• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于詞語語義差異性的多標簽罪名預測

    2019-10-21 09:11:14王加偉譚紅葉王元龍趙紅燕
    中文信息學報 2019年10期
    關(guān)鍵詞:數(shù)罪并罰犯罪事實罪名

    王加偉,張 虎,譚紅葉,王元龍,趙紅燕,2,李 茹,3

    (1. 山西大學 計算機與信息技術(shù)學院,山西 太原 030006;2. 太原科技大學 計算機科學與技術(shù)學院, 山西 太原 030024;3. 山西大學 計算智能與中文信息處理教育部重點實驗室,山西 太原 030006)

    0 引言

    隨著人工智能技術(shù)在多個領域的成功應用,智慧司法也受到了相關(guān)領域研究者的廣泛關(guān)注。智慧司法的實現(xiàn),不僅能提升司法部門的工作效率,同時也能有效降低法律服務的門檻,這有利于促進司法公正公開透明。為了促進智慧司法的研究進展,推動自然語言處理技術(shù)在智能判決等實際問題上的應用,國內(nèi)舉辦了2018“中國法研杯”司法人工智能挑戰(zhàn)賽(CAIL2018)(http://cail.cipsc.org.cn/)。

    罪名預測是智能判決的核心任務之一,目的是在給定犯罪事實的條件下自動預測犯罪主體觸犯的罪名。其中,犯罪事實是影響定罪量刑的最重要的客觀真實情況。主要包括犯罪的基本事實、犯罪情節(jié)、性質(zhì)和對社會的危害程度等要素;罪名是對犯罪特征的高度概括。包括盜竊、故意傷害、故意殺人等。

    早期的罪名預測主張使用統(tǒng)計學方法,試圖分析大量歷史案例找出共性規(guī)律并使用統(tǒng)計學模型模擬判決流程。典型工作如Kort等[1]提出的量化分析法和Nagel等[2]提出的關(guān)聯(lián)分析法。此類方法僅在限定規(guī)模和特定領域的數(shù)據(jù)上有效,較難推廣到一般性案件中。現(xiàn)階段多基于文本分類框架構(gòu)建預測模型,即以大量歷史法律文書作為訓練文本,以罪名為類別標簽,訓練機器學習分類模型。代表性工作如Liu等[3]基于文書淺層文本特征的K近鄰算法分類預測模型、Luo等[4]和Hu等[5]基于深度神經(jīng)網(wǎng)絡的罪名分類模型等。此類方法在預測效果上取得了一定進步,但忽略了犯罪事實中詞語語義差異性的影響,且沒有解決數(shù)罪并罰情形下多標簽罪名預測問題。因此,本文嘗試從這兩方面改進以提升罪名預測的效果:

    (1) 詞語語義差異性建模。犯罪事實中各詞語的語義重要性在不同罪名的判決中不同,下面通過“盜竊罪”和“搶劫罪”案例解釋這種差異性。

    依據(jù)圖1中法條規(guī)定: “盜竊罪”與“搶劫罪”的犯罪目的均為“非法占有公私財物”。但“盜竊罪”的犯罪手段為“秘密竊取”,對應案例中的“不備之機、扒竊”等詞;而“搶劫罪”的犯罪手段為“使用暴力、脅迫或其他方法強行搶奪”,對應案例中的“言語威脅、劫得”等詞。因此,在這兩種罪名區(qū)分中,用于描述犯罪手段的詞語起主要作用,而用于描述犯罪目的的詞語起次要作用。而在侵財類罪名與非侵財類罪名的區(qū)分中,犯罪目的詞則起到關(guān)鍵作用,如“盜竊罪”與“故意傷害罪”的區(qū)分等。注意力機制可在文本建模過程依據(jù)詞語語義的重要程度自動賦予相應的權(quán)重,從而使得整體語義的表達更為準確。因此,本文使用注意力機制實現(xiàn)犯罪事實的差異性語義建模。

    圖1 “盜竊罪”與“搶劫罪”案例對比

    (2) 數(shù)罪并罰預測。犯罪主體在實施犯罪行為的過程中可能會觸犯多種罪行,如搶劫與故意殺人、貪污與受賄等。數(shù)據(jù)統(tǒng)計發(fā)現(xiàn),數(shù)罪并罰案件約占全部的9.1%,因此在罪名預測中須考慮到數(shù)罪并罰情形。下面給出數(shù)罪并罰案例,如圖2所示。

