案件检索推送方法及装置、存储介质及电子设备与流程

1.本公开涉及计算机技术领域，尤其涉及一种案件检索推送方法及装置、存储介质及电子设备。


背景技术：

2.随着网络技术的发展，历史案件的裁判文书大多可公开在网上进行查询检索，开展类案检索工作可以保证类案裁判标准统一。
3.相关技术中，通常是相关人员基于经验从网络上搜寻与待检索案件有相似之处的历史案件，效率较低且准确性差。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开的目的在于提供一种案件检索推送方法、装置、电子设备及存储介质，以提升类案检索结果的效率和准确性。
6.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
7.根据本公开的一个方面，提供一种案件检索推送方法，包括：获取待检索案件的待检索文本数据；通过案件要素识别模型处理待检索文本数据，得到待检索案件的各要素的目标要素特征；获取多个历史案件的各要素的历史要素特征，并获取当前的已推送次数；基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，以从多个历史案件中确定出初始推送案件序列；根据初始推送案件序列确定待检索案件的目标推送案件序列，以将目标推送案件序列中的历史案件进行推送展示。
8.在本公开一个实施例中，基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，以从多个历史案件中确定出初始推送案件序列，包括：基于已推送次数更新检索模型中各要素的当前权重值；根据当前权重值对目标要素特征和各个历史要素特征进行相似度计算，得到待检索案件与各个历史案件之间的相似度；根据相似度对多个历史案件进行排序，得到多个历史案件的排序结果；将排序结果中前预设数量的历史案件确定为初始推送案件序列。
9.在本公开一个实施例中，基于已推送次数更新检索模型中各要素的当前权重值，包括：若已推送次数等于0，则将各要素对应的当前权重值均确定为预设权重值；若已推送次数大于0，则获取最近一次推送中的用户行为反馈数据，以及获取最近一次推送中检索模型中使用的各要素的历史权重值；根据用户行为反馈数据对历史权重值进行更新，以得到各要素的当前权重值。
10.在本公开一个实施例中，获取最近一次推送中的用户行为反馈数据，包括：获取用
户针对最近一次推送的目标推送案件序列中各目标历史案件的浏览时长，以及获取预设的时长阈值；根据时长阈值将浏览时长转化为行为反馈值；根据各目标历史案件的行为反馈值确定各目标历史案件的用户行为反馈数据。
11.在本公开一个实施例中，根据用户行为反馈数据对历史权重值进行更新，以得到各要素的当前权重值，包括：获取最近一次推送的目标推送案件序列中各目标历史案件与待检索案件之间的相似度，以组成环境数据，并以历史权重作为动作数据；对环境数据、动作数据以及用户行为反馈数据进行合并处理，得到输入数据；将输入数据输入至训练好的深度强化学习模型中，输出得到各要素的当前权重值。
12.在本公开一个实施例中，多个历史案件包括第一案件；要素包括第一要素；其中，根据当前权重值对目标要素特征和各个历史要素特征进行相似度计算，得到待检索案件与各个历史案件之间的相似度，包括：采用相似度算法，对待检索案件的第一要素的目标要素特征和第一案件的第一要素的历史要素特征进行相似度计算，得到待检索案件和第一案件之间关于第一要素的要素相似度，从而得到待检索案件和第一案件之间关于各要素的要素相似度；根据各要素的当前权重值及相应的要素相似度进行加权计算，得到待检索案件与第一案件之间的相似度。
13.在本公开一个实施例中，根据初始推送案件序列确定待检索案件的目标推送案件序列，包括：若已推送次数等于0，则以初始推送案件序列作为目标推送案件序列；若已推送次数大于0，则获取最近一次推送的历史推送案件序列，根据历史推送案件序列和初始推送案件序列确定目标推送案件序列。
14.在本公开一个实施例中，案件检索推送方法还包括：获取多个历史案件的历史文本数据；通过案件要素识别模型处理各个历史文本数据，得到各个历史案件的历史要素特征；将历史案件的历史文本数据及其历史要素特征对应存储至案件数据库；以及方法中，获取多个历史案件的历史要素特征，包括：从案件数据库中获取多个历史案件的历史要素特征。
15.在本公开一个实施例中，要素特征包括以下至少一个：法律关系特征、核心事实特征和举证情况特征。
16.根据本公开的另一个方面，提供一种案件检索推送装置，包括：
