调解预案的提供方法、训练方法、相关装置及存储介质与流程

1.本说明书实施例涉及数据处理技术领域，尤其涉及一种调解预案的提供方法、训练方法、相关装置及存储介质。


背景技术：

2.随着商业经济的快速发展，各种商业纠纷的数量也大幅增加。尤其是互联网经济，已与人们的衣食住行紧密结合，带来快速而准确的网购服务；但是，随之来的会有大量的法律纠纷，例如网络交易纠纷等。
3.在解决纠纷时，较为高效的方式是纠纷双方通过调解解决。但是，目前并没有合适的智能工具，在调解员、法官等解决纠纷时提供形成调解方案的辅助，不利于纠纷的解决效率。


技术实现要素：

4.有鉴于此，本说明书实施例提供一种调解预案的提供方法、训练方法、相关装置及存储介质，能够高效地产生准确的调解预案。
5.首先，本说明书实施例提供了一种调解预案的提供方法，包括：
6.获得待调解案件的案件信息；
7.根据所述案件信息获得所述待调解案件的调解参考信息；
8.将所述案件信息和所述调解参考信息输入至调解预案提供模型，得到所述待调解案件的一个或多个调解预案。
9.可选的，所述调解参考信息包括类案信息；所述类案信息通过如下方式得到：
10.在预设的裁判文书库中抽取第一案件；
11.根据所述案件信息计算所述待调解案件与所述第一案件的相似度；
12.将相似度超过预设阈值的第一案件作为所述待调解案件的类案，并获得类案信息。
13.可选的，所述裁判文书库通过如下方式得到：
14.根据司法要素对历史裁判文书进行分类，得到裁判文书库。
15.可选的，所述方法还包括：
16.对所述裁判文书库进行结构化处理。
17.可选的，所述在预设的裁判文书库中抽取第一案件，包括：
18.在所述预设的裁判文书库中抽取司法要素与所述待调解案件相匹配的第一案件。
19.可选的，所述根据所述案件信息计算所述待调解案件与所述第一案件的相似度，包括：
20.在案件信息中提取案件文本，并对所述待调解案件的案件文本进行向量编码得到第一文本语义特征；
21.提取第一案件的案件文本，并对所述第一案件的案件文本进行向量编码得到第二
文本语义特征；
22.计算所述第一文本语义特征与所述第二文本语义特征之间的余弦距离，得到相似度。
23.可选的，所述类案信息包括类案的诉讼结果的统计结果，所述方法还包括：
24.对多个类案的诉讼结果的统计结果进行统计，得到统计结果；
25.所述统计结果用于与所述案件信息和所述类案信息一起输入至所述调解预案提供模型，得到所述待调解案件的一个或多个调解预案。
26.可选的，所述调解参考信息中还包括当事人特征信息，所述当事人特征信息包括：当事人的涉诉记录、被执行记录、及风险偏好中的一种或多种组合的表示信息。
27.可选的，所述调解参考信息中还包括：诉请结果预测信息；所述诉请结果预测信息通过如下方式得到：
28.根据所述案件信息计算得到待调解案件的适用法条的法条预测信息；
29.根据所述法条预测信息对所述案件信息中当事人诉请的支持进行预测，以得到所述诉请结果预测信息。
30.本说明书实施例提供了一种适于调解预案提供的调解预案提供模型的训练方法，其中，包括：
31.获得样本数据集；其中，所述样本数据集包括训练数据集，所述训练数据集包括：各个历史案件的案件信息、根据所述案件信息得到的调解参考信息、及调解结果；
32.将所述样本数据集输入至调解预案提供模型，以使调解预案提供模型根据其得到的调解预案同所述调解结果间的损失来得到训练。
33.可选的，所述调解参考信息包括类案信息；所述类案信息通过如下方式得到：
34.在预设的裁判文书库中抽取第一案件；
35.根据所述案件信息计算所述历史案件与所述第一案件的相似度；
36.将相似度超过预设阈值的第一案件作为所述历史案件的类案，并获得类案信息。
37.可选的，所述裁判文书库通过如下方式得到：
38.根据司法要素对历史裁判文书进行分类，得到裁判文书库。
39.可选的，所述方法还包括：
40.对所述裁判文书库进行结构化处理。
41.可选的，所述在预设的裁判文书库中抽取第一案件，包括：
42.在所述预设的裁判文书库中抽取司法要素与所述历史案件相匹配的第一案件。
43.可选的，所述根据所述案件信息计算所述历史案件与所述第一案件的相似度，包括：
44.在案件信息中提取案件文本，并对所述历史案件的案件文本进行向量编码得到第一文本语义特征；
45.提取第一案件的案件文本，并对所述第一案件的案件文本进行向量编码得到第二文本语义特征；
46.计算所述第一文本语义特征与所述第二文本语义特征之间的余弦距离，得到相似度。
47.可选的，所述类案信息包括类案的诉讼结果的统计结果，所述方法还包括：
48.对多个类案的诉讼结果的统计结果进行统计，得到统计结果；
49.所述统计结果用于与所述案件信息和所述类案信息一起输入至所述调解预案提供模型，得到所述历史案件的一个或多个调解预案。
50.可选的，所述调解参考信息中还包括当事人特征信息，所述当事人特征信息包括：当事人的涉诉记录、被执行记录、及风险偏好中的一种或多种组合的表示信息。
51.可选的，所述调解参考信息中还包括：诉请结果预测信息；所述诉请结果预测信息通过如下方式得到：
52.根据所述案件信息计算得到历史案件的适用法条；
53.根据所述法条预测信息对所述案件信息中当事人诉请的支持进行预测，以得到所述诉请结果预测信息。
54.本说明书还实施例提供了一种调解预案的提供装置，其中，包括：
55.数据获得单元，用于获得待调解案件的案件信息；
56.信息获得单元，用于根据所述案件信息获得所述待调解案件的调解参考信息；
57.输入单元，用于将所述案件信息和所述调解参考信息输入至调解预案提供模型，得到所述待调解案件的一个或多个调解预案。
58.本说明书实施例还提供了一种适于调解预案提供的调解预案提供模型的训练装置，其中，包括：
59.数据获得单元，用于获得样本数据集；其中，所述样本数据集包括训练数据集，所述训练数据集包括：关于每个历史案件的案件信息、根据所述案件信息得到的调解参考信息、及调解结果；
60.训练单元，将所述样本数据集输入至调解预案提供模型，以使调解预案提供模型根据其得到的调解预案同所述调解结果间的损失来得到训练。本说明书实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行前述任一实施例所述方法的步骤。
61.本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行前述任一实施例所述方法的步骤。
62.与现有技术相比，本说明书实施例的技术方案具有以下有益效果：
