法律文书的判决结果预测方法、装置及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种法律文书的判决结果预测方法、装置及存储介质。


背景技术：

2.近年来，大数据与人工智能算法日益得到各个行业和领域的高度重视和推进。包括我国在内的许多国家均将人工智能上升到国家战略高度。在司法领域方面，受益于大数据技术的推动，我国各级司法机构进入了以提供智慧司法服务为核心的“智慧法院”建设时期。
3.然而，目前智慧司法研究领域中针对具体任务提出的方法仍对其实际应用有根本性阻碍。其一是现阶段主流方法大多基于机器学习、神经网络等模型，模型具有的黑盒缺陷导致研究过程和结果普遍缺乏可解释性，大大降低了模型的可信度和可用性。其二是依赖于大规模数据训练的模型普遍缺乏推理机制，机器智能泛指该智能体能够像人类一样学习、感知、理解和工作，其中理解人类认知这一特征是实现智能的必要条件之一，知识推理是人类认知的重要手段，当今大多数基于统计模型的方法无法利用知识推理得出结果，即模型不具备推理机制。
4.司法判决推理是法院审理案件获得判决的方法，也是证明司法判决正当性的重要手段，因而，它既是一种法律思维方法，又是法官解决问题的一种实践理性或实践推理过程。理论上讲，司法判决应该是司法推理的逻辑结果。在法治社会中任何一个案件的判决，法官都应该提供一定的理由或根据，而司法推理能够为司法判决提供正当性证明，因为法律推理的首要作用在于为结论提供正当性理由，同时，一个逻辑严密的司法推理本身就形成了强有力的理由或根据。
5.现有的推理逻辑主要存在以下缺陷：
6.1)有的应用逻辑一般有大量的法律要素需要对齐到标准类别，例如离婚判决中的孩子抚养权判决
‘
孩子小于2岁’需要对齐到“孩子|年龄|小于2岁”等大量的原因需要对齐，如果条件缺失则不能推理，这对知识体系构建和批量推理并不是一个容易的事情。
7.2)通常现有的推理模式为构建判决函数，基本上基于规则的推理，并不具备大数据的多样性、容错率和预警功能。
8.3)现有的要素抽取解析模型对大批量的数据依赖性过大，没有可靠的鲁棒性和小样本学习能力。


技术实现要素：

9.为克服相关技术中存在的问题，本发明提供一种法律文书的判决结果预测方法、装置及存储介质，从而降低获取数据的人工成本，提高领域适配性，更好地适配细粒度的应用场景。
10.根据本发明实施例的第一方面，提供一种法律文书的判决结果预测方法，所述方
法包括：
11.获取海量法律判决实例的法律判决文书；
12.对每个法律判决文书进行法律要素提取和法律要素之间的关系确定，以得到从原告诉求类型、判决理由到判决结果的判决事件链和要素关系，其中，所述法律要素包括原告诉求类型、判决理由和判决结果，所述要素关系包括因果关系和对应关系；
13.根据每个法律判决文书对应的判决事件链和要素关系，以法律判决实例为中心构建法律判决文书的知识图谱，其中，所述知识图谱自上而下依次包括：根节点、案由类别、诉求类别、法律判决实例、判决理由和判决结果，所述知识图谱中还包括要素关系的标注；
14.接收输入的法律事实，其中，所述法律事实包括法律诉求；
15.利用所述知识图谱和法律检索模型，预测并输出所述法律事实对应的法律判决结果。
16.在一个实施例中，优选地，对每个法律判决文书进行法律要素提取和法律要素之间的关系确定，包括：
17.使用要素类别分类模型对所述每个法律判决文书进行法律要素识别，以得到要素类别分类识别结果；
18.将所述要素类别分类识别结果和所述法律判决文书的特征进行拼接，并加入案由类别信息输入至阅读理解模型，以使阅读理解模型根据所述要素类别分类识别结果确定法律要素的内容和位置，输出从原告诉求类型、判决理由到判决结果的判决事件链和要素关系。
19.在一个实施例中，优选地，所述方法还包括：
20.以milvus为特征存储器，根据所述知识图谱自上向下的层级构建索引集合，并利用transformer法律编码模型编码得到法律判决文书特征，文书向量特征，判决事件链，事件链向量，并与法律判决文书id进行对应存储。
21.在一个实施例中，优选地，利用所述知识图谱和法律检索模型，预测并输出所述法律事实对应的法律判决结果，包括：
22.对所述法律事实进行意图解析，以确定所述法律事实对应的目标案由类别和目标诉求类别；
23.根据所述目标案由类别和目标诉求类别在所述知识图谱中进行检索，以确定对应的至少一个法律判决实例；
