开云优惠体育网页版入口

专利名称：基于深度学习实现案件法制审查的智能处理方法及系统

专利类型：发明专利

专利申请号：CN202410776456.0

专利申请（专利权）人：雅安市生态环境局,成都未来山水开云优惠体育网页版入口有限公司
权利人地址：四川省雅安市雨城区羌江南路377号

专利发明（设计）人：张雷,毕选涛,张稳,聂灵霞

专利摘要：本发明涉及案件处理领域，提出了基于深度学习实现案件法制审查的智能处理方法及系统，所述方法包括：获取待审查案件并查询相关资料，进行格式转换和文本提。玫焦丶谋臼,然后识别图文特征信息，将其与文本数据进行融合，得到案件综合信息，接着进行实体识别和主体关联性计算，提取关键主题信息，利用深度学习模型识别案情事实并匹配法律规则库，得到案件匹配依据，建立关联网络并制定风险评估指标，计算案件风险程度，根据关键主题信息、案件匹配依据和风险程度，进行智能审查，给出审查方案。本发明可以提高案件法制审查的审查处理效率。

主权利要求：
1.基于深度学习实现案件法制审查的智能处理方法，其特征在于，所述方法包括：获取待审查案件，查询所述待审查案件对应的案件相关资料，对所述案件相关资料进行资料格式转换，得到格式统一数据，对所述格式统一数据进行文本提。玫焦丶谋臼荩
识别所述案件相关资料中对应的图文特征信息，将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，对所述案件综合信息进行实体识别，得到案件信息实体，计算所述案件信息实体对应的主体关联性，其中，所述计算所述案件信息实体对应的主体关联性，包括：查询所述案件信息实体对应的案件信息主体；
利用下述公式计算所述案件信息实体对应的主体关联性：
其中， 表示所述案件信息实体对应的主体关联性，i表示所述案件信息实体的数量索引，n表示所述案件信息实体的总数量，t表示时间段的长度， 表示第i个实体在时间段t内的活跃度，j表示所述案件信息主体的数量索引，m表示所述案件信息主体的总数量，表示所述案件信息主体第j个主体的权重；
基于所述主体关联性，查询所述案件综合信息对应的案件描述，利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔ⅲ
利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，并将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据；
基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，基于所述关联网络，制定所述待审查案件对应的风险评估指标，其中，所述基于所述关联网络，制定所述待审查案件对应的风险评估指标，包括：识别所述关联网络中的关联节点；
利用下述公式计算所述关联节点对应的节点连通度：
其中，表示所述关联节点对应的节点连通度， 表示关联网络中第p行第q列的元素，表示节点p与节点q之间的关联强度，q表示关联网络中的节点数， 表示节点p的邻接节点数；
基于所述节点连通度，构建所述待审查案件对应的风险评估体系；
识别所述风险评估体系中的风险评估指标；
基于所述风险评估指标，计算所述待审查案件对应的案件风险程度；
基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案。
2.如权利要求1所述的基于深度学习实现案件法制审查的智能处理方法，其特征在于，所述对所述案件相关资料进行资料格式转换，得到格式统一数据，包括：对所述案件相关资料进行数据采集，得到案件相关数据集；
识别所述案件相关数据集对应的相关数据点，利用下述公式计算所述相关数据点对应的标准数据值：其中，表示所述相关数据点对应的标准数据值，表示所述相关数据点， 表示所述案件相关数据集的均值， 表示所述案件相关数据集的标准差；
基于所述标准数据值，确定所述案件相关数据集中数据的标准化格式；
根据所述标准化格式，对所述案件相关数据集中数据进行资料格式转换，得到格式统一数据。
3.如权利要求1所述的基于深度学习实现案件法制审查的智能处理方法，其特征在于，所述将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，包括：分别提取所述关键文本数据和所述图文特征信息中的文本特征和图文识别特征；
将所述文本特征和所述图文识别特征进行特征向量化，得到文本向量和图文向量；
将所述文本向量和图文向量进行多模态数据融合，得到多模态特征向量；
对所述多模态特征向量进行特征综合降维，得到所述待审查案件对应的案件综合信息。
4.如权利要求1所述的基于深度学习实现案件法制审查的智能处理方法，其特征在于，所述对所述案件综合信息进行实体识别，得到案件信息主体，包括：将所述案件综合信息转化为结构化数据；
对所述结构化数据进行词性标注，得到词性标注数据；
利用命名实体识别技术识别所述词性标注数据对应的实体信息，查询所述实体信息对应的实体关系；
基于所述实体关系，对所述案件综合信息进行实体识别，得到案件信息实体。
5.如权利要求1所述的基于深度学习实现案件法制审查的智能处理方法，其特征在于，所述基于所述主体关联性，查询所述案件综合信息对应的案件描述，包括：确定所述主体关联性对应的主体查询条件；
基于所述主体查询条件，检索预设的主体关联数据库对应的案件关联信息；
对所述案件关联信息进行背景解析，得到案件解析背景；
基于所述案件解析背景，查询所述案件综合信息对应的案件描述。
6.如权利要求1所述的基于深度学习实现案件法制审查的智能处理方法，其特征在于，所述将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据，包括：对所述案情事实进行词干化处理，得到案情事实词干；
将所述案情事实词干转化为案情事实文本，计算所述案情事实文本与预设的法律规则库中法律条文的文本相似度；
基于所述文本相似度，抽取预设的法律规则库中与案情事实最匹配的法律条文作为案件匹配依据。
7.如权利要求1所述的基于深度学习实现案件法制审查的智能处理方法，其特征在于，所述基于所述风险评估指标，计算所述待审查案件对应的案件风险程度，包括：查询所述风险评估指标对应的风险潜在损失和时间风险跨度；
