一种基于司法庭审的法律事实分析方法及审判辅助系统与流程

1.本发明涉及自然语言处理技术领域，尤其涉及一种基于司法庭审的法律事实分析方法及审判辅助系统。


背景技术：

2.随着社会经济的发展，文化教育程度的提高，人们的法律意识也越来越强，导致司法庭审案件越来越多。传统的司法庭审，是由庭审法官对双方当事人及第三人(例如，原告方及其代理人、被告方及其代理人、证人)进行发问，由他们回答相关问题，基于法官、双方当事人及第三人的对话，形成庭审笔录。法官根据庭审笔录，分析案件中的法律事实及事实要素，并结合当事人提供的证据材料，来进行司法审判。这种庭审方式需要的时间较长，法官还需要随时翻查资料，花费人力物力相对较高，效率低下。
3.有鉴于此，如何提供一种基于司法庭审的法律事实分析方案，从而提高庭审效率，就成为亟待解决的技术问题。


技术实现要素：

4.为此，本发明提供了一种基于司法庭审的法律事实分析方法及审判辅助系统，以力图解决或至少缓解上面存在的至少一个问题。
5.根据本发明的一个方面，提供了一种基于司法庭审的法律事实分析方法，包括步骤：从司法庭审的对话信息中确定出待证法律事实的事实类型；根据待证法律事实的事实类型，在对话信息中提取事实要素；根据事实要素，获得与待证法律事实相关的证据材料；根据事实要素和所述证据材料对待证法律事实进行认定。
6.可选地，在根据本发明的方法中，从司法庭审的对话信息中确定出待证法律事实的事实类型的步骤包括：对对话信息进行编码，得到关于对话信息的第一语义向量；将第一语义向量输入事实类型分类器，得到对话信息的事实类型。
7.可选地，在根据本发明的方法中，在对话信息中提取事实要素的步骤包括：对对话信息进行编码，得到关于对话信息的第二语义向量；通过对第二语义向量进行实体抽取，获得对话信息中的事实要素。
8.可选地，在根据本发明的方法中，根据事实要素，获得与待证法律事实相关的证据材料的步骤包括：从对话信息中提取出至少一个证据类型；从至少一个证据类型中识别出与待证法律事实相关的证据类型，并获取对应于所识别的证据类型的证据材料。
9.可选地，在根据本发明的方法中，从对话信息中提取出至少一个证据类型的步骤包括：对对话信息进行编码，得到对话信息的第三语义向量；将第三语义向量输入证据类型分类器，以提取出对话信息中包含的至少一个证据类型。
10.可选地，在根据本发明的方法中，从至少一个证据类型中识别出与待证法律事实相关的证据类型，并获取对应于将属于所识别的证据类型的证据材料的步骤还包括：从对应于所识别的证据类型的证据材料中，确定出三性认定通过的证据材料，作为与待证法律
事实相关的证据材料。
11.可选地，在根据本发明的方法中，根据事实要素和证据材料对待证法律事实进行认定的步骤包括：对对话信息和所确定的证据材料进行编码，生成关于对话信息的第四语义向量；将第四语义向量输入事实认定分类器，得到对待证法律事实的事实认定结果。
12.可选地，根据本发明的方法还包括步骤：对所获取的对话信息进行语音识别，生成对话文本；从对话文本中依次选取n个句子作为一段对话信息，其中相邻两段对话信息之间相互重叠m个句子，n、m均为正整数。
13.可选地，在根据本发明的方法中，对对话信息进行编码，得到关于对话信息的第一语义向量的步骤还包括：结合对话信息中每个句子所指向的发言对象，对对话信息进行编码，得到关于对话信息的第一语义向量，其中，句子所指向的发言对象包括司法庭审中的法官、双方当事人及第三人。
14.可选地，在根据本发明的方法中，在通过对第二语义向量进行实体抽取，获得与对话信息中的事实要素的步骤之后，还包括步骤：通过预设规则库，对所获得的事实要素进行优化。
15.根据本发明的再一个方面，提供了一种基于司法庭审的法律事实分析装置，包括：事实类型识别单元，适于从司法庭审的对话信息中确定出待证法律事实的事实类型；事实要素提取单元，适于根据待证法律事实的事实类型，在对话信息中提取事实要素；证据材料提取单元，适于根据事实要素，获得与待证法律事实相关的证据材料；事实认定单元，适于根据事实要素和证据材料，对待证法律事实进行认定。
16.根据本发明的再一个方面，还提供了一种审判辅助系统，包括：如上所述的法律事实分析装置；交互模块，适于接收法官的输入，并将经事实认定装置处理的结果显示给法官；法律事实分析装置还适于结合法官的输入，来确定待证法律事实是否真实成立。
17.根据本发明的再一个方面，提供了一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行如上所述任一方法的指令。
18.根据本发明的再一个方面，提供了一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行如上所述的任一方法。
