[发明专利]基于深度学习的盗窃罪辅助量刑方法在审
申请号: | 201910870274.9 | 申请日: | 2019-09-16 |
公开(公告)号: | CN110610005A | 公开(公告)日: | 2019-12-24 |
发明(设计)人: | 叶麟;张宏莉;方滨兴;李尚;郭镔;蔡怡蕾;郭小丁;陈喆 | 申请(专利权)人: | 哈尔滨工业大学 |
主分类号: | G06F17/27 | 分类号: | G06F17/27;G06F16/33;G06N3/04;G06N3/08;G06Q50/18;G06Q50/26 |
代理公司: | 23209 哈尔滨市伟晨专利代理事务所(普通合伙) | 代理人: | 刘坤 |
地址: | 150001 黑龙*** | 国省代码: | 黑龙;23 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 基于深度学习的盗窃罪辅助量刑方法属于计算机领域;无法实现在较少人工标注情况下的案情语义表示和特定罪名的刑期精准预测;包括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;对裁判文书进行文本预处理;整合为语料集,训练词向量;完成除被盗窃物品价值和刑期之外特征的提取,使用循环神经网络为每一维特征分别构建特征生成器,从而提取特征值;使用线性回归和多层神经网络模型作为预测器,输入案件特征向量,输出刑期预测结果;能够在较少依赖人工标注的情况下实现对案情的深度语义理解和给出明确的刑期预测值。 | ||
搜索关键词: | 人工标注 多层神经网络 循环神经网络 盗窃 计算机领域 特征生成器 文本预处理 形式化描述 犯罪事实 角度定义 判决结果 特征向量 线性回归 一维特征 语义表示 语义理解 预测结果 主体信息 词向量 预测器 预测 构建 语料 整合 裁判 输出 案件 犯罪 学习 | ||
【主权项】:
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:/n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;/n步骤b、对裁判文书进行文本预处理;/n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;/n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;/n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。/n
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨工业大学,未经哈尔滨工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201910870274.9/,转载请声明来源钻瓜专利网。