孫倩，秦永彬,2，黃瑞章,2，劉麗娟，陳艷平,2

1.貴州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，貴州 貴陽(yáng) 550025；2.公共大數(shù)據(jù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025；3.貴州師范學(xué)院，貴州 貴陽(yáng) 550018

1 引言

隨著智能司法建設(shè)的穩(wěn)固推進(jìn)，人工智能技術(shù)逐漸滲透到法院審判工作中。法律查詢(xún)、信息檢索等智能輔助辦案功能被不斷地探索和實(shí)踐，極大地促進(jìn)了審判體系的現(xiàn)代化。當(dāng)前，法院在長(zhǎng)期的司法實(shí)踐中積累了大量的裁判文書(shū)，裁判文書(shū)是法院的審理過(guò)程和結(jié)果的載體，其中蘊(yùn)含了重要的案情信息和隱藏的知識(shí)價(jià)值。利用裁判文書(shū)的案情事實(shí)部分，發(fā)現(xiàn)隱含的特征信息，是支撐智慧法院輔助辦案的核心，是提升法院工作效率和保障司法公平的重要途徑[1]。

罪名預(yù)測(cè)是智能司法輔助辦案中的重要任務(wù)。在具體的司法實(shí)踐中，法官通常從案情事實(shí)出發(fā)，依據(jù)案情特征及其邏輯關(guān)系進(jìn)行判定。在此過(guò)程中，案件要素發(fā)揮了重要作用。案件要素是指案情事實(shí)描述中的關(guān)鍵行為詞及與行為相關(guān)的要素。

案例1故意殺人罪：“XX市人民檢察院指控，被告人黨某在家中因生活瑣事與其婆婆吳某發(fā)生爭(zhēng)執(zhí)，在爭(zhēng)吵與打斗過(guò)程中，黨某持磚頭擊打吳某頭部，致其當(dāng)場(chǎng)死亡。”

案例2搶劫罪：“XX市人民檢察院指控，被告人王某某竄至X市X區(qū)X路X超市門(mén)口，持刀對(duì)被害人段某某進(jìn)行威脅，從段某某包內(nèi)搶走現(xiàn)金400余元后，逃至X小區(qū)旁一網(wǎng)吧內(nèi)，王某某在網(wǎng)吧內(nèi)被公安民警抓獲?！?/p>

案例1和案例2分別是故意殺人罪和搶劫罪的案情事實(shí)部分。案例1是由于雙方發(fā)生爭(zhēng)執(zhí)，行為人黨某故意使用兇器擊打被害人吳某頭部，導(dǎo)致被害人吳某死亡。案例2是由于行為人王某某單方面原因，持刀威脅被害人并搶走財(cái)物。兩個(gè)案例在犯罪起因和經(jīng)過(guò)、適用罪名、包含案件要素等方面均不同。由此可見(jiàn)，案件要素的獲取可以實(shí)現(xiàn)案情事實(shí)和判決結(jié)果的關(guān)聯(lián)。此外，案情事實(shí)中通常包含多個(gè)行為動(dòng)作，其中某些行為對(duì)判決結(jié)果產(chǎn)生的影響不大。如何找到句子的中心行為要素并建立關(guān)聯(lián)關(guān)系對(duì)于案情過(guò)程表示有重要影響。

因此，本文將犯罪過(guò)程表示為一系列以“行為”為核心且具有時(shí)序關(guān)系的案件要素，即案件要素序列，并融合文本語(yǔ)義表示，實(shí)現(xiàn)結(jié)合案件要素序列的罪名預(yù)測(cè)。本文主要貢獻(xiàn)如下。

● 本文提出了一種結(jié)合案件要素序列的罪名預(yù)測(cè)方法。該方法利用圖卷積神經(jīng)網(wǎng)絡(luò)（graph convolutional network，GCN）模型獲取案件要素序列表示，利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型獲取文本語(yǔ)義表示，然后融合進(jìn)行罪名預(yù)測(cè)。

