基于机器学习的司法案例筛选系统设计与实现

发布时间：2020-04-11 08:46

【摘要】：司法文本逻辑严谨,结构清晰明确,适合采用计算机进行分析和处理。依托于近年来司法公开的相关政策,可用的司法语料大幅度增长,为机器学习方法在司法领域的应用提供了数据支撑。为了帮助司法从业者进行快速地案例检索,同时为民众法律询提供辅助工具,本文研究并设计实现司法案例筛选系统。这一系统的核心功能是对获取的文本进行分析,并从数据库内备选的海量裁判文书中筛选出相似案例供用户参考,同时包含裁判文书分析等辅助功能。文章的主要工作是将机器学习及相关自然语言处理技术引入司法领域内。首先,本文对系统所属的司法智能领域进行了研究现状介绍。进一步,介绍了分词技术、文本关键词提取算法TF-IDF、文本分类技术fastText及web应用框架技术Django等与本文系统构建相关的技术,并完成系统设计及实现。本文拟通过机器学习技术fastText对文本进行分类,进一步依据文本分类得到的标签结果进行相似案例筛选。系统的总体设计分为四部分,包括文件上传模块、文本输入模块、裁判文书分析模块和案例筛选模块。主要完成的工作如下:采用Django框架实现裁判文书上传模块和文本输入模块,用于实现与用户之间的交互,为整个系统的获取需要分析的文本。采用关键字匹配和TF-IDF算法抽取文本关键信息,实现对上传裁判文书的分析工作,帮助用户快速理解裁判文书。采用fastText框架训练多个机器学习模型,用于对输入文本进行分类;进一步实现依据分类标签及文本相似度的筛选和排序,最后展示筛选结果并提供下载等辅助功能。司法案例筛选系统最终以web应用的形式运行良好。用户可以通过浏览器访问这一系统,进行文本输入、裁判文书上传和分析,并依据输入的文本进行相似案例的筛选。经实验,系统裁判文书解析正确率达到86%,案例筛选相关率达到81%,具有一定实用性。
【图文】：

网络结构图,学习分类,文本,隐藏层

即使是大型数据，，也能够在一台硬件配置达到当前主流水平的机器上以逡逑分钟级的时间代价训练完成Ｐ１］。训练出模型的效果与深度学习分类器相比精逡逑度差别不是很大，甚至优于部分的深度学习分类器，如图２．１所示［３１］：逡逑逦Ｙａｈｏｏ逦Ａｍａｚｏｎ邋ｆｕｌｌ逦Ａｍａｚｏｎ邋ｐｏｌａｒｉｔｙ逡逑逦Ａｃｃｕｒａｃｙ逦Ｔｉｍｅ逦Ａｃｃｕｒａｃｙ逦Ｔｉａｅ逦Ａｃｃｕｒａｃｙ逦Ｔｉ？ｅ逡逑ｃｈａｒ－ＣＮＮ邋７１．２逦—邋１邋ｄａｙ￣逦５９．５逦＾５邋ｄａｙｓ￣逦９４．５逦￣５邋ｄａｙｓ￣￣逡逑ＶＤＣＮＮ逦７３．４逦２ｈ逦６３逦７ｈ邋￣邋９５．７逦７ｈ逡逑ｆａｓｔＴｅｘｔ邋７２，３逦５ｓ逦６０．２逦９ｓ逦９４．６逦ＩＱｓ逡逑图２．１：邋ｆａｓｔＴｅｘｔ与深度学习对比图逡逑ｆａｓｔＴｅｘｔ另一特点，在于“ｔｅｘｔ”。这是一个完全用于文本分类的框架。可用逡逑于句子（短文本）分类和长文本分类等领域［３２］，在文本倾向性和文本分类标逡逑签预测等典型问题上有着非常优异的表现。并且这一框架能够通过学习词语的逡逑向量表示来处理多种语言的文本，因而对于中文的司法文本同样适用。逡逑ｆａｓｔＴｅｘｔ模型主要由三部分组成［３３］：浅层神经网络模型架构、层次Ｓｏｆｔｍａｘ逡逑和Ｎ－ｇｒａｍ特征。在模型架构方面，ｆａｓｔＴｅｘｔ采用了与ｗｏｒｄ２ｖｅｃ训练词向量所用逡逑的ＣＢ０Ｗ模型相似的浅层神经网络模型（如图２．２所示）。逡逑与深度神经网络隐藏层包含多层不同，ｆａｓｔＴｅｘｔ所采用的模型隐藏层仅有逡逑一层

用例图,用例图,远程文件,文本输入

负载｜支持１位用户远程同时访问逡逑３．２．３司法案例筛选系统用例设计逡逑根据系统功能性需求，系统的用例图如图３．１所示：逡逑扩展逡逑筛选案例ｙ逡逑７、、、．逦逦逦逦逡逑图３．１：系统用例图逡逑用例图中共涉及７个用例，分别是远程文本输入、远程文件上传、裁判文书逡逑分析、获取筛选案例、详情查看、文件下载和裁判文书储存。逡逑其中，远程文本输入用例和远程文件上传用例定义了文件上传和文本框输逡逑入两种交互功能。裁判文书分析用例定义了裁判文书分析功能：需要帮助系统逡逑使用者快速地理解裁判文书。裁判文书储存用例定义了对裁判文书及其分析结逡逑果储存的功能。获取筛选案例用例定义了案例筛选功能：需要通过用户输入或逡逑上传的文本，筛选出相似的案例文本。详情查看用例和文件下载用例分别定义逡逑了对筛选案例的原文本详情查看和下载的功能。７个用例的具体用例描述如下：逡逑１７逡逑
【学位授予单位】：南京大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：D926;TP181;TP391.1

【相似文献】