    圖2 數(shù)罪并罰犯罪事實

    該案件中被告人實施了兩類犯罪行為(酒后駕駛和毆打他人),同時觸犯了“危險駕駛罪”與“故意傷害罪”的法條規(guī)定,且罪名之間不存在交集。故而,其屬于數(shù)罪并罰案件。由于本文是基于文本分類框架構(gòu)建罪名預測模型,則數(shù)罪并罰預測可轉(zhuǎn)換文本分類中的多標簽分類問題。而數(shù)罪并罰中的各罪名相對較為獨立,因此,我們便使用分解策略將多標簽罪名分解為多個獨立的單標簽罪名,并對每個罪名進行二元分類。這種策略使得模型既適用于單標簽罪名預測也適用于多標簽罪名預測,有效地提升了罪名預測的通用性。

    1 相關(guān)工作

    判決自動預測在很早以前就展開了研究。早在1957年,Kort等[1]就試圖分析大量歷史案例,并使用統(tǒng)計學模型分析預測美國聯(lián)邦最高法院對于案例的判罰決策。1963年,Nagel等[2]試圖使用關(guān)聯(lián)分析的方法解決判決預測問題。1980年,Keown R等[6]驗證了一系列線性模型在法律領域相關(guān)任務上預測的可行性。1987年,斯坦福大學Gardner[7]探討了在合同法領域上研究法律推理模型的思路。1991年,Deedman[8]嘗試在加拿大的法律體系下構(gòu)建人工智能專家斷案系統(tǒng)??墒?,上述模型僅在某些特定的情況下才適用,其通用性較差,且預測能力還處于一個較低的層次。

    隨著機器學習方法的流行,人們開始將機器學習模型用于罪名預測中。Thompson等[9]使用最近鄰算法、重復增量剪枝算法、決策樹算法等實現(xiàn)裁判文書的分類;臺灣國立大學Liu等[10]針對罪名預測中的多標簽問題,將部分多標簽的共現(xiàn)視作固定組合,但因罪名共現(xiàn)并非一般性規(guī)律,所以其方法通用性較差。Liu等[11]基于之前工作進一步改進,將判決預測分成三個階段并使用支持向量機模型(Support Vector Machine,SVM)分類,預測結(jié)果得到有效提升。2017年,Sulea等[12]則以犯罪事實、犯罪時間和法律規(guī)定作為特征,同樣使用SVM分類并取得了較好效果。

    上述方法大多基于淺層文書特征,訓練數(shù)據(jù)規(guī)模也較小,難以應對案情復雜冗長或數(shù)據(jù)規(guī)模較大的情形。隨著神經(jīng)網(wǎng)絡在NLP各子任務紛紛取得突破性的成果,如Kim Y[13]、Hochreiter S[14]、Zichao Y[15]及Vaswani A[16]等,研究者也開始嘗試將上述神經(jīng)網(wǎng)絡模型融入判決預測中。典型工作有Luo等[4]使用注意力機制將法律條文信息融入文本建模部分以輔助罪名預測;Hu[5]針對低頻和易混淆罪名,列出了十個有區(qū)分性的屬性,并使用注意力機制和多任務學習的方法將這些屬性用到預測任務中,取得了較好的效果;Ye H等[17]針對罪名預測可解釋性差的問題,從自然語言生成(Natural Language Generation,NLG)的角度,使用了基于編碼端罪名標簽的Seq2Seq模型,自動生成法院判決觀點。

    2 基于詞語語義差異性的多標簽罪名預測模型

    本文的罪名預測模型主要包括兩個部分: 第一部分是對犯罪事實的語義差異性建模,第二部分是針對數(shù)罪并罰情形改進的罪名預測模型。該模型的優(yōu)勢是可以較為準確地表示犯罪事實語義且能同時實現(xiàn)單罪名與數(shù)罪并罰罪名預測。模型結(jié)構(gòu)如圖3所示,2.2節(jié)和2.3節(jié)將分別介紹其中文本建模層和罪名預測層的工作機制。

