隨著我國(guó)法制社會(huì)的建設(shè)與推進(jìn),法律意識(shí)已經(jīng)深入人心,通過法律途徑來保護(hù)個(gè)人的正當(dāng)合法利益已經(jīng)成為常識(shí)。但是由于法律的專業(yè)性較強(qiáng),個(gè)人在通過法律途徑解決問題時(shí)需要尋求律師的幫助來做專業(yè)辯護(hù),因此為用戶提供律師推薦是非常有意義的。同時(shí),由于裁判文書已經(jīng)在中國(guó)裁判文書網(wǎng)上合法公開,為律師推薦系統(tǒng)的實(shí)現(xiàn)提供了大量的文本數(shù)據(jù)。本文利用已經(jīng)獲得的大量文本數(shù)據(jù)結(jié)合現(xiàn)有的自然語(yǔ)言處理、深度學(xué)習(xí)等技術(shù)實(shí)現(xiàn)了一個(gè)基于深度學(xué)習(xí)的律師推薦系統(tǒng)。本文在深度學(xué)習(xí)和推薦算法研究的基礎(chǔ)上,將兩者進(jìn)行組合,構(gòu)建出本文使用的基于深度學(xué)習(xí)的推薦算法。以公開的海量裁判文書作為豐富的文本數(shù)據(jù),通過自然語(yǔ)言處理技術(shù)為推薦算法提供所需數(shù)據(jù),完成系統(tǒng)的設(shè)計(jì)。首先設(shè)計(jì)了對(duì)裁判文書的分類功能,將裁判文書利用分類算法進(jìn)行多標(biāo)簽分類;然后設(shè)計(jì)了抽取律師信息和判決結(jié)果的功能,將判決結(jié)果經(jīng)過按條劃分后,利用本文設(shè)計(jì)的基于注意力機(jī)制的BiGRU判決結(jié)果傾向性分析算法對(duì)判決結(jié)果進(jìn)行處理,分析出判決結(jié)果的傾向性,并以此結(jié)果作為對(duì)律師的評(píng)分依據(jù),結(jié)合抽取的律師信息構(gòu)建出律師庫(kù)。通過直接或間接獲得的用戶需求,利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)分別對(duì)用戶需求、律... 

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀與趨勢(shì)
    1.3 本文研究的主要內(nèi)容
    1.4 論文組織架構(gòu)
第2章 相關(guān)技術(shù)與理論研究
    2.1 文本分類技術(shù)的研究
        2.1.1 KNN算法
        2.1.2 TextCNN算法
    2.2 文本情感分析的研究
    2.3 深度學(xué)習(xí)技術(shù)的研究
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)CNN
        2.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
    2.4 傳統(tǒng)推薦算法的研究
        2.4.1 基于內(nèi)容的推薦算法
        2.4.2 協(xié)同過濾的推薦算法
        2.4.3 混合推薦算法
    2.5 本章小結(jié)
第3章 基于深度學(xué)習(xí)的推薦算法的研究
    3.1 用戶需求信息挖掘
    3.2 律師庫(kù)的構(gòu)建
        3.2.1 律師信息抽取與判決結(jié)果預(yù)處理
        3.2.2 判決結(jié)果傾向性分析
        3.2.3 律師評(píng)分算法
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的推薦算法
        3.3.1 算法描述
        3.3.2 算法分析
    3.4 本章小結(jié)
第4章 律師推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    4.1 需求分析
        4.1.1 功能性需求
        4.1.2 非功能性需求
    4.2 系統(tǒng)架構(gòu)設(shè)計(jì)
    4.3 系統(tǒng)功能設(shè)計(jì)
    4.4 系統(tǒng)數(shù)據(jù)庫(kù)設(shè)計(jì)
    4.5 系統(tǒng)實(shí)現(xiàn)
        4.5.1 用戶管理模塊
        4.5.2 文本分類模塊
        4.5.3 信息抽取模塊
        4.5.4 律師管理模塊
        4.5.5 評(píng)論管理模塊
        4.5.6 用戶需求挖掘模塊
        4.5.7 律師推薦模塊
    4.6 本章小結(jié)
第5章 推薦系統(tǒng)的測(cè)試
    5.1 測(cè)試環(huán)境搭建
    5.2 系統(tǒng)功能測(cè)試
    5.3 系統(tǒng)非功能性測(cè)試
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于注意力機(jī)制的BiGRU判決結(jié)果傾向性分析[J]. 王寧,李世林,劉堂亮,趙偉.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(03)
[2]基于SVM-BiLSTM-CRF模型的財(cái)產(chǎn)糾紛命名實(shí)體識(shí)別方法[J]. 周曉磊,趙薛蛟,劉堂亮,宗子瀟,王其樂,里劍橋.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(01)
[3]基于特征值的律師推薦算法及改進(jìn)方案[J]. 汪海鵬,鄭揚(yáng)飛.  計(jì)算機(jī)與現(xiàn)代化. 2018(10)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的文檔特征提取方法[J]. 劉鋼,李宗晨,郭建偉.  江蘇科技信息. 2018(14)
[5]基于深度學(xué)習(xí)的文本分類研究進(jìn)展[J]. 劉婷婷,朱文東,劉廣一.  電力信息與通信技術(shù). 2018(03)
[6]基于注意力的BiLSTM-CNN中文微博立場(chǎng)檢測(cè)模型[J]. 白靜,李霏,姬東鴻.  計(jì)算機(jī)應(yīng)用與軟件. 2018(03)
[7]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[8]基于深度學(xué)習(xí)的判決結(jié)果傾向性分析[J]. 王業(yè)沛,宋夢(mèng)姣,王譞,趙志宏.  計(jì)算機(jī)應(yīng)用研究. 2019(02)
[9]基于注意力機(jī)制的微博情感分析[J]. 周瑛,劉越,蔡俊.  情報(bào)理論與實(shí)踐. 2018(03)
[10]基于自然語(yǔ)言檢索的綜合相似度計(jì)算算法[J]. 徐浩廣,王寧,劉佳明,邱燕.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(06)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的新聞文本分類問題研究[D]. 齊凱凡.西安理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的短文本分類研究[D]. 胡可奇.電子科技大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的推薦算法[D]. 吳浠.華南理工大學(xué) 2016
[4]基于文本挖掘的律師推薦方法研究與應(yīng)用[D]. 梁楠.電子科技大學(xué) 2015
[5]基于深度學(xué)習(xí)的推薦系統(tǒng)研究[D]. 陳達(dá).北京郵電大學(xué) 2014



本文編號(hào)：3711818