提问信息对应的核心信息，确定上述目标事件信上述第五神经网络模型获取上一轮次的聚类过程得到的多个第一种子检索对和未聚类的9各上述法律类别对应的上述多个第二索对中，确定各上述法律类别对应的第二种子检索将上述目标语义向量对应的第二检索对确定为各上述法律类别对应的上述第二种子检索各上述待训练的神经网络层基于各上述样本节点的初始向量表示和各上述样本节点对应[0014]本申请实施例第三方面提供一种法律事件的确定装置，配置于法律事件检测模检测模型中的第一神经网络模型确定上述第一提问信息中的多个实体和上述多个实体中网络模型中的多个神经网络层基于上述第一提问信息对应的句法图和各上述实体对应的被配置为通过上述法律事件检测模型中的第四神经网络模型基于上述提问信息特征和上的神经网络层基于各上述样本节点的初始向量表示和各上述样本节点对应的相邻样本节[0026]在一些示例中，第一神经网络模型110可以包括命名实体识别（NamedEntity[0027]在一些示例中，第一神经网络模型110也可以为包括信息抽取层和关系抽取层的息中的实体信息。接着，再通过第一神经网络模型110中的关系抽取层对内容特征进行处[0028]示例性地，第六神经网络模型150为句法图构建模型。在通过第一神经网络模型110得到第一提问信息中的实体以及各实体之间的实体关系后，可以通过第六神经网络模型150基于上述实体以及各实体之间的实体关系构建对应的句法图。该句法图能够表征各型110所确定的多个实体以及用户输入的第一提问信息，并对第一提问信息中各实体对应经网络模型130获取句法图构建模型所确定的句法图和BERT模型所确定的各实体对应的初邻居节点的方式对各实体对应的初始特征进行逐层更新；最后将最后一层GCN得到的各实文关系（即各实体对应的初始特征并通过多层GCN模型对各实体对应的初始特征进行逐件或法律条文的检索以为用户提供法律咨询的监督模型对在之前的法律事件检测过程中所得到的法律事件检测结果（即历史法律事[0040]在一些示例中，法律信息抽取模型可以是独立于法律事[0042]步骤220，通过法律事件检测模型中的第二神经网络模型基于第一提问信息和多[0044]沿用上例，通过BERT模型第一提问信息中各实体对[0045]在一些实施例中，还可以通过第二神经网络模型对第一提问信息进行向量化表涵盖的范围通常较广，因此可以通过第三神经网络模型对各实体对应的初始特征进行处关系。中的各层GCN基于句法图和各实体对应的初始特征，采用层级传播和聚合邻居节点的方式[0049]步骤240，通过法律事件检测模型中的第四神经网络模型基于提问信息特征和第型所确定的提问信息特征以及GCN所确定的第一提问信息对应的核心信息，确定第一提问[0053]图3为本申请一些实施例提供的另一种法律事件的确定方法的流程图，如图3所进一步导致传统的NER模型和RE模型无法很好地实现对法律实体信息和实体关系型。法律信息抽取模型中的信息抽取层用于确定用户输入的第一提问信息中的实体信息；法律信息抽取模型中的关系抽取层用于基于第一提问信息中的实体信息确定各实体之间[0060]在一些实施例中，第一神经网络模型中的内容模型可以包括多个要素提取模[0062]步骤330，通过第一神经网络模型基于第一提问信息对应的多个要素特征和监督[0063]在一些实施例中，在得到上述第一提问信息对应的多个此对各要素特征的表示进行强化或弱化，从而通过监督向量实现对各要素特征的远程监调整后的要素特征进行融合以得到第一提问信息[0069]图4为本申请一些实施例提供的再一种法律事件的确定方法的流程图，如图4所法律事件检测模型中的第六神经网络模型基于多个实体以及各实体之间的实体关系构建[0074]步骤420，通过第三神经网络模型中的多个神经网络层基于句法图和各实体对应[0076]示例性地，第三神经网络模型可以通过多层GCN采用层级传播和聚合邻居节点特GCN中的前一层GCN基于目标节点对应的当前特征以及该目标节点的邻居节点（即相邻节[0077]步骤430，将多个神经网络层中最后一个神经网络层确定的各实体对应的更新特[0079]通过上述方案，通过多层GCN基于句法图对BERT模型输出的各实体对应的初始特于实体信息和实体关系进行法律事件分类时可以得到更好的[0080]图6为本申请一些实施例提供的又一种法律事件的确定方法的流程图，如图6所AAAAAAllll[0090]表示通过归一化的邻接矩阵将第层GCN确定的节点对应的当前特征进行传播和聚合；表示对传播和聚合后的节点特征进行线性变换，得到线性变换后[0092]在一些实施例中，在第一层GCN得到目标节点对应的第一特征后，再通过第二层第一特征，对目标节点对应的第一特征进行更新，得到目标节点对应的更新后的第一特征[0094]图7为本申请一些实施例提供的又一种法律事件的确定方法的流程图，如图7所[0096]在一些实施例中，在通过多层GCN得到各实体对应的核心信息以及各实体之间的为参照，避免在多层GCN的输出与第一提问信息出现偏离的情况下导致无法得到准确的法[0101]图8为本申请一些实施例提供的又一种法律事件的确定方法的流程图，如图8所[0102]步骤810，通过第四神经网络模型基于提问信息特征和第一提问信息对应的核心事件信息是否与用户实际所咨询的法律事件相符并通过成立条件判定模型确定该第一[0104]可以理解的，确定第一提问信息对应的第一事件信息的方式可以参考上述步骤势变更。