判案结果确定方法、装置、设备及计算机可读存储介质.pdf

《判案结果确定方法、装置、设备及计算机可读存储介质.pdf》由会员分享，可在线阅读，更多相关《判案结果确定方法、装置、设备及计算机可读存储介质.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910883524.2 (22)申请日 2019.09.18 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平安金融中 心23楼 (72)发明人 陈晨李可汪伟 (74)专利代理机构 深圳市力道知识产权代理事 务所(普通合伙) 44507 代理人 何姣 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/33(2019.01) G06F 40/211(2020.01) G06F。

2、 40/295(2020.01) G06Q 50/18(2012.01) (54)发明名称 判案结果确定方法、 装置、 设备及计算机可 读存储介质 (57)摘要 本申请提供一种判案结果确定方法、 装置、 设备及计算机可读存储介质， 该方法包括： 获取 目标案件的判案数据， 并对所述判案数据进行信 息提取处理， 以确定待构建的法律知识图谱的案 件知识信息； 根据所述案件知识信息和预设法条 知识库， 构建所述目标案件的法律知识图谱； 根 据所述法律知识图谱， 确定所述目标案件的判案 推理树， 并根据所述法律知识图谱和判案推理 树， 确定所述目标案件的判案结果。 本申请涉及 数据分析和知识图谱， 有。

3、效的提高了判案结果的 准确性。 权利要求书2页 说明书10页 附图4页 CN 110825879 A 2020.02.21 CN 110825879 A 1.一种判案结果确定方法， 其特征在于， 包括： 获取目标案件的判案数据， 并对所述判案数据进行信息提取处理， 以确定待构建的法 律知识图谱的案件知识信息； 根据所述案件知识信息和预设法条知识库， 构建所述目标案件的法律知识图谱； 根据所述法律知识图谱， 确定所述目标案件的判案推理树， 并根据所述法律知识图谱 和判案推理树， 确定所述目标案件的判案结果。 2.根据权利要求1所述的判案结果确定方法， 其特征在于， 所述案件知识信息包括基础 案件。

4、知识信息、 争议焦点知识信息和证据知识信息； 所述对所述判案数据进行信息提取处 理， 以确定待构建的法律知识图谱的案件知识信息， 包括： 通过预设的基础案件知识提取模型对所述判案数据进行信息提取处理， 以获取基础案 件知识信息； 通过预设的证据知识提取模型对所述判案数据进行信息提取处理， 以获取证据知识信 息； 基于预设的争议焦点预测模型， 根据所述基础案件知识信息和证据知识信息， 确定争 议焦点知识信息。 3.根据权利要求2所述的判案结果确定方法， 其特征在于， 所述证据知识提取模型包括 证据项提取层、 证据分类层和证据属性确定层； 所述通过预设的证据知识提取模型对所述 判案数据进行信息提取。

5、处理， 以获取证据知识信息， 包括： 通过所述证据项提取层提取所述判案数据中的证据语句以及每个所述证据语句中的 证据项； 通过所述证据分类层， 确定每个所述证据项的证据类别， 并通过所述证据属性确定层， 确定每个所述证据类别的证据属性； 将每个所述证据项、 每个所述证据项的证据类别以及每个所述证据类别的证据属性作 为证据知识信息。 4.根据权利要求2所述的判案结果确定方法， 其特征在于， 所述基于预设的争议焦点预 测模型， 根据所述基础案件知识信息和证据知识信息， 确定争议焦点知识信息， 包括： 从所述基础案件知识信息中获取原告诉请信息和被告辩称信息； 基于预设的争议焦点预测模型， 根据所述原。

6、告诉请信息、 被告辩称信息和证据知识信 息， 确定预设个数的候选争议焦点和每个所述候选争议焦点的输出概率值； 根据每个所述候选争议焦点的输出概率值， 确定争议焦点知识信息。 5.根据权利要求1至4中任一项所述的判案结果确定方法， 其特征在于， 所述根据所述 法律知识图谱， 确定所述目标案件的判案推理树， 包括： 确定所述争议焦点信息所属的争议焦点类别， 并获取所述争议焦点类别对应的多个判 案推理树； 计算所述法律知识图谱与每个所述判案推理树之间的相似度； 根据所述法律知识图谱与每个所述判案推理树之间的相似度， 确定所述目标案件的判 案推理树。 6.根据权利要求5所述的判案结果确定方法， 其特征。

