[发明专利]一种针对司法案件的基于Neural Embedding智能分析方法

说明书

一种针对司法案件的基于Neural Embedding智能分析方法，采用搜集刑事法律文书，并对案情事实描述文书进行预处理；将预处理后的案情事实描述文本作为文档实体，案件所涉及的法条、被告人的罪名和刑期长短要素作为文档实体所对应的多个标签实体，使用随机梯度下降的方式，训练文档实体和标签实体的Embedding向量；使用训练得到的Embedding向量，对新的数据计算文档实体和标签实体的相似度，从而做出案情的判定。本发明辅助法官、律师专业人士进行罪名判断、相关法条推荐、刑期预测的司法判决，从而节约案件审查的时间及人力成本，提升司法判决的准确性，使得法官、律师人士能更加高效的完成法律判决。

技术领域

本发明涉及智能司法判决辅助技术领域，具体地，涉及一种针对司法案件的基于Neural Embedding智能分析方法。

背景技术

传统案件审查及司法判决中所依赖的是法官、律师、检察官法律相关人士的专业解答与辩论流程。面对繁杂的刑事案件，需要花费大量的人力物力进行审查。并且对于同一案件，不同的法律从业者对案件的量刑结果存在着较大差别且具有较强争议性，处理案件的专业人士对案件具有强烈的主观性。为此我们设计了一种基于embedding的智能司法判决方法，辅助法官、律师专业人士进行罪名判断、相关法条推荐、刑期预测的司法判决，从而节约案件审查的时间及人力成本，提升司法判决的准确性，使得法官、律师人士能更加高效的完成法律判决。

发明内容

本发明的目的就在于克服上述现有技术的缺点和不足，提供一种针对司法案件的基于Neural Embedding智能分析方法，本发明采用搜集刑事法律文书，并对案情事实描述文书进行预处理；将预处理后的案情事实描述文本作为文档实体，案件所涉及的法条、被告人的罪名和刑期长短要素作为文档实体所对应的多个标签实体，使用随机梯度下降的方式，训练文档实体和标签实体的Embedding向量；使用训练得到的Embedding向量，对新的数据计算文档实体和标签实体的相似度，从而做出案情的判定；辅助法官、律师专业人士进行罪名判断、相关法条推荐、刑期预测的司法判决，从而节约案件审查的时间及人力成本，提升司法判决的准确性，使得法官、律师人士能更加高效的完成法律判决。

本发明解决上述问题所采用的技术方案是：

一种针对司法案件的基于Neural Embedding智能分析方法，包括以下步骤,

S1：搜集刑事法律文书，并对案情事实描述文书进行预处理；

S2：将预处理后的案情事实描述文本作为文档实体，案件所涉及的法条、被告人的罪名和刑期长短要素作为文档实体所对应的多个标签实体，使用随机梯度下降的方式，训练文档实体和标签实体的Embedding向量；

S3：使用S2中训练得到的Embedding向量，对新的数据计算文档实体和标签实体的相似度，法官、律师等专业人士可根据该相似度做出案情的判定。

进一步的，步骤S1中的对案情事实描述文书进行预处理包括以下子步骤，

S101：过滤案情事实描述文书中的停用词和特殊符号，保留汉字数字及标点符号信息，并对文本进行分词；

S102：将案情事实描述文本中的刑事敏感词数字做离散化处理。

进一步的，步骤S102中所述的刑事敏感词包括金钱、重量和血液酒精浓度三种类型。

获得步骤S2中Embedding向量的具体方法包括以下步骤,

S201：首先，采用特征求和的方式获取稳当实体a的向量；

S202：然后，映射出与文档实体维度一致的标签实体b的向量；

S203：最后，对文档实体a的向量和标签实体b的向量建立损失函数，得到Embedding向量。