【技术实现步骤摘要】
本公开涉及案情辅助分析，具体涉及基于饱和神经网络的案件辅助分析方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、目前，基于判决数据的智能量刑计算系统的关键目标有两点：一是高效提取案情描述文本中的有效案件特征，二是准确输出不同类型案件的较为准确的刑期计算结果而非人为规定的刑期范围或区间。
3、针对前者，实现对判决特征地精准提取至关重要且难度较大，目前所采用的主要技术方法是运用词向量模型来训练大量文书数据，以挖掘法律文本中的逻辑关联和隐含特征。然而对于实际的法律文书数据，不同案情情况的案件数据量差异较大且影响刑期的主要特征因素不统一，数据量小于1万的案情占不同案情总量的83.6％。在小数据样本量的实际情况下，单纯利用词向量模型难以针对不同案情精准捕获影响刑期的主要信息。
4、针对后者，目前所采用的主要实现思路有两种：一是基于传统机器学习的相关技术和方法，尽管其在辅助量刑计算方面受到广泛关注和应用，并在量刑精度上展现出较为显著的优势，但现有的相关方法仍...
【技术保护点】
1.基于饱和神经网络的案件辅助分析方法，其特征在于，包括：
2.如权利要求1所述的基于饱和神经网络的案件辅助分析方法，其特征在于，运用大语言模型和正则化表达方法进行预处理，针对语义复杂、无法建立准确文本识别规则的要素，利用百度文心一言实现全自动精准提取，针对语义简单，文本识别规则明确的要素，采用正则表达式实现高效抽取。
3.如权利要求2所述的基于饱和神经网络的案件辅助分析方法，其特征在于，根据具体特征的分布情况，删除部分过分稀疏的特征，排除稀疏特征的影响，把含有稀疏特征的案件也相应删除，最终在建模中确定主要的特征因素。
4.如权利要...
【技术特征摘要】
1.基于饱和神经网络的案件辅助分析方法，其特征在于，包括：
2.如权利要求1所述的基于饱和神经网络的案件辅助分析方法，其特征在于，运用大语言模型和正则化表达方法进行预处理，针对语义复杂、无法建立准确文本识别规则的要素，利用百度文心一言实现全自动精准提取，针对语义简单，文本识别规则明确的要素，采用正则表达式实现高效抽取。
3.如权利要求2所述的基于饱和神经网络的案件辅助分析方法，其特征在于，根据具体特征的分布情况，删除部分过分稀疏的特征，排除稀疏特征的影响，把含有稀疏特征的案件也相应删除，最终在建模中确定主要的特征因素。
4.如权利要求1所述的基于饱和神经网络的案件辅助分析方法，其特征在于，所述饱和神经网络模型为多输入单输出的模型结构，输入层节点个数由判决要素个数确定，隐藏层节点个数及隐藏层数由数据量大小和特征数目综合决定。
5.如权利要求1所述的基于饱和神经网络的案件辅助分析方法，其特征在于，对于输入到饱和神经网络模型中的第t个案件案情的结构化非线性数据，辅助计算案情的量刑时间估计值，根据下式计算：
6.如权利要求1所述的基于饱和神经网络的案件辅助分析方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。