一种面向法律领域的动态法律事件图谱构建方法
专利汇可以提供一种面向法律领域的动态法律事件图谱构建方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种面向法律领域的动态法律事件图谱构建方法，本发明利用 自然语言处理 技术构建了面向法律领域的动态法律事件图谱，本发明在法律领域尚未出现动态法律事件图谱构建方法；与 现有技术 相比，本发明中的动态法律事件图谱的最小单元是法律事件而不是实体，所构建的图谱是由法律事件和法律事件间关系组成；与传统的事件 抽取 相比，本发明所构建的动态法律事件图谱中知识是动态化、可计算化、可推理，而不是简单的抽取事件。本发明构建了面向法律领域的动态法律事件图谱，结合了传统知识图谱知识抽取的技术和事件挖掘技术构建了图谱，然后通过对法律事件图谱中的法律事件要素以及法律事件间的关系分别建模进行法律事件图谱计量。，下面是一种面向法律领域的动态法律事件图谱构建方法专利的具体信息内容。
1.一种面向法律领域的动态法律事件图谱构建方法，其包括以下步骤：
（1）定义动态法律事件图谱；
（2）法律语料收集与整理；
（3）动态法律事件图谱中事件抽取模型；
（4）动态法律事件图谱中事件关系抽取模型；
（5）动态法律事件图谱中概率图事件模型；
（6）动态法律事件图谱知识更新；
其中，步骤（3）中，动态法律事件图谱中事件抽取模型包括两个子步骤：（i）法律事件的识别与抽取；（ii）法律事件参数的抽取；
在所述步骤（5）中，其包括两个子步骤：（a）法律事件间的概率量度；（b）法律事件内要素概率量度。
2.根据权利要求1所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（1）中，动态法律事件图谱是以法律事件为基础，通过一定方式灵活地表示事件以及事件链的关系，用以做法律行为的预测、推演、计算和表示；其中，一个完整的法律事件可以表示为：事件名、法律场景、法律意图、法律构成要件、锚词、类别和法律依据。
3.根据权利要求2所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（2）中，在对法律语料收集与整理时，法律领域的语料按照来源区分有：法律法规、裁判文书、问答语料和法律资讯；构建动态法律事件图谱要综合大规模的语料去挖掘法律事件及事件间关联；多源法律语料的处理要严格遵从法律的严谨性、全面性和准确性；
从数据质量的角度来看，法律法规和裁判文书的质量要相对高于其他语料，在融合多源数据时需要以具有法律效力的法律法规和裁判文书为基准。
4.根据权利要求3所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（3）中，为准确地识别事件和参数，需要捕获上下文特征，上下文特征至少包括语法特征和句法特征，采用结合法律专家事件规则模板和动态神经网络模型进行事件的抽取和参数的抽取。
5.根据权利要求4所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（4）中，动态法律事件图谱中的事件关系有：因果关系、时序关系、反转关系、条件关系和上下级事件关系；正确定义法律事件之间的关系是动态法律事件图谱事件关系抽取的前提，用事件关系将法律事件形成结构化的信息存储起来；将事件关系抽取看作是分类任务，在法律专家标注一定规模语料后结合专家规则和分类学习算法来做法律事件之间的关系识别。
6.根据权利要求5所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（5）中，采用动态法律事件概率图模型，在事件挖掘的基础上融合法律专家规则和法律知识图谱，借鉴点互信息的算法，建立事件之间的关联关系的有向无环图，通过对概率转移矩阵的计算实现事件间的概率度量，通过改变事件要素编码方式进行法律要素的编码，最终所构建的动态法律事件图谱不仅可检测和跟踪法律事件的发展规律，也对建立突发事件监测与预警机制。
7.根据权利要求6所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（5）中，在法律事件间的概率量度步骤中，采用以下方法：
在具体某种法律范式的指标下，法律事件X在时间t所处的状态记为Ei，假设法律事件有n种状态，那么n中状态构成的完备空间记为E， ，事件Xt在时间t状态的概率记
为 ，用 ，其中k=1,2,...；时间t=m的状态为Ei，时间t=m+
1的状态为Ej的概率记pij，则有一次转移概率 ，
显然可得在k次转移之后得到 ，
