CN113033174A - 一种基于输出型相似门的案件罪名判定方法、装置及存储介质 - Google Patents

Abstract

本发明提出了一种基于输出型相似门的案件罪名判定方法，涉及一种数据处理，尤其涉及一种基于输出型相似门的案件罪名判定方法。本发明具体由两部分组成，即前向传播过程和反向传播过程；前向传播过程包含构建输出相似门神经网络模型，根据与当前案件相似的案件在神经网络中的输出结果，将相似信息传输到最终的神经网络输出层；在神经网络中获取相似信息案件和网络输出的计算；反向传播过程是对输出型相似门的参数进行优化，包含神经网络模型中误差项的计算；构建输出型相似门，并利用其在神经网络的输出层捕捉案件间的相似信息，为案件罪名判定提供数据支撑，解决了现有技术中存在的罪名判定准确率低的技术问题，显著提高案件罪名判定准确率。

Description

一种基于输出型相似门的案件罪名判定方法、装置及存储 介质

技术领域

本申请涉及一种案件罪名判定方法，尤其涉及一种基于输出型相似门的案件罪名判定 方法、装置及存储介质，属于数据处理技术领域。

背景技术

随着大数据人工智能时代的到来，利用机器学习算法实现罪名的自动判定是一种常态， 利用经典深度学习模型对司法文书对应的罪名进行分类，实现罪名的自动预测，但是经典 深度学习模型对罪名判定的准确率不高。

传统案件罪名判定算法还包括基于机器学习和深度神经网络算法，参见图2。这类算 法无法捕捉法律案件间的相似信息，未将案件间的相似性作为案件罪名判定的决定因素， 不利于算法准确率的提高。另外，预测算法无法指导前期案件建模过程，难以从法律案件 数据中抽取出最有利于提高算法准确率的数据元素和数据结构信息。另外，基于特征模型 或者矩阵分解的法律案件建模方法存在特征模型的天然缺陷。上述因素极大地阻碍了后续 预测算法准确率的提高。

发明内容

为解决现有技术中存在的罪名判定准确率低技术问题，本发明提供了一种基于输出型 相似门的案件罪名判定方法。本发明基于输出型相似门的案件罪名判定算法构建输出型相 似门，并利用其在神经网络的输出层捕捉案件间的相似信息，为案件罪名判定提供数据支 撑，显著提高案件罪名判定准确率。

一种基于输出型相似门的案件罪名判定方法，包括以下步骤：

S1.构建输出相似门神经网络模型，根据与当前案件相似的案件在神经网络中的输出结 果，将相似信息传输到最终的神经网络输出层；

S2.在神经网络中获取相似信息，相似信息由当前案件相似的案件在神经网络中的输入 结果；

S3.对输出型相似门的参数进行优化，得出基于输出型相似门的案件罪名判定模型；

S3.1.训练误差项沿时间的反向传播过程；

S3.2.训练误差项沿神经网络层的反向传播过程。

优选的，步骤1所述的构建输出型相似门的具体方法是：

输出型相似门的表达式是：

其中，σ为sigmod函数，W_u和b_u分别为输出型相似门对应的权重矩阵以及偏置项，h_t-1为上一时刻神经网络的输出，χ_t为t时刻输入的法律案件的向量表示，“·”表示矩阵乘法；

传输网络输出层的表达式是：

其中，h_t表示t时刻神经网络的输出，o_t表示输出门，o_t＝σ(W_o·[h_t-1,χ_t]+b_o)，其中W_o和b_o分别为输出门对应的权重矩阵和偏置项，c_t表示t时刻的长期状态单元，u_t为输出型相似门，h_t,u为案件间的相似信息。

优选的，步骤S2所述获取相似信息的具体方法是：

χ_t为t时刻输入的案件的向量表示，List(χ_t)为与当前案件χ_t相似度超过相似阈值的案 件向量组成的集合，|List(χ_t)|为集合List(χ_t)中元素数量，h₀为χ₀在网络中的输出结果， Similarity(χ_t,χ₀)为案件χ_t和χ₀之间的相似度。

