CN110119857A - 一种符合加减刑专家常识规则的刑期自动预测方法 - Google Patents

Abstract

本发明公开了一种符合加减刑专家常识规则的刑期自动预测方法，本发明对刑期自动预测的设计上考虑了符合加减刑专家规则，设计了基于加刑、减刑的案件要素表示方法。当前用于量刑的统计机器学习算法以及发明没有关注加减刑专家常识规则，预测出量刑值往往违反常识与规则冲突，本系统基于该考虑，对每个案由进行加刑、减刑情节要素进行分类，用于案件向量的表示和模型输入；本发明还设计了符合加刑减刑抓夹常识规则的神经网络结构，定义了训练方法。通过修改训练过程的网络权重调整公式，可以约束网络权重恒正或横负。通过将加刑情节和减刑情节单独输入到不同权重约束的子网络，保证了符合加减刑专家规则。

Description

一种符合加减刑专家常识规则的刑期自动预测方法

技术领域

本发明涉及刑期自动预测方法技术领域，具体是一种符合加减刑专家常识规则的刑期自动预测方法。

背景技术

刑事案件量刑由于案由数量多、量刑规则复杂，且地方法院也会出台地方法律法规符合当地治安发展要求，对法官量刑的规范化带来了很大难度。此外，量刑也是普通民众咨询的最常见问题之一，量刑规则的复杂性和案件要素组合的多样性让人工提供法律咨询服务变得繁重。因此引入自动量刑系统，由使用者输入待量刑案件的主要法律要素，系统自动给出量刑预测值，可以有效辅助量刑。构建量刑预测的模型，现有技术采用统计学习算法，通过已有判决的历史案件数据训练出案件要素到量刑结果的映射模型，从而对未来的未判决案件进行预测。

然而，基于统计学习方法的模型训练构建的过程中仅仅利用了历史案件数据的案件要素和量刑结果数据，而没有直接利用法律条文规定的量刑规则。模型预测性能的好坏很强的依赖于数据分布和数据数量，这导致模型难免遇到和规则不符的情况，尤其是数据较少的情况下。最为突出的就是量刑的加减刑规则，即对于一个确定法律要素的案件，如果新增一个加刑情节，量刑结果一般应当增加，或者至少不能减少，然而自动量刑系统可能会给出量刑减少的预测。事实上，如果统计学习模型建模过程中和训练过程中可以考虑到加减刑规则，就可以避免预测结果和加减刑规则不符的问题产生。然而，现有技术难以突破这一障碍。

刑事案件量刑是刑事案件审判的最终一环，也是体现法律公平正义的关键环节。最高人民法院从2014年1月1日起在全国法院正式实施了量刑规范化工作。在大数据和人工智能背景下，建立自动量刑预测系统可以推进量刑规范化工作的展开。另一方面，民众法律咨询的需求日益增长，自动量刑系统也可以满足民众对量刑的法律咨询，减少人力成本。

现有刑事案件自动量刑的方法包括规则库方法和统计学习方法。规则库方法将法律法规对量刑值的规定录入计算机系统，对于待预测案件，将待预测案件具有的情节一一匹配规则，给出并更新量刑值，譬如对于《最高法量刑指导意见》关于盗窃罪的规则：“达到数额巨大起点或者有其他严重情节的，可以在三年至四年有期徒刑幅度内确定量刑起点。”，如果待预测盗窃案件匹配到“数额巨大”该情节，则将量刑值初始化为3~4年。统计学习方法则不同，通过机器学习算法直接利用大量的历史的已判决的案件的案件情节要素和最终量刑值进行模型训练，得到量刑模型，然后将待判决的情节要素输入模型，得出预测量刑值。

