一种基于AI模型的合同数据管理方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于ai模型的合同数据管理方法及系统。

背景技术：

1、随着信息化政策的推进和企业数据办公无纸化的推广，大量的电子合同数据或合同扫描电子数据需要及时的校对和归档储存，因此针对合同数据的正确纠错和识别同步成为了重要的技术问题。但现有技术中在对合同数据进行管理时，往往仅依赖简单的数据标识对合同数据进行分类或储存，没有考虑到结合ai模型以及数据校正算法来提高合同数据的准确性和处理效率。可见，现有技术存在缺陷，亟待解决。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种基于ai模型的合同数据管理方法及系统，能够提高合同数据的数据准确性和服务器同步准确性，以实现更加智能的合同数据处理，减少合同出错。

2、为了解决上述技术问题，本发明第一方面公开了一种基于ai模型的合同数据管理方法，所述方法包括：

3、响应于合同完成指令，获取待处理的合同数据；

4、将所述合同数据输入至训练好的ai模型中，以得到所述合同数据对应的合同参数和错误提示；

5、根据所述合同参数和所述错误提示，对所述合同数据进行校正，以得到校正后合同数据；

6、基于历史合同数据和协同同步规则，将所述校正后合同数据同步至云服务器。

7、作为一个可选的实施方式，在本发明第一方面中，所述ai模型包括合同节点识别模型和bert模型；所述合同节点识别模型用于基于关键词规则和文本分割算法对所述合同数据的中的多个合同节点和对应的节点部分数据进行识别和输出；所述bert模型用于对输入的每一所述合同节点和对应的节点部分数据对应的合同错误和节点合同参数进行识别输出；所述bert模型通过包括有多个训练合同数据和对应的节点错误标注以及节点合同参数标注的训练数据集训练得到。

8、作为一个可选的实施方式，在本发明第一方面中，所述将所述合同数据输入至训练好的ai模型中，以得到所述合同数据对应的合同参数和错误提示，包括：

9、将所述合同数据输入至训练好的ai模型中以得到所述合同数据中的多个合同节点对应的合同错误和节点合同参数；所述节点合同参数包括合同标的类型、合同法律关系类型、合同当事人类型和合同机密等级；

10、对每一所述节点合同参数，计算该节点合同参数对应的比重参数；

11、根据所述比重参数对所有所述合同参数进行排序得到参数序列；

12、将所述参数序列中属于前第一数量个的且所述比重参数大于第一阈值的所有节点合同参数确定为所述合同数据对应的合同参数；

13、将所有所述合同错误和对应的合同节点，确定为所述合同数据对应的错误提示。

14、作为一个可选的实施方式，在本发明第一方面中，所述计算该节点合同参数对应的比重参数，包括：

15、计算该节点合同参数在所有所述合同节点对应的所述节点合同参数中的出现次数；

16、计算该节点合同参数在所有所述合同节点对应的所述节点合同参数中的矛盾参数的第二数量；所述矛盾参数为与该节点合同参数在预设的合同参数对应规则中属于不会同时存在的情况的节点合同参数；

17、计算该节点合同参数所在所述合同节点与所述合同数据对应的关键合同节点之间的文本距离；

18、计算该合同参数对应的所述出现次数、所述第二数量和所述文本距离之间的加权乘积，得到该合同参数对应的比重参数。

19、作为一个可选的实施方式，在本发明第一方面中，所述根据所述合同参数和所述错误提示，对所述合同数据进行校正，以得到校正后合同数据，包括：

20、将所述合同参数和所述错误提示，输入至训练好的llm算法模型中以得到输出的修改建议；所述llm算法模型通过包括有多个训练合同数据和对应的参数标注和错误提示标注和修改建议标注的训练数据集训练得到；

21、确定多个审批端设备；

22、将所述合同数据、所述错误提示和所述修改建议发送至每一所述审批端设备，并接收每一所述审批端设备发送的设备校正合同操作；

23、计算所有所述设备校正合同操作的交集，得到合同校正操作；

24、根据所述合同校正操作对所述合同数据进行校正，得到校正后合同数据。

25、作为一个可选的实施方式，在本发明第一方面中，所述确定多个审批端设备，包括：

26、根据所述合同参数中的合同标的类型和合同法律关系类型，以及预设的合同类型和合同审批端的对应关系，确定所述合同参数对应的多个候选审批端设备；

27、根据所述合同参数中的合同当事人类型，从所述多个候选审批端设备中剔除对应的职位等级低于所述合同当事人类型对应的职位要求等级的候选审批端设备，得到多个优选审批端设备；

