[发明专利]一种基于贝叶斯网络的刑期预测方法

说明书

本公开的基于贝叶斯网络的刑期预测方法，通过包括：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，得到已审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已审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。能够在不确定或不完善的信息条件下，利用诊断推理识别刑期(量刑)重要因素，给出刑期依据和解释，刑期预测模型和刑期预测结果的可解释性强，从裁判文书数据中学习贝叶斯网络结构，克服了专家构建贝叶斯网络的主观性，提高了刑期的准确性，减少搜索空间，提高学习速度。

技术领域

本公开属于计算机应用技术领域，特别涉及一种基于贝叶斯网络的刑期预测方法。

背景技术

在有关政策与相关评测的推动下，智能司法审判研究已取得一些进展。通过运用人工智能和大数据技术对庞大数量的已决个案进行持续的类型化分析，可以为法官对未决个案的量刑提供参考，从而努力实现“同等情况，同等对待”的平等原则。

司法审判了积累大量的裁判文书。现有的刑期预测模型主要是使用深度神经网络方法或机器学习方法从大量的裁判文书中学习知识，将刑期预测问题转化为分类或回归问题，构建刑期(量刑)模型预测刑期。该类方法通过学习裁判文书构建刑期模型裁判文书，刑期结果较为客观准确。例如，现有专利一种基于多任务人工神经网络的刑期预测方法(CN109376227A)，该方法以裁判文书引用法律条款的属性关注点为指导，以罪名、伤害程度、涉案金额等21项法律条文关注属性为辅助任务,通过全面利用裁判文书中的多维度相关数据,构造具有相互支撑效果的多任务神经网络模型。司法数据的处理方法及系统(CN110968688A)的专利中，利用已经公开的司法文书预先训练神经网络模型得到司法数据预测模型,将待办理案件的文本信息输入司法数据预测模型中预测得到对应的预测罪名、预测法条和预测刑期。期刊基于混合深度神经网络模型的司法文书智能化处理[J].清华大学学报(自然科学版)，2019。该文提出了一种长文本分类的混合深度神经网络模型HAC(hybrid attention and CNN model),利用残差网络融合改进的层次注意力网络(iHAN)和深度金字塔卷积神经网络(DPCNN)。但由于不能有效结合相关法律规定和审判经验且构建的量刑模型难理解、可解释性差，该类模型在智能辅助量刑领域的应用受到限制。

贝叶斯网络作为一种概率图模型通过概率定量地来表示裁判文书数据中的不确定性，利用网络的拓扑图形表示出变量之间的相互依赖关系，具有良好的可解释性和逻辑性，可以直观地表示因果推理过程。司法审判作为典型的人类推理活动，遵循制定好的模式章程，有利于应用贝叶斯网络对这一过程进行建模。由专家选择量刑要素构建贝叶斯网络结构，由极大似然准则估计刑期分布的参数，计算分布的数学期望得到预测值。该类方法在利用裁判文书的基础上可以有效结合量刑指导意见和专家审判经验构建的量刑模型，且模型可以直观地表示审判推理过程，具有较强的可解释性。但现有的基于概率图的量刑模型为了简化模型，假设量刑要素是相互独立，但实际中量刑要素之间往往是有关联的。此外现有基于概率图的刑期预测中贝叶斯网络结构由专家确定，具有较强的主观性，利用专家的知识领域对贝叶斯结构进行构建存在一定的不完备性，容易受专家意见的主观影响。

发明内容

有鉴于此，本公开提出了一种基于贝叶斯网络的刑期预测方法，能够在不确定或不完善的信息条件下，利用诊断推理识别刑期(量刑)重要因素，给出刑期依据和解释，刑期模型和刑期结果的可解释性强，该方法从裁判文书数据中学习贝叶斯网络结构，克服了专家构建贝叶斯网络的主观性，提高了刑期的准确性，减少搜索空间，提高学习速度。

根据本公开的一方面，提出了一种基于贝叶斯网络的刑期预测方法，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，得到已审裁判文书法律要素样本集和贝叶斯网络结构；