融合法律文本结构信息的刑事案件判决预测

近年来,法律领域的智能化引起了学界的广泛关注。选取法律领域中十分重要的法律判决预测任务作为研究重点,法律判决预测包含推荐相关法条、定罪和刑期预测等三个子任务。随着深度学习在各个领域的广泛应用,一些研究者将深度学习方法引入法律判决预测任务并取得了较好的效果。现有基于深度学习的法律判决预测方法通常是通过构建案情描述和法条之间的注意力来提升模型预测能力,或者利用三个法律判决预测子任务间的关系来提升整体的性能。但是这些工作未考虑法律文本中的多层层次化信息,如刑法第三百九十七条包含职务侵占罪和玩忽职守罪,其法条大类是渎职罪,并且每个罪行有不同的刑期。针对该问题,考虑引入法律文本的多层层次化信息用于法律判决预测任务。具体来说,对法律文本的多层结构信息进行预处理,并利用协同注意力机制将法条的多层信息融入到案情描述中,得到每个子任务的融合不同层次的法律信息的案情描述表示,从而提升司法判决预测任务的性能。在真实的法律判决预测任务公开的数据集上进行了实验,结果显示提出的融合法律文本多层结构信息的模型在法律判决预测任务上优于当前最好的模型。对法律智能化的未来和发展进行了展望。     

基于过程监督的序列多任务法律判决预测方法

法律判决预测是人工智能技术在法律领域的应用,因此对法律判决预测方法的研究对于实现智慧司法具有重要的理论价值和实际意义.传统的法律判决预测方法大都是只进行单一任务的预测或仅基于参数共享的多任务预测,并未考虑各子任务之间的序列依存关系,因此预测性能难以得到进一步的提升.文中提出了一个端到端的基于过程监督的序列多任务法律判决...     

基于知识图谱的案件特征增强法律判决预测

现有基于知识图谱的法律判决预测方法重点关注案件的要素实体和关系,不能充分地获取案件的特征信息。针对该问题,提出了一种增强案件特征融合的知识图谱法律判决预测方法。首先,该方法利用双向门控循环神经网络挖掘事实描述文本深层次的因果、时序等全文语义特征信息。然后通过知识图谱向量空间中案例间相似度注意力计算学习类案特征表示。最后,融合特征信息和知识图谱的结构化知识,丰富实体和关系在案件事实文本中的语义特征表示,实现法律判决链路预测任务。在危险驾驶罪和盗窃罪两类罪名数据集上的实验结果显示,该方法在MRR、Hit@1两个关键评价指标上与当前表现最好的链路预测模型相比提升了1.5%左右,Hit@3和Hit@10等指标也均有提升,验证了案件特征增强融合能补充法律知识图谱中缺失的案件特征信息并提高预测的效果。     

一种SAE异构网络中的预测辅助切换判决算法*

针对3GPP R8中基于SAE（system architecture evolution,系统演进架构）的全IP异构网络,提出一种预测辅助的切换判决算法。以往的算法没有考虑移动终端高速运动时对切换效果的不利影响,在此算法中首先提出了一种最大速度的预判决方法,然后根据信号接收强度的历史信息,合理运用卡尔曼滤波预测算法对下一抽样时刻作出快速、准确预测,使移动节点可以对切换触发时机作出准确判断。仿真结果表明该算法提高了切换中的整体性能,并有利于系统运行效率的提升。     

基于预训练模型与知识蒸馏的法律判决预测算法

针对法律判决预测中罪名预测和法条推荐子任务,提出基于BERT （bidirectional encoder representation from transformers）预训练模型与知识蒸馏策略的多任务多标签文本分类模型.为挖掘子任务间的关联,提高预测准确率,运用BERT预训练模型进行多任务学习,建立BERT₁₂multi文本分类模型;针对罪名、法条类别中的样本不均衡问题,采用分组的焦点损失（focal loss）以增强模型对于罕见罪名及法条的辨别能力;为降低模型计算复杂度并且提高模型推理速度,提出一种以教师模型评价为参考的知识蒸馏策略,通过动态平衡蒸馏中的蒸馏损失和分类损失,将BERT₁₂multi压缩为浅层结构的学生模型.综上,构建出可以处理不均衡样本且具有较高推理速度的多任务多标签文本分类模型BERT₆multi.在CAIL2018数据集上的实验表明:采用预训练模型及分组focal loss可显著提高法律判决预测的性能;通过融入教师模型评价,知识蒸馏得到的学生模型推理速度提高近一倍,并且在罪名预测及法条推荐任务...     