19.根据本发明的方案，通过算法自动识别并呈现司法庭审中的关键法律事实，以帮助法官实时掌握完整案件脉络。相比于传统的司法庭审，节省了法官翻查资料等步骤，能够有效提高庭审效率。
附图说明
20.为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
21.图1示出了根据本发明一个实施例的审判辅助系统100的示意图；
22.图2示出了根据本发明一个实施例的审判辅助系统100的交互界面示意图；
23.图3示出了根据本发明一个实施例的计算设备300的示意图；
24.图4示出了根据本发明一个实施例的基于司法庭审的法律事实分析方法400的流程示意图；
25.图5示出了根据本发明一个实施例的事实类型识别模型500的结构示意图；以及
26.图6示出了根据本发明另一个实施例的基于司法庭审的法律事实分析方法600的流程示意图。
具体实施方式
27.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
28.图1示出了根据本发明一个实施例的审判辅助系统100的示意图。审判辅助系统100应用于司法庭审中，提供智能庭审服务，更具体地，为法官的审判工作提供辅助服务。根据本发明的实施方式，审判辅助系统100基于司法庭审中，法官、双方当事人及第三人的实时对话信息，进行法律事实分析，以识别出案件相关的待证法律事实，并确定事实认定结果。
29.如图1所示，审判辅助系统100包括：法律事实分析装置110和交互模块120。当然，为便于采集庭审现场的对话信息，审判辅助系统100还可以包括用于采集现场的语音数据的语音采集装置(未示出)以及对语音数据进行语音识别的语音处理装置(未示出)。在一种实施例中，审判辅助系统100采集法官的提问、原被告针对提问进行回答的语音数据，并对所采集的语音数据进行语音识别处理。关于语音数据的采集和识别均属于本领域已知内容，任何已知的或未来可知的语音采集和语音识别技术均可与本公开的技术方案相结合，来实现本审判辅助系统100，故此处不做过多阐述。
30.根据本发明的实施方式，法律事实分析装置110基于司法庭审中的实时对话信息，识别出涉案的法律事实、并抽取相关法律事实的结构化要素(以下简称事实要素)。法律事实是指法律规定的、能够引起法律关系产生、变更和消灭的现象。以民间借贷案由为例，法律事实例如可以是款项交付，事实要素会涉及到交付金额、收款方姓名、收款方账号等。同时，法律事实分析装置110还可以分析当事双方针对该法律事实所提交的相关证据材料。最终，基于上述分析内容(包括从对话信息中识别出的法律事实、事实要素、以及所涉及的证据材料)，确定出该法律事实是否真实、是否有证据支撑，证据是否较为充分。通常，若从对话信息中识别出的法律事实真实、且支撑其的证据材料充分，则确定该法律事实真实成立。
31.进一步地，在根据本发明的一个实施例中，法律事实分析装置110至少包括：事实类型识别单元112、事实要素提取单元114、证据材料构建单元116和事实认定单元118，如图1所示。
32.其中，事实类型识别单元112从司法庭审的对话信息中确定出待证法律事实的事实类型。事实要素提取单元114根据待证法律事实的事实类型，提取对话信息中的事实要素。证据材料提取单元116根据事实要素，获得与待证法律事实相关的证据材料。最终，事实认定单元118再基于事实要素和证据材料，对待证法律事实进行认定。
33.交互模块120提供与用户(即法官)的交互接口。一方面，经交互模块120，法官可以浏览案件相关的内容，包括经法律事实分析装置110分析出的上述信息，还可以是与案件相关的诉状文本、答辩状、当事双方所提交的证据材料等，不限于此。另一方面，当法官认为所显示的内容存在错误或误差时，交互模块120还可以接收法官的输入，来对所显示的内容进行修改、删除、增加等操作，以便于法律事实分析装置110结合法官的输入，对分析结果进行优化，最终确定待证法律事实是否真实成立。
34.图2示出了根据本发明一个实施例的审判辅助系统100的交互界面示意图。根据本发明的实施例，在一次司法庭审中，会依次获取多段对话信息。通过执行根据本发明的法律事实分析方法，从司法庭审的各段对话信息中分别确定出事实类型、事实要素及证据材料，并在交互界面上依次显示上述分析结果，如图2所示。
35.图2涉及的是一个民间借贷纠纷案，在图2中，包含多个小模块210，每一个小模块210代表了一段对话信息的分析结果，自上而下包括：事实类型、事实要素和证据材料。如图2所示，涉及的法律事实的类型依次为：借贷合意、款项交付、还款行为、催告、担保情况、共同还款和诉讼时效。在每个事实类型下方，列出了该事实类型对应的对话信息中所包含的事实要素。以“借贷合意”为例，事实要素包括：时间、本金、期内利率、逾期利率、违约金、地点、约定方式。在事实要素下方，又对应列出了所确定的证据材料。以“款项交付”为例，证据材料包括：银行凭证和支付宝。在根据本发明的实施例中，对于交互界面所显示的上述分析结果，法官均可以进行修改和补充。