优选的，步骤S3所述对输出型相似门的参数进行优化的具体方法是：

S3.1.误差项沿时间的反向传播过程具体是：

假定神经网络在t时刻的误差项为δ_t，

其中，h_t为t时刻的网络输出，F为 误差函数，其在t-1时刻的误差项δ_t-1公式如下：

其中，W_fh、W_ih和W_oh分别为遗忘门、输入门和输出门相对于h_t-1的权重矩阵，

为输出型相似门在t-1时刻产生的误差项，

W_uh为输出型相似门相对于h_t-1的权重矩阵，ξ为常数，当t-1时刻输入的案件在List(χ_t)集合中时，ξ是元素均为1的向 量，否则ξ为零向量，“

”为向量或者矩阵的按元素乘符号；

S3.2.误差项沿神经网络层的反向传播过程具体是：

假定神经网络在第l层的误差项为误差函数F对第l层的加权输入

的导数，

神经网络在第l-1层的误差项

的计算方式：

表示

对

的导数，W_fχ、W_iχ、W_sχ和W_oχ分别为遗忘门、输入门、输出 型相似门和输出门相对于

的权重矩阵。

本发明的有益效果如下：一种基于输出型相似门的案件罪名判定方法基于输出型相似 门的案件罪名判定算法构建输出型相似门，并利用其在神经网络的输出层捕捉案件间的相 似信息，为案件罪名判定提供数据支撑，显著提高案件罪名判定准确率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的 示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例所述的带有输出型相似门的神经网络模型示意图；

图2为本发明实施例所述的现有技术组成示意图。

具体实施方式

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示 例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例， 而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施 例中的特征可以相互组合。

实施例1、参照图1，说明本实施例，本实施例的一种基于输出型相似门的案件罪名判 定方法，具体由两部分组成，即前向传播过程和反向传播过程；前向传播过程包含构建输 出相似门神经网络模型、在神经网络中获取相似信息和神经网络输出的计算；反向传播过 程包含对输出型相似门的参数进行优化；具体的包括以下步骤：

S1.构建输出相似门神经网络模型，根据与当前案件相似的案件在神经网络中的输出结 果，将相似信息传输到最终的神经网络输出层；

输出型相似门的表达式是：

其中，σ为sigmod函数，W_u和b_u分别为输出型相似门对应的权重矩阵以及偏置项，h_t-1为上一时刻神经网络的输出，χ_t为t时刻输入的法律案件的向量表示，“·”表示矩阵乘法；

传输网络输出层的表达式是：

其中，h_t表示t时刻神经网络的输出，o_t表示输出门，o_t＝σ(W_o·[h_t-1,χ_t]+b_o)，其中W_o和b_o分别为输出门对应的权重矩阵和偏置项，c_t表示t时刻的长期状态单元，u_t为输出型相似门，h_t,u为案件间的相似信息。

S2.在神经网络中获取相似信息，相似信息由当前案件相似的案件在神经网络中的输入 结果；

χ_t为t时刻输入的案件的向量表示，List(χ_t)为与当前案件χ_t相似度超过相似阈值的案 件向量组成的集合，|List(χ_t)|为集合List(χ_t)中元素数量，h₀为χ₀在网络中的输出结果， Similarity(χ_t,χ₀)为案件χ_t和χ₀之间的相似度。

输出型相似门本身并不携带案件间的相似信息，它主要用于控制是否保留相似信息， 不同于输入型相似门，输出型相似门利用与当前案件相似的案件在神经网络中的输出结果 计算相似信息，输出型相似门将该相似信息传递到网络的最终输出结果h_t中。

S3.对输出型相似门的参数进行优化，得出基于输出型相似门的案件罪名判定模型；

S3.1.训练误差项沿时间的反向传播过程；

假定神经网络在t时刻的误差项为δ_t，

其中，h_t为t时刻的网络输出，F为 误差函数，其在t-1时刻的误差项δ_t-1公式如下：

其中，W_fh、W_ih和W_oh分别为遗忘门、输入门和输出门相对于h_t-1的权重矩阵，

为输出型相似门在t-1时刻产生的误差项，

W_uh为输出型相似门相对于h_t-1的权重矩阵，ξ为常数，当t-1时刻输入的案件在List(χ_t)集合中时，ξ是元素均为1的向量，否则ξ为零向量，“

”为向量或者矩阵的按元素乘符号；

S3.2.训练误差项沿神经网络层的反向传播过程。

假定神经网络在第l层的误差项为误差函数F对第l层的加权输入

的导数，

神经网络在第l-1层的误差项

的计算方式：

表示

对

的导数，W_fχ、W_iχ、W_sχ和W_oχ分别为遗忘门、输入门、输出 型相似门和输出门相对于

的权重矩阵。

由上述公式，可获得神经网络模型中各个时刻和隐藏层相对应的误差项的值，计算出 误差函数相对于各个权重矩阵和偏置项的梯度，最终，利用梯度下降法求解出神经网络模 型中参数的值，得出基于输出型相似门的案件罪名判定模型。

