一种案件分类预测方法、装置、计算机设备及存储介质

1.本发明涉及人工智能和司法领域，尤其涉及一种案件分类预测方法、装置、计算机设备及存储介质。


背景技术：

2.目前，在法院对案件审理和判决的过程中，既需要法律相关人员的专业法律知识与技能，也有许多繁重和重复性的工作，如对案件文书的理解、相关法条与类似案件的检索工作等，这些工作会消耗大量的时间和判案人员的精力，即便让专业人员来同样如此。
3.现在对案件进行分类主要采用的是法院立案智能辅助系统。针对案件的类别识别，主要通过立案法庭审理人员人工筛选后，填入案件特征栏中。由于案件类别具有涉及领域广，违法行为多样等特点，导致对案件进行分类时容易出现漏掉类别的情况，准确率低。
4.因此，针对案件，存在分类准确率低的问题。


技术实现要素：

5.本发明实施例提供一种案件分类预测方法、装置、计算机设备和存储介质，以提高对案件分类预测的准确率。
6.为了解决上述技术问题，本技术实施例提供一种案件分类预测方法，包括。
7.获取待分类案件数据。
8.基于预设的关键词提取方式，对所述待分类案件数据进行关键词提取，并对提取到的每一个关键词进行文本向量化，得到所述关键词对应的关键词向量。
9.基于对比学习方式，对所述待分类案件数据中的句子进行数据增强处理，得到至少一个增强句子。
10.对所有所述增强句子进行文本向量化，得到每一个所述增强句子对应的句子向量。
11.按照预设顺序，对所有所述关键词向量和所有所述句子向量进行拼接，得到拼接向量。
12.对所述拼接向量进行上下文信息提取和预测分类，得到所述待分类案件数据对应的分类结果。
13.为了解决上述技术问题，本技术实施例还提供一种案件分类预测装置，包括。
14.待分类案件数据获取模块，用于获取待分类案件数据。
15.关键词向量提取模块，用于基于预设的关键词提取方式，对所述待分类案件数据进行关键词提取，并对提取到的每一个关键词进行文本向量化，得到所述关键词对应的关键词向量。
16.增强句子获取模块，用于基于对比学习方式，对所述待分类案件数据中的句子进行数据增强处理，得到至少一个增强句子。
17.句子向量获取模块，用于对所有所述增强句子进行文本向量化，得到每一个所述
增强句子对应的句子向量。
18.拼接模块，用于按照预设顺序，对所有所述关键词向量和所有所述句子向量进行拼接，得到拼接向量。
19.分类结果获取模块，用于对所述拼接向量进行上下文信息提取和预测分类，得到所述待分类案件数据对应的分类结果。
20.为了解决上述技术问题，本技术实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述案件分类预测方法的步骤。
21.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述案件分类预测方法的步骤。
22.本发明实施例提供的案件分类预测方法、装置、计算机设备及存储介质，通过获取待分类案件数据；基于预设的关键词提取方式，对所述待分类案件数据进行关键词提取，并对提取到的每一个关键词进行文本向量化，得到所述关键词对应的关键词向量；基于对比学习方式，对所述待分类案件数据中的句子进行数据增强处理，得到至少一个增强句子；对所有所述增强句子进行文本向量化，得到每一个所述增强句子对应的句子向量；按照预设顺序，对所有所述关键词向量和所有所述句子向量进行拼接，得到拼接向量；对拼接向量进行上下文信息提取和预测分类，得到所述待分类案件数据对应的分类结果。通过关键词提取和对数据增强后的句子进行文本向量抽取，提取关键词向量和句子向量中的深层次信息，以提高对案件分类预测的准确率。
附图说明
23.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
24.图1是本技术可以应用于其中的示例性系统架构图。
25.图2是本技术的案件分类预测方法的一个实施例的流程图。
26.图3是根据本技术的案件分类预测装置的一个实施例的结构示意图。
27.图4是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
28.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
29.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包
含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
32.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
33.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器( moving picture e界面显示perts group audio layer iii，动态影像专家压缩标准音频层面3 )、mp4( moving picture e界面显示perts group audio layer iv，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
