CN110717609A - 一种赔偿金的预测方法和装置 - Google Patents

Abstract

本发明公开了一种赔偿金的预测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取待预测案件的判决文件；根据训练好的预测模型对所述待预测案件进行预测，确定对所述待预测案件预测的赔偿金数值；其中，所述预测模型是基于随机森林训练得到的；用于训练所述预测模型的训练样本包括：历史案件的判决文件、每个历史案件中判决的赔偿金数值；所述案件属于肖像权判赔案件。该实施方式能够通过引入大数据机器学习建模的方法，根据训练好的预测模型对肖像权判赔案件进行预测，确定对该案件预测的赔偿金数值，克服了当前肖像权判赔案件中量化标准不统一，难以量化的问题；此外，本发明中的方法还能辅助法院对肖像权判赔案件进行裁决。

Description

一种赔偿金的预测方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种赔偿金的预测方法和装置。

背景技术

法院等政府机构，经常受理大量肖像权侵权案件。民事诉讼的法律条款中没有具体的量化规则作为量刑赔偿的参考依据，因此在审理明星肖像权侵权案时，通常由法官根据情节严重程度、侵权范围大小、社会影响程度、造成经济损失等要素来进行判决。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

1)法务工作人员通常需要查询大量的相似案例，且案例之间相似度不好界定，人工工作量较大。

2)在法官审理肖像权侵权案时，判决结果受法官主观影响较大，没有形成规范化标准化的判决依据。

发明内容

有鉴于此，本发明实施例提供一种赔偿金的预测方法和装置，能够通过引入大数据机器学习建模的方法，根据训练好的预测模型对肖像权判赔案件进行预测，确定对该案件预测的赔偿金数值，克服了当前肖像权判赔案件中量化标准不统一，难以量化的问题；此外，本发明中的方法还能辅助法院对肖像权判赔案件进行裁决。

为实现上述目的，根据本发明实施例的一个方面，提供了一种赔偿金的预测方法，包括：

获取待预测案件的判决文件；

根据训练好的预测模型对所述待预测案件进行预测，确定对所述待预测案件预测的赔偿金数值；

其中，所述预测模型是基于随机森林训练得到的；用于训练所述预测模型的训练样本包括：历史案件的判决文件、每个历史案件中判决的赔偿金数值；所述案件属于肖像权判赔案件。

可选地，还包括：

基于预设的特征维度，对所述历史案件的判决文件进行信息抽取，确定各个历史案件中每个特征维度的特征数值；

以各个历史案件中特征维度的特征数值作为模型输入、以各个历史案件中判决的赔偿金数值作为模型输出，基于随机森林训练得到所述预测模型；

所述预设的特征维度包括：原告影响力、原告肖像被使用程度、原告诉求的赔偿金数值。

可选地，按如下方法确定所述原告影响力的特征数值：

根据判决文件的文本信息确定原告姓名和原告身份；

根据所述原告姓名和原告身份判断所述原告是否存在于预设的人物数据库中；若存在，按照预设方式对该原告的影响力进行评估，确定所述原告影响力的特征数值；

若不存在，则将预设方式中的影响力下限阈值作为所述原告影响力的特征数值。

可选地，按如下方法确定所述原告肖像被使用程度的特征数值：

根据判决文件的文本信息确定原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用；

按照预设的权值设置方式，根据原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用进行加权计算，确定加权计算数值结果；以所述加权计算数值结果作为所述原告肖像被使用程度的特征数值。