7、在于， 所述确定所述争议焦点信息 所属的争议焦点类别， 并获取所述争议焦点类别对应的多个判案推理树之前， 还包括： 权利要求书 1/2 页 2 CN 110825879 A 2 确定是否存在与所述争议焦点信息关联的判案推理树； 若存在与所述争议焦点信息关联的判案推理树， 则将与所述争议焦点信息关联的判案 推理树作为所述目标案件的判案推理树； 若不存在与所述争议焦点信息关联的判案推理树， 则执行步骤： 确定所述争议焦点信 息所属的争议焦点类别， 并获取所述争议焦点类别对应的多个判案推理树。 7.根据权利要求1至4中任一项所述的判案结果确定方法， 其特征在于， 所述根据所述 法律知识图谱和判案推理。

8、树， 确定所述目标案件的判案结果之后， 还包括： 当检测到所述法律知识图谱中的证据知识更新时， 从所述法律知识图谱中获取争议焦 点知识、 事实要素知识以及更新后的证据知识； 基于所述判案推理树， 根据所述争议焦点知识、 事实要素知识以及更新后的证据知识， 重新确定所述目标案件的判案结果。 8.一种判案结果确定装置， 其特征在于， 所述判案结果确定装置包括： 获取模块， 用于获取目标案件的判案数据； 处理模块， 用于对所述判案数据进行信息提取处理， 以确定待构建的法律知识图谱的 案件知识信息； 图谱构建模块， 用于根据所述案件知识信息和预设法条知识库， 构建所述目标案件的 法律知识图谱； 确定模。

9、块， 用于根据所述法律知识图谱， 确定所述目标案件的判案推理树； 判案确定模块， 用于根据所述法律知识图谱和判案推理树， 确定所述目标案件的判案 结果。 9.一种计算机设备， 其特征在于， 所述计算机设备包括处理器、 存储器、 以及存储在所 述存储器上并可被所述处理器执行的计算机程序， 其中所述计算机程序被所述处理器执行 时， 实现如权利要求1至7中任一项所述的判案结果确定方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 其中所述计算机程序被处理器执行时， 实现如权利要求1至7中任一项所述的判案结 果确定方法的步骤。 权利要求书 2/2 。

10、页 3 CN 110825879 A 3 判案结果确定方法、 装置、 设备及计算机可读存储介质 技术领域 0001 本申请涉及数据分析的技术领域， 尤其涉及一种判案结果确定方法、 装置、 设备及 计算机可读存储介质。 背景技术 0002 随着社会经济的发展与法治体系的日趋完善， 人民群众的司法需求日益增长， 法 院立案的案件越来越多， 法官审理案件量逐渐提高， 由于诉讼案件的特殊性， 法律法规浩如 烟海， 法律文书案例烦冗复杂， 法官判案难度大， 判案所需的时间也较多， 判案效率较低。 0003 目前， 结合庭审笔录与历史案件生成当前案件需要法官判定的题目， 通过勾选题 目的答案选项的方式完成。

11、案件结果的推理判定， 可以简化案件的判案操作， 提高判案效率。 然而， 庭审笔录与历史案件较多， 无法快速准确的生成当前案件需要法官判定的题目， 此 外， 通过勾选题目答案选项的方式完成案件推理判定， 对法官的案件推理能力要求较高， 无 法保证判案推理结果的准确性。 因此， 如何提高判案结果的准确性是目前亟待解决的问题。 发明内容 0004 本申请的主要目的在于提供一种判案结果确定方法、 装置、 设备及计算机可读存 储介质， 旨在提高判案结果的准确性。 0005 第一方面， 本申请提供一种判案结果确定方法， 所述判案结果确定方法包括以下 步骤： 0006 获取目标案件的判案数据， 并对所述判案。

12、数据进行信息提取处理， 以确定待构建 的法律知识图谱的案件知识信息； 0007 根据所述案件知识信息和预设法条知识库， 构建所述目标案件的法律知识图谱； 0008 根据所述法律知识图谱， 确定所述目标案件的判案推理树， 并根据所述法律知识 图谱和判案推理树， 确定所述目标案件的判案结果。 0009 第二方面， 本申请还提供一种判案结果确定装置， 所述判案结果确定装置包括： 0010 获取模块， 用于获取目标案件的判案数据； 0011 处理模块， 用于对所述判案数据进行信息提取处理， 以确定待构建的法律知识图 谱的案件知识信息； 0012 图谱构建模块， 用于根据所述案件知识信息和预设法条知识库。

13、， 构建所述目标案 件的法律知识图谱； 0013 确定模块， 用于根据所述法律知识图谱， 确定所述目标案件的判案推理树； 0014 判案确定模块， 用于根据所述法律知识图谱和判案推理树， 确定所述目标案件的 判案结果。 0015 第三方面， 本申请还提供一种计算机设备， 所述计算机设备包括处理器、 存储器、 以及存储在所述存储器上并可被所述处理器执行的计算机程序， 其中所述计算机程序被所 述处理器执行时， 实现如上述的判案结果确定方法的步骤。 说明书 1/10 页 4 CN 110825879 A 4 0016 第四方面， 本申请还提供一种计算机可读存储介质， 所述计算机可读存储介质上 存储有。

