[发明专利]基于文档嵌入的长文本案件罚金范围分类预测方法及装置

权利要求书

1.一种基于文档嵌入的长文本案件罚金范围分类预测方法，其特征在于，包括以下步骤：

S1：对已知罚金金额的判决文书的罚金金额进行离散化处理，并根据罚金金额对已知罚金金额的判决文书标记不同的label；

S2：对已知罚金金额的判决文书进行分词并去停用词处理；

S3：将同一label下的已知罚金金额的判决文书拼接组合成一个文档，计算每个词在不同label下的文档中的TFIDF值，并按照每个词在不同文档中的TFIDF值的方差大小对词进行重要性排序；

S4：取排序后top k个词作为关键词，对已知罚金金额的判决文书的词进行过滤，只保留是关键词的词；

S5：利用过滤后的已知罚金金额的判决文书训练一个doc2vec模型，按照label计算对应的doc2vec中心向量；

S6：对待预测的判决文书，计算其doc2vec向量及其与各label的doc2vec中心向量的欧式距离，取欧式距离最邻近的label作为其预测的label值，得到待预测的判决文书的罚金范围；

所述步骤S5具体步骤如下：

S5.1：对每一过滤后的已知罚金金额的判决文书新增一paragraph id1，并将其映射成一个paragraph vector向量，在训练过程中，paragraph id1保持不变，共享着同一个paragraph vector；

S5.2：将每一个词映射成一个word vector向量，paragraph vector与word vector的维数一样，来自于两个不同的向量空间；

S5.3：将paragraph vector和word vector累加或连接起来，作为输入；

S5.4：输出该过滤后的已知罚金金额的判决文书的paragraph vector；

S5.5：对于每个label下的过滤后的已知罚金金额的判决文书，将该label下所有paragraph vector的平均向量作为该label的doc2vec中心向量。

2.根据权利要求1所述的基于文档嵌入的长文本案件罚金范围分类预测方法，其特征在于，所述步骤S1具体为：

将罚金金额分为(0,2000]、(2000,3000]、(3000,4000]、(4000,5000]、(5000,6000]、(6000,10000]、(10000,500000]以及500000+八个范围，分别用1至8标记其label。

3.根据权利要求2所述的基于文档嵌入的长文本案件罚金范围分类预测方法，其特征在于，所述步骤S2具体为：

使用结巴分词或盘古分词分词工具对已知罚金金额的判决文书进行分词，在分词后使用停用词表对出现的停用词进行过滤。

4.根据权利要求1所述的基于文档嵌入的长文本案件罚金范围分类预测方法，其特征在于，所述步骤S3中计算每个词在不同label下的文档中的TFIDF值的具体步骤如下：

S3.1：计算词w的词频(TF)，计算方式如下：

式中，tf(w,d)表示词w在label为d分类下的文档中的词频(TF)，Count(w|d)表示词w在label为d分类下的文档中出现的次数，Count(d)表示在label为d分类下的文档中出现的词数；

S3.2：计算词w的逆向文档频率(IDF)，计算方式如下：

式中，idf(w,D)表示词w在整个文档集合D中的逆向文档频率，N表示文档数，n_w表示出现过词w的文档数；

S3.3：将词w的词频(TF)乘以逆向文档频率(IDF)得到在label为d分类下的文档中词w的TFIDF值。