阅读说明：本技术 生成判决书的方法、装置、计算机设备和介质 (Method, apparatus, computer device and medium for generating decision book ) 是由 李泉志 张琼 于 2020-06-15 设计创作，主要内容包括：本公开提供了一种生成判决书的方法、装置、计算机设备和介质。该方法包括：获取所述事实认定部分；生成所述事实认定部分对应的事实认定向量；根据预先获得的法律辅助向量,以及所述事实认定向量,生成所述法庭观点部分。本公开实施例提高了由事实认定部分生成法庭观点部分的自动化程度,提高生成的法庭观点部分的准确性。(The present disclosure provides a method, apparatus, computer device and medium for generating a decision book. The method comprises the following steps: obtaining the fact-recognized part; generating a de-facto identified vector corresponding to the de-facto identified portion; the forensic viewpoint portion is generated based on a legal assistance vector obtained in advance and the fact-recognized vector. The disclosed embodiment improves the automation degree of the generation of the court opinion part by the fact identification part and improves the accuracy of the generated court opinion part.)

具体实施方式

以下基于实施例对本公开进行描述，但是本公开并不仅仅限于这些实施例。在下文对本公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本公开。为了避免混淆本公开的实质，公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。

本公开实施例可用于自动生成判决书。具体地，它可以体现为法院等机构内部安装的自动化办公系统。将自动化办公系统的软件安装在法院等机构的局域网内部。在需要生成判决书时，登录该自动化办公系统。此外，它还可以体现为一种用于生成法院判决书的应用(APP)，其被下载后安装在通用计算机中(如桌面电脑、笔记本电脑等)运行，在运行时其能够执行生成判决书的功能。

图1A-F示出本公开实施例的生成判决书的方法应用时的界面状态变化。

事实认定部分和法庭观点部分是判决书最重要的两个部分。事实认定部分是法官经过案件审理而认定的案件事实。由于每个案子的案情不同，事实认定部分也不同，很难通过自动化的方式产生。因此，对于这一部分，需要用户(法官)通过界面输入自动化办公系统或应用。如图1A所示，显示界面，提示用户输入事实认定部分。然后，用户在图1A的界面输入事实认定部分。

自动化办公系统或应用根据用户输入的事实认定部分，识别出生成法庭观点部分所用的法条，如图1B所示。在界面中详细列出了判决所用的相关法条，让用户确认。如果用户认为法条中有不妥，则可以通过选择界面上的“手动编辑”按钮进行修改。如果用户认为法条适用完全正确，则选择界面上的“确定”，确定进入后续程序。

接着，自动化办公系统或应用根据用户输入的事实认定部分，自动判定用户的法律后果(有罪的情况下的罪名、无罪的情况下的无罪认定或法院处理措施)，让用户确认，如图1C所示。如果用户认为法律后果不妥，则可以通过选择界面上的“手动更改”按钮进行修改。如果用户认为法律后果完全正确，则选择界面上的“确定”，确定进入后续程序。

接着，自动化办公系统或应用根据用户输入的事实认定部分、如图1B中判决所用的相关法条、如图1C中判定的法律后果，自动生成法庭观点部分，如图1D所示。与现有技术仅根据事实认定部分来自动生成法庭观点部分不同，本公开实施例还考虑到适用的法条、法律后果等法律辅助项目，这样生成的法庭观点部分与法条、法律后果等联系更紧密，更加具有准确性。在图1D的界面上，如果用户认为生成的法庭观点部分存在缺陷，仍然可以通过“手动编辑”按钮进行修改。如果用户认为不存在缺陷，则通过选择界面上的“确定”按钮，进入后续程序。

图1E示出了自动化办公系统或应用自动生成的判决书，它包括事实认定部分和法庭观点部分，其中法庭观点部分是通过如图1A-D的界面生成的。当用户在图1E的界面上向下拖动滚动条，可以看到判决书的后面的部分。如图1F所示，用户向下拖动滚动条后，界面显示法庭观点部分。用户可以在图1E-F的界面上选择“手动编辑”，以对判决书的内容进行修改，或者选择“输出”，从而输出(例如打印)界面上显示的判决书。

