【技術實現步驟摘要】
本申請涉及人工智能，尤其是一種證據與事實關聯圖譜構建方法、裝置、設備及介質。
技術介紹
1、對證據與事實進行關聯是司法實踐的核心環節，要求法官對案件相關材料進行深入分析，確定事實的真實性，并據此作出公正的裁決。這一過程涉及對大量文檔、口供、物證等證據的收集、整理和評估，以確保法律判決的準確性和公正性。
2、目前，對證據與事實進行關聯的方法依賴人工操作，人工分析過程耗時耗力，其次人工分析容易受到主觀判斷和認知偏見的影響，可能導致判決的不公正或不準確。此外，傳統方法難以處理復雜的數據類型，如電子證據、大數據等，限制了法律實踐的發展。
技術實現思路
1、本申請的目的是提供一種證據與事實關聯圖譜構建方法、裝置、設備及介質，可以準確提取待關聯證據和案件事實之間的復雜關系，降低人為錯誤和偏見的干擾。
2、本申請實施例提供一種證據與事實關聯圖譜構建方法，包括：
3、對法律文件和待關聯證據進行向量化處理，得到文本向量和證據向量；
4、利用預訓練的識別模型，對所述文本向量進行信息抽取和特征識別處理，以輸出相應的主張向量；所述主張向量包含法律主張信息或事實主張信息；
5、利用預訓練的分析模型，對訴訟關系圖進行注意力權重更新處理，得到注意力權重，依據所述注意力權重對所述證據向量和所述主張向量進行相關性評分處理，得到相關性評分結果；所述訴訟關系圖由所述證據向量和所述主張向量構成，所述預訓練的識別模型和所述預訓練的分析模型通過梯度下降法和相關性訓練
6、依據所述相關性評分結果，生成相應的關聯圖譜。
7、在一些實施例中，所述對法律文件和待關聯證據進行向量化處理，得到文本向量和證據向量，包括：
8、對所述法律文件依次進行文本抽取處理，得到文件文本，對所述文件文本進行向量化處理，得到文本向量；
9、對所述待關聯證據進行文本轉換處理，得到證據文本，向所述證據文本配置標識符并進行向量化處理，得到證據向量。
10、在一些實施例中，所述預訓練的識別模型包括bert模型和線性映射層；
11、所述利用預訓練的識別模型，對所述文本向量進行信息抽取和特征識別處理，以輸出相應的主張向量，包括：
12、利用所述bert模型，基于多頭注意力機制和前饋神經網絡，對所述文本向量進行文本特征抽取處理，輸出文本特征向量；
13、利用所述線性映射層，對所述文本特征向量進行線性映射分類處理，得到所述文本特征向量的分類結果，依據所述分類結果對所述文本特征向量進行向量轉換表示處理，輸出所述主張向量。
14、在一些實施例中，所述利用預訓練的分析模型，對訴訟關系圖進行注意力權重更新處理，得到注意力權重，依據所述注意力權重對所述證據向量和所述主張向量進行相關性評分處理，得到相關性評分結果，包括：
15、以所述證據向量作為第一節點，以所述主張向量作為第二節點，以所述第一節點和所述第二節點組合構建邊，生成所述訴訟關系圖；
16、將所述訴訟關系圖輸入至所述預訓練的分析模型，通過自注意力機制更新所述邊的權重，得到更新后的邊；所述更新后的邊的權重被更新為所述注意力權重，所述預訓練的分析模型由圖注意力網絡訓練得到；
17、對所述更新后的邊的權重進行歸一化處理，得到歸一化權重；
18、計算各所述歸一化權重的平均值，得到相關性評分結果；所述相關性評分結果表征所述第一節點和所述第二節點的相關性。
19、在一些實施例中，所述分析模型的函數表達式為：
20、，
21、其中，eupdated為更新后的邊，g為訴訟關系圖，einit為更新前的邊；
22、所述相關性評分結果的計算表達式為：
23、，
24、其中，r為相關性評分結果，we為更新后的邊的權重。
25、在一些實施例中，所述依據所述相關性評分結果，生成相應的關聯圖譜，包括：
26、依據所述相關性評分結果，對所述待關聯證據進行顯著相關性篩選和排序處理，得到強相關證據文本；
27、對所述法律文件進行文本提取處理，得到案情文本；所述案情文本描述對應訴訟案件的案件背景和相關法律問題；
28、依據所述強相關證據文本所對應的相關性評分結果，生成評述文本；所述評述文本描述所述強相關證據文本對訴訟案件事實的影響；
