合同评分的方法、装置、计算机设备和存储介质与流程

本申请涉及人工智能技术领域，特别涉及一种合同评分的方法、装置、计算机设备和存储介质。

背景技术：

在传统的合同评分中，一般使用人工评分和计算机模糊评分：

人工判分：由管理员进行人工评分，这种做法正确率很高，但长期下去会增加管理员的工作量，效率问题日益明显，并没有利用到计算机高效率的特点。

计算机模糊评分：从根据评分的元素里面选取重要的关键信息，利用模糊计算的方式对合同质量进行评分。虽然效率上得到了保证，但是普通计算机没有经过训练，很难精准的对合同各方面进行评定，使得评分准确率低。

技术实现要素：

本申请的主要目的为提供一种合同评分的方法、装置、计算机设备和存储介质，旨在克服目前对合同评分时效率低以及评分不准确的缺陷。

为实现上述目的，本申请提供了一种合同评分的方法，包括以下步骤：

获取待评分的目标合同，并获取所述目标合同的类型；

根据所述目标合同的类型，在数据库中匹配对应所述类型的目标模型参数集；其中，所述数据库中预存有合同的类型与模型参数集的对应关系，所述模型参数集为合同评分模型中各个模型参数的集合；

根据所述目标模型参数集，对应更新所述合同评分模型中的模型参数，得到目标合同评分模型；

提取所述目标合同的文本特征；

将所述目标合同的文本特征输入至所述目标合同评分模型中，输出所述目标合同的评分。

进一步地，所述获取待评分的目标合同，并获取所述目标合同的类型的步骤之前，包括：

获取合同样本，并根据所述合同样本的类型对所述合同样本进行分类，得到多个类型的合同训练样本；所述合同训练样本包括合同训练文本以及对应的标准评分；

提取同一个类型的合同训练样本中包括的所述合同训练文本的文本特征；

将所述文本特征输入至神经网络模型中训练，直到所述神经网络模型输出的评分与所述合同训练文本对应的标准评分的差值小于预设值，完成所述神经网络模型的训练，得到此类型下对应的合同评分模型；

将此类型下对应的所述合同评分模型的模型参数构成模型参数集；

将所述合同训练样本的类型，与所述模型参数集建立对应关系，存储于所述数据库中。

进一步地，所述获取合同样本的步骤，包括：

通过预设的爬虫脚本，对互联网中的合同评定文本进行增量式爬取；

判断所述合同评定文本中是否包括对应的标准评分；若包括，则将所述合同评定文本作为所述合同样本；若不包括，则删除所述合同评定文本。

进一步地，所述文本特征包括所述目标合同的文本整体特征，以及所述目标合同与标准合同的相似度；

所述提取目标合同的文本特征的步骤，包括：

根据所述目标合同的类型，获取对应的标准合同；

将所述目标合同与所述标准合同进行格式对比，提取所述目标合同的文本整体特征；

将所述目标合同中的每个单句与所述标准合同中对应的单句进行相似度计算；

根据每个所述单句对应的相似度，计算所述目标合同与所述标准合同的相似度。

进一步地，所述目标合同的评分包括在多个维度对应的评分；

所述将所述目标合同的文本特征输入至所述目标合同评分模型中，输出所述目标合同的评分的步骤之后，包括：

创建一个空白图层；

在所述空白图层中构建一个圆形区域，并以所述圆形区域的圆心为起点，描绘出多根指向圆弧的分割线，将所述圆形区域均分为多个扇形区域；其中，所述分割线的数量与所述评分的维度数量相同；

分别在所述分割线上标注出评分的尺度，并根据所述尺度将所述多个维度对应的评分分别标记在所述分割线上，得到每个所述分割线上的标记点；其中，一个维度对应的评分只标记在一根分割线上；

