-
公开(公告)号：CN112100321B
公开(公告)日：2022-11-15
申请号：CN202010760699.7
申请日：2020-07-31
Applicant: 东南大学
IPC: G06F16/33 , G06F40/295 , G06Q50/18
Abstract: 一种基于网络表示学习的相似案例推荐方法，主要用于给定法律文书的情况下在庞大的法律文书数据库中找出该法律文书最相似的10篇法律文书。本发明以互联网上的法律文书作为起点，利用爬虫技术爬取大量的法律文书，利用正则表达式对法律文书进行初步处理；利用爬虫技术爬取大量的法律实体，并通过bert计算法律实体与法律实体之间的相似度，达到阈值的法律实体之间构建相似实体关系，利用法律实体和法律文书构建法律知识网络，并将构建完成的网络输入到网络表示学习模型中，得到法律文书的向量值，利用余弦相似度计算得到该法律文书最相似的10篇文书。
-
公开(公告)号：CN112100321A
公开(公告)日：2020-12-18
申请号：CN202010760699.7
申请日：2020-07-31
Applicant: 东南大学
IPC: G06F16/33 , G06F40/295 , G06Q50/18
Abstract: 一种基于网络表示学习的相似案例推荐方法，主要用于给定法律文书的情况下在庞大的法律文书数据库中找出该法律文书最相似的10篇法律文书。本发明以互联网上的法律文书作为起点，利用爬虫技术爬取大量的法律文书，利用正则表达式对法律文书进行初步处理；利用爬虫技术爬取大量的法律实体，并通过bert计算法律实体与法律实体之间的相似度，达到阈值的法律实体之间构建相似实体关系，利用法律实体和法律文书构建法律知识网络，并将构建完成的网络输入到网络表示学习模型中，得到法律文书的向量值，利用余弦相似度计算得到该法律文书最相似的10篇文书。
-
公开(公告)号：CN110879842A
公开(公告)日：2020-03-13
申请号：CN201910980158.2
申请日：2019-10-15
Applicant: 东南大学
IPC: G06F16/36 , G06F16/9535 , G06F40/295 , G06F40/30
Abstract: 本发明涉及一种基于信息抽取的法律知识图谱构建方法，所述方法包括以下步骤：步骤1)从网络中爬取大量法律文书和法律实体；步骤2)从百度百科中抽取和法律相关的法律实体；步骤3)融合爬取得到的法律实体和百度百科中抽取得到的法律实体，并将法律实体链接至法律文书，构建法律实体与法律文书之间的网络；步骤4)利用实体描述和实体名称构建实体网络，基于实体结构信息构建实体相似度网络。步骤5)抽取法律文书中的三元组，结合法律实体构建法律知识图谱。
-
Patent Agency Ranking
公开(公告)号：CN109241285A
公开(公告)日：2019-01-18
申请号：CN201811001531.7
申请日：2018-08-29
Applicant: 东南大学
Abstract: 一种基于机器学习的辅助司法案件判决的装置，利用大量文书数据，训练模型学习案件事实描述与罚金范围和相关法律条文之间的关联，实现对任意给定案件事实描述文本的罚金额度范围和法条标签进行预测。包括：确定给定案件事实描述文本中专有名词并去专有名词处理；从文本中抽取多种语义特征，实现更深层次的语义表示；基于多标记分类的机器学习方法实现对法条的分类，得到与案件事实描述文本相关的法条标签；基于机器学习的单标记分类训练模型预测相关案情可能的罚金范围。本发明首次将机器学习运用于司法领域，多种特征抽取方式实现更深层次的语义表示，很好的提升训练模型的准确率与泛化能力，对于案件最终判刑有较高参考意义，有助于“同案同判”的实现。
-
公开(公告)号：CN113127623B
公开(公告)日：2024-11-19
申请号：CN202110490812.9
申请日：2021-05-06
Applicant: 东南大学