    2.1 問題描述

    犯罪事實可被視作長度為n的詞序列S={w1,w2,…,wn},本文將每個詞映射為一個多維連續(xù)值的詞向量xi∈Rd,則犯罪事實可以表示為矩陣E=x1⊕x2⊕…⊕xn,E∈Rn×d。 罪名標簽{盜竊,搶劫,…,故意殺人}表示為集合L={l1,l2,…,lm},其中m為罪名數(shù)目,集合元素li在{0,1}上取值,li=1時表示案件涉及罪名i,等于0則相反。罪名預測是基于犯罪事實S的矩陣表示E,使用預測模型f(E)預測出罪名標簽集合L。

    圖3 基于詞語語義差異性的多標簽罪名預測模型

    2.2 基于注意力機制的語義差異性建模

    2.2.1 Bi-GRU層

    2.2.2 注意力層

    對于犯罪事實文本,除了需要考慮各詞語之間的語義依賴關(guān)系,還要體現(xiàn)出各詞語在罪名的預測中的語義重要性差異。對于包含犯罪信息較為豐富的詞語,在進行高級向量表示時,需要賦予較高的權(quán)重。Bi-GRU層有效地融入了上下文信息,使得注意力值的計算更依賴于整體語義,因此本文在Bi-GRU編碼后引入注意力機制,從而使得整體語義的表達更為準確。這種結(jié)構(gòu)也符合定罪的邏輯,法官會首先了解案件的整體情況,然后重點關(guān)注犯罪過程、犯罪方法、犯罪性質(zhì)的等細節(jié)特征。

    本文注意力機制的實現(xiàn)方式如下: 式(4)表示使用多層感知機對Bi-GRU層輸出hi進行非線性變換,輸出中間向量ui;式(5)用于度量詞語語義的重要程度(注意力值)αi,通過計算ui和上下文向量uc的余弦相似度并歸一化得到。其中,上下文向量uc可視作當前犯罪事實的抽象語義表示。其本質(zhì)上是一個可動態(tài)更新的模型參數(shù),作用是為各詞語語義重要性的計算提供參照。訓練過程中隨機賦予uc初始值,通過式(5)初步計算各詞的注意力權(quán)重。然后,通過分類器預測得到屬于各類罪名的概率,計算當前時刻的預測概率與實際概率的loss。若loss較大,則代表當前參數(shù)不能準確表達犯罪事實的語義。因此,使用反向傳播算法繼續(xù)迭代更新uc參數(shù)直到loss值最小,此時的uc可認為是準確表示出了犯罪事實全文信息。關(guān)于loss的詳細計算將在3.3節(jié)給出。

    (7)

    2.2.3 特征提取層

    Bi-GRU編碼層與注意力機制實現(xiàn)了上下文信息與詞義權(quán)重的融入,輸出犯罪事實的抽象矩陣表示Satt。 由于Satt維度較高且包含部分噪聲,故引入多核卷積神經(jīng)網(wǎng)絡對其進行優(yōu)化表示。而且卷積神經(jīng)網(wǎng)絡可通過滑動窗口機制對同一區(qū)域內(nèi)的所有特征進行卷積變換從而有效保留詞語的局部特征。以Satt作為卷積層輸入,使用大小為h的卷積核W∈Rh×d對其進行局部特征提取,如式(8)所示:

    其中f(·)為卷積操作,Satt(i,i+h-1)表示Satt第i行到i+h-1行的局部特征。上下滑動卷積窗口得到特征圖Mi,如式(9)所示:

    下采樣使用Max Pooling,目的是選取局部最優(yōu)特征,計算如下,如式(10)所示:

    經(jīng)過上述操作,完成了犯罪事實的建模與特征抽取,其經(jīng)全連接層變換后即可輸入分類器進行罪名預測。

    2.3 多標簽罪名預測模型

    為了適應數(shù)罪并罰情形的罪名預測,本文將其對應的多標簽罪名分類問題分解為多個獨立單罪名的0-1分類問題。這種預測方式相當于對每一個罪名標簽都訓練了一個獨立的分類器。下面詳細介紹這種預測方式的工作機制:

    首先將每個案件的罪名標簽映射為列表[l1,l2,…,ln],n為罪名總數(shù),li∈{0,1},li=1代表涉及罪名i,li=0相反。這種標簽轉(zhuǎn)化策略可將復雜的多標簽分類轉(zhuǎn)化成相對簡單的0-1分類?;谶@種轉(zhuǎn)換,我們使用Sigmoid交叉熵損失函數(shù)[18]計算每個標簽上的loss,其輸入為真實概率分布p(xi)和預測概率分布(置信值)q(xi)。p(xi)使用one-hot映射方式得到,p(xi)∈{0,1};q(xi)由Sigmoid函數(shù)對logitsi激活得到,q(xi)∈(0,1),q(xi)計算方式,如式(11)所示:

    其中,logitsi為未經(jīng)歸一化的預測“概率”,logitsi∈(-,+), Sigmoid的作用是歸一化logitsi,使其值域限定在(0,1)區(qū)間,以便與p(xi)計算。下面是loss的具體計算過程。

    單案件單罪名的交叉熵loss計算如公式(12)所示:

    由于同一案件各罪名之間相互獨立,則上式lossi的計算可簡化如式(13)所示:

    一個案件的所有罪名loss和如式(14)所示:

    以p(xji)表示批次訓練樣本中案件j的第i個罪名的實際概率分布,q(xji)表示其預測概率分布,則一個batch中所有樣本的損失總和如式(15)所示:

    使用Adam優(yōu)化函數(shù)優(yōu)化lossbatch,反向傳播迭代更新卷積核W、上下文向量uc等模型參數(shù)。預測時基于最優(yōu)參數(shù)計算得到預測概率q(xi),比較每個罪名的q(xi)與閾值γ的大小,取q(xi)>γ的所有罪名作為最終預測結(jié)果。

    3 實驗與分析

    3.1 數(shù)據(jù)集及評價指標

    實驗數(shù)據(jù)來源于2018“中國法研杯”司法人工智能挑戰(zhàn)賽,該數(shù)據(jù)集基于中國裁判文書網(wǎng)上的公開文書構(gòu)建,本文依據(jù)規(guī)模將其劃分為Charge-S和Charge-L,表1給出兩個數(shù)據(jù)集的分布情況。對全體數(shù)據(jù)統(tǒng)計分析得出: 單標簽罪名約占90%,多標簽罪名約占10%。預處理過程中將出現(xiàn)次數(shù)小于80的罪名刪除,原因是其對應樣本較少,難以支撐深度學習模型訓練。此外,由于原始數(shù)據(jù)集中金錢、年齡、重量等為離散數(shù)字表示。如盜竊金額1 000元和10 000元、年齡16歲和30歲等。為提升整體語義表示準確性,減少該類特征的多元化離散分布對判罰的影響,本文依據(jù)刑法法條和司法解釋對其進行規(guī)范化處理,將金額劃分為一級金額、二級金額等十個級別;并按是否成年將年齡分為成年和未成年兩個級別等。

    表1 數(shù)據(jù)集的分布

    評價指標使用微平均F1值F1micro、宏平均F1值F1macro及綜合F1值F1union,其計算公式分別如式(16)~式(18)所示:

    3.2 實驗參數(shù)設置

    參數(shù)設置上,使用skip-gram模型[19]訓練字向量和詞向量,維度均設置為256。對犯罪事實長度統(tǒng)計,發(fā)現(xiàn)以字符作為最小語義單元時輸入序列的長度總數(shù)為450,以詞語作為最小語義單元時的長度總數(shù)為200。因此,本文將輸入序列長度分別固定為450和200,對于長度不符的樣例進行padding或者cut處理。卷積核尺寸分別為2,3,4,5。設定學習率隨著訓練的進行逐漸衰減,初始學習率為0.001,衰減率為0.8,使用批正則化的方式降低過擬合的影響。優(yōu)化器使用AdamOptimizer[20]。

    3.3 結(jié)果及分析

    為了驗證本文方法的有效性,分別設定傳統(tǒng)機器學習模型和深度學習模型作為基線對比。傳統(tǒng)機器模型分別使用詞頻-逆文檔頻率算法(TF-IDF)和卡方檢驗(CHI)構(gòu)建特征詞典,使用支持向量機SVM作為分類器。深度學習方法主要包括Bi-GRU、CNN、未融合注意力機制的級聯(lián)模型Bi-GRU-CNN及本文模型GAC(Bi-GRU-Attention-CNN)。為了檢驗模型對于數(shù)罪并罰情形下多標簽罪名的預測效果,修改GAC模型得到其單標簽罪名預測模型S-GAC。方法是使用Softmax作為分類器,歸一化logits后取置信值最大的類別作為預測的罪名。此外,為了研究語義單元粒度對預測性能的影響,以170萬篇法律文書作為訓練數(shù)據(jù)訓練字向量和詞向量,并分別作為深度學習模型的輸入。

