CN112116172A - 一种基于概率图模型的刑期预测方法 - Google Patents
一种基于概率图模型的刑期预测方法 Download PDFInfo
- Publication number
- CN112116172A CN112116172A CN202011054557.5A CN202011054557A CN112116172A CN 112116172 A CN112116172 A CN 112116172A CN 202011054557 A CN202011054557 A CN 202011054557A CN 112116172 A CN112116172 A CN 112116172A
- Authority
- CN
- China
- Prior art keywords
- criminal
- elements
- prediction method
- hidden
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 18
- 230000014509 gene expression Effects 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 239000004575 stone Substances 0.000 abstract description 3
- 208000014674 injury Diseases 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- KCBWAFJCKVKYHO-UHFFFAOYSA-N 6-(4-cyclopropyl-6-methoxypyrimidin-5-yl)-1-[[4-[1-propan-2-yl-4-(trifluoromethyl)imidazol-2-yl]phenyl]methyl]pyrazolo[3,4-d]pyrimidine Chemical compound C1(CC1)C1=NC=NC(=C1C1=NC=C2C(=N1)N(N=C2)CC1=CC=C(C=C1)C=1N(C=C(N=1)C(F)(F)F)C(C)C)OC KCBWAFJCKVKYHO-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于概率图模型的刑期预测方法,首先根据法学先验建立每个罪名下的要素表,通过正则表达式对案件文本匹配量刑要素,以要素为基石建立含有隐变量的概率图模型,采用线性变换确定隐节点取值,由极大似然准则估计刑期分布的参数,最后计算分布的概率极大值或数学期望得到刑期预测值,提高预测的刑事案件判决结果的可解释性和可靠性。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种基于概率图模型的刑期预测方法。
背景技术
随着量刑规范化改革的不断深入,刑事量刑逐渐趋向规范化和精细化,传统“估堆式”量刑的弊端得以进一步消解,极大地推动了刑事司法的公开、公正与高效,进一步维护了刑事司法的廉洁性。当下,人工智能技术在计算机视觉、自然语言处理等许多领域取得了令人瞩目的成就,法院信息化建设和计算法学等交叉学科的兴起为司法智能化的快速发展提供了新契机,同时也为量刑规范化开拓了新视野。利用人工智能技术辅助量刑,进一步解决“案多人少”和“类案不同判”等传统问题成为刑事司法领域的热点。
作为自然语言处理在法律领域的应用,判决预测的研究目前大多集中在深度学习模型,利用文本分类技术预测判决结果。然而,由于法官的自由裁量权,案件的宣告刑服从某种分布,如果将宣告刑作为监督学习的目标,会在神经网络中引入大量噪声和偏置。基于深度学习的端到端的方法在可解释性方面也有所不足,不利于在司法实践中的应用。此外,量刑指导意见等规范性文件为司法审判过程提供了大量的先验知识,而这些结构化的先验难以在神经网络中得到体现。
发明内容
本发明的目的在于提供一种基于概率图模型的刑期预测方法,提高预测的刑事案件判决结果的可解释性和可靠性。
为实现上述目的,本发明提供了一种基于概率图模型的刑期预测方法,包括以下步骤:
基于法学先验建立要素表,并通过正则表达式匹配对应量刑要素;
建立含有隐变量的概率图模型,并采用线性变换计算隐节点取值;
利用极大似然准则估计刑期分布参数,并根据计算出的分布参数值得到刑期预测值。
其中,基于法学先验建立要素表,并通过正则表达式匹配对应量刑要素,包括:
根据相关法条和规范性文件,建立含有法定要素和酌定要素的要素表,并根据判决书中是否出现设定的关键字样判断是否进行要素匹配,并划分所述要素表中的对应分量值。
其中,基于法学先验建立要素表,并通过正则表达式匹配对应量刑要素,还包括:
若所述判决书中出现设定的所述关键字样,则判断所述判决书中对应部分为事实部分;
若所述判决书中没有出现设定的所述关键字样,则对检察院指控部分进行要素匹配。
其中,建立含有隐变量的概率图模型,并采用线性变换计算隐节点取值,包括:
根据法学先验与条件独立性,以罪前、罪中、罪后作为分类依据,同时对相关要素进行分类并设置隐节点,得到一个含有隐节点的三层树结构概率图模型。
其中,建立含有隐变量的概率图模型,并采用线性变换计算隐节点取值,还包括:
获取所述要素表对应分量的权重,并将所述权重与对应分量乘积后求和,得到对应的隐节点的值。
其中,利用极大似然准则估计刑期分布参数,并根据计算出的分布参数值得到刑期预测值,包括:
利用极大似然函数对训练集中的多个样本进行计算,同时取对数并对极大似然函数求偏导,令偏导数为零求解方程,得到分布参数值。
本发明的一种基于概率图模型的刑期预测方法,首先根据法学先验建立每个罪名下的要素表,通过正则表达式对案件文本匹配量刑要素,以要素为基石建立含有隐变量的概率图模型,采用线性变换确定隐节点取值,由极大似然准则估计刑期分布的参数,最后计算分布的概率极大值或数学期望得到刑期预测值,提高预测的判决结果的可解释性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于概率图模型的刑期预测方法的步骤示意图。
图2是本发明的流程示意图。
图3是含有隐节点的树结构概率图模型示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1至图3,本发明提供一种基于概率图模型的刑期预测方法,包括以下步骤:
S101、基于法学先验建立要素表,并通过正则表达式匹配对应量刑要素。
具体的,量刑要素是对量刑起关键作用的事实因素,分为法定要素和酌定要素,能够调和法定刑与基准刑之间的矛盾,以基准刑为基础,综合考量量刑要素的制约,便可得出宣告刑,这是量刑要素在量刑规律中的功能所在。建立量刑要素表时,主要依赖与该罪名相关的法条和量刑指导意见等规范性文件,反映法官在审判时所关注的事实部分要点。而正则表达式提取量刑要素的部分主要为判决书中描述案件事实的部分,根据判决书中是否出现设定的关键字样判断是否进行要素匹配;其中,设定的所述关键字样可以为“经审理查明”或“本院认为”等字样,若所述判决书中出现设定的所述关键字样,则判断所述判决书中对应的该自然段为事实部分,若所述判决书中没有出现设定的所述关键字样,可对检察院指控部分进行要素匹配。
当所述量刑要素匹配完成后,根据所述要素表将对应的案件用多维向量表示,具体为:
对应的案件的要素表X为N维向量,若假设某罪名下的量刑要素数量为N:
若假设某罪名下的量刑要素数量为N,对应的案件X表示为N维向量:
X=[x1,x2,x3,...xN]∈R1×N
其中,每个分量xi代表此案例是否含有相应的要素,xj=1代表案例中含有此要素,xj=0代表不含此要素,即X的每个分量均为0/1变量。
S102、建立含有隐变量的概率图模型,并采用线性变换计算隐节点取值。
具体的,隐节点的设置主要根据法学先验与条件独立性。量刑活动是一个动态的过程,需要综合考量犯罪人在犯罪行为实施前、犯罪行为实施过程中及其犯罪后的一系列情节和因素,最终得出对犯罪人的宣告刑。基于量刑活动的基本规律和客观特征,以罪前、罪中、罪后作为分类依据,同时对相关要素进行分类,设置隐节点,最终得到一个含有隐节点的三层树结构概率图模型。
采用线性变换计算隐节点取值的具体方式为:
由X的某些分量经过线性组合确定性地得到Z的值。假设隐节点个数为M,对于Z的每一个分量zk(k=1,2,...,M),其对应着xj的某个下标集合,由Lzk表示。则每个zk可由如下公式计算:
其中,wj为xj的权重,一般取为整数值,可由法学专家或根据量刑指导意见确定其取值。
S103、利用极大似然准则估计刑期分布参数,并根据计算出的分布参数值得到刑期预测值。
具体的,使用极大似然准则确定条件概率表参数的具体过程为:假设训练集D有d个样本,刑期Y的取值为从1到m的整数值,给定Z的取值Z0,需要估计的参数为离散条件概率分布P(Y|Z0)的参数案例样本可视为d次独立实验,故有极大似然函数:
两边取对数并对θ求偏导有
对于需要预测的案件,由S101得到的对应的要素表,再由S102得到的对应的隐节点取值Zk,计算条件概率表中与Zk最接近的向量:
