法律条文查询方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术技术领域，特别是涉及一种法律条文查询方法、装置、计算机设备和存储介质。

背景技术：

随着网络技术和大数据的发展，越来越多的公司和机构使用大数据分析来进行数据分析和检索。

然而大数据分析在法律领域的使用多为对案件文件的分析，由于案件文件具有相对单一的文件格式，识别较简单。而对于用户多样化的法律查询需求，则无法准确地定位对应的争议焦点，并有效返回法律条文。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够有效地返回法律条文的法律条文查询方法、装置、计算机设备和存储介质。

一种法律条文查询方法，所述方法包括：

获取查询请求，所述查询请求中携带有争议描述；

根据语义识别技术从所述争议描述中提取争议关键词；

将所述争议关键词输入训练好的识别模型中识别所述争议关键词对应的争议类型，其中，所述识别模型是以历史争议数据作为样本训练得到的、能够识别输入的争议关键词对应的争议类型的模型；

当通过所述识别模型识别出所述争议关键词对应的争议类型时，从预设的法律条文数据库中查询所述争议类型对应的法律条文；

输出查询到的所述法律条文。

在其中一个实施例中，所述将所述争议关键词输入训练好的识别模型中识别所述争议关键词对应的争议类型之后，还包括：

当无法通过所述识别模型识别出所述争议关键词对应的争议类型时，将所述争议描述发送至服务器；

接收所述服务器返回的与所述争议关键词对应的争议类型；

将所述争议关键词和所述争议关键词对应的争议类型添加到所述识别模型。

在其中一个实施例中，所述识别模型的训练方式包括：

获取的关键词样本和所述关键词样本对应的争议类型；

获取初始模型；

将所述关键词样本和所述关键词样本对应的争议类型输入所述初始模型中进行多次回归训练，得到识别模型。

在其中一个实施例中，所述方法还包括：

获取设定的争议类型和争议类型的包含关系；

根据所述争议类型的包含关系建立争议类型树；

所述将所述争议关键词输入训练好的识别模型中识别所述争议描述对应的争议类型，包括：

根据所述争议类型树返回所述争议关键词对应的争议类型和所述争议关键词对应的争议类型对应的预设层级的相邻类型。

在其中一个实施例中，其特征在于，所述输出查询到的所述法律条文之后，还包括：

当查询到所述争议类型对应的法律条文的数量超过预设条数时，获取每条所述法律条文的历史使用频次；

将所述法律条文按照历史使用频次的由高到低的顺序进行显示。

一种法律条文查询装置，所述装置包括：

查询启动模块，用于获取查询请求，所述查询请求中携带有争议描述；

关键词提取模块，用于根据语义识别技术从所述争议描述中提取争议关键词；

类型识别模块，用于将所述争议关键词输入训练好的识别模型中识别所述争议描述对应的争议类型，其中，所述识别模型是以历史争议数据作为样本训练得到的、能够识别输入的争议关键词对应的争议类型的模型；

法律条文查询模块，用于当识别出所述争议关键词对应的争议类型时，从预设的法律条文数据库中查询所述争议类型对应的法律条文；

输出模块，用于输出查询到的所述法律条文。

在其中一个实施例中，所述装置还包括：

识别错误模块，用于当无法通过所述识别模型识别出所述争议关键词对应的争议类型时，将所述争议描述发送至服务器；

服务器干预模块，用于接收所述服务器返回的与所述争议关键词对应的争议类型；

模型补充模块，用于将所述争议关键词和所述争议关键词对应的争议类型添加到所述识别模型。

在其中一个实施例中，所述装置还包括：

样本获取模块，用于获取的关键词样本和所述关键词样本对应的争议类型；

初始模型模块，用于获取初始模型；

模型训练模块，用于将所述关键词样本和所述关键词样本对应的争议类型输入所述初始模型中进行多次回归训练，得到识别模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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。