    表2、表3列出了基線模型和本文模型的預測結(jié)果對比,圖4使用了灰度熱力圖對注意力層進行可視化,表4給出了分別以字向量和詞向量作為輸入的實驗結(jié)果。

    表2 Charge-S上的實驗結(jié)果

    續(xù)表

    表3 Charge-L上的實驗結(jié)果

    從表2~3的結(jié)果可以看出,本文提出的罪名預測模型GAC在兩個數(shù)據(jù)集上均取得較好的預測效果。其F1union值相較于最優(yōu)基線模型Bi-GRU-CNN,在Charge-S和Charge-L上分別提升了1.2%和 1.4%。Bi-GRU-CNN模型未考慮詞語語義之間的差異性,其粗略認為犯罪事實中所有詞語的重要性一致或接近,而GAC模型使用注意力機制實現(xiàn)了各詞語語義差異表示,該方式的語義表示更為準確。這表明了該模型可以在訓練過程中準確捕獲各罪名的類別關(guān)聯(lián)性,并有利于提升罪名分類的準確率。

    為了檢驗本文方法對相似、相關(guān)罪名的區(qū)分能力,以及進一步分析文本建模過程中注意力機制的作用機理,本文選取相似罪名“容留他人吸毒罪”與“販賣毒品罪”中的兩個案例。在預測過程中,分別對其犯罪事實中各詞語對應隱層向量的注意力權(quán)值αi進行可視化。結(jié)果如下圖4所示,可以看出,盡管“容留他人吸毒罪”與“販賣毒品罪”均為毒品犯罪類罪名,但其犯罪事實整體語義側(cè)重仍有所差異。依據(jù)司法解釋,“容留他人吸毒罪”客觀方面表現(xiàn)為容留他人吸食、注射毒品,重點強調(diào)主觀容留性,忽略其是否存在有償交易。而“販賣毒品罪”更多強調(diào)毒品的交易行為,毒品種類、交易數(shù)量、毒資金額是其關(guān)鍵特征。因此,在“容留他人吸毒罪”案件的可視化圖中,“容留”“吸食”等強調(diào)容留吸食行為詞語的顏色較深;“販賣毒品罪”中描述毒品交易特征的詞語則顏色較深,如“購買”“交易”“出售”“毒資”。這種注意力分布的差異是區(qū)分兩類相似罪名的關(guān)鍵。通用性詞語如“被告人”“李某”“路邊”等,其罪名區(qū)分能力較弱,對應注意力值也較低。我們同時發(fā)現(xiàn),“海洛因”“冰毒”等毒品名稱的權(quán)重也較高。原因是其所指語義為“毒品”,而該語義在毒品犯罪與非毒品犯罪(如盜竊、搶劫等罪名)的區(qū)分中較為關(guān)鍵。值得注意的是,“在毒品販賣罪”中出現(xiàn)了標簽“money_1”,其是預處理過程中對金錢類數(shù)字規(guī)范化替換的結(jié)果,因為毒資金額在“毒品販賣罪”相似罪名(如走私、運輸毒品罪等)區(qū)分過程中較為關(guān)鍵,所以其權(quán)重也相應較高。上述分析說明本文注意力機制的使用的確能有效關(guān)注到犯罪事實中詞語的語義重要性差異,而這種差異性對于同類案件或非同類案件的罪名區(qū)分十分關(guān)鍵。

    圖4 可視化注意力層

    從表2、3中還可看出,F(xiàn)1micro值與F1macro值相差較大。在Charge-S數(shù)據(jù)集中,GAC模型預測結(jié)果的F1micro與F1macro相差高達16.8%,Charge-L中也相差15.2%。其主要原因是不同罪名的樣本數(shù)目占比傾斜嚴重,從而導致了模型訓練的偏置。

