1.一种基于大数据的法律文书要素智能识别方法，其特征在于，包括：获取法律案例数据，将其输入到训练好的法律文书要素智能识别模型中，得到法律文书要素识别结果；

法律文书要素智能识别模型的训练过程包括：

S1：获取法律案例训练数据，包括法律文本和文本标签；将法律文本输入到Bert模型中进行处理，得到词嵌入矩阵Q；

S2：采用多头多层注意力模型对词嵌入向量进行处理，得到语义特征C和全局特征G；拼接语义特征C和全局特征G，得到拼接向量C′；得到语义特征C的过程包括：多头注意力卷积模型包括多层卷积层；卷积层的每个头均对输入向量进行处理，得到每个头的局部特征向量；拼接所有头的局部特征向量，得到该层的局部特征矩阵；每个头的局部特征向量表示为：其中，Oj表示第j个头的局部特征矩阵，fi表示Bi‑LSTM网络中第i个卷积核，M表示卷积滤波器对输入向量进行处理后得到的矩阵，Norm(M)表示对矩阵M按行进行归一化， 表示缩放因子，Wj表示随机矩阵；⊙表示按位相乘；

对局部特征矩阵和词嵌入矩阵进行残差连接并归一化，输出归一化特征；前一层的输出为后一层的输入，最后一层输出为语义矩阵C；

S3：提取文本标签的词频统计特征并采用变分自编码器对其进行处理，得到词频统计z向量ζ ；变分自编码器的损失函数为：

其中，θ表示解码器参数，φ表示编码器参数，D表示判别器参数，ζ表示输入向量，z表示隐向量， 表示qφ(z|ζ)的期望，qφ(z|ζ)表示编码器输出的隐变量的后验分布，KL表示两概率分布之间的KL散度，pθ(z|ζ)表示解码器输出的数据的条件分布， 表示pθ(z|ζ)的期望，D()表示判别器的判断结果；

z O

S4：融合语义特征C和词频统计向量ζ ，得到融合特征向量H；融合语义特征和词频统计C向量的过程包括：将语义特征和词频统计向量投影到共享空间，得到投影语义向量H和投ζ C ζ O影词频向量H；融合投影语义向量H和投影词频向量H，得到融合特征向量H，表示为：O C C C′ ζ

H＝GeLU(H)+sigmoid(cos(H))+Value(H ,∈)⊙HC′

其中，GeLU()表示GeLU激活函数，sigmoid()表示sigmoid激活函数，Valve(H ,∈)表示门控神经网络；门控神经网络表示为：C′

其中，H 表示中间参数，C表示语义特征，σ表示置信度参数；

O ′

S5：采用注意力机制处理融合特征向量H 、语义特征C和拼接向量C ，得到综合特征；根据综合特征得到法律文书要素识别结果；得到综合特征的公式为：O

其中，S表示综合特征，softmax()表示softmax激活函数，H表示融合特征向量，W1表示第一随机权重矩阵，W2表示第二随机权重矩阵，b表示偏移量，dc表示语义特征C的维度，∈表示常数，W3表示第三随机权重矩阵，C′表示拼接向量；

S6：计算模型总损失并根据模型总损失调整模型参数，得到训练好的法律文书要素智能识别模型；计算模型总损失的公式为：其中，L表示交叉熵损失，ωi表示平滑指数， 表示文本标签， 表示法律文书要素识别结果。