将相邻所述分割线上的标记点进行相连，并删除所有所述分割线，得到所述目标合同的评分对应的雷达图。

进一步地，所述获取待评分的目标合同，并获取所述目标合同的类型的步骤之前，包括：

在预先配置的桌面应用程序接收到用户输入的指令内容；

提示所述用户是否保存所述指令内容；

若接收到所述用户发出的保存命令，则将所述指令内容保存至指令列表中；

提示所述用户是否执行所述指令内容；

若接收到所述用户发出的确认执行命令，则执行所述指令内容，以执行所述获取待评分的目标合同，并获取所述目标合同的类型的步骤。

本申请还提供了一种合同评分的装置，包括：

第一获取单元，用于获取待评分的目标合同，并获取所述目标合同的类型；

匹配单元，用于根据所述目标合同的类型，在数据库中匹配对应所述类型的目标模型参数集；其中，所述数据库中预存有合同的类型与模型参数集的对应关系，所述模型参数集为合同评分模型中各个模型参数的集合；

更新单元，用于根据所述目标模型参数集，对应更新所述合同评分模型中的模型参数，得到目标合同评分模型；

第一提取单元，用于提取所述目标合同的文本特征；

评分单元，用于将所述目标合同的文本特征输入至所述目标合同评分模型中，输出所述目标合同的评分。

进一步地，所述装置还包括：

第二获取单元，用于获取合同样本，并根据所述合同样本的类型对所述合同样本进行分类，得到多个类型的合同训练样本；所述合同训练样本包括合同训练文本以及对应的标准评分；

第二提取单元，用于提取同一个类型的合同训练样本中包括的所述合同训练文本的文本特征；

训练单元，用于将所述文本特征输入至神经网络模型中训练，直到所述神经网络模型输出的评分与所述合同训练文本对应的标准评分的差值小于预设值，完成所述神经网络模型的训练，得到此类型下对应的合同评分模型；

构成单元，用于将此类型下对应的所述合同评分模型的模型参数构成模型参数集；

存储单元，用于将所述合同训练样本的类型，与所述模型参数集建立对应关系，存储于所述数据库中。

本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本申请提供的合同评分的方法、装置、计算机设备和存储介质，获取待评分的目标合同，并获取所述目标合同的类型；根据所述目标合同的类型，在数据库中匹配对应所述类型的目标模型参数集；根据所述目标模型参数集，对应更新所述合同评分模型中的模型参数，得到目标合同评分模型；提取所述目标合同的文本特征；将所述目标合同的文本特征输入至所述目标合同评分模型中，输出所述目标合同的评分。本申请根据合同的类型，适配最佳模型参数的目标合同评分模型，使得目标合同评分模型输出的评分更加准确，而且评分效率高。

附图说明

图1是本申请一实施例中合同评分的方法步骤示意图；

图2是本申请一实施例中合同评分的装置结构框图；

图3为本申请一实施例的计算机设备的结构示意框图。

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。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1，本申请一实施例中提供了一种合同评分的方法，包括以下步骤：

步骤s1，获取待评分的目标合同，并获取所述目标合同的类型；

步骤s2，根据所述目标合同的类型，在数据库中匹配对应所述类型的目标模型参数集；其中，所述数据库中预存有合同的类型与模型参数集的对应关系，所述模型参数集为合同评分模型中各个模型参数的集合；

步骤s3，根据所述目标模型参数集，对应更新所述合同评分模型中的模型参数，得到目标合同评分模型；

步骤s4，提取所述目标合同的文本特征；

步骤s5，将所述目标合同的文本特征输入至所述目标合同评分模型中，输出所述目标合同的评分。

在本实施例中，上述方法应用智慧城市技术领域，以推动智慧城市的建设。具体用于对合同进行评分，上述合同包括保险合同、劳动合同等多种类型的合同。

如上述步骤s1所述的，待评分的目标合同通常为业务人员新出的合同文件，为了对业务人员的业务能力进行监督，需要对其所出的合同进行评分。由于业务人员的业务领域不同，其对应所制作的合同类型也不同。而在本实施例中，针对不同类型的合同，后续进行合同评分的合同评分模型的模型参数也有所不同。因此，需要获取到目标合同的类型。