    圖5給出了Charge-S數(shù)據(jù)集上部分罪名的訓練樣本數(shù)目對比,可以發(fā)現(xiàn)不同罪名的樣本數(shù)量分布很不均衡。其中,“盜竊”與 “倒賣文物”的樣本數(shù)目比300:1。分類器是以總體分類精度為學習目標,在這種情況下,訓練算法勢必會導致分類器過多關(guān)注多數(shù)樣本,從而使少數(shù)樣本分類精度下降。本文也嘗試使用采樣算法改進模型,但該類方法對性能的提升極為有限,本文將在后續(xù)工作中研究更有效的改進思路。

    圖5 Charge-S上部分罪名的訓練樣例數(shù)目

    為了驗證模型在數(shù)罪并罰類案件的有效性,本文設置了對應的單標簽預測模型S-GAC作為對比模型。觀察表3發(fā)現(xiàn),在Charge-L數(shù)據(jù)集上通用GAC模型相比于單罪預測模型S-GAC,F(xiàn)1union提升4.2%。數(shù)據(jù)集中全部多標簽案件約占9%,這表明本文使用的基于Sigmoid的方法確實能有效解決數(shù)罪并罰情形下的多罪名預測問題。

    為了研究不同粒度的語義單元對于犯罪事實建模的影響,本文還分別對比了預訓練字向量和詞向量作為輸入時的預測結(jié)果。表4給出了結(jié)果對比。從表4中可以看出,以詞向量作為語義表示時的效果在各項指標上均顯著優(yōu)于字向量。在Charge-L數(shù)據(jù)集上,Word-GRU 與Word-CNN相比于Char-GRU 和Char-CNN,F(xiàn)1union分別提升了1.2%和0.6%,本文使用的GAC模型也提升了1.1%。這一方面,是由于法律文書的撰寫用詞較為規(guī)范,使得分詞錯誤率較低,但使用字向量優(yōu)勢并不明顯。另一方面,以詞作為語義單元時,便于對犯罪事實中時間、地點、數(shù)字這類語義整體性較強的詞語編碼。而字向量以單字作為語義單元,編碼過程中會將整體語義信息拆分成零散信息,影響了語義表示的準確性。由于字典規(guī)模遠小于詞典(本文實驗中分別為4 786 和170 827),故基于字向量的模型效率要明顯優(yōu)于基于詞向量的模型。

    表4 字向量和詞向量對比實驗結(jié)果

    4 結(jié)語

    本文針對性地研究了罪名自動預測中詞語的差異性建模以及數(shù)罪并罰情形下的罪名預測問題。首先,使用Bi-GRU融入上下文信息以生成犯罪事實總體語義表示。然后,使用注意力機制刻畫不同詞語的語義重要性差異,再使用多核卷積池化對特征向量降維。最后,經(jīng)過全連接層和Sigmoid分類器預測得到罪名預測結(jié)果。針對數(shù)罪并罰情形改進的罪名預測模型也有效解決了其對應的多標簽罪名預測。由于法官定罪時的影響因素不僅只有犯罪事實,證據(jù)是否完備充足、犯罪情形嚴重與否、法律條文與司法解釋的符合程度等因素對判決的走向也有較大影響。因此,在接下來的工作中,本文將嘗試將證據(jù)信息、法律條文,司法解釋等外部信息融入以輔助罪名預測,改進模型并提升其預測性能。

    在此,感謝中譯語通科技股份有限公司對于本工作提供的幫助和建議!

