高冠東

（中央司法警官學(xué)院信息管理系，河北保定 071000)

0 引言

隨著科學(xué)技術(shù)的發(fā)展，人工智能技術(shù)在不同領(lǐng)域取得較好的發(fā)展，在司法領(lǐng)域中引入人工智能技術(shù)成為必然趨勢(shì)。2018年司法部發(fā)布的《“數(shù)字法治、智慧司法”信息化體系建設(shè)指導(dǎo)意見》中，對(duì)“數(shù)字法治，智慧司法”的信息化體系建設(shè)提出指導(dǎo)性意見。同時(shí)“智慧司法”[1]“智慧法院”[2]等以人工智能為支撐，取得較好的發(fā)展，促進(jìn)司法信息化和智能化[3-5]。自然語(yǔ)言處理技術(shù)作為人工智能中的重要組成部分，為在海量的司法文本數(shù)據(jù)中挖掘具有重要價(jià)值信息提供支持。文本分類作為自然語(yǔ)言處理中一項(xiàng)基本任務(wù)，在司法領(lǐng)域中得到廣泛應(yīng)用，例如類案推送[6]、爭(zhēng)議焦點(diǎn)[7]、法條預(yù)測(cè)[8]等。

文本數(shù)據(jù)是非結(jié)構(gòu)化的，并且噪聲很大。在執(zhí)行文本分類時(shí)，用戶獲得了標(biāo)記良好的訓(xùn)練數(shù)據(jù)和監(jiān)督學(xué)習(xí)的益處。然而，文檔聚類是一個(gè)無監(jiān)督的學(xué)習(xí)過程，用戶借以通過讓機(jī)器了解各種文本及其特征、相似度和差異性，嘗試將文檔分割和分類為不同的類別。這使得文檔聚類更有挑戰(zhàn)性，也更有趣。本研究考慮擁有一個(gè)犯罪文檔語(yǔ)料庫(kù)，以期討論各種不同的概念和想法。人類以一種方式將文本鏈接，文本使得人類能使用從過去所學(xué)到的知識(shí)，并可以將其應(yīng)用于區(qū)分概念。例如，與句子“2016 年11 月份，被告人溫某某與被告人蔡某某合謀走私柴油?！毕啾龋渥印?012 年6 月初，郭某與汪某聯(lián)系購(gòu)買10 000 克毒品氯胺酮?！备愃朴凇?016年春節(jié)后的一天，董某某、嚴(yán)某某（另案處理）密謀生產(chǎn)毒品甲卡西酮。”這句話。用戶可以輕松并直觀地確定特定的關(guān)鍵短語(yǔ)，例如：走私、毒品、氯胺酮、甲卡西酮等，這有助于其確定哪些句子或文本更為相似。

1 構(gòu)建司法案例推薦系統(tǒng)

在司法實(shí)踐中，判決案例是一項(xiàng)非常重要的資料。通過分析判決案例，法官可以了解類似案例的判決結(jié)果，并參考其理由和邏輯進(jìn)行判斷。然而，由于案例數(shù)量龐大，法官往往需要花費(fèi)大量的時(shí)間和精力來尋找類似案例。因此，構(gòu)建一種基于相似性聚類的智能推薦系統(tǒng)，可以幫助法官快速準(zhǔn)確地找到與當(dāng)前案件類似的案例，提高司法效率和判決質(zhì)量。

推薦系統(tǒng)是機(jī)器學(xué)習(xí)中最流行、最常用的應(yīng)用之一。通常，它們用于向用戶推薦實(shí)體。這些實(shí)體可以是任何東西，例如產(chǎn)品、案例、電影、服務(wù)等。常見的推薦例子包括：

1)司法案例庫(kù)推薦相似案例。

2) Amazon Prime、Netflix 和Hotstar 推 薦 電 影/節(jié)目。

3)YouTube推薦觀看的視頻。

推薦系統(tǒng)通常可以通過三種方式實(shí)現(xiàn)：

1)簡(jiǎn)單的基于規(guī)則的推薦系統(tǒng)：基于特定的全局指標(biāo)和閾值。

2)基于內(nèi)容的推薦系統(tǒng)：基于特定的感興趣實(shí)體提供相似的實(shí)體。

3)協(xié)同過濾推薦系統(tǒng)：不需要元數(shù)據(jù)，但用戶會(huì)嘗試根據(jù)不同用戶和特定項(xiàng)的過去評(píng)分來預(yù)測(cè)推薦和評(píng)分。

本研究構(gòu)建了一個(gè)司法案例推薦系統(tǒng)，借此基于與不同案例有關(guān)的數(shù)據(jù)/元數(shù)據(jù)，嘗試推薦類似的司法案例，推斷未來案情結(jié)果。

