一种焦点分析的方法及装置与流程

1.本发明涉及计算机人工智能技术领域，尤其涉及一种焦点分析的方法及装置。


背景技术：

2.随着立案登记制的改革，案件数量大幅度提升，“案多人少”矛盾突出，法院现有的审判体系、审判能力、司法服务能力已难以与之相适应，迫切需要进一步提升人民法院信息化水平，深化司法公开力度，促进审判流程再造，破解人民法院“案多人少”难题。
3.而现有的辅助庭审分析系统在庭审过程中，依托图文识别及语义分析技术，能够根据指定案由基于庭审中法官、原被告等角色的对话自动化生成争议焦点，并对于争议焦点相关的对话内容进行标识，以便于后续裁判文书的制作，如此，通过提供智能化辅助支持和服务，提升办案效率。但是，现有的辅助庭审分析系统需要根据不同的案由而设置对应的分析模型，如此，在实际部署时，由于司法业务所覆盖的案由类型较多，就需要部署大量的不同案由所对应的分析模型，从而耗费大量的机器资源，并且，由于不同案由所具有的样本数据量级参差不齐，也会导致不同案由分析模型的实际应用效果差异明显。


技术实现要素：

4.鉴于上述问题，本发明提出了一种焦点分析的方法及装置，主要目的在于实现为不同案由的案件生成争议焦点以及标注相关对话内容。
5.为达到上述目的，本发明主要提供如下技术方案：
6.一方面，本发明提供一种焦点分析的方法，具体包括：
7.采集当前案件的指定案由以及对话内容；
8.利用多案由分析模型根据所述指定案由从所述对话内容中分析所述当前案件的至少一个争议焦点，所述多案由分析模型由多种预设案由的案件样本训练得到；
9.在所述对话内容中获得与所述至少一个争议焦点相关的焦点语句。
10.另一方面，本发明提供一种焦点分析的装置，具体包括：
11.采集单元，用于采集当前案件的指定案由以及对话内容；
12.分析单元，用于利用多案由分析模型根据所述采集单元得到的指定案由从所述对话内容中分析所述当前案件的至少一个争议焦点，所述多案由分析模型由多种预设案由的案件样本训练得到；
13.标注单元，用于在所述对话内容中获得与所述分析单元得到的至少一个争议焦点相关的焦点语句。
14.另一方面，本发明提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的焦点分析的方法。
15.借由上述技术方案，本发明提供的一种焦点分析的方法及装置，主要是通过部署一个多案由分析模型实现跨案由生成争议焦点以及标注相关对话内容，在实际的法庭庭审过程中，审理不同案由案件的法庭都可以调用该多案由分析模型辅助庭审分析，根据庭审
中的对话内容结合指定案由自动生成当前案件的争议焦点，并获取对话内容中与争议焦点相关的语句为焦点语句。相对于现有的针对指定案由定制化分析模型的辅助庭审分析系统，本发明无需部署大量指定案由的分析模型，通过部署多案由分析模型而节省大量的系统资源。
16.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
17.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
18.图1示出了本发明实施例提出的一种焦点分析的方法的流程图；
19.图2示出了本发明实施例提出的对话内容向量化表示过程的流程图；
20.图3示出了本发明实施例提出的多案由分析模型分析案件争议焦点过程的流程图；
21.图4示出了本发明实施例提出的标注焦点语句过程的流程图；
22.图5示出了本发明实施例提出的一种焦点分析的装置的组成框图；
23.图6示出了本发明实施例提出的另一种焦点分析的装置的组成框图。
具体实施方式
24.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
25.本发明实施例提供的一种焦点分析的方法，主要应用于辅助庭审分析系统中，主要目的在于增加分析模型的通用性，使得该分析模型能够跨案由分析庭审案件的争议焦点，实现在实际部署中减少分析模型对系统资源的占用，从而降低辅助庭审分析系统的部署成本。具体的，本方法在实际庭审过程中的实施步骤如图1所示，包括：
26.步骤101、采集当前案件的指定案由以及对话内容。
27.其中，指定案由一般是由人工根据当前庭审案件所设置的，对话内容是指当前庭审案件在审理过程中的对话信息，一般可以通过语音转换技术得到对话内容，或者是通过书记员手工记录获得。
