[发明专利]一种借助线性规划的基于本体的刑事审判案例推理方法

说明书

技术领域

本发明涉及一种借助线性规划的基于本体的刑事审判案例推理方法,尤其涉及一种借助GA-KNN及线性规划的基于本体的刑事审判的案件检索方法。

背景技术

基于案例推理的案件辅助决策系统主要任务是案件的推理决策和建立及维护证据及案件库。

本体是一个源于哲学的概念,原意指关于存在及其本质和规律的学说,后来被计算机科学领域引入,特指对共享概念模型所作的明确化、形式化、规范化说明,它强调领域中的本质概念,也强调这些本质概念之间的关联。某个领域的本体能够将该领域中的各种概念及概念之间的关系显性地、形式化地表达出来,从而将概念中包含的语义表达出来。

在将人工智能应用到法律理论的领域中，有较大影响的法律本体包括:法律领域深层次概念化模型LLD、法律功能本体FO-Law、以FO-Law为基础发展而来的LRI-core、实现法律知识系统交互的法律核心本体LKIF-core。在基于本体的法律推理算法方面，主要有AS-CATO算法和和IBP算法。这些算法均以本体特征来对案例进行组织建模，并且尝试求解案件特征与判决结果之间的关系。

但这些方法均无法直接适用于我国的法律体系特征。2012年,《基于神经网络的刑事案件量刑决策系统》一文提出提出一种基于人工神经网络的刑事案件量刑决策系统，将案件的各种量刑情节输入到神经网络中,利用神经网络的学习和推理能力,得到最终的量刑结果,但是这种方法没有筛选与刑事判决类型紧密相关的案例特征的步骤而是将全部数据直接输入到神经网络进行据测，因此精度仍然有待提高。此后，2014年佘贵清、张永安针对我国刑法的特点在《基于本体的刑事审判案例推理方案研究》一文中提出了使用本体模型对法律文本信息进行格式化表征并且在此基础上，设计面向具体刑期推理的案例推理方案。该方案首先基于刑事审判本体中案情类的相关属性抽取案情特征的特征值；然后，按照与模型训练阶段所提到的案例特征整理与分类方式相同的方法进行案例特征预处理；继而使用已完成训练的神经网络模型，先后预测待检案例应判决的刑罚类型和具体刑期。但这两种方法均没有考虑结合主观经验来进行推理。而在第二种方案中，没有利用法律专家的先验知识参与对机器学习学到参数进行调整来提高系统的精度。

发明内容

本发明要解决的技术问题是，提供一种基于GA-KNN及线性规划的基于本体的刑事审判案例推理方法。

为实现上述目的，本发明采用如下的技术方案：

一种借助线性规划的基于本体的刑事审判案例推理方法包括以下步骤：

步骤S1、将刑事案例数据科学有效地以向量形式表述并存储；

步骤S2、使用基于GA-KNN方法建立的模型进行推理；

步骤S3、通过线性规划有效利用先验知识，即法律专家的主观经验评估上述算法的输出结果，能够有效地提高案例推理系统的执行精度；

步骤S4、通过海量刑事案例数据的增删改查模块，为用户存取数据提供操作接口。

作为优选，步骤S1具体包括：

在经过预处理后产生可供机器学习使用的向量化的数据；

在每次计算参数以及检索相似案例时被多次读取向量形式的数据。

作为优选，步骤S2具体包括：

初始化权重种群，及产生大量的与刑事案例属性对应的权重；

使用改进的相似算法从案例库中搜索出相似案例，即在测试数据库中寻找相似案例,进行推理时检索算法采用最常用的K-NN邻近算法；

为每个染色体计算适应性函数，并进行遗传算法的进化操作；

根据适应性函数的具体函数值评估结果。

作为优选，步骤S3具体包括：

专家评估意见输入；

线性规划问题建模和求解；

形成新的候选解；

模型参数再生成。

作为优选，步骤S4具体包括：

对法律文书等资料的批量增加、对法律文书等资料的批量删除、对录入有误数据的修改以及对特定相关案例的查询；

海量数据的增删改查技术必须确保对用户操作及函数调用的及时响应。