案件的处理方法、装置和系统与流程

本申请涉及法律领域，具体而言，涉及一种案件的处理方法、装置和系统。

背景技术：

随着互联网的发展，许多设备实现了智能化，为人们的生活和工作带来了许多便利。其中，智能司法系统或者互联网法院等智能系统通过ocr(opticalcharacterrecognition，光学字符识别)技术将纸张或图片形式的信息转换为文字消息，并将抽取到的多个文字消息进行信息结构化处理，进而使用户(例如，法律工作者)通过互联网即可完成交易纠纷、知识产权类案件的裁判，从而降低了法律工作者的工作负担，提高了法律工作者的工作效率。

然而，现有的智能司法系统或互联网法院等智能系统，无法对法律案件中的风险点进行准确评估。由于风险点对法律案件的裁判结果影响较大，因此，如果法律案件中的风险点无法准确评估，最终得到的法律案件的裁判结果也可能不准确。

针对上述相关技术中由于风险点识别不准确导致法律案件的裁判结果的准确度的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种案件的处理方法、装置和系统，以至少解决相关技术中由于风险点识别不准确导致法律案件的裁判结果的准确度低的技术问题。

根据本发明实施例的一个方面，提供了一种案件的处理方法，包括：基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

根据本发明实施例的另一方面，还提供了一种案件的处理方法，包括：显示待裁判案件的案件信息；显示案件信息在法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；显示基于多个节点的可信度以及法律知识图谱确定的风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；输出基于风险点的认定结果对裁判结果的调整结果。

根据本发明实施例的另一方面，还提供了一种案件的处理装置，包括：第一确定模块，用于基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；第二确定模块，用于根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；调整模块，用于基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

根据本发明实施例的另一方面，还提供了一种案件的处理装置，包括：第一显示模块，用于显示待裁判案件的案件信息；第二显示模块，用于显示案件信息在法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；第三显示模块，用于显示基于多个节点的可信度以及法律知识图谱确定的风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；输出模块，用于输出基于风险点的认定结果对裁判结果的调整结果。

根据本发明实施例的另一方面，还提供了一种案件的处理系统，包括：输入装置，用于获取待裁判案件的案件信息；处理器，用于基于案件信息确定法律知识图谱中多个节点的可信度，并根据多个节点的可信度以及法律知识图谱确定风险点，然后基于风险点的认定结果对待裁判案件的裁判结果进行调整，得到目标裁判结果，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门，风险点为案件信息中可信度低于预设可信度，且对裁判结果的影响程度大于预设影响程度的节点；显示器，用于显示目标裁判结果。

根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行如下步骤：基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

根据本发明实施例的另一方面，还提供了一种计算设备，包括处理器，处理器用于运行程序，其中，程序运行时执行如下步骤：基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

在本发明实施例中，采用基于法律知识图谱的处理方式，在得到待裁判案件的案件信息之后，审判系统基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，并根据多个节点的可信度以及法律知识图谱确定风险点，然后基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点。

在上述过程中，由于风险点与案件信息在法律知识图谱中节点的可信度有关，因此，对每个节点的可信度进行分析处理，可以自动确定案件信息中的风险点，在整个过程中无需人工参与，提高了风险点的认定效率。另外，为了提高案件裁判结果的准确率，在得到案件信息的风险点之后，审判系统还接收法律工作者针对风险点的认定结果进行校正，进而对案件的裁判结果进行调整，从而提高了裁判结果的准确性。

由此可见，通过本申请的上述方案可以得到准确的风险点，保证了待裁判案件的裁判结果的准确性，进而解决了相关技术中由于风险点识别不准确导致法律案件的裁判结果的准确度低的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种用于实现案件的裁判方法的计算机终端(或移动设备)的硬件结构框图；

图2是根据本申请实施例的一种可选的审判系统的结构示意图；

图3是根据本申请实施例的一种案件的处理方法的流程图；

图4是根据本申请实施例的一种可选的法律知识图谱的示意图；

图5是根据本申请实施例的一种可选的审判系统的显示界面示意图；

图6是根据本申请实施例的一种可选的法律知识图谱的示意图；

图7是根据本申请实施例的一种案件的处理方法的流程图；

图8是根据本申请实施例的一种案件的处理装置的结构示意图；

图9是根据本申请实施例的一种案件的处理装置的结构示意图；以及

图10是根据本申请实施例的一种计算设备的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本申请实施例，还提供了一种案件的处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现案件的处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的案件的处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的案件的处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。

