[发明专利]一种基于序列增强胶囊网络的刑事案件罪名预测方法

摘要

本发明涉及智能法律领域，尤其涉及一种基于序列增强胶囊网络的刑事案件罪名预测方法。包括以下步骤：S1构建训练数据集，获取案件的事实描述以及罪名判罚结果作为训练数据；S2构建序列增强胶囊网络模型并通过训练数据进行训练；S3通过S2训练之后的序列增强胶囊网络模型，将新的案件的事实描述文本输入到序列胶囊网络模型中，模型自动预测相应罪名作为罪名预测结果。本发明提出的模型不仅能较好地捕捉到法律文本的显著特征和语义信息，而且在低频罪名预测问题上具有较好的竞争力；引入了focal loss损失函数，作为序列增强胶囊网络模型的损失函数，进一步缓解了低频罪名预测任务的罪名高度不平衡问题。

主权项

1.一种基于序列增强胶囊网络的刑事案件罪名预测方法，其特征在于，该方法包括以下步骤：S1构建训练数据集，获取案件的事实描述以及罪名判罚结果作为训练数据；S2构建序列增强胶囊网络模型并通过训练数据进行训练，包括以下步骤：S2.1构建序列增强胶囊网络模型，具体步骤如下:S2.1.1构建初始胶囊层：对案件的事实描述文本进行分词，并映射为词向量序列，将其作为初始胶囊层u＝{u₁，u₂，...，u_n}；S2.1.2构建Multiple seq‑caps层：通过对S2.1.1得到的初始胶囊层u，利用Multipleseq‑caps层提取特征，得到案件事实描述文本的主要特征向量；S2.1.3构建attention层，对S2.1.1得到的初始胶囊层u使用注意力机制，得到案件事实描述文本的辅助特征向量c；S2.1.4构建输出层，将S2.1.2得到的案件事实描述文本的主要特征向量以及S2.1.3得到的案件事实描述文本的辅助特征向量c结合起来，并输送给全连层网络；S2.2训练序列增强胶囊网络模型；S3通过S2训练之后的序列增强胶囊网络模型，将新的案件的事实描述文本输入到序列胶囊网络模型中，模型自动预测相应罪名作为罪名预测结果。