● 在實(shí)驗(yàn)部分，通過(guò)與現(xiàn)有方法進(jìn)行對(duì)比，融合案件要素序列表示能顯著提高罪名預(yù)測(cè)性能，本文方法的有效性得到驗(yàn)證。特別地，該方法對(duì)易混淆罪名區(qū)分也有良好的表現(xiàn)。

2 相關(guān)工作

作為法律審判預(yù)測(cè)的重要任務(wù)之一，罪名預(yù)測(cè)指根據(jù)給定的案件預(yù)測(cè)罪名。在早期罪名預(yù)測(cè)任務(wù)中，大部分工作使用統(tǒng)計(jì)分析方法。后來(lái)量化分析[2]和關(guān)聯(lián)分析[3]被提出，但這類(lèi)方法局限性較強(qiáng)，只針對(duì)特定領(lǐng)域的數(shù)據(jù)集。

隨著機(jī)器學(xué)習(xí)的發(fā)展，罪名預(yù)測(cè)任務(wù)可以分為基于特征工程和基于神經(jīng)網(wǎng)絡(luò)的方法。Lin W C等人[4]重點(diǎn)討論了強(qiáng)盜罪和恐嚇取財(cái)罪，并定義了21種法律要素標(biāo)簽，利用這些要素標(biāo)簽進(jìn)行罪名分類(lèi)。Liu Y H等人[5]提出一種基于文本挖掘的方法，使用支持向量機(jī)（support vector machine，SVM）進(jìn)行分類(lèi)。在人工智能技術(shù)的加持下，法律研究逐漸變得智能化、自動(dòng)化。Jiang X等人[6]通過(guò)深度強(qiáng)化學(xué)習(xí)方法提取事實(shí)部分的依據(jù)并將該依據(jù)信息融入分類(lèi)模型，從而提高準(zhǔn)確性。Kang L Y等人[7]針對(duì)刑事案件的事實(shí)部分，根據(jù)罪名的定義來(lái)創(chuàng)建輔助事實(shí)以擴(kuò)充其表示，從而提高預(yù)測(cè)準(zhǔn)確率。Yang X T等人[8]從事實(shí)描述中提取出相關(guān)片段進(jìn)行特征增強(qiáng)，將罪名作為監(jiān)督標(biāo)簽進(jìn)行預(yù)測(cè)。劉宗林等人[9]從事實(shí)描述中抽取有助于區(qū)分易混淆罪名的指示性罪名關(guān)鍵詞，從而解決罪名預(yù)測(cè)任務(wù)中的罪名易混淆問(wèn)題。除了使用案情事實(shí)部分，相關(guān)研究者還引入案件相關(guān)信息來(lái)輔助預(yù)測(cè)。Luo B F等人[10]提出基于注意力的神經(jīng)網(wǎng)絡(luò)方法，并引入法條信息進(jìn)行罪名預(yù)測(cè)。Hu Z K等人[11]針對(duì)低頻罪名和易混淆罪名引入10個(gè)有代表性的屬性進(jìn)行區(qū)分，利用注意力機(jī)制生成與屬性相關(guān)的事實(shí)表示，依據(jù)不同屬性進(jìn)行預(yù)測(cè)。He C Q等人[12]提出一種序列增強(qiáng)的膠囊網(wǎng)絡(luò)模型來(lái)解決低頻罪名，并設(shè)計(jì)一個(gè)注意力殘差單元來(lái)提供輔助信息。敖紹林等人[13]利用三元組損失（triplet loss）技術(shù)調(diào)節(jié)CNN，從而更好地學(xué)習(xí)案件表示的語(yǔ)義特征向量。當(dāng)前研究大多采用增強(qiáng)案情事實(shí)信息或引入輔助信息的方式。通過(guò)分析真實(shí)案例發(fā)現(xiàn)案件要素和行為發(fā)生順序?qū)τ趯徟薪Y(jié)果有顯著影響，但上述研究沒(méi)有考慮該情況。在司法要素方面，黃輝等人[14]提出了基于BERT閱讀理解框架的司法要素抽取方法，該方法建立了輔助問(wèn)句和裁判文書(shū)之間的語(yǔ)義聯(lián)系，增強(qiáng)了模型的學(xué)習(xí)能力。張虎等人[15]通過(guò)抽取判決要素，結(jié)合法條與語(yǔ)義差異性進(jìn)行罪名預(yù)測(cè)。