可选地，按如下方法确定所述原告诉求的赔偿金数值的特征数值：

根据判决文件的文本信息确定原告诉求的原始赔偿金；

对所有历史案件中原告诉求的原始赔偿金进行离散化处理；以离散化处理后的数值结果作为所述原告诉求的赔偿金数值的特征数值。

根据本发明实施例的再一个方面，提供了一种赔偿金的预测装置，包括：

获取模块，用于获取待预测案件的判决文件；

预测模块，用于根据训练好的预测模型对所述待预测案件进行预测，确定对所述待预测案件预测的赔偿金数值；

其中，所述预测模型是基于随机森林训练得到的；用于训练所述预测模型的训练样本包括：历史案件的判决文件、每个历史案件中判决的赔偿金数值；所述案件属于肖像权判赔案件。

可选地，所述预测模块还用于：

基于预设的特征维度，对所述历史案件的判决文件进行信息抽取，确定各个历史案件中每个特征维度的特征数值；

以各个历史案件中特征维度的特征数值作为模型输入、以各个历史案件中判决的赔偿金数值作为模型输出，基于随机森林训练得到所述预测模型；

所述预设的特征维度包括：原告影响力、原告肖像被使用程度、原告诉求的赔偿金数值。

可选地，所述预测模块按如下方法确定所述原告影响力的特征数值：

根据判决文件的文本信息确定原告姓名和原告身份；

根据所述原告姓名和原告身份判断所述原告是否存在于预设的人物数据库中；若存在，按照预设方式对该原告的影响力进行评估，确定所述原告影响力的特征数值；

若不存在，则将预设方式中的影响力下限阈值作为所述原告影响力的特征数值。

可选地，所述预测模块按如下方法确定所述原告肖像被使用程度的特征数值：

根据判决文件的文本信息确定原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用；

按照预设的权值设置方式，根据原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用进行加权计算，确定加权计算数值结果；以所述加权计算数值结果作为所述原告肖像被使用程度的特征数值。

可选地，所述预测模块按如下方法确定所述原告诉求的赔偿金数值的特征数值：

根据判决文件的文本信息确定原告诉求的原始赔偿金；

对所有历史案件中原告诉求的原始赔偿金进行离散化处理；以离散化处理后的数值结果作为所述原告诉求的赔偿金数值的特征数值。

根据本发明实施例的另一个方面，提供了一种赔偿金的预测电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明提供的赔偿金的预测方法。

根据本发明实施例的还一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的赔偿金的预测方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用根据训练好的预测模型对肖像权判赔案件进行预测，确定对该案件预测的赔偿金数值的技术手段，所以克服了当前肖像权判赔案件中量化标准不统一，难以量化的技术问题，进而提供了规范化标准化的判决依据，还能够辅助法院对肖像权判赔案件进行裁决。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的一种赔偿金的预测方法的主要流程的示意图；

图2是根据本发明实施例的原告诉求的原始赔偿金的示意图；

图3是根据本发明实施例的将原告诉求的原始赔偿金离散化后的示意图；

图4是根据本发明实施例的一种赔偿金的预测系统的流程示意图；

图5是根据本发明实施例的一种赔偿金的预测系统的前端页面效果展示图，包括：图5(a)，图5(b)；

图6是根据本发明实施例的赔偿金的预测装置的主要模块的示意图；

图7是本发明实施例可以应用于其中的示例性系统架构图；

图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的一种赔偿金的预测方法的主要流程的示意图，如图1所示，包括：

步骤S101、获取待预测案件的判决文件；

步骤S102、根据训练好的预测模型对所述待预测案件进行预测，确定对所述待预测案件预测的赔偿金数值；

其中，所述预测模型是基于随机森林训练得到的；用于训练所述预测模型的训练样本包括：历史案件的判决文件、每个历史案件中判决的赔偿金数值；所述案件属于肖像权判赔案件。

所述待预测案件的判决文件，可以是法院发布的肖像权判赔案件的判决书。

所述历史案件的判决文件，可以从以往的肖像权判赔案件文献资料中搜寻得到的案件判决书；

历史案件中判决的赔偿金数值可以从这些案件判决书中查询获得。

本发明中根据训练好的预测模型来预测肖像权判赔案件的赔偿金，可以看作是回归问题，随机森林善于学习复杂且高度非线性的关系，可以具有很高的性能，适用于解决本发明中的回归问题。

本发明针对当前肖像权判赔案件中量化标准不统一，难以量化的问题，通过引入大数据机器学习建模的方法，根据训练好的预测模型对肖像权判赔案件进行预测，确定对该案件预测的赔偿金数值；本发明中的方法提供了规范化标准化的判决依据，还能够辅助法院对肖像权判赔案件进行裁决。