17.获取模块，用于获取待检索案件的待检索文本数据；处理模块，用于通过案件要素识别模型处理待检索文本数据，得到待检索案件的各要素的目标要素特征；获取模块还用于获取多个历史案件的各要素的历史要素特征，并获取当前的已推送次数；处理模块还用于基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，以从多个历史案件中确定出初始推送案件序列；推送模块，用于根据初始推送案件序列确定待检索案件的目标推送案件序列，以将目标推送案件序列中的历史案件进行推送展示。
18.根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的案件检索推送方法。
19.根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的案件检索推送方法。
20.本公开的实施例所提供的案件检索推送方法，能够先确定待检索案件的目标要素特征以及获取到各个历史案件的历史要素特征，然后基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，其中基于已推送次数更新检索模型，可以实现对检索模型生成结果的隐式反馈，使得案件检索推送的结果更加精准，更能满足用户的个性化检索需求。
21.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
22.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1示出了可以应用本公开实施例的案件检索推送方法的示例性系统架构的示意图；
24.图2示出了本公开一个实施例的案件检索推送方法的流程图；
25.图3示出了本公开一个实施例的案件检索推送方法中确定目标推送案件序列的流程图；
26.图4示出了本公开一个实施例的案件检索推送方法中通过更新后的检索模型从所述多个历史案件中确定出初始推送案件序列的流程图；
27.图5示出了本公开一个实施例的案件检索推送方法中进行相似度计算的流程图；
28.图6示出了本公开一个实施例的案件检索推送方法的示意图；
29.图7示出了本公开一个实施例的案件检索推送方法中的功能模块实现示意图；
30.图8示出了本公开一个实施例的案件检索推送装置700的框图；和
31.图9示出了本公开实施例中一种案件检索推送计算机设备的结构框图。
具体实施方式
32.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
33.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
34.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两
个，三个等，除非另有明确具体的限定。
35.图1示出了可以应用本公开实施例的案件检索推送方法的示例性系统架构的示意图。
36.如图1所示，该系统架构可以包括服务器101、网络102和客户端103。网络102用以在客户端103和服务器101之间提供通信链路的介质。网络102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。
37.在示例性实施例中，与服务端101进行数据传输的客户端103可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、ar(augmented reality，增强现实)设备、vr(virtual reality，虚拟现实)设备、智能可穿戴设备等类型的电子设备。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、ios系统、linux系统、windows系统等。
38.服务器101可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。在一些实际应用中，服务器101也可以是网络平台的服务器，网络平台例如可以是交易平台、直播平台、社交平台或者音乐平台等，本公开实施例对此不作限定。其中，服务器可以是一台服务器，也可以是多台服务器形成的集群，本公开对于服务器的具体架构不做限定。
