CN106952193A - 一种基于模糊深度信念网络的刑事案件辅助决策方法 - Google Patents

Abstract

本发明公开一种基于模糊深度信念网络的刑事案件辅助决策方法，包括：根据法律文书及量刑方法,建立描述案件的向量模型；根据判决问题的复杂度,建立恰当的深度神经网络结构；借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数；利用神经网络进行建模,预测出法官判决的结果。采用本发明技术方案，可以有效保障案件审理的客观性；同时辅助决策系统可以有效保障案件审理的公平，提高审案效率。

Description

一种基于模糊深度信念网络的刑事案件辅助决策方法

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于模糊深度信念网络的刑事案件辅助决策方法,进一步涉及一种使用深度学习与模糊数学的结合的案件检索方法。

背景技术

法院作为案件审理的主体，在多年的工作中已经积累了大量丰富的成功经验，并以数字化的形式保存了大量案件情报信息。同时，随着计算机技术应用的逐步深入，对这些信息的管理和应用策略也日渐成熟，特别是在各种管理信息系统投入应用后，对案件情报信息的应用力度和管理能力已经大大提高。

在历史案件信息的综合挖掘利用方面，部分发达国家早在上世纪80年代后期就开始了研究。他们依靠其先进的计算机技术的发展，利用计算机系统强大的数据处理与数据分析能力，把案件处理工作中获取的各类信息进行统一而规范的管理，以人工智能(如机器学习、人工神经网络、决策树、案例推理等)的方法进行数据的综合挖掘与综合利用，从而得出相对可靠的、具有预警功能的情报信息或方案建议，以利于决策并指导行动。具有代表性的有英国情报核心分析系统(ICAS)、美国比较数据系统(COMPSTAT)、加拿大自动化犯罪情报信息系统(ACIIS)、澳大利亚执法情报网络(ALEIN)以及我国香港的警队刑事情报信息系统(FCIS)等。

近年来，案例推理的提出，美国和欧洲相继在各个行业结合自身的需求研制和开发许多系统，使案例推理成为人工智能领域的研究热点。CBR有两种类型，即问题求解型和解释型。问题求解型侧重于对过去策略的匹配与修改，而解释型强调以旧案例对新案例作出评价与解释。无论哪一种,其推理过程均类似于人类经验类比推理，而且具有简化知识获取、通过直接获得提高求解效率、求解质量较高、适用于非计算推导的优点。因此，它将是人工智能与专家系统设计的一种非常具有发展前景的方法。

作为人工智能的一种推理技术和学习机制，如今有很多学者和学术团体致力于CBR的理论与方法研究。比较知名的学者如Roger Shank、Janet Kolodner、Bruce Poter、David Wilsond等；学术团体主要有德国政府资助的Kaiserslautern大学的MichaelRichter与Klaus Dieter Althoff等人组成的人工智能和知识系统研究小组，麻萨诸塞州立大学的Edwina Rissland研究小组，以及美国海军人工智能实验室的智能辅助决策研究小组等。自1987年以来,国际学术界每年都举行CBR研讨会，广泛征集研究成果。如ECCBR(European Conference on Case-based Reasoning)、ICCBR(International Conferenceon Case-based Reasoning)、AAAI(American Association for Arti-ficialIntelligence)等。还有些个人或政府资助建立的CBR专门网站和工作室，如AI-CBR.等。所有这些对CBR的研究和发展均做出了重要的贡献。

深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

模糊数学在模糊集合、模糊逻辑的基础上发展起来的模糊拓扑、模糊测度论等数学领域的统称。是研究现实世界中许多界限不分明甚至是很模糊的问题的数学工具。在模式识别、人工智能等方面有广泛的应用。在1965年美国控制论学者L.A.扎德发表论文《模糊集合》，标志着这门新学科的诞生。现代数学建立在集合论的基础上。一组对象确定一组属性，人们可以通过指明属性来说明概念，也可以通过指明对象来说明。符合概念的那些对象的全体叫做这个概念的外延，外延实际上就是集合。一切现实的理论系统都有可能纳入集合描述的数学框架。经典的集合论只把自己的表现力限制在那些有明确外延的概念和事物上，它明确地规定：每一个集合都必须由确定的元素所构成，元素对集合的隶属关系必须是明确的。对模糊性的数学处理是以将经典的集合论扩展为模糊集合论为基础的，乘积空间中的模糊子集就给出了一对元素间的模糊关系。对模糊现象的数学处理就是在这个基础上展开的。