在一些实施例中，还包括：

基于预设的特征维度，对所述历史案件的判决文件进行信息抽取，确定各个历史案件中每个特征维度的特征数值；

以各个历史案件中特征维度的特征数值作为模型输入、以各个历史案件中判决的赔偿金数值作为模型输出，基于随机森林训练得到所述预测模型；

所述预设的特征维度包括：原告影响力、原告肖像被使用程度、原告诉求的赔偿金数值。

以原告影响力、原告肖像被使用程度和原告诉求的赔偿金数值作为预设的特征维度，是综合业务考量后较优的预设方法；

所述预设的特征维度也可以灵活定制。

在一些实施例中，按如下方法确定所述原告影响力的特征数值：

根据判决文件的文本信息确定原告姓名和原告身份；

根据所述原告姓名和原告身份判断所述原告是否存在于预设的人物数据库中；若存在，按照预设方式对该原告的影响力进行评估，确定所述原告影响力的特征数值；

若不存在，则将预设方式中的影响力下限阈值作为所述原告影响力的特征数值。

通过对以往判决书格式的统计，在法院发布的判决书中，通常以“原告”两个字开头且第一个逗号前为姓名出现的位置；可以依据该特性快速确定原告姓名；在确定原告姓名后，可以根据判决书中首次出现原告姓名的“原告基本信息”字段中查找有关原告身份的信息；例如，若有“曾主演”、“曾出演”等描述词汇，则可以认为原告身份为演员。

预设的人物数据库是可以调整设置的；

当根据原告的姓名和身份确认该原告在人物数据库中，则可以认为该原告是名人，可以进一步评估其影响力；

当确认原告不在人物数据库中，可以认为该原告是普通人，若影响力是由从1开始的正数来表示，则可以将其影响力设置为1。

在评估名人影响力时，可以基于如百度、谷歌、微博等搜索平台，利用爬虫技术对页面进行爬取，通过对爬取获得的数据进行统计分析来确定当前人物的互联网热度，以该互联网热度作为名人的影响力的特征数值。

在一些实施例中，按如下方法确定所述原告肖像被使用程度的特征数值：

根据判决文件的文本信息确定原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用；

按照预设的权值设置方式，根据原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用进行加权计算，确定加权计算数值结果；以所述加权计算数值结果作为所述原告肖像被使用程度的特征数值。

在法院发布的判决书中，可以在“事实依据”部分搜寻到关于肖像使用的信息；关于肖像使用的信息往往具有很强的特征性；

例如，判决书中出现的“网站”、“微博”、“微信公众号”等词语；由于这些词语能够与文章中其他信息形成明显的区别，故可以认为这些词语是原告肖像的使用场合；

又如，网址所表现出的特征有“Http://”，“www.”、“.com”，当判决书中的一个句子中同时出现“Http://”，“www.”、“.com”，则可以认为原告肖像的使用场合中有网站；

在确定原告肖像使用场合的段落中，可以进一步确定其肖像在各个场合中的使用数量；

通过在判决书中搜寻“已删除”、“未删除”等关键字，可以确定原告肖像是否已停止使用。

所述预设的权值设置方式是可以调整设置的，如可以设为：使用在第一场合的权值为1，使用在第二场合的权值为3，使用在第三场合的权值为4；

停止使用原告肖像的权值为1，未停止使用原告肖像的权值为2；

所述加权计算方式也是可以调整设置的，如可以设为：

sum(场合权值×在该场合的使用数量×是否停止使用权值)。

以下举例说明：

确认原告肖像在第一场合中的使用数量为2张且停止使用、在第二场合中的使用数量为1张且停止使用、在第三场合中的使用数量为3张且未停止使用，根据预设的加权计算方式可以得到计算式：