中国专利CN108460025A公开了一种刑事案件自动化量刑方法、装置及计算机可读存储介质》，其从非目标判决书中提取指定量刑要素标签对应的两性要素，作为目标量刑要素；将目标量刑要素输入预先建立的量刑结果预测模型，获得量刑结果预测模型输出的指定案件的量刑结果。但是，该方法要么单独考虑量刑规则，要么单独考虑量刑数据的统计学习，无法在一个统一模型上同时考虑规则和数据。其虽然对自动化量刑的步骤做了描述，对于自动量刑的核心部分量刑模型，但是，仅指出模型可以但不限定为SVM模型、逻辑回归模型、深度神经网络模型等，该模型的具体细节没有给出设计，也没有提到要考虑加减刑规则。

而且，现有技术中的这种方法，基于规则库方法的自动量刑，规则录入困难，难以将规则编码进计算机系统，对录入人员的专业要求高，规则录入工作量大。而且，基于统计学习模型的自动量刑，预测出的结果常常不符合加减刑规则，往往会产生用户新增加刑情节，量刑预测反而降低的情况，违背具有普通法律常识的经验，造成用户对系统的不信任。

究其原因，一是，法律法规对刑事量刑的具体数值规定不是固定公式，很多只给出量刑起点，和特定情节增加的幅度。且案由数量巨大，不同地区还会根据地方情况出台量刑细则。二是，统计学习模型仅仅考虑历史案件数据，模型质量很强的依赖于训练数据，训练数据往往由于案件数据量稀少、情节分布稀疏等问题，难以学习到符合规则的特征。即使数据充足，由于没有直接编码加刑情节和减刑情节的先验信息，无法保证模型在输入空间中全局符合加减刑规则。

因此，本发明提供了一种符合加减刑专家常识规则的刑期自动预测方法，以解决上述背景技术中提出的问题。

发明内容

本发明的目的在于提供一种符合加减刑专家常识规则的刑期自动预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，其包括以下步骤：

步骤（1）：构建对加刑情节和减刑情节分类的刑事案件要素体，对于加刑情节、减刑情节、其他情节的案件要素进行分类，并对加刑情节、减刑情节、其他情节进行案件向量的表示和模型输入；

步骤（2）：构造符合加减刑专家规则的单调性神经网络，在构造神经网络时，通过修改训练过程的网络权重调整公式，约束网络权重恒正或横负，通过将加刑情节和减刑情节单独输入到不同权重约束的子网络，保证符合加减刑专家规则；

步骤（3）采用历史案例进行模型训练；

步骤（4）使用模型进行量刑预测；

其中，在所述步骤（3）中，包括

步骤3.1：历史裁判文书结构化和清洗；

步骤3.2：数据正则化；

步骤3.3 训练模型。

进一步，作为优选，在所述步骤（1）中，首先采用数值表示案件的情节要素，对于数值型情节，直接使用数值自身表示，其中，数值型情节至少包括数额和次数；

对于布尔型情节使用数值1表示存在，0表示不存在，其中布尔型情节至少包括是否自首、是否参与分赃；

对于任意一个刑事案由，用n维向量D来表示该案由的所有n个情节取值，用Di表示情节向量的第i维，设量刑值t=T(D)；

如果满足

∂T/∂Di>=0

即量刑函数对于情节向量的第i维偏导恒大于等于0，则该维对应的情节是加刑情节；

如果满足

∂T/∂Di<=0

即量刑函数对于情节向量的第i维偏导恒小于等于0，则该维对应的情节是减刑情节；

其他情节表示不满足以上性质的情节。

进一步，作为优选，在所述步骤（2）中，构造的神经网络，由输出层输出一维向量量刑值t，整体分为三个子网络，第一个子网络是加刑情节的量刑网络输入向量为[x1,...xp]，该网络的神经元权重ω在训练调整时如下调整：

ω←max(0, ω+Δω)

第二个子网络减刑网络的输入向量为[xp+1,...,xq]，该网络的神经元权重ω更新函数为：

ω←min(0, ω+Δω)