基于所述风险潜在损失和所述时间风险跨度，利用下述公式计算所述待审查案件的案件风险程度：其中， 表示所述待审查案件的案件风险程度， 表示所述风险评估指标的数量索引， 表示所述风险评估指标的总数量， 第 个风险评估指标的权重， 表示第 个风险评估指标的值，表示归一化因子，用于将不同量级的风险指标统一度量，表示潜在损失， 表示时间风险跨度， 表示在时间t处的概率分布函数。
8.基于深度学习实现案件法制审查的智能处理系统，其特征在于，用于执行如权利要求1?7中任意一项所述的基于深度学习实现案件法制审查的智能处理方法，所述系统包括：格式统一模块，用于获取待审查案件，查询所述待审查案件对应的案件相关资料，对所述案件相关资料进行资料格式转换，得到格式统一数据，对所述格式统一数据进行文本提。玫焦丶谋臼荩
关联性计算模块，识别所述案件相关资料中对应的图文特征信息，将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，对所述案件综合信息进行实体识别，得到案件信息实体，计算所述案件信息实体对应的主体关联性，其中，所述计算所述案件信息实体对应的主体关联性，包括：查询所述案件信息实体对应的案件信息主体；
利用下述公式计算所述案件信息实体对应的主体关联性：
其中， 表示所述案件信息实体对应的主体关联性，i表示所述案件信息实体的数量索引，n表示所述案件信息实体的总数量，t表示时间段的长度， 表示第i个实体在时间段t内的活跃度，j表示所述案件信息主体的数量索引，m表示所述案件信息主体的总数量，表示所述案件信息主体第j个主体的权重；
主题抽取模块，用于基于所述主体关联性，查询所述案件综合信息对应的案件描述，利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔ⅲ
规则匹配模块，用于利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，并将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据；
风险度计算模块，用于基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，基于所述关联网络，制定所述待审查案件对应的风险评估指标，其中，所述基于所述关联网络，制定所述待审查案件对应的风险评估指标，包括：识别所述关联网络中的关联节点；
利用下述公式计算所述关联节点对应的节点连通度：
其中，表示所述关联节点对应的节点连通度， 表示关联网络中第p行第q列的元素，表示节点p与节点q之间的关联强度，q表示关联网络中的节点数， 表示节点p的邻接节点数；
基于所述节点连通度，构建所述待审查案件对应的风险评估体系；
识别所述风险评估体系中的风险评估指标；
基于所述风险评估指标，计算所述待审查案件对应的案件风险程度；
智能审查模块，用于基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案。 说明书 : 基于深度学习实现案件法制审查的智能处理方法及系统技术领域[0001] 本发明涉及案件处理领域，尤其涉及基于深度学习实现案件法制审查的智能处理方法及系统。背景技术[0002] 案件法制审查是指对案件、事务所涉及的法律条文、规则进行审核、比对、分析，以确定依法处理案件或事务的过程，包括检查案件相关主体行为是否符合法律要求，确认案情是否构成违法犯罪，并根据法律规定做出适当处理。[0003] 目前，常见的案件法制审查的方法主要是人工审查、基于规则的自动化审查，其中，人工审查时间成本高昂且可能面临数据质量不一致、标记不准确，从而限制了大规模应用，而基于规则的自动化审查方法无法涵盖所有案件情况，容易导致忽略新兴问题或特殊案例的审查处理，进而影响到案件法制审查的审查处理效率，因此，对于案件法制审查的处理方法技术还需要进一步改进和创新，以提高案件法制审查的审查处理效率。发明内容[0004] 本发明提供基于深度学习实现案件法制审查的智能处理方法及系统，其主要目的在于提高案件法制审查的审查处理效率。[0005] 为实现上述目的，本发明提供的基于深度学习实现案件法制审查的智能处理方法，包括：[0006] 获取待审查案件，查询所述待审查案件对应的案件相关资料，对所述案件相关资料进行资料格式转换，得到格式统一数据，对所述格式统一数据进行文本提。玫焦丶谋臼荩籟0007] 识别所述案件相关资料中对应的图文特征信息，将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，对所述案件综合信息进行实体识别，得到案件信息实体，计算所述案件信息实体对应的主体关联性，其中，所述计算所述案件信息实体对应的主体关联性，包括：[0008] 查询所述案件信息实体对应的案件信息主体；[0009] 利用下述公式计算所述案件信息实体对应的主体关联性：[0010][0011] 其中， 表示所述案件信息实体对应的主体关联性，i表示所述案件信息实体的数量索引，n表示所述案件信息实体的总数量，t表示时间段的长度， 表示第i个实体在时间段t内的活跃度，j表示所述案件信息主体的数量索引，m表示所述案件信息主体的总数量，表示所述案件信息主体第j个主体的权重；[0012] 基于所述主体关联性，查询所述案件综合信息对应的案件描述，利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔ⅲ籟0013] 利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，并将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据；[0014] 基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，基于所述关联网络，制定所述待审查案件对应的风险评估指标，其中，所述基于所述关联网络，制定所述待审查案件对应的风险评估指标，包括：[0015] 识别所述关联网络中的关联节点；[0016] 利用下述公式计算所述关联节点对应的节点连通度：[0017][0018] 其中，表示所述关联节点对应的节点连通度， 表示关联网络中第p行第q列的元素，表示节点p与节点q之间的关联强度，q表示关联网络中的节点数， 表示节点p的邻接节点数；[0019] 基于所述节点连通度，构建所述待审查案件对应的风险评估体系；[0020] 识别所述风险评估体系中的风险评估指标。