28、根据所述合同参数中的合同机密等级，从所述多个优选审批端设备中剔除对应的机密等级低于所述合同机密等级的优选审批端设备，得到多个匹配审批端设备；

29、对于每一所述匹配审批端设备，确定该匹配审批端设备的历史时间段审批过的所有合同的所述合同参数的参数集合；

30、计算所述参数集合和所述合同参数之间的相似度；

31、根据所述相似度从大到小对所有所述匹配审批端设备进行排序以得到设备序列；

32、筛选出所述设备序列中属于前第三数量个的且所述相似度大于第二阈值的所有匹配审批端设备，得到多个审批端设备。

33、作为一个可选的实施方式，在本发明第一方面中，所述基于历史合同数据和协同同步规则，将所述校正后合同数据同步至云服务器，包括：

34、向目标同步服务器节点发送包括有所述合同参数的同步请求；

35、由所述目标同步服务器节点根据所述同步请求，向多个具备授权资格的其他同步服务器节点确认是否存在所述校正后合同数据对应的历史同步过程中产生的冲突合同版本；

36、在确认到存在所述冲突合同版本时，接收每一所述其他同步服务器节点发送的冲突版本合同数据；

37、基于权重筛选算法，确定所有所述冲突版本合同数据和所述校正后合同数据对应的最优最新合同数据；

38、将所述最优最新合同数据同步至所述目标同步服务器节点。

39、作为一个可选的实施方式，在本发明第一方面中，所述基于权重筛选算法，确定所有所述冲突版本合同数据和所述校正后合同数据对应的最优最新合同数据，包括：

40、对于所有所述冲突版本合同数据和所述校正后合同数据中的任一数据，将该数据输入至训练好的合同时效性预测神经网络中，以得到该数据对应的合同时效性参数；所述合同时效性预测神经网络通过包括有多个训练合同数据和对应的与当前时间的时间差标注的训练数据集训练得到；

41、计算该数据的所述合同时效性参数和所有其他合同数据对应的所述合同时效性参数之间的参数差值的平均值，得到该数据对应的时效差参数；

42、计算该数据和所有其他合同数据之间的相似度的平均值，得到该数据对应的相似度参数；

43、计算该数据的所述时效差参数和所述相似度参数的乘积，得到该数据对应的优先参数；

44、将所有所述冲突版本合同数据和所述校正后合同数据中所述优先参数最高的合同数据，确定为最优最新合同数据。

45、本发明实施例第二方面公开了一种基于ai模型的合同数据管理系统，所述系统包括：

46、获取模块，用于响应于合同完成指令，获取待处理的合同数据；

47、预测模块，用于将所述合同数据输入至训练好的ai模型中，以得到所述合同数据对应的合同参数和错误提示；

48、校正模块，用于根据所述合同参数和所述错误提示，对所述合同数据进行校正，以得到校正后合同数据；

49、同步模块，用于基于历史合同数据和协同同步规则，将所述校正后合同数据同步至云服务器。

50、作为一个可选的实施方式，在本发明第二方面中，所述ai模型包括合同节点识别模型和bert模型；所述合同节点识别模型用于基于关键词规则和文本分割算法对所述合同数据的中的多个合同节点和对应的节点部分数据进行识别和输出；所述bert模型用于对输入的每一所述合同节点和对应的节点部分数据对应的合同错误和节点合同参数进行识别输出；所述bert模型通过包括有多个训练合同数据和对应的节点错误标注以及节点合同参数标注的训练数据集训练得到。

51、作为一个可选的实施方式，在本发明第二方面中，所述预测模块将所述合同数据输入至训练好的ai模型中，以得到所述合同数据对应的合同参数和错误提示的具体方式，包括：

52、将所述合同数据输入至训练好的ai模型中以得到所述合同数据中的多个合同节点对应的合同错误和节点合同参数；所述节点合同参数包括合同标的类型、合同法律关系类型、合同当事人类型和合同机密等级；

53、对每一所述节点合同参数，计算该节点合同参数对应的比重参数；

54、根据所述比重参数对所有所述合同参数进行排序得到参数序列；

55、将所述参数序列中属于前第一数量个的且所述比重参数大于第一阈值的所有节点合同参数确定为所述合同数据对应的合同参数；

56、将所有所述合同错误和对应的合同节点，确定为所述合同数据对应的错误提示。

57、作为一个可选的实施方式，在本发明第二方面中，所述预测模块计算该节点合同参数对应的比重参数的具体方式，包括：

58、计算该节点合同参数在所有所述合同节点对应的所述节点合同参数中的出现次数；

59、计算该节点合同参数在所有所述合同节点对应的所述节点合同参数中的矛盾参数的第二数量；所述矛盾参数为与该节点合同参数在预设的合同参数对应规则中属于不会同时存在的情况的节点合同参数；