Δω为优化算法给出的权重更新步长；

加刑网络通过max函数保证了ω恒大于等于0，减刑网络通过min函数保证了ω恒小于等于0；

第三个自网络其他情节量刑网络的输入向量为[xq+1,...,xn]，该网络的神经元权重更新不做额外限制；三个子网络共同连接到输出层，使用tahn激活函数输出一维向量。

进一步，作为优选，在所述步骤3.1中，历史裁判文书结构化指的是对历史已判决的裁判文书根据情节，每一篇解析表示情节的n维向量D和1维量刑值t；

令向量D的1~p维为加刑情节取值，对应输入加刑网络的x1到xp，另D的p+1~q维为减刑情节，对应输入加刑网络的xp+1到xq, D的q+1~n维为其他情节，对应输入到量刑网络的xq+1,...,xn；

量刑值t单位为月，t的实际取值范围为t>=0且t<=180，解析并过滤筛除量刑值不在范围内的文书。

进一步，作为优选，所述步骤3.2的数据正则化中，对于解析后的情节向量D进行的z-score 标准化，对于刑期t，按照如下公式进行正则化：

t←t/180

使得量刑值t映射到0到1之间。

进一步，作为优选，在步骤3.3 训练模型中，将所有文书的训练集 (D,t) 输入网络进行训练，获得模型。

进一步，作为优选，在所述（4）中，对于未判决的案件，根据步骤（3.1）和步骤（3.2）解析案件为向量并对向量正则化，将得到的案件情节向量输入步骤（3.3）中获得的模型，获得一维向量t，则最终量刑值为180t个月。

与现有技术相比，本发明的有益效果是：

（1）为了解决基于统计学习的量刑模型由于缺乏先验规则约束，会产生不符合加减刑规则的量刑预测的问题，本发明将加刑情节和减刑情节对刑期的影响融入模型训练过程，从而得到符合直观经验的自动量刑模型；

（2）本发明对刑期自动预测的设计上考虑了符合加减刑专家规则，设计了基于加刑、减刑的案件要素表示方法，当前用于量刑的统计机器学习算法以及发明没有关注加减刑专家常识规则，预测出量刑值往往违反常识与规则冲突，本发明基于该考虑，对每个案由进行加刑、减刑情节要素进行分类，用于案件向量的表示和模型输入。

（3）本发明设计了符合加刑减刑抓夹常识规则的神经网络结构，定义了训练方法。通过修改训练过程的网络权重调整公式，可以约束网络权重恒正或横负。通过将加刑情节和减刑情节单独输入到不同权重约束的子网络，保证了符合加减刑专家规则。

附图说明

图1为一种符合加减刑专家常识规则的刑期自动预测方法的神经网络结构示意图。

具体实施方式

请参阅图1，本发明实施例中，一种符合加减刑专家常识规则的刑期自动预测方法，具体步骤如下：

步骤（1），构建对加刑情节和减刑情节分类的刑事案件要素体系，具体如下：

针对特定案由，根据该案由相关法律法规总结影响量刑的核心情节要素，并把这些情节要素分类为如下三种：加刑情节、减刑情节、其他情节。首先采用数值表示案件的情节要素。对于数值型情节例如数值型的包括数额、次数，直接使用数值自身表示，对于布尔型情节，例如是否自首、是否参与分赃。使用数值1表示存在，0表示不存在。

对于一种的案由，用n维向量D来表示该案由的所有n个情节取值，用Di表示情节向量的第i维，，设量刑值t=T(D)；

如果满足

∂T/∂Di>=0

即量刑函数对于情节向量的第i维偏导恒大于等于0，则该维对应的情节是加刑情节；

如果满足

∂T/∂Di<=0

即量刑函数对于情节向量的第i维偏导恒小于等于0，则该维对应的情节是减刑情节。

其他情节表示不满足以上性质的情节。

例如对于盗窃罪，对判决有利的因素包括：退赃退赔、当庭自愿认罪、获得被害人谅解、未参与分赃、达成和解协议、自首、重大立功表现、如实供述自己的罪行等。让判决家中的因素包括：有前科、为吸毒、赌博而盗窃、采取破坏性手段、组织控制成年人盗窃、在医院盗窃病人或其亲友财务、一般累犯、盗窃弱势群体的财务、流窜作案。