63.一方面，采用本说明书实施例中的调解预案的提供方法，通过获得与待调解案件相关的案件信息和调解参考信息，输入至调解预案提供模型，得到输出的对应所述待调解案件的一或多个调解预案；整个过程基于训练完成的调解预案提供模型自动完成，高效直接；而且，直接以调解预案的方式提供给调解员、法官等，相较于提供法律条款、类似案例的间接方式而言，解决纠纷的效率会更高。
64.另一方面，采用本说明书实施例中的调解预案的提供方法，在调解参考信息中可以包含法律、诉请支持、当事人特征信息等，通过参考这些信息生成的调解预案，使得调解预案内容能有法可依，更能为当事人所接受，提升调解的成功率。
附图说明
65.图1a是本说明书实施例中一种应用场景实例的示意图。
66.图1b是本说明书实施例中又一种应用场景实例的示意图。
67.图1c是本说明书实施例中再一种应用场景实例的示意图。
68.图2是本说明书实施例中调解预案提供方法的流程示意图。
69.图3是本说明书实施例中获得类案信息的流程示意图。
70.图4是本说明书实施例中获得类案信息流程中计算相似度的流程示意图。
71.图5是本说明书实施例中的类案信息获得系统的结构示意图。
72.图6是本说明书实施例中的获得诉请结果预测信息的流程示意图。
73.图7是本说明书实施例中法律问题预测模型的结构示意图。
74.图8是本说明书实施例中调解预案提供模型的结构示意图。
75.图9是图8的调解预案提供模型中对应案件信息处理的部分功能单元的结构示意图。
76.图10是本说明书实施例中残差结构的原理示意图。
77.图11是本说明书实施例中适于调解预案提供的调解预案提供模型的训练方法流程图。
78.图12是本说明书实施例中调解预案的提供装置的结构示意图。
79.图13是本说明书实施例中适于调解预案提供的调解预案提供模型的训练装置的结构示意图。
80.图14是本说明书实施例中电子设备的结构示意图。
具体实施方式
81.法律纠纷事件，尤其是网络交易纠纷的事件数量在海量增加。较多网络交易纠纷所针对的标的额较小，更适合于调解解决。为提升调解效率，调解的方式已逐渐由线下调解转为线上。
82.但是目前的在线调解，基本上还是依赖于调解员本身的经验，故而目标的线上调解只是打通了空间上的障碍，并没有对调解员在处理纠纷事件上提供相应的辅助。
83.鉴于此，在本说明书实施例中，将人工智能技术应用到法律纠纷调解领域中，从而能智能、自动化地输出调解预案，以较好地辅助调解人员快速、高效且准确地处理纠纷调解事务。
84.需要说明的是，本说明书实施例的应用可以是需要进行各种法律纠纷调解场景，例如应用在网络交易纠纷中辅助调解员，也可以应用在司法诉讼中，辅助法官高效处理纠纷调解事务。
85.参照图1a所示的本说明书实施例中的一种应用场景实例的示意图。在该应用场景下，在用户终端10的屏幕上展示调解预案界面11。虽然在图1a示例中，所述用户终端为台式机，但是在其它示例中，所述用户终端10还可以是智能手机、笔记本电脑、平板电脑、智能手环、智能手表或其它智能设备，而非以图示为限。
86.所述调解预案界面是例示性的。可选的，在调解预案界面11中，展示多个“调解预案”以供选择，如“调解预案一”、“调解预案二”、“调解预案三”。其中，调解预案可以定义为针对纠纷的当事人之间一致达成的方案，通常是对原告诉请的支持情况，以及执行手段的约束。
87.例如，图1a中还展示了“原被告诉求”，原告a诉求“希望三倍赔偿，退还货款”，而被
告b的诉求是希望“退还货款”，而给出的调解预案内容会在两者之间，趋向于令a、b双方达成一致。比如，调解预案一的内容为“退还货款，三倍赔偿”，调解预案二的内容为“退还货款，二倍赔偿”，调解预案三的内容为“退还货款”。
88.可选的，调解预案界面11中还给出针对每个调解预案的成功率，例如图中的60％，20％，15％，并可进行排序，以供选择。成功率可以是考量案情、法律、当事人等之一因素或因素组合而预测得到的。
89.调解员(或法官等调解人员)可以在参考展示调解预案界面11之后，选用其中的某个调解预案来在当事人之间进行调解工作。选择成功率越高的调解预案，在进行调解工作时可能可以令当事人尽快达成共识。
90.参考图1b所示的本说明书实施例中的又一种应用场景实例的示意图。
91.本实例中的场景可以是线下进行纠纷调解的场景，例如法院或司法局等场景。在这些场景中，调解人员12可以使用例如图1a实施例中的用户终端10以辅助工作，在与当事人13沟通的过程中，参考用户终端10所提供的各调解预案的信息，执行调解工作。
92.再参考图1c所示的本说明书实施例中的再一种应用场景实例的示意图。
93.本实例中的应用场景可以是线上进行纠纷调解的场景，在如图中所提供的通信系统中，当事人13、调解人员12多方之间通过用户终端10、14、15接入网络16进行在线沟通，各所述用户终端10、14、15需具备网络通信能力；各所述用户终端10、14、15可例如为智能手机、平板电脑、台式机、笔记本电脑等，配备有显示屏、及有线或无线通信模块；所述网络16可以是有线或无线互联网络等。
94.在此场景中，调解人员12可以与当事人13在线沟通，调解人员12的用户终端10可以如图1a中用户终端10而显示调解预案界面，调解人员12可以参考其中的调解预案来进行调解工作。
95.可选的，在该场景中可设置有运行智慧调解平台的服务终端17(例如服务器，或服务器组实现)，调解人员12、当事人13皆可通过各自的用户终端10、14、15与该服务终端17通信，利用所持有的身份id登陆该智慧调解平台，以在线交流完成调解工作。所述在线交流的方式包括：在线多方视频、多方电话会议、多方在线会话、在线文字交流等。
96.可选的，该智慧调解平台可以用于产生所述各所述调解预案，并发送给调解人员12所持有的用户终端10，以例如图1a中的图形用户界面的形式加以显示。可选的，服务终端17和各用户终端10、14、15之间可以基于浏览器/服务器模式(browser/server，b/s)架构进行交互，即所述智慧调解平台向各用户终端10、14、15传输的数据可在用户终端10、14、15的页面浏览器(browser)中显示，也可以通过平台程序(如支付宝的小程序)中提供的页面显示；或者，服务终端17和各用户终端10、14、15之间也可以基于服务器/客户机(client/server，c/s)架构实现交互，则所述调解预案界面11可通过与服务端软件通信的客户端软件来显示在用户终端10的屏幕。
97.以下通过多个实施例来说明本说明书实施例中调解预案提供方法的流程及原理。
