利用司法领域的网络资源对用户所提的法律纠纷问题自动提供有价值的参考解决方案能在很大程度上降低人工成本和社会资源.为了智能化解决用户的法律纠纷问题,论文提出一种seq2seq(Sequence to Sequence,序列到序列)融合注意力模型和双向长短时记忆网络的法律纠纷自动问答深度学习模型——S2SA-Bi-LSTM.该模型从大规模法律纠纷问答对出发,利用BiLSTM获取输入序列的上下文信息,结合注意力机制对序列权重进行更新,通过编码得到输入序列的向量化表示.并在此基础上,本文修改了Bi-LSTM中输入门和遗忘门的参数并计算输出序列,以得到与输入序列相对应的输出序列.实验证明,所提模型在真实的数据集上生成的答案具有较高的准确率,MAP值和MRR值也优于已有研究.
法律文本的自动生成能缓解我国法律服务行业中的人力资源不足的问题,对抗生成网络模型的出现为法律文本的自动生成提供了新思路.本文提出一种基于对抗生成网络的文本自动生成模型——ED-GAN(Generative Adversarial Networks based on Encoder-Decoder).在该模型的生成器中,首先将案情要素的关键词序列输入至编码器Encoder阶段的LSTM中编码成一隐含层向量,再将这个隐含层向量输入到解码器Decoder的LSTM中,并结合其各时间步的输出生成下一时间步的隐含层向量,进而得到各时间步的输出,生成文本序列.模型最后采用CNN网络来鉴别生成文本和真实文本之间的差距.实验验证表明,采用所提模型能够生成较理想的法律文本.