24.利用transformer法律编码模型对所述法律事实和对应的至少一个法律判决实例的判决理由进行特征编码，得到对应的法律事实特征向量和法律判决实例的判决理由特征向量；
25.计算法律事实特征向量和法律判决实例的判决理由特征向量的相似度，并根据相似度确定所述法律事实对应的法律判决结果。
26.在一个实施例中，优选地，所述方法还包括：
27.接收输入的对目标法律事实的检索命令；
28.根据所述检索命令，利用transformer法律编码模型对所述目标法律事实进行特征编码，得到编码后的特征；
29.将所述编码后的特征与存储的所述法律判决文书特征和判决事件链进行相似度
匹配，以检索到所述目标法律事实对应的判决文书。
30.在一个实施例中，优选地，所述方法还包括：
31.接收输入的相似文书检索命令；
32.根据所述相似文书检索命令，确定当前法律文书对应的判决事件链；
33.利用transformer法律编码模型对当前法律文书的判决事件链进行特征编码，得到编码后的事件链特征；
34.将所述编码后的事件链特征与存储的所述法律判决文书特征和判决事件链进行相似度匹配，以检索到与当前法律文书相似的法律判决文书。
35.在一个实施例中，优选地，所述方法还包括：
36.根据海量法律判决实例的法律判决文书对transformer模型进行学习训练，以得到所述transformer法律编码模型。
37.根据本发明实施例的第二方面，提供一种法律文书的判决结果预测装置，所述装置包括：
38.获取模块，用于获取海量法律判决实例的法律判决文书；
39.第一确定模块，用于对每个法律判决文书进行法律要素提取和法律要素之间的关系确定，以得到从原告诉求类型、判决理由到判决结果的判决事件链和要素关系，其中，所述法律要素包括原告诉求类型、判决理由和判决结果，所述要素关系包括因果关系和对应关系；
40.构建模块，用于根据每个法律判决文书对应的判决事件链和要素关系，以法律判决实例为中心构建法律判决文书的知识图谱，其中，所述知识图谱自上而下依次包括：根节点、案由类别、诉求类别、法律判决实例、判决理由和判决结果，所述知识图谱中还包括要素关系的标注；
41.接收模块，用于接收输入的法律事实，其中，所述法律事实包括法律诉求；
42.预测模块，用于利用所述知识图谱和法律检索模型，预测并输出所述法律事实对应的法律判决结果。
43.在一个实施例中，优选地，第一确定模块用于：
44.使用要素类别分类模型对所述每个法律判决文书进行法律要素识别，以得到要素类别分类识别结果；
45.将所述要素类别分类识别结果和所述法律判决文书的特征进行拼接，并加入案由类别信息输入至阅读理解模型，以使阅读理解模型根据所述要素类别分类识别结果确定法律要素的内容和位置，输出从原告诉求类型、判决理由到判决结果的判决事件链和要素关系。
46.在一个实施例中，优选地，所述装置还包括：
47.存储模块，用于以milvus为特征存储器，根据所述知识图谱自上向下的层级构建索引集合，并利用transformer法律编码模型编码得到法律判决文书特征，文书向量特征，判决事件链，事件链向量，并与法律判决文书id进行对应存储。
48.在一个实施例中，优选地，预测模块用于：
49.对所述法律事实进行意图解析，以确定所述法律事实对应的目标案由类别和目标诉求类别；
50.根据所述目标案由类别和目标诉求类别在所述知识图谱中进行检索，以确定对应的至少一个法律判决实例；
51.利用transformer法律编码模型对所述法律事实和对应的至少一个法律判决实例的判决理由进行特征编码，得到对应的法律事实特征向量和法律判决实例的判决理由特征向量；
52.计算法律事实特征向量和法律判决实例的判决理由特征向量的相似度，并根据相似度确定所述法律事实对应的法律判决结果。
53.在一个实施例中，优选地，所述装置还包括：
54.第一检索模块，用于接收输入的对目标法律事实的检索命令；
55.第一编码模块，用于根据所述检索命令，利用transformer法律编码模型对所述目标法律事实进行特征编码，得到编码后的特征；
56.第一匹配模块，用于将所述编码后的特征与存储的所述法律判决文书特征和判决事件链进行相似度匹配，以检索到所述目标法律事实对应的判决文书。
57.在一个实施例中，优选地，所述装置还包括：
58.第二检索模块，用于接收输入的相似文书检索命令；