在上述运行环境下，本申请构建了如图2所示的审判系统的结构示意图，由图2可知，本申请的审判系统主要包括六个模块，分别为信息抽取模块、知识图谱构建模块、裁判推理模块、风险识别模块、反馈模块以及结果生成模块。其中，信息抽取模块用于为知识图谱构建模块以及裁判推理模块提供数据源；知识图谱构建模块用于构建法律知识图谱；裁判推理模块，用于根据用户对裁判结果的反馈信息生成待裁判案件的裁判结果；风险识别模块用于识别案件信息中的风险点；反馈模块用于接收用户针对风险点的认定结果的反馈信息；结果生成模块用于根据反馈模块反馈的反馈信息以及裁判推理模块的推理结果生成待裁判案件的裁判结果和/或生成裁判文书。

需要说明的是，由图2可知，知识图谱构建模块可作为其他模块的依托，为提取客观事实要素的要素提取模块提供要素依据，同时，知识图谱构建模块还对各个事实要素间的关系进行描述以实现自动裁判的逻辑推理。而反馈模块可作为风险点的认定结果以及案件的裁判结果的校正，对法律知识图谱进行扩充。

此外，还需要说明的是，本申请提供了如图3所示的案件的处理方法，该方法可以在审判系统中执行，其中，该审判系统可以为安装在实体设备(例如，电脑)上的应用平台，也可以为云端服务器上的应用平台。图3是根据本申请实施例的案件的处理方法的流程图，由图3可知，案件的处理方法可以包括：

步骤s302，基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门。

可选的，如图4所示的一种可选的法律知识图谱的示意图，在图4中，“原告在法院的诉讼次数”、“原告在互联网法院诉讼次数”以及“是否原告滥诉”为要素，“是否原告自认滥诉”、“是否被告举证原告自认滥诉”、“是否在法院诉讼3次以上”、“是否在互联网法院诉讼3次以上”为判别要点，“或”为逻辑门。

需要说明的是，法律知识图谱的构成主要包括：

(1)实体。在本申请中，法律知识图谱的实体主要包括客观事实要素、法律要素。如图4所示的一种可选的法律知识图谱的示意图，在图4中，客观事实要素为“原告在法院的诉讼次数”以及“原告在互联网法院诉讼次数”，法律要素为“是否原告滥诉”。

(2)关系。在本申请中，法律知识图谱的关系可以指属性关系、逻辑关系。例如，图4中，各个法律要素之间的关系为“或”关系。

(3)三元组。在申请中主要包括以下三种：“客观事实要素-属性关系-客观事实要素”(例如，“原告-属性关系-身份证号”)，“客观事实要素-逻辑关系-法律要素”(例如，“商品描述-逻辑关系-是否宣传有医疗效果”)，“法律要素-逻辑关系-法律要素”(例如，“是否虚构原价-逻辑关系-是否折扣价格错误”)。

此外，还需要说明的是，法律知识图谱中每个节点的可信度用于表征该节点所对应的事件为真的可能性，例如，在图4中，节点“是否原告自认滥诉”的可信度可以为“原告自认滥诉”的概率。可选的，可以基于可信度计算模型来确定每个节点的可信度。其中，可信度计算模型包括但不限于基于符号逻辑的c-f模型(certaintyfactor，确定性因子)、基于统计的概率模型等。

步骤s304，根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点。

在得到每个节点的可信度之后，审判系统计算每个节点的风险程度，并将风险程度最高的节点作为风险点，风险点对应的案件信息中的内容为风险要素。其中，可将对裁判结果造成影响的事件或对象作为风险点。

可选的，可以通过法律知识图谱来确定风险点，例如，在图4所示的法律知识图谱中，“是否在法院诉讼3次以上”、“是否在互联网法院诉讼3次以上”、“是否原告滥诉”可作为风险点。又例如，在确定原告滥诉之后，还可将“原告是否为消费者”作为风险点，以确定原告是消费者，还是打假人，其中，如果原告是消费者，裁判结果可以为退还货款；如果原告是打假人，裁判结果可以为三倍赔偿，由此可见，风险点“原告是否为消费者”对裁判结果产生了影响。

可选的，还可以通过节点与逻辑门相结合的方式来确定风险点，仍以图4为例进行说明。由图4可知，在“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”两个节点中的任意一个节点的判定结果为“是”的情况下，“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”与逻辑门“或”得到的判断结果均相同，只有在“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”两个节点的判定结果全部为“否”的情况下，“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”与逻辑门“或”得到的判断结果才会发生变化。由此可见，节点与逻辑门相结合的方式也会对裁判结果造成影响，节点与逻辑门相结合也可以作为风向点。