下面结合图2详细介绍根据本公开一个实施例的生成判决书的方法。它可以由上述自动化办公系统或安装了上述应用的通用计算机执行。

如图2所示，根据本公开一个实施例的自动生成判决书中法庭观点部分的方法包括:

步骤110、获取判决书中的事实认定部分；

步骤120、生成所述事实认定部分对应的事实认定向量；

步骤130、根据预先获得的法律辅助向量，以及所述事实认定向量，生成所述法庭观点部分。

下面对上述步骤进行详细描述。

步骤110中，获取判决书中的事实认定部分可以通过如图1A所示，向用户(法官)显示输入事实认定部分的界面，并接收用户的输入来实现，也可以通过扫描纸质的事实认定部分，然后通过OCR(光学字符识别)转换成电子文档来实现，等等。该事实认定部分的形成往往要经过法院接收起诉书，法官调查案件事实，并开庭审理后作出，这个过程机器自动完成比较困难，因此，一般是将事实认定部分由真实法官完成，从事实认定部分得到法庭观点部分期望能够借助机器完成。

在一个实施例中，步骤120是通过将所述事实认定部分输入事实认定向量BERT模型来实现的。下面介绍一下BERT模型。BERT模型的全称是变换器双向编码器表示模型。

变换器是一种文本生成模型。它是基于编码-解码模型。编码模型会把输入的文本进行编码，然后解码模型把它解码生成为另外一种文本，但编码前的文本和解码后的文本可能不是同一种文本。例如，编码前的文本是一篇新闻，解码后的文本是生成的新闻摘要。本公开实施例中，编码前的文本是判决书中的事实认定部分，解码后的文本是生成的法庭观点部分。该模型能将何种类型的文本编解码后，成为何种类型的文本，是通过训练编码和解码模型实现的。

编码器表示就是指变换器的编码模型中编码出的代码。双向的含义是编码时既考虑到编码前文本的字符从左到右的上下文，又考虑到从右到左的上下文，这种编码可以更好地体现语言中语境的含义，在语言预测领域有良好的预测效果。变换器双向编码器表示模型，即BERT模型，是指变换器的编码模型，其编码时充分考虑了编码前文本的字符从左到右的上下文、和从右到左的上下文，因此充分体现了语境的含义。它是2019年发布的一种已知神经网络语音模型。

在BERT模型之前，传统语言变换器或编解码模型采用单向语言模型来学习常规的语言表示，作为学习的结果，得到编码出的代码，即编码器表示，这限制了模型的编码效果。例如，在OpenAI GPT中，使用了从左到右的语言模型。该模型只能从左到右地学习编码前文本的上下文，在编码时体现从左到右的上下文。这样，在应用于下游任务(即解码器产生另一种期望的文本)时，下游任务预测的文本也只能体现之前已预测出的文本的上下文。这些限制对于句子级别的预测任务来说，并不是好事，在某些情况下可能会造成灾难性的后果。在这些情况下，结合两个方向的上下文是至关重要的。

BERT模型受到完型填空任务的启发。在训练BERT模型时，解码模型解码出每个词时，要结合编码前文本从左到右的上下文，也要结合编码前文本从右到左的上下文。该模型提高了生成代码的语境精确度，常用于文字预测、语言对话等场景。

BERT模型的输出不是一般的代码，而是表示输入的编码前文本的语义的向量，该向量体现了编码器文本的从左到右的上下文、和从右到左的上下文。不同语义的编码前文本，得到的语义向量也不同。含义越近的编码前文本，经过BERT模型后得到的语义向量的距离越小。含义越远的编码前文本，经过BERT模型后得到的语义向量的距离越大。