1.1 司法案例數(shù)據(jù)集構(gòu)建

本研究以中國(guó)裁判文書網(wǎng)為語(yǔ)料源，收集并選取了詐騙、行賄、走私、制造毒品、危險(xiǎn)駕駛、搶劫、綁架、故意傷害、故意殺人、強(qiáng)奸等指控的典型案件判決書共123 條。數(shù)據(jù)集樣式如圖1 所示，由姓名、年齡、民族、戶籍所在地、文化程度、職業(yè)、案件類型、案由、罪名、犯案事實(shí)、刑期等多個(gè)短語(yǔ)組成。

圖1 司法案例數(shù)據(jù)集

本研究構(gòu)建司法案例推薦系統(tǒng)，具體流程如圖2所示：

圖2 司法案例推薦系統(tǒng)技術(shù)路線圖

推薦都是關(guān)于了解基本特性的，它使我們傾向于一種選擇而不是另一種選擇。項(xiàng)目之間的相似性（在本例中是司法案例）是了解為什么用戶選擇一個(gè)司法案例而不是另一個(gè)司法案例的一種方式。有不同的方法可以計(jì)算兩個(gè)項(xiàng)目之間的相似度。

1.2 司法案例數(shù)據(jù)集預(yù)處理

司法案例語(yǔ)料在計(jì)算相似度之前一般需要一系列的預(yù)處理工作，才能輸入得符合要求。首先需將用戶預(yù)定義詞典載入，防止一些重要的短語(yǔ)被分詞器所分開。其次，載入停用詞典，減少噪聲。然后，讀入語(yǔ)料文件對(duì)整個(gè)語(yǔ)料庫(kù)進(jìn)行分詞操作。最終將整個(gè)語(yǔ)料庫(kù)制作成向量形式，才能進(jìn)行相似度計(jì)算。

相似性度量，即綜合評(píng)定兩個(gè)事物之間相近程度的一種度量。兩個(gè)事物越接近，它們的相似性度量也就越大，而兩個(gè)事物越疏遠(yuǎn)，它們的相似性度量也就越小。相似性度量的給算種類繁多，一般根據(jù)實(shí)際問題進(jìn)行選用。相似度度量用于文本相似度分析和聚類。任何相似度度量或距離度量都可測(cè)量?jī)蓚€(gè)實(shí)體之間的緊密程度，該實(shí)體可以是任何文本格式，例如文檔、句子甚至側(cè)向。這種相似度度量有助于識(shí)別相似實(shí)體和區(qū)分彼此差異明顯的實(shí)體。相似度度量非常有效，有時(shí)選擇正確的度量可能會(huì)對(duì)最終分析系統(tǒng)的性能產(chǎn)生很大的影響。

文本相似度的主要目標(biāo)是分析和度量文本兩個(gè)實(shí)體之間的緊密程度。文本的這些實(shí)體可以是簡(jiǎn)單的標(biāo)識(shí)符或詞項(xiàng)，例如單詞或包含句子或文本段落的整個(gè)文檔。分析文本相似度的方法有很多種，可以將分析文本相似度的意圖大致分為以下兩個(gè)方面：

1)詞匯相似度：這涉及觀察文本文檔的語(yǔ)法、結(jié)構(gòu)和內(nèi)容方面的內(nèi)容，并根據(jù)這些參數(shù)度量它們的相似度。

2)語(yǔ)義相似度：這涉及確定文檔的語(yǔ)義、含義和上下文，然后確定它們彼此間的緊密程度。在此方面，依存語(yǔ)法和實(shí)體識(shí)別是可以提供幫助的便捷工具。

文本分詞后，如何將其送入一個(gè)計(jì)算文本相似度的過程中呢？答案是文本向量化，即用向量或矩陣的形式表示文本，也可以理解為對(duì)文本的數(shù)值化處理。文本向量化從數(shù)學(xué)角度可以解釋為映射，即將單詞映射到另一個(gè)空間。本研究將把語(yǔ)料庫(kù)制作成詞袋模型+TF-IDF的向量化表示形式。結(jié)果如圖3所示。

圖3 文本向量化函數(shù)測(cè)試結(jié)果

1.3 目標(biāo)案例預(yù)處理

目標(biāo)案例預(yù)處理與司法案例數(shù)據(jù)集預(yù)處理類似，也是通過加載用戶預(yù)定義詞典、刪除停用詞、分詞、向量化4步組成。唯一區(qū)別是由整個(gè)語(yǔ)料庫(kù)案例變?yōu)榱藛蝹€(gè)案例預(yù)處理。目標(biāo)案例預(yù)處理一共分為載入用戶預(yù)定義詞典、停用詞刪除以及分詞操作、文本向量化（將單一目標(biāo)案例制作成詞袋模型+TF-IDF的向量化表示形式）3個(gè)步驟：