14、计算机程序， 其中所述计算机程序被处理器执行时， 实现如上述的判案结果确定方 法的步骤。 0017 本申请提供一种判案结果确定方法、 装置、 设备及计算机可读存储介质， 本申请通 过从判案数据中提取待构建的法律知识图谱的案件知识信息， 并基于案件知识信息构建法 律知识图谱， 再通过法律知识图谱可以快速准确的确定判案推理树， 最后基于法律知识图 谱和判案推理树可以快速准确确定案件的判案结果， 有效的提高判案结果的准确性和法官 判案的便利性。 附图说明 0018 为了更清楚地说明本申请实施例技术方案， 下面将对实施例描述中所需要使用的 附图作简单地介绍， 显而易见地， 下面描述中的附图是本申请的一。

15、些实施例， 对于本领域普 通技术人员来讲， 在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。 0019 图1为本申请实施例提供的一种判案结果确定方法的流程示意图； 0020 图2为本申请实施例中法律知识图谱的一示意图； 0021 图3为本申请实施例提供的另一种判案结果确定方法的流程示意图； 0022 图4为本申请实施例提供的一种判案结果确定装置的示意性框图； 0023 图5为本申请实施例提供的另一种判案结果确定装置的示意性框图； 0024 图6为本申请一实施例涉及的计算机设备的结构示意框图。 0025 本申请目的的实现、 功能特点及优点将结合实施例， 参照附图做进一步说明。 具。

16、体实施方式 0026 下面将结合本申请实施例中的附图， 对本申请实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例是本申请一部分实施例， 而不是全部的实施例。 基于本申 请中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例， 都属于本申请保护的范围。 0027 附图中所示的流程图仅是示例说明， 不是必须包括所有的内容和操作/步骤， 也不 是必须按所描述的顺序执行。 例如， 有的操作/步骤还可以分解、 组合或部分合并， 因此实际 执行的顺序有可能根据实际情况改变。 0028 本申请实施例提供一种判案结果确定方法、 装置、 设备及计算机可读存储介质。

17、。 其 中， 该判案结果确定方法可应用于服务器， 该服务器可以为单台的服务器， 也可以为由多台 服务器组成的服务器集群。 0029 下面结合附图， 对本申请的一些实施方式作详细说明。 在不冲突的情况下， 下述的 实施例及实施例中的特征可以相互组合。 0030 请参照图1， 图1为本申请的实施例提供的一种判案结果确定方法的流程示意图。 0031 如图1所示， 该判案结果确定方法包括步骤S101至步骤S104。 0032 步骤S101、 获取目标案件的判案数据， 并对所述判案数据进行信息提取处理， 以确 定待构建的法律知识图谱的案件知识信息。 0033 其中， 该案件知识信息包括基础案件知识信息、。

18、 争议焦点知识信息和证据知识信 说明书 2/10 页 5 CN 110825879 A 5 息， 该基础案件知识信息包括诉讼人物、 诉讼公司、 诉讼参与人关系、 原告、 被告、 诉请观点 和辩称观点等， 争议焦点知识信息包括争议焦点， 证据知识信息包括证据项、 证据类别和证 据属性， 该判案数据包括诉请文本、 辩护文本和证据信息， 该诉请文本包括原告信息和诉请 观点， 该辩护文本包括被告信息和辩称观点， 该证据信息包括但不限于书证信息、 物证信 息、 视听资料、 证人证言、 当事人陈述和鉴定结论。 证据属性是指证据的特征属性， 比如欠条 这一项证据有没有借款人签名。 0034 案件双方当事人通。

19、过终端设备将目标案件的诉请文本、 辩护文本和证据信息等判 案数据上传至服务器， 或者案件双方当事人通过线下的方式将目标案件的诉请文本、 辩护 文本和证据信息等判案数据提交给法院， 由法院的工作人员通过终端设备将案件双方当事 人提交的判案数据上传至服务器， 服务器存储目标案件的判案数据。 0035 当监测到触发的案件推理指令时， 根据该案件推理指令， 确定待推理的案件， 并将 待推理的案件作为目标案件， 然后获取目标案件的判案数据。 其中， 该案件推理指令的触发 方式包括实时触发和定时触发， 实时触发为当监测到终端设备发送的案件推理请求时， 从 该案件推理请求中获取待推理案件的案件编号， 触发包。