近年來(lái)，圖神經(jīng)網(wǎng)絡(luò)（graph neural network，GNN）被作為圖數(shù)據(jù)挖掘領(lǐng)域的熱門(mén)研究方向之一，相關(guān)研究者將圖神經(jīng)網(wǎng)絡(luò)與自然語(yǔ)言處理任務(wù)結(jié)合并取得了一定的成果。在此過(guò)程中，他們提出了文本數(shù)據(jù)的多種構(gòu)圖方式，將文本分類(lèi)任務(wù)轉(zhuǎn)換為圖分類(lèi)或節(jié)點(diǎn)分類(lèi)任務(wù)。Yao L等人[16]將文檔和詞作為圖節(jié)點(diǎn)，對(duì)文本語(yǔ)料庫(kù)構(gòu)建文本圖，將文本分類(lèi)問(wèn)題看作節(jié)點(diǎn)分類(lèi)問(wèn)題。Zhang Y F等人[17]認(rèn)為每個(gè)文檔都有自己的結(jié)構(gòu)圖，提出一種基于圖神經(jīng)網(wǎng)絡(luò)的歸納式文本分類(lèi)方法，將文本分類(lèi)轉(zhuǎn)換為圖分類(lèi)任務(wù)。Hu L M等人[18]提出一種異質(zhì)圖注意力（heterogeneous graph attention，HGAT）網(wǎng)絡(luò)來(lái)學(xué)習(xí)短文本的表示并進(jìn)行分類(lèi)。Huang L Z等人[19]提出了一個(gè)基于圖神經(jīng)網(wǎng)絡(luò)的模型，該模型能為每個(gè)輸入文本生成一個(gè)文本級(jí)別的圖。在司法領(lǐng)域，Xu N等人[20]提出一種圖神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)學(xué)習(xí)易混淆法律文本間的細(xì)微差別，并設(shè)計(jì)了一種利用學(xué)習(xí)到的差異從事實(shí)描述中提取有效的區(qū)別特征的注意力機(jī)制。

上述研究表明，圖神經(jīng)網(wǎng)絡(luò)對(duì)文本處理有積極意義。然而在司法研究領(lǐng)域，圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用較少。由于每個(gè)案件文本都可以表示為圖結(jié)構(gòu)，為了更好地捕獲案件事實(shí)特征，本文將圖神經(jīng)網(wǎng)絡(luò)與司法數(shù)據(jù)結(jié)合，以此來(lái)聚合關(guān)聯(lián)案件的表示，捕獲更多潛在信息。

3 罪名預(yù)測(cè)模型結(jié)構(gòu)

本文的罪名預(yù)測(cè)模型主要分為4個(gè)部分，其結(jié)構(gòu)如圖1所示。第一部分，案件要素圖構(gòu)建。針對(duì)案件要素識(shí)別中存在的缺乏訓(xùn)練數(shù)據(jù)集、識(shí)別困難等問(wèn)題，采用基于BERT（bidirectional encoder representation from transformer）模型[21]的案件要素識(shí)別方法進(jìn)行要素識(shí)別，并根據(jù)案件要素及要素間的關(guān)聯(lián)關(guān)系構(gòu)建案件要素圖。第二部分，案件要素序列表示。本文引入雙層圖卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)案件要素圖進(jìn)行建模，捕獲案件間的潛在關(guān)系，形成案件要素序列表示。第三部分，文本語(yǔ)義表示。根據(jù)模型特點(diǎn)，使用文本卷積神經(jīng)網(wǎng)絡(luò)（TextCNN）模型[22]捕獲文本語(yǔ)義特征表示。第四部分，模型輸出。將文本語(yǔ)義特征與案件要素序列特征融合，并經(jīng)過(guò)全連接（fully connected，F(xiàn)C）層輸出。