步骤（2）：构造符合加减刑专家规则的单调性神经网络。

设计的神经网络结构如图1所示，由输出层输出一维向量量刑值t，整体分为三个子网络，第一个子网络是加刑情节的量刑网络输入向量为[x1,...xp]，该网络的神经元权重ω在训练调整时如下调整：

ω←max(0, ω+Δω)

减刑网络的输入向量为[xp+1,...,xq]，该网络的神经元权重ω更新函数为:

ω←min(0, ω+Δω)

Δω为优化算法给出的权重更新步长。

可以看出，加刑网络通过max函数保证了ω恒大于等于0，减刑网络通过min函数保证了ω恒小于等于0。

其他情节量刑网络的输入向量为[xq+1,...,xn]。该网络的神经元权重更新不做额外限制，最后一层使用tahn激活函数输出一维向量。

步骤（3）采用历史案例进行模型训练：

步骤（3.1）：历史裁判文书结构化和清洗

对历史已判决的裁判文书根据情节，每一篇解析表示情节的n维向量D和1维量刑值t。

令向量D的1~p维为加刑情节取值，对应输入加刑网络的x1到xp，另D的p+1~q维为减刑情节，对应输入加刑网络的xp+1到xq, D的q+1~n维为其他情节，对应输入到量刑网络的xq+1,...,xn。

量刑值t单位为月，t的实际取值范围为t>=0且t<=180。解析并过滤筛除量刑值不在范围内的文书。

步骤（3.2）：数据正则化

由于数值型情节例如盗窃金额，次数等可能数值较大，不利于网络训练，因此对于解析后的情节向量D进行最常见的z-score 标准化。对于刑期t，按照如下公式进行正则化：

t←t/180

使得量刑值t映射到0到1之间。

步骤（3.3）训练模型

将所有文书的训练集 (D,t) 输入网络进行训练，获得模型。

步骤（4）：使用模型进行量刑预测

对于未判决的案件，根据步骤3.1和步骤3.2解析案件为向量并对向量正则化，将得到的案件情节向量输入步骤3.3中获得的模型，获得一维向量t，则最终量刑值为180t个月。

相比传统机器学习算法，本发明不仅量刑预测可以符合加减刑专家规则，而且性能也得到提升。

下面是具体的实施例：

（1）量刑预测均方跟误差

对盗窃罪10000条案件数据集进行测试，使用5-折交叉验证，采用mae评价性能，每一折的mae如下：

折数	单调量刑网络	随机森林
			1	2.422	2.517
2	2.274	2.552
			3	2.370	2.709
4	2.500	2.723
			5	2.311	2.66
平均	2.376	2.633

可以看出，除了预期目标加减型规则，刑期预测的平均偏差也得到了显著降低。

（2）加减刑规则测试

在十个案由的案件中进行测试，依次测试模型对每个加刑情节和减刑情节规则的学习情况。对每个加刑情节的测试方法为：

筛选出不存在该加刑情节的案件，例如累犯，筛选出所有不存在累犯情节的案件，即该情节的取值等于0，首先输入模型进行一次预测得出量刑值t1，随后，将该情节的值修改为1，然后输入模型预测得出量刑预测值t2，如果t2>=t1，则认为预测的符合规则。减刑情节反之。

在10个案由的案件中进测试，与随机森林对比，两种算法符合规则的样本占比如下：

案由	单调量刑网络	随机森林
			盗窃罪	100%	76%
抢劫罪	100%	18%
			交通肇事	100%	65%
危险驾驶罪	100%	56%
			故意伤害罪	100%	43%