36.通过该交互界面能够看出，整个庭审过程脉络清晰。因此，根据本发明的审判辅助系统，能够帮助法官梳理完整案件脉络，识别并呈现庭审中的关键法律事实，从而更好地帮助法官掌握庭审流程。此外，该系统还能够通过与法官的实时交互方式，将上述算法识别不全或者错误的内容全部补充完整或修改正确，同时，还可以向系统下游输出结果，从而更好地帮助下游任务(如庭审结果预判、涉诉金额相关计算、裁判文书的自动生成等)的自动化进行。
37.根据本发明的实施方式，审判辅助系统100及其中的各组成部分，均可以通过如下所述的计算设备300来实现。图3示出了根据本发明一个实施例的计算设备300的示意图。
38.如图3所示，在基本的配置302中，计算设备300典型地包括系统存储器306和一个或者多个处理器304。存储器总线308可以用于在处理器304和系统存储器306之间的通信。
39.取决于期望的配置，处理器304可以是任何类型的处理，包括但不限于：微处理器(μp)、微控制器(μc)、数字信息处理器(dsp)或者它们的任何组合。处理器304可以包括诸如一级高速缓存310和二级高速缓存312之类的一个或者多个级别的高速缓存、处理器核心314和寄存器316。示例的处理器核心314可以包括运算逻辑单元(alu)、浮点数单元(fpu)、数字信号处理核心(dsp核心)或者它们的任何组合。示例的存储器控制器318可以与处理器304一起使用，或者在一些实现中，存储器控制器318可以是处理器304的一个内部部分。
40.取决于期望的配置，系统存储器306可以是任意类型的存储器，包括但不限于：易失性存储器(诸如ram)、非易失性存储器(诸如rom、闪存等)或者它们的任何组合。系统存储器306可以包括操作系统320、一个或者多个应用322以及程序数据324。在一些实施方式中，应用322可以布置为在操作系统上由一个或多个处理器304利用程序数据324执行指令。
41.计算设备300还可以包括有助于从各种接口设备(例如，输出设备342、外设接口
344和通信设备346)到基本配置302经由总线/接口控制器330的通信的接口总线340。示例的输出设备342包括图形处理单元348和音频处理单元350。它们可以被配置为有助于经由一个或者多个a/v端口352与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口344可以包括串行接口控制器354和并行接口控制器356，它们可以被配置为有助于经由一个或者多个i/o端口358和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备346可以包括网络控制器360，其可以被布置为便于经由一个或者多个通信端口364与一个或者多个其他计算设备362通过网络通信链路的通信。
42.网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(rf)、微波、红外(ir)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
43.计算设备300可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和web服务器等，也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然，计算设备300也可以实现为小尺寸便携(或者移动)电子设备的一部分。在根据本发明的实施例中，计算设备300被配置为执行根据本发明的法律事实分析方法。计算设备300的应用322中包括法律事实分析装置110，装置110中包含多条程序指令，这些程序指令可以指示处理器304执行法律事实分析方法。
44.图4示出了根据本发明一个实施例的基于司法庭审的法律事实分析方法400的流程示意图。方法400在上述系统100、尤其是法律事实分析装置110中执行，如图4所述，方法400始于步骤s410。
45.在步骤s410中，从司法庭审的对话信息中确定出待证法律事实的事实类型。
46.根据本发明的实施方式，在执行步骤s410之前，还包括步骤：获取司法庭审的对话信息。
47.在一种实施例中，首先，对实时采集到的对话信息进行语音识别，生成对应的对话文本，作为庭审笔录。接着，从对话文本中获取最新的一段对话，作为实时处理的对话信息。应当指出，语音识别技术(asr)属于本领域常见技术手段，故此处不再过多阐述。