圖1 罪名預(yù)測(cè)模型結(jié)構(gòu)

3.1 案件要素圖構(gòu)建

在司法案例數(shù)據(jù)中，每個(gè)案件都有自己的圖結(jié)構(gòu)。本文將案件要素作為圖節(jié)點(diǎn)，案件要素間的關(guān)聯(lián)關(guān)系作為邊，構(gòu)建案件要素圖。從案情事實(shí)中獲取案件要素需要著重考慮3個(gè)問(wèn)題。首先，刑事案件犯罪過(guò)程復(fù)雜，案件要素之間關(guān)系眾多，如何捕獲要素間的特征關(guān)系對(duì)于案情事實(shí)表示較為關(guān)鍵；其次，在案情事實(shí)的單個(gè)句子中可能出現(xiàn)多個(gè)行為要素，極大地增加了面向單一行為要素識(shí)別的訓(xùn)練壓力；最后，由于司法數(shù)據(jù)的特點(diǎn)，缺乏相關(guān)訓(xùn)練數(shù)據(jù)集。

針對(duì)以上問(wèn)題，本文使用刑事判決書(shū)中的事實(shí)部分，經(jīng)過(guò)人工標(biāo)注形成案件要素?cái)?shù)據(jù)集。結(jié)合中文謂語(yǔ)動(dòng)詞標(biāo)注方法的規(guī)則及句法要素識(shí)別方法[23-24]，本文使用BERT-CRF框架實(shí)現(xiàn)案件要素識(shí)別。BERT的雙向Transform框架能很好地融合上下文信息，增加的條件隨機(jī)場(chǎng)（conditional random field，CRF）層可以捕獲標(biāo)簽間的概率轉(zhuǎn)換信息。本文將案件要素識(shí)別任務(wù)轉(zhuǎn)換為序列標(biāo)注任務(wù)。

本文采用BERT作為主要模型，模型的輸入為對(duì)應(yīng)的詞向量、位置向量、句向量3個(gè)嵌入特征。的輸入向量可以表示為：

經(jīng)過(guò)BERT模型后將向量表示輸入CRF層進(jìn)行標(biāo)簽預(yù)測(cè)。本文使用“BIO”標(biāo)簽體系預(yù)測(cè)所屬標(biāo)簽：

其中，“B-ε”表示該元素是案件要素的開(kāi)始字符；“I-ε”表示該元素是案件要素的中間字符，也可以表示單個(gè)詞語(yǔ)；“O”表示該元素不屬于任何類(lèi)型。ε∈{SUB,ADV,PRE,RAI,TEM,LOC}，“SUB”表示犯罪主體；“ADV”表示犯罪行為描述；“PRE”表示犯罪行為；“RAI”表示犯罪行為導(dǎo)致的結(jié)果；“TEM”表示犯罪時(shí)間；“LOC”表示犯罪地點(diǎn)。由于單字形式不利于案件要素圖構(gòu)建，本文在識(shí)別模型輸出后增加了一個(gè)數(shù)據(jù)后處理操作，即將當(dāng)前B標(biāo)簽位置開(kāi)始到下一個(gè)B標(biāo)簽位置結(jié)束之間的漢字進(jìn)行拼接。經(jīng)過(guò)數(shù)據(jù)后處理后，得到被包含在各句子中的案件要素集合，最終形成案情事實(shí)kd包含的案件要素kdV：