(1×2×1)+(3×1×1)+(4×3×2)＝29；

则在该例子中，可以以29作为原告肖像被使用程度的特征数值。

在一些实施例中，按如下方法确定所述原告诉求的赔偿金数值的特征数值：

根据判决文件的文本信息确定原告诉求的原始赔偿金；

对所有历史案件中原告诉求的原始赔偿金进行离散化处理；以离散化处理后的数值结果作为所述原告诉求的赔偿金数值的特征数值。

所述原告诉求的原始赔偿金可以是原告诉求的经济损失赔偿金和精神损失赔偿金的总和。

在法院发布的判决书中，在“原告诉求”段落中搜寻到句子里包含中文汉字“元”，则可以在“元”出现的段落中提取原告诉求的赔偿数值：采用后序遍历的方式，从后往前遍历；如果字符属于数字(0-9)、中文数字(零至九)、中文数字单位(十、百、千、万、亿)以及特定符号(“”、“,”)，则可以将这些字符转化为赔偿数值；

具体地，判决书中的赔偿金可以分成三种不同的格式：纯数字、纯中文以及数字中文混合，针对不同格式的金额，可以设计相应的规则逻辑进行转换：

1)纯数字转换逻辑：对于提取出来的数字数据(如50,000、50 000)，通过去除数字数据中的空格和符号，最终形成统一的数字格式。

2)纯中文转换逻辑：对于提取出来的纯中文数字数据(如十万、壹拾万)，采用中文和数字一一对应的逻辑进行处理，先提取其中的数字信息，转换成纯数字格式后，再匹配得到数量级信息，通过相应的加减乘除四则运算进行数字的聚合，形成最终的数字数据。

3)数字加中文的转换逻辑：对于提取出来的数字与中文混合数据(如10万、1千)，首先用正则对数字进行提取，然后匹配提取中文的表示数量级的词语，如十、百、千、万等关键词，通过乘法运算进行数字的聚合，形成最终的数字数据。

对于赔偿金类的特征，数值的分布较为分散，并且由于对赔偿金的判罚本身存在一定的主观性，故离散化处理能够降低部分误差，使特征值更加客观、更加接近真实情况；

以下举例说明离散化的作用：

图2是根据本发明实施例的原告诉求的原始赔偿金的示意图，如图2所示：横轴表示原告诉求的赔偿金总和数值(单位是元)、纵轴表示案件数量；可以观察到数据中大于80个样本的金额数量有6条，其他金额的数量都与之有一定差距，故考虑以80为阈值，除去0(没有赔偿数额的情况)，从前到后顺序将各个金额的样本数量累加，超过阈值80时即作为一个离散区间，由此可以得到如图3所示的离散化分布结果。

图3是根据本发明实施例的将原告诉求的原始赔偿金离散化后的示意图，如图3所示：横轴表示原告诉求的赔偿金总和数值(单位是元)、纵轴表示案件数量；可以观察得到，相对于初始数据，离散化后的特征分布更加均匀；关于离散化的方式，也可以作为一个反复调优的优化点进行研究；在实际训练测试中，可以发现对输入特征进行离散化处理将能够在一定程度上降低模型误差，发挥积极的作用。

图4是根据本发明实施例的一种赔偿金的预测系统的流程示意图；

在本发明的实现过程中，为适应业务方的需求，可以提供输入法院文书、直接输入特征这两种接口类型；通过构建小型的web服务，提供简单的用户界面，在用户提交文书之后，后台实现特征抽取和模型应用输出判赔的结果。

如图4所示，可以通过输入法院文书的接口，根据输入的法院文书进行特征抽取，得到特征数值后输入模型，进而输出预测结果；

也可以通过直接输入特征的接口，将输入的特征数值作为一组数据输入模型，进而输出预测结果。

图5是根据本发明实施例的一种赔偿金的预测系统的前端页面效果展示图；

在本发明的实现过程中，可以构建一个线上预测系统；

如图5(a)所示，用户可以通过友好的页面，将原告的基本信息、肖像使用情况和原告诉求金数值进行输入，包括：原告姓名、原告艺名、原告身份、使用场合、使用照片张数、使用出处数量、是否删除、原告经济赔偿索赔金额；其中用户输入原告姓名和原告身份之后，系统将显示库中已有的人物影响力的数值；系统在根据用户的输入进行对应的数值化处理后，将调用训练好的预测模型，通过模型的计算，将计算结果返回给前端页面供用户查看。

