CN112232576A - 判决预测方法、装置、电子设备及可读存储介质 - Google Patents
判决预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112232576A CN112232576A CN202011140050.1A CN202011140050A CN112232576A CN 112232576 A CN112232576 A CN 112232576A CN 202011140050 A CN202011140050 A CN 202011140050A CN 112232576 A CN112232576 A CN 112232576A
- Authority
- CN
- China
- Prior art keywords
- criminal
- name
- case
- matrix
- predicted
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 101
- 238000007906 compression Methods 0.000 claims description 36
- 230000006835 compression Effects 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012886 linear function Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 30
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 238000011840 criminal investigation Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical class CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003245 working 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
- G06N20/00—Machine learning
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种判决预测方法、装置、电子设备及可读存储介质,涉及数据分析技术领域。首先根据待预测案件的案件事实描述信息,获得待预测案件的候选罪名。然后,将案件事实描述信息及候选罪名进行融合,获得特征交叉信息,并从特征交叉信息中获得刑期特征及罪名特征,迭代预设次数获得目标刑期特征及目标罪名特征。最后,根据目标刑期特征和/或目标罪名特征及预先训练好的刑期罪名预测模型,获得待预测案件的判决预测结果,刑期罪名预测模型由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到。由此,在考虑刑期与罪名维度的信息之间的关联的情况下进行判决预测,可获得准确性高的判决预测结果。
Description
技术领域
本申请涉及数据分析技术领域,具体而言,涉及一种判决预测方法、装置、电子设备及可读存储介质。
背景技术
随着社会的发展,司法案件数量呈逐年上升的趋势。在司法领域,案件主要分为刑事案件、民事案件和行政案件三类。其中,刑事案件由于量大、复杂、类多等因素导致案件审判过程中需要消耗较多的人力物力。为了减少人力物力的消耗,目前会先对案件进行判决预测(比如,预测罪名),以获得判决预测结果,进而可以将判决预测结果提供给工作人员用于参考,从而提高工作人员的工作效果。但是,目前的判决预测的准确性不高,因此,提供一种准确性高的判决预测方法是本领域技术人员亟需解决的技术问题。
发明内容
本申请提供了一种判决预测方法、装置、电子设备及可读存储介质,其能够获得准确性高的判决预测结果。
本申请的实施例可以这样实现:
第一方面,本申请实施例提供一种判决预测方法,包括:
根据待预测案件的案件事实描述信息,获得所述待预测案件的候选罪名;
将所述案件事实描述信息及所述候选罪名进行融合,获得特征交叉信息,并从特征交叉信息中获得刑期特征及罪名特征,迭代预设次数,并将最后获得的刑期特征及罪名特征分别作为目标刑期特征及目标罪名特征;
根据所述目标刑期特征和/或所述目标罪名特征及预先训练好的刑期罪名预测模型,获得所述待预测案件的判决预测结果,其中,所述刑期罪名预测模型由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到,所述案件样本中包括样本案件事实描述信息、被指控罪名及被判定刑期,所述判决预测结果包括刑期预测值和/或预测罪名。
第二方面,本申请实施例提供一种判决预测装置,包括:
候选罪名确定模块,用于根据待预测案件的案件事实描述信息,获得所述待预测案件的候选罪名;
交叉压缩模块,用于将所述案件事实描述信息及所述候选罪名进行融合,获得特征交叉信息,并从特征交叉信息中获得刑期特征及罪名特征,迭代预设次数,并将最后获得的刑期特征及罪名特征分别作为目标刑期特征及目标罪名特征;
预测模块,用于根据所述目标刑期特征和/或所述目标罪名特征及预先训练好的刑期罪名预测模型,获得所述待预测案件的判决预测结果,其中,所述刑期罪名预测模型由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到,所述案件样本中包括样本案件事实描述信息、被指控罪名及被判定刑期,所述判决预测结果包括刑期预测值和/或预测罪名。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现前述实施方式中任意一项所述的判决预测方法。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中任意一项所述的判决预测方法。