[0021] 基于所述风险评估指标，计算所述待审查案件对应的案件风险程度；[0022] 基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案。[0023] 可选地，所述对所述案件相关资料进行资料格式转换，得到格式统一数据，包括：[0024] 对所述案件相关资料进行数据采集，得到案件相关数据集；[0025] 识别所述案件相关数据集对应的相关数据点，利用下述公式计算所述相关数据点对应的标准数据值：[0026][0027] 其中，表示所述相关数据点对应的标准数据值，表示所述相关数据点，表示所述案件相关数据集的均值，表示所述案件相关数据集的标准差；[0028] 基于所述标准数据值，确定所述案件相关数据集中数据的标准化格式；[0029] 根据所述标准化格式，对所述案件相关数据集中数据进行资料格式转换，得到格式统一数据。[0030] 可选地，所述将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，包括：[0031] 分别提取所述关键文本数据和所述图文特征信息中的文本特征和图文识别特征；[0032] 将所述文本特征和所述图文识别特征进行特征向量化，得到文本向量和图文向量；[0033] 将所述文本向量和图文向量进行多模态数据融合，得到多模态特征向量；[0034] 对所述多模态特征向量进行特征综合降维，得到所述待审查案件对应的案件综合信息。[0035] 可选地，所述对所述案件综合信息进行实体识别，得到案件信息主体，包括：[0036] 将所述案件综合信息转化为结构化数据；[0037] 对所述结构化数据进行词性标注，得到词性标注数据；[0038] 利用命名实体识别技术识别所述词性标注数据对应的实体信息，查询所述实体信息对应的实体关系；[0039] 基于所述实体关系，对所述案件综合信息进行实体识别，得到案件信息实体。[0040] 可选地，所述基于所述主体关联性，查询所述案件综合信息对应的案件描述，包括：[0041] 确定所述主体关联性对应的主体查询条件；[0042] 基于所述主体查询条件，检索预设的主体关联数据库对应的案件关联信息；[0043] 对所述案件关联信息进行背景解析，得到案件解析背景；[0044] 基于所述案件解析背景，查询所述案件综合信息对应的案件描述。[0045] 可选地，所述将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据，包括：[0046] 对所述案情事实进行词干化处理，得到案情事实词干；[0047] 将所述案情事实词干转化为案情事实文本，计算所述案情事实文本与预设的法律规则库中法律条文的文本相似度；[0048] 基于所述文本相似度，抽取预设的法律规则库中与案情事实最匹配的法律条文作为案件匹配依据。[0049] 可选地，所述基于所述风险评估指标，计算所述待审查案件对应的案件风险程度，包括：[0050] 查询所述风险评估指标对应的风险潜在损失和时间风险跨度；[0051] 基于所述风险潜在损失和所述时间风险跨度，利用下述公式计算所述待审查案件的案件风险程度：[0052][0053] 其中， 表示所述待审查案件的案件风险程度，表示所述风险评估指标的数量索引， 表示所述风险评估指标的总数量， 第 个风险评估指标的权重， 表示第个风险评估指标的值，表示归一化因子，用于将不同量级的风险指标统一度量，表示潜在损失， 表示时间风险跨度， 表示在时间t处的概率分布函数。[0054] 为了解决上述问题，本发明还提供基于深度学习实现案件法制审查的智能处理系统，所述系统包括：[0055] 格式统一模块，用于获取待审查案件，查询所述待审查案件对应的案件相关资料，对所述案件相关资料进行资料格式转换，得到格式统一数据，对所述格式统一数据进行文本提。玫焦丶谋臼荩籟0056] 关联性计算模块，识别所述案件相关资料中对应的图文特征信息，将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，对所述案件综合信息进行实体识别，得到案件信息实体，计算所述案件信息实体对应的主体关联性，其中，所述计算所述案件信息实体对应的主体关联性，包括：[0057] 查询所述案件信息实体对应的案件信息主体；[0058] 利用下述公式计算所述案件信息实体对应的主体关联性：[0059][0060] 其中， 表示所述案件信息实体对应的主体关联性，i表示所述案件信息实体的数量索引，n表示所述案件信息实体的总数量，t表示时间段的长度， 表示第i个实体在时间段t内的活跃度，j表示所述案件信息主体的数量索引，m表示所述案件信息主体的总数量，表示所述案件信息主体第j个主体的权重；[0061] 主题抽取模块，用于基于所述主体关联性，查询所述案件综合信息对应的案件描述，利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔ⅲ籟0062] 规则匹配模块，用于利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，并将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据；[0063] 风险度计算模块，用于基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，基于所述关联网络，制定所述待审查案件对应的风险评估指标，其中，所述基于所述关联网络，制定所述待审查案件对应的风险评估指标，包括：[0064] 识别所述关联网络中的关联节点；[0065] 利用下述公式计算所述关联节点对应的节点连通度：[0066][0067] 其中，表示所述关联节点对应的节点连通度， 表示关联网络中第p行第q列的元素，表示节点p与节点q之间的关联强度，q表示关联网络中的节点数， 表示节点p的邻接节点数；[0068] 基于所述节点连通度，构建所述待审查案件对应的风险评估体系；[0069] 识别所述风险评估体系中的风险评估指标。[0070] 基于所述风险评估指标，计算所述待审查案件对应的案件风险程度；[0071] 智能审查模块，用于基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案。