59.第二确定模块，用于根据所述相似文书检索命令，确定当前法律文书对应的判决事件链；
60.第二编码模块，用于利用transformer法律编码模型对当前法律文书的判决事件链进行特征编码，得到编码后的事件链特征；
61.第二匹配模块，用于将所述编码后的事件链特征与存储的所述法律判决文书特征和判决事件链进行相似度匹配，以检索到与当前法律文书相似的法律判决文书。
62.在一个实施例中，优选地，所述装置还包括：
63.训练模块，用于根据海量法律判决实例的法律判决文书对transformer模型进行学习训练，以得到所述transformer法律编码模型。
64.根据本发明实施例的第三方面，提供一种法律文书的判决结果预测装置，所述装置包括：
65.处理器；
66.用于存储处理器可执行指令的存储器；
67.其中，所述处理器被配置为：
68.获取海量法律判决实例的法律判决文书；
69.对每个法律判决文书进行法律要素提取和法律要素之间的关系确定，以得到从原告诉求类型、判决理由到判决结果的判决事件链和要素关系，其中，所述法律要素包括原告诉求类型、判决理由和判决结果，所述要素关系包括因果关系和对应关系；
70.根据每个法律判决文书对应的判决事件链和要素关系，以法律判决实例为中心构建法律判决文书的知识图谱，其中，所述知识图谱自上而下依次包括：根节点、案由类别、诉求类别、法律判决实例、判决理由和判决结果，所述知识图谱中还包括要素关系的标注；
71.接收输入的法律事实，其中，所述法律事实包括法律诉求；
72.利用所述知识图谱和法律检索模型，预测并输出所述法律事实对应的法律判决结果。
73.根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第二方面的实施例中任一项所述方法的步骤。
74.本发明的实施例提供的技术方案可以包括以下有益效果：
75.本发明实施例中，构建链式结构因果关系，从案由到诉求类别到判决理由到判决结果，构建更深层的解析和表答并一一关联并构建法律判决知识图谱，通过定制化语义模型的表答，将多轮推理函数简化为语义理解任务，省略复杂冗余的要素对齐映射到推理函数的复杂冗余工作，并且在文书检索上基于优异的特征表答取得不错的效果。
76.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
77.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
78.图1是根据一示例性实施例示出的一种法律文书的判决结果预测方法的流程图。
79.图2是根据一示例性实施例示出的法律判决文书的组成示意图。
80.图3是根据一示例性实施例示出的判决事件链示意图。
81.图4是根据一示例性实施例示出的知识图谱示意图。
82.图5是根据一示例性实施例示出的一种法律文书的判决结果预测方法中步骤s102的流程图。
83.图6a是根据一示例性实施例示出的要素类别分类模型和阅读理解模型的具体模型结构和处理过程示意图。
84.图6b是根据一示例性实施例示出的标签命名示意图。
85.图7是根据一示例性实施例示出的特征存储示意图。
86.图8是根据一示例性实施例示出的一种法律文书的判决结果预测方法中步骤s105的流程图。
87.图9是根据一示例性实施例示出的另一种法律文书的判决结果预测方法的流程图。
88.图10是根据一示例性实施例示出的又一种法律文书的判决结果预测方法的流程图。
89.图11是根据一示例性实施例示出的一种法律文书的判决结果预测装置的框图。
具体实施方式
90.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
91.图1是根据一示例性实施例示出的一种法律文书的判决结果预测方法的流程图。
92.如图1所示，根据本发明实施例的第一方面，提供一种法律文书的判决结果预测方法，所述方法包括：
93.步骤s101，获取海量法律判决实例的法律判决文书；
94.法律判决文书主要有当事人信息、审判过程、原告诉称、被告辩称、法院查明、本院认为6个主要部分以及三个视角建模(原告视角、被告视角、法院视角)，如图2所示，其中，legal instrument表示整篇的判决文书，party information表示整篇判决文书的当事人信息，trial process表示整篇判决文书的审判过程，plaintiff claim表示整篇判决文书的原告诉称，defendant defense表示整篇判决文书的被告辩称，court investigation表示整篇判决文书的法院查明，court believes表示整篇判决文书的本院认为。
