一种合同风险识别方法及相关装置与流程
本技术涉及人工智能,尤其涉及一种合同风险识别方法及相关装置。
背景技术:
1、合同是一种常见的法律文件,涉及合同双方或者多方的权利和义务,因此,需要对合同中的风险进行识别,以避免权益损失。但是,随着合同的复杂性和多样性,通过传统的人工处理方式来评估合同风险,不仅评估工作量巨大,而且效率低下且准确度不高。
技术实现思路
1、为了解决上述的问题,本技术提供了一种合同风险识别方法及相关装置,解决了人工处理方式来评估合同风险时的评估工作量大、效率低、准确度不高的问题。
2、为此,本技术中采用如下技术方案:
3、第一方面,本技术提供了一种合同风险识别方法,主要包括以下步骤:根据待识别的合同条款,确定风险点;根据风险点的风险条目,确定风险属性及其取值范围;将合同条款、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值;根据风险属性和目标属性值,确定合同条款的风险识别结果。其中,风险点表示合同条款存在风险的类别;风险条目表示对风险点的描述信息;风险属性表示风险条目所指示的分析对象。
4、本技术中,使用大模型从风险属性的取值范围进行选择抽取,得到目标属性值;再根据抽取的目标属性值完成风险判断。解决了人工处理方式来评估合同风险时的评估工作量大、效率低、准确度不高的问题。以及,相比于将风险点对应的风险条目直接输入大模型,利用大模型的文本理解分析完成风险判断的技术方案,本技术中,使用大模型进行信息提取,得到风险属性的目标属性值;这种“信息提取”方式,使得大模型输出结果的准确性更高,提高了大模型的可解释性和准确度,进而风险识别的准确性更高,降低了大模型出现幻觉现象的可能性。
5、在一种可能的实现方式中,上述的根据风险点的风险条目,确定风险属性及其取值范围,包括:根据风险点,确定风险点中的风险条目;根据风险条目,从第一数据库中,匹配得到风险属性及其取值范围;第一数据库包括风险条目样例、对应的第一风险属性样例、对应的取值范围样例。
6、在该实现方式中,风险属性库(即第一数据库)是预设的包括一个或者多个风险条目样例、对应的第一风险属性样例及其取值范围样例的数据库。可以从风险属性库匹配得到风险属性及其取值范围,效率更高。
7、在一种可能的实现方式中,该方法还包括:根据合同条款,从第二数据库中,匹配得到第一参考样例信息;第一参考样例信息包括第一合同条款样例、对应的第二风险属性样例、对应的属性值样例。上述的将合同条款、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值,包括:将合同条款、第一参考样例信息、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值。
8、在该实现方式中,专家经验库(即第二数据库)可以存放有以往样例或者根据用户设置得到。这样,将合同条款、第一参考样例信息、风险属性和风险属性的取值范围输入大语言模型,大模型以第一参考样例信息为示例参考,以输出风险属性的目标属性值。这样,不需要对大模型进行微调的同时,大模型输出的风险点召回结果的准确性更高。
9、在一种可能的实现方式中,该方法还包括:获取合同条款的角色信息;角色信息包括目标主体和非目标主体,目标主体表示合同条款中的多个合同主体中进行风险分析的主体,非目标主体表示合同条款中的多个合同主体中目标主体以外的主体;根据目标主体、非目标主体,对合同条款中的合同主体进行替换,得到主体替换后的合同条款;上述的将合同条款、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值,包括:将主体替换后的合同条款、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值。
10、在该实现方式中,一个借款合同涉及甲方、乙方等多个主体,而每个主体可能具有多个不同的名称;比如,合同中的甲方,也以“出借人”、“出借方”等名称出现;这样,大模型可能会出现两种情况的主体混乱问题:第一种情况,将“甲方”、“出借人”、“出借方”识别为不同的合同主体;进而造成风险点识别结果中风险点遗漏、风险判别结果出现错误等问题;第二种情况,将“甲方”、“乙方”识别为同一个合同主体;进而造成风险点识别结果中的风险点识别错误、风险判别结果出现错误等问题。本技术实施例中,在分析甲方面临的合同风险时,将“甲方”、“出借人”、“出借方”替换为目标主体(比如某银行),即进行风险分析的主体;将乙方替换为非目标主体(比如某公司)。对合同文本进行角色替换后,得到角色替换后的合同文本。根据角色替换后的合同文本进行风险分析,大模型可以清楚地辨析目标主体;避免了将“甲方”、“出借人”、“出借方”识别为不同的合同主体、将“甲方”、“乙方”识别为同一个合同主体的现象;进而提高了合同风险分析结果的准确性。这样,即使单个合同片段缺少角色背景信息,大模型也可以识别出目标主体,进而避免了风险结果出错的情况。