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。

上述法律条文查询方法、装置、计算机设备和存储介质，终端接收用户输入的查询请求，此查询请求中包含有描述用户需要查询的争议焦点的争议描述，终端根据语义识别得到从争议描述中包含的争议关键词，终端根据通过大量历史争议数据作为训练样本得到的识别模型识别出争议关键词对应的的争议类型，从法律条文数据库中查询到符合用户查询需求的法律条文，作为输出。上述方法，技术人员对大量的法律条文进行分析，根据法律条文的适用范围建立供终端查询的法律条文数据库，能够在终端接收到用户的查询请求后，为用户有效地返回与查询请求对应的法律条文。

附图说明

图1为一个实施例中法律条文查询方法的应用场景图；

图2为一个实施例中法律条文查询方法的流程示意图；

图3为一个实施例中法律条文查询装置的结构框图；

图4为一个实施例中计算机设备的内部结构图。

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。

本申请提供的法律条文查询方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。技术人员在服务器104端发布实现本申请的法律条文查询方法的安装包，终端102可从服务器104上下载安装包并安装，在终端102上实现此法律条文查询方法，用户在需要查询法律条文时，向终端102发送查询请求，终端102根据识别查询请求中携带的争议描述对应的争议类型，从预设的法律条文数据库中查询争议类型对应的法律条文输出。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种法律条文查询方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：

s202，获取查询请求，查询请求中携带有争议描述。

其中，查询请求是用户需要查某一法律条文时，根据用户的查询需求生成的用于向终端提起法律条文查询进程的请求。争议描述是包含争议关键字的输入语句，例如一个案子的起因、法律关系、争议焦点等信息。

具体地，用户需要通过终端查询某一法律条文时，向终端提供的查询界面输入查询与待查询的法律条文对应的争议描述，终端根据输入的争议描述生成一个用于此争议描述查询对应法律条文的请求，此查询请求中应包含用于使终端了解用户查询需求的争议描述。

s204，根据语义识别技术从争议描述中提取争议关键词。

其中，争议关键词是终端用于识别需要查询的法律条文的核心争议焦点、法律关系的关键字；可以是案件类型，如离婚、财产纠纷、继承权纠纷等等。争议关键词与争议描述的区别是，争议描述可以是用户输入的较为口语化的语句，而争议关键词则是终端根据用户输入的争议内容来进行总结、判断、分析得到的用于检索数据库的关键词，争议关键词的简练和统一性使得后续的查询步骤更加快速、准确。

具体地，终端根据语义识别技术，如nlp(naturallanguageprocessing自然语言处理)技术，理解用户输入的争议描述的文意，从用户输入的较口语化的争议描述中提取出能够表示争议描述中与争议焦点相关的、用于后续的识别模型识别其对应的争议类型的关键词，即争议关键词。

s206，将争议关键词输入训练好的识别模型中识别争议关键词对应的争议类型，其中，识别模型是以历史争议数据作为样本训练得到的、能够识别输入的争议关键词对应的争议类型的模型。

争议类型是根据提取出的争议关键词进行分类得到的类型，争议类型可以是案件纠纷种类，例如民事案由，或者离婚等。技术人员可对于大量可能被查询的争议关键词进行统计，建立争议关键词库，并将此争议关键词库中的词根据其法律性质等类别来进行分类得到争议类型，然后按照争议类型管理此关键词库，例如，可将离婚、抚养权、婚前协议等关键词都分类到离婚这一大类中，每一大类下面还可包含小类型，其分类可根据实际查询需要和法条对应关系来进行区分，并不限于上述分类方法。

具体地，在对争议描述中包含的争议类型进行识别时，技术人员可设置争议关键字与争议类型之间的关联关系，通过对大量历史查询条件和专家总结的争议关键词的不同表述，以及争议关键词对应的争议类型作为训练样本，进行多次回归训练，得到能够根据输入的争议关键词识别出对应的争议类型的识别模型，如深度神经网络模型等。

争议关键词应至少为一个，用户可根据其要检索的法律条文进行多个叠加查询。

s208，当通过识别模型识别出争议关键词对应的争议类型时，从预设的法律条文数据库中查询争议类型对应的法律条文。

其中，预设的法律条文数据库是技术人员对大量的历史的查询记录进行分析、根据国内外的所有法律文书进行分析、归类建立的数据库，终端可根据争议类型从文件数据库中检索到对应的法律文书，此数据库可以设置为一个key-value(分布式存储系统)型的数据库，其查询的key即为争议类型。另外，技术人员也可以从裁判文书(裁判文书)中提取涉及的法律条文，将法条资料格式规范入库形成法律条文库。