本申请实施例提供的判决预测方法、装置、电子设备及可读存储介质,首先根据待预测案件的案件事实描述信息,确定该待预测案件的候选罪名。接着,将案件事实描述信息与确定的候选罪名进行融合以得到特征交叉信息,并从特征交叉信息获得刑期特征及罪名特征,按照该方式迭代预设次数,将最后获得的刑期特征及目标罪名特征分别作为目标刑期特征及目标罪名特征。最后,根据该目标刑期特征和/或目标罪名特征,获得该待预测案件的判决预测结果。其中,上述刑期罪名预测模型是由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到,案件样本中包括样本案件事实描述信息、被指控罪名及被判定刑期。上述判决预测结果包括刑期预测值和/或预测罪名。由此,相较于忽略刑期与罪名之间的潜在关联关系的判决预测方式,本申请根据刑期与罪名之间的潜在关联关系,准确确定出用于刑期预测的目标刑期特征以及用于罪名预测的目标罪名特征,进而基于目标刑期特征和/或目标罪名特征对判决进行预测,获得准确性高的判决预测结果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本申请实施例提供的电子设备的方框示意图;
图2是本申请实施例提供的判决预测方法的流程示意图之一;
图3是图2中步骤S110包括的子步骤的流程示意图;
图4是本申请实施例提供的通过迭代获得目标刑期特征及目标罪名特征的示意图;
图5是图2中步骤S120包括的子步骤的流程示意图;
图6是本申请实施例提供的获得刑期特征及罪名特征的示意图;
图7是本申请实施例提供的一种预测模型的结构示意图;
图8是本申请实施例提供的判决预测装置的方框示意图之一;
图9是本申请实施例提供的判决预测装置的方框示意图之二。
图标:100-电子设备;110-存储器;120-处理器;130-通信单元;200-判决预测装置;201-训练模块;210-候选罪名确定模块;220-交叉压缩模块;230-预测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
目前针对刑事案件,一般会预测判决结果,预测的判决结果用于辅助量刑。预测的判决结果包括预测的刑期或者预测的罪名。预测当前辅助量刑的技术只要有:基于案件要素的刑事案件辅助量刑方法、基于文本信息的刑事案件辅助量刑方法。下面对上述两种方法进行解释说明。
在基于案件要素的刑事案件辅助量刑方法,需要大量的专家知识作为要素提取和案件判决的支撑。具体地,先使专家利用专家知识确定案件量刑所需的要素。比如,针对一般刑事案件,需从被告人基本信息和案件事实描述两方面提取信息,就盗窃罪而言,被告人基本信息中所包含的案件要素包括有被告人是否未成年、是否有精神疾病、是否有犯罪记录等,案件事实描述中所包含的案件要素有盗窃金额、是否入室、是否持凶器等。然后根据确定的要素提取需要的信息,进而基于提取的信息进行辅助量刑。
基于案件要素的刑事案件辅助量刑方法,对专家知识的要求较高;人工参与较多,需要消耗大量的人力,并且准确性无法完全保证;预测的准确度与专利知识息息相关,若案件中需要被提取的信息未被专家利用专家知识提取出来,则会使得案件的预判结果的准确度大打折扣。
而基于文本信息的刑事案件辅助量刑方法,目前一般是单一使用神经网络对案件文本信息进行刑期预测,没有充分的考虑到罪名与刑期之间的关联性,从而导致预测结果的准确性不佳。
为了提高预测结果的准确性,本申请实施例提供了一种判决预测方法、装置、电子设备及可读存储介质,在考虑刑期与罪名之间的潜在关联关系的情况下,准确确定出用于刑期预测的目标刑期特征以及用于罪名预测的目标罪名特征,进而基于目标刑期特征和/或目标罪名特征对判决进行预测,获得准确性高的判决预测结果。
下面结合附图,对本申请的一些实施方式作详细说明。
请参照图1,图1是本申请实施例提供的电子设备100的方框示意图。所述电子设备100可以是,但不限于,服务器、电脑等。所述电子设备100可以包括存储器110、处理器120及通信单元130。所述存储器110、处理器120以及通信单元130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。所述存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。比如,存储器110中存储有判决预测装置200,所述判决预测装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器120通过运行存储在存储器110内的软件程序以及模块,如本申请实施例中的判决预测装置200,从而执行各种功能应用以及数据处理,即实现本申请实施例中的判决预测方法。
通信单元130用于通过网络建立所述电子设备100与其他通信终端之间的通信连接,并用于通过所述网络收发数据。比如,所述电子设备100通过所述通信单元130从其他设备处获得待预测案件的案件事实描述信息,并将基于案件事实描述信息最终获得的判决预测结果发送该其他设备。
应当理解的是,图1所示的结构仅为电子设备100的结构示意图,所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2,图2是本申请实施例提供的判决预测方法的流程示意图之一。该判决预测方法可应用于上述电子设备100。下面判决预测方法的具体流程进行详细阐述。
步骤S110,根据待预测案件的案件事实描述信息,获得所述待预测案件的候选罪名。
在本实施例中,可将即将预测的某个案件作为待预测案件。可选地,即将预测的某个案件可以是按照特定顺序确定的,比如,有三个按照顺序排列的案件1、2、3,其中,案件1已被预测过,案件2未被预测,那么,案件2则可以作为接下来的待预测案件;或者,是由用户的指定操作所确定的,比如,用户对客户端进行操作,在接收到用户操作后,将用户操作所对应的案件作为待预测案件。当然可以理解的是,上述仅为举例说明,也可以通过其他方式确定待预测案件。
在确定待预测案件后,可对该待预测案件的案件事实描述信息进行分析,从而确定该待预测案件的候选罪名。其中,案件事实描述信息,表示对案件的真实情况的描述。所述案件事实描述信息可以为待预测案件的案件事实描述文本。
可选地,在本实施例的一种实施方式中,通过如下方式快速确定所述候选罪名。请参照图3,图3是图2中步骤S110包括的子步骤的流程示意图。步骤S110可以包括子步骤S111及子步骤S112。