20、含该案件编号的案件推理指令； 定 时触发为服务器设置一定时任务， 通过该定时任务定时从待推理案件队列中获取一个案件 编号， 并触发包含该案件编号的案件推理指令。 0036 在获取到判案数据之后， 服务器对该判案数据进行处理， 以确定待构建的法律知 识图谱的案件知识信息。 具体地， 通过预设的基础案件知识提取模型对判案数据进行信息 提取处理， 以获取基础案件知识信息； 通过预设的证据知识提取模型对判案数据进行信息 提取处理， 以获取证据知识信息； 基于预设的争议焦点预测模型， 根据基础案件知识信息和 证据知识信息， 确定争议焦点知识信息。 0037 其中， 该基础案件知识提取模型为用于提取基础案。

21、件知识的正则表达式集合， 通 过该正则表达式集合中的正则表达式， 从该判案数据中提取基础案件知识信息。 需要说明 是的， 上述正则表达式可基于实际情况进行设置， 本申请对此不作具体限定。 0038 在一实施例中， 该证据知识提取模型包括证据项提取层、 证据分类层和证据属性 确定层， 通过该证据项提取层提取该判案数据中的证据语句以及每个证据语句中的证据 项； 通过该证据分类层， 确定每个证据项的证据类别， 并通过证据属性确定层， 确定每个证 据类别的证据属性； 将每个证据项、 每个证据项的证据类别以及每个证据类别的证据属性 作为证据知识信息。 0039 在一实施例中， 证据类别的确定方式具体为：。

22、 通过该证据分类层中的证据分类表 获取证据项的证据大类和该证据大类下的每个证据小类， 并通过余弦相似度公式计算证据 项与该证据大类下的每个证据小类对应的证据关键字之间的相似度， 然后将相似度最大的 证据小类， 确定为该证据项的证据类别。 需要说明的是， 该证据分类表可基于实际情况进行 设置， 本申请对此不作具体限定。 0040 在一实施例中， 证据属性的确定方式具体为： 通过证据属性确定层对于每一类证 据， 对该判案数据进行遍历， 确定每一类证据的上下文信息； 查询证据属性与证据关键字的 映射关系表， 从每一类证据的上下文信息中获取包含有证据关键字的目标证据语句， 以及 获取该目标证据语句对应。

23、的证据属性组； 将该目标证据语句和证据属性组进行拼接之后， 输入相似度计算模型， 计算证据属性组中每个证据属性与目标证据语句之间的相似度， 并 说明书 3/10 页 6 CN 110825879 A 6 将该相似度最高的证据属性作为对应证据类别的证据属性， 从而得到每个证据类别的证据 属性。 需要说明的是， 上述证据属性与证据关键字的映射关系表可基于实际情况进行设置， 本申请对此不作具体限定。 0041 其中， 上述证据项提取层是通过AutoNER(Auto Named Entity Recognition， Auto 命名实体识别)基于人工标注的样本数据训练得到的， AutoNER模型通过针。

24、对裁决文书训练 的词向量作为嵌入， 由于自动远程标注数据准确率太低， 故放弃此模块转而用人工标注的 数据进行训练， 用人工标注的样本数据的准确性较高， 此外， 为了防止过拟合， 在训练时采 用数据增强的方法， 即随机替换证据语句中不超过3个的词和/或调换证据语句中词语的顺 序。 上述相似度计算模型是基于法律语料对BERT模型的预训练模型进行重新训练得到的， 并将BERT模型的encoder模块(编码模块)减到3层， 且调整句子长度， 从而实现时间上的优 化， 此外， 针对训练任务， 获取干扰样本数据， 并基于干扰样本数据训练模型， 且将分类层接 到encoder层的位置。 AutoNER模型为。

25、一个无需人工标注就可以自动标记数据并训练命名实 体识别的模型， BERT模型是第一个深度、 双向和无监督的语言表示模型。 0042 在一实施例中， 争议焦点知识信息的确定方式具体为： 从基础案件知识信息中获 取原告诉请信息和被告辩称信息； 基于预设的争议焦点预测模型， 根据原告诉请信息、 被告 辩称信息和证据知识信息， 确定预设个数的候选争议焦点和每个候选争议焦点的输出概率 值； 根据每个候选争议焦点的输出概率值， 确定争议焦点知识信息， 即将该输出概率值最大 的候选争议焦点作为争议焦点知识信息。 其中， 每个候选争议焦点的该输出概率值为争议 焦点预测模型输出的争议焦点为每个候选争议焦点的概率。