48.在本实施例中，通过滑动窗口的方式从对话文本中获取最新的对话信息。即，从该对话文本中依次选取n个句子作为一段对话信息，其中相邻两段对话信息之间相互重叠m个句子，n和m均为正整数。换言之，n表示窗口大小，m表示滑动步长。假设用数字来顺序标识庭审对话中的句子，并设置每隔5个句子生成一段对话信息，相邻两段对话信息间相互重叠2个句子(即窗口大小为5，滑动步长为2)，那么就可以表示为，{1,2,3,4,5}为一段对话信息，{3,4,5,6,7}为下一段对话信息。应当指出，考虑到对话信息中会包含或多或少的与案件无关的“废话”等因素，因此n和m可根据实际情况进行选取，在实际庭审现场，不同的案由、法官等因素都会影响n和m的设置，本发明的实施例对此不做限制。
49.在获取到对话信息后，对于每一段对话信息，均可以采用预先训练好的事实类型
识别模型来进行处理，以得到表征事实类型的事实标签。在一些实施例中，事实类型识别模型基于深度学习方法，如图5，示出了根据本发明一个实施例的事实类型识别模型500的结构示意图。
50.如图5所示，事实类型识别模型500包括相互耦接的编码器510和事实类型分类器520。首先将对话信息输入到编码器510中，由编码器510对对话信息中的每个句子进行编码，得到关于对话信息的第一语义向量。而后，将第一语义向量输入事实类型分类器520，经处理后输出表征该段对话信息的事实类型的事实标签。
51.在一种实施例中，编码器510可以采用基于时间序列的神经网络，例如rnn网络、lstm网络或者gru网络。在一种实现方式中，还可以在编码器510中引入注意力机制(attention)。具体地，对每个句子进行分词处理，得到针对每个句子的多个词语，再将每个词语转换成词向量(word embedding)，得到关于对话信息的词向量序列。接着，将词向量序列中的每个词向量在编码器中进行处理，此时会对应生成一个隐藏向量，通过获取每个隐藏向量对应的注意力权重，并基于注意力权重对词向量序列对应的隐藏向量序列进行加权求和，能够得到带注意力的第一语义向量。
52.事实类型分类器520可以采用softmax分类器或其它公知的分类器来实现，但不限于此。事实类型分类器520可以对法律事实进行分类，以民间借贷案由为例，事实类型包括借贷合意、担保情况、催告事实、共同还款、款项交付、还款情况等，每个类别具有一个事实标签(即，类别编码)。
53.在根据本发明的一个实施例中，编码器510在对每个句子进行编码时，除了进行word embedding得到词向量外，还会对每个句子所指向的发言对象，进行role embedding，得到关于会话角色的向量，再将两个向量进行拼接，得到对应句子的向量。最后，将各句子的向量拼接，即得到针对该段对话信息的第一语义向量。即，编码器510结合对话信息中每个句子所指向的发言对象，对该段对话信息进行编码，得到关于该段对话信息的第一语义向量。在司法庭审中，每个句子的发言对象包括法官和双方当事人(原告方及其代理人、被告方及其代理人)。当然，还可以包括第三人，如事实证人、专家证人等。在图5所示的编码器中，编码器510共三个输入，分别接收在对话信息中，法官、原告方(及其代理人)和被告方(及其代理人)所说的话。
54.事实类型分类器520对输入其中的第一语义向量进行处理，计算得到一个分类结果，作为该段内容的事实标签，该事实标签指向该段对话信息的事实类型。
55.以下简单说明事实类型识别模型500的训练过程。首先采集多段对话，对其进行语音识别等处理后，得到相应的多段对话信息，作为训练数据。同时，对每段对话信息进行标注，标注出其对应的事实标签。通常，训练数据中的对话应尽可能地包含各种事实类型。接下来，将这些标注好的训练数据，输入到一个神经网络模型(即，初始的事实类型识别模型)中进行学习，经多次学习后，最终得到训练好的事实类型识别模型500。
56.如表1，示例性地示出了在司法庭审中的一段对话信息。其中，表格第一列表示说话人角色(即，发言对象)，第二列表示对话内容。
57.表1对话信息示例
[0058][0059]
经事实类型识别模型500处理后，分析出该段对话信息涉及“款项交付”的事实。
[0060]
随后在步骤s420中，根据待证法律事实的事实类型，在对话信息中提取事实要素。
[0061]
在根据本发明的实施例中，对于每段对话信息，可以采用预先训练好的事实要素提取模型来进行处理，以提取出其中的事实要素。事实要素通常要包含法律事实发生的时间、地点、涉及到的人等要素。以表1中的对话信息为例，提取出的事实要素至少包括：
[0062]
交付时间：12月17日
[0063]
交付金额：3万元
[0064]
交付地点：b(被告姓名)家里
[0065]
交付方式：现金
[0066]
收款方姓名：b(被告姓名)