其中，h表示句子中存在的案件要素?cái)?shù)量。進(jìn)一步地，去除案件要素集合V中重復(fù)的案件要素，得到不重復(fù)案件要素集合V′：

其中，r表示案例數(shù)據(jù)集包含的不重復(fù)案件要素個(gè)數(shù)。本文將案件要素作為節(jié)點(diǎn)，案件要素之間存在的關(guān)聯(lián)關(guān)系作為邊。具體來(lái)說(shuō)，對(duì)于案件要素vi、vj∈V′，本文依據(jù)案件要素的共現(xiàn)信息構(gòu)建邊，邊的權(quán)重通過(guò)點(diǎn)互信息（pointwise mutual information，PMI）計(jì)算，這一過(guò)程可以表示為：

其中，eij表示案件要素vi與vj之間的邊，當(dāng)vi=vj時(shí)，eij表示當(dāng)前節(jié)點(diǎn)的自環(huán)邊。PMI主要用于計(jì)算詞語(yǔ)間的語(yǔ)義相似度，計(jì)算過(guò)程可以表示為：

若 PMI(vi,vj)為正，則表示語(yǔ)義相關(guān)度較高；若PMI(vi,vj)為負(fù)，則表示相關(guān)度較低；若PMI(vi,vj)為0，則表示不相關(guān)。面向整個(gè)案例數(shù)據(jù)集D，案件要素之間的邊集合E可以表示為：

為了后續(xù)獲取節(jié)點(diǎn)自身的特征信息，每個(gè)案件要素節(jié)點(diǎn)都存在一個(gè)自環(huán)邊。本文將案件要素作為圖節(jié)點(diǎn)，案件要素之間的關(guān)聯(lián)關(guān)系作為邊，構(gòu)建案件要素圖G= (V′,E)。由于每個(gè)案件都有屬于自身的圖結(jié)構(gòu)，案件要素圖G可被認(rèn)為由K個(gè)案件要素子圖組成，即：

3.2 案件要素序列表示

GCN可以利用邊和節(jié)點(diǎn)的信息聚合生成新的節(jié)點(diǎn)表示，從而對(duì)圖結(jié)構(gòu)數(shù)據(jù)信息進(jìn)行有效提取，GCN在圖表示學(xué)習(xí)領(lǐng)域具有強(qiáng)大的優(yōu)勢(shì)。從圖節(jié)點(diǎn)角度出發(fā)，節(jié)點(diǎn)的學(xué)習(xí)過(guò)程是將自身的特征信息傳送給鄰居節(jié)點(diǎn)，再將鄰居節(jié)點(diǎn)的特征信息收集，以此來(lái)聚合節(jié)點(diǎn)間的特征信息。結(jié)合案件犯罪過(guò)程及案件要素圖的構(gòu)建方式，本文利用雙層GCN模型進(jìn)行序列建模。

在GCN中當(dāng)前隱藏層到下一個(gè)隱藏層對(duì)節(jié)點(diǎn)的特征變換可以表示為：

其中，W(l)、b(l)分別表示在l層的權(quán)重、截距；σ表示非線性變換；X(l)表示在l層的節(jié)點(diǎn)特征；當(dāng)層數(shù)為零時(shí)，X0表示初始節(jié)點(diǎn)狀態(tài)；A為鄰接矩陣，可以表示為：

其中，Aij=eij。為了相對(duì)保持?jǐn)?shù)據(jù)間關(guān)系并獲取自身節(jié)點(diǎn)特征信息，對(duì)鄰接矩陣進(jìn)行歸一化處理并加入節(jié)點(diǎn)自環(huán)信息。該過(guò)程可表示為：

其中，cij表示歸一化因子。案情描述dk在第l+1層上的特征可以表示為：

根據(jù)dk的案件要素特征集合形成其案件要素序列表示kdL。

3.3 文本語(yǔ)義表示

文本語(yǔ)義表示使用了TextCNN模型，該模型網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單且能獲得不同抽象層次的語(yǔ)義信息。TextCNN主要分為輸入層、卷積層、池化層和全連接層。在卷積層進(jìn)行特征向量計(jì)算時(shí)，設(shè)置不同尺寸的卷積核實(shí)現(xiàn)局部特征的捕捉，使得提取到的特征向量具有代表性。