如上述步骤s2所述的，预先针对各个类型的合同，训练对应的神经网络模型，以得到该类型下，神经网络模型的最佳的模型参数，将上述最佳的模型参数构成模型参数集，存储于数据库中。在对合同进行评分时，则只需要根据目标合同的类型，则可以在上述数据库中匹配对应所述类型的目标模型参数集。其中，上述目标模型参数集中包括的模型参数是对目标合同进行评分的合同评分模型的最佳模型参数。

如上述步骤s3所述的，根据所述目标模型参数集，对应更新所述合同评分模型中的模型参数，得到目标合同评分模型；由于上述目标模型参数集中的模型参数为当前的最佳模型参数，将上述最佳模型参数更新至上述合同评分模型中，得到目标合同评分模型，使得得到的目标合同评分模型处于最佳的评分状态，提高模型输出评分的准确率。

如上述步骤s4-s5所述的，提取上述目标合同的文本特征，并将上述文本特征输入至目标合同评分模型中，则可以输出所述目标合同的评分。上述目标合同评分模型是对应当前类型的目标合同的最佳评分模型，其在输出评分时的准确率高，置信度高。

在本实施例中，采用大量训练数据训练得到的目标合同评分模型对上述目标合同进行评分，不仅评分效率高，而且经过数据训练，其输出评分的准确率更高，克服了目前对合同评分时效率低以及评分不准确的缺陷。

在一实施例中，所述获取待评分的目标合同，并获取所述目标合同的类型的步骤s1之前，包括：

步骤s11，获取合同样本，并根据所述合同样本的类型对所述合同样本进行分类，得到多个类型的合同训练样本；所述合同训练样本包括合同训练文本以及对应的标准评分；

步骤s12，提取同一个类型的合同训练样本中包括的所述合同训练文本的文本特征；

步骤s13，将所述文本特征输入至神经网络模型中训练，直到所述神经网络模型输出的评分与所述合同训练文本对应的标准评分的差值小于预设值，完成所述神经网络模型的训练，得到此类型下对应的合同评分模型；

步骤s14，将此类型下对应的所述合同评分模型的模型参数构成模型参数集；

步骤s15，将所述合同训练样本的类型，与所述模型参数集建立对应关系，存储于所述数据库中。

在本实施例中，在训练上述合同评分模型时，基于大量的合同训练样本进行训练，以提高合同评分模型输出评分的准确率。

在训练时，为了得到每一种合同类型下对应的合同评分模型的最佳模型参数，在构建合同训练样本时，根据所述合同样本的类型对所述合同样本进行分类，得到多个类型的合同训练样本。进而，针对每一种类型的合同训练样本单独进行训练，提取出同一个类型的合同训练样本中包括的合同训练文本的文本特征；将所述文本特征输入至神经网络模型中训练，直到所述神经网络模型输出的评分与所述合同训练文本对应的标准评分的差值小于预设值，完成所述神经网络模型的训练，得到此类型下对应的合同评分模型的最佳的模型参数，将上述最佳的模型参数构成上述模型参数集，并将所述合同训练样本的类型，与所述模型参数集建立对应关系，存储于所述数据库中，便于后续在对合同进行评分时，从数据库中直接调用上述模型参数集，以便更新合同评分模型至最佳的状态。

在本实施例中，所述获取合同样本的步骤s11，包括：

通过预设的爬虫脚本，对互联网中的合同评定文本进行增量式爬取；利用编程语言(java或者python)编写好每日自动对互联网相关合同评定文本数据进行增量式爬取的增量式爬虫脚本，利用上述爬虫脚本