如图5(b)所示，也可以设置法官输入案件号、法官输入实际最终判决金额、判决说明和提议及意见反馈区域；当模型生成预测结果后，法官可进行一次案件号和最终判决金额的输入；案件号和最终判决金额将连同输入的特征传到到服务端进行存储，可以用于对模型的优化训练。

图6是根据本发明实施例的赔偿金的预测装置的主要模块的示意图，如图6所示，赔偿金的预测装置600包括：

获取模块601，用于获取待预测案件的判决文件；

预测模块602，用于根据训练好的预测模型对所述待预测案件进行预测，确定对所述待预测案件预测的赔偿金数值；

其中，所述预测模型是基于随机森林训练得到的；用于训练所述预测模型的训练样本包括：历史案件的判决文件、每个历史案件中判决的赔偿金数值；所述案件属于肖像权判赔案件。

所述待预测案件的判决文件，可以是法院发布的肖像权判赔案件的判决书。

所述历史案件的判决文件，可以从以往的肖像权判赔案件文献资料中搜寻得到的案件判决书；

历史案件中判决的赔偿金数值可以从这些案件判决书中查询获得。

本发明中根据训练好的预测模型来预测肖像权判赔案件的赔偿金，可以看作是回归问题，随机森林善于学习复杂且高度非线性的关系，可以具有很高的性能，适用于解决本发明中的回归问题。

本发明针对当前肖像权判赔案件中量化标准不统一，难以量化的问题，通过引入大数据机器学习建模的方法，根据训练好的预测模型对肖像权判赔案件进行预测，确定对该案件预测的赔偿金数值；本发明中的方法提供了规范化标准化的判决依据，还能够辅助法院对肖像权判赔案件进行裁决。

在一些实施例中，所述预测模块602还用于：

基于预设的特征维度，对所述历史案件的判决文件进行信息抽取，确定各个历史案件中每个特征维度的特征数值；

以各个历史案件中特征维度的特征数值作为模型输入、以各个历史案件中判决的赔偿金数值作为模型输出，基于随机森林训练得到所述预测模型；

所述预设的特征维度包括：原告影响力、原告肖像被使用程度、原告诉求的赔偿金数值。

以原告影响力、原告肖像被使用程度和原告诉求的赔偿金数值作为预设的特征维度，是综合业务考量后较优的预设方法；

所述预设的特征维度也可以灵活定制。

在一些实施例中，所述预测模块602按如下方法确定所述原告影响力的特征数值：

根据判决文件的文本信息确定原告姓名和原告身份；

根据所述原告姓名和原告身份判断所述原告是否存在于预设的人物数据库中；若存在，按照预设方式对该原告的影响力进行评估，确定所述原告影响力的特征数值；

若不存在，则将预设方式中的影响力下限阈值作为所述原告影响力的特征数值。

通过对以往判决书格式的统计，在法院发布的判决书中，通常以“原告”两个字开头且第一个逗号前为姓名出现的位置；可以依据该特性快速确定原告姓名；在确定原告姓名后，可以根据判决书中首次出现原告姓名的“原告基本信息”字段中查找有关原告身份的信息；例如，若有“曾主演”、“曾出演”等描述词汇，则可以认为原告身份为演员。

预设的人物数据库是可以调整设置的；

当根据原告的姓名和身份确认该原告在人物数据库中，则可以认为该原告是名人，可以进一步评估其影响力；

当确认原告不在人物数据库中，可以认为该原告是普通人，若影响力是由从1开始的正数来表示，则可以将其影响力设置为1。

在评估名人影响力时，可以基于如百度、谷歌、微博等搜索平台，利用爬虫技术对页面进行爬取，通过对爬取获得的数据进行统计分析来确定当前人物的互联网热度，以该互联网热度作为名人的影响力的特征数值。

在一些实施例中，所述预测模块602按如下方法确定所述原告肖像被使用程度的特征数值：

根据判决文件的文本信息确定原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用；

按照预设的权值设置方式，根据原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用进行加权计算，确定加权计算数值结果；以所述加权计算数值结果作为所述原告肖像被使用程度的特征数值。