具体地，若终端可以通过步骤s204成功识别出争议描述对应的争议类型时，即可从法律条文数据库查询到对应的法律条文。

s210，输出查询到的法律条文。

具体地，终端从法律条文数据库查询到满足用户查询请求的法律条文后，将此法律条文输出，作为用户查询请求的返回。其中，终端可以返回这一条法律条文，也可以同时返回此法律条文属于的法律文书，以便用户在下一步的分析和说理时作为参考。

上述法律条文查询方法，终端接收用户输入的查询请求，此查询请求中包含有描述用户需要查询的争议焦点的争议描述，终端根据语义识别得到从争议描述中包含的争议关键词，终端根据通过大量历史争议数据作为训练样本得到的识别模型识别出争议关键词对应的的争议类型，从法律条文数据库中查询到符合用户查询需求的法律条文，作为输出。上述方法，技术人员对大量的法律条文进行分析，根据法律条文的适用范围建立供终端查询的法律条文数据库，能够在终端接收到用户的查询请求后，为用户有效地返回与查询请求对应的法律条文。在一个实施例中，上述步骤s204中的将争议关键词输入训练好的识别模型中识别争议关键词对应的争议类型之后，还可以包括：当无法通过识别模型识别出争议关键词对应的争议类型时，将争议描述发送至服务器；接收服务器返回的与争议关键词对应的争议类型；将争议关键词和争议关键词对应的争议类型添加到识别模型。

具体地，由于识别类型的训练样本的限制性和用户对于争议焦点描述的多样化，可能存在识别模型无法识别的争议关键词，或者终端从争议描述中提取和概括争议关键词出错的情况，终端可以将无法识别的争议关键词发送至服务器进行专家识别，然后将识别结果作为模型训练样本来纠正识别模型。

可选地，终端可将在识别模型识别争议关键词时的出错消息生成错误提醒消息，发送给服务器，错误提醒消息是用于告知服务器的技术人员识别模型在识别过程中出现的问题的消息，可以以邮件或者触发消息的发生进行传输。

上述实施例中，终端在执行上述法律条文查询方法的过程中，可以将遇到的问题，反馈给服务器，使得服务器的技术人员了解识别模型的运行状况，并及时对出现的识别错误进行纠正，不断提高识别模型的识别能力。

在一个实施例中，上述识别模型的训练方式，可以包括：获取的关键词样本和关键词样本对应的争议类型；获取初始模型；将关键词样本和关键词样本对应的争议类型输入初始模型中进行多次回归训练，得到识别模型。

具体地，在使用模型识别争议焦点之前还需要根据大量样本数据训练出识别模型，技术人员可以通过专家提供或者从历史查询记录中收集的关键词样本，并为这些关键词样本设置对应的争议类型，并将关键词样本对应的争议类型输入初始模型中，通过反复的数据训练、数据回归，训练出能够自动从争议关键词对应的争议类型的识别模型。

另外，技术人员也可以通过语义识别设备从历史判决文件或案件记录等文书中自动提取与争议描述有关的词句作为关键词样本，丰富模型训练的数据。

上述实施例中，描述了识别模型的训练方式和其样本数据的由来，样本数据的多样性能够提高识别模型识别的准确性。

在一个实施例中，上述的法律条文查询方法还可以包括：获取设定的争议类型和争议类型的包含关系；根据争议类型的包含关系建立争议类型树；则上述步骤s206中的将争议关键词输入训练好的识别模型中识别争议描述对应的争议类型，可以包括：根据争议类型树返回争议关键词对应的争议类型和争议关键词对应的争议类型对应的预设层级的相邻类型。

