CN119443249A 基于司法知识领域图谱的案例智能生成方法 （对外经济贸易大学）_第1页
CN119443249A 基于司法知识领域图谱的案例智能生成方法 （对外经济贸易大学）_第2页
CN119443249A 基于司法知识领域图谱的案例智能生成方法 （对外经济贸易大学）_第3页
CN119443249A 基于司法知识领域图谱的案例智能生成方法 （对外经济贸易大学）_第4页
CN119443249A 基于司法知识领域图谱的案例智能生成方法 （对外经济贸易大学）_第5页
已阅读5页，还剩27页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于司法知识领域图谱的案例智能生成方法2S3：基于S1构建的司法知识领域图谱和S2提取S5：结合S1的司法知识领域图谱和S4生成的裁3S33：将S32符合规则的段落依据类别进行归类S322：将输入的文书段落通过词嵌入技术转换S51：将S4中生成的裁判理由和裁判要旨与S1构建的司法知识领域图谱中的历史案例410.根据权利要求1所述的基于司法知识领域图谱的案例智能生成方法，其特征在于，5678[0042]S51：将S4中生成的裁判理由和裁判要旨与S1构建的司法知识领域图谱中的历史型将裁判要旨中的词语转化为向量表示，进而计算要旨文本与历史案例文本的语义相似9[0064]S85：对汇总后的文档进行格式化处理，确保文档的排版符合司法文书的标准格[0071]下面结合附图和具体实施例对本发明进行详细描述。同matchjj判依据部分为B，使用语义模型fsemantic(C)表示上下文关联的语义向量表示，公式为：上述步骤能够精确地对案件事实信息进行分类，从而使文书内容与案件类型和规则相匹i关性的词向量表示；BERT模型的核心在于其能够通过多层的Transformer机制学习到每个词转化为词向量；对于句子Si中的每个词wj，BERT模型会生成一个上下文相关的词向量vit-1)[0131]S51：将S4中生成的裁判理由和裁判要旨与S1构建的司法知识领域图谱中的历史1)和v(Y2)分别是裁判要旨Y1和历史裁判要旨Y2的词向量表示，通过该计算判断生成的裁判要旨是否覆盖了所有法律要络模型的多层次特征提取和整合，能够对裁判要旨的语言表达和法律逻辑进行深度优化，i)为词向量[0145]池化层采用最大池化操作，通过选择每个卷积窗口中的型将裁判要旨中的词语转化为向量表示，进而计算要旨文本与历史案例文本的语义相似成确保在后续查询中能够快速检索到与当前案件相似的[015

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论