[发明专利]一种符合加减刑专家常识规则的刑期自动预测方法

权利要求书

1.一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，其包括以下步骤：

步骤（1）：构建对加刑情节和减刑情节分类的刑事案件要素体，对于加刑情节、减刑情节、其他情节的案件要素进行分类，并对加刑情节、减刑情节、其他情节进行案件向量的表示和模型输入；

步骤（2）：构造符合加减刑专家规则的单调性神经网络，在构造神经网络时，通过修改训练过程的网络权重调整公式，约束网络权重恒正或横负，通过将加刑情节和减刑情节单独输入到不同权重约束的子网络，保证符合加减刑专家规则；

步骤（3）采用历史案例进行模型训练；

步骤（4）使用模型进行量刑预测；

其中，在所述步骤（3）中，包括

步骤3.1：历史裁判文书结构化和清洗；

步骤3.2：数据正则化；

步骤3.3 训练模型。

2.根据权利要求1所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在所述步骤（1）中，首先采用数值表示案件的情节要素，对于数值型情节，直接使用数值自身表示，其中，数值型情节至少包括数额和次数；

对于布尔型情节使用数值1表示存在，0表示不存在，其中布尔型情节至少包括是否自首、是否参与分赃；

对于任意一个刑事案由，用n维向量D来表示该案由的所有n个情节取值，用Di表示情节向量的第i维，设量刑值t=T(D)；

如果满足

∂T/∂Di>=0

即量刑函数对于情节向量的第i维偏导恒大于等于0，则该维对应的情节是加刑情节；

如果满足

∂T/∂Di<=0

即量刑函数对于情节向量的第i维偏导恒小于等于0，则该维对应的情节是减刑情节；

其他情节表示不满足以上性质的情节。

3.根据权利要求2所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在所述步骤（2）中，构造的神经网络，由输出层输出一维向量量刑值t，整体分为三个子网络，第一个子网络是加刑情节的量刑网络输入向量为[x1,...xp]，该网络的神经元权重ω在训练调整时如下调整：

ω←max(0, ω+Δω)

第二个子网络减刑网络的输入向量为[xp+1,...,xq]，该网络的神经元权重ω更新函数为：

ω←min(0, ω+Δω)

Δω为优化算法给出的权重更新步长；

加刑网络通过max函数保证了ω恒大于等于0，减刑网络通过min函数保证了ω恒小于等于0；

第三个自网络其他情节量刑网络的输入向量为[xq+1,...,xn]，该网络的神经元权重更新不做额外限制；三个子网络共同连接到输出层，使用tahn激活函数输出一维向量。

4.根据权利要求3所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在所述步骤3.1中，历史裁判文书结构化指的是对历史已判决的裁判文书根据情节，每一篇解析表示情节的n维向量D和1维量刑值t；

令向量D的1~p维为加刑情节取值，对应输入加刑网络的x1到xp，另D的p+1~q维为减刑情节，对应输入加刑网络的xp+1到xq, D的q+1~n维为其他情节，对应输入到量刑网络的xq+1,...,xn；

量刑值t单位为月，t的实际取值范围为t>=0且t<=180，解析并过滤筛除量刑值不在范围内的文书。

5.根据权利要求4所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，所述步骤3.2的数据正则化中，对于解析后的情节向量D进行的z-score 标准化，对于刑期t，按照如下公式进行正则化：

t←t/180

使得量刑值t映射到0到1之间。

6.根据权利要求5所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在步骤3.3 训练模型中，将所有文书的训练集 (D,t) 输入网络进行训练，获得模型。

7.根据权利要求6所述的一种符合加减刑专家常识规则的刑期自动预测方法，其特征在于，在所述（4）中，对于未判决的案件，根据步骤（3.1）和步骤（3.2）解析案件为向量并对向量正则化，将得到的案件情节向量输入步骤（3.3）中获得的模型，获得一维向量t，则最终量刑值为180t个月。