隨著社會(huì)經(jīng)濟(jì)的發(fā)展和法治社會(huì)的建設(shè),人民群眾對利用法律維護(hù)自身權(quán)益的意識(shí)越來越強(qiáng),大量的訴訟案件使得法院負(fù)擔(dān)過重,“案多人少”的問題日益嚴(yán)峻,高素質(zhì)法官所需要的長培養(yǎng)周期以及法官群體內(nèi)部專業(yè)素養(yǎng)的差異性使得一味增加審判資源、增加法官人數(shù)的方案不能及時(shí)有效地解決這一矛盾。在司法信息化建設(shè)已經(jīng)初見成效的當(dāng)下,借助于司法大數(shù)據(jù)和機(jī)器學(xué)習(xí)方法,尋求一種減輕法官工作負(fù)擔(dān),加快其工作效率的自動(dòng)化輔助判決手段是一種解決當(dāng)前問題的有效手段。當(dāng)前針對司法自動(dòng)化輔助判決的研究主要集中在案件分類和案件相似度計(jì)算以及類案推薦技術(shù)上,而對案件的判決預(yù)測尤其是刑期預(yù)判技術(shù)研究較少。傳統(tǒng)的刑期預(yù)判依賴于包含罪名、法條等數(shù)據(jù)的結(jié)構(gòu)化數(shù)據(jù),且該結(jié)構(gòu)化數(shù)據(jù)通常需要人工給出,少數(shù)直接基于案件描述的刑期預(yù)判技術(shù)也受困于較低的準(zhǔn)確率。本文主要貢獻(xiàn)與創(chuàng)新在于:1)在Bi LSTM-CRF模型的基礎(chǔ)上,提出了基于注意力機(jī)制的聯(lián)合CNN模型,解決了原有模型對于文本整體特征抽取能力不足的問題,提高了案件要素的抽取精度;2)設(shè)計(jì)了基于案件要素的深度門限神經(jīng)網(wǎng)絡(luò)模型,通過增加案件要素作為輔助信息,解決了其它模型對于文本內(nèi)部重要信息使用不充... 

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 信息抽取
        1.2.2 命名實(shí)體識(shí)別
        1.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        1.2.4 中文司法文書的判決預(yù)測
        1.2.5 國內(nèi)外研究現(xiàn)狀簡析
    1.3 論文主要研究內(nèi)容和結(jié)構(gòu)安排
        1.3.1 論文主要研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)安排
第2章 相關(guān)理論研究
    2.1 引言
    2.2 自然語言處理相關(guān)技術(shù)
        2.2.1 文本表示與詞向量
        2.2.2 條件隨機(jī)場
    2.3 面向司法文書處理的深度學(xué)習(xí)技術(shù)
        2.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.2 長短期記憶網(wǎng)絡(luò)
        2.3.3 BERT
        2.3.4 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
第3章 司法文書分析與案件要素標(biāo)注數(shù)據(jù)集的開發(fā)
    3.1 引言
    3.2 司法文書的特點(diǎn)
    3.3 案件要素定義
    3.4 標(biāo)注規(guī)范設(shè)計(jì)
    3.5 標(biāo)注數(shù)據(jù)統(tǒng)計(jì)
    3.6 本章小結(jié)
第4章 基于深度學(xué)習(xí)的案件要素抽取方法研究
    4.1 引言
    4.2 案件要素抽取模型
    4.3 實(shí)驗(yàn)數(shù)據(jù)
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)的選取和預(yù)處理
        4.3.2 數(shù)據(jù)劃分
    4.4 實(shí)驗(yàn)環(huán)境
        4.4.1 Tensorflow2.0
        4.4.2 訓(xùn)練策略和超參數(shù)設(shè)置
    4.5 評測指標(biāo)
    4.6 實(shí)驗(yàn)結(jié)果
    4.7 本章小結(jié)
第5章 基于案件要素的刑期預(yù)判研究
    5.1 引言
    5.2 實(shí)驗(yàn)數(shù)據(jù)的調(diào)整
    5.3 基于案件要素的深度門限網(wǎng)絡(luò)模型
    5.4 輸出結(jié)果與損失函數(shù)定義
    5.5 評測指標(biāo)
    5.6 實(shí)驗(yàn)結(jié)果
    5.7 本章小結(jié)
第6章 總結(jié)與展望
    6.1 主要工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
致謝
附錄 攻讀碩士學(xué)位期間發(fā)表論文及參與的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]基于混合深度神經(jīng)網(wǎng)絡(luò)模型的司法文書智能化處理[J]. 王文廣,陳運(yùn)文,蔡華,曾彥能,楊慧宇.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(07)
[2]基于深度信念網(wǎng)絡(luò)的維吾爾語事件伴隨關(guān)系識(shí)別[J]. 胡偉,禹龍,田生偉,吐爾根·依布拉音,馮冠軍,艾斯卡爾·艾木都拉.  中文信息學(xué)報(bào). 2018(05)
[3]司法大數(shù)據(jù)與人工智能開發(fā)的技術(shù)障礙[J]. 王祿生.  中國法律評論. 2018(02)
[4]基于神經(jīng)網(wǎng)絡(luò)的片段級(jí)中文命名實(shí)體識(shí)別[J]. 王蕾,謝云,周俊生,顧彥慧,曲維光.  中文信息學(xué)報(bào). 2018(03)
[5]信息抽取研究綜述[J]. 郭喜躍,何婷婷.  計(jì)算機(jī)科學(xué). 2015(02)
[6]基于層疊隱馬爾可夫模型的中文命名實(shí)體識(shí)別[J]. 俞鴻魁,張華平,劉群,呂學(xué)強(qiáng),施水才.  通信學(xué)報(bào). 2006(02)
[7]實(shí)體關(guān)系自動(dòng)抽取[J]. 車萬翔,劉挺,李生.  中文信息學(xué)報(bào). 2005(02)

碩士論文
[1]基于深度學(xué)習(xí)的中文信息抽取研究[D]. 姜猛.貴州大學(xué) 2019
[2]司法文書法律要素提取方法的研究與實(shí)現(xiàn)[D]. 王林木.東南大學(xué) 2018



本文編號(hào)：3692512