26、值。 通过争议焦点预测模型可以 基于原告诉请信息和被告辩称信息， 较为准确的预测出目标案件的争议焦点。 0043 其中， 该争议焦点预测模型通过训练得到， 训练的方式具体为： 获取大数据量的样 本数据(原告诉请、 被告辩称和证据信息以及标注的争议焦点)， 并通过神经网络设计争议 焦点预测模型， 然后通过标注的样本数据对设计的争议焦点预测模型进行迭代训练， 直到 争议焦点预测模型收敛。 需要说明的是， 上述预设个数可基于实际情况进行设置， 本申请对 此不作具体限定。 0044 步骤S102、 根据所述案件知识信息和预设法条知识库， 构建所述目标案件的法律 知识图谱。 0045 服务器在确定目标案。

27、件的案件知识信息之后， 根据该案件知识信息和预设法条知 识库， 构建目标案件的法律知识图谱， 即从预设法条知识库中获取与该案件知识信息匹配 的法条知识， 并根据该案件知识信息和法条知识， 构建目标案件的法律知识图谱。 需要说明 的是， 上述预设法条知识库可基于实际情况进行设置， 本申请对此不作具体限定。 0046 其中， 法律知识图谱构建方式具体为： 将该法条知识中的法条以及案件知识信息 中的原告、 被告、 诉请观点、 辩称观点、 争议焦点、 事实要素和证据作为法律知识图谱的实体 节点， 并从法条知识和案件知识信息中获取每个实体节点之间的关系和属性(原告、 被告、 诉请观点、 辩称观点、 争议。

28、焦点、 事实要素、 证据和法条的具体值)， 然后基于实体节点、 实体 节点之间的关系和实体节点的属性， 构建目标案件的法律知识图谱。 0047 请参阅图2， 图2为本申请实施例中法律知识图谱的一示意图， 如图2所示， 法律知 识图谱的实体节点为原告、 被告、 诉请观点、 辩称观点、 争议焦点、 事实要素、 证据和法条， 且 事实要素包括小要素1、 小要素2和小要素3。 说明书 4/10 页 7 CN 110825879 A 7 0048 步骤S103、 根据所述法律知识图谱， 确定所述目标案件的判案推理树， 并根据所述 法律知识图谱和判案推理树， 确定所述目标案件的判案结果。 0049 其中，。

29、 服务器针对每个或每类争议焦点， 运行判案推理树生成程序基于历史案件 的法律知识图谱， 生成每个或每类争议焦点对应的至少一个判案推理树， 并将每个或每类 争议焦点和至少一个判案推理树进行关联存储。 该判案推理树包括争议焦点层、 大事实要 素层、 小事实要素层和证据层， 且每一个判案推理树包含一个争议焦点、 一个大事实要素、 多个小事实要素和多个证据。 0050 在构建得到目标案件的法律知识图谱之后， 根据目标案件的法律知识图谱， 确定 判案推理树， 即从法律知识图谱中获取目标案件的争议焦点信息， 并根据该争议焦点信息， 确定该目标案件的判案推理树； 根据该法律知识图谱和判案推理树， 确定目标案。

30、件的判案 结果， 即从该法律知识图谱中获取每个实体节点的属性信息， 形成属性数据， 并从该属性数 据中获取该目标案件的争议焦点知识、 事实要素知识和证据知识， 然后基于该判案推理树、 事实要素知识和证据知识， 对目标案件的判案结果进行确定， 即可得到目标案件的争议焦 点是否成立的判案结果。 0051 在一实施例中， 判案推理树的确定方式具体为： 确定是否存在与目标案件的争议 焦点信息关联的判案推理树， 如果存在与目标案件的争议焦点信息关联的判案推理树， 则 将与目标案件的争议焦点信息关联的判案推理树作为该目标案件的判案推理树。 0052 在一实施例中， 如果不存在与目标案件的争议焦点信息关联的。

31、判案推理树， 则确 定目标案件的争议焦点信息所属的争议焦点类别， 并获取争议焦点类别对应的多个判案推 理树； 计算法律知识图谱与每个判案推理树之间的相似度， 并根据法律知识图谱与每个判 案推理树之间的相似度， 确定目标案件的判案推理树， 即将该相似度最大的判案推理树作 为该目标案件的判案推理树。 0053 其中， 相似度的计算方式具体为： 从法律知识图谱中获取争议焦点知识、 事实要素 知识和证据知识， 并从判案推理树中获取争议焦点信息、 事实要素信息和证据信息； 计算争 议焦点知识与争议焦点信息之间的第一相似度、 事实要素知识与事实要素信息之间的第二 相似度以及证据知识与证据信息之间的第三相似。