事实认定向量是表示事实认定部分的向量。事实认定部分不同，对应的事实认定向量不同。事实认定部分含义越接近，对应的事实认定向量之间的距离越小。事实认定部分含义越远，对应的事实认定向量之间的距离越大。如图3所示，将事实认定部分105的文字输入事实认定向量BERT模型110，就由所述事实认定向量BERT模型110得到了事实认定向量115。

接着，在步骤130中，基于步骤120得到的事实认定向量和预先获得的法律辅助向量(如图3-4中对应于法律后果175的法律后果向量、对应于关联法条195的关联法条向量)，生成法庭观点部分。在一个实施例中，它是通过将步骤120得到的事实认定向量和预先获得的法律辅助向量输入如图3所示的文本生成模型120实现的。

文本生成模型即上文的变换器中包含的解码部分，其能将一种类型的编码前文本编码成的代码转换成另一种类型的解码后文本，在本公开实施例中具体是，将事实认定部分105编码成的事实认定向量115解码成法庭观点部分125。

法律辅助项目是指除了事实认定部分之外，还会对判决书中的法庭观点部分有影响的其它项目，它们并不能从事实认定部分直接体现，却会极大地影响法庭的实质观点思路和表述，例如关联法条195、法律后果175。法律后果175是指法庭宣判的结果。对于刑事案件，它可能是罪名，也可能是无罪宣告。对于民事、行政等案件，可能是民事、行政等案件的处理结果等。判决书是根据事实和法律作出的。法庭观点部分不但要基于案件事实，还要基于相关法条的规定，因此，关联法条195是一个法律辅助项目。另外，法庭观点部分要围绕法律后果175去展开，不同的法律后果175成立的要素不同，表述方式也不同，法庭观点部分的撰写就存在很大差异，但法律后果175也不在事实认定部分之中。因此，关联法条195和法律后果175都是法律辅助项目。

法律辅助向量是法律辅助项目编码成的向量。例如，关联法条向量185是关联法条195编码成的向量，法律后果向量165是法律后果175编码成的向量。

本公开实施例中，在得到得到法庭观点部分时，不仅将事实认定向量输入文本生成模型，还将法律辅助向量输入文本生成模型。由于生成法庭观点部分时，不仅依靠事实认定向量，还依靠对应于法律辅助项目的法律辅助向量，使生成的法庭观点部分与法条、法律后果等法律辅助项目联系更紧密，更有针对性，提高了生成的法庭观点部分的准确性。另外，不依赖于人工编写的模板的方式提高了自动化程度。

在一个实施例中，事实认定向量BERT模型110可以采用如下的方式预先训练：构造由大量事实认定部分样本构成的事实认定部分样本集，每个事实认定部分样本具有事先由专家预判的事实认定向量标签，该标签体现了事实认定部分样本从左到右的上下文、和从右到左的上下文；将事实认定部分样本集中的每个事实认定部分样本输入BERT模型110，由BERT模型110给出判定的对应的事实认定向量；将判定的事实认定向量与事实认定部分样本对应的事实认定向量标签进行比较；如果事实认定部分样本集中判定的事实认定向量与对应的事实认定向量标签一致的比率超过预定比率(例如95％)，则认为事实认定向量BERT模型110训练完毕；如果一致的比率未超过预定比率，则调整BERT模型110中的权重，使得一致的比率超过预定比率。

本公开实施例采用事实认定向量BERT模型110，相对于标准的基于变换器结构的文本生成模型，由于能够结合双向上下文，能够得到词汇的更好的语义和语法知识。在标准的变换器结构的编码部分，其采用多层的编码层叠加，类似于图3的解码层1-n，本公开采用事实认定向量BERT模型110来取代多层的编码层，能达到更好的理解语义上下文的效果。