39.在示例性实施例中，服务器101用于实现案件检索推送方法的过程可以是：服务器101获取待检索案件的待检索文本数据；服务器101通过案件要素识别模型处理待检索文本数据，得到待检索案件的各要素的目标要素特征；服务器101获取多个历史案件的各要素的历史要素特征，并获取当前的已推送次数；服务器101基于已推送次数，通过检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，以从多个历史案件中确定出初始推送案件序列；服务器101根据初始推送案件序列确定待检索案件的目标推送案件序列，以将目标推送案件序列中的历史案件进行推送展示。
40.此外，需要说明的是，图1所示的仅仅是本公开提供的案件检索推送方法的一种应用环境。图1中的客户端、网络和服务器的数目仅仅是示意性的，根据实际需要，可以具有任意数目的客户端、网络和服务器。
41.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图及实施例对本公开示例实施例中的案件检索推送方法的各个步骤进行更详细的说明。
42.图2示出了本公开一个实施例的案件检索推送方法的流程图。本公开实施例提供的方法可以由如图1所示的服务器或客户端中执行，但本公开并不限定于此。
43.在下面的举例说明中，以服务器101为执行主体进行示例说明。
44.如图2所示，本公开实施例提供的案件检索推送方法可以包括以下步骤：
45.步骤s201，获取待检索案件的待检索文本数据。
46.待检索案件可以是涉及诉讼等的事件，待检索案件待检索文本数据可以是用于描述待检索案件的文本文件或裁判文书。
47.步骤s203，通过案件要素识别模型处理待检索文本数据，得到待检索案件的各要素的目标要素特征。
48.在一些实施例中，要素特征包括以下至少一个：法律关系特征、核心事实特征和举证情况特征。其中，案件要素识别模型可以是预先训练好的，可用于从文本中提取预设的要素信息，并将要素信息转化为要素特征；在一些实际应用中，要素特征可以是文字化的信息。
49.举例而言，案件要素识别模型中可以使用规则匹配、深度学习等信息抽取方法进行要素特征的识别提取；例如，对于规则匹配的方式，可以设置关键字(如“事实”等)，直接从裁判文书中识别出关键字，然后提取关键字周围一定范围内的信息，再从中确定要素特征。对于深度学习的方式，可以使用一些序列标注的算法或模型进行要素特征的提取。
50.步骤s205，获取多个历史案件的各要素的历史要素特征，并获取当前的已推送次数。
51.在一些实际应用中，对于一个案件可以进行多次检索计算进行推送，已推送次数可以认为是已展示给用户进行查看的次数。
52.在一些实施例中，在获取多个历史案件的各要素的历史要素特征之前，案件检索推送方法还可以包括：获取多个历史案件的历史文本数据；通过案件要素识别模型处理各个历史文本数据，得到各个历史案件的历史要素特征；将历史案件的历史文本数据及其历史要素特征对应存储至案件数据库。其中，历史文本数据可以是历史案件的判决文书等信息。
53.基于此，步骤s205可以进一步包括：从上述构建好的案件数据库中获取多个历史案件的历史要素特征。
54.步骤s207，基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，以从多个历史案件中确定出初始推送案件序列。
55.本步骤中，可以根据待检索案件的目标要素特征和各个历史案件的历史要素特征，结合已推送次数来计算待检索案件和各个历史案件之间的相似度，进而确定出初始推送案件序列。其中，可以根据已推送次数确定用户行为反馈数据进而基于用户行为反馈数据对检索模型进行更新，实现用户行为对检索模型生成结果的隐式反馈，也即可以根据用户的隐式反馈动态调整输出的检索结果，使得案件检索推送的结果更加精准，更能满足用户的个性化检索需求。
56.步骤s209，根据初始推送案件序列确定待检索案件的目标推送案件序列，以将目标推送案件序列中的历史案件进行推送展示。
57.在一些实施例中，根据初始推送案件序列确定待检索案件的目标推送案件序列，包括：若已推送次数等于0，则以初始推送案件序列作为目标推送案件序列；若已推送次数大于0，则获取最近一次推送的历史推送案件序列，根据历史推送案件序列和初始推送案件序列确定目标推送案件序列。
58.其中，已推送次数等于0可以理解为此前还未进行推送过，当前是第一次为待检索案件进行检索结果的推送，那么可以直接将计算获得的初始推送案件序列作为目标推送案件序列进行推送。已推送次数大于0可以理解为此前已进行推送展示过，可以结合上一次的历史推送案件序列与此次计算出的初始推送案件序列来确定最终用于展示的目标推送案件序列。
59.其中，根据历史推送案件序列和初始推送案件序列确定目标推送案件序列，可以是根据两个序列确定各序列中待展示案件的数量及相对顺序，再进行交叉重组以获得目标推送案件序列。
