一种基于细粒度特征和互信息的自动定罪方法技术

本发明专利技术通过网络安全领域的方法，实现了一种基于细粒度特征和互信息的自动定罪方法。通过输入模块读取给定案情描述的词向量序列X，之后将信息发送给双线性卷积神经网络模块和卷积神经网络模块分别抽取特征，进而通过胶囊网络层聚合双线性卷机神经网络模块和卷机神经网络模块的抽取的特征，通过属性部分整合卷积神经网络模块和双线性卷积神经网络模块各种得到的特征，并将所述胶囊网络层和属性部分的特征全连接后，通过罪行预测部分预测被告人的罪行。本发明专利技术提供的方法解决了现有方法相似罪行人工特征无法区分的问题以及人工调整类别权重不符合真实数据分布的问题。别权重不符合真实数据分布的问题。别权重不符合真实数据分布的问题。

【技术实现步骤摘要】
一种基于细粒度特征和互信息的自动定罪方法


[0001]本专利技术涉及人工智能
，尤其涉及一种基于细粒度特征和互信息的自动定罪方法。

技术介绍

[0002]自动定罪任务的目标是根据案情描述中犯罪嫌疑人的行为确定最后的罪行(例如，故意杀人罪，交通肇事罪等)。作为法律判决任务中一个标志性子任务，定罪任务在司法辅助系统起着重要作用并且在现实应用非常有用。例如，它可以给法律专业人士，比如法官和律师，提供一个快速有效的参考，提升他们的工作效率。另外，它能给那些不了解法律法规和法律流程的普通人提供简单有用的法律咨询和建议。
[0003]在法律智能的研究中，自动定罪的研究启动最早，研究工作已经开展数十年的时间。早期的工作采用数学和统计的方法，但是比较简单。后来研究者专注于设计人工特征或者从案件中抽取的浅层特征开展定罪研究。例如Liu等人，Liu等人，Katz等人通过抽取字符/词组等特征/日期/位置/类型等信息来预测犯罪嫌疑人的罪行。这些工作需要大量人工设计的特征并且需要人工的标注，数据集相对不大，并且很难扩展到其他罪行。/>[0004]深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细粒度特征和互信息的自动定罪方法，其特征在于：通过将案件的案情描述转化为词向量序列X＝[w1，w2，...，wn]，其中n表示整个案情描述文本的序列长度，wi∈D，每个词wi来自固定大小的词典D，通过输入模块读取给定案情描述的词向量序列X，之后将信息发送给双线性卷积神经网络模块和卷积神经网络模块分别抽取特征，进而通过胶囊网络层聚合双线性卷机神经网络模块和卷机神经网络模块的抽取的特征，通过属性部分整合卷积神经网络模块和双线性卷积神经网络模块各种得到的特征，并将所述胶囊网络层输出的特征和人工法律属性部分的特征全连接后，通过罪行预测部分预测被告人的罪行y∈Y，其中Y是罪行集合。2.如权利要求1所述的一种基于细粒度特征和互信息的自动定罪方法，其特征在于：所述双线性卷积神经网络模块首先将所述输入模块中的词向量序列分别送入两个CNN子模块中，每个CNN子模块由两层卷积神经网络的堆叠组成，所述两层卷积神经网络的卷积核尺寸分别为8和12，每一层卷积神经网络对输入张量进行卷积和池化操作，然后对每个CNN模块的输出做最大pooling的操作得到每个CNN模块的特征向量，之后两个CNN模块的输出向量再进行双线性变换：再进行双线性变换：bilinear(f
A
，f
B
)＝f
A
(l，I)
T
f
B
(l，I)v＝vec(Φ)b＝v
L2
/||v
L2
||2其中，代表CNN子模块的运算操作，f
A
和f
B
是两个CNN子模块的输...

【专利技术属性】
技术研发人员：窦志成，张晗，文继荣，
申请(专利权)人：中国人民大学，
类型：发明
国别省市：