[发明专利]刑事案件判决结果度量方法及系统

权利要求书

1.刑事案件判决结果度量方法，其特征在于，包括如下步骤：

步骤1，建立判决模型

步骤1-1，构建标签体系

根据影响量刑的各种可能因素，构建刑事案件标签体系；

步骤1-2，裁判文书结构化解析

将裁判文书结构化，解析裁判文书标签和该标签的详细信息，利用标签和信息，从裁判文书中提取相应内容；

步骤1-3，机器学习获得判决模型

通过案件数据，利用机器学习模型，找到情节和判决结果之间的因果关系，得到判决模型，其中机器学习过程包括：获取数据、数据清洗、数据预处理、数据编码，编码完成后直接输入机器学习算法，进行模型训练；

步骤2，通过机器学习算法构建的预测模型，代入案件数据，通过模型预测得到应判结果；

步骤3，计算结果偏离度

计算主刑偏离度、附加刑偏离度、缓刑偏离度、总体偏离度；

所述主刑偏离度通过下式计算：

上式中，deviation_term表示刑期偏离度，term_judge表示法官判决的刑期，term_predict表示模型预测的刑期；

当附加刑为罚金时，附加刑偏离度通过下式计算：

上式中，deviation_fine表示罚金偏离度，fine_judge表示法官判决的罚金，fine_predict表示模型预测的罚金；

所述缓刑偏离度通过下式计算：

上式中，deviation_probation表示缓刑偏离度，probation_judge表示法官判决的缓刑，probation_predict表示模型预测的缓刑；

所述总体偏离度通过下式计算：

上式中，punishment_judge为法官判决惩罚力度，通过下式计算：

punishment_judge＝w_term×term_judge+w_fine×fine_judge+w_probation×probation_judge

punishment_predict为模型预测惩罚力度，通过下式计算：

punishment_predict＝w_term×term_predict+w_fine×fine_predict+w_probation×probation_predict

其中，w_term为主刑刑期权重；w_fine为附加刑罚金权重，当附加刑并非罚金时，上述公式中的法官判决值和权重值都应替换为实际附加刑的判决值和权重值；w_probation为缓刑权重;

还包括优化步骤4，所述步骤4采用以下任意一个步骤或几个步骤的组合对偏离度进行修正：

步骤4-1，在标签体系中增加有效特征；

步骤4-2，利用法官权重在学习模型中提高优秀法官数据的抽中几率；

步骤4-3，利用地区差异系数对预测结果进行修正，将模型预测结果乘以偏离度系数，得到的结果为最后的预测值；

步骤4-4，计算类案数据，结合预测模型的预测结果，取偏离度低的值为最终预测值；

所述步骤4-3中差异系数为所述a_i为将各个地区的判决结果极大或者极小的一些案件去除，然后将剩下的所有案件的判决结果进行平均得到的均值，a为把全国的案件的极大值和极小值的案件去掉之后求平均得到的全国均值。

2.根据权利要求1所述的刑事案件判决结果度量方法，其特征在于，裁判文书结构化解析内容包括：案件基本信息；裁判文书明显的段落特征；所有标签体系构建的标签内容；裁判文书信息。

3.根据权利要求1所述的刑事案件判决结果度量方法，其特征在于，所述机器学习算法采用随机森林方法。