(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 202210065479.1 (22)申请日 2022.01.20 (71)申请人 北京北大英华科技有限公司 地址 100080 北京市海淀区中关村大街27 号中关村大厦9层901-902室 (72)发明人 梁鸿翔　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 李慧引 (51)Int.Cl. G06F 16/335(2019.01) G06F 40/194(2020.01) G06F 40/289(2020.01) G06F 40/30(2020.01) G06F 16/35(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/18(2012.01) (54)发明名称 一种基于复合投票机制的类案推送方法及 装置 (57)摘要 本申请公开了一种基于复合投票机制的类 案推送方法及装置， 将信息网络输入至预设的非 监督学习模 型中， 得到与案情描述之间的相似度 大于预设阈值的多个裁判文书。 将 案情描述的文 本嵌入矩阵， 输入至监督学习模型中， 得到案情 描述的罪名。 将与案情描述之间的相似度大于预 设阈值的多个裁判文书、 以及案情描述的罪名， 作为投票机制的参考依据， 并利用投票机制从各 个裁判文书中选取出目标裁判文书， 作为对外推 送的裁判文书。 将非监督学习模型的输出结果 (即与案情描述之间的相似度大于预设阈值的多 个裁判文书)、 以及监督学习模型的输出结果， 作 为投票机制的参考依据， 并利用投票机制从各个 裁判文书中选取出目标裁判文书， 能显著提高类 案推送的准确性。 权利要求书2页 说明书12页 附图5页 CN 114416965 A 2022.04.29 CN 114416965 A 1.一种基于复合投票机制的类案推送方法， 其特 征在于， 包括： 将信息网络输入至预设的非监督学习 模型中， 得到与案情描述之间的相似度 大于预设 阈值的多个裁判文书； 所述信息网络基于所述案情描述、 所述裁判文书、 以及案件实体之间 的关联关系 预先构建； 所述关联关系基于预设的文本嵌入模型对所述案前描述、 以及所述 裁判文书进行案件实体识别得到； 将所述案情描述的文本嵌入矩阵， 输入至监督学习模型中， 得到所述案情描述的罪名； 所述监督学习模型基于样本裁判文书的文本嵌入矩阵预先训练得到； 所述案情描述的文本 嵌入矩阵， 基于所述文本嵌入 模型对所述案情描述进行文本嵌入矩阵化得到； 将所述与案情描述之间的相似度大于预设阈值的多个裁判 文书、 以及所述案情描述的 罪名， 作为投票机制的参考依据， 并利用所述投票机制从各个所述裁判文书中选取出目标 裁判文书， 作为对外推送的裁判文 书。 2.根据权利要求1所述的方法， 其特征在于， 所述利用所述投票机制从各个所述裁判 文 书中选取 出目标裁判文 书， 作为对外推送的裁判文 书， 包括： 所述投票机制， 用于： 预先统计各个所述裁判文书的罪名， 得到罪名序列； 其中， 所述罪名序列中的各项罪 名， 依据所包 含的裁判文 书的数量从多到少的顺序进行排序； 在所述案情描述的罪名位于所述罪名 序列的前m位， 且位于所述罪名 序列中第一序位 的罪名所包含的裁判文书的数量大于预设数值的情况下， 按照所述裁判文书与所述案情描 述之间的相似度从高到低的顺序， 对所述第一序位的罪名所包含的多个裁判文书进行排 序， 得到第一文书序列， 并将所述第一文书序列中前k位的裁判文书， 作为目标裁判文书； 其 中， m和k均为 正整数。 3.根据权利要求2所述的方法， 其特 征在于， 还 包括： 所述投票机制， 还用于： 在所述案情描述的罪名位于所述罪名 序列的前m位， 且位于所述罪名 序列中第一序位 的罪名所包含的裁判文书的数量不大于所述预设数值的情况下， 按照所述裁判文书与所述 案情描述之 间的相似度从 高到低的顺序， 对所述案情描述的罪名所包含的多个裁判文书进 行排序， 得到第二文书序列， 并第二文书序列中前k位的裁判文书， 作为目标裁判文书； 其 中， m和k均为 正整数。 