并由条件概率表中Z=Zmin的参数估计刑期。估计方式有两种,第一种为求解概率最大值:
第二种为求数学期望:
与现有技术相比,本发明的有益效果为:与现有的基于深度学习模型的刑期预测方法相比,本发明具有很好的可解释性与良好的预测效果,编码了法条及量刑指导意见等规范性文件提供的法学先验知识,能够较好地刻画案件的刑期分布;同时线性变换确定隐节点取值解决了概率图模型计算量指数增长的问题,使得本发明中的要素提取能够更精确地反映案件的事实部分,进一步增强了模型的可解释性;本发明有助于解决法律大数据应用中数据不平衡等问题,部分罪名可用于训练的判例较少,引入法学先验可提高预测精度;在小规模训练数据集上表现出色,本发明可应用于地方法院使用当地小规模数据进行训练等场景。
举例来说,对危险驾驶罪和故意伤害罪进行预测,建立如表1和表2所示要素表:
表1危险驾驶罪要素表及隐节点
表2故意伤害罪要素表及隐节点
在数据获取的过程中,我们考虑了地域对判决的影响。由于地域差异和民族差异,不同地方省级人民法院制定的量刑指导意见存有差异,案件的刑期分布也随之有所不同,为了验证模型在小样本上的有效性,危险驾驶罪分为两个不相交的数据集:危险驾驶罪数据集(共26960个案例)和危险驾驶罪小样本数据集(共4696个案例),分别划分训练集与测试集。
应用正则表达式提取要素的部分主要为判决书中描述案件事实的部分,当出现“经审理查明”或“本院认为”等字样时,认为该自然段为事实部分,若无类似的关键字样,可对检察院指控部分进行要素匹配。相比于民事案件,刑事案件判决文书中的表述更规范,从而可以用较为有限的正则表达式对量刑要素进行匹配。正则表达式是对字符操作的一种逻辑公式,即用事先定义好的某些特定字符或特定字符的组合,组成一个“规则字符串”,用来表达对字符的一种过滤逻辑。以量刑要素“坦白”为例,其对应的正则表达式为“(有|系|属|是|构成)坦白”,当判决文书中出现“具有坦白/系坦白/属坦白”等描述时,即可匹配案例中含有量刑要素“坦白”。
假设某罪名下的量刑要素数量为N,则经过要素提取后的案例可用N维的向量表示:
X=[x1,x2,x3,...xN]∈R1×N
其中,每个分量xi代表此案例是否含有相应的要素,xj=1代表案例中含有此要素,xj=0代表不含此要素,即X的每个分量均为0/1变量。
根据要素具体含义和条件独立性,建立含有隐节点的树结构概率图模型。建立概率图模型最简单的方式是密集连接,即将所有量刑要素假设为独立的,并直接与刑期相连接,但这种做法会使得模型参数量指数级上升,以危险驾驶罪143个量刑要素为例,参数总数为2143×6。毫无疑问这是不现实的,所以我们要先根据要素出现的频率及其相关性分类,增加模型的深度以减少参数量。
量刑活动是一个动态的过程,需要综合考量犯罪人在犯罪行为实施前、犯罪行为实施过程中及其犯罪后的一系列情节和因素,最终得出对犯罪人的宣告刑。基于量刑活动的基本规律和客观特征,我们以罪前、罪中、罪后作为分类依据对相关要素进行分类,设置隐节点,最终得到一个含有隐节点的三层树结构概率图模型。如图2所示,输入判决文书,利用要素提取器中的正则表达式进行正则提取,然后进行要素表示,经过隐节点,输出预测刑期,其中部分隐节点在表1和表2中给出。
根据法学先验,使用线性关系确定隐节点Z的取值。由X的某些分量经过线性组合确定性地得到Z的值。假设隐节点个数为M,对于Z的每一个分量zk(k=1,2,...,M),其对应着xj的某个下标集合,由Lzk表示。则每个zk可由如下公式计算:
其中,wj为xj的权重,一般取为整数值,可由法学专家或根据量刑指导意见确定其取值。对于同一隐节点下互斥的量刑要素,可以从1开始取整数值作为权重,在表达能力不变的情况下减少参数,例如危险驾驶罪中“饮酒驾驶(20-80mg/100ml)”、“醉酒驾驶(80-200mg/100ml)”和“醉酒驾驶(200mg/100ml以上)”三个要素的权重可分别设置为3,2和1;对于其他要素,可根据法学含义设置权重,以反映其对判决结果的影响,例如故意伤害罪中“致人重伤”、“致人轻伤”、“致人轻微伤”的权重分别设置为3,2和1,以反映致害结果。
含有隐节点的概率图模型的推断与参数估计一直以来都是概率图模型中较难处理的部分,特别是像本发明中参数量非常大的密集连接结构。EM算法与采样是解决数据缺失或含隐变量参数估计的方法,但会大大增加计算复杂度(通常随着要素和隐节点个数增加指数增长),且EM算法初值的选取会影响模型最终的收敛结果。线性变换确定隐节点取值解决了概率图模型计算量指数增长的问题。
假设训练集D有d个样本,我们使用极大似然原则对参数进行估计。刑期
