基于深度学习与知识规则的食品安全行政裁量智能决策研究

摘要

在数字化转型的背景下，如何高效、准确地做出行政处罚决定，成为当前行政执法中的关键问题.【目的】针对食品安全领域行政处罚决定书文本篇幅长、上下文结构复杂、自由裁量部分难以有效识别与分类，且传统文本分类方法适用性不足的问题，该文开展相关研究.【方法】提出了一种结合双向长短期记忆神经网络(Bi-LSTM)与Lawformer模型，并融合关键特征(KF)的自由裁量分类方法.首先，通过Bi-LSTM模型识别行政处罚决定书中的自由裁量部分，以提取关键信息.然后，结合地区差异化裁量规则与关键词语义规则等知识特征，构建知识增强输入，并引入适用于法律长文本的Lawformer模型进行处罚结果分类.【结果】实验结果表明，Bi-LSTM与Lawformer模型的协同工作在行政处罚决定书的分类上具有较好的适用性，知识规则的融合也提升了模型的判别能力与解释性.【结论】该文提出的融合深度学习模型与领域知识规则的自由裁量分类方法，能够较好地适应食品安全领域行政处罚决定书的长文本特征，为行政处罚文书的自动化分析与智能决策提供了有效的技术支持，具有一定的理论价值和实际应用意义.

关键词

Bi-LSTM神经网络 / Lawformer模型 / 深度学习 / 行政处罚 / 文本分类