本發(fā)明涉及機器學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種基于模糊深度信念網(wǎng)絡(luò)的刑事案件輔助決策方法,進一步涉及一種使用深度學(xué)習(xí)與模糊數(shù)學(xué)的結(jié)合的案件檢索方法。

背景技術(shù)：

法院作為案件審理的主體，在多年的工作中已經(jīng)積累了大量豐富的成功經(jīng)驗，并以數(shù)字化的形式保存了大量案件情報信息。同時，隨著計算機技術(shù)應(yīng)用的逐步深入，對這些信息的管理和應(yīng)用策略也日漸成熟，特別是在各種管理信息系統(tǒng)投入應(yīng)用后，對案件情報信息的應(yīng)用力度和管理能力已經(jīng)大大提高。

在歷史案件信息的綜合挖掘利用方面，部分發(fā)達國家早在上世紀80年代后期就開始了研究。他們依靠其先進的計算機技術(shù)的發(fā)展，利用計算機系統(tǒng)強大的數(shù)據(jù)處理與數(shù)據(jù)分析能力，把案件處理工作中獲取的各類信息進行統(tǒng)一而規(guī)范的管理，以人工智能(如機器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)、決策樹、案例推理等)的方法進行數(shù)據(jù)的綜合挖掘與綜合利用，從而得出相對可靠的、具有預(yù)警功能的情報信息或方案建議，以利于決策并指導(dǎo)行動。具有代表性的有英國情報核心分析系統(tǒng)(icas)、美國比較數(shù)據(jù)系統(tǒng)(compstat)、加拿大自動化犯罪情報信息系統(tǒng)(aciis)、澳大利亞執(zhí)法情報網(wǎng)絡(luò)(alein)以及我國香港的警隊刑事情報信息系統(tǒng)(fcis)等。

近年來，案例推理的提出，美國和歐洲相繼在各個行業(yè)結(jié)合自身的需求研制和開發(fā)許多系統(tǒng)，使案例推理成為人工智能領(lǐng)域的研究熱點。cbr有兩種類型，即問題求解型和解釋型。問題求解型側(cè)重于對過去策略的匹配與修改，而解釋型強調(diào)以舊案例對新案例作出評價與解釋。無論哪一種,其推理過程均類似于人類經(jīng)驗類比推理，而且具有簡化知識獲取、通過直接獲得提高求解效率、求解質(zhì)量較高、適用于非計算推導(dǎo)的優(yōu)點。因此，它將是人工智能與專家系統(tǒng)設(shè)計的一種非常具有發(fā)展前景的方法。

作為人工智能的一種推理技術(shù)和學(xué)習(xí)機制，如今有很多學(xué)者和學(xué)術(shù)團體致力于cbr的理論與方法研究。比較知名的學(xué)者如rogershank、janetkolodner、brucepoter、davidwilsond等；學(xué)術(shù)團體主要有德國政府資助的kaiserslautern大學(xué)的michaelrichter與klausdieteralthoff等人組成的人工智能和知識系統(tǒng)研究小組，麻薩諸塞州立大學(xué)的edwinarissland研究小組，以及美國海軍人工智能實驗室的智能輔助決策研究小組等。自1987年以來,國際學(xué)術(shù)界每年都舉行cbr研討會，廣泛征集研究成果。如eccbr(europeanconferenceoncase-basedreasoning)、iccbr(internationalconferenceoncase-basedreasoning)、aaai(americanassociationforarti-ficialintelligence)等。還有些個人或政府資助建立的cbr專門網(wǎng)站和工作室，如ai-cbr.等。所有這些對cbr的研究和發(fā)展均做出了重要的貢獻。

深度學(xué)習(xí)的概念由hinton等人于2006年提出。基于深度置信網(wǎng)絡(luò)(dbn)提出非監(jiān)督貪心逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來希望，隨后提出多層自動編碼器深層結(jié)構(gòu)。此外lecun等人提出的卷積神經(jīng)網(wǎng)絡(luò)是第一個真正多層結(jié)構(gòu)學(xué)習(xí)算法，它利用空間相對關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能。

