面向案件审判难度预测的神经网络模型研究

摘要：

审判难度预测(TDP)是指在给定案情描述文本的情况下,自动预测案件审判难易程度,其在司法智能化系统中具有广阔的应用前景.现阶段,案件审判难度预测工具严重依赖专家经验规则,存在较大偏差,相关的研究工作较少.针对此问题,将其归结为自然语言处理中的文本分类问题,通过分析发现传统分类方法未考虑起诉状中审判要素间的结构独特性和逻辑依赖性,导致难以准确预测案件难易程度.为解决上述挑战,通过对起诉状的研究,结合案件繁简审判要素,提出一种新的神经网络模型MAT-TAN.具体地,该模型首先采用一种掩码注意力网络(MAT)对案情描述文本进行细粒度分析.其中的掩码机制扮演智能门控者的角色,起到聚焦审判要素特定位置的作用,结合自注意力机制,实现了对各审判要素全面、准确的特征提取.其次,提出一种拓扑关联网络(TAN)对要素间的司法逻辑依赖关系进行建模,并有效融合不同要素的特征,最终实现案件审判难度预测.在法院真实数据上的实验结果表明,与基准的文本分类方法相比,该模型宏平均F1值提升了0.036,在审判难度预测上具备较好的使用效果.

关键词：审判难度预测(TDP);审判要素;掩码注意力网络(MAT);拓扑关联网络(TAN)

所属期刊栏目：15

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;国家自然科学基金;"人工智能"教育部-中国移动建设项目;陕西省自然科学基础研究计划;浙江省自然科学基金

在线出版日期：2021-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2345-2352