子步骤S111,通过训练好的罪名分类模型,根据所述案件事实描述信息,获得所述待预测案件具有各待选罪名的第三概率。
子步骤S112,根据所述待预测案件具有各待选罪名的第三概率,从所有待选罪名中确定出多个罪名作为所述候选罪名。
在本实施方式中,可以将罪名数据库中的所有罪名作为待选罪名。其中,所述罪名数据库中的罪名可以是刑法中定义的罪名。将所述待预测案件的案件事实描述信息输入到预先训练好的罪名分类模型中,从而得到该待预测案件具有各待选罪名的第三概率。接着,可基于该待选罪名的第三概率确定出所述候选罪名。其中,所述候选罪名可以为一个,也可以为多个。
当所述候选罪名仅为一个时,可直接将最大的第三概率对应的待选罪名作为所述候选罪名。
刑事案件中至少一部分案件会涉及多个罪名,若仅提取一个罪名作为候选罪名,可能会导致后续的特征提取效果不佳,进而影响最终判决预测结果的准确性。为保证准确性,在本实施方式中,所述候选罪名为多个。
可选地,可以预先设置第二预设概率,将各待选罪名的第三概率分别与所述第二预设概率进行比较,并将第三概率大于所述第二预设概率的待选罪名作为所述候选罪名。还可以将各待选罪名的第三概率按照从大到小的顺序进行排序,然后从排序结果中按照从大到小的方式,选择出预设数量个待选罪名作为所述候选罪名。比如,按照概率由大到小的方式,选出5个待选罪名作为所述候选罪名。
下面对确定候选罪名的方式进行举例说明。
比如,所述罪名数据库中包括罪名1、罪名2及罪名3,通过所述罪名分类模型,可确定所述待预测案件具有罪名1的概率为A1、具有罪名2的概率为A2以及具有罪名3的为概率A3。
若所述候选罪名为一个,且A1<A2<A3,则可以确定罪名3为所述待预测案件的候选罪名。
若所述候选罪名为多个,且A1、A2、A3均大于所述第二预设概率,则罪名1、罪名2及罪名3均为所述候选罪名,所述候选罪名为3个。
若所述候选罪名的数量为预设数量,比如,2个,且A1<A2<A3,则按照概率由大到小的方式,确定出罪名3及罪名2为所述候选罪名。
其中,所述罪名分类模型可以通过如下方式训练得到:根据预先获得的分类样本,对未训练好的罪名分类模型进行训练,直到得到训练好的所述罪名分类模型。其中,每个分类样本中可以包括分类样本案件描述信息及罪名,若分类样本为裁决文书,则该罪名可以为被指控罪名;若分类样本不是裁决文书,该罪名可以为预先通过其他方式确定出来的罪名。在训练过程,可以根据正在训练的罪名分类模型的输出结果以及当前使用的分类样本对应的罪名,对训练的罪名分类模型中的参数进行调整,以便最终得到训练好的罪名分类模型。
可选地,所述罪名分类模型可以是由所述电子设备100训练得到的;也可以是其他设备训练得到,并发送给所述电子设备100的。所述罪名分类模型可以是,但不限于,SVM(Support Vector Machines,支持向量机)。
可选地,在确定所述候选罪名前,可基于预先建立的词向量模型,获得所述案件事实描述信息中每个词对应的词向量。然后,将该待预测案件对应的所有词向量输入到所述罪名分类模型中,以确定所述候选罪名。
其中,所述词向量模型可由所述电子设备100训练得到,也可以由其他设备训练得到。在训练时,可以先获得一个关于案件的数据集,然后对数据集中的每个样本进行分词处理。具体的分词手段可根据实际需求确定,比如,采用jieba分词进行分词处理。为保证分词结果的准确性,还可以引入司法领域的专业词库。接着,可基于分词结果训练得到所述词向量模型。其中,所述词向量模型可以是,但不限于,word2vec模型。
步骤S120,将所述案件事实描述信息及所述候选罪名进行融合,获得特征交叉信息,并从特征交叉信息中获得刑期特征及罪名特征,迭代预设次数,并将最后获得的刑期特征及罪名特征分别作为目标刑期特征及目标罪名特征。
在本实施例中,将所述案件事实描述信息及所述候选罪名进行融合,并将得到的融合结果作为所述特征交叉信息。所述特征交叉信息中既包括用于预测罪名方面的特征,也包括用于预测刑期方面的特征。在得到所述特征交叉信息的情况下,从该特征交叉信息中获得刑期方面的特征作为刑期特征,从该特征交叉信息中获得罪名方面的特征作为罪名特征。
迭代的预设次数可以根据实际需求确定。若所述预设次数为0,则可以将从首次得到的特征交叉信息中获得的刑期特征作为所述目标刑期特征,将从首次得到的特征交叉信息中获得的罪名特征作为所述目标罪名特征。
若所述预设次数大于0,在完成一次融合及提取后,可将获得的刑期特征及罪名特征进行融合,并将融合结果作为新的特征交叉信息,然后从新的特征交叉信息中再一次获得刑期特征及罪名特征;重复以上过程,直到迭代次数为所述预设次数。在迭代所述预设次数后,将最后得到的刑期特征作为所述目标刑期特征,并将最后得到的罪名特征作为所述目标罪名特征。由此,可通过交叉压缩处理,得到所述所述目标刑期特征及目标罪名特征。
在迭代的预设次数大于0时,请参照图4,图4是本申请实施例提供的通过迭代获得目标刑期特征及目标罪名特征的示意图。下面结合图4,对如何获得目标刑期特征及目标罪名特征进行举例说明。图4中的C表示交叉压缩单元,每个交叉压缩单元中的具体参数值可能相同,也可能不同,由实际情况确定。
将案件事实描述信息fact1及候选罪名charge1输入第一个交叉压缩单元C以进行融合,得到特征交叉信息C1;从特征交叉信息C1中获得刑期特征fact2及罪名特征charge2。接着,将获得的刑期特征fact2及罪名特征charge2输入第二个交叉压缩单元C以进行融合,得到新的特征交叉信息C2;从新的特征交叉信息C2中获得新的刑期特征fact3及新的罪名特征charge3。继续重复上述融合、又提取出刑期特征及罪名特征的步骤,直到迭代次数为所述预设次数为止,并将最后一次得到的刑期特征factn作为所述目标刑期特征,以及将最后一次得到的罪名特征chargen作为所述目标罪名特征。
可选地,请参照图5,图5是图2中步骤S120包括的子步骤的流程示意图。步骤S120可以包括子步骤S121~子步骤S123。
子步骤S121,根据所述案件事实描述信息的第一矩阵及所述候选罪名的第二矩阵,通过矩阵相乘运算,获得特征交叉矩阵。