步骤s306，基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

可选的，以图5所示的审判系统的显示界面为例进行说明，审判系统在确定了风险点之后，在显示界面上显示认定结果，如在图5中，审判系统将原告的交易订单、打款截图等以及被告证据中的交易记录截图识别为风险点，用户通过右侧的选择控件对风险点进行认定，如图5中，用户选择了“是”控件，表明用户同意审判系统所确定的风险点。

需要说明的是，在得到风险点之后，审判系统根据确定的风险点对待裁判案件的裁判结果进行调整，例如，将被告三倍赔偿的裁判结果调整为原告退还货款的裁判结果。

基于上述步骤s302至步骤s306所限定的方案，可以获知，采用基于法律知识图谱的处理方式，在得到待裁判案件的案件信息之后，审判系统基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，并根据多个节点的可信度以及法律知识图谱确定风险点，然后基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点。

容易注意到的是，由于风险点与案件信息在法律知识图谱中节点的可信度有关，因此，对每个节点的可信度进行分析处理，可以自动确定案件信息中的风险点，在整个过程中无需人工参与，提高了风险点的认定效率。另外，为了提高案件裁判结果的准确率，在得到案件信息的风险点之后，审判系统还接收法律工作者针对风险点的认定结果进行校正，进而对案件的裁判结果进行调整，从而提高了裁判结果的准确性。

由此可见，通过本申请的上述方案可以得到准确的风险点，保证了待裁判案件的裁判结果的准确性，进而解决了相关技术中由于风险点识别不准确导致法律案件的裁判结果的准确度低的技术问题。

需要说明的是，在计算每个节点的可信度之前，需要构建法律知识图谱。可选的，在本申请中，法律构建模块可基于如下任意一种方式构建法律知识图谱。

方式一：基于待裁判案件的法律资料构建法律知识图谱。具体的，信息收取模块获取待裁判案件的法律资料，并根据待裁判案件的法律资料确定待裁判案件的案件信息，然后知识图谱构建模块根据案件信息确定与待裁判案件对应的法律知识图谱。其中，法律资料包括如下至少之一：起诉书、答辩书、证据材料。

可选的，信息抽取模块从起诉书中抽取原被告信息，从证据交易日志中抽取是否退款、是否保留追偿权利，从证据商品信息中抽取折扣价格、实际价格等。其中，上述原被告信息、是否退款、是否保留追偿权利、折扣价格、实际价格等从法律资料信息中抽取到的信息即为案件信息。

方式二：基于数据挖掘技术构建法律知识图谱。具体的，信息抽取模块基于数据挖掘技术获取目标对象的用户画像，并根据用户画像确定待裁判案件的案件信息，然后，知识图谱构建模块根据案件信息确定与待裁判案件对应的法律知识图谱。例如，信息抽取模块从多个购物终端(例如，电商购物平台)中挖掘出用户历史的投诉次数。

此外，还需要说明的是，构建法律知识信息的方式包括但不限于上述两种方式。另外，在本申请中提取案件信息的方式也不限于上述两种方式。可选的，信息抽取模块还可基于不同类型的证据材料采用不同的方式提取案件信息。对于较为模式化的证据材料，例如交易日志的截图、罚单等，可通过ocr技术提取文字信息，并在提取文字消息之后，通过正则表达式提取案件信息；而对于其他不规则的证据材料，例如借条、食品包装截图等，仅通过审判系统的自动抽取可能存在抽取不准确的问题，因此，需要人工对证据信息进行抽取，或者使用主动式学习(activelearning)的方式对案件信息进行提取。

可选的，在得到待裁判案件的案件信息之后，裁判推理模块可基于待裁判案件的案件信息生成裁判结果。具体步骤可以包括：

步骤s30，获取法律知识图谱；

步骤s32，基于案件信息中的诉求内容，确定待裁判案件在法律知识图谱中对应的激活区域；

步骤s34，在激活区域内，使用不确定性推理技术处理案件信息，得到裁判结果。

需要说明的是，在步骤s32中，法律知识图谱中的激活区域包含多个有效节点，其中，有效节点对应待裁判案件的有效案件信息，例如，原告提供了证据1，并且证据1可被采纳，则证据1在法律知识图谱中的节点为有效节点，如图6中的黑色节点；如果原告提供了证据2，但证据2不被采纳，则证据2在法律知识图谱中的节点为无效节点，如图6中的白色节点。需要说明的是，图6示出了一种可选的法律知识图谱的示意图，根据图6所示的法律知识图谱得到的推理结果为退还货款或三倍赔偿。