其中，W∈Rhm為濾波器尺寸，b是一個(gè)偏置常量，f是非線性函數(shù)。本文通過(guò)設(shè)置不同大小的濾波器得到dk的多個(gè)特征表示C= [c1,c2,…,cT－h(huán)+1]。為了獲取有效特征，本文采用最大池化獲得案情事實(shí)kd的文本語(yǔ)義表示kdC。該過(guò)程可以表示為：

3.4 模型輸出

圖卷積神經(jīng)網(wǎng)絡(luò)擅于捕獲全局信息，除了挖掘自身節(jié)點(diǎn)信息，還可以獲取相鄰節(jié)點(diǎn)關(guān)系蘊(yùn)含在圖結(jié)構(gòu)中的其他信息。TextCNN可以較好地捕捉句子的局部信息，但在卷積池化操作中容易丟失文本序列信息?？紤]到兩個(gè)模型的特點(diǎn)，為了豐富案情事實(shí)表示，本文將案件要素序列表示kdL與文本語(yǔ)義表示kdC融合輸入全連接層，以獲取其最終表示p。該過(guò)程可形式化表示為：

最后輸出到Softmax層中預(yù)測(cè)出其類(lèi)別z，該過(guò)程可形式化表示為：

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

本文使用的案件要素?cái)?shù)據(jù)集含有6類(lèi)案件要素，共計(jì)46000個(gè)標(biāo)簽。罪名預(yù)測(cè)數(shù)據(jù)集來(lái)源于貴州省某人民法院的搶劫、搶奪、詐騙、敲詐勒索、危險(xiǎn)駕駛和交通肇事6類(lèi)案件。為了驗(yàn)證案件要素序列對(duì)罪名預(yù)測(cè)的效果，本文罪名預(yù)測(cè)數(shù)據(jù)集中的罪名均為單罪名。本文首先從6類(lèi)案件中均勻抽取10000個(gè)案件作為實(shí)驗(yàn)原始數(shù)據(jù)；然后使用正則匹配方式提取案情事實(shí)部分，刪除缺失、無(wú)效、重復(fù)的案情事實(shí)文本，修正亂碼等情況，并對(duì)數(shù)據(jù)進(jìn)行脫敏和清洗；最后將案情事實(shí)作為內(nèi)容，其對(duì)應(yīng)罪名作為標(biāo)簽，形成罪名預(yù)測(cè)數(shù)據(jù)集。該罪名預(yù)測(cè)數(shù)據(jù)集涉及6類(lèi)罪名，共有8690個(gè)案情事實(shí)。其中，搶劫罪1544個(gè)、搶奪罪1546個(gè)、詐騙罪1656件、敲詐勒索罪725個(gè)、危險(xiǎn)駕駛罪1547個(gè)、交通肇事罪1672個(gè)。

4.2 實(shí)驗(yàn)設(shè)置與評(píng)價(jià)指標(biāo)

為了更好地體現(xiàn)模型實(shí)際表現(xiàn)，在保證標(biāo)簽分布均勻的情況下，本文將罪名預(yù)測(cè)數(shù)據(jù)集按照7:2:1的比例劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。

由于模型輸入層需要輸入一個(gè)定長(zhǎng)的文本序列，而案情事實(shí)長(zhǎng)度表達(dá)不固定，本文對(duì)數(shù)據(jù)集中的文本分布長(zhǎng)度進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)超過(guò)90%的案情文本字符數(shù)量集中在區(qū)間[100,500]，如圖2所示。綜合分析文本長(zhǎng)度分布情況，本文將400個(gè)字符作為數(shù)據(jù)輸入定長(zhǎng)。

