一种基于大语言模型的法律文书智能起草方法与流程
本发明涉及人工智能,具体涉及一种基于大语言模型的法律文书智能起草方法。
背景技术:
1、目前,法律文书的起草主要依赖律师或法务人员的人工撰写,以及部分辅助工具的支持。现有的一些自动化辅助方法通常采用规则引擎与模板填充相结合的方式,用户按照预设的文书结构录入案件信息后,系统将信息填入固定模板生成初步文书。然而,此类基于固定规则和模板的方法灵活性较差,难以适应复杂多变的实际案件需求,尤其是当案件涉及多份非结构化材料(如当事人陈述、证据扫描件、聊天记录等)时,模板填充方式无法从材料中自动提取并理解法规引用信息。近年来,部分研究者尝试将大语言模型应用于法律文书生成,通过向模型输入案情描述直接生成文书全文。但是,通用大语言模型在法律专业领域的表现存在明显不足:一方面,模型在处理材料中出现的法规简称、批量条文引用以及已被民法典吸收的旧法时,往往无法准确识别和规范化处理,导致生成的法规检索任务错误;另一方面,基于向量相似度的法规检索容易召回语义相近但实质不相关的法规条文,且当存在多个检索任务时,不同任务可能召回相同的法规条目,造成文书中法规引用重复,影响文书的专业性和严谨性。此外,现有系统对不同类型法律文书(如起诉状、答辩状、质证意见)的生成处理方式趋同,未能针对各类文书的特有起草规范(如质证意见需要前置持方识别)进行专项化设计,导致生成内容与文书类型要求的契合度不高。因此,如何提高法律文书自动起草中法规引用的准确率、消除检索结果的重复冗余、并实现对多类型文书的差异化专项生成,是本领域亟待解决的技术问题。
技术实现思路
1、为提高法律文书自动起草中法规引用的准确率、消除检索结果的重复冗余、并实现对多类型文书的差异化专项生成,本发明提出了一种基于大语言模型的法律文书智能起草方法,包括步骤:
2、s1:接收终端设备发送的文书起草指令数据,所述指令数据包括文件分片标识列表和文书类别标识;
3、s2:获取文件分片标识列表对应的各文件分片文本,并合并为统一上下文文本;
4、s3:调用法规检索大语言模型对统一上下文文本中的法规引用进行结构化解析,提取法规名称检索向量和条文号,并对惯用简称进行规范化还原、对批量条文引用进行拆分、对被民法典吸收的旧法进行统一替换,输出结构化法规检索任务列表;
5、s4:对法规检索任务列表中的每个任务执行向量检索,获取内嵌相似度分数的候选法规条目;
6、s5:将每条候选法规条目排除相似度分数后构建属性字典并转换为frozenset作为内容指纹,遍历全部候选法规条目,保留首次出现的内容指纹对应的法规条目,丢弃后续相同指纹的法规条目;
7、s6:将去重后保留的法规条目批量输入相关性判断大语言模型,获取每条法规条目与统一上下文文本是否相关的布尔判断结果,并过滤掉判断为不相关的法规条目;
8、s7:根据文书类别标识路由至对应的专项文书生成分支,生成法律文书文本并返回至终端设备。
9、本发明通过法规引用的结构化解析与规范化处理、基于内容指纹的跨批次去重以及相关性判断二次筛选,提升了法律文书起草中法规引用的准确性与相关性,并实现了按文书类别的差异化自动生成。
10、进一步地,所述s1步骤中,终端设备还发送用户输入的查询指令,所述查询指令为描述用户对所需法律文书的内容需求、起草要求、具体问题的自然语言文本。
11、进一步地,所述s2步骤中,当文件分片标识列表对应的文件分片数量超出预设阈值时,还包括文件碎片检索步骤:
12、调用大语言模型对用户输入的查询指令进行语义分析,生成检索关键词,基于该检索关键词对文件分片执行向量相似度检索,取回相似度最高的预设数量个文件片段,并将检索结果整合入所述统一上下文文本。
13、进一步地,所述s2步骤中,获取各文件分片文本时采用异步多线程并发调用机制。
14、进一步地,所述s3步骤中,法规检索大语言模型被设定为以json格式输出,当检测到条文号为阿拉伯数字格式时,将条文号转换为中文数字格式。
15、进一步地,所述s5步骤中,构建属性字典并转换为frozenset作为内容指纹具体为:
16、对每条候选法规条目,删除候选法规条目中的相似度分数键值对,将剩余键值对转换为frozenset作为内容指纹。
17、进一步地,所述s6步骤中,相关性判断大语言模型被设定为以布尔格式输出。
18、进一步地,所述s7步骤中,文书类别标识包括起诉状、答辩状、上诉状、代理词、律师函、再审申请书、强制执行申请书、质证意见及通用文书;当文书类别标识为质证意见时,生成法律文书文本前还根据用户输入的持方声明或统一上下文文本推断持方,并将持方结论作为隐式参数传递至后续生成过程。
19、与现有技术相比,本发明至少含有以下有益效果:
20、(1)本发明提出的一种基于大语言模型的法律文书智能起草方法,通过法规引用的结构化解析与规范化处理,能够更准确地从非结构化文本中提取可执行的法条检索任务,减少因表述多样性和格式不规范导致的检索错误;
21、(2)通过对向量检索结果构建排除相似度分数后的内容指纹进行跨批次去重,有效消除了因不同检索任务召回相同法规而造成的重复引用;
22、(3)利用相关性判断大语言模型对去重后的法规条目进行二次筛选,仅保留与具体案件背景匹配的条目,从而提升了引用法规的案由契合度;
23、(4)根据文书类别标识路由至对应的专项生成分支,并针对质证意见等特定文书前置持方识别与锚定,使生成的法律文书在内容准确性和类型适配性上均得到改善。
1.一种基于大语言模型的法律文书智能起草方法,其特征在于,包括步骤:
2.如权利要求1所述的一种基于大语言模型的法律文书智能起草方法,其特征在于,所述s1步骤中,终端设备还发送用户输入的查询指令,所述查询指令为描述用户对所需法律文书的内容需求、起草要求、具体问题的自然语言文本。
3.如权利要求2所述的一种基于大语言模型的法律文书智能起草方法,其特征在于,所述s2步骤中,当文件分片标识列表对应的文件分片数量超出预设阈值时,还包括文件碎片检索步骤:
4.如权利要求1所述的一种基于大语言模型的法律文书智能起草方法,其特征在于,所述s2步骤中,获取各文件分片文本时采用异步多线程并发调用机制。
5.如权利要求1所述的一种基于大语言模型的法律文书智能起草方法,其特征在于,所述s3步骤中,法规检索大语言模型被设定为以json格式输出,当检测到条文号为阿拉伯数字格式时,将条文号转换为中文数字格式。
6.如权利要求1所述的一种基于大语言模型的法律文书智能起草方法,其特征在于,所述s5步骤中,构建属性字典并转换为frozenset作为内容指纹具体为:
7.如权利要求1所述的一种基于大语言模型的法律文书智能起草方法,其特征在于,所述s6步骤中,相关性判断大语言模型被设定为以布尔格式输出。
8.如权利要求1所述的一种基于大语言模型的法律文书智能起草方法,其特征在于,所述s7步骤中,文书类别标识包括起诉状、答辩状、上诉状、代理词、律师函、再审申请书、强制执行申请书、质证意见及通用文书;当文书类别标识为质证意见时,生成法律文书文本前还根据用户输入的持方声明或统一上下文文本推断持方,并将持方结论作为隐式参数传递至后续生成过程。
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