基于BERT并融合法律事件信息的罪名预测方法

摘要

[目的]罪名预测是AI&Law领域的一个关键研究内容，对于提升司法领域的判决效率具有重要意义.由于法律文本的专业性和复杂性，传统罪名预测模型在提取法律文本特征时面临挑战，因此本文提出了一个基于预训练语言模型（BERT）并融合法律事件信息的罪名预测模型，通过利用法律事件信息为模型提供更多的法律案件特征，提升模型对案件的理解，从而提升罪名预测的表现.[方法]首先训练了一个全局上层事件类型信息增强的法律事件检测模型，利用其对案情描述中的法律事件类型进行检测，并在此基础上构建法律事件类型序列.其次，利用双向长短期记忆模型（BiLSTM）对法律事件类型序列进行编码获取法律事件信息，并将法律事件信息与经过BERT编码后的案情描述的语义表示拼接融合，最后利用一层全连接层对罪名进行预测.[结果]在公开的刑事案件数据集CAIL2018-small上的实验结果表明，相比于领域内的其他基线模型，本文提出的模型在各个关键指标上具备更好的性能，即在Mac.F₁上平均提升3.12个百分点，在Mac.P上平均提升1.94个百分点，在Mac.R上平均提升3.53个百分点.[结论]验证了法律事件信息在增强模型对案件理解方面的有效性，从而提高罪名预测的准确性.

关键词

AI&Law / BERT模型 / 罪名预测 / 法律事件信息