4.根据权利要求2所述的方法， 其特 征在于， 还 包括： 所述投票机制， 还用于： 在所述案情描述的罪名没有位于所述罪名 序列的前m位的情况下， 按照所述裁判文书 与所述案情描述之 间的相似度从 高到低的顺序， 对所述与案情描述之 间的相似度大于预设 阈值的多个裁判文书进 行排序， 得到第三文书序列， 并将所述第三文书序列中前k位的裁判 文书， 作为目标裁判文 书； 其中， m和k均为 正整数。 5.根据权利要求1所述的方法， 其特征在于， 所述将信 息网络输入至预设的非监督学习 模型中， 得到与案情描述之间的相似度大于预设阈值的多个裁判文 书， 包括： 将信息网络输入至预设的非监督学习模型中， 得到案情描述的网络表示、 以及各个裁 判文书的网络表示； 针对每个裁判文书， 基于所述案情描述的网络表示、 以及所述裁判 文书的网络表示， 计权　利　要　求　书 1/2 页 2 CN 114416965 A 2算所述裁判文 书与所述案情描述之间的相似度； 按照所述裁判 文书与所述案情描述之间的相似度从高到低的顺序， 对各个所述裁判 文 书进行排序， 得到文 书序列； 确定所述文 书序列中前n 位的裁判文 书均大于预设阈值； 其中， n 为正整数。 6.根据权利要求1所述的方法， 其特 征在于， 还 包括： 从所述信息网络中获取与新建裁判文 书关联的各个案件实体的向量表示； 计算各个所述案件实体的向量表示的算 术平均， 得到所述 新建裁判文 书的网络表示； 基于所述案情描述的网络表示、 以及所述新建裁判文书的网络表示， 计算所述新建裁 判文书与所述案情描述之间的相似度； 在所述新建裁判 文书与所述案情描述之间的相似度 大于所述预设阈值的情况下， 将所 述新建裁判文 书纳入所述 参考依据。 7.一种基于复合投票机制的类案推送装置， 其特 征在于， 包括： 网络筛选单元， 用于将信息网络输入至预设的非监督学习模型中， 得到与案情描述之 间的相似度大于预设阈值的多个裁判文书； 所述信息网络基于所述案情描述、 所述裁判文 书、 以及案件实体之间的关联关系 预先构建； 所述关联关系基于预设的文本嵌入模型对所 述案前描述、 以及所述裁判文 书进行案件实体识别得到； 罪名预测单元， 用于将所述案情描述的文本嵌入矩阵， 输入至监督学习模型中， 得到所 述案情描述的罪名； 所述监督学习模型基于样本裁判文书的文本嵌入矩阵预先训练得到； 所述案情描述的文本嵌入矩阵， 基于所述文本嵌入模型对所述案情描述进 行文本嵌入矩阵 化得到； 投票筛选单元， 用于将所述与案情描述之间的相似度大于预设阈值的多个裁判文书、 以及所述案情描述的罪名， 作为投票机制的参考依据， 并利用所述投票机制从各个所述裁 判文书中选取 出目标裁判文 书， 作为对外推送的裁判文 书。 8.根据权利要求7 所述的装置， 其特 征在于， 还 包括： 文书筛选单元， 用于从所述信 息网络中获取与新建裁判 文书关联的各个案件实体的向 量表示； 计算各个所述案件实体的向量表示的算术平均， 得到所述新建裁判文书的网络表 示； 基于所述案情描述的网络表示、 以及所述新建裁判文书的网络表示， 计算所述新建裁判 文书与所述案情描述之 间的相似度； 在所述新建裁判文书与所述案情描述之间的相似度大 于所述预设阈值的情况 下， 将所述 新建裁判文 书纳入所述 参考依据。 9.一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包括存储的程序， 其中， 所述 程序执行权利要求1 ‑6任一所述的基于复合投票机制的类案推送方法。 10.一种基于复合投票机制的类案推送设备， 其特征在于， 包括： 处理器、 存储器和总 线； 所述处 理器与所述存 储器通过 所述总线连接； 所述存储器用于存储程序， 所述处理器用于运行程序， 其中， 所述程序运行时执行权利 要求1‑6任一所述的基于复合投票机制的类案推送方法。权　利　要　求　书 2/2 页 3 CN 114416965 A 3