(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210373762.0 (22)申请日 2022.04.11 (71)申请人 湖南工商大 学 地址 410205 湖南省长 沙市岳麓区岳麓 大 道569号 (72)发明人 陈晓红　胡东滨　付震坤　梁伟　 曹文治　 (74)专利代理 机构 深圳众鼎汇成知识产权代理 有限公司 4 4566 专利代理师 朱业刚 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/18(2012.01) (54)发明名称 案件分类方法、 装置、 计算机设备及存储介 质 (57)摘要 本发明涉及人工智能和司法领域， 公开了一 种案件分类方法、 装置、 计算机设备及存储介质， 所述方法包括： 获取待预测案件数据； 将所述待 预测案件数据输入ERNIE ‑CNN分类模型， 其中， 所 述ERNIE‑CNN分类模型是指基于ERNIE算法对案 件进行分类的模型， 所述ERNIE ‑CNN分类模型包 括CNN层； 基于所述ERNIE ‑CNN分类模型， 对所述 待预测案件 数据进行文本向量化， 得到词向量矩 阵； 基于所述CNN层， 对所述词向量矩阵进行局部 特征提取， 得到局部特征矩阵； 基于所述ERNIE ‑ CNN分类模型的全连接层， 对所述局部特征矩阵 进行全连接和分类处理， 得到所述待预测案件数 据对应的分类结果， 采用本发明提高对案件分类 的处理效率。 权利要求书2页 说明书8页 附图3页 CN 114780724 A 2022.07.22 CN 114780724 A 1.一种案件分类方法， 其特 征在于， 所述案件分类方法包括： 获取待预测案件数据； 将所述待预测案件数据输入ERNIE ‑CNN分类模型， 其中， 所述ERNIE ‑CNN分类模型是指 基于ERNIE算法对案件进行分类的模型， 所述ERN IE‑CNN分类模型包括CN N层； 基于所述ERNIE ‑CNN分类模型， 对所述待预测案件数据进行文本向量化， 得到词向量矩 阵； 基于所述CN N层， 对所述词向量矩阵进行局部特 征提取， 得到局部特 征矩阵； 基于所述ERNIE ‑CNN分类模型的全连接层， 对所述局部特征矩阵进行全连接和分类处 理， 得到所述待预测案件数据对应的分类结果。 2.如权利要求1所述的案件分类方法， 其特征在于， 所述获取待预测案件数据的步骤包 括： 获取案件文档和所述案件文档对应的文本模板； 基于预设的要素抽取 方式， 对所述文本模板进行要素抽取， 得到抽取规则； 基于所述抽取规则， 对所述案件文档进行字段提取， 得到关键 字段； 对所述关键 字段进行 预处理， 得到待预测案件数据。 3.如权利要求1所述的案件分类方法， 其特征在于， 所述基于所述ERNIE ‑CNN分类模型 的全连接层， 对所述局部特征矩阵进行全连接和分类处理， 得到所述待预测案件数据对应 的分类结果的步骤 包括： 将所述局部特 征矩阵依次输入所述ERN IE‑CNN分类模型的dropout层和全连接层； 基于所述ERNIE ‑CNN分类模型的dropout层和全连接层， 对所述局部特征矩阵进行全连 接和分类处 理， 得到所述待预测案件数据对应的分类结果。 4.如权利要求1至3任一项所述的案件分类方法， 其特征在于， 在所述将所述待预测案 件数据输入ERN IE‑CNN分类模型之前， 所述方法还 包括： 基于DiceL oss损失函数， 训练ERN IE‑CNN分类模型； 按照以下公式计算所述DiceL oss损失函数： 其中， |A|表示样本预测值 中元素的个数,|B|表示样本真实值中元素的个数， |A∩B|表 示样本预测值和样本真实值之间的共同元 素。 5.一种案件分类装置， 其特 征在于， 所述案件分类装置包括： 数据获取模块， 用于获取待预测案件数据； 输入模块， 用于将所述待预测案件数据输入ERNIE ‑CNN分类模型， 其中， 所述ERNIE ‑CNN 分类模型 是指基于 ERNIE算法对案件进行分类的模型， 所述ERN IE‑CNN分类模型包括CN N层； 文本向量化模块， 用于基于所述ERNIE ‑CNN分类模型， 对所述待预测案件数据进行文本 向量化， 得到词向量矩阵； 特征提取模块， 用于基于所述CNN层， 对所述词向量矩阵进行局部特征提取， 得到局部 特征矩阵； 分类结果获取模块， 用于基于所述ERNIE ‑CNN分类模型的全连接层， 对所述局部特征矩 阵进行全连接和分类处 理， 得到所述待预测案件数据对应的分类结果。权　利　要　求　书 1/2 页 2 CN 114780724 A 26.如权利要求1所述的案件分类装置， 其特 征在于， 所述数据获取模块包括： 案件文档获取 单元， 用于获取案件文档和所述案件文档对应的文本模板； 抽取规则获取单元， 用于基于预设的要素抽取方式， 对所述文本模板进行要素抽取， 得 到抽取规则； 关键字段获取单元， 用于基于所述抽取规则， 对所述案件文档进行字段提取， 得到关键 字段； 预处理单元， 用于对所述关键 字段进行 预处理， 得到待预测案件数据。 7.如权利要求1所述的案件分类装置， 其特 征在于， 所述分类结果获取模块包括： 输入单元， 用于将所述局部特征矩阵依次输入所述ERNIE ‑CNN分类模型的dropout层和 全连接层； 分类单元， 用于基于所述ERNIE ‑CNN分类模型的dropout层和全连接层， 对所述局部特 征矩阵进行全连接和分类处 理， 得到所述待预测案件数据对应的分类结果。 8.如权利要求6至7任一项所述的案件分类装置， 其特征在于， 在所述输入模块之前， 所 述装置还 包括： 训练模块， 用于基于DiceL oss损失函数， 训练ERN IE‑CNN分类模型； 按照以下公式计算所述DiceL oss损失函数： 其中， |A|表示样本预测值 中元素的个数,|B|表示样本真实值中元素的个数， |A∩B|表 示样本预测值和样本真实值之间的共同元 素。 9.一种计算机设备， 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， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1至 4任一项所述的案件分类方法。 10.一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， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至4任一项所述的案件分类方法。权　利　要　求　书 2/2 页 3 CN 114780724 A 3