34.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
35.需要说明的是，本技术实施例所提供的案件分类预测方法由服务器执行，相应地，案件分类预测装置设置于服务器中。
36.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本技术实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
37.请参阅图2，图2示出本发明实施例提供的一种案件分类预测方法，以该方法应用在图1中的服务端为例进行说明，详述如下。
38.s201、获取待分类案件数据。
39.在步骤s201中，上述待分类案件数据是指案件类型未知的案件数据。
40.此处需要说明的是，上述待分类案件数据包括但不限于生态环保类案件、行政诉讼案件。本技术实施例以生态环保类案件为示例进行解释说明。
41.当待分类案件数据为生态环保类型案件时，案件类型包括污染环境罪，滥伐林木罪，环境监管失职罪，盗伐林木罪，非法占用农用地罪，非法捕捞水产品罪，非法收购、运输盗伐、滥伐的林木罪，非法狩猎罪，非法猎捕、杀害珍贵、濒危野生动物罪，非法采伐、毁坏国家重点保护植物罪，非法采矿罪。
42.上述获取待分类案件数据的方式包括但不限于经典案件获取、中国裁判文书网获取。
43.其中，当待分类案件数据为生态环保类型案件时，上述经典案件获取待分类案件数据可为通过获取cail2018（法研杯）数据确认待分类案件数据。上述中国裁判文书网获取判决书文本数据。
44.通过获取待分类案件数据，以便于后续对待分类案件数据进行类型预测，从而在提高对案件分类预测的准确率同时提高对案件分类预测的处理效率。
45.s202、基于预设的关键词提取方式，对待分类案件数据进行关键词提取，并对提取到的每一个关键词进行文本向量化，得到关键词对应的关键词向量。
46.在步骤s202中，上述预设的关键词提取方式是指对待分类案件数据进行关键词提取的方式。
47.上述预设的关键词提取方式包括但不限于匹配提取法、概率计算法。其中，匹配提取法为建立案件的关键词库，对待分类案件数据进行分词处理，得到分词结果，将分词结果与关键词库中的关键词进行匹配判断，若通过匹配判断，则该分词结果为关键词。概率计算法是指基于规则提取案件的事实描述文段，对事实描述文段进行分词，得到分词结果，对分词结果进行概率计算，得到分词结果对应的概率值，将概率值满足预设条件的分词结果作为关键词。此处需要说明的是，上述预设的关键词提取方式不限于上述方法，具体提取方式根据现实需求进行具体设置。
48.上述文本向量化的方法包括但不限于doc2vec法、word2vec法。其中，doc2vec法通过一个单层的简单神经网络来构建模型，在构建隐藏层时将段落向量也加入隐藏层，并且与其他的词向量一起获得反向传播的梯度，从而实现文本向量化。word2vec法以词嵌入为基础，利用深度学习的思想，对出现在上下文环境中的词进行预测，经过word2vec训练后的词向量可以很好度量词与词之间的相似性，将所有词语投影到k维的向量空间，每个词语都可以用一个k维向量表示，进而将文本内容的处理简化为k维向量空间中的向量运算。
49.优选地，本技术实施例采用word2vec进行文本向量化得到关键词向量。
50.通过对待分类案件数据进行关键词提取，并对提取到的每一个关键词进行文本向量化，得到关键词对应的关键词向量，以便于后续对待分类案件数据中的关键词向量进行深层次的信息提取，从而提高对案件分类预测的准确率。
51.s203、基于对比学习方式，对待分类案件数据中的句子进行数据增强处理，得到至少一个增强句子。
52.在步骤s203中，上述预设的数据增强方式是指对数据进行扩充的方法。
53.上述预设的数据增强方式包括但不限于有监督数据增强方式和无监督数据增强方式。其中，有监督数据增强方式包括但不限于单样本数据增强和多样本数据增强。无监督数据增强包括但不限于gan（(generative adversarial networks，生成对抗网络）、simcse（simple contrastive learning of sentence embeddings，基于对比学习的句向量表示）。
54.优选地，本技术实施例采用simcse进行数据增强。当待分类案件数据为生态环保类案件时，由于生态环保类案件存在样本不均衡的问题，通过无监督的simcse方法采用对比学习的方式对待分类案件数据数据进行增强。
55.通过对待分类案件数据中的句子进行数据增强处理，得到至少一个增强句子，有利于后续对数据增强后的句子进行文本向量抽取，以便于句子向量与关键词向量结合分析提取待分类案件数据的深层次信息，从而提高案件分类预测的准确率。