判断所述合同评定文本中是否包括对应的标准评分；若包括，则将所述合同评定文本作为所述合同样本；若不包括，则删除所述合同评定文本。

在一实施例中，所述文本特征包括所述目标合同的文本整体特征，以及所述目标合同与标准合同的相似度；

所述提取目标合同的文本特征的步骤s4，包括：

a、根据所述目标合同的类型，获取对应的标准合同；在本实施例中，针对每一种类型的目标合同，均具有对应的标准合同。

b、将所述目标合同与所述标准合同进行格式对比，提取所述目标合同的文本整体特征；上述文本整体特征指的是上述目标合同与上述标准合同的格式的相似度。例如段落排序、字体等相似度。若上述目标合同与标准合同的整体格式差异较大，则相应的相似度低。

c、将所述目标合同中的每个单句与所述标准合同中对应的单句进行相似度计算；具体地，将目标合同中的每个单句转换为第一句向量，将标准合同中对应的单句转换为第二句向量，计算第一句向量与第二句向量的距离，得到目标合同中的每个单句与所述标准合同中对应的单句的相似度。

d、根据每个所述单句对应的相似度，计算所述目标合同与所述标准合同的相似度。在本实施例中，对上述单句对应的相似度进行聚合运算或者加权计算，得到目标合同与所述标准合同的相似度。

在一实施例中，所述目标合同的评分包括在多个维度对应的评分；

所述将所述目标合同的文本特征输入至所述目标合同评分模型中，输出所述目标合同的评分的步骤s5之后，包括：

步骤s6，创建一个空白图层；

步骤s7，在所述空白图层中构建一个圆形区域，并以所述圆形区域的圆心为起点，描绘出多根指向圆弧的分割线，将所述圆形区域均分为多个扇形区域；其中，所述分割线的数量与所述评分的维度数量相同；

步骤s8，分别在所述分割线上标注出评分的尺度，并根据所述尺度将所述多个维度对应的评分分别标记在所述分割线上，得到每个所述分割线上的标记点；其中，一个维度对应的评分只标记在一根分割线上；

步骤s9，将相邻所述分割线上的标记点进行相连，并删除所有所述分割线，得到所述目标合同的评分对应的雷达图。

在本实施例中，上述目标合同的评分包括在六个维度对应的评分，上述六个维度分别为综合评分、流程合规性、条款合规性、综合风险、履约执行情况和风险细项。上述目标合同评分模型输出的评分为六个维度的评分，为了对上述六个维度的评分进行展示，按照上述方式将上述六个维度的评分以雷达图的形式进行展示，直观展示出上述评分，提升了对合同真实情况的直观展示效果。

在一实施例中，所述获取待评分的目标合同，并获取所述目标合同的类型的步骤s1之前，包括：

在预先配置的桌面应用程序接收到用户输入的指令内容；

提示所述用户是否保存所述指令内容；

若接收到所述用户发出的保存命令，则将所述指令内容保存至指令列表中；

提示所述用户是否执行所述指令内容；

若接收到所述用户发出的确认执行命令，则执行所述指令内容，以执行所述获取待评分的目标合同，并获取所述目标合同的类型的步骤。

在本实施例中，预先编写一个桌面应用程序，该应用程序能够进行浏览器自动化操作业务，用户通过输入指令内容之后，浏览器进行相应的自动点击，自动输入，自动打开以及自动关闭等操作。例如用户在输入栏输入登录eoa，输入要查找并下载的合同附件名，指定好保存路径，然后点击确认后，浏览器自动打开并进行相应的全程操作，用户在点击确认后双手即可离开键盘和鼠标，往后可以保存上述设置，减少输入的指令内容，提高工作效率。

上述桌面应用程序还可以设定管理员的计算机网络ip地址，定期定时对该管理员发送邮件循环提醒，提醒内容为合同归档上传和补录，同时在邮件内容中还设定了相关填写内容，例如合同名称和路径，然后进行自动化上传，在此不进行赘述。

参照图2，本申请一实施例中还提供了一种合同评分的装置，包括：

第一获取单元10，用于获取待评分的目标合同，并获取所述目标合同的类型；

匹配单元20，用于根据所述目标合同的类型，在数据库中匹配对应所述类型的目标模型参数集；其中，所述数据库中预存有合同的类型与模型参数集的对应关系，所述模型参数集为合同评分模型中各个模型参数的集合；

