1.一种基于图神经网络的中文相似案例推荐方法，其特征在于，所述方法包括：获取法律层次体系信息和案例信息；所述法律层次体系信息包括法律整体文本信息、编文本信息、章文本信息、节文本信息和法条文本信息；以所述法律层次体系信息和所述案例信息为节点，法条之内、案例之内以及法条和案例之间的关系信息为边，构建异构图；所述法条之内、案例之内以及法条和案例之间的关系信息包括法规结构之间的隶属关系信息、法条之间的相似关系信息、案例之间的相似关系信息和案例与法条之间的参照关系信息；根据所述异构图，构建元路径，根据所述元路径生成元路径的实例；所述元路径包括案例-法条-案例、案例-案例-案例、案例-法条-法条-案例和案例-法条-节-法条-案例；根据所述元路径的实例进行节点特征获取、节点特征转换，通过元路径内汇聚策略和元路径间汇聚策略进行异构图表示学习，得到节点的最终表示向量；根据所述节点的最终表示向量对预先构建的相似案例推荐图神经网络进行训练，得到训练好的相似案例推荐图神经网络，通过所述训练好的相似案例推荐图神经网络进行相似案例推荐；其中，根据所述元路径的实例进行节点特征获取、节点特征转换，通过元路径内汇聚策略和元路径间汇聚策略进行异构图表示学习，得到节点的最终表示向量，包括：根据所述元路径的实例获取各个节点文本信息的向量表示，并将不同类型节点的向量表示转化到同一隐向量空间，得到转化节点特征；根据所述转化节点特征通过基于注意力机制的元路径内汇聚策略学习给定元路径下不同元路径实例所反映的结构信息，得到元路径内汇聚节点特征；根据所述元路径内汇聚节点特征通过基于注意力机制的元路径间汇聚策略学习不同元路径所反映的结构信息，得到元路径间汇聚节点特征；将所述元路径间汇聚节点特征投影到目标空间，得到节点的最终表示向量。
2.根据权利要求1所述的方法，其特征在于，根据所述元路径的实例获取各个节点文本信息的向量表示，并将不同类型节点的向量表示转化到同一隐向量空间，得到转化节点特征，包括：根据所述元路径的实例通过BERT模型获取各个节点文本信息的向量表示：其中， 是类型为 的节点 的词序列， 是经过BERT模型处理之后得到的向量， ， 是类型为 的节点集合， 表示 的节点表示向量的维数；通过线性变化将不同类型节点的向量表示转化到同一隐向量空间，得到转化节点特征：其中， 是转化后的矩阵， 是参数矩阵， 表示转化后向量的维数。
3.根据权利要求2所述的方法，其特征在于，根据所述转化节点特征通过基于注意力机制的元路径内汇聚策略学习给定元路径下不同元路径实例所反映的结构信息，得到元路径内汇聚节点特征，包括：给定元路径 ，对元路径实例 ，通过基于关系旋转的解码器得到元路径实例的向量表示：其中， 表示元路径实例上的节点， 为元路径的终点和起点， ， 是连接 和 的关系， 是 旋转向量， 表示第 次旋转得到的向量， 是转化后的元路径实例 的表示向量；通过基于注意力机制的元路径内汇聚策略学习不同元路径实例所反映的结构信息，得到元路径内汇聚节点特征 。
4.根据权利要求3所述的方法，其特征在于，根据所述元路径内汇聚节点特征通过基于注意力机制的元路径间汇聚策略学习不同元路径所反映的结构信息，得到元路径间汇聚节点特征，包括：根据所述元路径内汇聚节点特征通过基于注意力机制的元路径间汇聚策略学习不同元路径所反映的结构信息，得到元路径间汇聚节点特征 ， 表示所有起始点或终点类型为 的元路径的集合， 表示不同元路径的个数。
5.根据权利要求4所述的方法，其特征在于，将所述元路径间汇聚节点特征投影到目标空间，得到节点的最终表示向量，包括：将所述元路径间汇聚节点特征投影到目标空间，得到节点的最终表示向量：其中， 是模型对节点 的最终表示向量， 是任务需要的向量维数， 是参数矩阵， 是激活函数。
6.根据权利要求1所述的方法，其特征在于，根据所述节点的最终表示向量对预先构建的相似案例推荐图神经网络进行训练，得到训练好的相似案例推荐图神经网络，通过所述训练好的相似案例推荐图神经网络进行相似案例推荐，包括：通过负样本采样的方式获得负样本集合；根据所述节点的最终表示向量和所述负样本集合对预先构建的相似案例推荐图神经网络进行训练，得到训练好的相似案例推荐图神经网络；向所述训练好的相似案例推荐图神经网络输入新案例的文本表示和结构信息，得到所述新案例的表示 ；根据所述新案例的表示 和已经存在的案例的表示 ，计算相似概率；根据所述相似概率进行相似案例推荐。
7.一种基于图神经网络的中文相似案例推荐装置，其特征在于，所述装置包括：信息获取模块，用于获取法律层次体系信息和案例信息；所述法律层次体系信息包括法律整体文本信息、编文本信息、章文本信息、节文本信息和法条文本信息；异构图构建模块，用于以所述法律层次体系信息和所述案例信息为节点，法条之内、案例之内以及法条和案例之间的关系信息为边，构建异构图；所述法条之内、案例之内以及法条和案例之间的关系信息包括法规结构之间的隶属关系信息、法条之间的相似关系信息、案例之间的相似关系信息和案例与法条之间的参照关系信息；元路径构建模块，用于根据所述异构图，构建元路径，根据所述元路径生成元路径的实例；所述元路径包括案例-法条-案例、案例-案例-案例、案例-法条-法条-案例和案例-法条-节-法条-案例；异构图学习模块，用于根据所述元路径的实例进行节点特征获取、节点特征转换，通过元路径内汇聚策略和元路径间汇聚策略进行异构图表示学习，得到节点的最终表示向量；模型训练使用模块，用于根据所述节点的最终表示向量对预先构建的相似案例推荐图神经网络进行训练，得到训练好的相似案例推荐图神经网络，通过所述训练好的相似案例推荐图神经网络进行相似案例推荐；其中，所述异构图学习模块还用于：根据所述元路径的实例获取各个节点文本信息的向量表示，并将不同类型节点的向量表示转化到同一隐向量空间，得到转化节点特征；根据所述转化节点特征通过基于注意力机制的元路径内汇聚策略学习给定元路径下不同元路径实例所反映的结构信息，得到元路径内汇聚节点特征；根据所述元路径内汇聚节点特征通过基于注意力机制的元路径间汇聚策略学习不同元路径所反映的结构信息，得到元路径间汇聚节点特征；将所述元路径间汇聚节点特征投影到目标空间，得到节点的最终表示向量。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