可选的，使用不确定性推理技术处理案件信息以得到裁判结果的方式可以包括但不限于以下两种方式。

其中，第一种方式是基于法律知识图谱的关联关系的方向性来得到裁判结果的，相关步骤可以包括：

步骤s40，基于法律知识图谱中多个节点之间的关联关系和方向信息，将案件信息在法律知识图谱中进行遍历，获取用于指向案件信息对应的裁判结果的节点；

步骤s42，将获取到的节点所指向的裁判结果作为裁判结果。

具体的，由于法律知识图谱中多个节点之间的关联关系(例如，逻辑关系)具有方向性，因此，裁判推理模块可按照法律知识图谱中的逻辑推理规则沿着逻辑关系方向在法律知识图谱中进行遍历，直至指向裁判结果的节点为止，并将该节点的裁判结果作为最终的裁判结果，如在图6中的节点s为指向裁判结果的节点，节点s的裁判结果“三倍赔偿”作为最终的裁判结果。

第二种方式是基于图谱向量化来得到裁判结果的，相关步骤可以包括：

步骤s50，对法律知识图谱中的每个节点进行向量化处理，得到基于向量化表示的法律知识图谱；

步骤s52，在基于向量化表示的法律知识图谱上，基于案件信息在法律知识图谱上进行随机遍历，确定每个遍历到的节点对应的概率值；

步骤s54，在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果的节点。

可选的，裁判推理模块逻辑推理模块可按照法律知识图谱中的逻辑推理规则，沿着逻辑关系方向进行逻辑图上的遍历，计算每个节点对应的概率值，并比较该节点的概率值与预设概率值的大小，例如，节点1对应的概率值为80％，而预设概率值为90％，节点1的概率值小于预设概率值，则裁判推理模块不采用节点1所对应的内容对待裁判案件进行裁判，并且不再对节点1的下一个节点进行遍历。如果节点2对应的概率值为95％，而预设概率值为90％，节点2的概率值大于预设概率值，则裁判推理模块采用节点2所对应的内容对待裁判案件进行裁判，并且继续对节点2的下一个节点进行遍历。

需要说明的是，由于证据信息的不规则性以及自然语言中语义的模糊性，客观事实要素的抽取和理解可能会偏差，从而导致映射的法律要素出现错误，进而影响最终案件的裁判结果。而反馈模块可对待裁判案件的裁判结果进行校正，以保证裁判结果的准确性。

在一种可选的方案中，基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，可以包括如下步骤：

步骤s3020，从案件信息中抽取待裁判案件的证据信息；

步骤s3022，根据证据信息确定每个节点的可信度。

可选的，风险识别模块可以先对可信度进行建模。当证据信息不足，或者证据信息抽取的结果不准确时，由这些信息推理出的节点的可信度较低的。因此，在根据法律知识图谱推理的过程中，风险识别模块为每一个节点计算可信度，计算可信度的方式此处不进行限定，例如，符号逻辑的c-f模型(certaintyfactor，确定性因子)，基于统计的概率模型等。

在得到每个节点的可信度之后，风险识别模块根据多个节点的可信度以及法律知识图谱确定风险点，该方法可以包括如下步骤：

步骤s3040，基于法律知识图谱确定的风险模型确定每个节点的可信度对应的风险程度，其中，风险程度用于表征裁判结果对每个节点的可信度的条件概率；

步骤s3042，对每个节点对应的风险程度进行排序，将风险程度最大的节点设置为风险点。

需要说明的是，在确定每个节点的可信度之后，风险识别模块将每个节点的可信度输入法律知识图谱确定的风险模型中，由风险模型计算裁判结果对可信度的条件概率p(node|case)，其中，node表示节点的可信度，case表示待裁判案件的裁判结果为真的概率。在得到每个节点对应的风险程度之后，选出风险程度最大的节点作为风险点，风险点对应的内容即为风险点。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的案件的处理方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

实施例2

根据本申请实施例，还提供了一种案件的处理方法实施例，其中，图7示出了案件的处理方法的流程图，如图7所示，该方法包括：

步骤s702，显示待裁判案件的案件信息。

需要说明的是，待裁判案件的案件信息在不同的案件类型中所包含的信息可能不同，例如，在交易类的案件中，待裁判案件的案件信息可以为但不限于交易订单信息、交易快照、交易日志。另外，案件信息的类型可以包括但不限于文本、图片、语音、视频等。

