1.一种基于深度学习混合模型的争议焦点检测方法，其特征在于：所述方法包括以下步骤：

S1、构建争议焦点树库，剔除冗余的争议焦点，得到争议焦点标签集合C；

S2、从争议焦点树库中获得案例文件，从案例文件中提取原告和被告的诉辩内容，利用构建好的争议焦点树库，结合先验知识及人工规则，完成数据的标注，并统一为“原告诉称”+“被告辩称”+“争议焦点标签”格式，得到数据集；

S3、采用先验知识与主动学习相结合的方法扩充数据集，得到完整可训练的数据集；

S4、将步骤S3得到的数据集进行中文数据预处理，并将预处理后的数据转换为模型输入所需要的数据格式；

S5、利用BERT‑wwm全字掩蔽模型训练得到文本字向量矩阵，将文本字向量矩阵同时作为双向LSTM网络模型和TextCNN网络模型的输入；

S6、使用双向LSTM网络模型提取文本全局语义特征；在TextCNN模型中利用不同大小的卷积核提取文本不同粒度的局部语义特征；将两个模型的概率结果进行平均计算，设定阈值进行预测，输出概率超过阈值的争议焦点。

2.根据权利要求1所述的一种基于深度学习混合模型的争议焦点检测方法，其特征在于：

所述步骤S1中，争议焦点树库的构建具体为：根据案由将案件分为民事案件、刑事案件和行政案件三类；

该民事案件包括民间借贷纠纷、机动车交通事故责任纠纷、离婚纠纷、追索劳动报酬纠纷和股权转让纠纷；

该刑事案件包括盗窃罪、诈骗罪、危险驾驶罪、故意伤害罪和受贿罪；

该行政案件包括劳动和社会保障行政管理、道路交通管理、房屋拆迁管理、商标行政管理和金融行政管理；

针对每一类案由，结合法学知识，归纳出相应的争议焦点，并导入争议焦点的原告和被告表述文本及相应的裁判文书，形成争议焦点树；

根据真实的且法律适用的争议焦点及其性质，对每一类争议焦点树进行再次的归纳、筛选、梳理、抽象提取和文本编辑，最终完成对案由案件的争议焦点树库的构建。

3.根据权利要求1所述的一种基于深度学习混合模型的争议焦点检测方法，其特征在于：所述步骤S3中，扩充数据具体为：从争议焦点树库取得标注好的数据后，通过研究法律文本规范性的特征，对每一个争议焦点撰写规则，选取随机森林作为分类器，通过查询函数在未标注的样本数据集中查询信息量大的样本，利用先验知识和规则对这些未标注的样本进行标注纠正，迭代训练，完成对数据的扩充。

4.根据权利要求1所述的一种基于深度学习混合模型的争议焦点检测方法，其特征在于：所述步骤S4中，数据预处理具体为：读取文本，提取原告诉称和被告辩称文本内容，去除文本中的英文字符、表情和乱码，对文本进行分句；

使用分词工具和司法领域专有字典对句子分词，去除停用词；

计算句子得分，选取得分排名靠前的句子，并保持句子在原文本中的顺序。

5.根据权利要求4所述的一种基于深度学习混合模型的争议焦点检测方法，其特征在于：所述计算句子得分为：利用词频逆文本频率指数TF‑IDF方法计算句子中每一个词的tf‑idf值，句子的得分score为所有词的tf‑idf值之和。

6.根据权利要求5所述的一种基于深度学习混合模型的争议焦点检测方法，其特征在于：所述tf‑idf的计算方法为：tf表示词条在文本中出现的概率，其中分子ni,j表示该词在文件dj中出现的次数，分母则表示文件dj中所有词出现的次数总和；

idf表示词条的逆向文件频率，其中|D|是语料库中的文件总数，|{j:ti∈dj}|表示包含词条ti的文件数目，为保证分母不为零，使用|{j:ti∈dj}|+1tf‑idf＝tf*idf

设tf‑idf值越大，则这个词成为一个关键词的概率就越大；设一句话内所有词的tf‑idf值之和score越大，则该句话越重要。

7.根据权利要求1所述的一种基于深度学习混合模型的争议焦点检测方法，其特征在于：所述步骤S4具体为：将数据转换为模型输入所需要的数据格式，利用BERT‑wwm全字掩蔽模型训练得到文本字向量矩阵，该文本字向量矩阵的获取具体为：将原告诉称文本和被告辩称文本作为BERT‑wwm全字掩蔽模型输入的句子1和句子2，在句子1开头加入[CLS]开始符号，在句子1末尾加入[SEP]结尾符，在句子2末尾加入[SEP]结尾符，最终输入文本表示为[CLS]+句子1+[SEP]+句子2+[SEP]格式，将文本中的每个字符转换为字向量Et，并结合表示位置的位置向量Ep以及用于区分句子1和句子2的段向量Ea，将这三个向量拼接起来作为BERT‑wwm全字掩蔽模型的输入，输出得到输入文本的字向量矩阵。

8.根据权利要求1所述的一种基于深度学习混合模型的争议焦点检测方法，其特征在于：所述S6具体为：

设定阈值进行预测，输出概率超过阈值的争议焦点定义为：将BERT‑wwm全字掩蔽输出的字向量矩阵作为双向LSTM模型和TextCNN模型的输入；

TextCNN模型中使用一维卷积，并设置大小不同的卷积核提取多个粒度的局部特征，两个模型分别预测每个争议焦点标签得分，该争议焦点标签的列数为|C|，使用sigmod函数激活得到每个标签的概率值，将两个模型的得到的概率结果算数平均，在[0.5，0.7]数值范围内按步长0.01设置阈值，超过阈值则预测为该标签存在争议焦点，用1表示；低于阈值则预测为该标签不是争议焦点，用0表示。

9.基于权利要求1～8中任何一项所述方法的基于深度学习混合模型的争议焦点检测装置，其特征在于：所述装置包括争议焦点树库构建模块、数据生成模块、模型训练模块和争议焦点预测模块；

该争议焦点树库构建模块与数据生成模块信号连接；

该数据生成模块一端与争议焦点树库构建模块信号连接，另一端与模型训练模块信号连接；

该模型训练模块一端与数据生成模块信号连接，另一端与争议焦点预测模块信号连接；

该争议焦点预测模块与模型训练模块信号连接；

该争议焦点树库构建模块用于针对每一类案由的每一个争议焦点，导入争议焦点的原被告表述文本及相应的裁判文书，构建出案由的案件争议焦点树库；

该数据生成模块用于从争议焦点树库中获得案由案件的数据集，并扩展数据以供模型训练；

该模型训练模块针对每一类案由案件，对输入数据集进行模型训练，在[0.5，0.7]数值范围内按步长0.01调整阈值选取并保存最优模型；

该争议焦点预测模块根据输入测试案件数据，选择案件所属类别，运行相应的案由案件模型，预测输出案件的所有争议焦点。