[0067]
收款方账号：xxxx-xxxx-xxx
[0068]
在一种实施例中，事实要素提取模型基于神经网络，包括相互耦接的编码器和实体抽取层。其中，编码器部分可参考上文中事实类型识别模型的编码器的结构，对对话信息
进行编码，得到关于对话信息的第二语义向量。当然，也可以采用其他编码器，本发明的实施例对此不做限制。而后，将第二语义向量输入到实体抽取层，进行实体抽取，来提取该段对话信息的事实要素。实体抽取层可以通过抽取句子中的文本片段，得到事实要素。在本实施例中，实体抽取层可以采用通用的ner(named entity recognition，命名实体识别)模型，如lstm、lstm crf、bert、bert crf等，不限于此。
[0069]
对事实要素提取模型的训练可参考前文对事实类型识别模型500的训练过程的描述。同样，用事先标注好事实要素的对话信息，来训练出一个神经网络模型，作为训练好的事实要素提取模型。鉴于模型训练属于深度学习中的常规技术手段，篇幅所限，此处不再赘述。
[0070]
根据另一些实施例，在提取出事实要素后，还会通过预设规则库，对所提取的事实要素进行优化。预设规则库可以包含一些通用信息，如城市名称、时间等也可以是从对话信息中提取出的信息包括涉案人(如原告、被告、证人等)姓名、时间、交付方式等，本发明的实施例对此不做限制。
[0071]
在一种实施例中，通过模式匹配的方式，将所提取的事实要素与预设规则库进行比对，以对所提取的事实要素进行优化。例如，从对话信息中提取出的一个事实要素为“江苏省杭州市”，经预设规则库匹配后，得知该事实要素不对，那么，可以删除该事实要素，或者结合上下文信息来纠正该事实要素。又如，提取出的事实要素是一个人名，但经匹配后发现该人名并没有出现在这个案子中，那么可以确认该事实要素有误，同样，可以删除或修改该事实要素。再如，若提取出的事实要素是时间“2002年12月”，但是经预设规则库比对后，发现本案是发生在2020年，并没有牵扯到2002年，进而可以对该事实要素进行优化处理。在一些优选的实施例中，可以针对每一种事实要素，设置不同的优化方式，此处不再一一列举。
[0072]
随后在步骤s430中，根据事实要素，获得与待证法律事实相关的证据材料。
[0073]
在一些实施例中，步骤s430通过如下两步来实现。
[0074]
第一步，从对话信息中提取出至少一个证据类型，并将所提取的证据类型设为l1。
[0075]
证据类型例如可以是起诉状、答辩状、营业执照、身份证、劳动合同、工商登记信息、借款协议、质押合同、支付凭证、物流查询信息、新闻报道等，不限于此。
[0076]
同样地，通过预先训练好的证据类型提取模型，来提取对话信息中的证据类型。在一种实施例中，证据类型提取模型基于神经网络，包括相互耦接的编码器和证据类型分类器。先通过编码器对对话信息进行编码，得到该段对话信息的第三语义向量。而后，将第三语义向量输入证据类型分类器，以提取出对话信息中包含的至少一个证据类型。在一种实施例中，证据类型提取模型的结构可参考上文中事实类型识别模型。区别在于，在训练证据类型提取模型时，采用证据类型来标注各训练数据，此处不再赘述。
[0077]
第二步，从至少一个证据类型中识别出与待证法律事实相关的证据类型，并获取对应于所识别的证据类型的证据材料。
[0078]
根据本发明的实施例，针对不同的事实类型，预先定义与其相关的证据类型。如表2，示例性地示出几种事实类型对应的证据类型。
[0079]
表2事实类型对应的证据类型示例
[0080]
事实类型证据类型
借贷合意借条、借款合同担保情况保证合同催告事实催告函共同还款共同还款承诺书款项交付打款凭证、交付凭证、转账记录还款情况打款凭证、还款凭证、转账记录
[0081]
因此，基于预先定义，结合前述步骤所确定的事实类型，就可以确定出与该事实类型相关的证据类型(设为l2)。接着，将所获得的证据类型l1和证据类型l2进行交叉验证，获取其交集，即证据类型l3。最后，从当事人所提交的所有证据材料中，选取类别属于l3的证据材料，即与待证法律事实相关的证据材料。
[0082]
进一步地，考虑到在司法过程中，并不是当事人提交的全部证据材料，法官都会采纳。法官所采纳的证据材料，必须满足“三性认定”，即，真实性、合法性和关联性。因此，在一些实施例中，在经上述过程获取了对应于所识别出的证据类型的证据材料(即类别属于l3的证据材料)后，还需要进一步确定出三性认定通过的证据材料，最终作为与待证法律事实相关的证据材料。根据本发明的实施例，可以通过与法官的交互，来确定证据材料是否满足三性认定。例如，通过交互模块，将类别属于l3的证据材料显示给法官，由法官来确定是否满足三性认定，是否接受该证据材料。
[0083]
