基于犯罪行為序列的法律條文預測方法
發(fā)布時間：2021-06-09 20:48
隨著互聯(lián)網(wǎng)技術和人工智能技術的飛速發(fā)展,如何將人工智能引入到司法領域得到了各大研究機構的密切關注。在傳統(tǒng)的審判輔助工作中,主要依托的是對于獨立的案情特征進行法條、量刑、罪名的確立。然而,這種情況下,案情特征的順序容易被忽略,尤其是涉及到案件特征的時間序列、行為序列的分析時",順序問題"可能影響最終的審判結果,如相同特征的案件可能導致審判結果的不同。對如何有效地利用這些信息提升法律條文預測的性能進行研究,用于改進在司法領域的表現(xiàn),并輔助法官和律師等更加高效地進行法律判決。通過利用案情的事實描述和犯罪行為序列來預測案件涉及的相關法條,驗證基于犯罪行為序列的法律條文預測的有效性。
【文章來源】：計算機工程與應用. 2019,55(22)北大核心CSCD
【文章頁數(shù)】：6 頁
【部分圖文】：
基于犯罪行為序列的法律條文預測模型
2019，55（22）ComputerEngineeringandApplications計算機工程與應用1引言近年來，我國不斷深入推進司法改革，希望通過引入人工智能，提升審判效率，提高審判能力。通過調研發(fā)現(xiàn)，裁判文書中的案情描述對法律條文預測結果有著顯著影響。但僅僅使用案情描述進行法律條文的預測，可解釋性不強，效果不佳。因此考慮引入其他類型的數(shù)據(jù)用于提高法律條文預測的可解釋性及其預測結果。結合法院斷案的思路，判案人員會考慮整個案件動作發(fā)生的先后順序以及犯罪行為等信息。如圖1所示：案件A，罪名為故意殺人，對應所觸犯的法條為《中華人民共和國刑法》第232條。案件B，罪名為過失致人死亡，對應所觸犯的法條為《中華人民共和國刑法》第233條。雖然這兩個案件中涉及的動作描述相似，且最后的結果都是死亡，但動作發(fā)生的先后順序有著明顯的不同，最終也導致了這兩個案件的罪名和法條的不同。這些動作的序列信息往往被人忽略，當人們將這些信息融入到法律條文預測任務中，會對法律條文的預測有著極大的幫助。因此本文提出了基于犯罪行為序列的法律條文預測方法，以法條作為要預測的標簽（共有183條法律條文），預測案件所涉及的法條。而通常情況下，一個案件的案情描述是由不同的行為詞按照先后順序構成的，這些行為詞可以作為案情的關鍵要素。因此對案情描述中的行為詞提取，建立與之相對應的犯罪行為序列來表示當前案件的發(fā)展趨勢。針對提取到的犯罪行為序列，選用合適的模型進行處理并用于法律條文的預測，從而解決僅僅使用案情描述這類文本信息對于法律條文預測的不足。本文針對傳統(tǒng)法律條文預測任務僅僅使用案情描述的情況，引入犯罪行為序列的信息，豐富了案情描述的特征表現(xiàn)，增強了對案情描述的理解，有利于對案情描述進行深層?
褂萌??槌槿∷惴ǖ玫降鼻?案件的三元組集合，對得到的三元組集合信息進行清洗篩選的工作，并將其拼接得到犯罪行為序列，對于得到的犯罪行為序列將其轉換為向量表示�？紤]到TextRNN善于處理序列信息，能夠更好地表達上下文信息，因此使用TextRNN對犯罪行為序列進行建模處理。對于案情描述部分，考慮到TextCNN善于捕捉局部相關性，具體到法律條文預測中，可以利用TextCNN提取更多句子中的關鍵信息，因此使用TextCNN對案情描述進行建模處理。最后將兩個模型的結果融合并進行輸出�；诜缸镄袨樾蛄械姆蓷l文預測流程如圖2所示。3.2犯罪行為序列結合司法人員案件審理的過程來看，司法人員會著重考慮整個案件動作發(fā)生的先后順序以及當前案件的犯罪行為等信息，根據(jù)抽取結果發(fā)現(xiàn)每一個罪名下（罪名和法條一一對應）都有一種固定的事件線描述方法，如圖3所示。針對案情描述如何提取到犯罪行為序列，這里考慮利用中文語法啟發(fā)式規(guī)則抽取關系表述和根據(jù)距離確定論元位置的方法進行相應的抽取工作，輸出表示實體關系的三元組的集合，并將三元組的集合進行組合，從而得到犯罪行為序列。對于犯罪行為序列的捕捉，首先需要對案情描述進行依存分析，依存分析的目的是通過分析句子中各個成分之間的依賴關系，從而揭示句子的句法結構[14]。其次需要結合中文語法的關系表述來進行抽取，在英文中可以將實體之間的謂語動詞作為關系表述，而在中文中以謂語動詞作為關系表述容易導致實體間的關系含糊不清，同時動詞謂語句的謂語是動詞或者動詞短語，它在日常用語中占了很大的比重，是漢語中常見的句型。動詞謂語句主要分為兩大類：動詞作謂語，動詞短語作謂語。具體到本文的應用場景，使用哈工大LTP工具，從案情的事實描述中抽取得到三元組
【參考文獻】：
期刊論文
[1]基于依存分析的開放式中文實體關系抽取方法[J]. 李明耀,楊靜. 計算機工程. 2016(06)
[2]審判案例自動抽取與標注模型研究[J]. 佘貴清,張永安. 現(xiàn)代圖書情報技術. 2013(06)
[3]基于本體的法律知識庫的研究與實現(xiàn)[J]. 何慶,湯庸,黃永釗. 計算機科學. 2007(02)
本文編號：3221290
【文章來源】：計算機工程與應用. 2019,55(22)北大核心CSCD
【文章頁數(shù)】：6 頁
【部分圖文】：
基于犯罪行為序列的法律條文預測模型
2019，55（22）ComputerEngineeringandApplications計算機工程與應用1引言近年來，我國不斷深入推進司法改革，希望通過引入人工智能，提升審判效率，提高審判能力。通過調研發(fā)現(xiàn)，裁判文書中的案情描述對法律條文預測結果有著顯著影響。但僅僅使用案情描述進行法律條文的預測，可解釋性不強，效果不佳。因此考慮引入其他類型的數(shù)據(jù)用于提高法律條文預測的可解釋性及其預測結果。結合法院斷案的思路，判案人員會考慮整個案件動作發(fā)生的先后順序以及犯罪行為等信息。如圖1所示：案件A，罪名為故意殺人，對應所觸犯的法條為《中華人民共和國刑法》第232條。案件B，罪名為過失致人死亡，對應所觸犯的法條為《中華人民共和國刑法》第233條。雖然這兩個案件中涉及的動作描述相似，且最后的結果都是死亡，但動作發(fā)生的先后順序有著明顯的不同，最終也導致了這兩個案件的罪名和法條的不同。這些動作的序列信息往往被人忽略，當人們將這些信息融入到法律條文預測任務中，會對法律條文的預測有著極大的幫助。因此本文提出了基于犯罪行為序列的法律條文預測方法，以法條作為要預測的標簽（共有183條法律條文），預測案件所涉及的法條。而通常情況下，一個案件的案情描述是由不同的行為詞按照先后順序構成的，這些行為詞可以作為案情的關鍵要素。因此對案情描述中的行為詞提取，建立與之相對應的犯罪行為序列來表示當前案件的發(fā)展趨勢。針對提取到的犯罪行為序列，選用合適的模型進行處理并用于法律條文的預測，從而解決僅僅使用案情描述這類文本信息對于法律條文預測的不足。本文針對傳統(tǒng)法律條文預測任務僅僅使用案情描述的情況，引入犯罪行為序列的信息，豐富了案情描述的特征表現(xiàn)，增強了對案情描述的理解，有利于對案情描述進行深層?
褂萌??槌槿∷惴ǖ玫降鼻?案件的三元組集合，對得到的三元組集合信息進行清洗篩選的工作，并將其拼接得到犯罪行為序列，對于得到的犯罪行為序列將其轉換為向量表示�？紤]到TextRNN善于處理序列信息，能夠更好地表達上下文信息，因此使用TextRNN對犯罪行為序列進行建模處理。對于案情描述部分，考慮到TextCNN善于捕捉局部相關性，具體到法律條文預測中，可以利用TextCNN提取更多句子中的關鍵信息，因此使用TextCNN對案情描述進行建模處理。最后將兩個模型的結果融合并進行輸出�；诜缸镄袨樾蛄械姆蓷l文預測流程如圖2所示。3.2犯罪行為序列結合司法人員案件審理的過程來看，司法人員會著重考慮整個案件動作發(fā)生的先后順序以及當前案件的犯罪行為等信息，根據(jù)抽取結果發(fā)現(xiàn)每一個罪名下（罪名和法條一一對應）都有一種固定的事件線描述方法，如圖3所示。針對案情描述如何提取到犯罪行為序列，這里考慮利用中文語法啟發(fā)式規(guī)則抽取關系表述和根據(jù)距離確定論元位置的方法進行相應的抽取工作，輸出表示實體關系的三元組的集合，并將三元組的集合進行組合，從而得到犯罪行為序列。對于犯罪行為序列的捕捉，首先需要對案情描述進行依存分析，依存分析的目的是通過分析句子中各個成分之間的依賴關系，從而揭示句子的句法結構[14]。其次需要結合中文語法的關系表述來進行抽取，在英文中可以將實體之間的謂語動詞作為關系表述，而在中文中以謂語動詞作為關系表述容易導致實體間的關系含糊不清，同時動詞謂語句的謂語是動詞或者動詞短語，它在日常用語中占了很大的比重，是漢語中常見的句型。動詞謂語句主要分為兩大類：動詞作謂語，動詞短語作謂語。具體到本文的應用場景，使用哈工大LTP工具，從案情的事實描述中抽取得到三元組
【參考文獻】：
期刊論文
[1]基于依存分析的開放式中文實體關系抽取方法[J]. 李明耀,楊靜. 計算機工程. 2016(06)
[2]審判案例自動抽取與標注模型研究[J]. 佘貴清,張永安. 現(xiàn)代圖書情報技術. 2013(06)
[3]基于本體的法律知識庫的研究與實現(xiàn)[J]. 何慶,湯庸,黃永釗. 計算機科學. 2007(02)
本文編號：3221290
本文鏈接：http://sikaile.net/falvlunwen/fanzuizhian/3221290.html