IPC: G06F16/332 , G06F16/33 , G06F16/36 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于混合专家模型和联合学习的知识库问题生成方法，主要用于给定知识图谱三元组子图、答案和复杂关系信息的情况下生成与给定三元组子图相关的，可被答案回答的，并且对应给定关系信息的、多样化的复杂自然语言表述问题。本发明使用图神经网络对输入三元组子图进行编码，得到输入子图的向量表示。使用Transformer网络进行解码，生成问题。在解码过程中结合复杂问题场景，使用隐变量建模有效表示关系的结构信息。此外使用混合专家模型，指导问题生成，提升生成问题的多样性。最后使用知识图谱问答任务与知识图谱问题生成任务联合训练，用于约束问题生成过程，使生成的问题包含期望的复杂关系信息，实现生成复杂问题的目的。
-
公开(公告)号：CN110889502B
公开(公告)日：2024-02-06
申请号：CN201910980161.4
申请日：2019-10-15
Applicant: 东南大学
IPC: G06Q50/18 , G06F40/289 , G06F18/214 , G06N3/0442 , G06N3/08 , G06F16/9032
Abstract: 本发明涉及一种基于深度学习的争议焦点生成方法，所述方法包括以下步骤：步骤1)从网络中爬取大量裁判文书；步骤2)利用正则表达式方法对裁判文书进行初步的清洗和整理，抽取出裁判文书中的原告诉称和被告辩称，并对每一对原告诉称和被告辩称进行人工标注，将原告诉称和被告辩称以及人工标注的数据集，以1：1：1的比例构建成训练集；步骤3)使用深度学习中的seq2seq文本生成模型和attention模型对所述步骤2)最终得到的训练数据集进行训练后，导出该训练数据集对应的生成器模型；步骤4)对步骤3)中训练得到的文本生成器，利用训练完成的生成器从未标注的原告诉称和被告辩称中生成双方的争议焦点。
-
公开(公告)号：CN113127623A
公开(公告)日：2021-07-16
申请号：CN202110490812.9
申请日：2021-05-06
Applicant: 东南大学
IPC: G06F16/332 , G06F16/33 , G06F16/36 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于混合专家模型和联合学习的知识库问题生成方法，主要用于给定知识图谱三元组子图、答案和复杂关系信息的情况下生成与给定三元组子图相关的，可被答案回答的，并且对应给定关系信息的、多样化的复杂自然语言表述问题。本发明使用图神经网络对输入三元组子图进行编码，得到输入子图的向量表示。使用Transformer网络进行解码，生成问题。在解码过程中结合复杂问题场景，使用隐变量建模有效表示关系的结构信息。此外使用混合专家模型，指导问题生成，提升生成问题的多样性。最后使用知识图谱问答任务与知识图谱问题生成任务联合训练，用于约束问题生成过程，使生成的问题包含期望的复杂关系信息，实现生成复杂问题的目的。
-
公开(公告)号：CN110889502A
公开(公告)日：2020-03-17
申请号：CN201910980161.4
申请日：2019-10-15
Applicant: 东南大学
IPC: G06N3/08 , G06K9/62 , G06F40/289 , G06F16/951 , G06Q50/18
Abstract: 本发明涉及一种基于深度学习的争议焦点生成方法，所述方法包括以下步骤：步骤1)从网络中爬取大量裁判文书；步骤2)利用正则表达式方法对裁判文书进行初步的清洗和整理，抽取出裁判文书中的原告诉称和被告辩称，并对每一对原告诉称和被告辩称进行人工标注，将原告诉称和被告辩称以及人工标注的数据集，以1：1：1的比例构建成训练集；步骤3)使用深度学习中的seq2seq文本生成模型和attention模型对所述步骤2)最终得到的训练数据集进行训练后，导出该训练数据集对应的生成器模型；步骤4)对步骤3)中训练得到的文本生成器，利用训练完成的生成器从未标注的原告诉称和被告辩称中生成双方的争议焦点。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