[0072] 本发明通过获取待审查案件，查询所述待审查案件对应的案件相关资料，可以快速定位需要审查的案件，并迅速查阅相关资料，从而提高审查工作的效率，本发明通过识别所述案件相关资料中对应的图文特征信息，能够加速信息处理、强化案情表达、提高研究效率、便于存档和查找，并促进信息共享，本发明基于所述主体关联性，查询所述案件综合信息对应的案件描述，可以帮助全面了解案件的起因、过程和结果，从而更好地理解案件的实质，本发明通过利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，可以将案情描述中与关键主题信息相关的事实进行有效的提。唤隹梢约跎偃斯ど秆『头治龅墓ぷ髁，还能够更加准确地捕捉到案情描述中的重要细节，从而提高案情分析的质量和精准度，本发明基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，可以揭示案件匹配依据与法律条文之间可能存在的潜在关联或联系，有助于深入挖掘案件与法律规则之间的关系，为案件分析和决策提供更多线索和思路，本发明基于所述关键主题信息、案件匹配依据以及案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案，可以有针对性地应对不同风险级别的案件，帮助机构更好地管理风险，并且可以为后续决策提供客观、结构化的数据分析，从而做出明智的决策，减少主观因素对审查结果的影响。因此，本发明提出的基于深度学习实现案件法制审查的智能处理方法及系统，能够提高案件法制审查的审查处理效率。附图说明[0073] 图1为本发明一实施例提供的基于深度学习实现案件法制审查的智能处理方法的流程示意图；[0074] 图2为本发明一实施例提供的基于深度学习实现案件法制审查的智能处理系统的模块示意图；[0075] 图3为本发明一实施例提供的基于深度学习实现案件法制审查的智能处理方法的电子设备的内部结构示意图。[0076] 本发明目的的实现、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[0077] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0078] 本申请实施例提供基于深度学习实现案件法制审查的智能处理方法。所述基于深度学习实现案件法制审查的智能处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度学习实现案件法制审查的智能处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。[0079] 参照图1所示，为本发明一实施例提供的基于深度学习实现案件法制审查的智能处理方法的流程示意图。在本实施例中，所述基于深度学习实现案件法制审查的智能处理方法包括：[0080] S1、获取待审查案件，查询所述待审查案件对应的案件相关资料，对所述案件相关资料进行资料格式转换，得到格式统一数据，对所述格式统一数据进行文本提。玫焦丶谋臼。[0081] 本发明通过获取待审查案件，查询所述待审查案件对应的案件相关资料，可以快速定位需要审查的案件，并迅速查阅相关资料，从而提高审查工作的效率。[0082] 其中，所述待审查案件是指需要进行审查、调查或评估的具体案件或事件；所述案件相关资料是指包括案件文书、证据材料、调查开云优惠体育网页版入口、相关法律法规等与待审查案件相关的各类资料；可选地，所述查询所述待审查案件对应的案件相关资料可以通过文本检索工具实现获得，如：Elasticsearch、Solr等工具。[0083] 本发明通过对所述案件相关资料进行资料格式转换，得到格式统一数据，可以提高数据可读性、便于比对和分析、提升数据共享和传递效率、降低数据管理成本，并增强数据的安全性。[0084] 其中，所述格式统一数据是指经过格式转换后的数据，使其符合统一格式要求的数据。[0085] 作为本发明的一个实施例，所述对所述案件相关资料进行资料格式转换，得到格式统一数据，包括：对所述案件相关资料进行数据采集，得到案件相关数据集；识别所述案件相关数据集对应的相关数据点，利用下述公式计算所述相关数据点对应的标准数据值：[0086][0087] 其中，表示所述相关数据点对应的标准数据值，表示所述相关数据点，表示所述案件相关数据集的均值，表示所述案件相关数据集的标准差；[0088] 基于所述标准数据值，确定所述案件相关数据集中数据的标准化格式；根据所述标准化格式，对所述案件相关数据集中数据进行资料格式转换，得到格式统一数据。[0089] 其中，所述案件相关数据集是指包含了与案件相关的各种数据的数据集；所述相关数据点是指数据集中的一个具体数据点；所述标准数据值是指通过标准化计算得到的数据点对应的数值；所述标准化格式是指对数据进行调整以满足特定标准要求的格式。[0090] 进一步地，所述对所述案件相关资料进行数据采集可以通过网络爬虫工具实现获得，如：Scrapy、BeautifulSoup等工具；所述识别所述案件相关数据集对应的相关数据点可以通过自然语言处理工具实现获得，如：spaCy、NLTK等工具；所述确定所述案件相关数据集中数据的标准化格式可以通过数据处理工具实现获得，如：Pandas、NumPy等；所述对所述案件相关数据集中数据进行资料格式转换可以通过ETL工具实现获得，如：Talend、Informatica等工具。[0091] 本发明通过对所述格式统一数据进行文本提。玫焦丶谋臼，可以帮助从大量的文本或数据中筛选和提取出关键信息，从而更快速地获取所需数据，节省人力和时间成本，提高工作效率。[0092] 其中，所述关键文本数据是指从原始文本或数据中提取出的具有重要意义或特定价值的信息片段，这些关键文本数据通常包括关键词、短语、句子或段落，能够有效地代表或概括原始文本的主题、内容或要点，可选地，所述对所述格式统一数据进行文本提取可以通过自然语言处理工具库实现获得，如：Python中的NLTK、spaCy、StanfordNLP等工具库。[0093] S2、识别所述案件相关资料中对应的图文特征信息，将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，对所述案件综合信息进行实体识别，得到案件信息实体，计算所述案件信息实体对应的主体关联性。[0094] 本发明通过识别所述案件相关资料中对应的图文特征信息，能够加速信息处理、强化案情表达、提高研究效率、便于存档和查找，并促进信息共享。[0095] 其中，所述图文特征信息是指案件相关资料中的文字信息和图片、图表等视觉元素相结合的内容，可选地，所述识别所述案件相关资料中对应的图文特征信息可以通过OCR工具实现获得，如：TesseractOCR、GoogleCloudVisionAPI等工具。