28.需要说明的是，本步骤中的对话内容除了对话的语句信息外，还包括说话人的角色信息，因此，每一条对话内容都是由角色信息与对话语句两部分内容所组成的。其中，角色信息一般包括审判员、原告、被告等。通过在对话内容中增加角色信息有助于对对话语句的语义理解，从而更准确地分析出原告与被告之间的争议焦点。
29.步骤102、利用多案由分析模型根据指定案由从对话内容中分析当前案件的至少一个争议焦点。
30.其中，多案由分析模型用于根据庭审过程中的对话内容分析出该案件的争议焦点以及对应的争议焦点内容，其与定制化的指定案由分析模型的区别在于：该多案由分析模型适用于多种预设案由，当有多个法庭审理不同案由的案件时，都可以通过使用该多案由分析模型进行辅助分析，无需查找指定案由的分析模型。而在实际庭审过程中，通过调用多案由分析模型，无需查找与选择针对指定案由所需的分析模型，而是将审理案件的案由输入该多案由分析模型，由该多案由分析模型根据案由动态分析庭审过程中的对话内容，确定并输出争议焦点与争议焦点内容。
31.此外，该多案由分析模型在训练时也不需要对案件样本按照案由进行分类，而是符合预设案由的案件样本均可用于训练该多案由分析模型。其中，预设案由为该模型预先指定的可处理案件的案由，该预设案由在实际应用过程中也可以根据需求进行数量调整。
32.本步骤中的多案由分析模型可以通过当前庭审案件的指定案由先确定与该指定案由相关的多个争议焦点，之后，通过对对话内容的分析确定其落在这些争议焦点中的概率，由此，将概率大的争议焦点作为当前庭审案件的争议焦点。其中，确定争议焦点的具体方式不限定是设置概率阈值，将大于该概率阈值的确定为争议焦点，或者是取最大概率值的为争议焦点，或者是将前述两者方式综合设置确定条件来确定争议焦点。
33.进一步的，根据所确定的争议焦点可以进一步地根据对话内容利用文本生成算法生成争议焦点内容，该争议焦点内容与争议焦点一一对应。
34.步骤103、在对话内容中获得与至少一个争议焦点相关的焦点语句。
35.本步骤获得焦点语句的目的在于辅助审判人员查看庭审过程中的对话内容中的重点内容，以此来核对所生成的争议焦点以及争议焦点内容。具体的，本步骤的焦点语句获取可以转换为对对话内容中的对话语句进行分类的操作，其分类的类别根据争议焦点的数量确定，包括争议焦点与非争议焦点，比如，争议焦点有2个，那么对应的类别就是3类，分别为争议焦点1、争议焦点2以及非争议焦点。根据具体的分类类别，利用神经网络模型对对话内容中的对话语句进行分类，进而标注出每个争议焦点相关的对话语句，即焦点语句。
36.通过上述图1所示实施例中的各步骤可知，本发明实施例主要应用于法院庭审过程，根据庭审过程中的对话内容辅助审判人员确定案件的争议焦点，并标注与争议焦点相关的焦点语句，方便审判人员核对。而本发明实施例相对于现有辅助庭审系统的区别在于，无需人工选择指定案由的分析模型，本实施例中的多案由分析模型能够跨案由分析，审判人员仅需将当前案件的案由输入多案由分析模型即可，如此，在实际部署时就可以仅部署该多案由分析模型，降低了系统的资源需求，即降低了部署成本。同时，本发明实施例在采集对话内容时，在对话内容中增加了对话的角色信息，使得在生成争议焦点时可以基于对话人的角色更准确地理解对话语句的语义，从而更准确地确定案件的争议焦点。
37.进一步的，针对上述图1所述焦点分析的方法可以看出，本发明实施例的执行需要先构建多案由分析模型，并利用已有的标注有案由的案件样本对该多案由分析模型进行训练，使得其能够准确地生成争议焦点以及对应的争议焦点内容。为此，本发明实施例构建该多案由分析模型的具体过程如下：
38.首先，确定案由集合，该案由集合中包括多种预设案由。即确定多案由分析模型所适用的案由种类，该案由集合可以根据用户需求自定义设置。
39.之后，基于多种预设案由构建多案由分析模型。该多案由分析模型可以是基于神
经网络构建的，模型的输入为指定案由的案件样本，即案件在庭审过程中的对话内容与该案件的指定案由。需要说明的是，该指定案由为案由集合中的一种预设案由。模型的输出为案件样本的争议焦点以及对应的争议焦点内容。