两边取对数并对θ求偏导有
对于需要预测的案件,由S101得到的对应的要素表,再由S102得到的对应的隐节点取值Zk,计算条件概率表中与Zk最接近的向量:
并由条件概率表中Z=Zmin的参数估计刑期。估计方式有两种,第一种为求解概率最大值:
第二种为求数学期望:
危险驾驶罪的法定刑期范围为1-6个月,相对比较集中,而故意伤害罪的刑期分布从几个月到几十个月,甚至死刑,刑期的分布范围较广。但在某一区间中法官的量刑有所偏好,例如10到14个月的区间中,刑期为12个月的案件数量占了绝大部分。所以根据峰值划分不同的区间,再将区间编号作为离散的随机变量,共有24个区间。预测刑期时,首先预测刑期所在的区间,然后取区间峰值对应的刑期作为预测值。
为验证本发明的有效性,选取四个标准作为评价指标,分别为精确匹配(EM)、相对误差不超过10%(Acc@0.1)、相对误差不超过20%(Acc@0.2)和法研杯刑期预测得分(S)。其中精确匹配为预测值与真实值(宣判刑)完全一致,相对误差不超过P的定义为:
S值计算方式为:
若v≤0.2,则S=1;若0.2<v≤0.4,则S=0.8;……以此类推。在测试集上对每个案例的S值取平均即得到测试集的S值。
实验结果如表3所示。基于概率图模型的刑期预测方法在实验结果上表现出色。同时,实验结果也体现了本发明在小样本数据集上的有效性。
表3测试实验结果
罪名 | EM | Acc@0.1 | Acc@0.2 | S |
故意伤害罪 | 27.23 | 28.47 | 39.92 | 66.55 |
危险驾驶罪 | 40.85 | 40.85 | 41.18 | 80.74 |
危险驾驶罪(小样本) | 40.52 | 40.52 | 40.80 | 80.26 |
本发明的一种基于概率图模型的刑期预测方法,首先根据法学先验建立每个罪名下的要素表,通过正则表达式对案件文本匹配量刑要素,以要素为基石建立含有隐变量的概率图模型,采用线性变换确定隐节点取值,由极大似然准则估计刑期分布的参数,最后计算分布的概率极大值或数学期望得到刑期预测值,提高预测的判决结果的可解释性和可靠性。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (6)
1.一种基于概率图模型的刑期预测方法,其特征在于,包括以下步骤:
基于法学先验建立要素表,并通过正则表达式匹配对应量刑要素;
建立含有隐变量的概率图模型,并采用线性变换计算隐节点取值;
利用极大似然准则估计刑期分布参数,并根据计算出的分布参数值得到刑期预测值。
2.如权利要求1所述的基于概率图模型的刑期预测方法,其特征在于,基于法学先验建立要素表,并通过正则表达式匹配对应量刑要素,包括:
根据相关法条和规范性文件,建立含有法定要素和酌定要素的要素表,并根据判决书中是否出现设定的关键字样判断是否进行要素匹配,并划分所述要素表中的对应分量值。
3.如权利要求2所述的基于概率图模型的刑期预测方法,其特征在于,基于法学先验建立要素表,并通过正则表达式匹配对应量刑要素,还包括:
若所述判决书中出现设定的所述关键字样,则判断所述判决书中对应部分为事实部分;
若所述判决书中没有出现设定的所述关键字样,则对检察院指控部分进行要素匹配。
4.如权利要求3所述的基于概率图模型的刑期预测方法,其特征在于,建立含有隐变量的概率图模型,并采用线性变换计算隐节点取值,包括:
根据法学先验与条件独立性,以罪前、罪中、罪后作为分类依据,同时对相关要素进行分类并设置隐节点,得到一个含有隐节点的三层树结构概率图模型。
5.如权利要求4所述的基于概率图模型的刑期预测方法,其特征在于,建立含有隐变量的概率图模型,并采用线性变换计算隐节点取值,还包括:
获取所述要素表对应分量的权重,并将所述权重与对应分量乘积后求和,得到对应的隐节点的值。
6.如权利要求5所述的基于概率图模型的刑期预测方法,其特征在于,利用极大似然准则估计刑期分布参数,并根据计算出的分布参数值得到刑期预测值,包括:
利用极大似然函数对训练集中的多个样本进行计算,同时取对数并对所述极大似然函数求偏导,令偏导数为零求解方程,得到分布参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011054557.5A CN112116172A (zh) | 2020-09-30 | 2020-09-30 | 一种基于概率图模型的刑期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011054557.5A CN112116172A (zh) | 2020-09-30 | 2020-09-30 | 一种基于概率图模型的刑期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116172A true CN112116172A (zh) | 2020-12-22 |
