具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

如背景技术所述，区别于传统的法律信息系统，处罚规定知识图谱是通过对违规行为的处罚规定相关文件进行分析后加工而成的结构化的语义知识库，用于描述违规行为处罚规定中的概念及其相互关系。通过将大量的数据从文本级别的粗粒度分解为数据级别的细粒度、聚合大量知识，从而实现了知识的快速响应和推理。基于构建的处罚规定知识图谱进行知识匹配和推理可以改变传统数据结构化不足、算法混乱的低效人工智能算法的现状。

处罚规定知识图谱的构建需要从针对违规行为的处罚规定相关文件中抽取关键信息，并加以分析、梳理，明确信息点之间的逻辑关系，最终进行结构化。对给定案例的违法违纪行为分类需要基于相关文件中的违法违纪行为类别，应用深度学习分类算法进行分类。该分类算法将类别本身具有的层级继承性融入到了算法结构中，用以提升最终分类的准确性。

以下结合附图来详细说明本公开的技术方案。

参考图1，本公开实施例提供了一种基于法律知识图谱的定性量纪推荐方法，包括以下步骤：

步骤S101、响应于接收到对违规案件的文本描述，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签。

在一些实施例中，基于构建的违规行为标签树对案件描述进行分类，违规行为标签树的每一个节点均为一个违规行为类别标签。违规行为标签树是一种树形结构的知识图谱，每个层级之间具有继承关系。本实施例中处罚规定知识图谱是依据《中国共产党纪律处分条例》(以下称《条例》)进行构建的，《条例》中的法条具有天然的类别继承性，与违规行为标签树的本身属性相符合，从《条例》中抽取具有继承关系的违规行为类别标签作为构建违规行为标签树的节点。再通过构建好的违规行为标签树对违规案件描述进行分类。当用户输入违规案件描述后，应用深度学习算法对违规案件进行分类时，将违规行为标签树的层级结构融入到了分类模型中，能够提升最终的分类准确性。

步骤S102、根据所述违规行为类别标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签。

在一些实施例中，违规行为类别标签即为处罚规定知识图谱中的部分节点，通过正则匹配找到违规行为类别标签在处罚规定知识图谱中的相同节点，通过节点关联到其他数据，包括具体的法条、款、项、量纪信息等等，从而确定所述违规案件对应的处罚条款信息和违规性质标签。

步骤S103、输出所述处罚条款信息和所述违规性质标签作为对所述违规案件的推荐定性结果。

推荐定性结果包括案件涉及的违规条例以及最终的定性行为、参考的量纪标准。相关司法人员以定推荐定性结果作为参考，根据案情的具体情况并结合以往的经验对违规案件描述的行为作出定性量纪判定。其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于针对违规行为的处罚规定相关文件而构建的。

在一些实施例中，基于《条例》的内容构建其对应的处罚规定知识图谱，其结构级别从高到低为：条、款、项。可能出现的层级结构包括：单独的一条；条、款；条、款、项；条、项。根据层级结构构建知识图谱的节点可能包含如图2所示的包含关系。其中，“款”这一层级标签在《条例》中没有明确给出，而是以分段的形式呈现的。

在一些实施例中，在输出所述处罚条款信息和所述违规性质标签后，响应于接收到用户输入的所述违规案件的情节严重度标签，将所述处罚条款信息和所述情节严重度标签与所述处罚规定知识图谱进行匹配，以确定针对所述违规案件的处罚措施信息；输出所述处罚措施信息作为对所述违规案件的推荐处罚措施结果。情节严重度标签对应了不同的处罚措施，标签具体可分为“情节较轻”、“情节较重”和“情节严重”。

构建好的处罚规定知识图谱为后续案例定性量纪提供了基础。

在一些实施例中，所述违规行为标签树具有继承层次结构，在该继承层次结构中第一层标签、多个第二层标签和多个第三层标签从高到低顺序排列。通过违规行为标签树中的节点标签可以关联到父标签或子标签，从而初步确定违规案件描述的定性行为。

在一些实施例中，利用所述多标签注意力机制对所述文本描述进行多标签分类以预测出所述违规行为类别标签包括：利用所述多标签注意力机制，根据所述多个第二层标签对所述文本描述进行分类，以得到所述多个第二层标签各自的第一得分；将所述多个第二层标签按所述第一得分从高到低进行排序，选取排序后的所述多个第二层标签中的前N个第二层标签，其中N表示预设数量；对于所述前N个第二层标签中的每一个第二层标签，基于所述违规行为标签树而确定所述多个第三层标签中与该第二层标签关联的第三层标签作为候选标签；利用所述多标签注意力机制，根据所述候选标签对所述文本描述进行分类，以得到所述候选标签各自的第二得分；确定所述候选标签中所述第二得分最高的候选标签作为所述违规行为类别标签。

具体的，多标签分类主要包括以下步骤：

1、将违规案件描述输入Bert-Chinese预训练模型中进行编码，得到所述文本描述的每个字的向量表示其中为所述文本描述的字数。

2、应用神经网络中的注意力层计算每一个字向量的加权平均，得到对于不同违规行为类别标签的所述文本描述的向量表示

其中，α_ij为权重参数，可以通过训练不断优化更新，j＝1,…,L，L为违规行为类别标签个数。

本实施例中，基于字向量表示通过注意力机制计算得到对应于每个第二层标签的所述文本描述的向量表示作为第一向量表示，第二层标签共有L个，也即得到了L个所述文本描述的向量表示