56.s204、对所有增强句子进行文本向量化，得到每一个增强句子对应的句子向量。
57.在步骤s204中，上述文本向量化是指将增强句子转化为句子向量的处理。
58.通过对增强句子进行文本向量化，得到每一个增强句子对应的句子向量，以便于句子向量与关键词向量结合分析提取待分类案件数据的深层次信息，从而提高案件分类预测的准确率。
59.s205、按照预设顺序，对所有所述关键词向量和所有所述句子向量进行拼接，得到拼接向量。
60.在步骤s205中，上述预设顺序是指关键词向量和句子向量进行拼接的顺序。此处需要说明的是，上述预设顺序包括但不限于（关键词向量，句子向量）、(句子向量，关键词向量)、（关键词向量1，句子向量1，句子向量2，关键词向量2，句子向量3，
……
），其中，（关键词向量1，句子向量1，句子向量2，关键词向量2，句子向量3，
……
）中句子向量1和句子向量2对应的句子包括关键词向量1对应的关键词。
61.优选地，本技术采用（关键词向量，句子向量）的顺序。
62.此处需要说明的是，由于关键词向量和句子向量的数量不唯一，关键词向量的内部拼接顺序按照关键词向量在待分类案件数据中出现的顺序进行拼接，句子向量的内部拼接顺序按照句子向量优先级进行拼接。具体拼接顺序可根据实际情况进行调整。
63.通过上述方式得到拼接向量，通过对拼接向量进行分析提取待分类案件数据的深层次信息，从而提高案件分类预测的准确率。
64.s206、对拼接向量进行上下文信息提取和预测分类，得到待分类案件数据对应的分类结果。
65.在步骤s206中，其具体是，上述上下文信息提取是指提取拼接向量的深层次信息的处理方式。
66.上述预测分类是指预测待分类案件数据的分类类别的过程。
67.通过对拼接向量进行上下文信息提取和预测分类，提取待分类案件数据的深层次信息，从而提高案件分类预测的准确率。
68.在本实施例中，通过获取待分类案件数据；基于预设的关键词提取方式，对待分类案件数据进行关键词提取，并对提取到的每一个关键词进行文本向量化，得到关键词对应的关键词向量；基于对比学习方式，对待分类案件数据中的句子进行数据增强处理，得到至少一个增强句子；对所有增强句子进行文本向量化，得到每一个增强句子对应的句子向量；按照预设顺序，对所有关键词向量和所有句子向量进行拼接，得到拼接向量；对拼接向量进行上下文信息提取和预测分类，得到待分类案件数据对应的分类结果。通过关键词提取和对数据增强后的句子进行文本向量抽取，提取关键词向量和句子向量中的深层次信息，以提高对案件分类预测的准确率。
69.在本实施例的一些可选的实现方式中，步骤s201中，获取待分类案件数据的步骤包括步骤s101至步骤s103。
70.s101、获取案件文档。
71.s102、基于预设规则提取方式，对案件文档进行文本提取，得到案件文档对应的事实描述文段。
72.s103、对事实描述文段进行预处理，得到待分类案件数据。
73.在步骤s101中，上述案件文档是指案件对应的判决书。
74.此处需要说明的是，案件对应的判决书包括一审案件判决书、二审案件判决书。上
述案件文档需要经过预处理，进行数据去重和数据清洗、去除停用词等。
75.优选地，本技术实施例采用的是一审案件判决书。
76.上述案件文档的获取方式包括但不限于数据爬取、经典案例。
77.例如，通过网络爬虫技术在中国裁判文书网上获取大量的判决书文本数据，将其和cail2018法研杯数据结合成案件文档。
78.上述案件文档对应的文本模板是指案件文档对应的固定格式。
79.例如，判决书中的事实描述文段的固定格式为：首词特征是“经审理查明”、“***指控”和“***查明事实”等，结尾词特征是“上述指控”、“上述事实”和“本院意见”等。判决文中的罪名信息的固定格式是“被告人***犯***”。
80.在步骤s102中，上述预设规则抽取方式是指抽取文本模板中的某段文本。例如，在训练模型时，抽取的是事实描述文段和罪名信息。在进行案件类型预设时，抽取的文本是指事实描述文段。
81.上述预设规则抽取方式的实现方式为python语言环境中的re模块。
82.当抽取的文本为事实描述文段时，得到的抽取规则为抽取首句和结尾词之间的文段。
83.当抽取的文本为罪名信息时，得到的抽取规则为“被告人***犯***”。
84.此处需要说明的是，具体抽取规则根据实际应用场景而调整。
85.下面以一实施例表一表示上述预设规则抽取方式，如表一所示，上述预设规则抽取的规则为。
86.表一、预设规则抽取方式示例在步骤s103中，上述预处理包括但不限于去重、数据清洗、数据标注。
87.在本实施例中，通过预设规则提取方式，对案件文档进行文本提取，得到案件文档对应的事实描述文段，对事实描述文段进行预处理，得到待分类案件数据，以便于后续对待分类案件数据进行深层次分析，提高案件分类预测的准确率。