将案件的向量表示和其相似度信息输入到带有输出型相似门的神经网络中，最终输出 该案件所属的罪名类型，下面结合具体案例说明本发明：案件基本信息为“2020年8月26 日3时许，被告人黄某某醉酒驾驶贵C*****号牌小型轿车，行驶至东莞市南城区***银城酒店对出路段时，被执勤民警现场查获，后在抽血检验过程中，黄某某存在不配合执法的行为。经鉴定，黄某某血液中乙醇含量为200.53mg/100ml。”首先使用词向量模型对案件 基本信息进行向量化操作，将案件事实部分进行分词，利用词向量工具构建针对法律案件 的词向量模型，进而将案件事实表示为向量；在此基础上，利用欧氏距离和余弦距离计算 向量间的相似度，得出数据库中不同案件间的相似度。将上述向量表示和其相似度信息输 入到带有输出型相似门的神经网络中，最终输出该案件所属的罪名类型，“危险驾驶罪”。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和 范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内， 则本申请也意图包含这些改动和变型在内。

Claims (6)

1.一种基于输出型相似门的案件罪名判定方法，其特征在于，包括以下步骤：

S1.构建输出相似门神经网络模型，根据与当前案件相似的案件在神经网络中的输出结果，将相似信息传输到最终的神经网络输出层；

S2.在神经网络中获取相似信息，相似信息由当前案件相似的案件在神经网络中的输入结果；

S3.对输出型相似门的参数进行优化，得出基于输出型相似门的案件罪名判定模型；

S3.1.训练误差项沿时间的反向传播过程；

S3.2.训练误差项沿神经网络层的反向传播过程。

2.根据权利要求1所述的方法，其特征在于，步骤1所述的构建输出型相似门的具体方法是：

输出型相似门的表达式是：

其中，σ为sigmod函数，W_u和b_u分别为输出型相似门对应的权重矩阵以及偏置项，h_t-1为上一时刻神经网络的输出，χ_t为t时刻输入的法律案件的向量表示，“·”表示矩阵乘法；

传输网络输出层的表达式是：

其中，h_t表示t时刻神经网络的输出，o_t表示输出门，o_t＝σ(W_o·[h_t-1,χ_t]+b_o)，其中W_o和b_o分别为输出门对应的权重矩阵和偏置项，c_t表示t时刻的长期状态单元，u_t为输出型相似门，h_t,u为案件间的相似信息。

3.根据权利要求1或2所述的方法，其特征在于，步骤S2所述获取相似信息的具体方法是：

χ_t为t时刻输入的案件的向量表示，List(χ_t)为与当前案件χ_t相似度超过相似阈值的案件向量组成的集合，|List(χ_t)|为集合List(χ_t)中元素数量，h₀为χ₀在网络中的输出结果，Similarity(χ_t,χ₀)为案件χ_t和χ₀之间的相似度。

4.根据权利要求3所述的方法，其特征在于，步骤S3所述对输出型相似门的参数进行优化的具体方法是：

S3.1.误差项沿时间的反向传播过程具体是：

假定神经网络在t时刻的误差项为δ_t，

其中，h_t为t时刻的网络输出，F为误差函数，其在t-1时刻的误差项δ_t-1公式如下：

其中，W_fh、W_ih和W_oh分别为遗忘门、输入门和输出门相对于h_t-1的权重矩阵，

为输出型相似门在t-1时刻产生的误差项，

W_uh为输出型相似门相对于h_t-1的权重矩阵，ξ为常数，当t-1时刻输入的案件在List(χ_t)集合中时，ξ是元素均为1的向量，否则ξ为零向量；

S3.2.误差项沿神经网络层的反向传播过程具体是：

假定神经网络在第l层的误差项为误差函数F对第l层的加权输入

的导数，

神经网络在第l-1层的误差项

的计算方式：

表示

对

的导数，W_fχ、W_iχ、W_sχ和W_oχ分别为遗忘门、输入门、输出型相似门和输出门相对于

的权重矩阵；

由上述公式，可获得神经网络模型中各个时刻和隐藏层相对应的误差项的值，计算出误差函数相对于各个权重矩阵和偏置项的梯度，最终，利用梯度下降法求解出神经网络模型中参数的值，得出基于输出型相似门的案件罪名判定模型。

5.一种基于输出型相似门的案件罪名判定装置，其特征在于：包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1至4任一项所述的一种基于输出型相似门的案件罪名判定方法的步骤。

6.一种计算机可读存储介质，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权利要求1至4任一项所述的一种基于输出型相似门的案件罪名判定方法。

Images