(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210089545.9 (22)申请日 2022.01.25 (65)同一申请的已公布的文献号 申请公布号 CN 114490939 A (43)申请公布日 2022.05.13 (73)专利权人 北京华宇元典信息服 务有限公司 地址 100080 北京市海淀区中关村东路1号 院8号楼21层C2303 (72)发明人 李东海　张博文　石崇德　李弘宇　 张卫卫　 (74)专利代理 机构 北京中索 知识产权代理有限 公司 11640 专利代理师 葛靖 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/335(2019.01) G06F 16/338(2019.01) G06F 40/284(2020.01) G06F 40/30(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 112182175 A,2021.01.0 5 CN 110888927 A,2020.0 3.17 CN 112613582 A,2021.04.0 6 CN 105988978 A,2016.10.0 5 US 2021326747 A1,2021.10.21 US 20212093 56 A1,2021.07.08 CN 113468323 A,2021.10.01 徐明蔚.诉辩文本争议焦点识别方法研究与 应用. 《中国优秀博硕士学位 论文全文数据库(硕 士)社会科 学Ⅰ辑》 .2022,(第01期), Hugo Leo nardo Duarte-Garcia等 .Automatic Mal ware Clusteri ng using Word Embeddings and Unsupervised Learn ing. 《2019 7th I nternati onal Workshop o n Biometrics and Forensics (I WBF)》 .2019, 谭红叶等.基 于外部知识和层级篇 章表示的 阅读理解方法. 《中文信息学报》 .2020,(第04 期),88-94. 审查员 倪浩天 (54)发明名称 争议焦点推荐方法及装置 (57)摘要 本申请公开了一种争议焦点推荐方法及装 置， 用以解决争议焦点推荐准确率低的技术问 题。 其中， 一种争议焦点推荐方案， 分别通过预测 模型得到第一推荐争议焦点， 通过规则策略推荐 得到第二推荐争议焦点。 再通过预设选择策略， 从所述第一推荐争议焦点和所述第二推荐争议 焦点中选 择出最终争议焦点， 提高了争议焦点的 推荐准确性。 并且， 通过使用ARMA模型对争议焦 点进行预测， 而不是通过生 成模型对争议焦点进 行提取， 优化了预测效果和泛用性。 权利要求书2页 说明书10页 附图2页 CN 114490939 B 2022.09.02 CN 114490939 B 1.一种争议焦点推荐方法， 其特 征在于， 包括以下步骤： 对辩诉内容进行分句， 生成元 素为句子单 元的句子集 合； 输入所述句子集合至BERT模型， 预测句子单元的要素类别和与要素类别 对应的归属概 率值； 根据所述句子单元的要素类别和与要素类别对应的归属概率值， 确定所述句子单元对 应各要素类别归属概 率值的最大值； 取所述句子单元的各要素类别的最大概率值作为对应句子单元的特征属性， 生成句子 特征集合； 输入所述句子特 征集合至训练后的争议焦点预测模型， 得到第一推荐争议焦点； 根据所述句子单元的要素类别和与要素类别对应的归属概率值， 确定概率值大于第 一 预设阈值的要素类别； 建立概率值大于第 一预设阈值的要素类别在预设争议焦点数据库中的映射， 得到所述 要素类别对应的争议焦点和争议焦点的权 重值； 根据所述要素类别的概率值、 与所述要素类别映射的争议焦点、 与所述要素类别映射 的争议焦点的权 重值， 计算争议焦点对应的置信度； 确定由若干争议焦点构成的集 合中的置信度TOP ‑K的元素， 作为第二推荐争议焦点； 根据预设选择策略， 从所述第 一推荐争议焦点和所述第 二推荐争议焦点中选择出最终 争议焦点； 其中， 所述句子单 元具有若干要素类别； 所述争议焦点预测模型通过以下步骤训练获得： 获取句子特 征集合； 根据所述句子特征集合并通过神经网络， 进行负反馈优化， 以对所述争议焦点预测模 型进行迭代训练； 所述句子特 征集合中的元 素为具有特 征属性的句子单 元； 所述句子单 元还具有标签， 且标签为争议焦点。 2.如权利要求1所述的争议焦点推荐方法， 其特征在于， 根据预设选择策略， 从所述第 一推荐争议焦点和所述第二推荐争议焦点中选择 出最终争议焦点， 具体包括： 当同时存在第 一推荐争议焦点和第 二推荐争议焦点 时， 选择第 二推荐争议焦点作为最 终争议焦点； 当不存在第二推荐争议焦点时， 选择第一推荐争议焦点作为 最终争议焦点。 3.一种争议焦点推荐装置， 其特 征在于， 包括： 分句模块， 用于对辩诉内容进行分句， 生成元 素为句子单 元的句子集 合； 分类模块， 用于输入所述句子集合至BERT模型， 预测句子单元的要素类别和与要素类 别对应的归属概 率值； 推荐模块， 用于： 根据所述句子单元的要素类别和与要素类别对应的归属概率值， 确定所述句子单元对 应各要素类别归属概 率值的最大值； 取所述句子单元的各要素类别的最大概率值作为对应句子单元的特征属性， 生成句子 特征集合；权　利　要　求　书 1/2 页 2 CN 114490939 B 2输入所述句子特 征集合至训练后的争议焦点预测模型， 得到第一推荐争议焦点； 根据所述句子单元的要素类别和与要素类别对应的归属概率值， 确定概率值大于第 一 预设阈值的要素类别； 建立概率值大于第 一预设阈值的要素类别在预设争议焦点数据库中的映射， 得到所述 要素类别对应的争议焦点和争议焦点的权 重值； 根据所述要素类别的概率值、 与所述要素类别映射的争议焦点、 与所述要素类别映射 的争议焦点的权 重值， 计算争议焦点对应的置信度； 确定由若干争议焦点构成的集 合中的置信度TOP ‑K的元素， 作为第二推荐争议焦点； 根据预设选择策略， 从所述第 一推荐争议焦点和所述第 二推荐争议焦点中选择出最终 争议焦点； 其中， 所述句子单 元具有若干要素类别； 所述争议焦点预测模型通过以下步骤训练获得： 获取句子特 征集合； 根据所述句子特征集合并通过神经网络， 进行负反馈优化， 以对所述争议焦点预测模 型进行迭代训练； 所述句子特 征集合中的元 素为具有特 征属性的句子单 元； 所述句子单 元还具有标签， 且标签为争议焦点。 4.如权利要求3所述的争议焦点推荐装置， 其特征在于， 所述推荐模块用于根据 预设选 择策略， 从所述第一推荐争议焦点和所述第二推荐争议焦点中选择出最终争议焦点， 具体 包括： 当同时存在第 一推荐争议焦点和第 二推荐争议焦点 时， 选择第 二推荐争议焦点作为最 终争议焦点； 当不存在第二推荐争议焦点时， 选择第一推荐争议焦点作为 最终争议焦点。权　利　要　求　书 2/2 页 3 CN 114490939 B 3