基于人工智能的司法判决预测研究与进展

随着人工智能和大数据处理技术的发展,人工智能技术在辅助法官办案、辅助诉讼、辅助司法管理等诸多方面起着重大作用,推进了智慧法院的发展,并受到学术界及工业界的广泛关注。该文在针对人工智能技术在辅助司法办案相关模型分析的基础上,归纳并提出了目前司法判决预测领域存在的多特征的罪名分类预测、多标签的罪名分类预测、司法判决预测中多个子任务处理、司法判决预测中的不平衡数据处理、判决预测结果的可解释性以及将已有的刑事案件预测算法迁移学习推广到不同类别案件等6项关键性问题与挑战。同时,该文针对这些关键问题与技术挑战进行了理论探讨、技术分析以及当前工作进展与趋势分析,总结了司法判决预测领域目前使用到的一些数据集及其对应的评价指标,为深入研究司法判决预测提供新的研究线索与方向。     

基于GRA-RBF的赤潮影响因素分析与预测方法

针对赤潮灾害受多种影响因素综合作用的问题,采用灰度关联算法对所有影响因素进行关联分析.选取关联性强的50％因素作为径向基神经网络的输入,用叶绿素a作为输出,来执行赤潮预测任务.实验结果表明,该模型具有良好的赤潮预测能力.     

基于有序多任务学习的司法二审判决预测方法

司法二审判决预测任务旨在基于一审判决、新发现事实、上诉理由等文本材料预测二审程序的判决结果,其难点在于如何捕捉两审法院对案件事实的认知异同来生成可解释的预测。针对上述难点,该文提出一种基于有序多任务学习的二审判决预测方法SIJP-SML,该方法通过两个时序依赖的多任务学习部分对一审到二审的完整审判逻辑进行建模,以提取并融合一、二审法院对案件事实的认知表示来预测二审判决。同时,SIJP-SML在多任务学习中引入法院观点生成任务来输出具有一定可读性的判决理据,以增强预测的可解释性。在6万余份二审裁判文书数据上的实验结果证明了SIJP-SML的有效性和合理性,其综合性能优于所有基线方法。     

一种双判决机制鲁棒数字水印

提出了一种基于双判决机制的数字水印算法。该算法利用分组移位算法进行水印置乱,并对水印信息循环编码,将载体图像进行分片以分散地嵌入多个完整水印拷贝,在水印提取阶段利用循环冗余译码判决和大数判决相结合的机制。实验结果证明,该算法具有较好的鲁棒性,能够抵抗常规图像处理。     

基于张量模型的多因素影响程度分析方法

影响程度分析分为独立影响程度分析和联合影响程度分析。传统的影响程度分析方法难以兼顾二者,并且在分析的过程中受困于影响因素数目过多以及因素之间复共线性的干扰。部分方法甚至难以应对大规模数据集,这些问题无疑阻碍了方法分析准确率的提升以及广泛应用。于是基于此提出了基于张量分解与重建的多因素影响程度分析方法（MAT）,消除了影响因素之间的复共线性,全面而准确地分析了单一因素的独立影响程度和多因素的联合影响程度。通过在真实大规模移动通信数据集上的实验,验证了MAT方法的有效性和准确性。     

基于解释结构模型的装备测试性影响因素分析方法

通过对装备测试性水平的相关影响因素分析,构建解释结构模型,探求各装备测试性影响因素间的关联性,运用“手段-目的分析”方法识别出影响装备测试性的5个关键影响因素,并通过对装备系统复杂程度、研制方技术及管理水平、研制经费、测试分系统间接口兼容性以及测试点选择合理性的分析,为提高装备测试性水平提供对策建议。     