40.最后，利用标注有案由的案件样本训练该多案由分析模型。由于其能够对多种预设案由的案件进行分析，为了避免干扰，在训练多案由分析模型的过程中，需要根据案件样本的指定案由对多种预设案由的其他案由进行掩码，以此训练多案由分析模型在指定案由下的损失函数。具体的，就是在神经网络进行反向传播迭代学习过程中，仅迭代指定案由下的损失，对于其他案由通过掩码操作(即乘以0)，将其从总体的损失中去除，进而执行反向传播与梯度计算，确定损失函数的相关参数。
41.进一步的，本发明实施例中的多案由分析模型是针对指定案由根据对话内容分析争议焦点，为此，就需要预先声明不同案由所对应的争议焦点，本实施例中声明案由与争议焦点的对应关系是通过构建法律知识图谱实现的。在多案由情况下，各个案由都需要梳理各自的法律知识图谱，通常法律知识图谱具有树状或网状的拓扑结构，用于表达复杂的法律关系，每个法律知识图谱中包括法律实体以及法律关系，其中，法律实体用于表示指定案由所具有的争议焦点，一般一个案由都具有多个争议焦点，法律关系则用于表示不同争议焦点之间的关联关系。
42.基于案由的法律知识图谱可以由法律专家人工构建，也可以通过算法自动构建，包括但不限于transe、transr等算法构建图谱，通过构建的法律知识图谱可以实现对每个法律实体的向量表示，即不同案由所对应的各个争议焦点的向量表示。
43.根据上述实施例所构建的多案由分析模型以及预先设置的指定案由与争议焦点的对应关系(法律知识图谱)，本发明实施例将进一步针对图1所示实施例中的步骤逐一说明其优选实施方式：
44.首先，针对步骤101，采集当前案件的指定案由以及对话内容，其中，指定案由是人工输入的信息，而对话内容是将当前庭审过程中的对话信息转换为多案由分析模型可识别的向量化信息，其具体过程如图2所示，包括：
45.步骤201、获取当前案件的对话内容。
46.该对话内容包括至少一句的对话语句以及对应的预设角色标识。其中，预设角色标识可以表示多个角色，假设对话内容中参与对话的角色包括：审判员、原告1、原告2、原告代理律师、被告代理律师，预设的角色标识为a、b、c，那么，a标识表示审判员，b标识表示原告1、原告2、原告代理律师，c标识表示被告代理律师。最终获取的对话内容表示为{(角色a，对话语句1)，(角色b，对话语句2)，(角色a，对话语句3)
…
(角色x，对话语句n)}，其中，x为a、b、c中的一种角色。
47.步骤202、基于每个对话语句与对应的预设角色标识生成语句向量。
48.本步骤是将对话内容向量化表示，其中，常规的向量化表示方式是将对话语句进行分词，对每个分词通过词典转换为词向量，并且将预设角色标识按预设方式进行向量化表示，得到对话语句的向量表示，比如向量序列{e1,e2,e3,
…
,em}，其中，e表示分词，m表示分词的数量。之后，将预设角色标识的向量与对话语句的向量序列进行拼接，即将预设角色标识的向量与每个词向量拼接，从而得到带有角色信息的语句向量，假设其表示为{e1,e2,e3,
…
,em}。
49.需要说明的是，将角色信息与对话语句的信息相融合的方式不限定于上述的向量拼接，也可以是向量相加、相乘等其他方式。
50.步骤203、利用神经网络模型将至少一句的对话语句所对应的语句向量进行编码，得到该对话内容对应的对话向量。
51.其中，神经网络模型可以采用深度学习神经网络，包括但不限于cnn、lstm、transformer、attention等神经网络模型。通过神经网络模型将上一步骤的语句向量{e1,e2,e3,
…
,em}进行编码，得到向量v，根据所获取的历史对话内容对应的语句向量，可以得到表示整体对话内容的对话向量，{v1,v2,v3,
…
,vn}，其中，n表示语句向量的数量。
52.步骤204、根据对话内容中对话语句的上下文关系对对话向量进行语义编码，得到该对话内容对应的对话语义向量。
53.本步骤是基于对话语句之间的上下文关系对上一步骤得到的对话向量进行二次编码，将{v1,v2,v3,
…
,vn}映射为对话语义向量{h1,h 2,h 3,
…
,h n}，其中，v与h一一对应，h是v的进一步表示，由此可知，对话语义向量中融入了更多对话语句的上下文语义信息。
54.通过上述步骤可知，本发明实施例将对话内容进行向量化表示时，不仅在对话语句中融入了角色信息，并且还基于对话语句的上下文关系进行编码得到含有上下文语义信息的对话语义向量，使得对话内容的向量化表示能够更准确地表达对话中的语义，从而为后续的分析提高内容更加丰富的素材信息。
55.其次，针对步骤102，由多案由分析模型分析案件的争议焦点的具体过程如图3所示，包括：
