[发明专利]一种交通事故损害赔偿中法律条文预测方法

说明书

本发明涉及一种交通事故损害赔偿中法律条文预测方法。该方法基于特征提取对事实文本和法律条文进行数据清洗和特征选择，构建用于模型训练的特征和特征向量，使用TwitterLDA学习法条的文本表示，使用word2vec提取案情特征；在此基础上，应用支持向量机方法构建预测模型，生成一个法条预测模型svm‑Model；最后，将事实的特征向量输入到svm‑Model中，最终生成当前案情涉及到的法律条文。本发明目的在于解决目前存在的法律智能中通过事实对法条预测的难题，进而帮助公众更多地了解法律知识，清楚地了解案件的情况，还可以为行业提供辅助意见，避免个人主观性导致的差异，从而实现司法公正，提高社会效益。

技术领域

本发明属于法律智能领域，尤其适用于法律智能中的司法认知智能研究领域，其目的在于针对交通事故案件进行法律条文预测，是一种帮助公众了解法律知识与案件的情况，同时为法律行业提供辅助意见的方法。

背景技术

随着大量司法数据的逐渐开放和NLP技术的飞速发展，司法文书已经成为学术研究领域的重要研究对象。目前关于法律智能的研究尚少，而且主要集中在基于机器学习和数据挖掘的法律推理和法律适应性方面，少量的研究是关于自动判决预测、相关法条预测、相似案件检索、证据分析等方面的。在现有的法律智能系统研究中，大部分是针对部分刑事指控，而不是整个案件，因此还不能投入使用。虽然在自动量刑方面取得了一些成果，但在同类案件的推荐和相关法律条文的预测方面仍缺乏进展，具有较大的研究意义和实用价值。

今年发布了中国20年特大事故大数据分析报告，表明我国交通运输业仍是重大交通事故发生的集中区。同时，我国对重大安全事故的归责和处罚也越来越严厉。因此，对交通裁判文书的研究、特征的发现和运用具有重要的价值和意义。

对此，本发明提出一种交通事故损害赔偿中法条预测方法。本发明通过两个不同的角度对法条进行预测：

第一种角度是将预测问题看作是一个多标签分类问题。用事实的文件作为输入，把案件中引用的法条作为标签。在训练过程中，使用特征提取器将数据输入到特征集中，在这个步骤中，特征提取器使用word2vec。这些特征集将捕获每个输入的基本分类信息。然后将带有标签的特征对输入到机器学习算法中，建立分类模型。而在预测过程中，同样的特征提取器将那些从未见过的输入数据转移到一组特征中，然后输入到分类模型中，生成预测标签。

第二种角度是参照法律条文内容的预测。预测思想是将事实的文本信息与法律条文的文本信息进行匹配，然后根据匹配的文本解决法律条文是否被引用，生成的二元问题。初始数据的形式是一个三元组，其中包括案情、法条、该法条是否被引用。每个案例和法条都需要进行分组，所以数据量是案例数量乘以法条数量，这是非常巨大的。因此，我们可以将法条作为关键字，计算其在案情上的分布概率。方法模型如图3所示，使用word2vec来发现案例描述的上下文，并使用Twitter LDA来理解法条的主要分布。

通过该方法可以对法律条文进行预测，可以帮助法律智能其他方面的发展，不像大多数研究预测法条只通过法律事实或者仅仅视法条为多标签，本发明处理法条从语义的角度，找到一个完美的载体，Twitter LDA，帮助我们处理的特殊的简短和信息高度集中的文本。同时可以帮助公众更多地了解法律知识，清楚地了解案件的情况，还可以为行业提供辅助意见，避免个人主观性导致的差异，从而实现司法公正，提高社会效益。

发明内容

本发明通过提供一种交通事故损害赔偿中法律条文预测方法，来解决目前所存在的法律智能中对司法文书进行法律条文预测的问题，进而帮助公众了解案件情况及法律知识，为法律行业人士提供辅助意见。