模糊數(shù)學(xué)在模糊集合、模糊邏輯的基礎(chǔ)上發(fā)展起來的模糊拓撲、模糊測度論等數(shù)學(xué)領(lǐng)域的統(tǒng)稱。是研究現(xiàn)實世界中許多界限不分明甚至是很模糊的問題的數(shù)學(xué)工具。在模式識別、人工智能等方面有廣泛的應(yīng)用。在1965年美國控制論學(xué)者l.a.扎德發(fā)表論文《模糊集合》，標志著這門新學(xué)科的誕生?，F(xiàn)代數(shù)學(xué)建立在集合論的基礎(chǔ)上。一組對象確定一組屬性，人們可以通過指明屬性來說明概念，也可以通過指明對象來說明。符合概念的那些對象的全體叫做這個概念的外延，外延實際上就是集合。一切現(xiàn)實的理論系統(tǒng)都有可能納入集合描述的數(shù)學(xué)框架。經(jīng)典的集合論只把自己的表現(xiàn)力限制在那些有明確外延的概念和事物上，它明確地規(guī)定：每一個集合都必須由確定的元素所構(gòu)成，元素對集合的隸屬關(guān)系必須是明確的。對模糊性的數(shù)學(xué)處理是以將經(jīng)典的集合論擴展為模糊集合論為基礎(chǔ)的，乘積空間中的模糊子集就給出了一對元素間的模糊關(guān)系。對模糊現(xiàn)象的數(shù)學(xué)處理就是在這個基礎(chǔ)上展開的。

模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊系統(tǒng)的長處，它在處理非線性、模糊性等問題上有很大的優(yōu)越性，在智能信息處理方面存在巨大的潛力；使得越來越多的專家學(xué)者投入到這個領(lǐng)域中來，并做出了卓有成效的研究成果。法律案例推理涉及到模糊推理，因此能夠使用模糊數(shù)學(xué)對推理過程進行建模，并同時借助深度學(xué)習(xí)的方法提高推理的精確性。但深度學(xué)習(xí)與模糊數(shù)學(xué)的結(jié)合還未在法律案例推理領(lǐng)域得到發(fā)揮。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是，提供一種基于模糊深度信念網(wǎng)絡(luò)的刑事案件輔助決策方法。

為實現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案：

一種基于模糊深度信念網(wǎng)絡(luò)的刑事案件輔助決策方法包括以下步驟：

步驟s1、根據(jù)法律文書及量刑方法,建立描述案件的向量模型；

步驟s2、根據(jù)判決問題的復(fù)雜度,建立恰當?shù)纳疃壬窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

步驟s3、借助已知的正負判決關(guān)系,使用監(jiān)督和非監(jiān)督學(xué)習(xí)方法優(yōu)化模型參數(shù)；

步驟s4、利用神經(jīng)網(wǎng)絡(luò)進行建模,預(yù)測出法官判決的結(jié)果。

作為優(yōu)選，步驟s1具體包括：

根據(jù)描述法律文書的詞袋模型，將描述案件的文本轉(zhuǎn)化成一維向量；

根據(jù)刑罰類型，將描述案件的判決結(jié)果轉(zhuǎn)化成一維向量。

作為優(yōu)選，步驟s2具體包括：

根據(jù)判決問題的復(fù)雜度，確定神經(jīng)網(wǎng)絡(luò)的層數(shù)；

根據(jù)判決的劃分程度，確定神經(jīng)網(wǎng)絡(luò)中節(jié)點間的連接關(guān)系。

作為優(yōu)選，步驟s3具體包括：

使用非監(jiān)督學(xué)習(xí)法逐層地學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的參數(shù)；