88.在本实施例的一些可选的实现方式中，步骤s202中，基于预设的关键词提取方式，对待分类案件数据进行关键词提取，并对提取到的每一个关键词进行文本向量化，得到关键词对应的关键词向量的步骤包括步骤s2021至步骤s2026。
89.s2021、基于预设分词方式，对待分类案件数据进行分词处理，得到至少一个分词结果。
90.s2022、根据所有分词结果，确定待分类案件数据对应的语料库。
91.s2023、将待分类案件数据出现在语料库中的词作为候选词，并将候选词加入候选词集合中。
92.s2024、基于tf-idf算法，对候选词集合中每个候选词进行关键词概率计算，得到每一个候选词对应的关键词概率。
93.s2025、按照关键词概率从大到小的顺序，选取与预设关键词数量相同的候选词作为关键词。
94.s2026、针对每一个关键词，对关键词进行文本向量化，得到关键词对应的关键词向量。
95.在步骤s2021中，上述预设分词方式是指对待分类案件数据进行分词的方式。
96.上述预设分词方式包括但不限于基于词表的分词方法、基于统计模型的分词方法、基于序列标注的分词方法。
97.优选地，本技术实施例采用的是python的jieba模块。
98.在步骤s2022中，其具体是：对所有分词结果进行汇总去重，确定待分类案件数据对应的语料库。
99.在步骤s2024中，其具体是：基于tf-idf算法，计算候选词集合中每个候选词对应的tf值和idf值。基于每个候选词的tf值和idf值，对该候选词进行归一化处理，得到该候选词对应的归一化值，并将该归一化值作为该候选词的关键词概率。
100.此处需要说明的是，当候选词对应的归一化值越大，则候选词作为关键词的概率越大。
101.优选地，本技术实施例提取该待分类案件数据归一化值前10名的候选词作为关键词。
102.在步骤s2026中，其具体是，基于word2vec，针对每一个关键词，对关键词进行文本向量化，得到关键词对应的关键词向量。
103.在本实施例中，通过对待分类案件数据进行分词处理，确定语料库，并计算候选词的关键词概率，选取出关键词，并得到相应的关键词向量，以便于后续结合关键词向量对待分类案件数据进行深层次的信息提取，从而提高案件分类预测的准确率。
104.在本实施例的一些可选的实现方式中，步骤s203中，基于对比学习方式，对待分类案件数据中的句子进行数据增强处理，得到至少一个增强句子的步骤包括步骤s301至步骤s302。
105.s301、基于预设的正样本构造方式，对待分类案件数据中的句子进行正样本对构造，得到与预设数量相同的正样本对。
106.s302、采用对比学习方式，依次对所有正样本对进行数据增强，得到每一个正样本对应的增强句子。
107.在步骤s301中，上述预设的正样本构造方式为基于simcse方法中的dropout构造正样本对。通过对同一个句子采用多种不同的dropout mask，得到多个文本向量作为正样本对。
108.上述预设数量是指待分类案件数据对应正样本对的数量。
109.上述预设数量的获取方法包括但不限于经验值获取、人为设置。
110.在步骤s302中，上述对比学习方式是指基于simcse的对比学习、获得事实描述文段的句子向量的方式。
111.在本实施例中，通过对比学习方式获取数据增强后的增强句子，有利于含有丰富语义信息的文本向量，以提高对案件分类预测的准确率。
112.在本实施例的一些可选的实现方式中，步骤s206中，对拼接向量进行上下文信息提取和预测分类，得到待分类案件数据对应的分类结果的步骤包括步骤s601至步骤s603。
113.s601、基于训练好的分类器，对拼接向量进行上下文信息提取，得到上下文信息向量，其中，分类器包括全连接层、dropout层和softmax层。
114.s602、基于全连接层和dropout层，对上下文信息向量进行全连接，得到全连接向量。
115.s603、基于softmax层，对全连接向量进行分类，得到待分类案件数据对应的分类结果。
116.在步骤s601中，优选地，上述训练好的分类器采用bilstm分类器。
117.在步骤s602中，上述全连接层和dropout层用于进行特征降维和得到待分类案件数据对应的分类结果，dropout层用于防止模型训练过拟合。
118.在步骤s603中，上述softmax层得到待分类案件数据的类别概率。
119.上述分类结果是指待分类案件数据对应的案件类型。
120.其具体是：基于softmax层，对全连接向量进行分类，得到待分类案件数据的类别概率，根据待分类案件数据的类别概率确定待分类案件数据的分类结果。
121.在本实施例中，训练好的bilstm分类器的全连接层、dropout层和softmax层，对拼接向量进行上下文信息提取、全连接和分类处理，确定待分类案件数据的分类结果，通过上述步骤，提高了对案件分类预测的准确率。
122.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