在法院发布的判决书中，可以在“事实依据”部分搜寻到关于肖像使用的信息；关于肖像使用的信息往往具有很强的特征性；

例如，判决书中出现的“网站”、“微博”、“微信公众号”等词语；由于这些词语能够与文章中其他信息形成明显的区别，故可以认为这些词语是原告肖像的使用场合；

又如，网址所表现出的特征有“Http://”，“www.”、“.com”，当判决书中的一个句子中同时出现“Http://”，“www.”、“.com”，则可以认为原告肖像的使用场合中有网站；

在确定原告肖像使用场合的段落中，可以进一步确定其肖像在各个场合中的使用数量；

通过在判决书中搜寻“已删除”、“未删除”等关键字，可以确定原告肖像是否已停止使用。

所述预设的权值设置方式是可以调整设置的；所述加权计算方式也是可以调整设置的。

在一些实施例中，所述预测模块602按如下方法确定所述原告诉求的赔偿金数值的特征数值：

根据判决文件的文本信息确定原告诉求的原始赔偿金；

对所有历史案件中的原告诉求的赔偿金总和数值进行离散化处理；以离散化处理后的数值结果作为所述原告诉求的赔偿金数值的特征数值。

所述原告诉求的原始赔偿金可以是原告诉求的经济损失赔偿金和精神损失赔偿金的总和。

在法院发布的判决书中，在“原告诉求”段落中搜寻到句子里包含中文汉字“元”，则可以在“元”出现的段落中提取原告诉求的赔偿数值：采用后序遍历的方式，从后往前遍历；如果字符属于数字(0-9)、中文数字(零至九)、中文数字单位(十、百、千、万、亿)以及特定符号(“”、“,”)，则可以将这些字符转化为赔偿数值；

具体地，判决书中的赔偿金可以分成三种不同的格式：纯数字、纯中文以及数字中文混合，针对不同格式的金额，可以设计相应的规则逻辑进行转换：

1)纯数字转换逻辑：对于提取出来的数字数据(如50,000、50 000)，通过去除数字数据中的空格和符号，最终形成统一的数字格式。

2)纯中文转换逻辑：对于提取出来的纯中文数字数据(如十万、壹拾万)，采用中文和数字一一对应的逻辑进行处理，先提取其中的数字信息，转换成纯数字格式后，再匹配得到数量级信息，通过相应的加减乘除四则运算进行数字的聚合，形成最终的数字数据。

3)数字加中文的转换逻辑：对于提取出来的数字与中文混合数据(如10万、1千)，首先用正则对数字进行提取，然后匹配提取中文的表示数量级的词语，如十、百、千、万等关键词，通过乘法运算进行数字的聚合，形成最终的数字数据。

对于赔偿金类的特征，数值的分布较为分散，并且由于对赔偿金的判罚本身存在一定的主观性，故离散化处理能够降低部分误差，使特征值更加客观、更加接近真实情况。

图7示出了可以应用本发明实施例的赔偿金的预测方法或赔偿金的预测装置的示例性系统架构700。

如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的赔偿金的预测方法一般由服务器705执行，相应地，赔偿金的预测装置一般设置于服务器705中。

应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图8，其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块和预测模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤S101、获取待预测案件的判决文件；步骤S102、根据训练好的预测模型对所述待预测案件进行预测，确定对所述待预测案件预测的赔偿金数值；其中，所述预测模型是基于随机森林训练得到的；用于训练所述预测模型的训练样本包括：历史案件的判决文件、每个历史案件中判决的赔偿金数值；所述案件属于肖像权判赔案件。

根据本发明实施例的技术方案，采用根据训练好的预测模型对肖像权判赔案件进行预测，确定对该案件预测的赔偿金数值的技术手段，所以克服了当前肖像权判赔案件中量化标准不统一，难以量化的技术问题，进而提供了规范化标准化的判决依据，还能够辅助法院对肖像权判赔案件进行裁决。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (12)