在本实施例中,可先获得所述案件事实描述信息的第一矩阵以及所述候选罪名的第二矩阵。其中,可通过BERT(Bidirectional Encoder Representations fromTransformers,)模型或ALBERT模型得到所述第一矩阵,当然也可以通过其他方式获得所述第一矩阵。然后,进行矩阵相乘运算,并将运算结果作为所述特征交叉矩阵。其中,所述特征交叉矩阵为采用矩阵表示的所述特征交叉信息。所述特征交叉矩阵的计算公式如下:
其中,factt表示处理之前的刑期特征的矩阵,即此时表示所述案件事实描述信息的第一矩阵;charget表示处理之前的罪名特征的矩阵,即此时表示所述候选罪名的第二矩阵;表示处理之前的罪名特征的矩阵的转置矩阵,即此时表示所述候选罪名的第二矩阵的转置矩阵。
子步骤S122,根据第一预设矩阵及所述特征交叉矩阵,计算得到疑似刑期特征,并根据所述疑似刑期特征得到所述刑期特征。
在获得所述特征交叉矩阵的情况下,可基于第一预设公式,根据所述第一预设矩阵及所述特征交叉矩阵进行计算,并将计算结果作为所述疑似刑期特征,进而获得所述刑期特征。其中,所述第一预设公式为:
其中,fact't+1表示处理之后得到的疑似刑期特征的矩阵,W、U表示所述第一预设矩阵中的第一预设权重矩阵,b表示所述第一预设矩阵中的第一预设偏置矩阵。
可选地,作为一种可选的实施方式,在获得所述疑似刑期特征的情况下,可以直接将所述疑似刑期特征作为所述刑期特征。
可选地,作为另一种可选的实施方式,在获得所述疑似刑期特征的情况下,可根据第一预设非线性函数及所述疑似刑期特征,计算得到所述刑期特征。可选地,所述刑期特征的矩阵可通过第三预设公式计算得到,所述第三预设公式为:
其中,factt+1表示处理之后得到的刑期特征的矩阵,sigmoid1(·)表示所述第一预设非线性函数。
子步骤S123,根据第二预设矩阵及所述特征交叉矩阵,计算得到疑似罪名特征,并根据所述疑似罪名特征得到所述罪名特征。
在获得所述特征交叉矩阵的情况下,可基于第二预设公式,根据所述第二预设矩阵及所述特征交叉举证进行计算,并将计算结果作为所述疑似罪名特征,进而获得所述罪名特征。其中,所述第二预设公式为:
其中,charge't+1表示处理之后得到的疑似罪名特征的矩阵,W'、U'表示所述第二预设矩阵中的第二预设权重矩阵,b'表示所述第二预设矩阵中的第二预设偏置矩阵。
可选地,作为一种可选的实施方式,在获得所述疑似罪名特征的情况下,可以直接将所述疑似罪名特征作为所述罪名特征。
可选地,作为另一种可选的实施方式,在获得所述疑似罪名特征的情况下,可根据第二预设非线性函数及所述疑似罪名特征,计算得到所述罪名特征。可选地,所述罪名特征的矩阵可通过第四预设公式计算得到,所述第四预设公式为:
其中,charget+1表示处理之后得到的罪名特征的矩阵,sigmoid2(·)表示所述第二预设非线性函数。
请参照图6,图6是本申请实施例提供的获得刑期特征及罪名特征的示意图。下面结合图6对每次获得刑期特征及罪名特征的方式进行举例说明。
根据处理之前的刑期特征的矩阵factt、以及处理之前的罪名特征的矩阵charget,通过矩阵相乘运算,计算得到特征交叉矩阵Ct。然后,根据该特征交叉矩阵Ct,依次通过一个线性层及一个非线性层,获得处理之后的刑期特征的矩阵factt+1(即得到新的刑期特征的矩阵factt+1),其中,对应刑期特征的上述线性层中可以包括所述第一预设矩阵,对应刑期特征的上述非线性层中可以包括所述第一预设非线性函数。并根据该特征交叉矩阵Ct,依次通过一个线性层及一个非线性层,获得处理之后的罪名特征的矩阵charg et+1(即得到新的罪名特征的矩阵charg et+1),其中,对应罪名特征的上述线性层中可以包括所述第二预设矩阵,对应刑期特征的上述非线性层中可以包括所述第二预设非线性函数。其中,在进行首次处理时,上述处理之前的刑期特征的矩阵factt即为案件事实描述信息的第一矩阵fact1,上述处理之前的罪名特征的矩阵charg et即为候选罪名的第二矩阵charg e1。
可选地,可通过交叉压缩单元C对上述矩阵factt及矩阵charget候进行处理,从而得到矩阵factt+1及矩阵factt+1。其中,所述交叉压缩单元中可以包括乘积运算部分(即图6中圆圈所表示的部分)、两个线性层及两个非线性层。该交叉压缩单元C可快速地进行特训练,提高速度。
在所述预设次数大于0时,可按照上述特征交叉矩阵的计算公式、第一预设公式及第二预设公式进行迭代,其中,在迭代时,factt表示上一次获得的刑期特征的矩阵,charget表示上一次获得的罪名特征,表示上一次获得的罪名特征的转置矩阵,factt+1表示本次得到的疑似刑期特征的矩阵,charg et+1表示本次得到的疑似罪名特征的矩阵;每次迭代过程中使用的第一预设矩阵、第二预设矩阵可以相同,也可以不同,可由实际情况确定。
在所述预设次数大于0时,也可以按照上述特征交叉矩阵的计算公式、第一预设公式、第二预设公式、第三预设公式及第四预设公式进行迭代。其中,每次迭代过程中使用的第一预设矩阵、第二预设矩阵、第一非线性函数及第二非线性函数可以相同,也可以不同,可由实际情况确定。
步骤S130,根据所述目标刑期特征和/或所述目标罪名特征及预先训练好的刑期罪名预测模型,获得所述待预测案件的判决预测结果。
在本实施例中,所述判决预测结果包括的类型可根据实际需求确定,比如,所述判决预测结果中可以仅包括罪名,也可以仅包括刑期,还可以两者同时包括。即,所述判决预测结果中可以包括刑期预测值和/或预测罪名。在所述判决预测结果包括刑期预测值的情况下,可以通过所述所述刑期罪名预测模型,根据所述目标刑期特征,获得所述待预测案件的刑期预测值。在所述判决预测结果包括预测罪名的情况下,可以通过所述所述刑期罪名预测模型,根据所述目标罪名特征,获得所述待预测案件的预测罪名。
其中,所述刑期罪名预测模型由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到,所述案件样本中包括样本案件事实描述信息、被指控罪名及被判定刑期。所述刑期罪名预测模型可由所述电子设备100训练得到,也可以是由其他设备训练得到,在此不做具体限定。