56.步骤301、根据法律知识图谱确定指定案由具有的多个争议焦点。
57.本步骤是根据输入的指定案由，即当前庭审案件的案由，利用上述构建的法律知识图谱查找该指定案由所关联的争议焦点。
58.步骤302、多案由分析模型分析对话内容对应的对话语义向量，确定对话语义向量在多个争议焦点上的映射概率。
59.本步骤需要将对话语义向量{h1,h 2,h 3,
…
,h n}进行池化，包括但不限于attention、max-pool、mean-pool等池化方法，将信息进行聚合以得到对话表示，以向量h表示，其可以理解为综合了上述所有对话信息的表示，该表示理论上可以强化关键性信息，如主要的涉案情节，以及抗辩过程等，以及弱化一些无关信息，比如一些流成性的话术。之后，利用全联接层处理向量h，得到一个映射概率向量，该映射概率向量中的每一个维度的概率值即为对话语义向量在该维度对应的争议焦点上的映射概率。其中，映射概率向量的维度为指定案由所关联的争议焦点的数量。
60.步骤303、根据映射概率确定对话内容含有的争议焦点。
61.本步骤一般可通过设置阈值的方式确定，即当各个争议焦点对应的映射概率中存在大于该阈值的映射概率时，就确定对应的争议焦点为该案件当前对话内容所含有的争议焦点(也就是说，随着庭审对话内容的持续增加，该争议焦点可能增加或改变)。但是，通过阈值的方式，在阈值设置较高时，有可能导致无法确定出争议焦点。
62.对此，本步骤在设置阈值的基础上增加对最大映射概率的确定条件，即在判断各个争议焦点对应的映射概率中都不存在大于阈值的映射概率时，则将其中最大映射概率对
应的争议焦点确定为该对话内容含有的争议焦点。
63.进一步的，多案由分析模型在确定出案件的争议焦点之后，本发明实施例还可以根据所确定的争议焦点，结合对话内容生成对应的争议焦点内容，该争议焦点内容与争议焦点一一对应，其生成的具体过程包括：
64.步骤304、根据法律知识图谱确定每个争议焦点对应的焦点向量。
65.该步骤是基于所确定的争议焦点，获取对应的焦点向量，该焦点向量即为法律知识图谱中对应的法律实体的向量表示。
66.步骤305、将对话语义向量分别与每个焦点向量融合，得到至少一个新对话内容向量。
67.其中，对话语义向量{h1,h 2,h 3,
…
,h n}与焦点向量融合的方式包括但不限定为门控机制、拼接等方式。以此得到融入争议焦点先验信息的对话表示，即新对话内容向量，记为{h1,h 2,h 3,
…
,h n}。当争议焦点为多个时，将得到多个对应的新对话内容向量。
68.步骤306、利用文本生成算法处理新对话内容向量，为每个争议焦点生成对应的争议焦点内容。
69.本步骤中的文本生成算法可以采用深度学习的seq2seq模型，以此来处理新对话内容向量，输出争议焦点对应的争议焦点内容。同样的，当争议焦点为多个时，也将得到多个对应的争议焦点内容。
70.但是，需要说明的是，以上步骤的执行是一个动态分析过程，即随着对话语句的增加，整个对话内容中的争议焦点也会随之改变，而争议焦点的改变也会进一步影响其所对应的争议焦点内容。
71.最后，针对步骤103，获得与至少一个争议焦点相关的焦点语句的具体过程如图4所示，包括：
72.步骤401、根据至少一个争议焦点确定语句分类标签。
73.其中，语句分类标签包括争议焦点对应的焦点语句与非焦点语句。
74.本实施例可以将标注焦点语句的过程转换为对对话语句分类的过程，而要执行分类，首先需要确定分类的类别，即语句分类标签。假设，庭审案件当前所确定的争议焦点有2个，分别为焦点1与焦点2，那么，本步骤所确定的语句分类标签就有3个，分别为焦点1语句、焦点2语句、非焦点语句。
75.步骤402、利用神经网络模型处理对话语义向量，为对话内容中的每一句对话语句确定语句分类标签。
76.其中，该神经网络模型用于对对话语义向量{h1,h 2,h 3,
…
,h n}中的每一句对话语句进行分类，即确定每一句对话语句对应于各个语句分类标签的概率，将概率大的语句分类标签确定为该对话语句所属的类别。
77.步骤403、将语句分类标签为焦点语句的对话语句按照争议焦点进行对应的高亮处理。
78.本步骤是将从对话语句中选出的与争议焦点相关的语句进行突出展示，以便于审判人员的实时查看与核对。其中，不同争议焦点的焦点语句可以使用不同颜色或亮度的进行高亮处理，以此区别不同的争议焦点。