[0096] 本发明通过将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，可以促进后续案件讨论、研究和信息共享，提高案件处理效率和效果。[0097] 其中，所述案件综合信息是指对多模态特征向量进行综合分析和建模得到的关于待审查案件的全面信息，包括该案件的特征描述、类别预测、关联规则等。[0098] 作为本发明的一个实施例，所述将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，包括：分别提取所述关键文本数据和所述图文特征信息中的文本特征和图文识别特征；将所述文本特征和所述图文识别特征进行特征向量化，得到文本向量和图文向量；将所述文本向量和图文向量进行多模态数据融合，得到多模态特征向量；对所述多模态特征向量进行特征综合降维，得到所述待审查案件对应的案件综合信息。[0099] 其中，所述文本特征是指从关键文本数据中提取的有意义的信息，例如词频、情感倾向、实体关系等；所述图文识别特征是指从图文特征信息中提取的视觉特征，例如颜色直方图、纹理特征等；所述文本向量是指将文本特征转化为向量表示的形式，常见的方法有词袋模型、TF?IDF等；所述图文向量是指将图文识别特征转化为向量表示的形式；所述多模态特征向量是指将文本向量和图文向量进行融合得到的综合特征向量。[0100] 进一步地，所述分别提取所述关键文本数据和所述图文特征信息中的文本特征和图文识别特征可以通过NLP工具实现获得，如：BERT、Word2Vec或TF?IDF等工具；所述将所述文本特征和所述图文识别特征进行特征向量化可以通过预训练的CNN模型实现获得，如：ResNet、VGG等模型；所述将所述文本向量和图文向量进行多模态数据融合可以通过深度学习框架实现获得，如：PyTorch、TensorFlow等；所述对所述多模态特征向量进行特征综合降维可以通过Python库中scikit?learn实现获得。[0101] 本发明通过对所述案件综合信息进行实体识别，得到案件信息实体，可以帮助进一步抽取与主体相关的重要信息，精炼案件内容，过滤掉无关或次要信息，提高信息呈现的质量和效率。[0102] 其中，所述案件信息实体是指所述案件综合信息中具有重要性质的实体，例如：在一起刑事案件中，法院、被告人、指控罪名等可以被识别为案件信息主体。[0103] 作为本发明的一个实施例，所述对所述案件综合信息进行实体识别，得到案件信息主体，包括：将所述案件综合信息转化为结构化数据；对所述结构化数据进行词性标注，得到词性标注数据；利用命名实体识别技术识别所述词性标注数据对应的实体信息；查询所述实体信息对应的实体关系；基于所述实体关系，对所述案件综合信息进行实体识别，得到案件信息实体。[0104] 其中，所述结构化数据是指将案件综合信息按照一定的格式或规则进行转化，例如：将案件综合信息中的文本转化为表格形式或者JSON格式的数据；所述命名实体识别技术是一种自然语言处理技术，旨在识别文本中具有特定意义的实体，如人物、组织、地点、日期、时间等；所述词性标注数据是指对结构化数据中的每个词语进行词性标记，即确定每个词语在句子中的语法角色，例如：对于句子"张三被判刑10年"，将"张三"标注为人名（名词），"被判刑"标注为被动语态（动词短语），"10年"标注为时间（名词）；所述实体信息是指从词性标注数据中识别出来的具有特定含义的实体，例如：人名、组织机构名、地名等；所述实体关系是指实体之间的联系或关联，例如：人与人之间的亲属关系、人与案件之间的涉案关系等。[0105] 进一步地，所述将所述案件综合信息转化为结构化数据可以通过SpaCy库中的句法分析器实现获得；所述对所述结构化数据进行词性标注可以通过统计模型实现获得，如：隐马尔可夫模型；所述查询所述实体信息对应的实体关系可以通过知识图谱工具实现获得，如：Neo4j、Stardog等；所述对所述案件综合信息进行实体识别可以通过命名实体识别模型实现获得，如：BERT?NER、CRF等模型。[0106] 作为本发明的一个实施例，所述计算所述案件信息实体对应的主体关联性，包括：查询所述案件信息实体对应的案件信息主体；[0107] 利用下述公式计算所述案件信息实体对应的主体关联性：[0108][0109] 其中，i表示所述案件信息实体的数量索引，n表示所述案件信息实体的总数量，t表示时间段的长度， 表示第i个实体在时间段t内的活跃度，j表示所述案件信息主体的数量索引，m表示所述案件信息主体的总数量，表示所述案件信息主体第j个主体的权重。[0110] 详细地，所述案件信息主体是指与案件相关的主体，可包括当事人、律师、法官、证人等在案件中扮演重要角色的主体。[0111] S3、基于所述主体关联性，查询所述案件综合信息对应的案件描述，利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔。[0112] 本发明基于所述主体关联性，查询所述案件综合信息对应的案件描述，可以帮助全面了解案件的起因、过程和结果，从而更好地理解案件的实质。[0113] 其中，所述案件描述是指基于所述案件解析背景生成的信息总结，其中包含了案件的关键细节、事件经过、相关人员以及其他重要信息。[0114] 作为本发明的一个实施例，所述基于所述主体关联性，查询所述案件综合信息对应的案件描述，包括：确定所述主体关联性对应的主体查询条件；基于所述主体查询条件，检索预设的主体关联数据库对应的案件关联信息；对所述案件关联信息进行背景解析，得到案件解析背景；基于所述案件解析背景，查询所述案件综合信息对应的案件描述。[0115] 其中，所述主体查询条件是指与特定主体相关的必要信息，如主体姓名、身份证号码、案件类型、事件日期等；预设的主体关联数据库是指在系统或应用程序中预先设置好的包含各种主体（如人物、实体、事件等）及其之间关联性的数据库；所述案件关联信息是指在预设的主体关联数据库中找到的与所述主体相关的详细案件信息；所述案件解析背景是指对所述案件关联信息进行深入分析和理解，以获得案件的背景情况、相关细节以及重要特征。[0116] 进一步地，所述确定所述主体关联性对应的主体查询条件可以通过条件查询工具实现获得，如：spaCy、StanfordNER等；所述检索预设的主体关联数据库对应的案件关联信息可以通过数据检索工具实现获得，如：SQL、Elasticsearch、Neo4等；所述对所述案件关联信息进行背景解析可以通过文本向量化模型实现获得；所述查询所述案件综合信息对应的案件描述可以通过文心?3或TextRank工具实现获得。