1.一种赔偿金的预测方法，其特征在于，包括：

获取待预测案件的判决文件；

根据训练好的预测模型对所述待预测案件进行预测，确定对所述待预测案件预测的赔偿金数值；

其中，所述预测模型是基于随机森林训练得到的；用于训练所述预测模型的训练样本包括：历史案件的判决文件、每个历史案件中判决的赔偿金数值；所述案件属于肖像权判赔案件。

2.根据权利要求1所述的方法，其特征在于，还包括：

基于预设的特征维度，对所述历史案件的判决文件进行信息抽取，确定各个历史案件中每个特征维度的特征数值；

以各个历史案件中特征维度的特征数值作为模型输入、以各个历史案件中判决的赔偿金数值作为模型输出，基于随机森林训练得到所述预测模型；

所述预设的特征维度包括：原告影响力、原告肖像被使用程度、原告诉求的赔偿金数值。

3.根据权利要求2所述的方法，其特征在于，按如下方法确定所述原告影响力的特征数值：

根据判决文件的文本信息确定原告姓名和原告身份；

根据所述原告姓名和原告身份判断所述原告是否存在于预设的人物数据库中；若存在，按照预设方式对该原告的影响力进行评估，确定所述原告影响力的特征数值；

若不存在，则将预设方式中的影响力下限阈值作为所述原告影响力的特征数值。

4.根据权利要求2所述的方法，其特征在于，按如下方法确定所述原告肖像被使用程度的特征数值：

根据判决文件的文本信息确定原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用；

按照预设的权值设置方式，根据原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用进行加权计算，确定加权计算数值结果；以所述加权计算数值结果作为所述原告肖像被使用程度的特征数值。

5.根据权利要求2所述的方法，其特征在于，按如下方法确定所述原告诉求的赔偿金数值的特征数值：

根据判决文件的文本信息确定原告诉求的原始赔偿金；

对所有历史案件中原告诉求的原始赔偿金进行离散化处理；以离散化处理后的数值结果作为所述原告诉求的赔偿金数值的特征数值。

6.一种赔偿金的预测装置，其特征在于，包括：

获取模块，用于获取待预测案件的判决文件；

预测模块，用于根据训练好的预测模型对所述待预测案件进行预测，确定对所述待预测案件预测的赔偿金数值；

其中，所述预测模型是基于随机森林训练得到的；用于训练所述预测模型的训练样本包括：历史案件的判决文件、每个历史案件中判决的赔偿金数值；所述案件属于肖像权判赔案件。

7.根据权利要求6所述的装置，其特征在于，所述预测模块还用于：

基于预设的特征维度，对所述历史案件的判决文件进行信息抽取，确定各个历史案件中每个特征维度的特征数值；

以各个历史案件中特征维度的特征数值作为模型输入、以各个历史案件中判决的赔偿金数值作为模型输出，基于随机森林训练得到所述预测模型；

所述预设的特征维度包括：原告影响力、原告肖像被使用程度、原告诉求的赔偿金数值。

8.根据权利要求7所述的装置，其特征在于，所述预测模块按如下方法确定所述原告影响力的特征数值：

根据判决文件的文本信息确定原告姓名和原告身份；

根据所述原告姓名和原告身份判断所述原告是否存在于预设的人物数据库中；若存在，按照预设方式对该原告的影响力进行评估，确定所述原告影响力的特征数值；

若不存在，则将预设方式中的影响力下限阈值作为所述原告影响力的特征数值。

9.根据权利要求7所述的装置，其特征在于，所述预测模块按如下方法确定所述原告肖像被使用程度的特征数值：

根据判决文件的文本信息确定原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用；

按照预设的权值设置方式，根据原告肖像的使用场合、各个肖像在各个场合中的使用数量、原告肖像是否已停止使用进行加权计算，确定加权计算数值结果；以所述加权计算数值结果作为所述原告肖像被使用程度的特征数值。

10.根据权利要求7所述的方法，其特征在于，所述预测模块按如下方法确定所述原告诉求的赔偿金数值的特征数值：

根据判决文件的文本信息确定原告诉求的原始赔偿金；

对所有历史案件中原告诉求的原始赔偿金进行离散化处理；以离散化处理后的数值结果作为所述原告诉求的赔偿金数值的特征数值。

11.一种赔偿金的预测电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images