可选地,作为一种可选的实施方式,训练好的所述刑期罪名预测模型可以包括预先训练好的第一多层感知机及第二多层感知机。在获得所述判决预测结果时,可以将所述目标刑期特征输入所述第一多层感知机中,获得所述刑期预测值;和/或,将所述目标罪名特征输入所述第二多层感知机中,获得各所述候选罪名的第一概率,并根据各所述候选罪名的第一概率确定预测罪名。
可选地,可以直接根据各候选罪名的第一概率确定出预测罪名。比如,将各候选罪名的第一概率分别与第一预设概率进行比较,并将第一概率大于所述第一预设概率的候选罪名作为预测罪名。其中,所述第一预设概率可根据实际情况设置。
可选地,还可以将各候选罪名的第一概率输入Softmax层,获得各所述候选罪名的第二概率。通过将各所述候选罪名的第二概率与第一预设概率比较,可确定出第二概率大于所述第一预设概率的候选罪名,并将该部分候选罪名作为预测罪名,即,将第二概率大于所述第一预设概率的候选罪名作为预测罪名。其中,Softmax层用于归一化。所述第一预设概率可根据实际情况设置。
可选地,在上述处理过程中,可通过预先训练好的交叉压缩模型获得所述目标刑期特征及目标罪名特征。所述交叉压缩模型中可以包括多个图6所示的交叉压缩单元C。所述交叉压缩模型、第一多层感知机及第二多层感知机可以通过以下方式训练得到:获得多个案件样本;根据所述案件样本的样本案件事实描述信息,获得所述案件样本的候选罪名;通过未训练好的交叉压缩单元,根据所述案件样本的样本案件事实描述信息及候选罪名得到样本目标刑期特征及样本目标罪名特征;通过未训练好的第一多层感知机,根据所述样本目标刑期特征获得预测刑期;通过未训练好的第二多层感知机,根据所述样本目标罪名特征获得预测的罪名;根据预设损失函数、所述预测刑期、预测的罪名及所述案件样本中的被指控罪名及被判定刑期,计算得到损失值,并根据所述损失值对未训练好的交叉压缩模型、第一多层感知机及第二多层感知机中的至少任意一个进行调整;重复以上训练过程,直到得到训练好的交叉压缩模型、第一多层感知机及第二多层感知机。
请参照图7,图7是本申请实施例提供的一种预测模型的结构示意图。可选地,可以采用端到端的方式训练得到该预测模型,该预测模型中可以包括词向量模型、罪名分类模型、交叉压缩模型、第一多层感知机、第二多层感知机及文本编码模型。所述文本编码模型可以是,但不限于,BERT模型或者ALBERT模型等。训练好的预测模型的输入可以是案件事实描述信息及罪名数据库,输出可以是刑期预测值和/或预测罪名。其中,罪名分类模型可以为图7中所示的SVM模型。
在进行训练时,可首先获得数据集。所述数据集中可以包括多个初始样本。可对所述数据集进行清洗,获得清洗后的数据集。其中,在清洗过程中,可将所述数据集中的重复初始样本及脏数据进行去除。重复初始样本进行区别,表示比如有多个初始样本重复,则可以只保留该多个初始样本中其中一个初始样本。脏数据,表示缺少样本案件事实描述信息、被指控罪名及被判定刑期中至少任意一项的初始样本。清洗后的数据集中所包括的每个初始样本作为案件样本,每个案件样本中均包括样本案件事实描述信息、被指控罪名及被判定刑期。
可以利用jieba分词或其他方式对每个案件样本中的样本案件事实描述信息进行分词,得到分词结果。可采用jieba分词,根据得到的分词结果进行词向量预训练,从而得到词向量模型。
可以根据训练好的词向量模型,得到每个案件样本中的样本案件事实描述信息所对应的词向量。接着,可根据每个案件样本对应的词向量、不被指控罪名以及罪名数据库,进行预训练,从而得到可用于候选罪名确定的罪名分类模型。
针对每个案件样本,可通过所述词向量模型获得该案件样本的词向量,并将该案件样本的词向量作为罪名分类模型的输入,从而得到该案件样本所对应的案件具有各待选罪名的概率,进而确定出该案件最可能涉及到的罪名指控作为候选罪名。可选地,根据该案件具有各待选罪名的概率,按照概率由大到小的顺序,确定出预设数量个待选罪名作为候选罪名,比如,5个。在确定出候选罪名后,可针对候选罪名的原文,通过词向量模型,得到每个候选罪名的编码向量,之后将各个候选罪名的词向量相加,以作为候选罪名向量编码,即作为候选罪名的第二矩阵。
并且,获得该案件样本的样本案件事实描述信息对应的案件事实描述向量编码,即获得样本案件事实描述信息对应的第一矩阵。可选地,可将该案件样本的样本案件事实描述信息在头部和尾部分别加上[CLS]和[SEP]标签,然后输入至BERT模型中进行文本编码,并将文本编码结果输入到一个线性层网络中,获得案件事实描述向量编码。
将得到的候选罪名向量编码及案件事实描述向量编码输入到一个交叉压缩单元C中,该交叉压缩单元将案件事实描述向量编码与候选罪名向量编码进行交叉训练。通过多轮迭代,获得最终的案件事实描述向量编码及候选罪名向量编码,即得到目标刑期特征及目标罪名特征。
将最终的案件事实描述向量编码输入到第一多层感知机中,获得预测刑期。将最终的候选罪名向量编码输入到第二多层感知机中,并将第二多层感知机的输出结果输入到Softmax层中,从而得到罪名可能性的分布情况,即获得各候选罪名的第二概率,进而确定出预测的罪名。
可以根据预设损失函数以及案件样本对应的所述预测刑期、预测的罪名及该案件样本中的被指控罪名及被判定刑期,计算得到损失值。进而根据该损失值对未训练好的交叉压缩模型、第一多层感知机及第二多层感知机中的至少任意一个进行调整。
该预测模型相当于进行了刑期预测任务的学习及罪名指控任务的学习,也即是一个多任务联合训练模型,其损失函数可定义为各个任务的损失函数的加权和。其中,刑期预测任务的损失函数可定义为:
其中,Lossprison表示刑期预测任务的损失值,m表示案件样本数,y1i表示案件样本对应的被判定刑期,y'1i表示案件样本对应的预测刑期;
所述罪名指控任务的损失函数可定义为:
其中,Losscharge表示罪名指控任务的损失值;n表示上述案件样本数对应的各案件样本对应的被指控罪名总数量,比如,样本1对应了2个被指控罪名,样本2对应了3个被指控罪名,则这两个样本对应的被指控罪名总数量为5;y2i表示根据案件样本对应的被指控罪名确定的值,为0或1;y'2i表示案件样本对应的预测出来的罪名对应的概率。
总的损失函数可以定义为:
Loss=λLossprison+(1-λ)Losscharge
其中,Loss表示总损失值,即预测模型的损失值;λ表示调节指标,即权重,可以根据实际需求设置。