[0117] 本发明通过利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔，能够根据不同案件描述的特点和重要性，动态调整关注的权重，使得主题抽取更加灵活和智能化，能够更好地适应各种案件描述的变化和复杂性。[0118] 其中，所述预先训练好的深度学习模型是由输入层、卷积层、池化层、注意力层以及全连接层构成的，这些层的组合和堆叠形成了深度学习模型，每个层都有其独特的作用，帮助模型从原始输入中提取更高级别、更抽象的特征，并进行有效的学习和预测。[0119] 需要说明的是，所述深度学习模型的训练过程是现有常规技术手段，在此不做进一步地赘述。[0120] 详细地，所述注意力层是指在深度学习模型中，注意力机制可以帮助模型动态地分配不同部分输入的权重，使其能够更关注输入数据的某些部分而忽略其他部分；所述关键主题信息是指的是从案件描述中提取出的最重要、最具代表性的主题或话题。[0121] S4、利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，并将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据。[0122] 本发明通过利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，可以将案情描述中与关键主题信息相关的事实进行有效的提。唤隹梢约跎偃斯ど秆『头治龅墓ぷ髁，还能够更加准确地捕捉到案情描述中的重要细节，从而提高案情分析的质量和精准度。[0123] 其中，所述案情事实是指在案情描述中呈现的具体、客观的事件、行为或情节，其通常是与案件相关且有关键性的信息，用于描述案件的经过、事实和细节，详细地，所述识别所述关键主题信息对应的案情事实可以通过利用预先训练好的深度学习模型中的全连接层实现获得。[0124] 本发明通过将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据，可以提供法律依据支持、加速案件处理过程，并提高司法决策的准确性和效率。[0125] 其中，所述案件匹配依据是指基于文本相似度计算结果，从预设的法律规则库中抽取与案情事实最匹配的法律条文作为案件相关依据。[0126] 作为本发明的一个实施例，所述将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据，包括：对所述案情事实进行词干化处理，得到案情事实词干；将所述案情事实词干转化为案情事实文本；计算所述案情事实文本与预设的法律规则库中法律条文的文本相似度；基于所述文本相似度，抽取预设的法律规则库中与案情事实最匹配的法律条文作为案件匹配依据。[0127] 其中，所述案情事实词干是指对案情事实进行词干化处理后得到的经过提取关键信息的单词根形式；所述案情事实文本是指将经过词干化处理后的案情事实转化成完整的文本描述；所述文本相似度是指利用相似度计算方法（如余弦相似度）衡量案情事实文本与法律规则库中每个法律条文文本之间的相似程度。[0128] 进一步地，所述对所述案情事实进行词干化处理可以通过NLTK库中的PorterStemmer算法实现获得；所述将所述案情事实词干转化为案情事实文本可以通过文本转化工具实现获得，如：SpaC、StanfordCoreNLP等工具；所述计算所述案情事实文本与预设的法律规则库中法律条文的文本相似度可以通过相似度算法实现获得，如：余弦相似度、Jaccard相似度等算法；所述抽取预设的法律规则库中与案情事实最匹配的法律条文作为案件匹配依据可以通过文本匹配算法实现获得。[0129] S5、基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，基于所述关联网络，制定所述待审查案件对应的风险评估指标，基于所述风险评估指标，计算所述待审查案件对应的案件风险程度。[0130] 本发明基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，可以揭示案件匹配依据与法律条文之间可能存在的潜在关联或联系，有助于深入挖掘案件与法律规则之间的关系，为案件分析和决策提供更多线索和思路。[0131] 其中，所述预设的法律规则库是指事先收集整理的包含各种法律条文、案例解析、法律原则等信息的数据库或知识库，这些规则库可以是来自宪法、法典、判例法、行政法规等各种法律文件形式，覆盖各种法律领域和相关内容；所述关联网络是指通过将待审查案件的匹配依据与预设法律规则库中的法律条文之间的关联关系建模成一个网络结构；详细地，所述构建所述待审查案件对应法条间的关联网络可以通过图数据库实现获得，如：Neo4j、ArangoDB等库。[0132] 本发明基于所述关联网络，制定所述待审查案件对应的风险评估指标，可以根据案件匹配依据与法律规则之间的关系，确定相关性较高的法律条文，从而制定更加精准和具体的风险评估指标。[0133] 其中，所述风险评估指标是指用于衡量和评估风险程度、风险因素以及风险影响的特定指标或参数，包括：概率分布、损失情况、法规遵从度等。[0134] 作为本发明的一个实施例，所述基于所述关联网络，制定所述待审查案件对应的风险评估指标，包括：识别所述关联网络中的关联节点；利用下述公式计算所述关联节点对应的节点连通度：[0135][0136] 其中， 表示节点p的节点连通度， 表示关联网络中第p行第q列的元素，表示节点p与节点q之间的关联强度，q表示关联网络中的节点数， 表示节点p的节点连通度，即与节点q直接相连的节点数量；[0137] 基于所述节点连通度，构建所述待审查案件对应的风险评估体系；识别所述风险评估体系中的风险评估指标。[0138] 其中，所述关联节点是指在关联网络中相互之间存在连接或关系的节点；所述节点连通度是指一个特定节点在关联网络中与其他节点直接相连的程度或强度；所述风险评估体系是指一个特定节点在关联网络中与其他节点直接相连的程度或强度。