面向中文法律裁判文书的抽取式摘要算法

裁判文书自动摘要的目的在于让计算机能够自动选择、抽取和压缩法律文本中的重要信息,从而减轻法律从业者的工作量。目前,大多数基于预训练语言模型的摘要算法对输入文本的长度存在限制,因此无法对长文本进行有效摘要。为此,该文提出了一种新的抽取式摘要算法,利用预训练语言模型生成句子向量,并基于Transformer编码器结构融合包括句子向量、句子位置和句子长度在内的信息,完成句子摘要。实验结果显示,该算法能够有效处理长文本摘要任务。此外,在2020年中国法律智能技术评测(CAIL)摘要数据集上进行测试的结果表明,与基线模型相比,该模型在ROUGE-1、ROUGE-2和ROUGE-L指标上均有显著提升。     

四网协同资源配置关键影响因素探讨

四网协同作为中国移动通信集团三大战略之一,是实现可持续发展的重要基础。对四网协同资源配置的关键影响因素进行探讨分析,对于建立四网协同资源配置模型,实现四网协同战略落地意义重大。本文在四网大协同的战略背景下,对影响四网协同资源配置的关键影响因素进行探讨分析,从而为搭建体系化、标准化、可操作的四网协同资源配置模型提供更科学的指标。基于该模型,可以实现中国移动通信集团公司及各省公司的精细化管理工作,提升投资管理效益。     

电磁感应通信影响因素研究

论文对电磁感应通信的原理进行了分析,针对电磁感应通信的电源电压、传输距离、导磁环境等影响因素进行了试验研究,通过试验结果的分析得出电源电压、传输距离和导磁环境的影响存在一定的规律,而电磁环境、人因工程等则具有随机性.在电磁感应通信过程中,应充分考虑这些影响因素,并利用特定影响因素的规律,提高收发模块的通信可靠性.     

基于电容法的叶尖间隙测量准确度主要影响因素研究

航空发动机转子叶尖间隙是影响其性能和安全的重要参数.采用电容法进行叶尖间隙测量时,测量准确度的影响因素有很多,文中将其分为4大类、共计22条末端因素.通过现场调查、计算分析和试验验证的方式,对末端因素逐个按照标准进行了检查,确定了7条主要影响因素,并提出了解决方案,最终保证了电容法叶尖间隙测量的准确度.     

交通事故的自动判案研究

该文针对法律领域民事案件中的“交通事故”类案件进行研究,期望在该“交通事故”数据集上实现自动判案。从“中国裁判文书网”采集14 000条数据文本,并对数据进行人工标注。基于对数据集的分析,分别对数据进行粗粒度和细粒度分类,粗粒度为4类,细粒度为8类。该文使用了三种模型: 基于SVM的模型、基于BI-GRU的模型和基于Attention+BI-GRU的模型。实验结果表明: 在该数据集上,对数据进行粗粒度分类时,基于Attention+BI-GRU的模型F1值为80.26%,基于SVM的模型为77.24%,基于BI-GRU的模型为72.65%。在细粒度分类时,基于BI-GRU的模型F1值为48.59%,基于SVM的模型为38.29%,基于Attention+BI-GRU的模型为40.87%。     

联合多源分析的罪名预测研究

随着人工智能技术逐步在司法领域落地与应用,法律人工智能的研究成果极大地提升了司法从业人员的工作效率。罪名预测作为法律人工智能的重要核心应用之一,旨在根据案件描述预测犯罪主体触犯的刑法罪名。针对目前罪名预测研究仅依赖于单一的裁判文书数据源,但裁判文书对案件细节的阐述不够全面的问题,构建了一个结合裁判文书和庭审文书的多源联合分析数据集,将概述内容的裁判文书与囊括细节的庭审文书相结合进行罪名预测。在构建的多源联合数据集上进行了大量实验及分析,实验结果验证了裁判文书和庭审文书在信息上的互补性,为罪名预测任务提供了新的思考角度。     

高校学生恋爱影响因素的累积Logistic回归分析模型

高校学生恋爱对其自身学习与成长有很大的影响,为了帮助大学生树立积极向上的恋爱观。本文通过对我国10所高校500份“高校学生恋爱调查报告”所获数据的Pearson相关性分析,引入恋爱疏远度来表示恋爱双方的感情程度。在分析各单因素对恋爱疏远度影响的基础上,建立综合因素下高校学生恋爱影响因素的累积Logistic回归分析模型,并通过模型确定出影响高校学生恋爱的两个重要因素。