1.融入案件辅助句的低频和易混淆罪名预测方法,其特征在于:所述融入案件辅助句的低频和易混淆罪名预测方法的具体步骤如下:Step1、基于司法领域分析刑事案件数据,构建案件辅助句;
Step2、在Step1的基础上,提取案件辅助句与案情描述的词级和字符级多粒度特征,并利用单层的Bi‑GRU分别获取具有上下文语义特征信息的案情描述表征向量和案件辅助句表征向量;
Step3、在Step2的基础上,计算具有上下文语义特征信息的案件辅助句和案情描述双向互注意力向量,其结果再结合具有上下文语义特征信息的案情描述表征向量得到案件描述表征,用于把具有上下文语义特征信息的案件辅助句信息和案情描述信息进行耦合,强化案情描述和案件辅助句之间的信息交互;
Step4、把步骤Step2、Step3的输出进行拼接,并采用双层的Bi‑GRU提取案情描述在时序上的依赖关系;
Step5、把步骤Step3、Step4的输出进行拼接,并采用最大池化提取案件的关键特征,再通过softmax函数以获取预测结果的概率分布,用于预测罪名;
所述步骤Step3计算具有上下文语义特征信息的案情描述表征向量K和案件辅助句表征向量L的双向互注意力向量;计算方法如下:Step3.1、首先计算案情描述与案件辅助句相似矩阵:
T×J
Stj=α(K:t,L:j)∈R (1)其中,Stj表示第t个案情描述词和第j个案件辅助句词之间的相似性,K:t表示K的第t列向量,L:j表示L的第j列向量,α表示计算K与L之间相似度的可训练函数,如公式(2):其中, 是待训练的权重向量,表示元素依次相乘,(;)表示向量在行上的拼接,k表示K中某一列向量,l表示L中某一列向量;
Step3.2、由相似矩阵计算案情描述到案件辅助句的注意力向量:对St:中列进行softmax归一化得at,再将at与L中的每一列加权求和得 表示案情描述与案件辅助句之间的注意力向量矩阵,如公式(3)、(4)所示:J
at=softmax(St:)∈R (3)其中St:表示第t个案情描述词与案件辅助句词的相似度,at表示第t个案情描述词对案件辅助句词的注意力权重;atj表示第t个案情描述词对第j个案件辅助句词的注意力权重;
Step3.3、然后再计算案件辅助句到案情描述的注意力向量:
取相似矩阵Stj中每列的最大值e,再经softmax归一化后得p,利用p计算案情描述中与案件辅助句比较相关词的加权求和得 然后 沿着列方向平铺T次得到案件辅助句到案情描述的注意力向量矩阵 如公式(5):其中,maxcol表示取Stj中每列的最大值,TiledT表示 沿着列方向平铺T次;
Step3.4、得到案情描述和案件辅助句的双向互注意力向量 和 通过Cat函数把案情描述表征向量K、案情描述到案件辅助句的注意力向量 和案件辅助句到案情描述的注意力向量 拼接后得矩阵M,M中每个列向量表示可以视为案件辅助句感知的案情描述词表征,如公式(6):dM=8d (6)
其中M:t表示第t个列向量,与第t个案情描述词相对应,表示案件辅助句中某一个词与案情描述的注意力向量,表示案情描述中某一个词与案件辅助句的注意力向量,其中;表示拼接, 表示矩阵相乘,d表示循环神经网络的输出维度。
2.根据权利要求1所述的融入案件辅助句的低频和易混淆罪名预测方法,其特征在于:所述步骤Step1中基于刑事案件公共数据集构建案件辅助句,该案件辅助句具有案件的核心语义信息。
3.根据权利要求1所述的融入案件辅助句的低频和易混淆罪名预测方法,其特征在于:所述步骤Step2中,分别使用Skip‑Gram模型和Chars‑CNN获取案件辅助句和案情描述的词级和字符级多粒度特征,再引入高速网络平衡词向量和字符向量的相对贡献比,同时利用单层的Bi‑GRU分别获取具有上下文语义特征信息的案情描述表征向量和案件辅助句表征向量。