60.在一些实际应用中，还可以获取上一次推送中用户点击过的历史案件，若初始推送案件序列中存在用户点击过的历史案件，则可以先将用户点击过的历史案件剔除掉，再确定目标推送案件序列，这样可以保证每次推送中的案件都是用户未点击浏览过的，进而可以提升用户的浏览检索效率。
61.在又一些实际应用中，也可以设置删除不看指定案件的功能或保留展示指定案子的功能，以满足用户的个性化检索需求。
62.图3示出了本公开一个实施例的案件检索推送方法中确定目标推送案件序列的流程图，图3示出的是已推送次数大于0的情况，如图3所示，包括历史推送案件序列301、初始推送案件序列302和目标推送案件序列303；其中假设了历史推送案件序列301中案件的数量为4，初始推送案件序列302中案件的数量为4；则可以先从历史推送案件序列301中确定排序靠前的两个案件组成的子序列，接着从初始推送案件序列302中确定排序靠前的两个案件组成的子序列，然后将这两个子序列中的案子按各自的相对顺序交叉重组，得到一个新的序列，即目标推送案件序列303。
63.通过本公开提供的案件检索推送方法，可以先确定待检索案件的目标要素特征以及获取到各个历史案件的历史要素特征，然后基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，其中基于已推送次数更新检索模型，可以实现对检索模型生成结果的隐式反馈，使得案件检索推送的结果更加精准，更能满足用户的个性化检索需求。
64.图4示出了本公开一个实施例的案件检索推送方法中通过更新后的检索模型从所述多个历史案件中确定出初始推送案件序列的流程图，如图4所示，在一些实施例中，步骤s207可以进一步包括以下步骤。
65.步骤s401，基于已推送次数更新检索模型中各要素的当前权重值。
66.举例而言，在一些实施例中，若已推送次数等于0，则将各要素对应的当前权重值均确定为预设权重值；若已推送次数大于0，则获取最近一次推送中的用户行为反馈数据，以及获取最近一次推送中检索模型中使用的各要素的历史权重值；根据用户行为反馈数据对历史权重值进行更新，以得到各要素的当前权重值。
67.其中，已推送次数等于0可以理解为此前还未进行推送过，当前是第一次为待检索案件计算待推送案件，那么可以认为此次各要素的重要程度相当，则可以将各要素对应的当前权重值均确定为预设权重值，例如都设置为1。而在已推送次数大于0的情况下，可以获取最近一次推送中的用户行为反馈数据以更新检索模型。
68.在已推送次数大于0的情况下，在一些实施例中获取最近一次推送中的用户行为反馈数据的过程可以是：获取用户针对最近一次推送的目标推送案件序列中各目标历史案件的浏览时长，以及获取预设的时长阈值；根据时长阈值将浏览时长转化为行为反馈值；根据各目标历史案件的行为反馈值确定各目标历史案件的用户行为反馈数据。
69.在一些实际应用中，用户行为反馈数据r可以是如下形式：
70.r＝{(hi,ti),...},i∈[1,...,n]；其中，n为输出的案件结果数量；hi表示第i个
案件的点击状态，通常可以将“点击”设为1、将“未点击”设为0；ti表示用户在第i个案件浏览的时长，例如可以设为4种状态：0为未浏览，1为短时浏览(如浏览时长通常设定在(0,3]分钟)，2为中时浏览(如浏览时长通常设定在(3,10]分钟)，3为长时浏览(如浏览时长通常设定大于10分钟)；其中，浏览时长的状态设定可以根据实际情况进行调节。其中，ti可以看作是第i个历史案件的行为反馈值，(hi,ti)则可以看作是第i个历史案件的用户行为反馈数据。
[0071]
在一些实施例中，根据用户行为反馈数据对历史权重值进行更新，以得到各要素的当前权重值的过程可以是：获取最近一次推送的目标推送案件序列中各目标历史案件与待检索案件之间的相似度，以组成环境数据，并以历史权重作为动作数据；对环境数据、动作数据以及用户行为反馈数据进行合并处理，得到输入数据；将输入数据输入至训练好的深度强化学习模型中，输出得到各要素的当前权重值。
[0072]
在一些实际应用中，可以设定环境数据s为当前输出给用户的所有检索案件结果的相似度分布s＝[(s
i1
,s
i2
,...,s
ie
),...],i∈[1,...,n]，动作a可以为当前检索模型相似度计算公式中采用的权重分布a＝(w1,w2,...,we)，其中n为输出的类案结果数量，e为当前业务场景设定的要素数量。
[0073]
然后可以将上述(s,a,r)进行合并处理后输入到线下已训练完毕的深度强化学习模型中，输出得到更新后的权重，即a
′
＝(w1′
,w2′
,...,we′
).