98.参考图2所示的本说明书实施例中的调解预案提供方法的流程示意图，执行流程包括如下步骤：
99.s21，获得待调解案件的案件信息。
100.在具体实施中，所述获得指的是从外部接收或者本地生成。
101.其中，所述待调解案件的案件信息可以来自于待调解案件的纸质或电子文档中的文本信息，例如在庭前记录的针对待调解案件的案情进行描述的文本信息，其中内容可以包含：当事人信息(如原、被告姓名、身份等)、当事人诉请(如原告诉请)、案件过程描述等；可选的，记录方式包括：通过在纸质文档手写记录、通过输入设备(如键盘、麦克风)等向电子设备以字符或语音方式输入等；其中，手写记录的材料(可由例如调解员、书记员等)可以通过如扫描、拍照方式形成图像，并进而通过例如光学字符识别(optical character recognition，ocr)文字识别技术识别成电子数据形式的文本信息；或者，语音输入的数据可以通过语音识别技术转换成电子数据形式的文本信息。
102.s22，根据所述案件信息获得所述待调解案件的调解参考信息。
103.在可选示例中，所述调解参考信息可以包括：类案信息。
104.如图3所示，本说明书实施例中所述类案信息的获取方式可以如下步骤：
105.步骤s31：在预设的裁判文书库中抽取第一案件。
106.在具体实施中，所述裁判文书库通过如下方式得到：根据司法要素对历史裁判文书进行分类，得到裁判文书库。
107.具体的，所述司法要素包括：与案件审理所涉及的法律概念相关的文本信息的表示信息。司法要素是从法律上抽象出的概念。以借贷纠纷案件为例，假设记载在在案件信息中的“是否有电子协议”、“借贷合意”、“套路贷”、“款项交付”、“款项支付”等文本信息，与实际借贷纠纷案件审理过程中，需要认定的两项要素：双方当事人之间具有民间借贷的合意(即“借贷合意”)、以及民间借贷的案件必须要有出借人支付款项(即“款项交付”)之间相关，则这些文本信息可以通过编码表示为司法要素。
108.可选的，还可以对所述裁判文书库进行结构化处理，例如通过结构化数据库来关联存储标记有司法要素的裁判文书数据。
109.步骤s32：根据所述案件信息计算所述待调解案件与所述第一案件的相似度。
110.如图4所示，所述步骤s32中相似度的计算方式可以包括：
111.步骤s41：在案件信息中提取案件文本，并对所述待调解案件的案件文本进行向量编码得到第一文本语义特征。
112.步骤s42：提取第一案件的案件文本，并对所述第一案件的案件文本进行向量编码得到第二文本语义特征；
113.步骤s43：计算所述第一文本语义特征与所述第二文本语义特征之间的余弦距离，得到相似度。
114.所述向量编码指的是将第一案件和待调解案件的案件信息中的案件文本转换为向量形式的语义特征，再通过计算语义特征之间的余弦距离等，以度量得到各个第一案件和待调解案件的案件文本之间的文本语义相似度。可选的，向量转换方法有例如独热编码(one-hot)方法，或者词嵌入(word embedding)方法等。
115.可选的，可以采用双向长短记忆模型(bi-directional long short-term memory，bilstm)进行文本上的相似度的度量。bilstm是由前向的长短记忆模型(lstm)与后向的lstm结合而成，lstm非常适合于自然语言处理；lstm通过训练过程可以学习到去记忆某些信息和遗忘某些信息，使用lstm模型可以更好的捕捉到较长距离的依赖关系；但lstm模型本身在语句从后到前的信息编码时有所欠缺，故通过bilstm可以良好弥补这一问题。
但是需说明的是，以上仅为对相似度计算的实现方式的举例，而非限制。
116.可以理解的是，若先使用文本语义特征进行第一匹配，则会引入较多的噪音；因此在上述示例中，先筛选出与待调解案件在司法要素上相似的第一案件，再通过文本语义上的相似度再从第一案件中筛选出类案，可以有效提高类案信息的获取效率。
117.步骤s33：将相似度超过预设阈值的第一案件作为所述待调解案件的类案，并获得类案信息。
118.举例来说，所述相似度可以通过例如[0,1]之间的概率值来度量，所述预设阈值可以定义在例如0.45、0.5、0.55、0.6、0.65、0.7等，当达到预设阈值时，即认为对应的各个第一案件为类案，获得类案信息；也可以通过对相似度进行排序，选择相似度最高的若干个作为类案。
[0119]
在具体实施例中，所述类案信息包括：各类案的诉讼结果的统计结果进行统计得到的统计结果，例如分布信息等。举例来说，100件待调解案件的类似案件，判决结果为a的有10件，如“原告胜诉，退款并判2倍赔偿”，判决结果为b的有20件，如“原告胜诉，退款并判1倍赔偿
”……
等，进行统计后，可得到相关的统计结果，所述统计结果用于输入至所述调解预案提供模型，得到所述待调解案件的一个或多个调解预案。所述调解预案提供模型学习这些统计结果，有助于准确预测待调解案件的调解预案内容倾向与实际判例相符。
[0120]
在具体实施中，根据所述司法要素匹配在裁判文书库抽取第一案件时还可以计算得到相应司法要素匹配度，可以用于被存储/输出以作为得到所述类案裁判文书的解释依据。可选的，所述司法要素匹配度，可以表现为对待调解案件的案件信息和类案裁判文书在拥有相同或相似司法要素的数量、词频等维度上的统计结果等，例如待调解案件的案件信息同所输出的类案的裁判文书中都存在“食物中毒”，“在xx食品店用餐”等文字的数量或词频等统计结果；需说明的是，以上仅为司法要素匹配度的某些举例实现，而非对其它实现方式的限制。
[0121]
参考图5所示的本说明书实施例中获得类案及类案信息的系统的结构示意图。
[0122]
在具体实施中，可以进行结构化的裁判文书库54构建，例如在已有的裁判文书库51中通过人工标注部分裁判文书数据、并通过提取裁判文书中的司法要素，构建司法要素库52。通过标注的部分裁判文书数据和对应的司法要素标签来生成样本集(可以包含训练集和测试集)，用于以训练基于机器学习模型(例如深度神经网络)实现的司法要素解析模型53。所述司法要素解析模型53训练完成后，可用于将其它各种裁判文书输入以由司法要素解析模型53分类到司法标签，以构建结构化的裁判文书库54。
[0123]
在获取类案的流程中，可以利用预先构建的一类案匹配模型55来完成；在需要获得待调解案件相关的类案及类案信息时，将待调解案件的案件信息输入所述类案匹配模型55，以在所述裁判文书库54中通过匹配司法要素来抽取第一案件，进而再通过对第一案件和待调解案件进行基于文本语义的相似度匹配而确定类案，进而得到类案信息，例如类案的裁判文书数据，类案的诉讼结果的统计结果等。