如上所述，法律辅助向量包括关联法条向量185和法律后果向量165中的至少一个。下面结合图3-4详细描述在一个实施例中这两个向量的产生过程。

如图4所示，当关联法条195有多个时，所述关联法条向量为多个关联法条的合成向量，通过以下方式获得：获得每一个关联法条的文字描述；根据每一个关联法条的文字描述生成法条向量；根据每一个关联法条的法条向量生成合成向量。

如图4所示，在一个实施例中，获得每一个关联法条的文字描述可以通过将事实认定部分105输入关联法条识别模型190实现。该模型识别出的关联法条195往往不止一个，例如法律中包含的与定罪相关的法条、与量刑相关的法条、与法院管辖相关的法条、与诉讼程序相关的法条。由所述关联法条识别模型190识别出关联法条195，可以指识别出关联法条序号。之后，根据序号在法律库中查找出该序号对应的法条的文字描述，这是比较容易的。

上述关联法条识别模型190可以采用一般的深度学习模型等，其可以采用如下的训练方式进行预先训练：构造由大量事实认定部分样本构成的事实认定部分样本集，每个事实认定部分样本具有事先由专家预判的关联法条序号标签；将事实认定部分样本集中的每个事实认定部分样本输入关联法条识别模型190，由关联法条识别模型190给出识别出的关联法条序号；将判定的关联法条序号与事实认定部分样本对应的关联法条序号标签进行比较；如果事实认定部分样本集中判定的关联法条序号与对应的关联法条序号标签一致的比率超过预定比率(例如95％)，则认为关联法条识别模型190训练完毕；如果一致的比率未超过预定比率，则调整关联法条识别模型190中的权重，使得一致的比率超过预定比率。

在通过关联法条识别模型190识别出关联法条的序号后，可以根据序号查找该关联法条的文字描述。

另外，关联法条195的文字描述也可以不采用由关联法条识别模型190识别的方式，可以直接由用户(法官)在界面上输入。但是，由关联法条识别模型190识别的方式能够进一步提高生成判决书中的法庭观点部分125的自动化程度。

在一个实施例中，在得到关联法条195的文字描述后，可以如图1B所示让用户确认。即，向用户显示识别出的关联法条195的文字描述，接收用户对显示的关联法条195的文字描述的修正。用户可以通过图1B的手动编辑按钮来进行修正。

接着，根据每一个关联法条的文字描述生成法条向量。在一个实施例中，它可以通过将每一个关联法条的文字描述分别输入相应的法条向量BERT模型180实现。

法条向量BERT模型180类似于上文的事实认定向量BERT模型110，只不过事实认定向量BERT模型110输入的是事实认定部分105，输出的是事实认定向量115；法条向量BERT模型180输入的是关联法条195的文字描述，输出的是法条向量182。

法条向量BERT模型180输出的法条向量182是表示单独的一个关联法条195的向量。关联法条195不同，对应的法条向量182就不同。关联法条195含义越接近，对应的法条向量182之间的距离越小。关联法条195含义越远，对应的法条向量182之间的距离越大。

在一个实施例中，法条向量BERT模型180可以采用如下的方式预先训练：构造由法条样本构成的法条样本集，每个法条样本具有事先由专家预判的法条向量标签，该标签体现了法条样本从左到右的上下文、和从右到左的上下文；将法条样本集中的每个法条样本输入BERT模型180，由BERT模型180给出判定的对应的法条向量；将判定的法条向量与法条样本对应的法条向量标签进行比较；如果法条样本集中判定的法条向量与对应的法条向量标签一致的比率超过预定比率(例如95％)，则认为法条向量BERT模型180训练完毕；如果一致的比率未超过预定比率，则调整BERT模型180中的权重，使得一致的比率超过预定比率。

法条向量BERT模型180得到各法条向量182后，就可以根据每一个关联法条的法条向量182生成合成向量，即关联法条向量185。关联法条向量185是对所有关联法条195的综合体现的向量。法条向量182是体现一个关联法条195的向量。先确定各关联法条195的法条向量182，再根据各法条向量182确定总体上的关联法条向量185。关联法条向量185用一个向量表示所有关联法条的内容，在后续的解码过程中，在不影响解码精度的前提下，减少了处理开销，提高了处理效率。

