[发明专利]基于多任务学习的刑事案件判决预测方法、系统及介质

说明书

本发明提供了一种基于多任务学习的刑事案件判决预测方法及系统，包括：获取案情文本原始数据，并对案情文本原始数据进行预处理，得到预处理后的案情文本；将预处理后的案情文本进行分词，得到预处理后的分词案情文本；预处理后的分词案情文本进行one‑hot编码，得到词编码，然后再进行word2vec的编码，得到全文的词向量；基于预处理后的分词案情文本构建语法树，并将语法树中预设要求词对关系的词对抽取出来，对抽取出的词对进行one‑hot编码及word2vec的编码，得到词对的词向量；构建案件预测模型并对案件预测模型进行训练，得到训练后的案件预测模型；将全文的词向量和词对的词向量输入训练后的案件预测模型，得到相关法条、罪行以及刑期的预测结果。

技术领域

本发明涉及法律服务技术领域，具体地，涉及基于多任务学习的刑事案件判决预测方法、系统及介质，更为具体地，涉及基于多任务学习的刑事案件判决预测方法、系统、介质和设备。

背景技术

本发明研究的刑事案件判决预测技术，旨在通过分析司法领域案件的案情描述文本，依照历史法院裁定、判决的案例对司法领域案件进行预测。对于刑事案件的判决预测和监督，多为法律专业人士逐案判断，效率较低。

专利文献CN110222866A(申请号：201910348700.2)公开了一种结合口语化描述与问答的智能民事案件预测方法，包括以下步骤：S1.接收用户输入的口语化案情描述；S2.根据所述口语化案情描述确定用户的咨询意图；S3.根据所述咨询意图检测特征内容是否完整，若是，则执行步骤S4，否则提示用户补充相应的特征内容；S4.调用预测模型以根据完整的特征内容向用户输出相应的咨询结果。这种预测方法，虽然可以针对案件的部特征对案件进行预测，但是整个过程中含有人工参与，无法做到完全的公正客观，而且根据的特征数量有限；根据神经网络对案件特征提取并进行预测准确度更高，效果更好。

专利文献CN110969276A(申请号：201811161167.0)公开了一种判决预测方法、判决预测模型获得方法及装置，可以获得待预测案件的案情描述文本；对所述案情描述文本进行分词，获得词汇序列；获得所述词汇序列中各词汇的词汇向量构成的矩阵；将所述矩阵输入预设的判决预测模型中，获得所述预设的判决预测模型输出的判决预测信息，从而实现了判决的准确和智能预测，有助于提升刑事案件法官的效率，同时可以提升案件审判的公正和公平性，也有助于在群众中普及法律知识。这种方法虽然可以对法律判决进行预测，但是没有抓住多个子任务之间的相关性，并且使用的网络结构也比较简单，准确率也有待提高。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于多任务学习的刑事案件判决预测方法及系统。

根据本发明提供的一种基于多任务学习的刑事案件判决预测方法，包括：

步骤S1：获取案情文本原始数据，并对案情文本原始数据进行预处理，得到预处理后的案情文本；

步骤S2：将预处理后的案情文本进行分词，得到预处理后的分词案情文本；

步骤S3：预处理后的分词案情文本进行one-hot编码，得到词编码，然后再进行word2vec的编码，得到全文的词向量；

步骤S4：基于预处理后的分词案情文本构建语法树，并将语法树中预设要求词对关系的词对抽取出来，对抽取出的词对进行one-hot编码及word2vec的编码，得到词对的词向量；

步骤S5：构建案件预测模型并对案件预测模型进行训练，得到训练后的案件预测模型；

步骤S6：将全文的词向量和词对的词向量输入训练后的案件预测模型，得到相关法条、罪行以及刑期的预测结果。

优选地，所述步骤S1包括：对案情文本原始数据进行去噪处理，得到去噪后的案情文本。