[0074]
步骤s403，根据当前权重值待检索案件的目标要素特征和各个历史案件的历史要素特征进行相似度计算，得到待检索案件与各个历史案件之间的相似度。
[0075]
图5示出了本公开一个实施例的案件检索推送方法中进行相似度计算的流程图。如图5所示，在一些实施例中，多个历史案件中可以包括第一案件；要素中可以包括第一要素；基于此，步骤s403可以包括以下步骤。
[0076]
步骤s501，采用相似度算法，对待检索案件的第一要素的目标要素特征和第一案件的第一要素的历史要素特征进行相似度计算，得到待检索案件和第一案件之间关于第一要素的要素相似度；从而得到待检索案件和第一案件之间关于各要素的要素相似度。其中，所述相似度算法包括以下至少之一：欧氏距离算法和余弦算法。
[0077]
步骤s503，根据各要素的当前权重值及相应的要素相似度进行加权计算，得到待检索案件与第一案件之间的相似度。
[0078]
接着使用形同方式，可以得到待检索案件与各个历史案件之间的相似度。
[0079]
步骤s405，根据相似度对多个历史案件进行排序，得到多个历史案件的排序结果。
[0080]
步骤s407，将排序结果中前预设数量的历史案件确定为初始推送案件序列。其中，预设数量的值可以根据实际情况或用户需求进行设定。
[0081]
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0082]
图6示出了本公开一个实施例的案件检索推送方法的示意图，如图6所示，包括以下步骤：
[0083]
步骤1，将历史案件文书601输入案件要素识别模型602，使用案件要素识别模型602从历史案件文书601中抽取出将历史案件文书601的案件要素603；
[0084]
步骤2，将步骤1中产生的案件要素603与对应文书(即历史案件文书601)存储至检数据库606中；
[0085]
步骤3，将待检索的检索案例604输入案件要素识别模型602，使用案件要素识别模型602从检索案例604中抽取出检索案例604的案件要素605；其中，在步骤1和步骤3中使用案件要素识别模型602抽取案件要素的方法可以是：根据类案检索这一业务场景定义e种要素，要素可以包括但不限于核心事实、法律关系、争议性法律问题等，并分别使用规则匹配、深度学习等信息抽取方法进行识别提取；
[0086]
步骤4，将步骤3中的案件要素605与步骤2中的数据库606中的数据共同输入至检索模型607中，对检索案例604和各个历史案件文书601进行相似度计算，以对历史案件文书601进行检索召回排序；其中，在第一次进行相似度计算时，检索模型607中的与各要素对应的权重是相同的；
[0087]
具体地，步骤4中涉及的检索模型607可以计算检索案例604与所有历史案件文书601之间的相似度分数，并将分数排序靠前的案例输出给用户；其中，相似度分数初始计算方式见公式：其中se为检索案例和被检索案例关于第e个要素的相似度计算得分，we为第e个要素的权重，se的具体计算方式包括但不限于计算两个字符串之间的欧氏距离、基于词向量计算cosine距离等；
[0088]
步骤5，在首次展示结果时，将步骤4中产生的排序靠前的n个类案结果输出给用户；
[0089]
步骤6，用户对步骤5中的结果进行做出浏览点击行为609，进而产生一种隐式反馈；
[0090]
步骤7，隐式反馈传递至agent模块610，进而采用深度强化学习算法dqn对检索模型607进行更新；其中，具体可以是更新检索模型607中各个要素的权重；
[0091]
步骤8，使用更新后的检索模型607重新计算检索结果，即重新对历史案件进行排序；
[0092]
步骤9，可以将步骤8中的新结果与步骤4中产生的结果交叉结合，并过滤掉用户之前已点击的案例，再度输出给用户；
[0093]
步骤10，重复6、7、8、9步骤，直至用户结束浏览检索结果。
[0094]
图7示出了本公开一个实施例的案件检索推送方法中的功能模块实现示意图，如图7所示，包括：要素抽取模块701、检索模块702、结果输出模块703和强化学习模块704；
[0095]
其中，要素抽取模块701可以将案件文书抽取出类案需要的几项基本识别要素；检索模块702可以将待检索的案例要素在历史案件文书案例要素中检索，并将相似度高的前项结果输出；结果输出模块703可以将检索模块中输出的结果对用户进行展示，并记录用户的点击状态浏览时长等隐式反馈；强化学习模块704可以利用用户的隐式反馈动态调整检索模块。
[0096]
图8示出了本公开一个实施例的案件检索推送装置800的框图；如图8所示，包括：
[0097]
获取模块801，用于获取待检索案件的待检索文本数据；处理模块802，用于通过案件要素识别模型处理待检索文本数据，得到待检索案件的各要素的目标要素特征；获取模
块801还用于获取多个历史案件的各要素的历史要素特征，并获取当前的已推送次数；处理模块802还用于基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，以从多个历史案件中确定出初始推送案件序列；推送模块803，用于根据初始推送案件序列确定待检索案件的目标推送案件序列，以将目标推送案件序列中的历史案件进行推送展示。
[0098]
通过本公开提供的案件检索推送装置，可以先确定待检索案件的目标要素特征以及获取到各个历史案件的历史要素特征，然后基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，其中基于已推送次数更新检索模型，可以实现对检索模型生成结果的隐式反馈，使得案件检索推送的结果更加精准，更能满足用户的个性化检索需求。
[0099]
在一些实施例中，处理模块802基于已推送次数更新检索模型，通过更新后的检索模型对待检索案件的目标要素特征和各个历史案件的历史要素特征进行比对处理，以从多个历史案件中确定出初始推送案件序列，包括：基于已推送次数更新检索模型中各要素的当前权重值；根据当前权重值对目标要素特征和各个历史要素特征进行相似度计算，得到待检索案件与各个历史案件之间的相似度；根据相似度对多个历史案件进行排序，得到多个历史案件的排序结果；将排序结果中前预设数量的历史案件确定为初始推送案件序列。