因此，在通过法律事件检测模型确定的第一提问信息901对应的第一事件信息后定第一提问信息中缺少的必要信息。[0112]步骤840，通过第四神经网络模型基于目标提问信息对应的目标提问信息特征和标提问信息特征和目标提问信息对应的核心信息确定第[0114]示例性地，法律事件检测模型所确定的第二事件信息可[0128]其中，法律类别可以根据法律案件所属的法律领域或法律案件的具体类型等确后再根据上述目标种子检索对的检索标识和检索内容确定第一提问信息对应的事件判定类过程得到的多个第一种子检索对和未聚类的多个[0135]在一些实施例中，在对第一预设文本对应的多个检索对70个未聚类的第一检索对（即第一种子检索对与第一检索对的数量之和等于预设数量100个并再对上述50个第一种子检索对和70个第一检索对进行聚类。设置每轮对100个检索对进行聚类时所得到的法律类别的数量至多为下的800个检索对中选择80个未聚类的第二检索对（即第二种子检索对与第二检索对的数量之和等于预设数量100个并再对上述20个第二种子检索对和80个第二检索对进行下一个候选种子检索对中各候选种子检索对分别对应不同的法律类对应的第二种子检索对时，可以先确定每个法律类别中的各第二检索对所对应的语义向[0151]在一些实施例中，在确定每个法律类别中的各第二检索再确定每个法律类别中的各第二检索对的语义向量与该法律类别中的其他第二检索对的量V1与S3的语义向量V3之间的距离欧式距离。。[0153]同理，可以确定第二检索对S2的语义向量V2与第二检索对S1的语义向量V1和第二检索对S3的语义向量V3之间的总距离D2=+V0=0.365；以及第二检索对S3的语义向量V3与第二检索对S1的语义向量V1和第二检索对S2的语义向量V2之间的总距离。子检索对中目标置信度分值大于或等于预设分值的候选种子检索对确定为目标种子检索[0158]在一些实施例中，在通过多轮聚类最终得到各法律类别对应的候选种子检索对[0159]其中，目标置信度分值可以与各候选种子检索对与第一事件信息之间的关联度、一事件信息之间的关联度越低，且各候选种子检索对对应的法律类别中的检索对数量越基于各候选种子检索对的置信度分值所确定的目标种子检索对能够与第一事件信息更加选种子检索对与第一事件信息之间的关联度，确定各候选种子检索对的第一置信度分值。应的目标置信度分值为score=0.6×score1+0.4×score2=0.6×80+0.4×6类的次数小于或等于5次的情况下，可以对第一预设文本对应的多个检索对重新进行多轮[0172]若无法从第二预设文本中获取能够作为第一提问信息对应的事件判定信息的目所有的预设文本均无法提供第一提问信息对应的事件判定信训练的多层GCN输出的参照对多层GCN的神经网络层中的各待训练的神经网络层基于各样本节点的初始向量表示和各样本节点各层待训练的GCN确定的各样本节点的更[0183]在一些实施例中，在各层GCN确定各样本节点的更新向量表示后，基于最后一层GCN得到的各样本节点的更新向量表示和各样本节点的目标向量表示，确定第三神经网络2）3）上下文关系（即各实体对应的初始特征并通过多层GCN模型对各实体对应的初始特征进[0189]图13为本申请一些实施例提供的一种法律事件的确定装置的示意图。如图13所测模型中的第一神经网络模型确定第一提问信息中的多个实体和多个实体中各实体之间初始特征进行更新，得到多个神经网络层中各神经网络层确定的各实体对应的更新特征；的更新特征包括各实体对应的第一特征和各实提问信息特征和第一提问信息对应的核心信息，确定第一提问信息对应的第一事件信息；文本为多个预设文本中的任一预设文本，多个检索对中各检索对包括检索标识和检索内过第五神经网络模型获取上一轮次的聚类过程得到的多个第一种子检索对和未聚类的多选种子检索对中各候选种子检索对分别对应不同的法律类别。中，第一语义向量为各法律类别对应的多个第二检索对中任一第二检索对对应的语义向量，第二语义向量为除第一语义向量对应的第二检索对之外的第二检索对对应的语义向多个候选种子检索对中目标置信度分值大于或等于预设分值的候选种子检索对确定为目[0207]第二更新模块1430，被配置为通过待训练的第三神经网并通过多个待训练的神经网络层中的各待训练的神经网络层基于各样本节点的初始向量[0210]优化模块1450，被配置为基于损失函数对第三神经网络