32、度； 计算第一相似度、 第二相似度和第三 相似度分别与各自对应的预设权重系数的乘积， 得到第一权重相似度、 第二权重相似度和 第三权重相似度， 将第一权重相似度、 第二权重相似度与第三权重相似度的和， 作为法律知 识图谱与判案推理树之间的相似度。 需要说明的是， 上述预设权重系数可基于实际情况进 行设置， 本申请对此不作具体限定。 可选地， 第一相似度、 第二相似度和第三相似度分别与 各自对应的预设权重系数之和为1。 0054 上述实施例提供的判案结果确定方法， 通过从判案数据中提取待构建的法律知识 图谱的案件知识信息， 并基于案件知识信息构建法律知识图谱， 再通过法律知识图谱可以 快速准确的。

33、确定判案推理树， 最后基于法律知识图谱和判案推理树可以快速准确确定案件 的判案结果， 有效的提高判案结果的准确性和法官判案的便利性。 0055 请参照图3， 图3为本申请实施例提供的另一种判案结果确定方法的流程示意图。 0056 如图3所示， 该判案结果确定方法包括步骤S201至205。 0057 步骤S201、 获取目标案件的判案数据， 并对所述判案数据进行信息提取处理， 以确 定待构建的法律知识图谱的案件知识信息。 说明书 5/10 页 8 CN 110825879 A 8 0058 在获取到判案数据之后， 服务器对该判案数据进行处理， 以确定待构建的法律知 识图谱的案件知识信息。 具体地。

34、， 通过预设的基础案件知识提取模型对判案数据进行信息 提取处理， 以获取基础案件知识信息； 通过预设的证据知识提取模型对判案数据进行信息 提取处理， 以获取证据知识信息； 基于预设的争议焦点预测模型， 根据基础案件知识信息和 证据知识信息， 确定争议焦点知识信息。 基础案件知识提取模型、 证据知识提取模型和争议 焦点预测模型的详细描述可参照上述实施例， 在此不做赘述。 0059 步骤S202、 根据所述案件知识信息和预设法条知识库， 构建所述目标案件的法律 知识图谱。 0060 服务器在确定目标案件的案件知识信息之后， 根据该案件知识信息和预设法条知 识库， 构建目标案件的法律知识图谱， 即从。

35、预设法条知识库中获取与该案件知识信息匹配 的法条知识， 并根据该案件知识信息和法条知识， 构建目标案件的法律知识图谱。 需要说明 的是， 上述预设法条知识库可基于实际情况进行设置， 本申请对此不作具体限定。 0061 步骤S203、 根据所述法律知识图谱， 确定所述目标案件的判案推理树， 并根据所述 法律知识图谱和判案推理树， 确定所述目标案件的判案结果。 0062 在构建得到目标案件的法律知识图谱之后， 根据目标案件的法律知识图谱， 确定 判案推理树， 即从法律知识图谱中获取目标案件的争议焦点信息， 并根据该争议焦点信息， 确定该目标案件的判案推理树； 根据该法律知识图谱和判案推理树， 确定。

36、目标案件的判案 结果， 即从该法律知识图谱中获取每个实体节点的属性信息， 形成属性数据， 并从该属性数 据中获取该目标案件的争议焦点知识、 事实要素知识和证据知识， 然后基于该判案推理树、 事实要素知识和证据知识， 对目标案件的判案结果进行确定， 即可得到目标案件的争议焦 点是否成立的判案结果。 0063 步骤S204、 当检测到所述法律知识图谱中的证据知识更新时， 从所述法律知识图 谱中获取争议焦点知识、 事实要素知识以及更新后的证据知识。 0064 目标案件双方的当事人或者法院的工作人员， 可以更新存储在服务器的法律知识 图谱中的证据知识， 证据知识的更新包括证据项的增删改操作和证据属性的。

37、增删改操作 等。 当检测到律知识图谱中的证据知识更新时， 服务器从法律知识图谱中获取争议焦点知 识、 事实要素知识以及更新后的证据知识。 0065 步骤S205、 基于所述判案推理树， 根据所述争议焦点知识、 事实要素知识以及更新 后的证据知识， 重新确定所述目标案件的判案结果。 0066 服务器可基于判案推理树， 根据争议焦点知识、 事实要素知识以及更新后的证据 知识， 重新确定目标案件的判案结果， 从而得到目标案件的争议焦点是否成立的判案结果。 0067 上述实施例提供的判案结果确定方法， 通过对法律知识图谱中的证据知识进行更 新， 可以基于判案推理树和更新后的证据知识， 及时的重新确定目。