在一个实施例中，对每一个关联法条的法条向量求平均，得到所述关联法条向量。在其它实施例中，也可以通过将所述多个关联法条的法条向量级联，来得到所述关联法条向量，等等。但是，求平均向量的方式相对于级联的方式，可以在不影响处理精度的情况下，减小向量的维数，提高后续的解码效率。

另外，在关联法条识别模型190识别出的关联法条195仅有一个的情况下，法条向量182和关联法条向量185可以合二为一，即，由法条向量BERT模型182基于唯一的关联法条195得到法条向量182，该法条向量182就是关联法条向量185。

法律后果向量165是基于法律后果175生成的，因此，首先要获得法律后果175。如图3所示，在一个实施例中，可以将事实认定部分105输入法律后果识别模型170，由法律后果识别模型170识别出法律后果175。

上述法律后果识别模型170可以采用一般的深度学习模型等，其可以采用如下的训练方式进行预先训练：构造由大量事实认定部分样本构成的事实认定部分样本集，每个事实认定部分样本具有事先由专家预判的法律后果标签；将事实认定部分样本集中的每个事实认定部分样本输入法律后果识别模型170，由法律后果识别模型170给出识别出的法律后果；将识别出的法律后果与事实认定部分样本对应的法律后果标签进行比较；如果事实认定部分样本集中识别的法律后果与对应的法律后果标签一致的比率超过预定比率(例如95％)，则认为法律后果识别模型170训练完毕；如果一致的比率未超过预定比率，则调整法律后果识别模型170中的权重，使得一致的比率超过预定比率。

另外，法律后果175也可以不采用由法律后果识别模型170识别的方式，可以直接由用户(法官)在界面上输入。但是，由法律后果识别模型170识别的方式能够进一步提高生成判决书中的法庭观点部分125的自动化程度。

在一个实施例中，在法律后果识别模型170识别出法律后果175后，可以如图1C所示让用户确认。即，向用户显示识别出的法律后果175，接收用户对显示的法律后果175的修正。用户可以通过图1C的手动更改按钮来进行修正。

法律后果向量BERT模型160类似于上文的事实认定向量BERT模型110，只不过事实认定向量BERT模型110输入的是事实认定部分105，输出的是事实认定向量115；法律后果向量BERT模型160输入的是法律后果175，输出的是法律后果向量165。

法律后果向量165是表示法律后果175的向量。法律后果175不同，对应的法律后果向量165就不同。法律后果175越接近，对应的法律后果向量165之间的距离越小。法律后果175含义越远，对应的法律后果向量165之间的距离越大。

在一个实施例中，法律后果向量BERT模型160可以采用如下的方式预先训练：构造由法律后果样本构成的法律后果样本集，每个法律后果样本具有事先由专家预判的法律后果向量标签；将法律后果样本集中的每个法律后果样本输入BERT模型160，由BERT模型160给出判定的对应的法律后果向量；将判定的法律后果向量与法律后果样本对应的法律后果向量标签进行比较；如果法律后果样本集中判定的法律后果向量与对应的法律后果向量标签一致的比率超过预定比率(例如95％)，则认为法律后果向量BERT模型160训练完毕；如果一致的比率未超过预定比率，则调整BERT模型160中的权重，使得一致的比率超过预定比率。

法律后果向量BERT模型160训练完毕后，就可以将法律后果识别模型170识别的法律后果175输入法律后果向量BERT模型160，由所述法律后果向量BERT模型160输出所述法律后果向量165。

