[发明专利]一种基于贝叶斯网络的刑期预测方法

权利要求书

1.一种基于贝叶斯网络的刑期预测方法，其特征在于，所述方法包括：

对已审裁判文书数据进行预处理；

利用预处理的已审裁判文书数据进行贝叶斯网络结构学习，得到裁判文书法律要素样本集和贝叶斯网络结构；

采用极大似然估计法从所述裁判文书法律要素样本集进行贝叶斯网络结构参数学习，得到贝叶斯网络刑期预测模型；

将预处理的裁未审裁判文书数据输入到贝叶斯网络刑期预测模型，输出刑期预测结果。

2.根据权利要求1所述的刑期预测方法，其特征在于，所述对已审裁判文书数据进行预处理，包括修改所述已审对裁判文书的格式、选取所述已审裁判文书的刑期要素、去除所述已审对裁判文书的重复数据和对所述已审裁判文书赋予标识码。

3.根据权利要求1所述的刑期预测方法，其特征在于，利用预处理的已审裁判文书数据进行贝叶斯网络结构学习，包括提取法律要素、标注法律要素关系、抽取法律要素关系对、构建法律要素无向图和有向图。

4.根据权利要求3所述的刑期预测方法，其特征在于，所述提取法律要素，包括：

根据法律总则分则和刑期指导规范确定所述预处理的已审裁判文书的法律要素；

将所述法律要素通过正则匹配的方式定位到所述预处理的已审裁判文书中，采用BIO的方式对所述法律要素进行标注，得到预处理的已审裁判文书的训练集；

基于BiLSTM-CRF算法对所述预处理的已审裁判文书的训练集进行训练学习得到所述已审裁判文书的法律要素识别模型；

将未标注的已审裁判文书输入到所述已审裁判文书的法律要素识别模型得到基于BIO标注的裁判文书，根据BIO标注识别所述已审裁判文书中的法律要素，根据所述法律要素和其对应的取值构建已审裁判文书的特征向量。

5.根据权利要求3所述的刑期预测方法，其特征在于，所述标注法律要素关系包括：

基于专家知识构建所述已审裁判文书中的法律要素关系，对所述已审判文进行所述法律要素关系的标注；

利用远程监督算法对所述标注法律关系的已审裁判文书进行训练得到法律要素关系标注模型；

将所述未标注法律要素关系的已审裁判文书输入到所述法律要素关系标注模型中得到标注法律要素关系的已审裁判文书。

6.根据权利要求5所述的刑期预测方法，其特征在于，所述抽取法律要素关系对包括：

基于Bi-LSTM算法对已标注的法律要素关系的已审裁判文书进行训练，得到所述已审裁判文书的法律要素关系对识别模型；

将经BIO标注法律要素的已审裁判文书输入到所述法律要素关系对识别模型中，输出所述已审裁判文书的所有法律要素关系对。

7.根据权利要求5所述的刑期预测方法，其特征在于，所述构建法律要素无向图包括：根据所述法律要素关系对构建已审裁判文书的法律要素的无向图；

其中，所述无向图的节点为法律要素；

无向图的边为根据所述法律要素关系对在法律要素之间进行添加。

8.根据权利要求7所述的刑期预测方法，其特征在于，所述构建法律要素有向图包括：

利用爬山法和Bic评分算法确定无向图中的边的方向，得到所述法律要素无向图的节点的序列；

基于所述无向图的节点的序列连接所述法律要素样本集的法律要素，基于K2算法计算法律要素关系有向图的Bic评分，当Bic评分不在增加时，得到法律要素有向图，其中，所述法律要素有向图为贝叶斯网络结构。