Family
ID=73798061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011054557.5A Pending CN112116172A (zh) | 2020-09-30 | 2020-09-30 | 一种基于概率图模型的刑期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116172A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487453A (zh) * | 2021-06-07 | 2021-10-08 | 山东大学 | 基于犯罪要素的法律判决预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130151441A1 (en) * | 2011-12-13 | 2013-06-13 | Xerox Corporation | Multi-task learning using bayesian model with enforced sparsity and leveraging of task correlations |
US20140343903A1 (en) * | 2013-05-20 | 2014-11-20 | Nec Corporation | Factorial hidden markov models estimation device, method, and program |
CN108133436A (zh) * | 2017-11-23 | 2018-06-08 | 科大讯飞股份有限公司 | 自动判案方法及系统 |
CN109241285A (zh) * | 2018-08-29 | 2019-01-18 | 东南大学 | 一种基于机器学习的辅助司法案件判决的装置 |
CN110287292A (zh) * | 2019-07-04 | 2019-09-27 | 科大讯飞股份有限公司 | 一种裁判量刑偏离度预测方法及装置 |
CN110502756A (zh) * | 2019-08-28 | 2019-11-26 | 浪潮软件集团有限公司 | 一种基于决策树模型以及bp神经网络实现精准量刑的方法 |
CN110609821A (zh) * | 2018-05-29 | 2019-12-24 | 南京大学 | 一种用于刑罚推断的主题模型ptm |
CN110751316A (zh) * | 2019-09-26 | 2020-02-04 | 平安科技(深圳)有限公司 | 一种裁决结果预测方法、装置及终端设备 |
-
2020
- 2020-09-30 CN CN202011054557.5A patent/CN112116172A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130151441A1 (en) * | 2011-12-13 | 2013-06-13 | Xerox Corporation | Multi-task learning using bayesian model with enforced sparsity and leveraging of task correlations |
US20140343903A1 (en) * | 2013-05-20 | 2014-11-20 | Nec Corporation | Factorial hidden markov models estimation device, method, and program |
CN108133436A (zh) * | 2017-11-23 | 2018-06-08 | 科大讯飞股份有限公司 | 自动判案方法及系统 |
CN110609821A (zh) * | 2018-05-29 | 2019-12-24 | 南京大学 | 一种用于刑罚推断的主题模型ptm |
CN109241285A (zh) * | 2018-08-29 | 2019-01-18 | 东南大学 | 一种基于机器学习的辅助司法案件判决的装置 |