一次转移的概率矩阵记为 ，显然可得到经过k次转移概率的
概率矩阵为 ，经过k次转移矩阵等于一次转移的k
次方，记为 ，可以通过就事件间的概率转移矩阵得
到事件转移的概率。
8.根据权利要求7所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（5）中的法律事件内要素概率量度中，采用以下方法：
给定法律事件X、目标要素xi以及候选要素集合 ，则有
；
对指定的X集合中的要素进行排序，得到 ，排名越靠前则候选要
素与目标要素的关联越大；
整个算法分为几个过程：首先，对于给定的目标要素以及候选要素集合中的每个要素进行特征抽取以及上下文信息的抽取，其次，使用自编码器对上述抽取到的特征进行特征化表示学习，然后通过多通道编码器进行编码；最后，计算目标要素和候选要素集合进行相似计算机并排序；在抽取上下文信息的过程中，将要素当做由若干个词语有序的集合，结合特征工程的思想抽取要素的特征。
9.根据权利要求8所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（5）中，在多通道编码模型中，将要素排序的过程转化成分类问题，要素对(x,y)作为模型的输入，在嵌入层编码时，借鉴PMI思想，考虑模型输入要素的相关性；点互信息的计算公式为：
，其中x1和x2分别代表两个要
素，p(x1)和p(x2)分别代表语料中x1和x2出现的概率，p(x1,x2)两者共现的概率；
对于每对要素对，期望得到 ，其中x1和x2分别代表两个要素，vx1、
vx2分别是x1和x2对应的向量；
考虑实际语料的情况，如使用 、拉普拉斯平滑做处理；将
嵌入层的优化目标变成：
，其中 的词向量；
在进行多通道编码时，选用可替换的卷积神经网络模型进行多通道编码，最后将模型训练得到的副产物向量用作法律要素的编码器，法律要素经由编码可以编码成向量，使用相似度计算模型来做给定目标要素和候选要素之间的排序。
10.根据权利要求1所述的一种面向法律领域的动态法律事件图谱构建方法，其特征在于，在所述步骤（6）中，采用网络爬虫或者直接下载的方式定期同步法律网站上的数据以及以社交媒体网站上的与法律相关的热门事件以及各大搜索引擎的热门词为候选法律事件。
一种面向法律领域的动态法律事件图谱构建方法
技术领域
背景技术
发明内容
（1）定义动态法律事件图谱；
（2）法律语料收集与整理；
（3）动态法律事件图谱中事件抽取模型；
（4）动态法律事件图谱中事件关系抽取模型；
（5）动态法律事件图谱中概率图事件模型；
（6）动态法律事件图谱知识更新；
其中，步骤（3）中，动态法律事件图谱中事件抽取模型包括两个子步骤：（i）法律事件的识别与抽取；（ii）法律事件参数的抽取；
在所述步骤（5）中，其包括两个子步骤：（a）法律事件间的概率量度；（b）法律事件内要素概率量度。
记为 ，用 ，其中k=1,2,...；时间t=m的状态为Ei，时间t=m
+1的状态为Ej的概率记pij，则有一次转移概率 ，
显然可得在k次转移之后得到 ，
一次转移的概率矩阵记为 ，显然可得到经过k次转移概率的
概率矩阵为 ，经过k次转移矩阵等于一次转移的k
次方，记为 ，可以通过就事件间的概率转移矩阵得
到事件转移的概率。
；
对指定的X集合中的要素进行排序，得到 ，排名越靠前则候选要
素与目标要素的关联越大；
整个算法分为几个过程：首先，对于给定的目标要素以及候选要素集合中的每个要素进行特征抽取以及上下文信息的抽取，其次，使用自编码器对上述抽取到的特征进行特征化表示学习，然后通过多通道编码器进行编码；最后，计算目标要素和候选要素集合进行相似计算机并排序；在抽取上下文信息的过程中，将要素当做由若干个词语有序的集合，结合特征工程的思想抽取要素的特征。
素，p(x1)和p(x2)分别代表语料中x1和x2出现的概率，p(x1,x2)两者共现的概率；
对于每对要素对，期望得到 ，其中x1和x2分别代表两个要素，vx1、
vx2分别是x1和x2对应的向量；
考虑实际语料的情况，如使用 、拉普拉斯平滑做处理；将
嵌入层的优化目标变成：
，其中 的词向量；
在进行多通道编码时，选用可替换的卷积神经网络模型进行多通道编码，最后将模型训练得到的副产物向量当做法律要素的编码器，法律要素经由编码可以编码成向量，使用相似度计算模型来做给定目标要素和候选要素之间的排序。
目前，在法律领域尚未出现动态法律事件图谱构建方法；与法律领域的法律知识图谱相比，本发明中的动态法律事件图谱的最小单元是法律事件而不是实体，所构建的图谱是由法律事件和法律事件间关系组成；与传统的事件抽取相比，本发明所构建的动态法律事件图谱中知识是动态化、可计算化、可推理，而不是简单的抽取事件库；本发明构建了面向法律领域的动态法律事件图谱，结合了传统知识图谱知识抽取的技术和事件挖掘技术构建了图谱，然后通过对法律事件图谱中的法律事件要素以及法律事件间的关系分别建模进行法律事件图谱计量。