79.进一步的，在标注出焦点语句之后，本实施例还可以在对话内容上标注争议焦点
以及对应的争议焦点内容，即在高亮处理的焦点语句上标记该焦点语句所对应的争议焦点以及争议焦点内容，如此，审判人员在查看对话内容时，不仅可以根据焦点语句的颜色或亮度确定争议焦点以及争议焦点内容，而是通过更为直观的标注信息查看争议焦点以及争议焦点内容。
80.随着我国法律制度的完善与普及，本发明实施例所提出的焦点分析方法可以适用于各种存在法律纠纷或非法律的规则纠纷的场景，比如，应用于电商平台中，可以根据平台的规则为买卖双方进行评判，还可以用于处理各类投诉，做出处罚、调节等处理结果；还可以应用于相关法律机构，如法院、检察院、律师事务所以及公司企业的法务、调解仲裁部分、居委会、民政局等等，在法院、检察院通过本发明实施例可以辅助案件审理，形成预案，在律师事务所以及公司企业的法务可以模拟、复盘法庭审理过程，找出案件中的重要观点及相关内容，而在调解仲裁部分、居委会、民政局等政府部门中也可以根据各个部门所指定的具体法规与规定对多案由分析模型进行定制化训练，从而对不同部门中所特有的案件或事件进行针对性的辅助处理，协助标记或高亮化案件中的重点内容。
81.通过上述图2-4所示的实施例各步骤对应的说明可知，本发明实施例提出的一种焦点分析的方法，是基于所构建的法律知识图谱以及多案由分析模型实现跨案由辅助庭
82.审分析，通过分析法官、原被告等角色的对话，自动生成指定案由对应的争议焦点，以及争议焦点内容，并将与争议焦点相关的焦点语句进行高亮展示，同时将争议焦点与争议焦点内容对应地标记在焦点语句上，以方便查看与核对。而多案由分析模型在实际应用部署时，即使多个不同案由的案件同时审理时，也可以同时调用该多案由分析模型来辅助庭审分析，从而无需部署多个针对不同案由的分析模型，可以有效减少对系统资源的占用，降低部署成本。
83.进一步的，作为对上述图1-4所示方法的实现，本发明实施例提供了一种焦点分析装置，该装置主要目的在于实现为不同案由的案件生成争议焦点以及标注相关对话内容。为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置如图5所示，具体包括：
84.采集单元51，用于采集当前案件的指定案由以及对话内容；
85.分析单元52，用于利用多案由分析模型根据所述采集单元52得到的指定案由从所述对话内容中分析所述当前案件的至少一个争议焦点，所述多案由分析模型由多种预设案由的案件样本训练得到；
86.标注单元53，用于在所述对话内容中获得与所述分析单元53得到的至少一个争议焦点相关的焦点语句。
87.进一步的，如图6所示，所述装置还包括：
88.生成单元54，用于根据所述分析单元52得到的争议焦点与对话内容生成对应的争议焦点内容；
89.所述标注单元53还用于，在所述焦点语句上标注对应的争议焦点以及所述生成单元55得到的争议焦点内容。
90.进一步的，如图6所示，所述装置还包括：
91.建模单元55，用于基于多种预设案由构建多案由分析模型，所述多案由分析模型
的输入为指定案由的案件样本，所述指定案由为所述多种预设案由中的一种，所述多案由分析模型的输出为所述案件样本的争议焦点以及对应的争议焦点内容；
92.训练单元56，用于在训练所述建模单元55构建的多案由分析模型过程中，根据所述案件样本的指定案由对其他案由进行掩码，以训练多案由分析模型在指定案由下的损失函数。
93.进一步的，如图6所示，所述装置还包括：
94.构建单元57，用于根据所述多种预设案由构建基于案由的法律知识图谱，所述法律知识图谱中包括法律实体以及法律关系，法律实体用于表示所述案由具有的争议焦点，法律关系用于表示不同争议焦点之间的关联关系；
95.确定单元58，用于根据所述构建单元57得到的法律知识图谱确定多种预设案由具有的争议焦点的向量表示。
96.进一步的，如图6所示，所述采集单元51包括：
97.获取模块511，用于获取当前庭审案件的对话内容，所述对话内容包括至少一句的对话语句以及对应的预设角色标识；
98.生成模块512，用于基于所述获取模块511得到的每个对话语句与对应的预设角色标识生成语句向量；
99.编码模块513，用于利用神经网络模型将所述生成模块512得到的至少一句的对话语句所对应的语句向量进行编码，得到所述对话内容对应的对话向量；