如图3所示，在一个实施例中，文本生成模型120包括法庭观点思路向量生成部分130、线性连接层140、最大化值层150。由法庭观点思路向量生成部分130产生用于形成法条观点部分125的思路，该思路经线性连接层140输入到最大化值层150，由最大化值层150具体地对该思路进行表述。该方案将形成思路的过程和形成思路的表述的过程分开执行，相比于不形成思路直接形成法庭观点的方案，细化了实现的过程，使得形成的法庭观点部分125更加准确。

在一个实施例中，在法庭观点思路向量生成部分130形成思路时，需要知道案件事实，也需要知道相关法条和法律后果，因为该思路是如何从案件事实得出法律后果的全过程，而相关法条是如何从案件事实得到法律后果的重要依据，因此，要将事实认定向量115和法律辅助向量(包括法律后果向量165和关联法条向量185)输入法庭观点思路向量生成部分130，由所述法庭观点思路向量生成部分130生成法庭观点思路向量。

在一个实施例中，在最大化值层150形成法庭观点部分125的表述时，首先要知道法庭观点部分125的思路，如何再结合相关法条和法律后果生成具体表述，这样生成的表述才能紧扣法条和法律后果，达到良好的说理效果。因此，将法庭观点思路向量和所述法律辅助向量(包括法律后果向量165和关联法条向量185)输入最大化值层150，由最大化值层150基于所述法庭观点思路向量115、和所述法律辅助向量生成所述法庭观点部分125。

在一个实施例中，如图3所示，步骤130包括：

将所述预先获得的法律辅助向量，以及所述事实认定向量，输入法庭观点思路向量生成部分130的多层解码器135的每一层，所述多层解码器135的第N层接收第N-1层的输出并作为第N+1层的输入；将所述预先获得的法律辅助向量输入所述文本生成模型120的求最大化值层150；将所述多层解码器135的最后一层的输出经过所述文本生成模型120的线性连接层140输入至所述最大化值层150，由所述最大化值层150输出所述法庭观点部分125。

在该实施例中，法庭观点思路向量生成部分130采取多层解码器135的结构。每层解码器135基于该层解码器135的下一层解码器135输出的向量、以及所述事实认定向量115和所述法律辅助向量(包括法律后果向量165和关联法条向量185)，生成传递给该层解码器135的上一层解码器135的向量。最下面的一层解码器135，即第一层解码器，其接收训练数据的法庭观点部分，然后所述多层解码器135根据所述训练数据的法庭观点部分对所述法律辅助向量和所述事实认定向量115进行解码。最上层解码器135输出法庭观点思路向量。多层解码器135结构的每个解码器135可以针对不同的方面，在所述事实认定向量115和所述法律辅助向量中提取特征，不断向上传递，层数越多，学习的特征越精确，但开销也越大。在一个实施例中，可以设置6层解码器135。

如图3所示，在一个实施例中，线性连接层140起到将输入的数据的不同部分以某种方式相互连接的作用，例如，通过向量交叉的方式。在该方式中，输入的数据可能包含多个向量，将多个向量的第一个元素提取出来级联，再将多个向量的第二个元素提取出来级联在级联的第一元素串的后面，以此类推，等等。在图3中，可以让解码器1输出第一向量给解码器2，解码器2一方面产生第二向量，一方面将第一向量和第二向量一起传递到解码器3，解码器3产生第三向量，并将第一、第二、第三向量一起传递到解码器4，以此类推，最后由解码器n输出的第一、第二、……第n向量经线性连接层140的线性连接，连接成一个向量，即线性连接后的法庭观点思路向量，输出到最大化值层150。由于线性连接后的法庭观点思路向量和法律辅助向量(包括法律后果向量165和关联法条向量185)都输入到了最大化值层150，由所述最大化值层150基于线性连接后的法庭观点思路向量和所述法律辅助向量就能够生成法庭观点部分125。