附图说明
具体实施方式
法律事件，狭义上是指是法律领域的一种法律事实，不依权利主体的主观意志为转移的法律事实和客观现象；广义上的法律事件，是指正在或者已经发生在特定场景、特定情节、特定时间范围和特定区域内发生的，有至少一个角色且发生的动作不少于一个的法律事实。本发明的动态法律事件图谱是以法律事件为基础，通过一定方式灵活地表示事件以及事件链的关系，用以做法律行为的预测、推演、计算、表示等。一个完整的法律事件可以表示为<事件名，法律场景，法律意图，法律构成要件，锚词，类别，法律依据>。以疲劳驾驶法律事件为例，完整的法律事件可表示为：（<事件名：疲劳驾驶>、<法律场景：道路交通>、<法律意图：违章>、<法律构成要件：[<主体：驾驶人>、<客体：道路交通安全>、<主观方面：过失>、<客观方面：疲劳驾驶>] >、<锚词：[连续开车、未停车休息] >、<类别：行政执法>、<法律依据：[《中华人民共和国道路交通安全法》第二十二条、《中华人民共和国道路交通安全法实施条例》第六十二条第七款]>）。
本发明采用动态法律事件概率图模型（Dynamic Probability Maps Model of Legal Events，DP2MLE），在事件挖掘的基础上融合了法律专家规则和法律知识图谱，借鉴PageRank、PMI等算法的思想，建立事件之间的关联关系的有向无环图，通过对概率转移矩阵的计算实现事件间的概率度量，通过改变事件要素编码方式进行法律要素的编码。最终所构建的动态法律事件图谱不仅可以检测和跟踪法律事件的发展规律,也对建立突发事件监测与预警机制。
事件Xt在时间t状态的概率记为 ，用 ，其中k=1,
2,...。时间t=m的状态为Ei，时间t=m+1的状态为Ej的概率记pij，则有一次转移概率，显然可得在k次转移之后得到
，一次转移的概率矩阵记为
，显然可得到经 过k 次转移概率的概率矩阵 为
，经过k次转移矩阵等于一次转移的k次方，记为
，可以通过就事件间的概率转移矩阵得到事件转
移的概率。
；对指定的X集合中的要素进行排序，得到
，排名越靠前则候选要素与目标要素的关联越大；如果所示整个算
法大概分为几个过程：首先，对于给定的目标要素以及候选要素集合中的每个要素进行特征抽取以及上下文信息的抽取，其次,使用自编码器对上述抽取到的特征进行特征化表示学习，然后通过多通道编码器进行编码；最后，计算目标要素和候选要素集合进行相似计算机并排序。
素，p(x1)和p(x2)分别代表语料中x1和x2出现的概率，p(x1,x2)两者共现的概率。对于每对要素对，期望得到 ，其中x1和x2分别代表两个要素，vx1、vx2分别是x1和x2
对应的向量。考虑实际语料的情况，如使用 、拉普拉斯平滑
等做处理。将embedding layer的优化目标变成：
，其中 的词向量；
可选用可替换的神经网络模型（如：卷积神经网络）进行多通道编码。最后将模型训练得到的副产物向量用作法律要素的编码器，法律要素经由编码可以编码成向量，因此可以使用相似度计算模型来做给定目标要素和候选要素之间的排序。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种面向法律领域的动态法律事件图谱构建方法 | 2020-05-14 | 1002 |
| 大数据和安全事故隐患的挖掘方法 | 2020-05-21 | 940 |
| 一种人类活动信息挖掘方法 | 2020-05-25 | 286 |
| 一种基于互联网信息进行销售线索挖掘的方法 | 2020-05-20 | 792 |
| 一种基于迁移学习的话题自适应的微博情感分析方法 | 2020-05-24 | 918 |
| 一种面向社交媒体的实体集合扩展方法及系统 | 2020-05-08 | 364 |
| 一种基于层次attention的微博谣言立场检测方法 | 2020-05-23 | 118 |
| 一种基于社交媒体突发事件的信息获取方法及系统 | 2020-05-19 | 988 |
| 基于复杂异质网络的社交媒体账户分类方法 | 2020-05-13 | 608 |
| 一种社交媒体用户心理危机预警方法 | 2020-05-19 | 35 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
-
1 视频动态推荐装置