具体的，用户通过审判系统的输入设备可将待裁判案件的案件信息输入至审判系统中，审判系统在得到案件信息之后，在显示界面上显示案件信息。其中，在显示界面上，案件信息的形式可以为文本、图片、视频等形式。当用户通过审判系统的显示界面点击案件信息时，用户可查看案件信息的详细内容。

步骤s704，显示案件信息在法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门。

需要说明的是，法律知识图谱中每个节点的可信度用于表征该节点所对应的事件为真的可能性，例如，在图4中，节点“是否原告自认滥诉”的可信度可以为“原告自认滥诉”的概率。可选的，可以基于可信度计算模型来确定每个节点的可信度。其中，可信度计算模型包括但不限于基于符号逻辑的c-f模型(certaintyfactor，确定性因子)、基于统计的概率模型等。

此外，还需要说明的是，法律知识图谱中每个节点的可信度可以以数值(例如，百分比)、图表等形式在审判系统的显示界面中显示。

步骤s706，显示基于多个节点的可信度以及法律知识图谱确定的风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点。

需要说明的是，在得到每个节点的可信度之后，审判系统计算每个节点的风险程度，并将风险程度最高的节点作为风险点，风险点对应的案件信息中的内容为风险要素。其中，可将对裁判结果造成影响的事件或对象作为风险点。

可选的，可以通过法律知识图谱来确定风险点，例如，在图4所示的法律知识图谱中，“是否在法院诉讼3次以上”、“是否在互联网法院诉讼3次以上”、“是否原告滥诉”可作为风险点。又例如，在确定原告滥诉之后，还可将“原告是否为消费者”作为风险点，以确定原告是消费者，还是打假人，其中，如果原告是消费者，裁判结果可以为退还货款；如果原告是打假人，裁判结果可以为三倍赔偿，由此可见，风险点“原告是否为消费者”对裁判结果产生了影响。

可选的，还可以通过节点与逻辑门相结合的方式来确定风险点，仍以图4为例进行说明。由图4可知，在“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”两个节点中的任意一个节点的判定结果为“是”的情况下，“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”与逻辑门“或”得到的判断结果均相同，只有在“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”两个节点的判定结果全部为“否”的情况下，“是否在法院诉讼3次以上”和“是否在互联网法院诉讼3次以上”与逻辑门“或”得到的判断结果才会发生变化。由此可见，节点与逻辑门相结合的方式也会对裁判结果造成影响，节点与逻辑门相结合也可以作为风向点。

步骤s708，输出基于风险点的认定结果对裁判结果的调整结果。

可选的，以图5所示的审判系统的显示界面为例进行说明，审判系统在确定了风险点之后，在显示界面上显示认定结果，如在图5中，审判系统将原告的交易订单、打款截图等以及被告证据中的交易记录截图识别为风险点，用户通过右侧的选择控件对风险点进行认定，如图5中，用户选择了“是”控件，表明用户同意审判系统所确定的风险点。

需要说明的是，在得到风险点之后，审判系统根据确定的风险点对待裁判案件的裁判结果进行调整，例如，将被告三倍赔偿的裁判结果调整为原告退还货款的裁判结果。

基于上述步骤s702至步骤s708所限定的方案，可以获知，采用基于法律知识图谱的处理方式，在得到待裁判案件的案件信息之后，审判系统基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，并根据多个节点的可信度以及法律知识图谱确定风险点，然后基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点。

容易注意到的是，由于风险点与案件信息在法律知识图谱中节点的可信度有关，因此，对每个节点的可信度进行分析处理，可以自动确定案件信息中的风险点，在整个过程中无需人工参与，提高了风险点的认定效率。另外，为了提高案件裁判结果的准确率，在得到案件信息的风险点之后，审判系统还接收法律工作者针对风险点的认定结果进行校正，进而对案件的裁判结果进行调整，从而提高了裁判结果的准确性。

由此可见，通过本申请的上述方案可以得到准确的风险点，保证了待裁判案件的裁判结果的准确性，进而解决了相关技术中由于风险点识别不准确导致法律案件的裁判结果的准确度低的技术问题。

实施例3

根据本申请实施例，还提供了一种用于实施上述案件的处理方法的案件的处理装置，如图8所示，该装置80包括：第一确定模块801、第二确定模块803以及调整模块805。

其中，第一确定模块801，用于基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；第二确定模块803，用于根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；调整模块805，用于基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