[0139] 作为本发明的一个实施例，所述基于所述风险评估指标，计算所述待审查案件对应的案件风险程度，包括：查询所述风险评估指标对应的风险潜在损失和时间风险跨度；基于所述风险潜在损失和所述时间风险跨度，利用下述公式计算所述待审查案件的案件风险程度：[0140][0141] 其中， 表示所述待审查案件的案件风险程度，表示所述风险评估指标的数量索引， 表示所述风险评估指标的总数量， 第 个风险评估指标的权重， 表示第个风险评估指标的值，表示归一化因子，用于将不同量级的风险指标统一度量，表示潜在损失， 表示时间风险跨度， 表示在时间t处的概率分布函数。[0142] 其中，所述风险潜在损失是指表示待审查案件可能带来的经济或声誉损失；所述时间风险跨度是指表示考虑风险的时间范围。[0143] S6、基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案。[0144] 本发明基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案，可以有针对性地应对不同风险级别的案件，帮助机构更好地管理风险，并且可以为后续决策提供客观、结构化的数据分析，从而做出明智的决策，减少主观因素对审查结果的影响。[0145] 其中，所述智能审查方案是指一种基于关键主题信息、案件匹配依据和案件风险程度的智能化审查策略，这种方案利用先进的技术和算法，通过分析大量数据和信息来识别潜在风险，并为不同风险级别的案件制定相应的审查计划，详细地，所述对所述待审查案件进行智能审查可以通过自然语言处理模型实现获得，如：BERT、RoBERTa、文心等模型。[0146] 本发明通过获取待审查案件，查询所述待审查案件对应的案件相关资料，可以快速定位需要审查的案件，并迅速查阅相关资料，从而提高审查工作的效率，本发明通过识别所述案件相关资料中对应的图文特征信息，能够加速信息处理、强化案情表达、提高研究效率、便于存档和查找，并促进信息共享，本发明基于所述主体关联性，查询所述案件综合信息对应的案件描述，可以帮助全面了解案件的起因、过程和结果，从而更好地理解案件的实质，本发明通过利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，可以将案情描述中与关键主题信息相关的事实进行有效的提。唤隹梢约跎偃斯ど秆『头治龅墓ぷ髁，还能够更加准确地捕捉到案情描述中的重要细节，从而提高案情分析的质量和精准度，本发明基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，可以揭示案件匹配依据与法律条文之间可能存在的潜在关联或联系，有助于深入挖掘案件与法律规则之间的关系，为案件分析和决策提供更多线索和思路，本发明基于所述关键主题信息、案件匹配依据以及案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案，可以有针对性地应对不同风险级别的案件，帮助机构更好地管理风险，并且可以为后续决策提供客观、结构化的数据分析，从而做出明智的决策，减少主观因素对审查结果的影响。因此，本发明提出的基于深度学习实现案件法制审查的智能处理方法及系统，能够提高案件法制审查的审查处理效率。[0147] 如图2所示，是本发明一实施例提供的基于深度学习实现案件法制审查的智能处理系统的功能模块图。[0148] 本发明所述基于深度学习实现案件法制审查的智能处理系统200可以安装于电子设备中。根据实现的功能，所述基于深度学习实现案件法制审查的智能处理系统200可以包括格式统一模块201、关联性计算202、主题抽取模块203、规则匹配模块204、风险度计算模块205以及智能审查模块206。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。[0149] 在本实施例中，关于各模块/单元的功能如下：[0150] 所述格式统一模块201，用于获取待审查案件，查询所述待审查案件对应的案件相关资料，对所述案件相关资料进行资料格式转换，得到格式统一数据，对所述格式统一数据进行文本提。玫焦丶谋臼荩籟0151] 所述关联性计算模块202，识别所述案件相关资料中对应的图文特征信息，将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，对所述案件综合信息进行实体识别，得到案件信息实体，计算所述案件信息实体对应的主体关联性；[0152] 所述主题抽取模块203，用于基于所述主体关联性，查询所述案件综合信息对应的案件描述，利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔ⅲ籟0153] 所述规则匹配模块204，用于利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，并将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据；[0154] 所述风险度计算模块205，用于基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，基于所述关联网络，制定所述待审查案件对应的风险评估指标，基于所述风险评估指标，计算所述待审查案件对应的案件风险程度；[0155] 所述智能审查模块206，用于基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案。[0156] 详细地，本发明实施例中所述基于深度学习实现案件法制审查的智能处理系统200中所述的各模块在使用时采用与附图中所述的基于深度学习实现案件法制审查的智能处理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。[0157] 如图3所示，是本发明实现基于深度学习实现案件法制审查的智能处理方法的电子设备的结构示意图。[0158] 所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如基于人工智能的工程安全监管程序。[0159] 其中，所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（CentralProcessingunit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块（例如执行基于人工智能的工程安全监管程序等），以及调用存储在所述存储器31内的数据，以执行电子设备的各种功能和处理数据。