11、在一种可能的实现方式中,上述的根据待识别的合同条款,确定风险点,包括:根据合同条款,从第三数据库中,匹配得到第二参考样例信息;第二参考样例信息包括第二合同条款样例、对应的风险点样例;将合同条款、第二参考样例信息输入大语言模型,以输出风险点。
12、在该实现方式中,专家经验库(即第三数据库)存放有以往样例,或者专家经验库根据用户设置得到。这样,大模型以第二参考样例信息为示例参考,不需要对大模型进行微调的同时,大模型输出的风险点召回结果的准确性更高。本技术提出了一种风险点召回方法,解决使用基于bert模型等小模型的技术方案、基于关键词匹配识别风险点的技术方案等无法解决的长合同片段语义理解问题,该问题限制了风险识别准确率的进一步提高。
13、在一种可能的实现方式中,上述的根据待识别的合同条款,确定风险点,包括:获取合同条款的筛选参考信息;根据筛选参考信息,确定潜在风险点;将合同条款、潜在风险点输入大语言模型,以输出风险点。
14、在该实现方式中,筛选参考信息比如为用户或系统输入的具有筛选性质的字段,例如风险场景,业务类型等。筛选参考信息是合同文本片段的上下文信息;潜在风险点是合同文本片段相关的上下文信息的特有的潜在的风险点。潜在风险点可以作为大模型风险点分析过程的参考,进而帮助大模型更准确地分析合同条款可能存在的风险点,进而提高了大模型输出的合同条款的风险点的准确性。
15、在一种可能的实现方式中,上述的根据筛选参考信息,确定潜在风险点,包括:根据筛选参考信息,从第四数据库中,匹配得到潜在风险点。
16、在该实现方式中,合同风险基线是指在合同管理过程中,对合同相关风险进行全面识别、评估和记录后形成的一个基础性参考标准。不同的公司会管理自己公司的风险基线库,通常保存所有风险场景下的所有的风险点和风险条目相关信息,并隔一段时间(通常为年或季度)会进行基线更新。因此,基于风险基线库(即第四数据库)匹配得到的潜在风险点,更符合企业自身的特点;从而让大模型了解风险分析的目标主体的风险基线是什么,从而大模型输出的风险点更准确,也更适配于当前合同条款对应的目标主体。比如,对于同样的合同条款,可能不同企业(即目标主体)的风险基线库不同,对应的潜在风险点也会不同,进而大模型输出的风险点也会不同;进而,大模型输出的风险点更适配于当前合同条款对应的目标主体。
17、在一种可能的实现方式中,该方法还包括:获取待识别的合同文本;调用大语言模型,以对合同文本进行拆分,得到多个子条款;根据多个子条款,确定待识别的合同条款。
18、在该实现方式中,调用大语言模型,以对合同文本进行拆分。进而可以利用大模型的超长文本理解能力,一次完成整篇合同的子条款识别和拆分工作。进而,解决了无法处理非标准格式子条款的拆分问题,解决了基于规则匹配的方案容易将多级子条款拆开,而影响后续识别准确率的问题。
19、在一种可能的实现方式中,上述的调用大语言模型,对合同文本进行拆分,得到多个条款,包括:当合同文本超出大语言模型的输入限制时,对合同文本进行分片处理,得到多个子合同;调用大语言模型,以分别对多个子合同进行拆分,得到每个子合同对应的多个条款。
20、在该实现方式中,若遇到超出大模型输入字数上限的超长合同,则通过将该超长合同的过长的字符串进行分片处理,得到多个子合同;多次调用大模型,得到多个子合同的子条款拆分结果。这样,大模型可以对子合同进行进一步地合同条款拆分,从而使得本技术的技术方案也适用于超长合同的风险分析的场景。
21、在一种可能的实现方式中,上述的根据待识别的合同条款,确定风险点,包括:对多个子条款进行合并处理,得到合同片段;将合同片段输入大语言模型,以输出合同片段的风险点集合;对合同片段和风险点集合进行匹配,得到多个子条款中每个子条款的风险点。
22、在该实现方式中,对多个子条款进行合并处理,得到合同片段;将合同片段输入大语言模型。这样,可以在不降低风险点召回准确率的同时,大幅降低调用大模型的次数和耗时。
23、在一种可能的实现方式中,该方法还包括:将多个子条款和每个子条款的风险点输入大语言模型,以使语义相关的子条款合并为合并条款;合并条款作为待识别的合同条款。
24、在该实现方式中,对于带有若干风险点标签的多个子条款,调用大模型分析风险点标签相同或相似、位置相邻的子条款是否在语义上相关,即是否存在条款之间互相引用的情况。对存在语义关联的子条款进行合并,最后得到合并后的带有风险点标签的子条款列表,作为待识别的合同条款。这样,在风险点召回时,大模型将存在语义关联的子条款作为整体进行语义分析,风险点召回结果更准确。