95.还有主要视角，其中plaintiff view表示原告的视角，defendant view表示被告的视角，court view表示法院视角。
96.步骤s102，对每个法律判决文书进行法律要素提取和法律要素之间的关系确定，以得到从原告诉求类型、判决理由到判决结果的判决事件链和要素关系，其中，所述法律要素包括原告诉求类型、判决理由和判决结果，所述要素关系包括因果关系和对应关系；
97.由于本发明主要构建判决的因果关系即法院说理，所以此处主要细化法院视角部分，其中可以建模为原告诉求类型(判决类型)、判决理由(条件)、判决结果：
98.其中court believes表示法院认为段落内容，本段落解析拆分为多种要素，其中claim为原告诉求类型、reason表示判决理由(条件)、res表示判决结果。
99.对法律文书的判决因果关系抽取可以看做是法院说理部分的要素结构化抽取，主要针对成段落或者篇幅的法院说理部分进行要素抽取和因果关系对应，其中包括：原告诉求类型(claim)、判决理由(reason)、判决结果(res)，对应关系如图3所示，呈现(1，n，1)一对多对1的关系。最后以一个链式结构表示《claim，r1，reason》(其中r1表示对应关系)，《reason，r2，res》(其中r2表示因果关系)。
100.传统的关于关系抽取的方法一般会定义为两类任务，即文本抽取和关系预测(图神经网络)，然而现实生成环境中由于数据成本的问题，所以对于判决类型的数据稀疏、整体能供给模型的数据量以及关系标注的复杂程度等多种原因，对传统的关系解析模型的学习效率达不到预期水平。因此，本发明提出基于数据关联和递进关系抽取的方法，用以解析从诉求类型到判决理由(条件)最后到判决结果的链式结构。
101.步骤s103，根据每个法律判决文书对应的判决事件链和要素关系，以法律判决实例为中心构建法律判决文书的知识图谱，其中，所述知识图谱自上而下依次包括：根节点、案由类别、诉求类别、法律判决实例、判决理由和判决结果，所述知识图谱中还包括要素关系的标注；
102.知识图谱如图4所示，根节点为整个图谱的核心节点；下级结构为案由类别case category；案由类别下级表示为诉求类别claim，其中包括该案由下的核心常用诉求，本处以离婚判决为例子进行举例说明：离婚判决
‑‑
》抚养权判决|离婚财产判决。以每个判决实例example为中心构建判决理由reason和判决结果res的多对一或者一对一关系，每个子图代表该诉求类别的一个实例。不断累计判决的因果关系以满足判决的推理需求。
103.步骤s104，接收输入的法律事实，其中，所述法律事实包括法律诉求；
104.步骤s105，利用所述知识图谱和法律检索模型，预测并输出所述法律事实对应的法律判决结果。
105.本发明实施例中，构建链式结构因果关系，从案由到诉求类别到判决理由到判决
结果，构建更深层的解析和表答并一一关联并构建法律判决知识图谱，通过定制化语义模型的表答，将多轮推理函数简化为语义理解任务，省略复杂冗余的要素对齐映射到推理函数的复杂冗余工作，并且在文书检索上基于优异的特征表答取得不错的效果。
106.图5是根据一示例性实施例示出的一种法律文书的判决结果预测方法中步骤s102的流程图。
107.如图5所示，在一个实施例中，优选地，步骤s102包括：
108.步骤s501，使用要素类别分类模型对所述每个法律判决文书进行法律要素识别，以得到要素类别分类识别结果；
109.步骤s502，将所述要素类别分类识别结果和所述法律判决文书的特征进行拼接，并加入案由类别信息输入至阅读理解模型，以使阅读理解模型根据所述要素类别分类识别结果确定法律要素的内容和位置，输出从原告诉求类型、判决理由到判决结果的判决事件链和要素关系。
110.通过分类预测的高效学习效率克服小样本数据集信息量较少的关键问题。然后分类预测部分的结果可以明确表示本句话中存在的要素类别信息，阅读理解模型(mrc)基于prompt learning的机制降低阅读理解模型(mrc)的学习成本同时大大提升预测时阅读理解模型(mrc)的效率。