100.映射模块514，用于根据所述对话内容中对话语句的上下文关系对所述编码模块513得到的对话向量进行语义编码，得到所述对话内容对应的对话语义向量。
101.进一步的，如图6所示，所述分析单元52包括：
102.获取模块521，用于根据法律知识图谱确定所述指定案由具有的多个争议焦点；
103.分析模块522，用于由多案由分析模型分析所述对话内容对应的对话语义向量，确定对话语义向量在所述获取模块521得到的多个争议焦点上的映射概率；
104.确定模块523，用于根据所述分析模块522得到的映射概率确定所述对话内容含有的争议焦点。
105.进一步的，如图6所示，所述分析单元52还包括：
106.所述获取模块521还用于在所述确定模块确定对话内容含有的争议焦点后，根据法律知识图谱确定每个争议焦点对应的焦点向量；
107.融合模块524，用于将所述对话语义向量分别与每个所述获取模块521确定的焦点向量融合，得到至少一个新对话内容向量；
108.生成模块525，用于利用文本生成算法处理所述融合模块524得到的新对话内容向量，为每个争议焦点生成对应的争议焦点内容。
109.进一步的，所述确定模块523具体用于：
110.判断各个争议焦点对应的映射概率中是否存在大于阈值的映射概率；
111.若存在，则将所述映射概率对应的争议焦点确定为所述对话内容含有的争议焦点；
112.若不存在，则将最大映射概率对应的争议焦点确定为所述对话内容含有的争议焦点。
113.进一步的，如图6所示，所述标注单元53包括：
114.确定模块531，用于根据所述至少一个争议焦点确定语句分类标签，所述语句分类标签包括争议焦点对应的焦点语句与非焦点语句；
115.分类模块532，用于利用神经网络模型处理所述对话语义向量，为所述对话内容中的每一句对话语句确定所述确定模块531得到的语句分类标签；
116.处理模块533，用于将由所述分类模块532处理后，所述语句分类标签为焦点语句的对话语句按照争议焦点进行对应的高亮处理。
117.另外，本发明实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一个实施例提供的焦点分析的方法。
118.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
119.可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
120.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
121.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的较佳实施方式。
122.此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
123.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
124.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
125.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
126.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
127.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
128.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
129.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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
130.还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
131.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
132.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。