由此,基于案件事实描述信息和所可能涉及到的罪名进行建模,实现了一个基于多任务联合训练的预测模型。该预测模型通过深度学习的方法针对刑期判决与罪名指控之间的潜在关联关系进行学习。可选地,在训练过程中,两个任务进行了交叉训练,以学习刑期判决与罪名指控之间的潜在关联关系。通过对刑期预测任务的学习和罪名指控任务的学习,大大提高了两者预测的准确性。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种判决预测装置200的实现方式,可选地,该判决预测装置200可以采用上述图1所示的电子设备100的器件结构。进一步地,请参照图8,图8是本申请实施例提供的判决预测装置200的方框示意图之一。需要说明的是,本实施例所提供的判决预测装置200,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。所述判决预测装置200可以包括:候选罪名确定模块210、交叉压缩模块220及预测模块230。
所述候选罪名确定模块210,用于根据待预测案件的案件事实描述信息,获得所述待预测案件的候选罪名。
所述交叉压缩模块220,用于将所述案件事实描述信息及所述候选罪名进行融合,获得特征交叉信息,并从特征交叉信息中获得刑期特征及罪名特征,迭代预设次数,并将最后获得的刑期特征及罪名特征分别作为目标刑期特征及目标罪名特征。
所述预测模块230,用于根据所述目标刑期特征和/或所述目标罪名特征及预先训练好的刑期罪名预测模型,获得所述待预测案件的判决预测结果。其中,所述刑期罪名预测模型由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到,所述案件样本中包括样本案件事实描述信息、被指控罪名及被判定刑期,所述判决预测结果包括刑期预测值和/或预测罪名。
可选地,在本实施例中,通过预先训练好的交叉压缩模型获得所述目标刑期特征及目标罪名特征,所述刑期罪名预测模型包括预先训练好的第一多层感知机及第二多层感知机。所述交叉压缩模型、第一多层感知机及第二多层感知机通过以下方式训练得到:获得多个案件样本;根据所述案件样本的样本案件事实描述信息,获得所述案件样本的候选罪名;通过未训练好的交叉压缩单元,根据所述案件样本的样本案件事实描述信息及候选罪名得到样本目标刑期特征及样本目标罪名特征;通过未训练好的第一多层感知机,根据所述样本目标刑期特征获得预测刑期;通过未训练好的第二多层感知机,根据所述样本目标罪名特征获得预测的罪名;根据预设损失函数、所述预测刑期、预测的罪名及所述案件样本中的被指控罪名及被判定刑期,计算得到损失值,并根据所述损失值对未训练好的交叉压缩模型、第一多层感知机及第二多层感知机中的至少任意一个进行调整;重复以上训练过程,直到得到训练好的交叉压缩模型、第一多层感知机及第二多层感知机。
当所述电子设备100通过训练获得所述交叉压缩模型、第一多层感知机及第二多层感知机时,请参照图9,图9是本申请实施例提供的判决预测装置200的方框示意图之二。所述判决预测装置200还可以包括训练模块201,所述训练模块201用于根据多个案件样本训练得到所述交叉压缩模型、第一多层感知机及第二多层感知机。
可选地,上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器110中或固化于电子设备100的操作系统(Operating System,OS)中,并可由图1中的处理器120执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
本申请实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的判决预测方法。
综上所述,本申请实施例提供了一种判决预测方法、装置、电子设备及可读存储介质,首先根据待预测案件的案件事实描述信息,确定该待预测案件的候选罪名。接着,将案件事实描述信息与确定的候选罪名进行融合以得到特征交叉信息,并从特征交叉信息获得刑期特征及罪名特征,按照该方式迭代预设次数,将最后获得的刑期特征及目标罪名特征分别作为目标刑期特征及目标罪名特征。最后,根据该目标刑期特征和/或目标罪名特征,获得该待预测案件的判决预测结果。其中,上述刑期罪名预测模型是由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到,案件样本中包括样本案件事实描述信息、被指控罪名及被判定刑期。上述判决预测结果包括刑期预测值和/或预测罪名。由此,相较于忽略刑期与罪名之间的潜在关联关系的判决预测方式,本申请根据刑期与罪名之间的潜在关联关系,准确确定出用于刑期预测的目标刑期特征以及用于罪名预测的目标罪名特征,进而基于目标刑期特征和/或目标罪名特征对判决进行预测,获得准确性高的判决预测结果。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种判决预测方法,其特征在于,包括:
根据待预测案件的案件事实描述信息,获得所述待预测案件的候选罪名;
将所述案件事实描述信息及所述候选罪名进行融合,获得特征交叉信息,并从特征交叉信息中获得刑期特征及罪名特征,迭代预设次数,并将最后获得的刑期特征及罪名特征分别作为目标刑期特征及目标罪名特征;
根据所述目标刑期特征和/或所述目标罪名特征及预先训练好的刑期罪名预测模型,获得所述待预测案件的判决预测结果,其中,所述刑期罪名预测模型由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到,所述案件样本中包括样本案件事实描述信息、被指控罪名及被判定刑期,所述判决预测结果包括刑期预测值和/或预测罪名。
2.根据权利要求1所述的方法,其特征在于,所述将所述案件事实描述信息及所述候选罪名进行融合,获得特征交叉信息,并从特征交叉信息中获得刑期特征及罪名特征,包括:
根据所述案件事实描述信息的第一矩阵及所述候选罪名的第二矩阵,通过矩阵相乘运算,获得特征交叉矩阵,其中,所述特征交叉矩阵作为所述特征交叉信息;
根据第一预设矩阵及所述特征交叉矩阵,计算得到疑似刑期特征,并根据所述疑似刑期特征得到所述刑期特征,其中,所述疑似刑期特征的矩阵通过第一预设公式得到,所述第一预设公式为:
其中,factt表示处理之前的刑期特征的矩阵,表示处理之前的罪名特征的矩阵的转置矩阵,fact't+1表示处理之后得到的疑似刑期特征的矩阵,W、U表示所述第一预设矩阵中的第一预设权重矩阵,b表示所述第一预设矩阵中的第一预设偏置矩阵;
根据第二预设矩阵及所述特征交叉矩阵,计算得到疑似罪名特征,并根据所述疑似罪名特征得到所述罪名特征,其中,所述疑似罪名特征的矩阵通过第二预设公式得到,所述第二预设公式为:
其中,charge't+1表示处理之后得到的疑似罪名特征的矩阵,W'、U'表示所述第二预设矩阵中的第二预设权重矩阵,b'表示所述第二预设矩阵中的第二预设偏置矩阵。
3.根据权利要求2所述的方法,其特征在于,
所述根据所述疑似刑期特征得到所述刑期特征,包括:
根据第一预设非线性函数及所述疑似刑期特征,计算得到所述刑期特征,其中,所述刑期特征的矩阵通过第三预设公式得到,所述第三预设公式为:factt+1表示处理之后得到的刑期特征的矩阵,sigmoid1(·)表示所述第一预设非线性函数;
所述根据所述疑似罪名特征得到所述罪名特征,包括:
4.根据权利要求1所述的方法,其特征在于,所述刑期罪名预测模型包括预先训练好的第一多层感知机及第二多层感知机,所述根据所述目标刑期特征和/或所述目标罪名特征及预先训练好的刑期罪名预测模型,获得所述待预测案件的判决预测结果,包括:
将所述目标刑期特征输入所述第一多层感知机中,获得所述刑期预测值;和/或,
将所述目标罪名特征输入所述第二多层感知机中,获得各所述候选罪名的第一概率,并根据各所述候选罪名的第一概率确定预测罪名。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述候选罪名的概率确定预测罪名,包括:
将各所述候选罪名的第一概率输入Softmax层,获得各所述候选罪名的第二概率;
将各所述候选罪名的第二概率与第一预设概率比较,并将第二概率大于所述第一预设概率的候选罪名作为预测罪名。
6.根据权利要求5所述的方法,其特征在于,通过预先训练好的交叉压缩模型获得所述目标刑期特征及目标罪名特征,所述交叉压缩模型、第一多层感知机及第二多层感知机通过以下方式训练得到:
获得多个案件样本;
根据所述案件样本的样本案件事实描述信息,获得所述案件样本的候选罪名;通过未训练好的交叉压缩单元,根据所述案件样本的样本案件事实描述信息及候选罪名得到样本目标刑期特征及样本目标罪名特征;通过未训练好的第一多层感知机,根据所述样本目标刑期特征获得预测刑期;通过未训练好的第二多层感知机,根据所述样本目标罪名特征获得预测的罪名;根据预设损失函数、所述预测刑期、预测的罪名及所述案件样本中的被指控罪名及被判定刑期,计算得到损失值,并根据所述损失值对未训练好的交叉压缩模型、第一多层感知机及第二多层感知机中的至少任意一个进行调整;重复以上训练过程,直到得到训练好的交叉压缩模型、第一多层感知机及第二多层感知机。
7.根据权利要求1所述的方法,其特征在于,所述根据待预测案件的案件事实描述信息,获得所述待预测案件的候选罪名,包括:
通过训练好的罪名分类模型,根据所述案件事实描述信息,获得所述待预测案件具有各待选罪名的第三概率;
根据所述待预测案件具有各待选罪名的第三概率,从所有待选罪名中确定出多个罪名作为所述候选罪名。
8.一种判决预测装置,其特征在于,包括:
候选罪名确定模块,用于根据待预测案件的案件事实描述信息,获得所述待预测案件的候选罪名;
交叉压缩模块,用于将所述案件事实描述信息及所述候选罪名进行融合,获得特征交叉信息,并从特征交叉信息中获得刑期特征及罪名特征,迭代预设次数,并将最后获得的刑期特征及罪名特征分别作为目标刑期特征及目标罪名特征;
预测模块,用于根据所述目标刑期特征和/或所述目标罪名特征及预先训练好的刑期罪名预测模型,获得所述待预测案件的判决预测结果,其中,所述刑期罪名预测模型由案件样本的样本目标刑期特征、样本目标罪名特征、被指控罪名及被判定刑期训练得到,所述案件样本中包括样本案件事实描述信息、被指控罪名及被判定刑期,所述判决预测结果包括刑期预测值和/或预测罪名。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现权利要求1-7中任意一项所述的判决预测方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的判决预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011140050.1A CN112232576B (zh) | 2020-10-22 | 判决预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011140050.1A CN112232576B (zh) | 2020-10-22 | 判决预测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232576A true CN112232576A (zh) | 2021-01-15 |
CN112232576B CN112232576B (zh) | 2024-06-28 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515631A (zh) * | 2021-06-18 | 2021-10-19 | 深圳大学 | 用于预测罪名的方法、装置、终端设备及存储介质 |
CN114897168A (zh) * | 2022-06-20 | 2022-08-12 | 支付宝(杭州)信息技术有限公司 | 风控模型的基于知识表征学习的融合训练方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299753A (zh) * | 2018-12-11 | 2019-02-01 | 济南浪潮高新科技投资发展有限公司 | 一种用于法律文本信息挖掘的集成学习方法及系统 |
CN109376227A (zh) * | 2018-10-29 | 2019-02-22 | 山东大学 | 一种基于多任务人工神经网络的刑期预测方法 |
