融入法律条款的可解释罪名预测模型

摘要

罪名预测旨在根据案件的相关事实和证据，对犯罪嫌疑人可能被指控的罪名进行推断和预测.随着人工智能技术的发展，利用深度学习方法进行罪名预测的模型已经展现了优秀的性能.然而，在司法领域，依靠深度学习实现的罪名预测模型，由于其背后的黑盒性质，容易受到法律专家的质疑，从而影响了预测结果的可靠性和可信度.本文提出了一种融入法律条款的可解释罪名预测模型.首先，通过文本匹配任务寻找犯罪事实适用的法律条款对刑事法律文书进行表示学习，该表示过程将事实描述和法律条款映射到相同的空间进行特征对齐，使隐空间中的犯罪事实围绕相关法条聚集.进一步将事实描述的表示进行聚类形成描述不同类型罪名的概念，并嵌入到预测模型的隐空间作为决策依据，指导训练过程.在罪名预测时，计算待测样本表示与概念之间的相似度，将相似度最大的概念作为决策依据生成预测结果.在CAIL2018数据集上的两组不同类型实验表明，本文模型预测准确率达到了99.70%和93.60%,在分类准确率和模型解释性上均优于对比模型.

关键词

法律文书表示学习 / 罪名预测 / 可解释性 / 文本匹配