25、第二方面,本技术提供了一种合同风险识别装置,主要包括:获取模块,用于获取待识别的合同条款。处理模块,用于根据待识别的合同条款,确定风险点;风险点表示合同条款存在风险的类别。以及,根据风险点的风险条目,确定风险属性及其取值范围;风险条目表示对风险点的描述信息,风险属性表示风险条目所指示的分析对象。以及,将合同条款、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值。以及,根据风险属性和目标属性值,确定合同条款的风险识别结果。
26、在一种可能的实现方式中,在根据风险点的风险条目,确定风险属性及其取值范围时,处理模块具体用于:根据风险点,确定风险点中的风险条目;根据风险条目,从第一数据库中,匹配得到风险属性及其取值范围;第一数据库包括风险条目样例、对应的第一风险属性样例、对应的取值范围样例。
27、在一种可能的实现方式中,处理模块还用于:根据合同条款,从第二数据库中,匹配得到第一参考样例信息;第一参考样例信息包括第一合同条款样例、对应的第二风险属性样例、对应的属性值样例。在将合同条款、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值时,处理模块具体用于:将合同条款、第一参考样例信息、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值。
28、在一种可能的实现方式中,处理模块还用于:获取合同条款的角色信息;角色信息包括目标主体和非目标主体,目标主体表示合同条款中的多个合同主体中进行风险分析的主体,非目标主体表示合同条款中的多个合同主体中目标主体以外的主体;根据目标主体、非目标主体,对合同条款中的合同主体进行替换,得到主体替换后的合同条款。在将合同条款、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值时,处理模块具体用于:将主体替换后的合同条款、风险属性和风险属性的取值范围输入大语言模型,以输出风险属性的目标属性值。
29、在一种可能的实现方式中,在根据待识别的合同条款,确定风险点时,处理模块具体用于:根据合同条款,从第三数据库中,匹配得到第二参考样例信息;第二参考样例信息包括第二合同条款样例、对应的风险点样例;将合同条款、第二参考样例信息输入大语言模型,以输出风险点。
30、在一种可能的实现方式中,在根据待识别的合同条款,确定风险点时,处理模块具体用于:获取合同条款的筛选参考信息;根据筛选参考信息,确定潜在风险点;将合同条款、潜在风险点输入大语言模型,以输出风险点。
31、在一种可能的实现方式中,在根据筛选参考信息,确定潜在风险点时,处理模块具体用于:根据筛选参考信息,从第四数据库中,匹配得到潜在风险点。
32、在一种可能的实现方式中,处理模块还用于:获取待识别的合同文本;以及,调用大语言模型,以对合同文本进行拆分,得到多个子条款;以及,根据多个子条款,确定待识别的合同条款。
33、在一种可能的实现方式中,在调用大语言模型,对合同文本进行拆分,得到多个条款时,处理模块具体用于:当合同文本超出大语言模型的输入限制时,对合同文本进行分片处理,得到多个子合同;调用大语言模型,以分别对多个子合同进行拆分,得到每个子合同对应的多个条款。
34、在一种可能的实现方式中,在根据待识别的合同条款,确定风险点时,处理模块具体用于:对多个子条款进行合并处理,得到合同片段;将合同片段输入大语言模型,以输出合同片段的风险点集合;对合同片段和风险点集合进行匹配,得到多个子条款中每个子条款的风险点。
35、在一种可能的实现方式中,处理模块还用于:将多个子条款和每个子条款的风险点输入大语言模型,以使语义相关的子条款合并为合并条款;合并条款作为待识别的合同条款。
36、第三方面,本技术提供一种芯片系统,芯片系统包括处理器和供电电路,供电电路用于对处理器供电,处理器用于执行第一方面及其任一种可能的实现方式所描述的方法。
37、第四方面,本技术提供一种计算设备,计算设备包括处理器和存储器。处理器用于执行存储器中存储的指令,以使得计算设备执行第一方面及其任一种可能的实现方式所描述的方法。
38、第五方面,本技术提供一种计算设备集群,包括至少一个计算设备,每个计算设备均包括处理器和存储器;至少一个计算设备的处理器用于执行至少一个计算设备的存储器中存储的指令,以使得计算设备集群执行第一方面及其任一种可能的实现方式所描述的方法。
39、第六方面,本技术提供一种计算机可读存储介质,包括计算机程序指令,当指令被计算设备集群运行时,使得计算设备集群执行第一方面及其任一种可能的实现方式所描述的方法,其中,计算设备集群包括至少一个计算设备。
40、第七方面,本技术提供一种包含指令的计算机程序产品,当指令被计算设备集群运行时,使得计算设备集群执行第一方面及其任一种可能的实现方式所描述的方法,其中,计算设备集群包括至少一个计算设备。
41、可以理解的是,上述第二方面至第七方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com