123.图3示出与上述实施例案件分类预测方法一一对应的案件分类预测装置的原理框图。如图3所示，该案件分类预测装置包括待分类案件数据获取模块31、关键词向量提取模块32、增强句子获取模块33、句子向量获取模块34、拼接模块35和分类结果获取模块36。各功能模块详细说明如下。
124.待分类案件数据获取模块31，用于获取待分类案件数据。
125.关键词向量提取模块32，用于基于预设的关键词提取方式，对待分类案件数据进行关键词提取，并对提取到的每一个关键词进行文本向量化，得到关键词对应的关键词向量。
126.增强句子获取模块33，用于基于对比学习方式，对待分类案件数据中的句子进行
数据增强处理，得到至少一个增强句子。
127.句子向量获取模块34，用于对所有增强句子进行文本向量化，得到每一个增强句子对应的句子向量。
128.拼接模块35，用于按照预设顺序，对所有所述关键词向量和所有所述句子向量进行拼接，得到拼接向量。
129.分类结果获取模块36，用于对拼接向量进行上下文信息提取和预测分类，得到待分类案件数据对应的分类结果。
130.可选地，待分类案件数据获取模块31进一步包括。
131.案件文档获取单元，用于获取案件文档。
132.事实描述文段获获取单元，用于基于预设规则提取方式，对案件文档进行文本提取，得到案件文档对应的事实描述文段。
133.预处理单元，用于对事实描述文段进行预处理，得到待分类案件数据。
134.可选地，关键词获取模块32进一步包括。
135.分词单元，用于基于预设分词方式，对待分类案件数据进行分词处理，得到至少一个分词结果。
136.语料库确定单元，用于根据所有分词结果，确定待分类案件数据对应的语料库。
137.候选关键词集合获取单元，用于将待分类案件数据出现在语料库中的词作为候选词，并将候选词加入候选词集合中。
138.关键词概率获取单元，用于基于tf-idf算法，对候选词集合中每个候选词进行关键词概率计算，得到每一个候选词对应的关键词概率。
139.关键词获取单元，用于针对每一个关键词，对关键词进行文本向量化，得到关键词对应的关键词向量。
140.可选地，增强句子获取模块33进一步包括。
141.正样本对获取单元，用于基于预设的正样本构造方式，对待分类案件数据中的句子进行正样本对构造，得到与预设数量相同的正样本对。
142.增强句子获取单元，用于采用对比学习方式，依次对所有正样本对进行数据增强，得到每一个正样本对应的增强句子。
143.可选地，分类结果获取模块36进一步包括。
144.上下文信息向量获取单元，用于基于训练好的分类器，对拼接向量进行上下文信息提取，得到上下文信息向量，其中，分类器包括全连接层、dropout层和softmax层。
145.全连接向量获取单元，用于基于全连接层和dropout层，对上下文信息向量进行全连接，得到全连接向量。
146.分类单元，用于基于softmax层，对全连接向量进行分类，得到待分类案件数据对应的分类结果。
147.关于案件分类预测装置的具体限定可以参见上文中对于案件分类预测方法的限定，在此不再赘述。上述案件分类预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
148.为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
149.所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器 (digital signal processor，dsp)、嵌入式设备等。
150.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
151.所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，sd或d界面显示存储器等）、随机访问存储器（ram）、静态随机访问存储器（sram）、只读存储器（rom）、电可擦除可编程只读存储器（eeprom）、可编程只读存储器（prom）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
152.所述处理器42在一些实施例中可以是中央处理器（central processing unit，cpu）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
153.所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
154.本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的案件分类预测方法的步骤。
155.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本技术各个实施例所述的方法。
156.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。