CN110968688A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 司法数据的处理方法及系统 |
CN111079985A (zh) * | 2019-11-26 | 2020-04-28 | 昆明理工大学 | 一种基于bert并融合可区分属性特征的刑事案件刑期预测方法 |
CN111274786A (zh) * | 2020-01-22 | 2020-06-12 | 中国人民大学 | 一种自动量刑的方法和系统 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968688A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 司法数据的处理方法及系统 |
CN109376227A (zh) * | 2018-10-29 | 2019-02-22 | 山东大学 | 一种基于多任务人工神经网络的刑期预测方法 |
CN109299753A (zh) * | 2018-12-11 | 2019-02-01 | 济南浪潮高新科技投资发展有限公司 | 一种用于法律文本信息挖掘的集成学习方法及系统 |
CN111079985A (zh) * | 2019-11-26 | 2020-04-28 | 昆明理工大学 | 一种基于bert并融合可区分属性特征的刑事案件刑期预测方法 |
CN111274786A (zh) * | 2020-01-22 | 2020-06-12 | 中国人民大学 | 一种自动量刑的方法和系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515631A (zh) * | 2021-06-18 | 2021-10-19 | 深圳大学 | 用于预测罪名的方法、装置、终端设备及存储介质 |
CN113515631B (zh) * | 2021-06-18 | 2024-05-17 | 深圳大学 | 用于预测罪名的方法、装置、终端设备及存储介质 |
CN114897168A (zh) * | 2022-06-20 | 2022-08-12 | 支付宝(杭州)信息技术有限公司 | 风控模型的基于知识表征学习的融合训练方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fernandez-Riverola et al. | Reducing the memory size of a fuzzy case-based reasoning system applying rough set techniques | |
CN111553759A (zh) | 一种产品信息推送方法、装置、设备及存储介质 | |
CN112015859A (zh) | 文本的知识层次抽取方法及装置、计算机设备及可读介质 | |
CN112347367A (zh) | 信息服务提供方法、装置、电子设备和存储介质 | |
Kerr et al. | Collaborative deep learning models to handle class imbalance in flowcam plankton imagery | |
CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
CN112508456A (zh) | 食品安全风险评估方法、系统、计算机设备及存储介质 | |
CN112529071A (zh) | 一种文本分类方法、系统、计算机设备和存储介质 | |
Pham et al. | Unsupervised training of Bayesian networks for data clustering | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
CN115423594A (zh) | 企业财务风险的评估方法、装置、设备及存储介质 | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN112990530B (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
Gulati et al. | Challenges and responses towards sustainable future through machine learning and deep learning | |
CN113836934A (zh) | 基于标签信息增强的文本分类方法和系统 | |
CN112232576B (zh) | 判决预测方法、装置、电子设备及可读存储介质 | |
CN112232576A (zh) | 判决预测方法、装置、电子设备及可读存储介质 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN115018190A (zh) | 逾期行为预测方法及装置、存储介质及电子设备 | |
KR102284440B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
CN112905713B (zh) | 联合罪名预测的涉案新闻重叠实体关系抽取方法 | |
CN114882409A (zh) | 一种基于多模态特征融合的智能暴力行为检测方法及装置 | |
CN115455276A (zh) | 推荐对象的方法、装置、计算机设备和存储介质 | |
Zakeri et al. | Automation and Computational Intelligence for Road Maintenance and Management: Advances and Applications | |
CN111210218A (zh) | 信息处理装置、票据打印机以及信息处理方法 |
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 | ||
GR01 | Patent grant |