[0124]
在具体实施中，可以基于自然语言处理(natural language processing，nlp)技术从待调解案件的案件信息中提取司法要素，以用于进行所述匹配。自然语言处理(nlp)技术包括：分句、分词、句法分析、实体识别、实体关系的抽取、模式识别和信息抽取方法等。
[0125]
可选的，所述类案匹配模型55所执行的相似性匹配过程可如图3的流程所示。
[0126]
需特别说明的是，在实际实现中，图5中结构化的裁判文书库54的构建流程和获得类案信息的流程可以由不同的实施者来执行，例如企业a构建结构化的裁判文书库，企业b使用所述裁判文书库进行例如图3流程得到类案信息等，并不限制由同一实施者实施，且不限制必须在同一流程中不间断地执行。
[0127]
另外，图5中的原理架构仅为例举，可以根据具体实施需求加以变化。例如结构化文书库的获得方式可以变化，可以利用已有数据库或由人工分类标引完成等；又或者，类案匹配模型55的司法要素匹配、相似度计算等算法也可以加以变化，并非以上述描述为限制。此外，图3、图4、图5的实施例并不限制必须应用在调解预案的提供方法中。
[0128]
在可选示例中，所述调解参考信息可以包括：当事人特征信息。所述当事人特征信息为待调解案件的当事人在对待法律问题上倾向的特征信息。可选的，所述当事人特征信息包括：当事人的涉诉记录、被执行记录、及风险偏好中的一种或多种组合的表示信息。其中，所述风险偏好指的是当事人对风险程度的容忍能力，所述风险如投资风险、法律风险等。
[0129]
可选的，所述当事人特征信息可以是从当事人的涉诉记录、被执行记录、及风险偏好等直接进行编码(如通过特征提取)的结果，也可以是对这些信息中的统计信息进行编码的结果。例如，对其涉诉记录中的数据进行统计而得到的统计信息，如统计欠款数量、和被诉次数等；所述风险偏好例如包括：为低法律风险，倾向于赔偿而尽快结案以免影响商誉等信息，皆可通过编码数据表示，例如向量形式。
[0130]
将在当事人特征信息输入所述调解预案提供模型，可以令所述调解预案提供模型在预测调解预案时从中学习到当事人在法律纠纷方面的画像数据，而令所预测的调解预案更接近，利于提升调解成功率。举例来说，被告之前有过多次欠款不还的涉诉记录，则所预测的调解预案的内容可能会相比于被告无此涉诉记录时更接近于原告的诉请。
[0131]
在可选示例中，所述调解参考信息中可以包括：诉请结果预测信息。如图6所示，所述诉请结果预测信息通过如下方式得到：
[0132]
步骤s61：根据所述案件信息计算得到待调解案件的适用法条的法条预测信息；
[0133]
步骤s62：根据所述法条预测信息对所述案件信息中当事人诉请的支持进行预测，以得到所述诉请结果预测信息。
[0134]
所述诉请结果预测信息可用于表征待调解案件的原告的诉请在法律条款上的支持情况。举例来说，若法律上不支持原告的诉请，则可通过所述诉请结果预测信息表征，例如诉请结果预测信息表示为支持或不支持的二分类0或1值；或者，诉请结果预测信息表示为[0,1]中的概率值等，反映法律支持原告诉请的概率；又或者，诉请结果预测信息表示为特定编码形式亦可。
[0135]
在具体实施中，可以通过一法律问题预测模型来处理输入待调解案件的案件信息，而输出所述诉请结果预测信息。从逻辑上来说，法律问题预测模型可以根据待调解案件的案件信息预测相关的法律条款，所采用技术手段例如为基于文本语义(也可以有前述司法要素)的相似性匹配等；根据预测的法律条款判断诉请是否支持以得到所述诉请结果预测信息。
[0136]
在具体实施中，可参考图7所示的本说明书实施例中的法律问题预测模型70的结构示意图。所述法律问题预测模型可以为多任务学习(multi-task learning，mtl)模型。以
所述法律条款预测结果的获得为第一任务，及以诉请预测结果的获得为第二任务。在具体实施中，所述法律问题预测模型可以由神经网络实现。
[0137]
所述法律问题预测模型70包括：输入层71、隐藏层72及输出层73。
[0138]
在具体实施中，所述法律问题预测模型70的输入信息包括：法律条款文本信息、案件信息、及案件离散特征信息。可选的，所述法律条款文本信息可以包括法律条款的原文等；所述案件信息来自于待调解案件的纸质或电子文档中的文本信息，例如在庭前记录的针对待调解案件的案情进行描述的文本信息、起诉状的文本信息等；所述案件离散特征信息可以是一些人工或机器对案件的案情整理(如提取或统计)的离散信息，例如“包含罪名词汇的数量”，“被告的年龄段”，“盗窃金额”，“毒品的重量”，“血液中的酒精浓度”等。
[0139]
在可选示例中，所述法律条款文本信息、案件信息、及案件离散特征信息可以在输入层71中、在输入输入层71之前、或者在隐藏层72中被转换成向量形式；意即输入层71中可以集成有向量转换单元，或者在法律问题预测模型70以外可以设置所述向量转换单元，或者在隐藏层72集成有向量转换单元，例如隐藏层的第一层等。在可选示例中，所述向量形式可以包括嵌入向量(embedding)形式，通过嵌入向量能将高维稀疏(或称离散)数据转换为保留语义关系的低维向量。例如，对于文本处理而言，对应的嵌入向量可以有词嵌入向量、句嵌入向量、段嵌入向量、文章嵌入向量等。
[0140]
可选的，考虑到案件信息的语义复杂性，在所述输入层或输入层之前可设置例如上下文的文本语义向量表示模型来对案件信息进行处理以得到案件信息向量，例如经相关领域文本预训练的elmo模型等，elmo模型考虑上、下文信息，不同上、下文语义的情况下得到的词向量是不同的，能够解决多义词等问题。
[0141]
可选的，所述案件离散特征信息可以在输入层时通过离散化转换为稀疏向量，之后输入隐藏层72时转换为嵌入向量。
[0142]
在图7的示例中，所述隐藏层中包括对应输入信息处理及输出信息的多个编码层。所述多个编码层包括：法条信息编码层721、案情文本编码层722、离散特征编码层723、法条预测编码层724、诉请结果编码层725。其中，所述法条信息编码层721、案情文本编码层722、离散特征编码层723可分别对应输入层输入的法条信息、案件信息、案件离散特征信息的向量进行进一步编码而得到更能准确反映上、下文语义特征的向量。
[0143]
例如，对应于处理法律文本信息，法条信息编码层721和案情文本编码层722可以具有注意力计算单元，例如采用自注意力(self-attention)算法，以对法条信息中的关键信息给予更高的权重，通过注意力计算单元对法条信息的向量进行进一步的编码，以得到能反映更加准确的上、下文语义的文本嵌入向量。
[0144]
对应于处理所述案件离散特征信息，所述离散特征编码层723可以具有如因式分解机、线性回归模型等，以将案件离散特征信息转换为连续向量，如嵌入向量；采用因式分解机的优点在于，其在对案件离散特征信息进行向量转换处理时也对案件离散特征信息中的各个离散特征进行了关联地组合。
[0145]
经所述法条信息编码层721、案情文本编码层722、离散特征编码层723输出的各个向量分别输入到法条预测编码层724和诉请结果编码层725。从逻辑上来说，法条预测编码层724即可以利用预先学习到的案件信息、案件离散特征信息同相关的法条间的关系，以根据输入的案件信息、案件离散特征信息的向量来预测相关法条，编码生成表示相关法条的
法条预测信息(例如向量形式)，向输出层输出；而所述法条预测信息可以输入至诉请结果编码层725，诉请结果编码层725利用预先学习到的法条预测信息、案件信息、案件离散特征信息同诉请结果预测信息间的关系，以根据输入的案件信息和案件离散特征信息的向量、及所述法条预测信息的向量，编码生成表示相关法条对案件信息中的诉讼请求的支持结果的诉请结果预测信息的向量，向输出层输出。
[0146]
输出层73根据向量产生对应的诉请结果预测信息输出；可选的，在输出层73还可以根据所述法条预测信息生成法条预测结果输出，以提供预测的适用于待调解案件的法律条款的信息。
[0147]
在具体实施中，法条预测的第一任务，实际上是相关法条的多标签分类任务，可以采用交叉熵函数作为损失函数；诉请结果预测的第二任务的是诉请法律支持或不支持的二分类问题，也可以采用交叉熵函数作为损失函数。对于多任务的损失函数，可以通过加权和等方式计算它们的综合损失。
[0148]
在一些示例中，在训练法律问题预测模型70时，可以采用例如交替训练方式，即对第一任务的损失函数和第二任务的损失函数分别输出的损失交替优化以训练法律问题预测模型，或者，采用联合训练(joint training)方式，对综合(例如求加权和等)两种第一任务和第二任务的损失得到的联合损失进行优化来训练所述调整法律问题预测模型70。
[0149]
s23，将所述案件信息和所述调解参考信息输入至调解预案提供模型，得到所述待调解案件的一个或多个调解预案。
[0150]
在具体实施中，以每种调解预案内容为一标签，以将已收集的历史案件中的各种调解结果的内容作为标签。所述调解预案模型即为根据所述输入信息分类得到调解预案内容的标签的多分类标签模型。
[0151]
参考图8所示的调解预案提供模型80的结构示意图。所述调解预案提供模型80可基于深度神经网络实现，包括：输入层81、隐藏层82及输出层83。
[0152]
其中，所述输入层81用于接收待调解案件的案件信息、及调解参考信息。可选的，所述调解参考信息包括：类案信息、当事人特征信息、及诉请预测结果信息中的至少一种。
[0153]
虽然在图8实施例中示例性地展示了调解参考信息包括诉请结果预测信息、类案信息、及当事人特征信息；但是，可以理解的是，在具体实施中能根据实际的调解预案的准确度需求加以变化，而非限制实现方式。例如，所述调解参考信息中的各种信息可以根据需求加以变化，例如增加或删减等。
[0154]
可选的，所述调解预案提供模型80包括：至少一个向量转换单元，用于将所述输入信息转换为嵌入向量的形式以向后层传输。在所述输入信息有多个的情形下，所述向量转换单元也可有多个。例如，在图8示例中，案件信息、诉请结果预测信息、类案信息、及当事人特征信息中的每个对应配置有一向量转换单元，即向量转换单元821、822、823、824。
[0155]
可选的，案件信息、诉请结果预测信息、类案信息、及当事人特征信息可以通过向量转换单元821、822、823、824能将输入信息转换为降维的连续向量，如嵌入向量。
[0156]
举例来说，所述案件信息可为文本信息，比如来自于庭前记录的针对待调解案件的案情进行描述的文本信息。考虑到案件信息的上、下文的语义复杂性，在图9示例中，所述向量转换单元821包括：文本语义向量表示模型8211，用于转换案件信息为上下文相关的第一文本语义向量。
[0157]
在具体实施中，所述文本语义向量表示模型8211可以包括文本预训练模型，即已使用文本数据集预先训练过参数的模型，例如通过海量的法律文本训练过的elmo模型、bert(bidirectional encoder representations from transformers)模型等。其中，elmo模型是基于bilm(双向语言模型)实现，elmo模型能够学习到词汇用法的复杂性，比如语法、语义；也能够学习不同上下文情况下的词汇多义性；相比固定的词向量，elmo考虑了上下文信息，不同上下文词向量是不同的，能够解决多义词等问题，更加适合于语义复杂的案件信息的特征提取。bert模型通过在海量的语料的基础上运行自监督学习方法为单词学习特征表示。
[0158]
以elmo模型为例，在使用待调解案件的文本形式的案件信息可通过预处理(如分词等)后输入elmo模型而转换为嵌入(embedding)向量，作为所述第一文本语义向量。
[0159]
可选的，在图9中，所述调解预案提供模型80还可包括：注意力计算单元84，适于计算所述第一文本语义向量所对应的各个词的关注度权重，以得到第二文本语义向量。其中，注意力指的是深度学习中的注意力(attention)机制，指的是模仿人对对象中的元素(例如句中的各个词，或图像中的各块)关注度权重的分布不均的特点，而在待处理信息中区别关键信息和非关键信息(例如通过权重表示)。
[0160]
在具体实施中，所述注意力机制包括：加性注意力(additive attention)、乘法(点积)注意力(multiplicative attention)、自注意力(self attention)、及关键值注意力(key-value attention)等。所述注意力计算单元84可由基于其中一或多种注意力机制的注意力模型实现。
[0161]
以所述文本预训练模型为elmo模型举例，elmo模型输出的向量输入到例如自注意力计算单元中进行处理，可以最大限度地保留文本的特征语义信息，而得到能反映更加准确的上、下文语义的嵌入向量。
[0162]
可选的，所述文本预训练模型和注意力计算单元也可以集成在一起。举例来说，若所述文本预训练模型为bert模型，其中的编码器(encoder)及解码器(decoder)中集成了多头自注意力(multi-head attention)计算单元。
[0163]