此处，需要说明的是，上述第一确定模块801、第二确定模块803以及调整模块805对应于实施例1中的步骤s302至步骤s306，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。

在一种可选的方案中，案件的处理装置还包括：第一获取模块、第三确定模块以及第四确定模块。其中，第一获取模块，用于获取待裁判案件的法律资料，其中，法律资料包括如下至少之一：起诉书、答辩书、证据材料；第三确定模块，用于根据待裁判案件的法律资料确定待裁判案件的案件信息；第四确定模块，用于根据案件信息确定与待裁判案件对应的法律知识图谱。

在一种可选的方案中，案件的处理装置还包括：第二获取模块、第五确定模块以及第六确定模块。其中，第二获取模块，用于基于数据挖掘技术获取目标对象的用户画像；第五确定模块，用于根据用户画像确定待裁判案件的案件信息；第六确定模块，用于根据案件信息确定与待裁判案件对应的法律知识图谱。

在一种可选的方案中，案件的处理装置还包括：第三获取模块、第七确定模块以及第一处理模块。其中，第三获取模块，用于获取法律知识图谱；第七确定模块，用于基于案件信息中的诉求内容，确定待裁判案件在法律知识图谱中对应的激活区域；第一处理模块，用于在激活区域内，使用不确定性推理技术处理案件信息，得到裁判结果。

此处，需要说明的是，上述第三获取模块、第七确定模块以及第一处理模块对应于实施例1中的步骤s30至步骤s34，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。

在一种可选的方案中，第一处理模块包括：第四获取模块以及第二处理模块。其中，第四获取模块，用于基于法律知识图谱中多个节点之间的关联关系和方向信息，将案件信息在法律知识图谱中进行遍历，获取用于指向案件信息对应的裁判结果的节点；第二处理模块，用于将获取到的节点所指向的裁判结果作为裁判结果。

此处，需要说明的是，上述第四获取模块以及第二处理模块对应于实施例1中的步骤s40至步骤s42，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。

在一种可选的方案中，第一处理模块包括：第三处理模块、第八确定模块以及第四处理模块。其中，第三处理模块，用于对法律知识图谱中的每个节点进行向量化处理，得到基于向量化表示的法律知识图谱；第八确定模块，用于在基于向量化表示的法律知识图谱上，基于案件信息在法律知识图谱上进行随机遍历，确定每个遍历到的节点对应的概率值；第四处理模块，用于在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果的节点。

此处，需要说明的是，上述第三处理模块、第八确定模块以及第四处理模块对应于实施例1中的步骤s50至步骤s54，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。

在一种可选的方案中，第一确定模块包括：抽取模块以及第九确定模块。其中，抽取模块，用于从案件信息中抽取待裁判案件的证据信息；第九确定模块，用于根据证据信息确定每个节点的可信度。

此处，需要说明的是，上述抽取模块以及第九确定模块对应于实施例1中的步骤s3020至步骤s3022，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。

在一种可选的方案中，第二确定模块包括：第十确定模块以及排序模块。其中，第十确定模块，用于基于法律知识图谱确定的风险模型确定每个节点的可信度对应的风险程度，其中，风险程度用于表征裁判结果对每个节点的可信度的条件概率；排序模块，用于对每个节点对应的风险程度进行排序，将风险程度最大的节点设置为风险点。

此处，需要说明的是，上述第十确定模块以及排序模块对应于实施例1中的步骤s3040至步骤s3042，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。

实施例4

根据本申请实施例，还提供了一种用于实施上述案件的处理方法的案件的处理装置，如图9所示，该装置90包括：第一显示模块901、第二显示模块903以及第三显示模块905以及输出模块907。

其中，第一显示模块901，用于显示待裁判案件的案件信息；第二显示模块903，用于显示案件信息在法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；第三显示模块905，用于显示基于多个节点的可信度以及法律知识图谱确定的风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；输出模块907，用于输出基于风险点的认定结果对裁判结果的调整结果。

此处，需要说明的是，上述第一显示模块901、第二显示模块903以及第三显示模块905以及输出模块907对应于实施例2中的步骤s702至步骤s708，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例二所公开的内容。

实施例5

根据本申请实施例，还提供了一种用于实施案件的处理方法的案件的处理系统，该系统可执行实施例1和实施例2所提供的案件的处理方法，该系统包括：输入装置、处理器以及显示器。

