本发明属于法律人工智能领域，具体涉及一种行政执法中的执法依据判定方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、行政执法过程中，需要查阅相关法律条文和以往类似案件的执法情况，以此对案件进行分析，这一部分工作往往占据了行政执法人员的大量时间。法律人工智能的出现，有效的提升了这一环节的效率。
3、前期相关法律条文推荐任务的研究一直受限于数据集的规模，在研究方法上以传统机器学习为主，目前常使用基于神经网络的文本分类模型，通过提取深层的文本特征提升预测质量，其中最常用的模型是cnn、textcnn、lstm和gru等。yang等人和xu等人延续分类思想，在多任务框架内建立子任务之间的关系，在完成法条推荐任务的同时，可以实现罪名和刑期预测，文献中采用基于图卷积的网络结构。
4、但据发明人了解，目前助理系统仍存在法定条文和案情描述是很长的文本序列，可能长达数千字，需要克服最大输入长度限制，且没有能够辅助司法人员用以判定行政执法依据准确性的技术方案。
技术实现思路
1、本发明为了解决上述问题，提出了一种行政执法中的执法依据判定方法及系统，本发明通过从法律语料库中检索相关执法依据，然后将案情描述、执法依据和检索结果进行分类处理，最终得到执法过程的正确性概率结果，以辅助司法人员进行判断执法依据是否使用正确。
2、根据一些实施例，本发明采用如下技术方案：
3、一种行政执法中的执法依据判定方法，包括以下步骤：
4、从案卷文书中提取案情描述文本信息和文书引用的执法依据文本信息；
5、分别对案情描述文本信息和执法依据文本信息进行编码，并映射到密集表示中，分别得到案情描述嵌入和执法依据嵌入；
6、构建法律图，融合法律图中的信息丰富执法依据嵌入，得到检索出的依据；
7、提取案情描述嵌入和执法依据嵌入和检索出的依据的特征，对所述特征进行维度变换，得到特征表示；
8、基于所述特征表示，利用分类器确定正确性概率预测结果，将所述正确性概率预测结果和预设的概率阈值进行对比，根据对比结果设置判定标签。
9、作为可选择的实施方式，对案情描述文本信息进行编码的过程包括：将案情描述文本信息输入到权重为θ的预训练后的基于bert的模型中，模型将来自词汇表w的n个token的输入序列映射到d维实值token嵌入，将最后一层的[cls]token表示作为案情描述嵌入。
10、作为进一步的实施方式，基于bert的模型的预训练阶段，模型经过预训练和微调后，[cls]token的输出能够捕捉整个句子或序列的语义和信息。
11、作为可选择的实施方式，对执法依据文本信息进行编码的具体过程包括：每个执法依据被分成多个文本段落[p1,p2,…,pm]，其中段落pi是n≤512的token序列这些段落独立地通过基于bert的共享模型进行传递，以使用各自的[cls]token嵌入来提取上下文无关的段落表示列表，将每个段落的[cls]token与可学习的段落位置嵌入相加，并将结果馈送到小型transformer编码器中，通过对上下文感知的段落表示的池化操作计算最终的执法依据嵌入。
12、作为可选择的实施方式，构建法律图的具体过程包括：将法律的层级组织形式化为由两种类型的节点组成的树状结构，节点类型包括节节点和法条节点，节节点是表示法律中连续划分的标题结构单元，法条节点表示不同法定条文的文本内容单元；
13、进行节点特征初始化，编码节点的语义信息，并使用由此产生的嵌入作为初始节点特征；
14、利用图神经网络捕获每个节点的结构属性，更新法律图。
15、作为进一步的限定，利用图神经网络捕获每个节点的结构属性，更新法律图的具体过程包括：
16、所述图神经网络由一堆神经网络层组成，其中每一层聚合每个节点周围的局部邻域信息，将该聚合信息传递到下一层，图神经网络以特征矩阵和图的邻接矩阵为输入，并产生节点级输出，该输出捕获每个节点的结构属性；
17、每个图神经网络都写成非线性函数，且在逐层传播时，使用非线性激活函数，再更新节点的隐藏状态方式。
18、作为可选择的实施方式，利用分类器确定正确性概率预测结果的具体过程包括：利用二分类器对维度变换后的特征表示进行分类，得到标签预测结果，用于展示模型在各个类别的置信度。