可选的，对于输入诉请结果预测信息、类案信息、或当事人特征信息等，可能包含诸多离散特征，故可以通过回归模型来作为对应的向量转换单元822、823、824来转换为连续向量，例如因式分解机(factorization machine，fm)，线性回归模型等。其中，考虑到诉请结果预测信息、类案信息、及当事人特征信息可能是高维稀疏的离散特征，会导致神经网络的神经元的连接参数太多，故采用因式分解机更适于解决这个问题；因式分解机的处理就相当于对高维稀疏的离散特征做低维嵌入，一方面，它可以将离散特征转换为连续稠密向量，便于后续神经网络层计算；另一方面，因式分解机可以自动对离散特征进行特征组合。
[0164]
在具体实施中，各所述向量转换单元821、822、823、824，可以实现于所述隐藏层82，用于对输入信息进行转换成向量(如嵌入向量，即embedding向量)向后层传输。
[0165]
在具体实施中，所述隐藏层82包含非线性变换层825，适于将来自所述输入层81方向的特征中的至少部分进行非线性变换后，向所述输出层83方向输出。所述非线性变换层825位于各所述向量转换单元821、822、823、824的后层，用于接收各所述向量转换单元821、822、823、824输出的向量。
[0166]
可选的，所述非线性变换层825可以基于高速路神经网络(highway network)或残差神经网络(resnet)实现。由于需要处理复杂任务，深度神经网络所需要的深度增大，在训练时会有梯度消失等问题，而高速路神经网络和其之后出现的残差神经网络都具有将原始输入跨层传输的能力，从而解决了较深的深度神经网络的训练困难问题。其中，残差神经网络能实现的网络深度要大于所述高速路神经网络，因此在实现所述非线性变换层825时，可以根据实际神经网络深度需求而加以选择。
[0167]
高速路网络的前向传播，可以简化为下式表达：
[0168]
y＝h(x,wh)
·
t(x,w
t
) x
·
(1-t(x,w
t
))；
ꢀꢀꢀ
(1)
[0169]
其中，h、t是非线性变换函数；当t＝0时，y＝x；当t＝1时，y＝h(x,wh)；从式中后半部分可知，高速路结构通过函数t来控制原始特征x不进行非线性变换而直接通过的部分。
[0170]
参考图10所示的残差结构的原理示意图。残差结构(残差块)是基于以上高速路结构进行改进得到的，用公式(2)表示为：
[0171]
y＝f(x,wi) x；
ꢀꢀꢀ
(2)
[0172]
其中，f是残差函数，x表示输入，y表示期望输出；x经权重层(权重参数为wi)和relu函数之后的部分输出f(x,wi)同原输入x求和得到y。
[0173]
resnet的残差结构中包含两种映射，一种是恒等映射(identity mapping)，另一种是残差映射(residual mapping)，其中，恒等映射，即是指本身，也就是公式中的x，残差映射指的是“差”，也就是y-x，也就是公式中的f(x)部分。
[0174]
针对随着网络的加深，出现训练集准确率下降的现象，resnet提供了两种选择方式，也就是恒等映射和残差映射，如果网络已经达到目标状态，继续加深网络，残差映射将会逼近至0，只剩下恒等映射，这样理论上网络一直处于目标状态了，网络的性能也就不会随着深度增加而降低了。
[0175]
实际应用中，常见深度残差网络的模型有50层、101层、152层等；然而，在本说明书实施例中的调解预案的多分类模型的场景中，若其实际的网络深度并不需要达到上述深度残差网络的模型的层数，则可以优选高速路神经网络。
[0176]
可选的，之前实例中的注意力计算单元可集成在所述非线性变换层中。例如，所述非线性变换层为高速路神经网络，所述注意力计算单元可实现于所述高速路神经网络中。
[0177]
可选的，所述调解预案提供模型还输出同每个所述调解预案对应的调解成功率，即如图1a中所例示性展示的成功率。举例来说，所述调解成功率可以根据调解预案提供模型对调解预案的预测值得到。例如，所述调解预案提供模型的输出层包含sigmod函数，用于来输出对应每个调解预案内容的标签的预测值，调解预案的成功率可以根据所述预测值得到。
[0178]
sigmod函数输出的对应每个标签的预测值在0～1之间，可以将所述预测值转化为对应的成功率等，例如调解预案一成功率80％，调解预案二成功率50％，调解预案三成功率20％；或者，以预测值为参考因素之一再计算得到所述成功率。当然，也可以是其它函数，例如softmax函数等，并非以此为限。
[0179]
参照图11，本说明书实施例还提供适于调解预案提供的调解预案提供模型的训练方法流程图，训练过程具体可以包括如下步骤：
[0180]
s111：获得样本数据集。
[0181]
其中，所述样本数据集包括训练数据集，所述训练数据集包括：各个历史案件的案件信息、根据所述案件信息得到的调解参考信息、及调解结果。在一些示例中，所述样本数据集也可以包含测试数据集，测试数据集和训练数据集只是同一种数据集划分为不同用途的两部分的结果。
[0182]
可选的，所述调解参考信息包括类案信息；所述类案信息通过如下方式得到：在预设的裁判文书库中抽取第一案件；根据所述案件信息计算所述历史案件与所述第一案件的相似度；将相似度超过预设阈值的第一案件作为所述历史案件的类案，并获得类案信息。
[0183]
可选的，所述裁判文书库通过如下方式得到：根据司法要素对历史裁判文书进行分类，得到裁判文书库。可选的，所述方法还包括：对所述裁判文书库进行结构化处理。
[0184]
可选的，所述在预设的裁判文书库中抽取第一案件，包括：在所述预设的裁判文书库中抽取司法要素与所述历史案件相匹配的第一案件。
[0185]
可选的，所述根据所述案件信息计算所述历史案件与所述第一案件的相似度，包括：在案件信息中提取案件文本，并对所述历史案件的案件文本进行向量编码得到第一文本语义特征；提取第一案件的案件文本，并对所述第一案件的案件文本进行向量编码得到第二文本语义特征；计算所述第一文本语义特征与所述第二文本语义特征之间的余弦距离，得到相似度。
[0186]
可选的，所述类案信息包括类案的诉讼结果的统计结果，所述统计结果用于输入至所述调解预案提供模型，得到所述历史案件的一个或多个调解预案。
[0187]
需说明的是，类案信息获得的具体原理可以参考之前图3～图5实施例，此处不作重复赘述。
[0188]
可选的，所述调解参考信息中还包括当事人特征信息，所述当事人特征信息包括：当事人的涉诉记录、被执行记录、及风险偏好中的一种或多种组合的表示信息。
[0189]