可见，由于数据稀疏性和数据量不足等原因，有些案由的量刑预测模型无法学习出加减刑规则，增加清洁后量刑趋势预测错误。而基于本发明神经网络结构的模型预测100%符合规则，是因为从网络结构上进行了修改，从理论上保证了加减刑规则的可学习性。

以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，其包括以下步骤：

步骤（1）：构建对加刑情节和减刑情节分类的刑事案件要素体，对于加刑情节、减刑情节、其他情节的案件要素进行分类，并对加刑情节、减刑情节、其他情节进行案件向量的表示和模型输入；

步骤（2）：构造符合加减刑专家规则的单调性神经网络，在构造神经网络时，通过修改训练过程的网络权重调整公式，约束网络权重恒正或横负，通过将加刑情节和减刑情节单独输入到不同权重约束的子网络，保证符合加减刑专家规则；

步骤（3）采用历史案例进行模型训练；

步骤（4）使用模型进行量刑预测；

其中，在所述步骤（3）中，包括

步骤3.1：历史裁判文书结构化和清洗；

步骤3.2：数据正则化；

步骤3.3 训练模型。

2.根据权利要求1所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在所述步骤（1）中，首先采用数值表示案件的情节要素，对于数值型情节，直接使用数值自身表示，其中，数值型情节至少包括数额和次数；

对于布尔型情节使用数值1表示存在，0表示不存在，其中布尔型情节至少包括是否自首、是否参与分赃；

对于任意一个刑事案由，用n维向量D来表示该案由的所有n个情节取值，用Di表示情节向量的第i维，设量刑值t=T(D)；

如果满足

∂T/∂Di>=0

即量刑函数对于情节向量的第i维偏导恒大于等于0，则该维对应的情节是加刑情节；

如果满足

∂T/∂Di<=0

即量刑函数对于情节向量的第i维偏导恒小于等于0，则该维对应的情节是减刑情节；

其他情节表示不满足以上性质的情节。

3.根据权利要求2所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在所述步骤（2）中，构造的神经网络，由输出层输出一维向量量刑值t，整体分为三个子网络，第一个子网络是加刑情节的量刑网络输入向量为[x1,...xp]，该网络的神经元权重ω在训练调整时如下调整：

ω←max(0, ω+Δω)

第二个子网络减刑网络的输入向量为[xp+1,...,xq]，该网络的神经元权重ω更新函数为：

ω←min(0, ω+Δω)

Δω为优化算法给出的权重更新步长；

加刑网络通过max函数保证了ω恒大于等于0，减刑网络通过min函数保证了ω恒小于等于0；

第三个自网络其他情节量刑网络的输入向量为[xq+1,...,xn]，该网络的神经元权重更新不做额外限制；三个子网络共同连接到输出层，使用tahn激活函数输出一维向量。

4.根据权利要求3所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在所述步骤3.1中，历史裁判文书结构化指的是对历史已判决的裁判文书根据情节，每一篇解析表示情节的n维向量D和1维量刑值t；

令向量D的1~p维为加刑情节取值，对应输入加刑网络的x1到xp，另D的p+1~q维为减刑情节，对应输入加刑网络的xp+1到xq, D的q+1~n维为其他情节，对应输入到量刑网络的xq+1,...,xn；

量刑值t单位为月，t的实际取值范围为t>=0且t<=180，解析并过滤筛除量刑值不在范围内的文书。

5.根据权利要求4所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，所述步骤3.2的数据正则化中，对于解析后的情节向量D进行的z-score 标准化，对于刑期t，按照如下公式进行正则化：

t←t/180

使得量刑值t映射到0到1之间。

6.根据权利要求5所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在步骤3.3 训练模型中，将所有文书的训练集 (D,t) 输入网络进行训练，获得模型。

7.根据权利要求6所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在所述（4）中，对于未判决的案件，根据步骤（3.1）和步骤（3.2）解析案件为向量并对向量正则化，将得到的案件情节向量输入步骤（3.3）中获得的模型，获得一维向量t，则最终量刑值为180t个月。