19、一种行政执法中的执法依据判定系统，包括：
20、信息提取模块，被配置为从案卷文书中提取案情描述文本信息和文书引用的执法依据文本信息；
21、编码模块，被配置为分别对案情描述文本信息和执法依据文本信息进行编码，并映射到密集表示中，分别得到案情描述嵌入和执法依据嵌入；
22、法律图编码模块，被配置为构建法律图，融合法律图中的信息丰富执法依据嵌入，得到检索出的依据；
23、特征表示模块，被配置为提取案情描述嵌入和执法依据嵌入和检索出的依据的特征，对所述特征进行维度变换，得到特征表示；
24、分类模块，被配置为基于所述特征表示，利用分类器确定正确性概率预测结果，将所述正确性概率预测结果和预设的概率阈值进行对比，根据对比结果设置判定标签。
25、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
26、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
27、与现有技术相比，本发明的有益效果为：
28、本发明首先从法律语料库中检索相关执法依据，然后将案情描述、执法依据和检索结果进行分类处理，最终输出执法过程的正确性性判断结果标签，能够有效的辅助法官等司法工作者进行执法过程中执法依据合理性、正确性的判断。
29、本发明通过学习案情描述和执法依据的高质量低维嵌入空间，使相关的案情描述-执法依据对在这些空间中看起来比不相关的更接近，将其表示为嵌入，并提取特征，能够有效的解决法定条文和案情描述文本信息较长的问题，克服基于bert的模型强加的512个token的最大输入长度限制，提升了处理效率。
30、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种行政执法中的执法依据判定方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种行政执法中的执法依据判定方法，其特征是，对案情描述文本信息进行编码的过程包括：将案情描述文本信息输入到权重为的预训练后的基于bert的模型中，模型将来自词汇表w的n个token的输入序列映射到d维实值token嵌入，将最后一层的[cls]token表示作为案情描述嵌入。
3.如权利要求2所述的一种行政执法中的执法依据判定方法，其特征是，基于bert的模型的预训练阶段，模型经过预训练和微调后，[cls] token的输出能够捕捉整个句子或序列的语义和信息。
4.如权利要求1所述的一种行政执法中的执法依据判定方法，其特征是，对执法依据文本信息进行编码的具体过程包括：每个执法依据被分成多个文本段落，其中段落是n≤512的token序列，这些段落独立地通过基于bert的共享模型进行传递，以使用各自的[cls]token嵌入来提取上下文无关的段落表示列表，将每个段落的[cls]token与可学习的段落位置嵌入相加，并将结果馈送到小型transformer编码器中，通过对上下文感知的段落表示的池化操作计算最终的执法依据嵌入。
5.如权利要求1所述的一种行政执法中的执法依据判定方法，其特征是，构建法律图的具体过程包括：将法律的层级组织形式化为由两种类型的节点组成的树状结构，节点类型包括节节点和法条节点，节节点是表示法律中连续划分的标题结构单元，法条节点表示不同法定条文的文本内容单元；
6.如权利要求5所述的一种行政执法中的执法依据判定方法，其特征是，利用图神经网络捕获每个节点的结构属性，更新法律图的具体过程包括：
7.如权利要求1所述的一种行政执法中的执法依据判定方法，其特征是，利用分类器确定正确性概率预测结果的具体过程包括：利用二分类器对维度变换后的特征表示进行分类，得到标签预测结果，用于展示模型在各个类别的置信度。
8.一种行政执法中的执法依据判定系统，其特征是，包括：
9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7中任一项所述的方法中的步骤。
10.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7中任一项所述的方法中的步骤。
