近年來,智慧司法領(lǐng)域中針對(duì)法律裁判文書的分析和挖掘已成為計(jì)算法律學(xué)的熱點(diǎn)研究問題。法條預(yù)測(cè)與相似案例匹配是智慧司法中的兩個(gè)重要任務(wù),法條預(yù)測(cè)通過分析案件的事實(shí)描述部分自動(dòng)預(yù)測(cè)涉案法條,相似案例匹配通過對(duì)比文書相似度從候選案件中選出最相似案件。法條預(yù)測(cè)與相似案例匹配能夠協(xié)助法官審理案件,同時(shí)也能幫助普通民眾理解案件。目前,智慧司法方面的研究主要集中在判決罪名預(yù)測(cè),專門針對(duì)法條預(yù)測(cè)與相似案例匹配的研究較少。面向司法大數(shù)據(jù)的法條預(yù)測(cè)與相似案例匹配研究是利用深度神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)法條預(yù)測(cè)和相似案例匹配,提升智能司法服務(wù)水平。論文的主要工作為:（1）在法條預(yù)測(cè)任務(wù)中,首先構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)法條預(yù)測(cè)模型與注意力雙向LSTM法條預(yù)測(cè)模型,在實(shí)驗(yàn)中對(duì)比了不同輸入層與Embedding層的卷積神經(jīng)網(wǎng)絡(luò)法條預(yù)測(cè)效果,然后通過對(duì)錯(cuò)誤樣例分析后定義了法條預(yù)測(cè)的易混淆問題,針對(duì)該問題,提出了基于分層學(xué)習(xí)的易混淆法條預(yù)測(cè)模型,該模型由兩層學(xué)習(xí)框架組成,以卷積神經(jīng)網(wǎng)絡(luò)為特征提取器,單獨(dú)訓(xùn)練易混淆法條模型。（2）在相似案例匹配任務(wù)中,構(gòu)建了基于注意力卷積神經(jīng)網(wǎng)絡(luò)的相似案例匹配模型,模型包含兩個(gè)卷積池化層,并在卷積層中加... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積操作卷積神經(jīng)網(wǎng)絡(luò)中每個(gè)卷積核的權(quán)重參數(shù)是固定，在提取特征中僅關(guān)注一個(gè)特征，

第二章相關(guān)研究基礎(chǔ)11個(gè)特征集合，例如在圖像處理中，卷積核可以提取圖像的邊緣、輪廓、色彩等特征信息，將每個(gè)卷積核提取的信息連接起來組成整幅圖片的特征。卷積層的局部連接與參數(shù)共享機(jī)制可以減少訓(xùn)練模型的參數(shù)量，有效減少模型的訓(xùn)練時(shí)間。2014年YoonKim將卷積神經(jīng)網(wǎng)絡(luò)用于自然語言處理任務(wù)中，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的文本分類模型，模型結(jié)構(gòu)如圖2.2所示�；诰矸e神經(jīng)網(wǎng)絡(luò)的文本分類模型結(jié)構(gòu)簡(jiǎn)單，主要包含輸入層、卷積層，池化層，全連接層、Softmax層、輸出層圖2.2基于卷積神經(jīng)網(wǎng)絡(luò)的文本分類模型圖輸入層的文本采用詞向量表示，訓(xùn)練過程中可以根據(jù)需要設(shè)定為靜態(tài)與非靜態(tài)兩種模式，最終每個(gè)詞被編碼為固定維度向量，整個(gè)文本序列表示為詞向量矩陣，如下表示：1:12...nnxxxx(2.1)其中，是向量連接符。ix表示第i個(gè)詞的詞向量，則i:ijx表示1,,...,iiijxxx共j+1個(gè)詞的詞向量。卷積核用于提取文本中的局部特征信息，將濾波器w以h個(gè)詞大小的窗口在詞向量矩陣上進(jìn)行卷積，生成特征局部特征ci:1()iiihcfbwx(2.2)其中，b表示卷積核偏置值，f表示激活函數(shù)。將卷積核用于句子{1:2:11:,,...,hhnhnxxx}中，產(chǎn)生整篇文本的特征向量集121[,,,]nhcccc(2.3)在特征集向量采用最大池化操作，向量c=max{c}表示向量中的最大值，即文本中最重要特征。將最大池化向量輸入到全連接層與softmax層中，在輸出層得到每個(gè)類別標(biāo)簽的概率分布。基于卷積神經(jīng)網(wǎng)絡(luò)的文本分類模型通過隨機(jī)Dropout來防止過擬合，Dropout的計(jì)算公式如下yw(zr)b(2.4)

第二章相關(guān)研究基礎(chǔ)12其中，z表示由m個(gè)卷積核組成的特征集，表示按元素逐個(gè)相乘操作，r表示掩模向量。該模型采用交叉熵作為損失函數(shù)，計(jì)算公式如下所示1log()CiiiLyy(2.5)其中，iy是真實(shí)標(biāo)簽，iy是預(yù)測(cè)標(biāo)簽概率，C是分類的數(shù)據(jù)量。2.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）也是深度學(xué)習(xí)中的代表性算法之一，其代表網(wǎng)絡(luò)有雙向循環(huán)神經(jīng)網(wǎng)絡(luò)[31]與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)[32]。循環(huán)神經(jīng)網(wǎng)絡(luò)的研究主要用于處理序列數(shù)據(jù)，例如語音、文本等數(shù)據(jù)。簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò)模型如圖2.3所示。圖2.3簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò)模型在簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò)中，多個(gè)神經(jīng)元連接在串一起構(gòu)成整個(gè)網(wǎng)絡(luò)，每個(gè)時(shí)刻神經(jīng)元的隱藏狀態(tài)除了受輸入數(shù)據(jù)x的影響，還受上一時(shí)刻隱藏層s的影響，依次將隱藏狀態(tài)輸入下一層神經(jīng)元，循環(huán)計(jì)算得到每個(gè)時(shí)刻的輸出，多個(gè)神經(jīng)元采用相同的激活函數(shù)和參數(shù)W，U。在每個(gè)神經(jīng)元輸出的計(jì)算過程如下公式所示。其中f和g表示激活函數(shù)，U、W、V表示訓(xùn)練參數(shù)，將輸入xt乘以參數(shù)U再加上一時(shí)刻隱層st-1乘以參數(shù)W的值得到該時(shí)刻的隱層輸出st，st經(jīng)過激活函數(shù)g后輸出ot，將st經(jīng)過參數(shù)W輸入到下一次循環(huán)中，循環(huán)組成神經(jīng)網(wǎng)絡(luò)的正向傳播。(tt-1)tttsfUx+Wso=g(Vs)（2.6）在構(gòu)建多層循環(huán)神經(jīng)網(wǎng)絡(luò)時(shí)，通過將底層網(wǎng)絡(luò)的輸出作為高層網(wǎng)絡(luò)的輸入后便可以得到多層的循環(huán)神經(jīng)網(wǎng)絡(luò)，而且高層之間也可以進(jìn)行參數(shù)值的傳遞�；谘h(huán)神經(jīng)網(wǎng)絡(luò)的文本分類模型所采用交叉熵作為損失函數(shù)。

【參考文獻(xiàn)】：
碩士論文
[1]法律文本相似性問題的研究[D]. 劉彤.東南大學(xué) 2018
[2]基于文檔相似度的法律文書推薦系統(tǒng)[D]. 吳朋洋.華北電力大學(xué)(北京) 2018



本文編號(hào)：3317963