111.其中，要素类别分类模型和阅读理解模型的具体模型结构和处理过程如图6a所示，通过分类预测的高效学习效率克服小样本数据集信息量较少的关键问题。然后分类预测部分的结果可以明确表示本句话中存在的要素类别信息，阅读理解模型(mrc)基于prompt learning的机制降低阅读理解模型(mrc)的学习成本同时大大提升预测时阅读理解模型(mrc)的效率。其中input(sentence)表示小句级别的文本输入；classer表示该句话内包含的要素类别分类模型；mrc input表示阅读理解的输入拼接包含分类器的结果res1query作为阅读理解的问题拼接input(sentence)的文本句子最终为mrc模型的整体特征；mrc表示阅读理解模型；output表示模型输出包括在整个链式结构中的位置类别例如{...}诉求类型、{...}判决原因、{...}判决结果以及具体的要素信息；c表示案由的类别划分为模型学习提供前置条件提高学习效率；element category task表示短句中包含的要素类别数据；mrc task表示阅读理解任务用于抽取详细的要素。
112.具体地，如图6a所示，要素类别分类模型包括：
113.input(sentence)层：输入层是模型输入的原始文本，将法律判决文本按符号切分成单个的小句子，然后将一段中的小句子成批次的输入到模型中用于模型的解析。案由的类别(c)提高模型学习效率。
114.classer层：要素类别分类器主要解析句子中包含的要素类别，特征表示层也叫嵌入层，利用神经网络对输入的文本进行类别的表示。常用的特征表示手段有利用卷积神经网络、长短记忆机以及transfomer系列模型，本发明采用lawformer模型。
115.如图6b所示，可以以标签的形式标记要素类别。后续再以标签命名的方式将关系标签转换为链式结构，方便后续将低效的关系学习模型转换为高效的分类学习模型。
116.阅读理解模型包括：
117.mrc input层：阅读理解输入主要包含三方信息分类模型识别的结果、原法律文本、提示的案由类别(c)，将信息分类模型识别的结果和原法律文本特征进行拼接，然后再
拼接的特征后加入案由类别(c)信息。
118.mrc层：主要根据前面的递进信息解析要素的详细内容和位置。主要的技术手段有命名识别识别(ner)、片段分类(span_class)，本发明采用阅读理解模型(mrc)达到可以单独抽取某一类要素的控制目的并且大大提高效率降低计算量。
119.output层：输出模型结果，形成一个链式结构包含：{...}诉求类型、{...}判决原因、{...}判决结果以及具体的要素信息。
120.在一个实施例中，优选地，所述方法还包括：
121.如图7所示，以milvus为特征存储器，根据所述知识图谱自上向下的层级构建索引集合，并利用transformer法律编码模型编码得到法律判决文书特征，文书向量特征，判决事件链，事件链向量，并与法律判决文书id进行对应存储。
122.如图8所示，在一个实施例中，优选地，步骤s105包括：
123.步骤s801，对所述法律事实进行意图解析，以确定所述法律事实对应的目标案由类别和目标诉求类别；
124.步骤s802，根据所述目标案由类别和目标诉求类别在所述知识图谱中进行检索，以确定对应的至少一个法律判决实例；
125.步骤s803，利用transformer法律编码模型对所述法律事实和对应的至少一个法律判决实例的判决理由进行特征编码，得到对应的法律事实特征向量和法律判决实例的判决理由特征向量；
126.步骤s804，计算法律事实特征向量和法律判决实例的判决理由特征向量的相似度，并根据相似度确定所述法律事实对应的法律判决结果。
127.本发明将法律判决的推理问题转换成法律文本检索问题。传统文本匹配处理对象是字符层面或者词语层面的特征，利用模型去学习文本的字符或词语特征。由于这种方法在并不能完整学习出文本的语义，使得法律文本检索召回能力不强或者判决事件不匹配，而文本的特征表示是提高法律文本检索的前提。
128.本发明基于transformer模型进行法律领域的垂直领域特征增强，主要分为两方面：1、大批量法律领域文本2、判决书分场景学习：当事人信息、事实描述、法院意见和判决结果等法律专业领域数据。在原transformer类模型的基础上提高算法对法律文本的理解能力和特征检索能力，更重要的是模型可以更好的适应判决中的当事人信息、事实描述、法院意见和判决结果等特征场景并取得了不错的效果。
