[发明专利]基于过滤门机制的用户法条预测方法

说明书

本发明公开了一种基于过滤门机制的用户法条预测方法。本发明基于过滤门机制的用户法条预测方法，包括：采用双向LSTM网络对案情描述进行编码，将编码后的向量经过一个过滤门结构得到案情描述的高层次表示；利用注意力机制为每一个罪名选择合适的文本特征，将经过最大池化层后的向量与每一个罪名的注意力表示拼接，得到最终用于预测的向量；利用二分类模型，判断每个罪名是否始于该案情描述。本发明的有益效果：在用户法条预测系统中传统的做法通常是人工特征配合经典的文本分类器，这样导致最终法条预测的准确度高度依赖人工特征的好坏，也不具备跨业务预测的通用性，同时传统的做法不能很好的预测相似案情的法条。

技术领域

本发明涉及计算机领域，具体涉及一种基于过滤门机制的用户法条预测方法。

背景技术

人工智能AI技术对建设服务性司法、现代化司法具有重要意义，也是满足人民群众法律需求的重要手段。AI技术在多个领域已经开展了不少实际应用，例如自动驾驶技术、人工智能金融、AI在线翻译等。法律虽然属于社会科学而不是自然科学范畴，但与哲学、社会学等学科不同，具有较强的形式化特征，法律推理的逻辑也比较鲜明，法律的信息也浩瀚繁多，且更新极快，AI迅速处理海量数据的优势使他能够在司法行业中一展优势。人们希望通过机器阅读大量的案件事实，自动给出该案件的适用条款，以提高审判效率。有效地利用这些数据能够减轻业务人员的负担，提高办案效率。同时，也可以对案件审判的质量进行评价，发现法官的习惯性偏差，有利于提高审判质量，保证公正执法。因此，我们可以利用自然语言处理技术，结合深度学习的方法，对于新的法律案件自动产生相应的法条。

法条预测对智能司法系统至关重要，用户可以根据自己的案情寻找是否有相似的案情，或者根据自己的案情找到相应的法律法规，进而来获取关于自己案情的判决依据。这对于帮助那些不了解法律的普通人是很有帮助的。

目前针对法条预测的常规做法就是将其看作一个文本分类的任务，利用数据挖掘和机器学习技术，预测每个法条对应的概率，最后设定一个阈值，大于0.5的则与该案情描述相关。常用的机器学习模型有LR(Logistic Regression，逻辑回归)、RF(RandomForests，随机森林)、GBDT(Gradient Boosting Decision Tree，梯度提升树)、SVM(Support Vector Machine,支持向量机)、DNN(Deep Neural Networks，深度神经网络)以及一些集成学习的方法Bagging和Boosting等。

传统技术存在以下技术问题：

在司法实践中，如果看似相同的案件，裁判结果或标准并不一致，会影响司法的公信力。当然，导致结果不一致的原因很多，有的是案情表面上大体相似，但其中的法律关系本质上不一致，结果适用法律也不一致，同时有些法条之间的差别也不是很明显。例如：从案情描述中区分故意杀人还是故意伤害需要判断嫌疑人是想故意致受害者于死地还是仅仅想伤害她意外造成的死亡。现有的方法无法区分相似案情所对应的法条。

LR(Logistic Regression,逻辑回归)是文本分类常用的机器学习算法，具有理解起来简单，易于并行化和工程化等优点。虽然逻辑回归简单，复杂度相对低，能够处理大量的样本，但它有很明显的缺陷，其属于线性模型，表征能力比较差，特征工程的质量对模型的效果影响巨大，无法学习特征间的非线性关系。该模型常常需要配合交叉特征使用。

RF(Random Forests，随机森林)是另外一个文本分类常用的算法，有多棵决策树构成，具有模型效果好、易于并行化、可解释性强以及应对高维数据的处理能力。但其属于传统机器学习模型，依然得依靠特征工程来获得最好的模型效果。此外，随机森林的模型容量较小，在面对大数据量的情况下无法很好的拟合数据，会出现欠拟合的情况。