[0100]
在一些实施例中，处理模块802基于已推送次数更新检索模型中各要素的当前权重值，包括：若已推送次数等于0，则将各要素对应的当前权重值均确定为预设权重值；若已推送次数大于0，则获取模块801获取最近一次推送中的用户行为反馈数据，以及获取最近一次推送中检索模型中使用的各要素的历史权重值；处理模块802根据用户行为反馈数据对历史权重值进行更新，以得到各要素的当前权重值。
[0101]
在一些实施例中，获取模块801获取最近一次推送中的用户行为反馈数据，包括：获取用户针对最近一次推送的目标推送案件序列中各目标历史案件的浏览时长，以及获取预设的时长阈值；根据时长阈值将浏览时长转化为行为反馈值；根据各目标历史案件的行为反馈值确定各目标历史案件的用户行为反馈数据。
[0102]
在一些实施例中，处理模块802根据用户行为反馈数据对历史权重值进行更新，以得到各要素的当前权重值，包括：获取模块801获取最近一次推送的目标推送案件序列中各目标历史案件与待检索案件之间的相似度，以组成环境数据，并以历史权重作为动作数据；处理模块802对环境数据、动作数据以及用户行为反馈数据进行合并处理，得到输入数据；将输入数据输入至训练好的深度强化学习模型中，输出得到各要素的当前权重值。
[0103]
在一些实施例中，多个历史案件包括第一案件；要素包括第一要素；其中，处理模块802根据当前权重值对目标要素特征和各个历史要素特征进行相似度计算，得到待检索案件与各个历史案件之间的相似度，包括：采用相似度算法，对待检索案件的第一要素的目标要素特征和第一案件的第一要素的历史要素特征进行相似度计算，得到待检索案件和第一案件之间关于第一要素的要素相似度，从而得到待检索案件和第一案件之间关于各要素的要素相似度；根据各要素的当前权重值及相应的要素相似度进行加权计算，得到待检索案件与第一案件之间的相似度。
[0104]
在一些实施例中，推送模块803根据初始推送案件序列确定待检索案件的目标推送案件序列，包括：若已推送次数等于0，则以初始推送案件序列作为目标推送案件序列；若
已推送次数大于0，则获取最近一次推送的历史推送案件序列，根据历史推送案件序列和初始推送案件序列确定目标推送案件序列。
[0105]
在一些实施例中，获取模块801还用于：获取多个历史案件的历史文本数据；处理模块802还用于：通过案件要素识别模型处理各个历史文本数据，得到各个历史案件的历史要素特征；将历史案件的历史文本数据及其历史要素特征对应存储至案件数据库；以及获取模块801获取多个历史案件的历史要素特征，包括：从案件数据库中获取多个历史案件的历史要素特征。
[0106]
在一些实施例中，要素特征包括以下至少一个：法律关系特征、核心事实特征和举证情况特征。
[0107]
图8实施例的其它内容可以参照上述其它实施例。
[0108]
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0109]
图9示出本公开实施例中一种案件检索推送计算机设备的结构框图。需要说明的是，图示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0110]
下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0111]
如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。
[0112]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图2中所示的方法。
[0113]
存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(rom)9203。
[0114]
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0115]
总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0116]
电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。
应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0117]
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
[0118]
根据本发明实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0119]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0120]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0121]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0122]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0123]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0124]
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现
期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
[0125]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
[0126]
根据本公开的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例的各种可选实现方式中提供的方法。
[0127]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。