60、计算该节点合同参数所在所述合同节点与所述合同数据对应的关键合同节点之间的文本距离；

61、计算该合同参数对应的所述出现次数、所述第二数量和所述文本距离之间的加权乘积，得到该合同参数对应的比重参数。

62、作为一个可选的实施方式，在本发明第二方面中，所述校正模块根据所述合同参数和所述错误提示，对所述合同数据进行校正，以得到校正后合同数据的具体方式，包括：

63、将所述合同参数和所述错误提示，输入至训练好的llm算法模型中以得到输出的修改建议；所述llm算法模型通过包括有多个训练合同数据和对应的参数标注和错误提示标注和修改建议标注的训练数据集训练得到；

64、确定多个审批端设备；

65、将所述合同数据、所述错误提示和所述修改建议发送至每一所述审批端设备，并接收每一所述审批端设备发送的设备校正合同操作；

66、计算所有所述设备校正合同操作的交集，得到合同校正操作；

67、根据所述合同校正操作对所述合同数据进行校正，得到校正后合同数据。

68、作为一个可选的实施方式，在本发明第二方面中，所述校正模块确定多个审批端设备的具体方式，包括：

69、根据所述合同参数中的合同标的类型和合同法律关系类型，以及预设的合同类型和合同审批端的对应关系，确定所述合同参数对应的多个候选审批端设备；

70、根据所述合同参数中的合同当事人类型，从所述多个候选审批端设备中剔除对应的职位等级低于所述合同当事人类型对应的职位要求等级的候选审批端设备，得到多个优选审批端设备；

71、根据所述合同参数中的合同机密等级，从所述多个优选审批端设备中剔除对应的机密等级低于所述合同机密等级的优选审批端设备，得到多个匹配审批端设备；

72、对于每一所述匹配审批端设备，确定该匹配审批端设备的历史时间段审批过的所有合同的所述合同参数的参数集合；

73、计算所述参数集合和所述合同参数之间的相似度；

74、根据所述相似度从大到小对所有所述匹配审批端设备进行排序以得到设备序列；

75、筛选出所述设备序列中属于前第三数量个的且所述相似度大于第二阈值的所有匹配审批端设备，得到多个审批端设备。

76、作为一个可选的实施方式，在本发明第二方面中，所述同步模块基于历史合同数据和协同同步规则，将所述校正后合同数据同步至云服务器的具体方式，包括：

77、向目标同步服务器节点发送包括有所述合同参数的同步请求；

78、由所述目标同步服务器节点根据所述同步请求，向多个具备授权资格的其他同步服务器节点确认是否存在所述校正后合同数据对应的历史同步过程中产生的冲突合同版本；

79、在确认到存在所述冲突合同版本时，接收每一所述其他同步服务器节点发送的冲突版本合同数据；

80、基于权重筛选算法，确定所有所述冲突版本合同数据和所述校正后合同数据对应的最优最新合同数据；

81、将所述最优最新合同数据同步至所述目标同步服务器节点。

82、作为一个可选的实施方式，在本发明第二方面中，所述同步模块基于权重筛选算法，确定所有所述冲突版本合同数据和所述校正后合同数据对应的最优最新合同数据的具体方式，包括：

83、对于所有所述冲突版本合同数据和所述校正后合同数据中的任一数据，将该数据输入至训练好的合同时效性预测神经网络中，以得到该数据对应的合同时效性参数；所述合同时效性预测神经网络通过包括有多个训练合同数据和对应的与当前时间的时间差标注的训练数据集训练得到；

84、计算该数据的所述合同时效性参数和所有其他合同数据对应的所述合同时效性参数之间的参数差值的平均值，得到该数据对应的时效差参数；

85、计算该数据和所有其他合同数据之间的相似度的平均值，得到该数据对应的相似度参数；

86、计算该数据的所述时效差参数和所述相似度参数的乘积，得到该数据对应的优先参数；

87、将所有所述冲突版本合同数据和所述校正后合同数据中所述优先参数最高的合同数据，确定为最优最新合同数据。

88、本发明第三方面公开了另一种基于ai模型的合同数据管理系统，所述系统包括：

89、存储有可执行程序代码的存储器；

90、与所述存储器耦合的处理器；

91、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于ai模型的合同数据管理方法中的部分或全部步骤。

92、本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于ai模型的合同数据管理方法中的部分或全部步骤。

93、与现有技术相比，本发明实施例具有以下有益效果：

94、本发明能够基于训练好的ai模型对合同进行识别和纠错，以实现对合同的校正，再基于历史合同数据和协同同步规则对合同进行同步，从而能够提高合同数据的数据准确性和服务器同步准确性，以实现更加智能的合同数据处理，减少合同出错。