技术人员对于大量争议焦点进行分类得到争议类型可能被查询的争议类型进行，为其划分的类型，而每一母类型下又可根据其法律或者属性等的包含关系，设置子类型，建立一个能够反映争议类型包含关系的争议类型树。终端在根据上述的步骤s204中识别出争议关键词对应的争议类型后，即可以在争议类型树中定位到识别出的争议类型的位置，以及识别出的争议类型的母类型和子类型。

例如，离婚时的财产纠纷属于离婚争议的子类型，而离婚争议为民事争议类型的子类型，反之，民事争议类型为离婚争议的相邻类型，而离婚争议为离婚时的财产纠纷的相邻类型，争议类型树中应包含这一对应关系。若终端判断用户输入的争议焦点描述属于离婚时的财产纠纷这一类型，终端可输出离婚时的财产纠纷这一类型和往上若干层级的母类型作为此法律条文的分析依据，以及往下若干层级的子类型作为用户进一步查询的参考。

上述实施例中，除了输出于用户查询请求对应的法律条文之外，也可以告知用户查询到的法律条文的依据，也方便用户继续根据争议类型来查询更多的对应内容，更好地处理用户需求。

在一个实施例中，上述步骤s208中的输出查询到的法律条文之后，还可以包括；当查询到争议类型对应的法律条文的数量超过预设条数时，获取每条法律条文的历史使用频次；将法律条文按照历史使用频次的由高到低的顺序进行显示。

其中，预设条数是用于区分是否需要执行本实施例中的频次统计显示的阈值，当查询到的法律条文的数量较少，不超出预设条数时，则可以直接按照查询的结果显示；若查询到的法律条文的数量较少，即超出预设条数时，可根据每一被查询到的法律条文的历史使用频次来进行顺序显示。

历史使用频次是此法律条文在所有的历史查询记录中被用户使用的次数；终端在输出查询到的法律条文后，还可根据用户的查看记录来记录法律条文被查看次数，作为终端为用户推荐可能满足用户查询请求的依据。

具体地，终端在为用户查询到与争议描述对应的法律条文时，可根据检索到的相关法律条文在历史中的使用频次作为推荐的排序依据，为用户优先推送历史使用频次较高的法律条文。

上述实施例中，将多个法律条文的历史使用频次作为法律条文查询结果正确性的另一个指标，更准确地为用户查询对应的法律条文。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图3所示，提供了一种法律条文查询装置，包括：查询启动模块100、类型识别模块200、法律条文查询模块300和输出模块400，其中：

查询启动模块100，用于获取查询请求，查询请求中携带有争议描述。

关键词提取模块200，用于根据语义识别技术从争议描述中提取争议关键词。

类型识别模块300，用于将争议关键词输入训练好的识别模型中识别争议描述对应的争议类型，其中，识别模型是以历史争议数据作为样本训练得到的、能够识别输入的争议关键词对应的争议类型的模型。

