融合案件要素与案件属性的罪名预测多任务学习模型

摘要

在法律判决预测领域中，案件描述通常具有相似的结构，而现有的预测方法容易忽略不同案件间的要素差异，难以有效利用案件要素特征，导致模型预测准确率不高.此外，罪名预测任务还面临易混淆罪名问题.针对上述问题，提出了一种融合案件要素和案件属性的罪名预测多任务学习模型(Case Elements And Attributes Multi-Task Learning Model,简称CEAT-MLM),通过挖掘案件要素及案件属性与罪名之间的关联关系，将案件属性预测和罪名预测进行联合建模，达到提升罪名预测准确率的目标.实验结果表明，本文提出的模型相较于通用的文本分类模型具有显著的性能提升，并与法律判决领域的典型模型相比，Macro-F1得分提升了1.76%.

关键词

罪名预测 / 案件要素 / 易混淆罪名 / 多任务学习