基于深度学习的检察办案辅助量刑规则挖掘

发布时间：2020-05-12 08:10

【摘要】：辅助量刑规则挖掘是“智慧法院”的核心内容之一,也是法学与人工智能相结合的研究热点。辅助量刑可以为法官和检察官的日常工作提供参考,有助于维护我国法律体系的公平和正确性。目前,在我国多个建设“智慧法院”的地方法院的法务系统中都配有量刑预测的模块。本文针对法律文书的命名实体识别准确率不高、知识图谱的构建自动性差等问题进行了深入的研究。分别对法律文书的命名实体识别、实体关系抽取、量刑规则挖掘等方面展开论述,结合领域知识建立LSTM-CRF模型用于法律文书的命名实体识别、基于Graph-LSTM模型与注意力机制(attention)相结合的命名实体关系抽取模型,最后结合文本特征构建基于Graph-LSTM模型的量刑规则挖掘模型,实验验证模型准确率较高,满足司法领域的要求。首先,通过在基于长短时记忆模型(Long Short-Term Memory,LSTM)的命名实体识别模型中引入条件随机场(Conditional Random Field,CRF)模型,避免了 LSTM不能捕捉词语标签间约束的问题,特别结合法律文书的文本特征,构造实体识别模型,对比分析不同命名实体的识别准确率以及不同机器学习模型的性能指标。第二,建立基于Graph-LSTM模型与attention机制相结合的法律文书命名实体关系抽取模型。通过分析法律文书的句法依存关系,得到实体间的语义语法特征,根据句法依存结构图构造Graph-LSTM模型。通过远程监督的方法得到弱标签数据集,并引入attention机制在模型的最后消除噪声。通过与其他机器学习模型的对比实验,分析模型性能。最后,设计辅助量刑规则挖掘模型。基于Graph-LSTM模型对法律文书建模,挖掘案件要素特征(X)到刑期(Y)的具有高置信度的关联规则。在命名实体识别工作的基础上,提取出结构化的情节信息作为模型输入,以刑期作为分类结果,训练Graph-LSTM模型。实验分析模型的准确率和五折交叉验证的准确率随着迭代次数的变化,并与其他机器学习进行实验对比,证明了模型的较高准确率。
【图文】：

模型图,链结构,模型图,序列

逦的全局随机域。逡逑对标注序列作出马尔可夫独立性假设，无向图Ｇ邋＝邋0／，Ｅ）的结构是任意的，逡逑一般在序列标注问题中，无向图Ｇ中的标注序列如图２－２所示。逡逑ＣＲＦ相当于由规格化转换概率组成的有限状态机，在观察序列上可以存在逡逑任意依赖。ＣＲＦ和ＨＭＭ都是基于相同的指数形式，因此ＣＲＦ可以有效的完成逡逑基于非贪婪算法的有限状态的推导及训练。ＣＲＦ模型的训练不需要大量训练数逡逑据，并且ＣＲＦ函数的损失函数是凸面性的，不会陷入局部最优。逡逑１２逡逑

模型结构

华北电力大学硕士学位论文逡逑酒后驾驶机动车”。这些实体间的关系是人名实体“驾驶”机动车实体，抽取出的逡逑实体可以后续用于构建知识图谱，如图３－１所示。逡逑Ｏ逦驾驶逦是否饮酒逡逑＾＾＾＾逡逑现代牌轿车逦ｎ逦是逡逑查逡逑获逡逑地逡逑点逡逑Ｏ邋清丰县城文化路逡逑图３－１邋ＬＳＴＭ模型结构图逡逑然而，对于有着复杂语义关系的文本，多元关系的抽取需要利用更加丰富逡逑的上下文信息。Ｇｒａｐｈ－ＬＳＴＭ包括了邋Ｌｉｎｅｒ－ｃｈａｉｎ邋ＬＳＴＭ和Ｔｒｅｅ－ＬＳＴＭ的结构特逡逑点，在应对多元关系抽取带来的稀疏性问题具有更好的效果，能产生丰富的语逡逑义信息。单向ＬＳＴＭ拓扑结构是固定的，但是句子间的多元关系抽取，命名实逡逑体间有着较固定的句法结构，对于句子中的每个实体的先验概率不一定是固定逡逑的，如果按照固定的结构，需要每个词语都要按部就班费时费力，可以按照一逡逑定的拓扑结构构造Ｇｒａｐｈ－ＬＳＴＭ模型来提高抽取性能。逡逑３．３基于神经网络的法律文书关系抽取逡逑３．３．１句法依存图逡逑基于单句的二元关系抽取方法容易丢失语义信息，比如法律文书中：“被告逡逑人王志明驾驶‘现代牌’轿车在清丰县城文化路，因涉嫌饮酒后驾驶被民警查逡逑获。”
【学位授予单位】：华北电力大学(北京)
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：D918.2;TP391.1;TP18

【相似文献】