可选的，所述调解参考信息中还包括：诉请结果预测信息；所述诉请结果预测信息通过如下方式得到：根据所述案件信息计算得到历史案件的适用法条；根据所述法条预测信息对所述案件信息中当事人诉请的支持进行预测，以得到所述诉请结果预测信息。
[0190]
需说明的是，诉请结果预测信息获得的具体原理可以参考之前图6～图7实施例，此处不作重复赘述。
[0191]
s112：将所述样本数据集输入至调解预案提供模型，以使调解预案提供模型根据其得到的调解预案同所述调解结果间的损失来得到训练。
[0192]
可选的，所述调解预案模型是多分类标签模型，用于根据所述输入信息进行分类得到关于调解预案内容的标签。
[0193]
可选的，所述调解预案提供模型基于神经网络实现，其包括：输入层、隐藏层及输出层；其中，所述隐藏层包含非线性变换层，适于将来自所述输入层方向的特征中的至少部分进行非线性变换后，向所述输出层方向输出。可选的，所述非线性变换层基于高速路神经网络或残差神经网络实现。
[0194]
可选的，所述调解预案提供模型包括：至少一个向量转换单元，用于将所述输入信息转换为嵌入向量的形式以向后层传输。
[0195]
可选的，所述向量为连续稠密向量。
[0196]
可选的，所述调解参考信息包括：历史案件的案件信息，所述案件信息为文本形
式；所述向量转换单元包括：文本语义向量表示模型，用于转换案件信息为上下文相关的第一文本语义向量。
[0197]
可选的，所述文本语义向量表示模型包括：经法律文本数据预先训练的文本预训练模型。
[0198]
可选的，所述调解预案提供模型还包括：注意力计算单元，适于计算所述第一文本语义向量所对应的各个词的关注度权重，以得到第二文本语义向量。
[0199]
可选的，所述至少一个向量转换单元包括：回归模型，用于将所述调解参考信息中的类案信息、当事人特征信息、诉请预测结果信息中的至少一种转换为向量的形式；其中，所述回归模型能对所处理的信息中的离散特征进行关联组合。
[0200]
在实际实施中，所述调解预案提供模型可通过深度神经网络实现，所述调解预案提供模型的隐藏层中的各个子网络，例如非线性转换单元(如高速路神经网络或残差神经网络等)、各个向量转换单元(如因式分解机、文本语义向量表示模型)，及注意力计算单元等中的部分或者全部，可在通过所述样本数据集训练调解预案提供模型时得到训练。
[0201]
由于本说明书实施例中的预测调解预案可以是多分类标签任务模型，对应可选用交叉熵损失函数作为调解预案提供模型的损失函数，其用于度量真实概率分布和预测值分布之间的差异作为损失(loss)；真实概率分布来自于输入的历史案件的调解结果，而预测值分布来自于所述调解预案提供模型所输出的预测的各个调解预案。
[0202]
通过样本数据集输入调整调解预案提供模型，以优化所述损失为目的调整调解预案提供模型的隐藏层的参数，直至所述损失函数的输出值收敛至预设阈值，则确定完成训练。
[0203]
在具体实施中，为有效率地使损失函数达至最小，尽快完成训练，可以采用一些能够自动优化学习率的训练方法。例如，可以采用批处理梯度下降(batch gradient descent，bgd)、随机梯度下降(stochastic gradient descent，sgd)、动量法(momentum)、adagrad(是一种自适应学习率算法)、自适应矩估计(adaptive moment estimation，adam)法等。
[0204]
可选的，所述调解预案提供模型还输出同每个所述调解预案对应的调解成功率。可选的，所述调解成功率根据所得到调解预案的预测值得到，即例如输出层的sigmod函数输出的分类到各个调解预案内容标签的预测值。
[0205]
在本说明书一些实施例中，如图12所示的调解预案的提供装置120的结构示意图。所述调解预案的提供装置120的具体实现可以参照之前的调解预案的提供方法，此处不再进行重复赘述。
[0206]
所述调解预案的提供装置120可以包括：
[0207]
数据获得单元121，用于获得待调解案件的案件信息；
[0208]
信息获得单元122，用于根据所述案件信息获得所述待调解案件的调解参考信息；
[0209]
输入单元123，用于将所述案件信息和所述调解参考信息输入至调解预案提供模型124，得到所述待调解案件的一个或多个调解预案。
[0210]
可选的，所述调解参考信息包括类案信息；所述类案信息通过如下方式得到：
[0211]
在预设的裁判文书库中抽取第一案件；
[0212]
根据所述案件信息计算所述待调解案件与所述第一案件的相似度；
[0213]
将相似度超过预设阈值的第一案件作为所述待调解案件的类案，并获得类案信息。
[0214]
可选的，所述裁判文书库通过如下方式得到：
[0215]
根据司法要素对历史裁判文书进行分类，得到裁判文书库。
[0216]
可选的，所述方法还包括：
[0217]
对所述裁判文书库进行结构化处理。
[0218]
可选的，所述在预设的裁判文书库中抽取第一案件，包括：
[0219]
在所述预设的裁判文书库中抽取司法要素与所述待调解案件相匹配的第一案件。
[0220]
可选的，所述根据所述案件信息计算所述待调解案件与所述第一案件的相似度，包括：
[0221]
在案件信息中提取案件文本，并对所述待调解案件的案件文本进行向量编码得到第一文本语义特征；
[0222]
提取第一案件的案件文本，并对所述第一案件的案件文本进行向量编码得到第二文本语义特征；
[0223]
计算所述第一文本语义特征与所述第二文本语义特征之间的余弦距离，得到相似度。
[0224]
可选的，所述类案信息包括类案的诉讼结果的统计结果，所述方法还包括：
[0225]
对多个类案的诉讼结果的统计结果进行统计，得到统计结果；
[0226]
所述统计结果用于与所述案件信息和所述类案信息一起输入至所述调解预案提供模型，得到所述待调解案件的一个或多个调解预案。
[0227]
可选的，所述调解参考信息中还包括当事人特征信息，所述当事人特征信息包括：当事人的涉诉记录、被执行记录、及风险偏好中的一种或多种组合的表示信息。
[0228]
可选的，所述调解参考信息中还包括：诉请结果预测信息；所述诉请结果预测信息通过如下方式得到：
[0229]
根据所述案件信息计算得到待调解案件的适用法条的法条预测信息；
[0230]
根据所述法条预测信息对所述案件信息中当事人诉请的支持进行预测，以得到所述诉请结果预测信息。
[0231]
在本说明书一些实施例中，如图13所示的适于调解预案提供的调解预案提供模型的训练装置130的结构示意图。所述训练装置130的具体实现可以参照之前的调解预案提供模型的训练方法，此处不再进行重复赘述。
