基于深度学习的司法判决预测算法研究

摘要：

司法判决预测任务指的是根据真实的案情描述文本来预测案件的判决结果,有助于司法专业人士高效的工作,在智能司法方面具有广阔的应用前景.在实践中,易混淆罪名和少样本罪名的判别问题是目前的两大难点,普通模型很容易在上述问题上出现误判.为使易混淆罪名得到更好的区分,结合BERT(bidirectional encoder representations from transformer)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)深度学习网络,提出BGAAT(BERT BiGRU attribute self-attention)网络模型.该模型引入具有区分性的罪名属性标签,通过注意力机制分别抽取属性特征与上下文特征,使用注意力分布对可解释性进行描述.为使少样本罪名更好地被识别,引入罪名分类权重,使模型在少样本罪名分类取得了更高的F1值.最后在真实的司法判决数据集上进行了实验,证明了所提出模型在该任务上有良好表现.

关键词：司法判决预测、深度学习、易混淆罪名、少样本罪名、可解释性

所属期刊栏目：22

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金62072008

在线出版日期：2023-02-20（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：16133-16140