3、通过神经网络的全连接层和输出层对所述第一向量表示进行计算转换，得到所述第一向量表示的第一得分，每个第一得分对应于每个第二层标签，第一得分数值越高，说明对应的第二层标签与所述文本描述的关联性越大。

4、选取前N个第一得分数值较高的第二层标签相关联的下一级标签，也即第三层标签作为候选标签。

5、基于所述文本描述的字向量表示参考步骤2，通过神经网络的注意力层得到对应于每个候选标签的所述文本描述的向量表示作为第二向量表示，其中，P为子标签的个数，也即得到了P 个所述文本描述的向量表示

6、通过神经网络的全连接层和输出层对所述第二向量表示进行计算转换，得到所述第二向量表示的第二得分，每个第二得分对应于每个候选标签，第二得分数值越高，说明对应的子标签与所述文本描述的关联性越大。

7、选取第二得分最高的所述候选标签作为违规行为类别标签，也即选出与所述文本描述最相关的候选标签作为所述文本描述的违规行为类别标签，也可根据具体情况选出得分较高的几个标签作为所述文本描述的违规行为类别标签。

在一些实施例中，通过神经网络的全连接层将所述第一向量表示与第一权重矩阵相乘，输出第一中间隐层向量；通过神经网络的的输出层将所述第一中间隐层向量与第二权重矩阵相乘，输出所述第一向量表示的第一得分。

具体的，在上述步骤3和步骤6中，应用神经网络的全连接层将所述第一向量和所述第二向量分别与第一权重矩阵相乘，对所述第一向量和所述第二向量进行进一步的隐含语义表示，分别得到第一中间隐层向量和第二中间隐层向量。再通过输出层将所述第一中间隐层向量和所述第二中间隐层向量分别与第二权重矩阵相乘，得到相应的每个违规行为类别标签的得分，也即得到每个第二层标签的第一得分和每个候选标签的第二得分。

基于同一发明构思，本公开还提供了一种基于法律知识图谱的定性量纪推荐方法，包括：

响应于接收到对违规案件的文本描述以及所述违规案件的情节严重度标签，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；

根据所述违规行为类别标签和所述情节严重度标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签以及针对所述违规案件的处罚措施信息；

输出所述处罚条款信息、所述违规性质标签以及所述处罚措施信息作为对所述违规案件的推荐判定结果，

其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于针对违规行为的处罚规定相关文件而构建的。

进一步的，所述违规行为标签树具有继承层次结构，在该继承层次结构中第一层标签、多个第二层标签和多个第三层标签从高到低顺序排列。

进一步的，利用所述多标签注意力机制对所述文本描述进行多标签分类以预测出所述违规行为类别标签包括：

利用所述多标签注意力机制，根据所述多个第二层标签对所述文本描述进行分类，以得到所述多个第二层标签各自的第一得分；

将所述多个第二层标签按所述第一得分从高到低进行排序，选取排序后的所述多个第二层标签中的前N个第二层标签，其中N表示预设数量；

对于所述前N个第二层标签中的每一个第二层标签，基于所述违规行为标签树而确定所述多个第三层标签中与该第二层标签关联的第三层标签作为候选标签；

利用所述多标签注意力机制，根据所述候选标签对所述文本描述进行分类，以得到所述候选标签各自的第二得分；

确定所述候选标签中所述第二得分最高的候选标签作为所述违规行为类别标签。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种基于法律知识图谱的定性量纪推荐装置。

参考图3，所述一种基于法律知识图谱的定性量纪推荐装置，包括：

分类模块301，被配置为：响应于接收到对违规案件的文本描述，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；

匹配与推理模块302，被配置为：根据所述违规行为类别标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签；

输出模块303，被配置为输出所述处罚条款信息和所述违规性质标签作为对所述违规案件的推荐定性结果，

其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于所述处罚规定知识图谱而构建的。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种基于法律知识图谱的定性量纪推荐装置。

所述一种基于法律知识图谱的定性量纪推荐装置，包括：

分类模块，被配置为：响应于接收到对违规案件的文本描述以及所述违规案件的情节严重度标签，基于违规行为标签树，利用深度学习算法的多标签注意力机制对所述文本描述进行多标签分类，以预测出所述违规案件对应的违规行为类别标签；

匹配与推理模块，被配置为：根据所述违规行为类别标签和所述情节严重度标签，基于处罚规定知识图谱进行匹配与推理计算，以确定所述违规案件对应的处罚条款信息和违规性质标签以及针对所述违规案件的处罚措施信息；

输出模块，被配置为输出所述处罚条款信息、所述违规性质标签以及所述处罚措施信息作为对所述违规案件的推荐判定结果，

其中，所述处罚规定知识图谱是预先基于针对违规行为的处罚规定相关文件而构建的，所述违规行为标签树是预先基于所述处罚规定知识图谱而构建的。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的基于处罚规定知识图谱的定性量纪智能推荐方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于法律知识图谱的定性量纪推荐方法。

图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030 和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM (Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器 1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入 /输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的基于法律知识图谱的定性量纪推荐方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于法律知识图谱的定性量纪推荐方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于法律知识图谱的定性量纪推荐方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路) 以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。