生成法庭观点部分125后，可以如图1D所示，向用户(法官)显示生成的法庭观点部分125，接收用户的修正。用户可以通过图1D的手动编辑按钮来进行修正。

在接收用户修正和确认后，可以将事实认定部分105和法庭观点部分125自动合成为判决书。

本公开实施例采用了依靠模型完全自动生成法庭观点部分125的方式，依据大量的数据训练，不需要人工编写模板，解决了依靠模板的方案的费时费力、文本过于呆板、适用案件类型有限等问题。另外，本公开实施例中，在生成法庭观点部分125时对案件的法律后果和适用的法律条款进行了考虑，把相关信息作为法律辅助项目编码到了法庭观点部分125的生成过程中，因此增加了法庭观点部分125对相关法律后果的针对性，和法条联系的紧密性，弥补了仅针对案件事实生成法庭观点部分125的不足。

通过从中国裁判文书网上的收集到的判决书的测试，依据通用的ROUGH评判标准，本公开实施例的性能远远超过了目前文献中公开的其它自动生成法庭观点部分的方案，具有良好的市场前景。本公开实施例可以为检察院、律所等法律相关部门提供模拟法庭等能力。

根据本公开的一个实施例，如图5所示，提供了一种生成判决书的装置500，所述判决书包括事实认定部分和法庭观点部分，所述装置500包括：

事实认定部分获取单元510，用于获取所述事实认定部分；

事实认定向量生成单元520，用于生成所述事实认定部分对应的事实认定向量；

法庭观点部分生成单元530，用于根据预先获得的法律辅助向量，以及所述事实认定向量，生成所述法庭观点部分。

可选地，所述法律辅助向量包括关联法条向量和法律后果向量中的至少一个。

可选地，所述关联法条向量为多个关联法条的合成向量，通过以下方式获得：

获得每一个关联法条的文字描述；

根据每一个关联法条的文字描述生成法条向量；

根据每一个关联法条的法条向量生成合成向量。

可选地，所述根据每一个关联法条的法条向量生成合成向量，包括：对所述每一个关联法条的法条向量求平均，得到所述关联法条向量。

可选地，所述法庭观点部分生成单元530进一步用于：

将所述预先获得的法律辅助向量，以及所述事实认定向量，输入文本生成模型的多层解码器的每一层，所述多层解码器的第N层接收第N-1层的输出并作为第N+1层的输入；

将所述预先获得的法律辅助向量输入所述文本生成模型的求最大化值层；

将所述多层解码器的最后一层的输出经过所述文本生成模型的线性连接层输入至所述最大化值层，由所述最大化值层输出所述法庭观点部分。

可选地，所述多层解码器的第一层接收训练数据的法庭观点部分，则所述多层解码器根据所述训练数据的法庭观点部分对所述法律辅助向量和所述事实认定向量进行解码。

由于上述装置的实现细节在上文的方法实施例的详细介绍中已经描述，为节约篇幅，故不赘述。

根据本公开的一个实施例的自动生成判决书中法庭观点部分的方法可以由图6的计算机设备800实现。下面参照图6来描述根据本公开实施例的计算机设备800。图6显示的计算机设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，计算机设备800以通用计算设备的形式表现。计算机设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述示例性方法的描述部分中描述的本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2中所示的各个步骤。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

计算机设备800也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机设备800交互的设备通信，和/或与使得该计算机设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，计算机设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与计算机设备800的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

需要领会，以上所述仅为本公开的优选实施例，并不用于限制本公开，对于本领域技术人员而言，本说明书的实施例存在许多变型。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

应该理解，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

应该理解，上述对本说明书特定实施例进行了描述。其它实施例在权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

应该理解，本文用单数形式描述或者在附图中仅显示一个的元件并不代表将该元件的数量限于一个。此外，本文中被描述或示出为分开的模块或元件可被组合为单个模块或元件，且本文中被描述或示出为单个的模块或元件可被拆分为多个模块或元件。

还应理解，本文采用的术语和表述方式只是用于描述，本说明书的一个或多个实施例并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。