其中，输入装置，用于获取待裁判案件的案件信息；处理器，用于基于案件信息确定法律知识图谱中多个节点的可信度，并根据多个节点的可信度以及法律知识图谱确定风险点，然后基于风险点的认定结果对待裁判案件的裁判结果进行调整，得到目标裁判结果，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门，风险点为案件信息中可信度低于预设可信度，且对裁判结果的影响程度大于预设影响程度的节点；显示器，用于显示目标裁判结果。

由上可知，采用基于法律知识图谱的处理方式，在得到待裁判案件的案件信息之后，审判系统基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，并根据多个节点的可信度以及法律知识图谱确定风险点，然后基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点。

容易注意到的是，由于风险点与案件信息在法律知识图谱中节点的可信度有关，因此，对每个节点的可信度进行分析处理，可以自动确定案件信息中的风险点，在整个过程中无需人工参与，提高了风险点的认定效率。另外，为了提高案件裁判结果的准确率，在得到案件信息的风险点之后，审判系统还接收风险点的认定结果进行校正，进而对案件的裁判结果进行调整，从而提高了裁判结果的准确性。

由此可见，通过本申请的上述方案可以得到准确的风险点，保证了待裁判案件的裁判结果的准确性，进而解决了相关技术中由于风险点识别不准确导致法律案件的裁判结果的准确度低的技术问题。

在一种可选的方案中，在基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度之前，处理器可通过如下任意一种方式获取待裁判案件的证据信息。具体的，在方式一中，处理器获取待裁判案件的法律资料，然后根据待裁判案件的法律资料确定待裁判案件的案件信息，并根据案件信息确定与待裁判案件对应的法律知识图谱，其中，法律资料包括如下至少之一：起诉书、答辩书、证据材料；在方式二中，处理器基于数据挖掘技术获取目标对象的用户画像，然后根据用户画像确定待裁判案件的案件信息，并根据案件信息确定与待裁判案件对应的法律知识图谱。

在一种可选的方案中，在根据风险点对待裁判案件的裁判结果进行调整，得到目标裁判结果之前，处理器还获取法律知识图谱，并基于案件信息中的诉求内容，确定待裁判案件在法律知识图谱中对应的激活区域。然后在激活区域内，使用不确定性推理技术处理案件信息，得到裁判结果。

具体的，处理器可通过如下任意一种方式确定裁判结果：

方式一：处理器基于法律知识图谱中多个节点之间的关联关系和方向信息，将案件信息在法律知识图谱中进行遍历，获取用于指向案件信息对应的裁判结果的节点，然后将获取到的节点所指向的裁判结果作为裁判结果。

方式二：处理器对法律知识图谱中的每个节点进行向量化处理，得到基于向量化表示的法律知识图谱，并在基于向量化表示的法律知识图谱上，基于案件信息在法律知识图谱上进行随机遍历，确定每个遍历到的节点对应的概率值。在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果的节点。

在一种可选的方案中，处理器从案件信息中抽取待裁判案件的证据信息，并根据证据信息确定每个节点的可信度。然后处理器基于法律知识图谱确定的风险模型确定每个节点的可信度对应的风险程度，并对每个节点对应的风险程度进行排序，将风险程度最大的节点设置为风险点，其中，风险程度用于表征裁判结果对每个节点的可信度的条件概率。

在一种可选的方案中，显示器显示待裁判案件的案件信息，以及案件信息在法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门。此外，显示器显示基于每个节点的可信度确定的风险点，输出基于风险点的认定结果对裁判结果的调整结果。其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点。

实施例6

本申请的实施例可以提供一种计算设备，该计算设备可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算设备也可以替换为移动终端等终端设备。

可选地，在本实施例中，上述计算设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

在本实施例中，上述计算设备可以执行案件的处理方法中以下步骤的程序代码：基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为法律知识图谱中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

可选地，图10是根据本申请实施例的一种计算设备的结构框图。如图10所示，该计算设备100可以包括：一个或多个(图中仅示出一个)处理器1002、存储器1004、以及传输装置1006。

其中，存储器可用于存储软件程序以及模块，如本申请实施例中的案件的处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的案件的处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为法律知识图谱中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

可选的，上述处理器还可以执行如下步骤的程序代码：获取待裁判案件的法律资料，其中，法律资料包括如下至少之一：起诉书、答辩书、证据材料；根据待裁判案件的法律资料确定待裁判案件的案件信息；根据案件信息确定与待裁判案件对应的法律知识图谱。