根据本发明的另一些实施方式，提供了另一种基于司法庭审的法律事实分析方法600。在方法600中，在对司法庭审的对话信息进行分析，得到上述分析结果后，还会基于上述分析结果，进一步确定待证法律事实是否真实成立。
[0084]
需要说明的是，鉴于方法600中步骤s610～步骤s630，与前述步骤s410～步骤s430一致，故此处不再赘述。
[0085]
在执行完步骤s610～s630后，在步骤s640中，根据事实要素和所确定的证据材料，对待证法律事实进行认定。
[0086]
根据本发明的一种实施例，利用预先训练好的事实认定模型，来对待证法律事实进行认定，以确定待证法律事实是否真实成立。事实认定模型基于深度学习方法，包括相互耦接的编码器和事实认定分类器。
[0087]
编码器对对话信息和所确定的证据材料进行编码，生成关于对话信息的第四语义向量。也就是说，与上文中事实类型识别模型的编码器不同，此处要将对话信息和证据材料一起输入到编码器中，由编码器进行编码。在根据本发明的实施例中，编码器可以采用诸如rnn网络、lstm网络、gru网络等已知或未来可知的神经网络来实现，还可以在编码器中引入注意力机制，此处不再赘述。
[0088]
之后，将第四语义向量输入事实认定分类器，得到对待证法律事实的事实认定结果。事实认定分类器可以采用softmax分类器或其它公知的分类器来实现，但不限于此。事实认定分类器对待证法律事实进行是否认定的二分类，输出认定通过或者认定不通过。例如，输出“1”表示事实认定通过，输出“0”表示事实认定不通过。
[0089]
应当指出，跟前述几个模型一样，需要事先训练好事实认定模型。关于事实认定模型的训练过程，可参考前文对其它模型训练过程的描述，篇幅所限，此处不再赘述。
[0090]
应当理解，关于方法600的具体描述可参考前文关于系统100和方法400的相关描
述，篇幅所限，此处不再进行赘述。
[0091]
根据本发明的法律事实分析方案，通过算法自动识别并呈现司法庭审中的关键法律事实，以帮助法官实时掌握完整案件脉络。相比于传统的司法庭审，节省了法官翻查资料等步骤，能够有效提高庭审效率。同时，还可以向下游任务(如庭审结果预判、涉诉金额相关计算、裁判文书的自动生成等)输出结果，帮助下游任务的自动化进行。
[0092]
以上实施例的应用场景是针对法院设计的一种网上庭审系统。基于类似的原理，本发明实施例的法律事实分析方法还可以适用于其他应用场景，例如还可以包括公安审讯、检察院等司法机构。在公安审讯或检察院审讯的场景下，能够自动生成审讯记录并提取关键事实。
[0093]
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、u盘、软盘、cd-rom或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
[0094]
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。
[0095]
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
[0096]
在此处所提供的说明书中，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本发明的示例一起使用。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最佳实施方式。
[0097]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0098]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0099]
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备
不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
[0100]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0101]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0102]
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
[0103]
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
[0104]
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。