使用監(jiān)督學(xué)習(xí)法通過梯度下降法對神經(jīng)網(wǎng)絡(luò)的參數(shù)進行微調(diào)。

作為優(yōu)選，步驟s4具體包括：

根據(jù)神經(jīng)網(wǎng)絡(luò)的參數(shù)計算每個隱藏神經(jīng)元的活躍程度；

計算從屬函數(shù)的值；

利用隱藏神經(jīng)元的活躍程度及從屬函數(shù)的值獲取神經(jīng)網(wǎng)絡(luò)的最終輸出結(jié)果；

將輸出結(jié)果對應(yīng)于判決意義。

一種基于模糊深度信念網(wǎng)絡(luò)的刑事案件輔助決策方法包括以下步驟：

步驟1、根據(jù)法律文書及量刑方法,建立描述案件的向量模型:

假設(shè)已使用詞袋模型對案例文本庫中的文本進行了預(yù)處理,則將數(shù)據(jù)集表示成:

x＝[x¹,x²,...,x^r+t](1)

其中

r是作為訓(xùn)練樣本的文本的數(shù)量,t是用于測試的文本的數(shù)量,d是法律案例的關(guān)鍵詞的數(shù)量。

選擇l篇法律文書進行判決標注，并把它們記作x^l。相應(yīng)的標注集記作y。并表示成

y＝[y¹,y²,k,y^l](3)

其中

c是刑罰類型的數(shù)量，在案件審判中常常在兩類判決中進行取舍，因此在這種情況下認為有兩類刑罰，分別記作正類和負類，如果一個案件xi的判決屬于正類，則yⁱ＝[1,0]，否則，yⁱ＝[0,1]；

步驟2、根據(jù)判決問題的復(fù)雜度,建立恰當?shù)纳疃壬窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu):

構(gòu)造一個具有一個輸入層、一個輸出層和n-1個隱藏層的深度信念網(wǎng)絡(luò)(dbn)，該網(wǎng)絡(luò)的輸入層的節(jié)點個數(shù)等于法律文書的關(guān)鍵詞的個數(shù)d，該網(wǎng)絡(luò)的輸出層的節(jié)點個數(shù)等于刑罰類型的數(shù)量c，

步驟3、借助已知的正負判決關(guān)系,使用監(jiān)督和非監(jiān)督學(xué)習(xí)方法優(yōu)化模型參數(shù)：

使用逐層的貪婪算法和梯度下降法通過解決以下優(yōu)化問題來訓(xùn)練這個神經(jīng)網(wǎng)絡(luò)：

其中hⁿ表示第n層神經(jīng)元的輸出，

設(shè)計兩種判決對應(yīng)的模糊函數(shù)，對于正類和反類分別有：

a＝{(x,μa(x))；x∈x}(8)

b＝{(x,μb(x))；x∈x}(9)

對于每個案例，計算該函數(shù)值的過程如下

其中的參數(shù)β和γ的計算方法是

γ＝max(d(xⁱ))(13)

β＝ξ×γ,ξ≥2(14)

步驟4、利用隱藏神經(jīng)元的活躍程度及從屬函數(shù)的值獲取神經(jīng)網(wǎng)絡(luò)的最終輸出結(jié)果：

獲取神經(jīng)網(wǎng)絡(luò)的最終輸出結(jié)果：

其中，

其中，是第n-1層的第s個單元與第n層的第t個單元之間的連接的權(quán)重，

把輸入案例的判決類別確定成：

則該系統(tǒng)推薦的判決類型為第種判決。

本發(fā)明具有以下特點：

(1)目前有諸多關(guān)于案件推理相關(guān)研究，但是以深度學(xué)習(xí)和模糊數(shù)學(xué)為基礎(chǔ)的案件推理系統(tǒng)還鮮有研究和討論，本發(fā)明研究基于模糊深度信念網(wǎng)絡(luò)的案件智能分析及推理，研究內(nèi)容具有新穎性。