法律条文查询模块400，用于当识别出争议关键词对应的争议类型时，从预设的法律条文数据库中查询争议类型对应的法律条文。

输出模块500，用于输出查询到的法律条文。在一个实施例中，上述法律条文查询装置还可以包括：

识别错误模块，用于当无法通过识别模型识别出争议关键词对应的争议类型时，将争议描述发送至服务器。

服务器干预模块，用于接收服务器返回的与争议关键词对应的争议类型。

模型补充模块，用于将争议关键词和争议关键词对应的争议类型添加到识别模型。

在一个实施例中，上述法律条文查询装置还可以包括：

样本获取模块，用于获取的关键词样本和关键词样本对应的争议类型。

初始模型模块，用于获取初始模型。

模型训练模块，用于将关键词样本和关键词样本对应的争议类型输入初始模型中进行多次回归训练，得到识别模型。在一个实施例中，上述法律条文查询装置还可以包括：

争议关系获取模块，用于获取设定的争议类型和争议类型的包含关系。

关系树建立模块，用于根据争议类型的包含关系建立争议类型树。

上述类型识别模块300，还可以用于根据争议类型树返回争议关键词对应的争议类型和争议关键词对应的争议类型对应的预设层级的相邻类型。

在一个实施例中，上述法律条文查询装置还可以包括：

频次查询模块，用于当查询到争议类型对应的法律条文的数量超过预设条数时，获取每条法律条文的历史使用频次。

法律条文显示模块，用于将法律条文按照历史使用频次的由高到低的顺序进行显示。

关于法律条文查询装置的具体限定可以参见上文中对于法律条文查询方法的限定，在此不再赘述。上述法律条文查询装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4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、显示屏和输入装置。其中，该计算机设备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和计算机程序。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法律条文查询方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图4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，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。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取查询请求，查询请求中携带有争议描述；根据语义识别技术从争议描述中提取争议关键词；将争议关键词输入训练好的识别模型中识别争议关键词对应的争议类型，其中，识别模型是以历史争议数据作为样本训练得到的、能够识别输入的争议关键词对应的争议类型的模型；当通过识别模型识别出争议关键词对应的争议类型时，从预设的法律条文数据库中查询争议类型对应的法律条文；输出查询到的法律条文。

在一个实施例中，处理器执行计算机程序时实现的将争议关键词输入训练好的识别模型中识别争议关键词对应的争议类型之后，还包括：当无法通过识别模型识别出争议关键词对应的争议类型时，将争议描述发送至服务器；接收服务器返回的与争议关键词对应的争议类型；将争议关键词和争议关键词对应的争议类型添加到识别模型。

在一个实施例中，处理器执行计算机程序时实现的识别模型的训练方式包括：获取的关键词样本和关键词样本对应的争议类型；获取初始模型；将关键词样本和关键词样本对应的争议类型输入初始模型中进行多次回归训练，得到识别模型。

在一个实施例中，处理器执行计算机程序时还可以实现以下步骤：获取设定的争议类型和争议类型的包含关系；根据争议类型的包含关系建立争议类型树；处理器执行计算机程序时实现的将争议关键词输入训练好的识别模型中识别争议描述对应的争议类型，包括：根据争议类型树返回争议关键词对应的争议类型和争议关键词对应的争议类型对应的预设层级的相邻类型。

在一个实施例中，处理器执行计算机程序时实现的输出查询到的法律条文之后，还包括：当查询到争议类型对应的法律条文的数量超过预设条数时，获取每条法律条文的历史使用频次；将法律条文按照历史使用频次的由高到低的顺序进行显示。

在一个实施例中，提供了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以下步骤：获取查询请求，查询请求中携带有争议描述；根据语义识别技术从争议描述中提取争议关键词；将争议关键词输入训练好的识别模型中识别争议关键词对应的争议类型，其中，识别模型是以历史争议数据作为样本训练得到的、能够识别输入的争议关键词对应的争议类型的模型；当通过识别模型识别出争议关键词对应的争议类型时，从预设的法律条文数据库中查询争议类型对应的法律条文；输出查询到的法律条文。在一个实施例中，计算机程序被处理器执行时实现的将争议关键词输入训练好的识别模型中识别争议关键词对应的争议类型之后，还包括：当无法通过识别模型识别出争议关键词对应的争议类型时，将争议描述发送至服务器；接收服务器返回的与争议关键词对应的争议类型；将争议关键词和争议关键词对应的争议类型添加到识别模型。

在一个实施例中，计算机程序被处理器执行时实现的识别模型的训练方式包括：获取的关键词样本和关键词样本对应的争议类型；获取初始模型；将关键词样本和关键词样本对应的争议类型输入初始模型中进行多次回归训练，得到识别模型。

在一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取设定的争议类型和争议类型的包含关系；根据争议类型的包含关系建立争议类型树；处理器执行计算机程序时实现的将争议关键词输入训练好的识别模型中识别争议描述对应的争议类型，包括：根据争议类型树返回争议关键词对应的争议类型和争议关键词对应的争议类型对应的预设层级的相邻类型。

在一个实施例中，计算机程序被处理器执行时实现的输出查询到的法律条文之后，还包括：当查询到争议类型对应的法律条文的数量超过预设条数时，获取每条法律条文的历史使用频次；将法律条文按照历史使用频次的由高到低的顺序进行显示。

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，本申请所提供的各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以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、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。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。