买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东南大学

摘要：本发明涉及一种基于层级式法律知识与双图联合表示学习的罪名预测方法，主要用于依据案件事实描述对被告自动进行罪名预测，尤其是易混淆罪名的预测，辅助法官判案。本发明首先利用爬虫技术从中国裁判文书网上爬取大量法律文书，并对裁判文书进行初步处理，提取出每份文书的事实描述部分以及对应的判决罪名，构建结构图和语义图，并使用联合图交互得到事实描述的语义表示向量。然后利用爬虫技术爬取所有罪名的构成要件，作为专业法律知识用以区分罪名，并使用双图联合表示学习得到每个罪名知识的语义表示向量。然后利用注意力机制，得到知识感知的事实描述语义向量，最后将其与原事实向量相结合，输入到softmax层得到该事实描述对应的罪名预测结果。

主权项：1.一种基于层级式法律知识与双图联合表示学习的罪名预测方法，其特征在于，所述方法包括以下步骤：步骤1利用Scrapy爬虫框架从中国裁判文书网站上爬取海量的裁判文书，再次利用该爬虫框架从找法网上爬取所有罪名的构成要件，包括客观要件、客体要件、主观要件和主体要件；步骤2分析裁判文书的内容后发现，裁判文书具有固定的数据格式，一般由原告诉称、被告辩称、事实描述、法院观点、裁判结果等几部分组成,基于此，设计正则表达式对裁判文书进行初步处理，抽取出事实描述部分和判决罪名；步骤3对所述步骤2最终得到的事实描述部分，将单词视为节点，利用互信息计算节点之间的边的权重，从而构建结构图，建模事实描述的文本结构信息；步骤4对所述步骤2最终得到的事实描述部分，首先使用一种共指解析模型，将指代相同实体的代词替换为其原始实体名称,然后利用依存分析技术抽取出事实描述文本的语义关系；步骤5通过双图联合交互过程，交换结构图和语义图的特征信息，并更新各自图中的节点信息，最终得到结构图的向量表示和语义图的向量表示，并拼接获得最终事实描述语义向量；步骤6对步骤1中爬取得到的所有罪名构成要件，将其作为专业法律知识用以区分罪名，并使用一种面向层级罪名知识的异构图表示学习方法得到每个罪名知识的语义表示向量；步骤7基于事实描述语义向量和罪名知识语义向量，利用注意力机制，通过知识匹配网络得到知识感知的事实描述语义向量；步骤8将知识感知的事实向量与原事实向量相结合，输入到softmax层得到该事实描述对应的罪名预测结果。

全文数据：

权利要求：

百度查询： 东南大学 基于层级式法律知识与双图联合表示学习的罪名预测方法