可选的，上述处理器还可以执行如下步骤的程序代码：基于数据挖掘技术获取目标对象的用户画像；根据用户画像确定待裁判案件的案件信息；根据案件信息确定与待裁判案件对应的法律知识图谱。

可选的，上述处理器还可以执行如下步骤的程序代码：获取法律知识图谱；基于案件信息中的诉求内容，确定待裁判案件在法律知识图谱中对应的激活区域；在激活区域内，使用不确定性推理技术处理案件信息，得到裁判结果。

可选的，上述处理器还可以执行如下步骤的程序代码：基于法律知识图谱中多个节点之间的关联关系和方向信息，将案件信息在法律知识图谱中进行遍历，获取用于指向案件信息对应的裁判结果的节点；将获取到的节点所指向的裁判结果作为裁判结果。

可选的，上述处理器还可以执行如下步骤的程序代码：对法律知识图谱中的每个节点进行向量化处理，得到基于向量化表示的法律知识图谱；在基于向量化表示的法律知识图谱上，基于案件信息在法律知识图谱上进行随机遍历，确定每个遍历到的节点对应的概率值；在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果的节点。

可选的，上述处理器还可以执行如下步骤的程序代码：从案件信息中抽取待裁判案件的证据信息；根据证据信息确定每个节点的可信度。

可选的，上述处理器还可以执行如下步骤的程序代码：基于法律知识图谱确定的风险模型确定每个节点的可信度对应的风险程度，其中，风险程度用于表征裁判结果对每个节点的可信度的条件概率；对每个节点对应的风险程度进行排序，将风险程度最大的节点设置为风险点。

可选的，上述处理器还可以执行如下步骤的程序代码：显示待裁判案件的案件信息；显示案件信息在法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；显示基于多个节点的可信度以及法律知识图谱确定的风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；输出基于风险点的认定结果对裁判结果的调整结果。

本领域普通技术人员可以理解，图10所示的结构仅为示意，计算机终端也可以是智能手机(如android手机、ios手机等)、平板电脑、掌声电脑以及移动互联网设备(mobileinternetdevices，mid)、pad等终端设备。图10其并不对上述电子装置的结构造成限定。例如，计算设备100还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。

实施例7

本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述的案件的处理方法所执行的程序代码。

可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于待裁判案件的案件信息确定法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；根据多个节点的可信度以及法律知识图谱确定风险点，其中，风险点为法律知识图谱中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；基于风险点的认定结果对裁判结果进行调整，得到目标裁判结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取待裁判案件的法律资料，其中，法律资料包括如下至少之一：起诉书、答辩书、证据材料；根据待裁判案件的法律资料确定待裁判案件的案件信息；根据案件信息确定与待裁判案件对应的法律知识图谱。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于数据挖掘技术获取目标对象的用户画像；根据用户画像确定待裁判案件的案件信息；根据案件信息确定与待裁判案件对应的法律知识图谱。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取法律知识图谱；基于案件信息中的诉求内容，确定待裁判案件在法律知识图谱中对应的激活区域；在激活区域内，使用不确定性推理技术处理案件信息，得到裁判结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于法律知识图谱中多个节点之间的关联关系和方向信息，将案件信息在法律知识图谱中进行遍历，获取用于指向案件信息对应的裁判结果的节点；将获取到的节点所指向的裁判结果作为裁判结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对法律知识图谱中的每个节点进行向量化处理，得到基于向量化表示的法律知识图谱；在基于向量化表示的法律知识图谱上，基于案件信息在法律知识图谱上进行随机遍历，确定每个遍历到的节点对应的概率值；在遍历到的节点的概率值大于预设概率的情况下，继续遍历下一个节点，直至获取到用于表示裁判结果的节点。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：从案件信息中抽取待裁判案件的证据信息；根据证据信息确定每个节点的可信度。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于法律知识图谱确定的风险模型确定每个节点的可信度对应的风险程度，其中，风险程度用于表征裁判结果对每个节点的可信度的条件概率；对每个节点对应的风险程度进行排序，将风险程度最大的节点设置为风险点。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：显示待裁判案件的案件信息；显示案件信息在法律知识图谱中多个节点的可信度，其中，法律知识图谱至少包括：多个节点、多个节点之间的关联关系和方向信息，每个节点用于表征如下之一：要素、判别要点以及逻辑门；显示基于多个节点的可信度以及法律知识图谱确定的风险点，其中，风险点为案件信息中可信度低于预设可信度，且对待裁判案件的裁判结果的影响程度大于预设影响程度的节点；输出基于风险点的认定结果对裁判结果的调整结果。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。