現(xiàn)在已經(jīng)使用基于TF-IDF的向量表示對(duì)整個(gè)語(yǔ)料庫(kù)和目標(biāo)案例進(jìn)行了規(guī)范化和向量化處理，接下來看看如何計(jì)算具有余弦相似度和文檔相似度。

1.4 成對(duì)文檔相似度的余弦相似度計(jì)算

本研究重復(fù)使用計(jì)算余弦相似度的概念來計(jì)算文檔而不是詞項(xiàng)的余弦相似度分?jǐn)?shù)。文檔向量將是基于詞袋模型的向量，其具有TF-IDF值而不是詞頻。

基于Numpy的余弦相似度代碼如下所示：

def Cos_Distance(vector1,vector2):

vec1=np.array(vector1)

vec2=np.array(vector2)

return float(np.sum(vec1 * vec2))/ (np.linalg.norm(vec1) * np.linalg.norm(vec2)) # 此處可以更換成任意的相似度計(jì)算公式

實(shí)現(xiàn)余弦相似度的代碼之后，便要計(jì)算目標(biāo)案例與整個(gè)司法案例語(yǔ)料庫(kù)的相似度，代碼如下所示：

def similarity_words(vec,vecs_list): # 傳進(jìn)目標(biāo)語(yǔ)句的向量形式和整個(gè)語(yǔ)料庫(kù)的向量形式

Similarity_list=[]

for vec_i in vecs_list:#拿出整個(gè)語(yǔ)料庫(kù)中語(yǔ)句Similarity=Cos_Distance(vec,vec_i)#計(jì)算目標(biāo)語(yǔ)句與整個(gè)語(yǔ)料庫(kù)中語(yǔ)句的余弦相似度

Similarity_list.append(Similarity)return Similarity_list

1.5 司法案例推薦

將目標(biāo)案例與整個(gè)語(yǔ)料庫(kù)中的司法案例進(jìn)行對(duì)比，以計(jì)算其與整個(gè)語(yǔ)料庫(kù)中的案例的相似度，并返回前十條相似度較高的樣本，借此可以推斷目標(biāo)案例未來的案情結(jié)果，可以成為法律咨詢方面的一個(gè)有價(jià)值的補(bǔ)充。代碼如下所示：

def main(words,token2id,idf_dict,tfidf_library):

cut_words=split_words(words)#對(duì)目標(biāo)語(yǔ)句進(jìn)行分詞

vec=make_tfidf(cut_words,token2id,idf_dict)#將目標(biāo)語(yǔ)句轉(zhuǎn)換成詞袋模型+TFIDF的表現(xiàn)形式

similarity_lists = similarity_words(vec, tfidf_library)#計(jì)算相似度，返回目標(biāo)語(yǔ)句與整個(gè)語(yǔ)料庫(kù)中每個(gè)語(yǔ)句的相似度列表

sorted_res=sorted(enumerate(similarity_lists),key=lambda x:x[1])#將相似度列表轉(zhuǎn)換成枚舉形式，針對(duì)枚舉類型的第2個(gè)值進(jìn)行升序排序

outputs = [[word_list[i[0]], i[1]] for i in sorted_res[-1:-11:-1]]#取出排名前十的原始語(yǔ)料

return outputs

最終測(cè)試某一條目標(biāo)案例，代碼如下所示：

words="原審判決認(rèn)定:被告人于某某與同居女友夏某（被害人，歿年43 歲）因于飲酒問題而多次爭(zhēng)吵。2020年5月27日17時(shí)許，因于再次飲酒，夏在開原市內(nèi)服藥自殺，此舉引發(fā)于的憤怒。于趁夏昏睡之機(jī)，用電熱毯電源線勒夏頸部，致夏窒息和缺氧；后又用平底炒勺擊打夏頭面部數(shù)下，用蔬菜刮刀割夏的頸部數(shù)下，被害人夏某經(jīng)搶救無效死亡。經(jīng)法醫(yī)鑒定：夏某系頭右額部、面部遭受反復(fù)鈍器打擊致硬膜下血腫、蛛網(wǎng)膜下腔出血、腦挫傷死亡。案發(fā)后被告人于某某主動(dòng)投案，并對(duì)犯罪事實(shí)供認(rèn)不諱"

outputs=main(words,token2id,idf_dict,tfidf_library)

for i in outputs:

print(str(i[1])+" "+i[0])

實(shí)驗(yàn)結(jié)果，返回了十條與目標(biāo)案例相近的案例與相似度。

2 結(jié)論

本研究使用文本相似度開發(fā)了一種司法案例推薦系統(tǒng)，并將相似的文檔聚類在一起。利用AI算法來學(xué)習(xí)過去法律情景的案例信息集，構(gòu)建預(yù)測(cè)模型，推斷未來案情結(jié)果，可以成為法律咨詢方面的一個(gè)有價(jià)值的補(bǔ)充。