更新单元30，用于根据所述目标模型参数集，对应更新所述合同评分模型中的模型参数，得到目标合同评分模型；

第一提取单元40，用于提取所述目标合同的文本特征；

评分单元50，用于将所述目标合同的文本特征输入至所述目标合同评分模型中，输出所述目标合同的评分。

在一实施例中，所述装置还包括：

第二获取单元，用于获取合同样本，并根据所述合同样本的类型对所述合同样本进行分类，得到多个类型的合同训练样本；所述合同训练样本包括合同训练文本以及对应的标准评分；

第二提取单元，用于提取同一个类型的合同训练样本中包括的所述合同训练文本的文本特征；

训练单元，用于将所述文本特征输入至神经网络模型中训练，直到所述神经网络模型输出的评分与所述合同训练文本对应的标准评分的差值小于预设值，完成所述神经网络模型的训练，得到此类型下对应的合同评分模型；

构成单元，用于将此类型下对应的所述合同评分模型的模型参数构成模型参数集；

存储单元，用于将所述合同训练样本的类型，与所述模型参数集建立对应关系，存储于所述数据库中。

在一实施例中，所述第二获取单元，具体用于：

通过预设的爬虫脚本，对互联网中的合同评定文本进行增量式爬取；

判断所述合同评定文本中是否包括对应的标准评分；若包括，则将所述合同评定文本作为所述合同样本；若不包括，则删除所述合同评定文本。

在一实施例中，所述文本特征包括所述目标合同的文本整体特征，以及所述目标合同与标准合同的相似度；

所述第一提取单元40，用于：

根据所述目标合同的类型，获取对应的标准合同；

将所述目标合同与所述标准合同进行格式对比，提取所述目标合同的文本整体特征；

将所述目标合同中的每个单句与所述标准合同中对应的单句进行相似度计算；

根据每个所述单句对应的相似度，计算所述目标合同与所述标准合同的相似度。

在一实施例中，所述目标合同的评分包括在多个维度对应的评分；

所述装置，还包括：

创建单元，用于创建一个空白图层；

构建单元，用于在所述空白图层中构建一个圆形区域，并以所述圆形区域的圆心为起点，描绘出多根指向圆弧的分割线，将所述圆形区域均分为多个扇形区域；其中，所述分割线的数量与所述评分的维度数量相同；

标注单元，用于分别在所述分割线上标注出评分的尺度，并根据所述尺度将所述多个维度对应的评分分别标记在所述分割线上，得到每个所述分割线上的标记点；其中，一个维度对应的评分只标记在一根分割线上；

连接单元，用于将相邻所述分割线上的标记点进行相连，并删除所有所述分割线，得到所述目标合同的评分对应的雷达图。

在一实施例中，所述装置，还包括：

接收单元，用于在预先配置的桌面应用程序接收到用户输入的指令内容；

第一提示单元，用于提示所述用户是否保存所述指令内容；

保存单元，用于若接收到所述用户发出的保存命令，则将所述指令内容保存至指令列表中；

第二提示单元，用于提示所述用户是否执行所述指令内容；

执行单元，用于若接收到所述用户发出的确认执行命令，则执行所述指令内容，以通过所述第一获取单元10获取待评分的目标合同，并获取所述目标合同的类型。

在本实施例中，上述装置实施例中各个单元的具体实现请参照上述方法实施例中所述，在此不再进行赘述。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3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、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储合同数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种合同评分的方法。

本领域技术人员可以理解，图3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。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种合同评分的方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。

综上所述，为本申请实施例中提供的合同评分的方法、装置、计算机设备和存储介质，获取待评分的目标合同，并获取所述目标合同的类型；根据所述目标合同的类型，在数据库中匹配对应所述类型的目标模型参数集；根据所述目标模型参数集，对应更新所述合同评分模型中的模型参数，得到目标合同评分模型；提取所述目标合同的文本特征；将所述目标合同的文本特征输入至所述目标合同评分模型中，输出所述目标合同的评分。本申请根据合同的类型，适配最佳模型参数的目标合同评分模型，使得目标合同评分模型输出的评分更加准确，而且评分效率高。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。