1.一种基于深度学习的裁判文书自动生成方法，其特征在于，所述方法包括：
将案由划分为不同类型；
总结每种类型案由的要素并分类；
采集样本数据，样本数据包括不同类型案由对应的裁判文书，根据每种类型案由的要素分类情况，标注每种类型案由对应的裁判文书；
针对每种类型案由分别建立相应的要素表，要素表第一列为标注的要素，要素表第二列为标注的要素对应的类型和值；
基于所有建立的要素表获取数据集，将数据集划分为训练集和测试集；
构建深度学习模型，利用训练集和测试集训练和测试深度学习模型；
针对不同类型案由对应的要素表中不同类型要素对应的要素内容，将裁判文书输入训练后的深度学习模型，输出裁判文书案由的基本事实内容。
2.根据权利要求1所述的一种基于深度学习的裁判文书自动生成方法，其特征在于，案由类型包括：劳动争议案由、离婚案由、民间借贷案由。
3.根据权利要求1所述的一种基于深度学习的裁判文书自动生成方法，其特征在于，将数据集按照比例8:2划分为训练集和测试集。
4.根据权利要求1所述的一种基于深度学习的裁判文书自动生成方法，其特征在于，构建深度学习模型，利用训练集和测试集训练和测试深度学习模型，具体包括：
将sequence-to-sequence模型的编码器和解码器均定义为一系列长短期记忆网络；
将数据集的第一列数据作为编码器的输入，将对应的第二列文段作为解码器的输出，构建sequence-to-sequence模型；
sequence-to-sequence模型的编码器将输入的每个文字作为一个输入，输入内容以x=(x1，x2，…,xj）形式保存，其中j代表输入文字的总长度，编码器将输入的x转换成隐藏层的信息内容，同时解码器将隐藏层的信息内容作为输入，并输出y=(y1，y2，…,yt)，其中t代表输出文字的总长度，通过反向传播学习模型参数，并利用测试集验证，得到训练后的模型。
5.根据权利要求2所述的一种基于深度学习的裁判文书自动生成方法，其特征在于，劳动争议案由的要素类型分为五类：劳动者入职时间、劳动者离职时间、劳动合同约定工资、劳动者离职前12个月平均工资和劳动者离职原因；离婚案由的要素类型分为四类：确定恋爱的关系时间、登记结婚时间、婚姻登记机关和需要抚养的生育子女个数；民间借贷案由的要素类型分为六类：债权凭证签订日期、预扣利息具体金额、借款交付地点、借款交付日期、约定还款日期和借款金额。
6.根据权利要求1所述的一种基于深度学习的裁判文书自动生成方法，其特征在于，本方法在步骤将案由划分为不同的类型之前还包括以下步骤：采用模板自动生成裁判文书的固定格式部分，使用规则自动生成裁判文书的判决结果部分。
7.根据权利要求1所述的一种基于深度学习的裁判文书自动生成方法，其特征在于，本方法在步骤总结每种类型案由的要素并分类之后，以及采集样本数据步骤之前还包括以下步骤：
使用hmm算法计算出每种类型案由中所有要素之间的概率转移矩阵；
基于要素之间的概率转移矩阵，使用拓扑排序方法对新案件中的要素重排序。
8.根据权利要求7所述的一种基于深度学习的裁判文书自动生成方法，其特征在于，
使用hmm算法计算出每种类型案由中所有要素之间的概率转移矩阵，通过提取每种类型案由的历史裁判文件的要素，得到要素之间的先后顺序，每个裁判文书对应的要素顺序作为一个样本训练hmm模型，获得当前案由下所有要素的概率转移矩阵。
9.根据权利要求7所述的一种基于深度学习的裁判文书自动生成方法，其特征在于，所述使用拓扑排序方法将新案件中的要素重排序包括：首先通过概率转移矩阵对抽取到的要素构建子图，然后从子图中选择一个要素作为头节点，开始拓扑排序，最后得到对要素顺序重新排序的列表。
10.一种基于深度学习的裁判文书自动生成系统，其特征在于，所述系统包括：
案由类型划分单元，用于将案由划分为不同类型；
案由要素分类单元，用于总结每种类型案由的要素进行并分类；
样本数据采集及标注单元，用于采集样本数据，样本数据包括不同类型案由对应的裁判文书，根据每种类型案由的要素分类情况标注每种类型案由对应的裁判文书；
要素表建立单元，用于针对每种类型案由分别建立相应的要素表，要素表的第一列为标注的要素，要素表的第二列为标注的要素对应的类型和值；
数据集获取单元，用于基于所有建立的要素表获取数据集，将数据集划分为训练集和测试集；
模型构建及训练单元，用于构建深度学习模型，利用训练集和测试集训练和测试深度学习模型；
基本事实内容生成单元，用于针对不同类型案由对应的要素表中不同类型要素对应的要素内容，将裁判文书输入训练后的深度学习模型，输出裁判文书案由的基本事实内容。