38、标案件的判案结果， 提高 判案结果的准确性， 极大的提高了用户体验。 0068 请参照图4， 图4为本申请实施例提供的一种判案结果确定装置的示意性框图。 0069 如图4所示， 该判案结果确定装置300， 包括： 获取模块301、 处理模块302、 图谱构建 模块303、 确定模块304和判案确定模块305。 0070 获取模块301， 用于获取目标案件的判案数据； 0071 处理模块302， 用于对所述判案数据进行信息提取处理， 以确定待构建的法律知识 说明书 6/10 页 9 CN 110825879 A 9 图谱的案件知识信息； 0072 图谱构建模块303， 用于根据所述案件知识信息和。

39、预设法条知识库， 构建所述目标 案件的法律知识图谱； 0073 确定模块304， 用于根据所述法律知识图谱， 确定所述目标案件的判案推理树； 0074 判案确定模块305， 用于根据所述法律知识图谱和判案推理树， 确定所述目标案件 的判案结果。 0075 在一个实施例中， 所述处理模块302， 还用于通过预设的基础案件知识提取模型对 所述判案数据进行信息提取处理， 以获取基础案件知识信息； 通过预设的证据知识提取模 型对所述判案数据进行信息提取处理， 以获取证据知识信息； 基于预设的争议焦点预测模 型， 根据所述基础案件知识信息和证据知识信息， 确定争议焦点知识信息。 0076 在一个实施例中。

40、， 所述处理模块302， 还用于通过所述证据项提取层提取所述判案 数据中的证据语句以及每个所述证据语句中的证据项； 通过所述证据分类层， 确定每个所 述证据项的证据类别， 并通过所述证据属性确定层， 确定每个所述证据类别的证据属性； 将 每个所述证据项、 每个所述证据项的证据类别以及每个所述证据类别的证据属性作为证据 知识信息。 0077 在一个实施例中， 所述处理模块302， 还用于从所述基础案件知识信息中获取原告 诉请信息和被告辩称信息； 基于预设的争议焦点预测模型， 根据所述原告诉请信息、 被告辩 称信息和证据知识信息， 确定预设个数的候选争议焦点和每个所述候选争议焦点的输出概 率值； 。

41、根据每个所述候选争议焦点的输出概率值， 确定争议焦点知识信息。 0078 在一个实施例中， 所述确定模块304， 还用于确定所述争议焦点信息所属的争议焦 点类别， 并获取所述争议焦点类别对应的多个判案推理树； 计算所述法律知识图谱与每个 所述判案推理树之间的相似度； 根据所述法律知识图谱与每个所述判案推理树之间的相似 度， 确定所述目标案件的判案推理树。 0079 在一个实施例中， 所述确定模块304， 还用于确定是否存在与所述争议焦点信息关 联的判案推理树； 若存在与所述争议焦点信息关联的判案推理树， 则将与所述争议焦点信 息关联的判案推理树作为所述目标案件的判案推理树； 若不存在与所述争议。

42、焦点信息关联 的判案推理树， 则执行步骤： 确定所述争议焦点信息所属的争议焦点类别， 并获取所述争议 焦点类别对应的多个判案推理树。 0080 请参照图5， 图5为本申请实施例提供的另一种判案结果确定装置的示意性框图。 0081 如图5所示， 该判案结果确定装置400， 包括： 获取模块401、 处理模块402、 图谱构建 模块403、 确定模块404、 判案确定模块405和更新与获取模块406。 0082 获取模块401， 用于获取目标案件的判案数据； 0083 处理模块402， 用于对所述判案数据进行信息提取处理， 以确定待构建的法律知识 图谱的案件知识信息； 0084 图谱构建模块403。

43、， 用于根据所述案件知识信息和预设法条知识库， 构建所述目标 案件的法律知识图谱； 0085 确定模块404， 用于根据所述法律知识图谱， 确定所述目标案件的判案推理树； 0086 判案确定模块405， 用于根据所述法律知识图谱和判案推理树， 确定所述目标案件 的判案结果； 说明书 7/10 页 10 CN 110825879 A 10 0087 更新与获取模块406， 还用于当检测到所述法律知识图谱中的证据知识更新时， 从 所述法律知识图谱中获取争议焦点知识、 事实要素知识以及更新后的证据知识； 0088 所述判案确定模块405， 还用于基于所述判案推理树， 根据所述争议焦点知识、 事 实要。

44、素知识以及更新后的证据知识， 重新确定所述目标案件的判案结果。 0089 需要说明的是， 所属领域的技术人员可以清楚地了解到， 为了描述的方便和简洁， 上述描述的装置和各模块及单元的具体工作过程， 可以参考前述判案结果确定方法实施例 中的对应过程， 在此不再赘述。 0090 上述实施例提供的装置可以实现为一种计算机程序的形式， 该计算机程序可以在 如图6所示的计算机设备上运行。 0091 请参阅图6， 图6为本申请实施例提供的一种计算机设备的结构示意性框图。 该计 算机设备可以为服务器。 0092 如图6所示， 该计算机设备包括通过系统总线连接的处理器、 存储器和网络接口， 其中， 存储器可以。

