详解平安科技智慧法律领域的AI应用

平安科技知识图谱技术团队历经两年项目打磨,深耕智慧法律领域,运用语言模型、要素抽取、关系提取、4W事件提取、语义匹配与相似等AI创新技术,打造了覆盖诉前、诉中、诉后全流程的智慧法律技术中台。法律中台技术工具可以进行灵活配置组合,从而实现各类法律场景的快速落地与实践应用。

图一:智慧法律技术中台

知识图谱技术团队建立的技术中台可实现将合同文本、裁判文书、卷宗、商标、域名等数据进行标准化解析处理,支撑法律场景下的各类应用。技术中台由多个细分技术工具组成:

语言模型:

基于海量法律文本无监督学习得到的法律领域的预训练语言模型,构成其余各个技术工具模块的底层支撑。相较于通用语料的语言模型,法律语言模型更适合处理专业法律场景的自然语言任务。

要素抽取:

基于BERT、BILSTM、CRF等不同模型组件构建得到的法律信息抽取模型,可快速解构裁判文书、合同、卷宗、商标等法律要件,从而得到关键的核心法律要素。当前法律中台要素抽取工具可覆盖以下场景:

1)裁判文书要素:文书要素抽取模型已覆盖1000多种案由,可抽取超过80类文书通用要素,如原被告、诉请、辩称、证据、争议焦点等;

2)合同要素:合同要素抽取模型已覆盖40多种合同类型,包括房地产租赁合同、采购合同、银行贷款合同等。可抽取超过10类合同要素,包含甲乙方、合同期限、合同金额等;

3)卷宗要素:卷宗要素抽取模型覆盖一审、二审和执行类案件的30多类文书类型,可抽取超过100类卷宗要素,如姓名、职务、法律依据等;

4)商标要素:商标抽取模型可抽取舆情、微博、APP中出现的商标名,为上层的商标识别与侵权比对提供支持。

应用场景一:资产线索提取

在公司破产清收场景中,实现裁判文书中资产线索的快速提取(资产金额规模、资产动向等),为法院、银行清算公司资产提供指引,智能追踪公司资产线索;

应用场景二:判决预测

对抽取得到的文书要素与判决结果,法律中台可实现关联预测映射。在处理新案件时,基于关联预测映射,推断案件最可能的判决结果,从而为案件判决与诉讼提供指引。以车险人伤理赔场景为例,通过提取历史裁判文书的争议焦点、证据项、判决金额、判决结果等要素,运用xgboost等机器学习算法搭建预测模型,可快速预测新案件的理赔结果。

关系提取:

基于BERT预训练的法律关系抽取模型,可快速从法律文书、合同等文本中提取得到多种法律关系。包括人物与机构关系(担保、质押、股权等)、法理映射关系、判决结果与法律事实映射关系等,运用实体识别、实体链接、指代消解等技术,可构建得到实体关系图谱,还原案件关键节点与关系面貌。

应用场景:企业诉讼风险画像

基于要素与关系抽取工具,系统可抽取企业诉讼维度的关联对象、法律关系,从而构建得到企业诉讼风险画像。基于企业的诉讼风险画像,用户可从法律诉讼角度,深入了解企业自身风险要素与关联对象存在的法律风险点,从而赋能风控。

4W事件提取:

利用事件元提取技术从法律文书中抽取包含时间(When)、人物/机构(Who)、地点(Where)、经过(What)触发词的事件信息,构建案情时间线。

应用场景:案件时间线串联与案情梳理

抽取法律案件核心要点(4W),串联案件发生的各个时间点,还原核心案情,助力法官与法律人士快速回顾案情,节约梳理阅读案件的时间。

语义匹配与相似:

结合无监督(BM25)与有监督(DSSM、K-NRM)的语义匹配方法,用于计算不同文本的语义相似程度。基于上述语言模型、要素提取、关系提取和事件提取模型的输出,结合语义相似匹配技术,可支撑下述业务应用。

应用场景一:智能检索

基于解构得到的法律知识图谱,搭建智能检索引擎,实现一键秒级检索,包括搜律师、搜合同、搜文书、搜法条,提高法律信息检索效率,辅助法律人士快速定位关键信息;

应用场景二:合同比对与审查

1)合同比对:通过合同条款的一致性匹配,实现任意合同比对,在两方合同签订场景中,帮助用户快速定位被修改的合同条款项,防止遗漏关键条款信息;

2)合同审查:将目标合同与专业法审意见进行对比,可实现10秒内高效合同审查,提示可能存在的法律风险与建议的修改意见,从而减少合同签订过程中易存在的法律合规风险;

应用场景三:类案推送

基于构建的法律案件要素,分析案件子图与子图之间的相似性,并进行对比匹配得到案件相似度,为法官、律师、案件当事人等法律用户推荐目标案件的类似案件,实现类案推送,从而为法律决策提供参考与依据。

应用场景四:商标侵权判定

通过电商、微信公众号、舆情、APP等多个舆情渠道,实时监测侵权线索,智能比对文本、图片商标的相似性,判定商标侵权行为,为企业维权提供指引与建议。