129.在接收到法律事实后，可以先进行文本预处理，进行常规文本去噪手段，包括：除特殊符号、去除多余空白以及文本繁体转简体等，然后对法律文本进行意图解析包括案由划分、诉求类别划分。根据解析的结果案由划分、诉求类别划分从图谱上级到达实例层。根据然后利用定制的transformer法律检索模型进行特征表答，这里主要有两个数据源：
130.a、判决理由数据：将判决理由直接转换成transformer固定长度特征，如果多个理由将理由拼接成一段话然后转换成transformer固定长度特征。
131.b、判决文书数据：将判决文本的法院说理部分，进行解析，解析成诉求类别、判决理由、判决结果，然后将通过transformer表答成固定长度特征。
132.基于判决理由数据转化为transformer表答成固定长度特征，根据向量计算模块推理最有可能的结果，并根据阈值抛弃不好的结果，以此达到因果推理的功能。也可以基于
统计的推理方法统计相似的判决情况不同判决结果的比例，以达到分析预警的目的。
133.其中，判决结果主要包括：
134.(1)诉求是否支持(买卖合同纠纷-条款有效性：商品房买卖合同关系成立且合法有效；买卖合同纠纷-主张是否成立：主张成立)。
135.(2)判决原告或者被告(离婚判决-抚养权：判给原告)。
136.如图9所示，在一个实施例中，优选地，所述方法还包括：
137.步骤s901，接收输入的对目标法律事实的检索命令；
138.步骤s902，根据所述检索命令，利用transformer法律编码模型对所述目标法律事实进行特征编码，得到编码后的特征；
139.步骤s903，将所述编码后的特征与存储的所述法律判决文书特征和判决事件链进行相似度匹配，以检索到所述目标法律事实对应的判决文书。
140.如图10所示，在一个实施例中，优选地，所述方法还包括：
141.步骤s1001，接收输入的相似文书检索命令；
142.步骤s1002，根据所述相似文书检索命令，确定当前法律文书对应的判决事件链；
143.步骤s1003，利用transformer法律编码模型对当前法律文书的判决事件链进行特征编码，得到编码后的事件链特征；
144.步骤s1004，将所述编码后的事件链特征与存储的所述法律判决文书特征和判决事件链进行相似度匹配，以检索到与当前法律文书相似的法律判决文书。
145.以判决文书的核心段落为中心(本院认为)并构建判决文书核心逻辑即判决逻辑，并把判决逻辑构建成链式结构，把链式结构基于定制法律版transformer编码成核心特征，并进行向量计算，主要特征为层级解析类别、文书通篇特征、核心判决逻辑特征，组合计算分数，从而检索相似文书。
146.在一个实施例中，优选地，所述方法还包括：
147.根据海量法律判决实例的法律判决文书对transformer模型进行学习训练，以得到所述transformer法律编码模型。
148.图11是根据一示例性实施例示出的一种法律文书的判决结果预测装置的框图。
149.如图11所示，根据本发明实施例的第二方面，提供一种法律文书的判决结果预测装置，所述装置包括：
150.获取模块1101，用于获取海量法律判决实例的法律判决文书；
151.第一确定模块1102，用于对每个法律判决文书进行法律要素提取和法律要素之间的关系确定，以得到从原告诉求类型、判决理由到判决结果的判决事件链和要素关系，其中，所述法律要素包括原告诉求类型、判决理由和判决结果，所述要素关系包括因果关系和对应关系；
152.构建模块1103，用于根据每个法律判决文书对应的判决事件链和要素关系，以法律判决实例为中心构建法律判决文书的知识图谱，其中，所述知识图谱自上而下依次包括：根节点、案由类别、诉求类别、法律判决实例、判决理由和判决结果，所述知识图谱中还包括要素关系的标注；
153.接收模块1104，用于接收输入的法律事实，其中，所述法律事实包括法律诉求；
154.预测模块1105，用于利用所述知识图谱和法律检索模型，预测并输出所述法律事
实对应的法律判决结果。
155.在一个实施例中，优选地，第一确定模块用于：
156.使用要素类别分类模型对所述每个法律判决文书进行法律要素识别，以得到要素类别分类识别结果；