[0160] 所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（SmartMediaCard，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（FlashCard）等。进一步地，所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据，例如数据库配置化连接程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。[0161] 所述通信总线32可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extendedindustrystandardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。[0162] 所述通信接口33用于上述电子设备3与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI?FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（OrganicLight?EmittingDiode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。[0163] 图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。[0164] 例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器30逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi?Fi模块等，在此不再赘述。[0165] 应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。[0166] 所述电子设备中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现：[0167] 获取待审查案件，查询所述待审查案件对应的案件相关资料，对所述案件相关资料进行资料格式转换，得到格式统一数据，对所述格式统一数据进行文本提。玫焦丶谋臼荩籟0168] 识别所述案件相关资料中对应的图文特征信息，将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，对所述案件综合信息进行实体识别，得到案件信息实体，计算所述案件信息实体对应的主体关联性；[0169] 基于所述主体关联性，查询所述案件综合信息对应的案件描述，利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔ⅲ籟0170] 利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，并将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据；[0171] 基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，基于所述关联网络，制定所述待审查案件对应的风险评估指标，基于所述风险评估指标，计算所述待审查案件对应的案件风险程度；[0172] 基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案。[0173] 具体地，所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。[0174] 进一步地，所述电子设备集成的模块/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，可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read?OnlyMemory）。[0175] 本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：[0176] 获取待审查案件，查询所述待审查案件对应的案件相关资料，对所述案件相关资料进行资料格式转换，得到格式统一数据，对所述格式统一数据进行文本提。玫焦丶谋臼荩籟0177] 识别所述案件相关资料中对应的图文特征信息，将所述关键文本数据和所述图文特征信息进行多模态数据融合，得到所述待审查案件对应的案件综合信息，对所述案件综合信息进行实体识别，得到案件信息实体，计算所述案件信息实体对应的主体关联性；[0178] 基于所述主体关联性，查询所述案件综合信息对应的案件描述，利用预先训练好的深度学习模型中的注意力层对所述案件描述进行主题抽。玫焦丶魈庑畔ⅲ籟0179] 利用预先训练好的深度学习模型中的全连接层识别所述关键主题信息对应的案情事实，并将所述案情事实与预设的法律规则库进行匹配，得到案件匹配依据；[0180] 基于案件匹配依据和预设的法律规则库，构建所述待审查案件对应法条间的关联网络，基于所述关联网络，制定所述待审查案件对应的风险评估指标，基于所述风险评估指标，计算所述待审查案件对应的案件风险程度；[0181] 基于所述关键主题信息、所述案件匹配依据以及所述案件风险程度，对所述待审查案件进行智能审查，得到待审查案件对应的智能审查方案。[0182] 在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。[0183] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。[0184] 另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。[0185] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。[0186] 需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0187] 以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

专利地区：四川

专利申请日期：2024-06-17

专利公开日期：2024-09-27

专利公告号：2024-09-27