圖2 數(shù)據(jù)集文本長(zhǎng)度分布

本文采用機(jī)器學(xué)習(xí)算法中的常用評(píng)測(cè)指標(biāo)（即精確率、召回率、綜合評(píng)價(jià)指標(biāo)（F1））對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析和評(píng)判。另外，宏平均（macro-average）和微平均（micro-average）也是衡量文本分類(lèi)器的指標(biāo)。宏平均是計(jì)算每一類(lèi)別指標(biāo)值的平均值，微平均是結(jié)合不同類(lèi)別指標(biāo)值的貢獻(xiàn)來(lái)計(jì)算平均值。綜合本文罪名預(yù)測(cè)數(shù)據(jù)集的類(lèi)別和數(shù)量分布情況，本文實(shí)驗(yàn)結(jié)果均使用宏平均計(jì)算產(chǎn)生。

4.3 結(jié)果及分析

為了驗(yàn)證所提方法的有效性，本文設(shè)計(jì)了3組對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)一使用本文所提方法與SVM、TextRNN等模型進(jìn)行對(duì)比；實(shí)驗(yàn)二是用于驗(yàn)證案件要素序列有效性的消融實(shí)驗(yàn)；實(shí)驗(yàn)三使用本文方法在易混淆罪名預(yù)測(cè)上進(jìn)行實(shí)驗(yàn)分析。

（1）模型對(duì)比實(shí)驗(yàn)

為了驗(yàn)證結(jié)合案件要素序列的罪名預(yù)測(cè)方法的有效性，本文將所提方法與傳統(tǒng)方法進(jìn)行對(duì)比。TFIDF_SVM采用詞頻逆向文檔頻率（term frequencyinverse document frequency，TFIDF）進(jìn)行文本特征抽取，再使用SVM進(jìn)行分類(lèi)。TextRNN采用雙層長(zhǎng)短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)獲取文本特征。采用單層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的FastText對(duì)文本進(jìn)行bi-gram和trigram特征提取。TextCNN采用多個(gè)不同尺寸的卷積和最大池化進(jìn)行分類(lèi)。本文實(shí)現(xiàn)了兩個(gè)融合案件要素序列表示的模型，TextRNN_seq表示在TextRNN的基礎(chǔ)上引入案件要素序列表示，TextCNN_seq表示在TextCNN的基礎(chǔ)上引入案件要素序列表示。除了TFIDF_SVM模型，其余實(shí)驗(yàn)?zāi)Ｐ椭械脑~嵌入維度均為400維。TextCNN的卷積核尺寸為(2,3,5)。

實(shí)驗(yàn)結(jié)果見(jiàn)表1，本文方法的實(shí)驗(yàn)性能明顯優(yōu)于傳統(tǒng)方法。由于案情事實(shí)長(zhǎng)度表達(dá)不固定，有些案情事實(shí)長(zhǎng)度較長(zhǎng)，TextRNN模型在選取最后一個(gè)時(shí)間步的向量表示時(shí)容易對(duì)前面的部分信息造成遺忘。FastText由于模型結(jié)構(gòu)特點(diǎn)，容易造成文本結(jié)構(gòu)信息丟失問(wèn)題。而TextCNN模型能對(duì)文本的局部特征進(jìn)行有效感知，在此類(lèi)數(shù)據(jù)上表現(xiàn)優(yōu)異。進(jìn)一步地，本文將案件要素維度的案情事實(shí)表示與文本語(yǔ)義表示進(jìn)行融合實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)方法相比，融合案件要素序列方法的實(shí)驗(yàn)結(jié)果均有一定提升，TextCNN_seq模型取得了最優(yōu)效果。其主要原因是案件要素序列的加入能獲取案件關(guān)鍵特征，結(jié)合TextCNN提取的文本語(yǔ)義特征，從多維度豐富案情事實(shí)表示，實(shí)現(xiàn)案情事實(shí)的深層分析。

表1 罪名預(yù)測(cè)實(shí)驗(yàn)結(jié)果

（2）消融實(shí)驗(yàn)