CN110287292A (zh) * | 2019-07-04 | 2019-09-27 | 科大讯飞股份有限公司 | 一种裁判量刑偏离度预测方法及装置 |
CN110502756A (zh) * | 2019-08-28 | 2019-11-26 | 浪潮软件集团有限公司 | 一种基于决策树模型以及bp神经网络实现精准量刑的方法 |
CN110751316A (zh) * | 2019-09-26 | 2020-02-04 | 平安科技(深圳)有限公司 | 一种裁决结果预测方法、装置及终端设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487453A (zh) * | 2021-06-07 | 2021-10-08 | 山东大学 | 基于犯罪要素的法律判决预测方法及系统 |
CN113487453B (zh) * | 2021-06-07 | 2023-12-05 | 山东大学 | 基于犯罪要素的法律判决预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
Dereli et al. | Industrial applications of type-2 fuzzy sets and systems: A concise review | |
CN108132927B (zh) | 一种融合图结构与节点关联的关键词提取方法 | |
Bello et al. | Two-step particle swarm optimization to solve the feature selection problem | |
CN110889282B (zh) | 一种基于深度学习的文本情感分析方法 | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和系统 | |
CN101196905A (zh) | 一种智能图形检索方法 | |
CN113254782B (zh) | 问答社区专家推荐方法及系统 | |
CN112148868A (zh) | 一种基于法条共现的法条推荐方法 | |
CN107301426B (zh) | 一种鞋底花纹图像的多标签聚类方法 | |
CN112116172A (zh) | 一种基于概率图模型的刑期预测方法 | |
CN112598405B (zh) | 一种基于大数据的商业项目数据管理方法及系统 | |
CN114386453A (zh) | 一种三相异步电机故障诊断方法及计算机可读介质 | |
CN112307914B (zh) | 一种基于文本信息指导的开放域图像内容识别方法 | |
CN117112784B (zh) | 一种文献识别与技术路径演化的实现方法 | |
CN112163707B (zh) | 一种基于贝叶斯网络的刑期预测方法 | |
CN111339783B (zh) | 一种基于rntm的话题挖掘方法与装置 | |
KR100727555B1 (ko) | 시간 가중치 엔트로피를 이용한 결정 트리 생성 방법 및이를 기록한 기록매체 | |
Winarti et al. | Data Mining Modeling Feasibility Patterns of Graduates Ability With Stakeholder Needs Using Apriori Algorithm | |
KR102157007B1 (ko) | 객체 인식을 위한 자가 학습 장치 및 방법 | |
Siregar et al. | Implementation Of The Data Mining Cart Algorithm In The Characteristic Pattern Of New Student Admissions | |
Jabar et al. | Combining fuzzy rough set with salient features for HRM classification | |
CN113837360B (zh) | 一种基于关系图的dnn鲁棒模型加固方法 | |
CN116680435B (zh) | 一种基于多层特征提取的相似图像检索匹配方法 | |
KR20070059015A (ko) | 시간 가중치 엔트로피를 이용한 결정 트리 생성 방법 및이를 기록한 기록매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |