[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

说明书

本发明公开一种基于文档嵌入的长文本案件罚金范围分类预测方法，包括：S1：对罚金金额进行离散化处理，并根据罚金金额标记不同的label；S2：进行分词并去停用词处理；S3：将同一label下的判决文书拼接组合成一个文档，计算每个词在不同文档中的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，保留是关键词的词；S5：利用过滤后判决文书训练一个doc2vec模型，对应的doc2vec中心向量；S6：计算待预测判决文书doc2vec向量及其与各label的doc2vec中心向量的距离，取距离最邻近的label作为预测的label，得到待预测判决文书的罚金范围。本发明利用机械学习与大数据自动给出案件中责任人所处罚金的范围，提高办案效率，较少人力资源。

技术领域

本发明涉及文本分类领域，更具体地，涉及基于文档嵌入的长文本案件罚金范围分类预测方法装置。

背景技术

随着人工智能技术的发展以及司法大数据应用的广泛开展，业务人员希望通过机器阅读大量的案件事实，自动给出该案件中责任人所处罚金的范围，以提高办案效率。同时，也有利于公民根据相关案情事实快速了解可能面临的处罚。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供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。

本发明旨在至少在一定程度上解决上述技术问题。

本发明的首要目的是利用大量公开的案件数据，让机器阅读大量的案件事实，学习隐藏在数据背后的法律专业经验，自动给出该案件中负责人所处罚金的范围，以提高办案效率。

为解决上述技术问题，本发明的技术方案如下：

一种基于文档嵌入的长文本案件罚金范围分类预测方法，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。

利用公开的已知罚金金额的判决文书先根据罚金金额进行分类、分词，再进行doc2vec模型的训练，得到训练好的doc2vec模型，在对待预测的判决文书进行预判并给出预判的罚金金额，减少大量的人力物力，快速实现案件判罚判定，加速案件审理过程。

优选地，步骤S1将已知罚金金额的判决文书的罚金金额进行离散化处理具体为：

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。

优选地，步骤S2中对已知罚金金额的判决文书进行分词并去停用词处理的具体步骤为：

使用分词工具对已知罚金金额的判决文书进行中文分词，在分词后使用中文停用词表对出现的停用词进行过滤。