融合类别先验Mixup数据增强的罪名预测方法

摘要：

罪名预测是人工智能技术应用于司法领域的代表性任务.该任务根据案情描述和事实预测被告人被判的罪名.由于各类罪名样本数量高度不平衡,分类模型训练时分类器易偏向高频罪名类别,从而导致低频罪名预测性能不佳.针对罪名预测类别不平衡问题,提出融合类别先验Mixup数据增强策略的罪名预测模型,改进低频罪名预测效果.该模型利用双向长短期记忆网络与结构化自注意力机制学习文本向量表示,在此基础上,通过Mixup数据增强策略在向量表示空间中合成伪样本,并利用类别先验使合成样本的标签偏向低频罪名类别,以此来扩增低频罪名训练样本.实验结果表明,与现有方法相比,该方法在准确率、宏精确率、宏召回率和宏F1值上都获得了大幅提升,低频罪名预测的宏F1值提升达到13.5％.

关键词：类别先验Mixup、罪名预测、类别不平衡分类、低频罪名

所属期刊栏目：48

分类号：TP391;TP181;U491

资助基金：云南省基础研究计划项目;国家重点研发计划;国家重点研发计划;国家重点研发计划;国家自然科学基金

在线出版日期：2022-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2097-2107