29、將所述強相關證據文本、所述案情文本和所述評述文本分別導入至預設的圖譜模板中相應的位置，以生成所述關聯圖譜。
30、在一些實施例中，在所述對法律文件和待關聯證據進行向量化處理，得到文本向量和證據向量之前，還包括：
31、獲取待訓練的識別模型、待訓練的分析模型和所述相關性訓練數據；
32、對樣本文件和樣本證據進行向量化處理，得到樣本文本向量和樣本證據向量；
33、利用所述待訓練的識別模型，對所述樣本文本向量進行信息抽取和特征識別處理，以輸出相應的樣本主張向量；
34、利用所述待訓練的分析模型，對所述樣本證據向量和所述樣本主張向量的關系進行注意力權重更新處理，得到樣本注意力權重，依據所述樣本注意力權重對所述樣本證據向量和所述樣本主張向量進行相關性評分處理，得到樣本相關性評分結果；
35、依據模型損失信息，采用梯度下降法調整所述待訓練的識別模型的權重參數和所述待訓練的分析模型的權重參數，在所述模型損失信息符合結束條件時，得到所述預訓練的識別模型和所述預訓練的分析模型；所述模型損失信息表征所述相關性訓練數據和所述樣本相關性評分結果兩者對于所述樣本證據向量和所述樣本主張向量的相關性描述的匹配程度。
36、本申請實施例還提供一種證據與事實關聯圖譜構建裝置，包括：
37、第一模塊，用于對法律文件和待關聯證據進行向量化處理，得到文本向量和證據向量；
38、第二模塊，用于利用預訓練的識別模型，對所述文本向量進行信息抽取和特征識別處理，以輸出相應的主張向量；所述主張向量包含法律主張信息或事實主張信息；
39、第三模塊，用于利用預訓練的分析模型，對訴訟關系圖進行注意力權重更新處理，得到注意力權重，依據所述注意力權重對所述證據向量和所述主張向量進行相關性評分處理，得到相關性評分結果；所述訴訟關系圖由所述證據向量和所述主張向量構成，所述預訓練的識別模型和所述預訓練的分析模型通過梯度下降法和相關性訓練數據聯合訓練得到，所述相關性訓練數據為具有表征所述證據向量和所述主張向量的相關性的標簽信息的訓練數據；
40、第四模塊，用于依據所述相關性評分結果，生成相應的關聯圖譜。
41、本申請實施例還提供一種電子設備，所述電子設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現上本文檔來自技高網...
【技術保護點】
1.一種證據與事實關聯圖譜構建方法，其特征在于，包括：
2.根據權利要求1所述的證據與事實關聯圖譜構建方法，其特征在于，
3.根據權利要求1所述的證據與事實關聯圖譜構建方法，其特征在于，
4.根據權利要求1所述的證據與事實關聯圖譜構建方法，其特征在于，
5.根據權利要求4所述的證據與事實關聯圖譜構建方法，其特征在于，
6.根據權利要求1所述的證據與事實關聯圖譜構建方法，其特征在于，
7.根據權利要求1至6任一項所述的證據與事實關聯圖譜構建方法，其特征在于，
8.一種證據與事實關聯圖譜構建裝置，其特征在于，包括：
9.一種電子設備，其特征在于，所述電子設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現權利要求1至7任一項所述的證據與事實關聯圖譜構建方法。
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的證據與事實關聯圖譜構建方法。
【技術特征摘要】
1.一種證據與事實關聯圖譜構建方法，其特征在于，包括：
2.根據權利要求1所述的證據與事實關聯圖譜構建方法，其特征在于，
3.根據權利要求1所述的證據與事實關聯圖譜構建方法，其特征在于，
4.根據權利要求1所述的證據與事實關聯圖譜構建方法，其特征在于，
5.根據權利要求4所述的證據與事實關聯圖譜構建方法，其特征在于，
6.根據權利要求1所述的證據與事實關聯圖譜構建方法，其特征在于，
7.根據權利要求1至6任一項所...
【專利技術屬性】
技術研發人員：余露，熊自康，
申請(專利權)人：深圳市迪博企業風險管理技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。