模糊神经网络结合了神经网络系统和模糊系统的长处，它在处理非线性、模糊性等问题上有很大的优越性，在智能信息处理方面存在巨大的潜力；使得越来越多的专家学者投入到这个领域中来，并做出了卓有成效的研究成果。法律案例推理涉及到模糊推理，因此能够使用模糊数学对推理过程进行建模，并同时借助深度学习的方法提高推理的精确性。但深度学习与模糊数学的结合还未在法律案例推理领域得到发挥。

发明内容

本发明要解决的技术问题是，提供一种基于模糊深度信念网络的刑事案件辅助决策方法。

为实现上述目的，本发明采用如下的技术方案：

一种基于模糊深度信念网络的刑事案件辅助决策方法包括以下步骤：

步骤S1、根据法律文书及量刑方法,建立描述案件的向量模型；

步骤S2、根据判决问题的复杂度,建立恰当的深度神经网络结构；

步骤S3、借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数；

步骤S4、利用神经网络进行建模,预测出法官判决的结果。

作为优选，步骤S1具体包括：

根据描述法律文书的词袋模型，将描述案件的文本转化成一维向量；

根据刑罚类型，将描述案件的判决结果转化成一维向量。

作为优选，步骤S2具体包括：

根据判决问题的复杂度，确定神经网络的层数；

根据判决的划分程度，确定神经网络中节点间的连接关系。

作为优选，步骤S3具体包括：

使用非监督学习法逐层地学习神经网络的参数；

使用监督学习法通过梯度下降法对神经网络的参数进行微调。

作为优选，步骤S4具体包括：

根据神经网络的参数计算每个隐藏神经元的活跃程度；

计算从属函数的值；

利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果；

将输出结果对应于判决意义。

一种基于模糊深度信念网络的刑事案件辅助决策方法包括以下步骤：

步骤1、根据法律文书及量刑方法,建立描述案件的向量模型:

假设已使用词袋模型对案例文本库中的文本进行了预处理,则将数据集表示成:

X＝[x¹,x²,...,x^R+T] (1)

其中

R是作为训练样本的文本的数量,T是用于测试的文本的数量,D是法律案例的关键词的数量。

选择L篇法律文书进行判决标注，并把它们记作X^L。相应的标注集记作Y。并表示成

Y＝[y¹,y²,K,y^L] (3)

其中

C是刑罚类型的数量，在案件审判中常常在两类判决中进行取舍，因此在这种情况下认为有两类刑罚，分别记作正类和负类，如果一个案件x_i的判决属于正类，则yⁱ＝[1,0]，否则，yⁱ＝[0,1]；

步骤2、根据判决问题的复杂度,建立恰当的深度神经网络结构:

构造一个具有一个输入层、一个输出层和N-1个隐藏层的深度信念网络(DBN)，该网络的输入层的节点个数等于法律文书的关键词的个数D，该网络的输出层的节点个数等于刑罚类型的数量C，

步骤3、借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数：

使用逐层的贪婪算法和梯度下降法通过解决以下优化问题来训练这个神经网络：

其中h^N表示第N层神经元的输出，

设计两种判决对应的模糊函数，对于正类和反类分别有：

A＝{(x,μ_A(x))；x∈X} (8)

B＝{(x,μ_B(x))；x∈X} (9)

对于每个案例，计算该函数值的过程如下

其中的参数β和γ的计算方法是

γ＝max(d(xⁱ)) (13)

β＝ξ×γ,ξ≥2 (14)

步骤4、利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果：

获取神经网络的最终输出结果：

其中，

其中，是第N-1层的第s个单元与第N层的第t个单元之间的连接的权重，

把输入案例的判决类别确定成：

则该系统推荐的判决类型为第种判决。

本发明具有以下特点：

(1)目前有诸多关于案件推理相关研究，但是以深度学习和模糊数学为基础的案件推理系统还鲜有研究和讨论，本发明研究基于模糊深度信念网络的案件智能分析及推理，研究内容具有新颖性。