[0232]
所述训练装置130包括：
[0233]
数据获得单元131，用于获得样本数据集；其中，所述样本数据集包括训练数据集，所述训练数据集包括：关于每个历史案件的案件信息、根据所述案件信息得到的调解参考信息、及调解结果；
[0234]
训练单元132，将所述样本数据集输入至调解预案提供模型133，以使调解预案提供模型根据其得到的调解预案同所述调解结果间的损失来得到训练。
[0235]
可选的，所述调解参考信息包括类案信息；所述类案信息通过如下方式得到：
[0236]
在预设的裁判文书库中抽取第一案件；
[0237]
根据所述案件信息计算所述历史案件与所述第一案件的相似度；
[0238]
将相似度超过预设阈值的第一案件作为所述历史案件的类案，并获得类案信息。
[0239]
可选的，所述裁判文书库通过如下方式得到：
[0240]
根据司法要素对历史裁判文书进行分类，得到裁判文书库。
[0241]
可选的，所述方法还包括：
[0242]
对所述裁判文书库进行结构化处理。
[0243]
可选的，所述在预设的裁判文书库中抽取第一案件，包括：
[0244]
在所述预设的裁判文书库中抽取司法要素与所述历史案件相匹配的第一案件。
[0245]
可选的，所述根据所述案件信息计算所述历史案件与所述第一案件的相似度，包括：
[0246]
在案件信息中提取案件文本，并对所述历史案件的案件文本进行向量编码得到第一文本语义特征；
[0247]
提取第一案件的案件文本，并对所述第一案件的案件文本进行向量编码得到第二文本语义特征；
[0248]
计算所述第一文本语义特征与所述第二文本语义特征之间的余弦距离，得到相似度。
[0249]
可选的，所述类案信息包括类案的诉讼结果的统计结果，所述方法还包括：
[0250]
对多个类案的诉讼结果的统计结果进行统计，得到统计结果；
[0251]
所述统计结果用于与所述案件信息和所述类案信息一起输入至所述调解预案提供模型，得到所述历史案件的一个或多个调解预案。
[0252]
可选的，所述调解参考信息中还包括当事人特征信息，所述当事人特征信息包括：当事人的涉诉记录、被执行记录、及风险偏好中的一种或多种组合的表示信息。
[0253]
可选的，所述调解参考信息中还包括：诉请结果预测信息；所述诉请结果预测信息通过如下方式得到：
[0254]
根据所述案件信息计算得到历史案件的适用法条；
[0255]
根据所述法条预测信息对所述案件信息中当事人诉请的支持进行预测，以得到所述诉请结果预测信息。
[0256]
需说明的是，在图12和图13实施例中的各个单元可以是软件实现、软硬件结合实现、或硬件电路实现。
[0257]
本说明书实施例还提供了一种电子设备140，如图14所示的电子设备140的结构示意图，电子设备140可以包括存储器141和处理器142，所述存储器141上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行前述任一实施例所述调解预案提供方法或前述任一实施例所述适于调解预案提供的调解预案提供模型的训练方法的步骤。
[0258]
在具体实施中，所述处理器142可能是cpu(central processing unit，中央处理器)，或者是asic(application specific integrated circuit，特定集成电路)，或者是被配置成实施本发明实施例的一个或多个集成电路。所述存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。处理器142和存储器141之间可以通过总线等进行通信，各芯片之间也可以通过相应的通信接口进行通信。
[0259]
在具体实施中，所述电子设备140还可以包括：通信器143；通信器可以包括例如有线网卡、无线网卡、及2g/3g/4g/5g模块等中的一种或多种，而能与外部进行信息交互。
[0260]
在一些示例中，所述电子设备140可以装载有训练完成的调解预案模型，并运行所述调解预案提供方法以得到对应待调解案件的一或多个调解预案。
[0261]
例如，所述电子设备140可以应用在图1a、图1b及图1c的场景中，作为与用户终端通信连接的服务终端而向调解人员的用户终端10提供一或多个调解预案的数据。其中，所述服务终端可以是服务器/服务器组或其它电子设备140；在图1c的场景中，所述电子设备140可用于实现所述“智慧调解平台”。其中，所述电子设备140得到待调解案件的输入信息的途径可以包括：从本地的存储器或其它可通信获得的存储介质中读取得到、由调解人员或其它当事人的用户终端传输得到、或通过人工输入得到。
[0262]
又例如，所述电子设备140也可以实现为例如图1a、图1b、或图1c中调解人员一侧的用户终端10，以在本地的存储器中装载有训练完成的所述调解预案模型，通过在本地运行所述调解预案提供方法得到对应待调解案件的一或多个调解预案，并通过用户终端10的显示屏加以显示调解预案界面。
[0263]
本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行前述任一实施例所述调解预案提供方法或前述任一实施例所述适于调解预案提供的调解预案提供模型的训练方法的步骤。
[0264]
在具体实施中，所述计算机可读存储介质可以包括例如任何合适类型的存储器单元、存储器设备、存储器物品、存储器介质、存储设备、存储物品、存储介质和/或存储单元，例如，存储器、可移除的或不可移除的介质、可擦除或不可擦除介质、可写或可重写介质、数字或模拟介质、硬盘、软盘、光盘只读存储器(cd-rom)、可刻录光盘(cd-r)、可重写光盘(cd-rw)、光盘、磁介质、磁光介质、可移动存储卡或磁盘、各种类型的数字通用光盘(dvd)、磁带、盒式磁带等。
[0265]
计算机指令可以包括通过使用任何合适的高级、低级、面向对象的、可视化的、编译的和/或解释的编程语言来实现的任何合适类型的代码，例如，源代码、编译代码、解释代码、可执行代码、静态代码、动态代码、加密代码等。
[0266]
本发明实施例中各装置、系统、设备或系统的具体实现方式、工作原理和具体作用及效果，可以参见对应方法实施例中的具体介绍。
[0267]
虽然本说明书实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本说明书实施例的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。