45、包括非易失性存储介质和内存储器。 0093 非易失性存储介质可存储操作系统和计算机程序。 该计算机程序包括程序指令， 该程序指令被执行时， 可使得处理器执行任意一种判案结果确定方法。 0094 处理器用于提供计算和控制能力， 支撑整个计算机设备的运行。 0095 内存储器为非易失性存储介质中的计算机程序的运行提供环境， 该计算机程序被 处理器执行时， 可使得处理器执行任意一种判案结果确定方法。 0096 该网络接口用于进行网络通信， 如发送分配的任务等。 本领域技术人员可以理解， 图6中示出的结构， 仅仅是与本申请方案相关的部分结构的框图， 并不构成对本申请方案所 应用于其上的计算机设备的限定。

46、， 具体的计算机设备可以包括比图中所示更多或更少的部 件， 或者组合某些部件， 或者具有不同的部件布置。 0097 应当理解的是， 处理器可以是中央处理单元(Central Processing Unit， CPU)， 该 处理器还可以是其他通用处理器、 数字信号处理器(Digital Signal Processor， DSP)、 专 用集成电路(Application Specific Integrated Circuit， ASIC)、 现场可编程门阵列 (Field-Programmable Gate Array， FPGA)或者其他可编程逻辑器件、 分立门或者晶体管逻 辑器件、 分立。

47、硬件组件等。 其中， 通用处理器可以是微处理器或者该处理器也可以是任何常 规的处理器等。 0098 其中， 在一个实施例中， 所述处理器用于运行存储在存储器中的计算机程序， 以实 现如下步骤： 0099 获取目标案件的判案数据， 并对所述判案数据进行信息提取处理， 以确定待构建 的法律知识图谱的案件知识信息； 0100 根据所述案件知识信息和预设法条知识库， 构建所述目标案件的法律知识图谱； 0101 根据所述法律知识图谱， 确定所述目标案件的判案推理树， 并根据所述法律知识 图谱和判案推理树， 确定所述目标案件的判案结果。 0102 在一个实施例中， 所述案件知识信息包括基础案件知识信息、 。

48、争议焦点知识信息 和证据知识信息， 所述处理器在实现对所述判案数据进行信息提取处理， 以确定待构建的 法律知识图谱的案件知识信息时， 用于实现： 0103 通过预设的基础案件知识提取模型对所述判案数据进行信息提取处理， 以获取基 说明书 8/10 页 11 CN 110825879 A 11 础案件知识信息； 0104 通过预设的证据知识提取模型对所述判案数据进行信息提取处理， 以获取证据知 识信息； 0105 基于预设的争议焦点预测模型， 根据所述基础案件知识信息和证据知识信息， 确 定争议焦点知识信息。 0106 在一个实施例中， 所述证据知识提取模型包括证据项提取层、 证据分类层和证据 。

49、属性确定层， 所述处理器在实现通过预设的证据知识提取模型对所述判案数据进行信息提 取处理， 以获取证据知识信息时， 用于实现： 0107 通过所述证据项提取层提取所述判案数据中的证据语句以及每个所述证据语句 中的证据项； 0108 通过所述证据分类层， 确定每个所述证据项的证据类别， 并通过所述证据属性确 定层， 确定每个所述证据类别的证据属性； 0109 将每个所述证据项、 每个所述证据项的证据类别以及每个所述证据类别的证据属 性作为证据知识信息。 0110 在一个实施例中， 所述处理器在实现基于预设的争议焦点预测模型， 根据所述基 础案件知识信息和证据知识信息， 确定争议焦点知识信息时， 。

50、用于实现： 0111 从所述基础案件知识信息中获取原告诉请信息和被告辩称信息； 0112 基于预设的争议焦点预测模型， 根据所述原告诉请信息、 被告辩称信息和证据知 识信息， 确定预设个数的候选争议焦点和每个所述候选争议焦点的输出概率值； 0113 根据每个所述候选争议焦点的输出概率值， 确定争议焦点知识信息。 0114 在一个实施例中， 所述处理器在实现根据所述法律知识图谱， 确定所述目标案件 的判案推理树时， 用于实现： 0115 确定所述争议焦点信息所属的争议焦点类别， 并获取所述争议焦点类别对应的多 个判案推理树； 0116 计算所述法律知识图谱与每个所述判案推理树之间的相似度； 01。