157.将所述要素类别分类识别结果和所述法律判决文书的特征进行拼接，并加入案由类别信息输入至阅读理解模型，以使阅读理解模型根据所述要素类别分类识别结果确定法律要素的内容和位置，输出从原告诉求类型、判决理由到判决结果的判决事件链和要素关系。
158.在一个实施例中，优选地，所述装置还包括：
159.存储模块，用于以milvus为特征存储器，根据所述知识图谱自上向下的层级构建索引集合，并利用transformer法律编码模型编码得到法律判决文书特征，文书向量特征，判决事件链，事件链向量，并与法律判决文书id进行对应存储。
160.在一个实施例中，优选地，预测模块用于：
161.对所述法律事实进行意图解析，以确定所述法律事实对应的目标案由类别和目标诉求类别；
162.根据所述目标案由类别和目标诉求类别在所述知识图谱中进行检索，以确定对应的至少一个法律判决实例；
163.利用transformer法律编码模型对所述法律事实和对应的至少一个法律判决实例的判决理由进行特征编码，得到对应的法律事实特征向量和法律判决实例的判决理由特征向量；
164.计算法律事实特征向量和法律判决实例的判决理由特征向量的相似度，并根据相似度确定所述法律事实对应的法律判决结果。
165.在一个实施例中，优选地，所述装置还包括：
166.第一检索模块，用于接收输入的对目标法律事实的检索命令；
167.第一编码模块，用于根据所述检索命令，利用transformer法律编码模型对所述目标法律事实进行特征编码，得到编码后的特征；
168.第一匹配模块，用于将所述编码后的特征与存储的所述法律判决文书特征和判决事件链进行相似度匹配，以检索到所述目标法律事实对应的判决文书。
169.在一个实施例中，优选地，所述装置还包括：
170.第二检索模块，用于接收输入的相似文书检索命令；
171.第二确定模块，用于根据所述相似文书检索命令，确定当前法律文书对应的判决事件链；
172.第二编码模块，用于利用transformer法律编码模型对当前法律文书的判决事件链进行特征编码，得到编码后的事件链特征；
173.第二匹配模块，用于将所述编码后的事件链特征与存储的所述法律判决文书特征和判决事件链进行相似度匹配，以检索到与当前法律文书相似的法律判决文书。
174.在一个实施例中，优选地，所述装置还包括：
175.训练模块，用于根据海量法律判决实例的法律判决文书对transformer模型进行学习训练，以得到所述transformer法律编码模型。
176.根据本发明实施例的第三方面，提供一种法律文书的判决结果预测装置，所述装置包括：
177.处理器；
178.用于存储处理器可执行指令的存储器；
179.其中，所述处理器被配置为：
180.获取海量法律判决实例的法律判决文书；
181.对每个法律判决文书进行法律要素提取和法律要素之间的关系确定，以得到从原告诉求类型、判决理由到判决结果的判决事件链和要素关系，其中，所述法律要素包括原告诉求类型、判决理由和判决结果，所述要素关系包括因果关系和对应关系；
182.根据每个法律判决文书对应的判决事件链和要素关系，以法律判决实例为中心构建法律判决文书的知识图谱，其中，所述知识图谱自上而下依次包括：根节点、案由类别、诉求类别、法律判决实例、判决理由和判决结果，所述知识图谱中还包括要素关系的标注；
183.接收输入的法律事实，其中，所述法律事实包括法律诉求；
184.利用所述知识图谱和法律检索模型，预测并输出所述法律事实对应的法律判决结果。
185.根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第二方面的实施例中任一项所述方法的步骤。
186.进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
187.进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
188.进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
189.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
190.应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。