[发明专利]基于深度学习的盗窃罪辅助量刑方法

权利要求书

1.一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，包括以下步骤：

步骤a、根据刑法规定和关于盗窃罪的量刑规定，结合已公开的盗窃罪一审判决书，从被盗窃物品价值、犯罪主体信息、犯罪事实描述、判决结果角度定义形式化描述盗窃案的11维特征，所述11维特征包括被盗窃物品价值、被告人是否为未成年人、被告人是否为残疾人、是否有入户行窃情节、是否有携带凶器情节、是否有扒窃情节、是否有其他严重情节、被告人是否累犯、是否有退赔情节、是否有自首情节以及判决刑期；

步骤b、对裁判文书进行文本预处理；

步骤c、将预处理后得到的所有文本整合为语料集，训练词向量；

步骤d、完成除被盗窃物品价值和刑期之外其余9维特征的提取，使用循环神经网络为每一维特征分别构建特征生成器，以句子为单位对词向量序列进行训练从而提取特征值；

步骤e、使用线性回归和多层神经网络模块作为预测器，案件特征向量作为输入，输出以月为单位的刑期预测结果。

2.根据权利要求1所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述将预处理后得到的所有文本整合为语料集，使用Word2Vec训练词向量，参数设置为使用CBOW模型、使用负采样方法优化，分别训练向量维度为100、150、200、250和300的5组词向量。

3.根据权利要求1所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述文本预处理包括无关段落去除、数值型特征提取和无关词语去除。

4.根据权利要求3所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述无关段落包括辩护人信息、审理流程描述、公诉机关的判决建议、被告人和辩护人的辩护意见和法院经审理查明的事实，采用正则表达式匹配所述无关段落的起始段与结束段，将起始段与结束段连同中间段落一并删去。

5.根据权利要求3所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述数值型特征包括被盗窃物品价值和刑期，采用基于规则的方法提取。

6.根据权利要求5所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述被盗窃物品价值是指盗窃物品的总金额，所述被盗窃物品的金额信息包含在案件事实描述，所述金额信息具有固定格式，通过正则表达式提取所有符合所述格式的字符串，得到所有金额数值，同时判断金额字符串所在的句子是否包括“返还、赔偿、退赔、退缴、归还、退还、赔款、上交、补偿或赃款”关键词，如果包含则不将所述句子中的金额计算到总金额中，通过上述方式对每句话进行处理后，累加得到的数值便是被盗窃物品的总价值。

7.根据权利要求5所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述刑期包含在法院判决意见中，刑期表示为“有期徒刑”主刑词加上“某年”字样的时长信息，其中表示数值的并非阿拉伯数字而是中文数字，通过正则表达式提取法院判决意见中符合上述格式的字符串，将其中的中文数字转换为数值后，为将其统一表示为月，将表示“年”的数值乘以12后加上表示“月”的数值得到最终的刑期结果，所述某年为一年、二年、两年、三年、四年、五年、六年、七年、八年、九年或十年。

8.根据权利要求3所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述无关词语包括人名、机构名、地名、时间以及出现频率低于阈值的词，通过政策表达式去除。

9.根据权利要求1所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述9维特征包括被告人是否为未成年人、被告人是否为残疾人、是否有入户行窃情节、是否有携带凶器情节、是否有扒窃情节、是否有其他严重情节、被告人是否累犯、是否有退赔情节、是否有自首情节。

10.根据权利要求1所述一种基于深度学习的盗窃罪辅助量刑方法，其特征在于，所述线性回归用于回归任务，多层神经网络模块用于处理非线性问题，其因变量和自变量的数目能够设置为多个。