(2)本发明从案件的证据及过往因循案例出发，实现案件智能分析及证据关联，有助于减轻法官的工作量，研究具有工程前瞻性。

(3)考虑到案件审理的具有一定的主观性，同时当前对案件的处理依然不能摆脱人工密集型的特点，本发明将基于证据和案例的推理系统应用到案件审理过程中，可以有效保障案件审理的客观性；同时辅助决策系统可以有效保障案件审理的公平，提高审案效率，具有理论创新和应用创新的价值。

附图说明

图1为本发明的基于模糊深度信念网络的刑事案件辅助决策方法的流程示意图。

具体实施方式

将案例的特征与法律领域本体案例库中的本体信息进行比较、匹配，通过本体解析，在法律条例本体案例库中找到与案例的特征相似的相关法条，并提取法条及相关审判推荐，整体架构如图1所示。

根据法律文书及量刑方法,建立描述案件的向量模型:

假设已使用词袋模型对案例文本库中的文本进行了预处理,则将数据集表示成:

X＝[x¹,x²,...,x^R+T] (1)

其中

R是作为训练样本的文本的数量,T是用于测试的文本的数量,D是法律案例的关键词的数量。

选择L篇法律文书进行判决标注，并把它们记作X^L。相应的标注集记作Y。并表示成

Y＝[y¹,y²,K,y^L] (3)

其中

C是刑罚类型的数量。在案件审判中常常在两类判决中进行取舍，因此在这种情况下认为有两类刑罚，分别记作正类和负类。如果一个案件x_i的判决属于正类，则yⁱ＝[1,0]’；否则，yⁱ＝[0,1]’。

根据判决问题的复杂度,建立恰当的深度神经网络结构:

构造一个具有一个输入层、一个输出层和N-1个隐藏层的深度信念网络(DBN)。该网络的输入层的节点个数等于法律文书的关键词的个数D。该网络的输出层的节点个数等于刑罚类型的数量C。

借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数：

使用逐层的贪婪算法和梯度下降法通过解决以下优化问题来训练这个神经网络：

其中h^N表示第N层神经元的输出。

设计两种判决对应的模糊函数，对于正类和反类分别有：

A＝{(x,μ_A(x))；x∈X} (8)

B＝{(x,μ_B(x))；x∈X} (9)

对于每个案例，计算该函数值的过程如下

其中的参数β和γ的计算方法是

γ＝max(d(xⁱ)) (13)

β＝ξ×γ,ξ≥2 (14)

利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果：

获取神经网络的最终输出结果：

其中

其中是第N-1层的第s个单元与第N层的第t个单元之间的连接的权重。

把输入案例的判决类别确定成：

则该系统推荐的判决类型为第种判决。

Claims (6)

1.一种基于模糊深度信念网络的刑事案件辅助决策方法，其特征在于，包括以下步骤：

步骤S1、根据法律文书及量刑方法,建立描述案件的向量模型；

步骤S2、根据判决问题的复杂度,建立恰当的深度神经网络结构；

步骤S3、借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数；

步骤S4、利用神经网络进行建模,预测出法官判决的结果。

2.根据权利要求1所述的基于模糊深度信念网络的刑事案件辅助决策方法，其特征在于，步骤S1具体包括：

根据描述法律文书的词袋模型，将描述案件的文本转化成一维向量；

根据刑罚类型，将描述案件的判决结果转化成一维向量。

3.根据权利要求1所述的基于模糊深度信念网络的刑事案件辅助决策方法，其特征在于，步骤S2具体包括：

根据判决问题的复杂度，确定神经网络的层数；

根据判决的划分程度，确定神经网络中节点间的连接关系。

4.根据权利要求1所述的基于模糊深度信念网络的刑事案件辅助决策方法，其特征在于，步骤S3具体包括：

使用非监督学习法逐层地学习神经网络的参数；

使用监督学习法通过梯度下降法对神经网络的参数进行微调。

5.根据权利要求1所述的基于模糊深度信念网络的刑事案件辅助决策方法，其特征在于，步骤S4具体包括：

对法律文书等资料的批量增加、对法律文书等资料的批量删除、对录入有误数据的修改以及对特定相关案例的查询；

根据神经网络的参数计算每个隐藏神经元的活跃程度；

计算从属函数的值；

利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果；

将输出结果对应于判决意义。

6.一种基于模糊深度信念网络的刑事案件辅助决策方法，其特征在于，包括以下步骤：

步骤1、根据法律文书及量刑方法,建立描述案件的向量模型:

假设已使用词袋模型对案例文本库中的文本进行了预处理,则将数据集表示成:

X＝[x¹,x²,...,x^R+T] (1)

其中

R是作为训练样本的文本的数量,T是用于测试的文本的数量,D是法律案例的关键词的数量。

选择L篇法律文书进行判决标注，并把它们记作X^L。相应的标注集记作Y。并表示成

Y＝[y¹,y²,K,y^L] (3)

其中

$y_j^i=\left\{\begin{array}{c}1,if{x}^i\∈jthclass\\ 0,if{x}^i\∉jthclass\end{array}\right.---\left(5\right)$

C是刑罚类型的数量，在案件审判中常常在两类判决中进行取舍，因此在这种情况下认为有两类刑罚，分别记作正类和负类，如果一个案件x_i的判决属于正类，则yⁱ＝[1,0]，否则，yⁱ＝[0,1]；

步骤2、根据判决问题的复杂度,建立恰当的深度神经网络结构:

构造一个具有一个输入层、一个输出层和N-1个隐藏层的深度信念网络(DBN)，该网络的输入层的节点个数等于法律文书的关键词的个数D，该网络的输出层的节点个数等于刑罚类型的数量C，

步骤3、借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数：

使用逐层的贪婪算法和梯度下降法通过解决以下优化问题来训练这个神经网络：

$\underset{w}{\arg \min }f\left(h^N\right(X^L,Y^L\left)\right)---\left(6\right)$

$f\left(h^N\right(X^L),Y^L)=\frac{1}{2}\underset{i=1}{\overset{L}{\Σ}}\underset{j=1}{\overset{C}{\Σ}}{\left(h_j^N\right(x^i)-y_j^i)}^2---\left(7\right)$

其中h^N表示第N层神经元的输出，

设计两种判决对应的模糊函数，对于正类和反类分别有：

A＝{(x,μ_A(x))；x∈X} (8)

B＝{(x,μ_B(x))；x∈X} (9)

对于每个案例，计算该函数值的过程如下

$d\left(x^i\right)=\left(h_1^N\right(x^i)-h_2^N(r\left)\right)/\sqrt{2}---\left(10\right)$

${\mathrm{\μ}}_A(x;\mathrm{\β},\mathrm{\γ})=\left\{\begin{array}{cc}S\left(d\right(x);\mathrm{\γ}-\mathrm{\β},\mathrm{\γ}-\mathrm{\β}/2,\mathrm{\γ}),& d\left(x\right)\≤\mathrm{\γ}\\ 1,& d\left(x\right)>\mathrm{\γ}\end{array}\right.---\left(11\right)$

${\mathrm{\&mu;}}_B(x;\mathrm{\&beta;},-\mathrm{\&gamma;})=\left\{\begin{array}{cc}1,& d\left(x\right)<-\mathrm{\&gamma;}\\ 1-S\left(d\right(x);-\mathrm{\&gamma;},-\mathrm{\&gamma;}+\mathrm{\&beta;}/2,-\mathrm{\&gamma;}+\mathrm{\&beta;}),& d\left(x\right)\&GreaterEqual;-\mathrm{\&gamma;}\end{array}\right.---\left(12\right)$

其中的参数β和γ的计算方法是

γ＝max(d(xⁱ)) (13)

β＝ξ×γ,ξ≥2 (14)

步骤4、利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果：

获取神经网络的最终输出结果：

$h_t^N\left(x\right)=c_t^N+{\mathrm{\&mu;}}_A\left(x\right)\mathrm{\&rho;}+{\mathrm{\&mu;}}_B\left(x\right)\mathrm{\&theta;},t=1,2K{D}_N---\left(15\right)$

其中，

$\begin{array}{c}\mathrm{\&rho;}=\underset{s=1}{\overset{D_{N-1}/2}{\&Sigma;}}{w}_{st}^N{h}_s^{N-1}\left(s\right)\\ \mathrm{\&theta;}=\underset{s=D_{N-1}/2+1}{\overset{D_{N-1}}{\&Sigma;}}{w}_{st}^N{h}_s^{N-1}\left(x\right)\end{array}---\left(16\right)$

其中，是第N-1层的第s个单元与第N层的第t个单元之间的连接的权重，

把输入案例的判决类别确定成：

$\underset{j}{\hat{j}=\arg \max }{h}^N\left(x\right)---\left(17\right)$

则该系统推荐的判决类型为第种判决。