[發(fā)明專利]一種根據(jù)犯罪事實(shí)的描述自動(dòng)生成法院觀點(diǎn)的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811210148.2
• 申請(qǐng)日: 2018-10-17
• 公開（公告）號(hào): CN109408630B
• 公開（公告）日: 2021-10-29
• 發(fā)明（設(shè)計(jì)）人: 王世晞;張亮;徐建忠;劉濤
• 申請(qǐng)（專利權(quán)）人: 杭州世平信息科技有限公司
• 主分類號(hào): G06F16/34
• 分類號(hào): G06F16/34;G06F40/289;G06Q50/18;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 徐文權(quán)

1.一種根據(jù)犯罪事實(shí)的描述自動(dòng)生成法院觀點(diǎn)的方法，其特征在于，包括以下步驟：

步驟1)構(gòu)建根據(jù)犯罪事實(shí)描述生成法院觀點(diǎn)的模型；

具體地：

步驟1.1)構(gòu)建訓(xùn)練數(shù)據(jù)集，所述訓(xùn)練數(shù)據(jù)集由犯罪事實(shí)描述、罪名及法院觀點(diǎn)對(duì)應(yīng)組成；

步驟1.2)對(duì)訓(xùn)練數(shù)據(jù)集中的犯罪事實(shí)描述和法院觀點(diǎn)進(jìn)行預(yù)處理，使用自然語言處理工具對(duì)犯罪事實(shí)描述和法院觀點(diǎn)進(jìn)行分詞，將所有犯罪事實(shí)描述包含的詞和所有法院觀點(diǎn)包含的詞分別形成兩個(gè)詞表，根據(jù)詞表分別將犯罪事實(shí)描述和法院觀點(diǎn)的詞序列轉(zhuǎn)化為one-hot詞向量序列：X_seq和Y_seq；

步驟1.3)以犯罪事實(shí)描述one-hot詞向量序列X_seq和罪名V做為模型輸入，法院觀點(diǎn)one-hot詞向量序列Y_seq做為輸出，利用機(jī)器學(xué)習(xí)技術(shù)對(duì)模型進(jìn)行訓(xùn)練，得到模型中的各個(gè)參數(shù)；

步驟1.3)具體為：

模型使用兩個(gè)Word-embedding層分別將X_seq和Y_seq的稀疏one-hot詞向量轉(zhuǎn)化成embedding詞向量x，y，使用單層神經(jīng)網(wǎng)絡(luò)將罪名的one-hot向量轉(zhuǎn)化為密集向量E_v，并使用雙向LSTM和Attention機(jī)制對(duì)犯罪事實(shí)的描述進(jìn)行編碼，對(duì)于時(shí)刻i，隱藏狀態(tài)h_i為：

其中和分別為正向和反向LSTM在時(shí)刻i的隱藏狀態(tài)：

其中x_i為時(shí)刻i時(shí)輸入的embedding詞向量，x_i＝W_e1X_i，X_i為時(shí)刻i時(shí)犯罪事實(shí)描述one-hot詞向量；

應(yīng)用Attention機(jī)制后，時(shí)刻j的上下文向量為：

其中|x|為一個(gè)樣本中詞的數(shù)量，α_ji為注意力權(quán)重：

模型使用LSTM進(jìn)行解碼，上式中s_j為時(shí)刻j時(shí)解碼器的隱藏狀態(tài)，表示s_j的轉(zhuǎn)置，W₁表示神經(jīng)網(wǎng)絡(luò)的一個(gè)參數(shù)矩陣，k是求和中的變量，表示求和是從k＝1到k＝|x|，即求和過程中h_k分別為h₁，h₂，...h_|x|：

其中y_j-1為時(shí)刻j-1時(shí)解碼器輸出的embedding詞向量；E_v為罪名的密集向量，s_j-1為時(shí)刻j-1時(shí)解碼器的隱藏狀態(tài)，W_v和b_v為神經(jīng)網(wǎng)絡(luò)的兩個(gè)參數(shù)；

y_j-1＝tanh(W₂[s_j-1；c_j-1；E_v]+b₂)

上述公式中帶任何下標(biāo)的W和b都是模型需要訓(xùn)練的參數(shù)；

訓(xùn)練模型時(shí)采用最大似然估計(jì)和Adam Learning方法來優(yōu)化參數(shù)，損失函數(shù)為：

其中，N為訓(xùn)練樣本數(shù)量，y_j為時(shí)刻j時(shí)解碼器輸出的embedding詞向量，|y|為對(duì)于一個(gè)樣本解碼器輸出的所有詞向量個(gè)數(shù)，Y_j為法院觀點(diǎn)的one-hot向量；W和b是指代帶帶任何下標(biāo)的W和b，即所有模型參數(shù)；

將訓(xùn)練數(shù)據(jù)分為若干批，每批數(shù)據(jù)計(jì)算L(W，b)及其梯度按照AdamLearning方法對(duì)參數(shù)進(jìn)行更新，直到不會(huì)降低損失函數(shù)為止；

步驟2)將犯罪事實(shí)輸入步驟1)構(gòu)建的模型中，輸出法院觀點(diǎn)。

2.根據(jù)權(quán)利要求1所述的一種根據(jù)犯罪事實(shí)的描述自動(dòng)生成法院觀點(diǎn)的方法，其特征在于，步驟1.1)中獲取訓(xùn)練數(shù)據(jù)集的方法為：從裁判文書網(wǎng)中遍歷罪名爬取刑事判決書，對(duì)每一份刑事判決書，通過正則表達(dá)式提取出犯罪事實(shí)描述和法院觀點(diǎn)，將犯罪事實(shí)描述和法院觀點(diǎn)與罪名組合起來形成訓(xùn)練數(shù)據(jù)集。

3.根據(jù)權(quán)利要求2所述的一種根據(jù)犯罪事實(shí)的描述自動(dòng)生成法院觀點(diǎn)的方法，其特征在于，所述犯罪事實(shí)描述為包含經(jīng)審理查明的段落；所述法院觀點(diǎn)為包含本院認(rèn)為的句子。

4.根據(jù)權(quán)利要求1所述的一種根據(jù)犯罪事實(shí)的描述自動(dòng)生成法院觀點(diǎn)的方法，其特征在于，步驟2)具體包括：

步驟2.1)使用自然語言處理工具對(duì)犯罪事實(shí)描述和法院觀點(diǎn)進(jìn)行分詞及詞性標(biāo)注，根據(jù)訓(xùn)練數(shù)據(jù)集的詞表將犯罪事實(shí)描述的詞序列轉(zhuǎn)化為one-hot詞向量序列：X_seq’；

步驟2.2)將犯罪事實(shí)描述one-hot詞向量序列X_seq’和罪名做為模型輸入，得到模型輸出的one-hot詞向量序列Y_seq’，根據(jù)訓(xùn)練集的詞表將one-hot詞向量序列Y_seq’轉(zhuǎn)化為詞。