本文對(duì)預(yù)測(cè)錯(cuò)誤的案例數(shù)據(jù)進(jìn)行輸出分析，發(fā)現(xiàn)錯(cuò)誤案例數(shù)據(jù)中普遍存在案情事實(shí)文本較短、案件行為要素較少的情況。為了驗(yàn)證行為要素的關(guān)鍵性，本文對(duì)案件要素序列的行為要素進(jìn)行了消融實(shí)驗(yàn)。簡(jiǎn)單來(lái)說(shuō)，在案件要素圖構(gòu)建過(guò)程中故意丟失全部行為要素后再進(jìn)行實(shí)驗(yàn)，以達(dá)到實(shí)驗(yàn)?zāi)康摹?/p>

為了充分表達(dá)行為要素對(duì)實(shí)驗(yàn)結(jié)果的影響，本文將行為要素作為控制變量共進(jìn)行了3組不同的實(shí)驗(yàn)。第一組實(shí)驗(yàn)使用TextCNN，表示僅使用案情事實(shí)文本特征；第二組實(shí)驗(yàn)使用TextCNN_seq，表示在第一組實(shí)驗(yàn)的基礎(chǔ)上融合了完整的案件要素序列；第三組實(shí)驗(yàn)使用TextCNN_seq_nopre，表示在第一組實(shí)驗(yàn)的基礎(chǔ)上融合了缺失行為要素的案件要素序列。

實(shí)驗(yàn)結(jié)果見(jiàn)表2，TextCNN_seq相比，TextCNN_seq_nopre的性能下降明顯。其主要原因是行為要素的缺失導(dǎo)致案件間重復(fù)要素急劇減少，在使用圖卷積神經(jīng)網(wǎng)絡(luò)對(duì)案件要素序列建模學(xué)習(xí)時(shí)不能很好地聚合關(guān)聯(lián)案件的特征，使得獲取到的案情事實(shí)特征不具備足夠的代表性。由此可見(jiàn)，行為要素的存在可以學(xué)習(xí)潛在關(guān)聯(lián)信息，更好地獲取案件關(guān)鍵特征。另外，TextCNN_seq_nopre的性能低于TextCNN。由此表明，大量非關(guān)鍵特征的加入使得特征變得稀疏，導(dǎo)致實(shí)驗(yàn)性能不佳。

表2 消融實(shí)驗(yàn)結(jié)果

（3）易混淆罪名預(yù)測(cè)實(shí)驗(yàn)

為了驗(yàn)證本文所提方法預(yù)測(cè)易混淆罪名的性能較好，本文選取了兩組常見(jiàn)的易混淆罪名進(jìn)行實(shí)驗(yàn)，即交通肇事罪和危險(xiǎn)駕駛罪。

實(shí)驗(yàn)結(jié)果見(jiàn)表3，本文所提方法對(duì)易混淆罪名的預(yù)測(cè)性能有明顯提升。實(shí)現(xiàn)結(jié)果表明，通過(guò)對(duì)案件要素的抽取，建模學(xué)習(xí)案件要素序列表示，在獲取案件獨(dú)有表示的同時(shí)使犯罪結(jié)果更加清晰，這對(duì)于易混淆罪名的區(qū)分具有積極意義，能提升易混淆罪名的預(yù)測(cè)性能。

表3 易混淆罪名實(shí)驗(yàn)結(jié)果

5 結(jié)束語(yǔ)

在當(dāng)前的罪名預(yù)測(cè)研究中，主要使用文本內(nèi)容或引入輔助信息進(jìn)行預(yù)測(cè)，往往忽略了關(guān)鍵案件要素。針對(duì)此問(wèn)題，本文將案件要素引入罪名預(yù)測(cè)任務(wù)，提出了一種結(jié)合案件要素序列的罪名預(yù)測(cè)方法，從案件要素和文本內(nèi)容維度豐富案情事實(shí)表示，深度挖掘案情事實(shí)潛在語(yǔ)義結(jié)構(gòu)。本文在單罪名情況下驗(yàn)證了所提方法的有效性，并凸顯了案件要素序列的重要性。在下一步研究工作中，筆者將在多罪名情況下對(duì)所提方法進(jìn)行探索驗(yàn)證。