(2)本發(fā)明從案件的證據(jù)及過往因循案例出發(fā)，實現(xiàn)案件智能分析及證據(jù)關(guān)聯(lián)，有助于減輕法官的工作量，研究具有工程前瞻性。

(3)考慮到案件審理的具有一定的主觀性，同時當前對案件的處理依然不能擺脫人工密集型的特點，本發(fā)明將基于證據(jù)和案例的推理系統(tǒng)應(yīng)用到案件審理過程中，可以有效保障案件審理的客觀性；同時輔助決策系統(tǒng)可以有效保障案件審理的公平，提高審案效率，具有理論創(chuàng)新和應(yīng)用創(chuàng)新的價值。

附圖說明

圖1為本發(fā)明的基于模糊深度信念網(wǎng)絡(luò)的刑事案件輔助決策方法的流程示意圖。

具體實施方式

將案例的特征與法律領(lǐng)域本體案例庫中的本體信息進行比較、匹配，通過本體解析，在法律條例本體案例庫中找到與案例的特征相似的相關(guān)法條，并提取法條及相關(guān)審判推薦，整體架構(gòu)如圖1所示。

根據(jù)法律文書及量刑方法,建立描述案件的向量模型:

假設(shè)已使用詞袋模型對案例文本庫中的文本進行了預(yù)處理,則將數(shù)據(jù)集表示成:

x＝[x¹,x²,...,x^r+t](1)

其中

r是作為訓(xùn)練樣本的文本的數(shù)量,t是用于測試的文本的數(shù)量,d是法律案例的關(guān)鍵詞的數(shù)量。

選擇l篇法律文書進行判決標注，并把它們記作x^l。相應(yīng)的標注集記作y。并表示成

y＝[y¹,y²,k,y^l](3)

其中

c是刑罰類型的數(shù)量。在案件審判中常常在兩類判決中進行取舍，因此在這種情況下認為有兩類刑罰，分別記作正類和負類。如果一個案件xi的判決屬于正類，則yⁱ＝[1,0]’；否則，yⁱ＝[0,1]’。

根據(jù)判決問題的復(fù)雜度,建立恰當?shù)纳疃壬窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu):

構(gòu)造一個具有一個輸入層、一個輸出層和n-1個隱藏層的深度信念網(wǎng)絡(luò)(dbn)。該網(wǎng)絡(luò)的輸入層的節(jié)點個數(shù)等于法律文書的關(guān)鍵詞的個數(shù)d。該網(wǎng)絡(luò)的輸出層的節(jié)點個數(shù)等于刑罰類型的數(shù)量c。

借助已知的正負判決關(guān)系,使用監(jiān)督和非監(jiān)督學(xué)習(xí)方法優(yōu)化模型參數(shù)：

使用逐層的貪婪算法和梯度下降法通過解決以下優(yōu)化問題來訓(xùn)練這個神經(jīng)網(wǎng)絡(luò)：

其中hⁿ表示第n層神經(jīng)元的輸出。

設(shè)計兩種判決對應(yīng)的模糊函數(shù)，對于正類和反類分別有：

a＝{(x,μa(x))；x∈x}(8)

b＝{(x,μb(x))；x∈x}(9)

對于每個案例，計算該函數(shù)值的過程如下

其中的參數(shù)β和γ的計算方法是

γ＝max(d(xⁱ))(13)

β＝ξ×γ,ξ≥2(14)

利用隱藏神經(jīng)元的活躍程度及從屬函數(shù)的值獲取神經(jīng)網(wǎng)絡(luò)的最終輸出結(jié)果：

獲取神經(jīng)網(wǎng)絡(luò)的最終輸出結(jié)果：

其中

其中是第n-1層的第s個單元與第n層的第t個單元之間的連接的權(quán)重。

把輸入案例的判決類別確定成：

則該系統(tǒng)推薦的判決類型為第種判決。