    猜你喜歡
    數(shù)罪并罰犯罪事實罪名
    審查起訴階段減少犯罪事實的監(jiān)督制約機制研究
    代購為名行詐騙 數(shù)罪并罰被判刑
    法律邏輯在建構(gòu)檢察機關(guān)訊問筆錄案件事實框架中的基本運用
    人民檢察院減少犯罪事實提起公訴的被害人的權(quán)利救濟問題研究
    法制與社會(2017年6期)2017-03-11 05:45:26
    數(shù)罪并罰問題探析
    刑法罪名群論綱*
    重新認識濫用職權(quán)和玩忽職守的關(guān)系*——兼論《刑法》第397條的結(jié)構(gòu)與罪名
    刑法論叢(2016年2期)2016-06-01 12:14:25
    減少死刑的立法路線圖
    如何正確適用變更和撤回起訴
    連續(xù)犯的處斷原則研究
    法制博覽(2015年8期)2015-09-01 00:34:26
    国产真实乱freesex| 国产精品国产三级国产av玫瑰| 亚洲av成人精品一区久久| 欧美国产日韩亚洲一区| 国内久久婷婷六月综合欲色啪| 蜜桃久久精品国产亚洲av| 中文资源天堂在线| av中文乱码字幕在线| 欧美黑人欧美精品刺激| 日韩欧美精品免费久久| 亚洲天堂国产精品一区在线| 国产精品98久久久久久宅男小说| 日韩欧美一区二区三区在线观看| 日本爱情动作片www.在线观看 | 国产 一区 欧美 日韩| 波多野结衣巨乳人妻| 熟妇人妻久久中文字幕3abv| av在线观看视频网站免费| 欧美精品国产亚洲| 99在线视频只有这里精品首页| 亚洲第一电影网av| 欧美激情国产日韩精品一区| 无遮挡黄片免费观看| 成年女人永久免费观看视频| 乱系列少妇在线播放| 国产综合懂色| 永久网站在线| 色哟哟·www| 麻豆成人午夜福利视频| 级片在线观看| 日韩中文字幕欧美一区二区| 五月玫瑰六月丁香| 欧美黑人巨大hd| 在线观看美女被高潮喷水网站| 99久久精品一区二区三区| 天美传媒精品一区二区| 亚洲av.av天堂| 日韩精品青青久久久久久| 色哟哟哟哟哟哟| 嫩草影院入口| 精品一区二区免费观看| 一a级毛片在线观看| 国产极品精品免费视频能看的| 亚洲国产精品合色在线| 国产探花极品一区二区| 免费无遮挡裸体视频| 国产精品电影一区二区三区| 欧美另类亚洲清纯唯美| 亚洲精品一卡2卡三卡4卡5卡| www日本黄色视频网| 观看美女的网站| 亚洲欧美日韩高清专用| 波多野结衣巨乳人妻| 久久精品人妻少妇| 一个人免费在线观看电影| 两人在一起打扑克的视频| netflix在线观看网站| 大型黄色视频在线免费观看| 露出奶头的视频| 美女 人体艺术 gogo| 免费一级毛片在线播放高清视频| 色哟哟哟哟哟哟| 国产av不卡久久| 好男人在线观看高清免费视频| 男女那种视频在线观看| 永久网站在线| 国产一区二区三区在线臀色熟女| 在线看三级毛片| 18+在线观看网站| 久久欧美精品欧美久久欧美| 超碰av人人做人人爽久久| 两人在一起打扑克的视频| 国产伦一二天堂av在线观看| 自拍偷自拍亚洲精品老妇| 嫩草影院精品99| 日韩 亚洲 欧美在线| 国产激情偷乱视频一区二区| 欧美+亚洲+日韩+国产| 九九热线精品视视频播放| 三级毛片av免费| 午夜日韩欧美国产| av国产免费在线观看| 69人妻影院| 国产精品久久久久久久久免| av天堂中文字幕网| 五月玫瑰六月丁香| 两人在一起打扑克的视频| 国产免费男女视频| 国产不卡一卡二| 变态另类丝袜制服| 深夜精品福利| 成人三级黄色视频| 欧美精品啪啪一区二区三区| 亚洲午夜理论影院| 免费av不卡在线播放| 99久久九九国产精品国产免费| 亚洲va日本ⅴa欧美va伊人久久| 欧美精品啪啪一区二区三区| 国产视频一区二区在线看| 12—13女人毛片做爰片一| 午夜免费成人在线视频| 自拍偷自拍亚洲精品老妇| 少妇被粗大猛烈的视频| 88av欧美| 国产精品av视频在线免费观看| 99久久精品热视频| 天堂动漫精品| 校园人妻丝袜中文字幕| 午夜a级毛片| 国产色爽女视频免费观看| 欧美一级a爱片免费观看看| 老师上课跳d突然被开到最大视频| 免费一级毛片在线播放高清视频| 亚洲国产精品合色在线| 一个人看的www免费观看视频| 悠悠久久av| 日日啪夜夜撸| 精品人妻视频免费看| 国产精品,欧美在线| 国产一区二区三区在线臀色熟女| 久久久久久久精品吃奶| 在线观看一区二区三区| 国产精品一区二区三区四区久久| 五月玫瑰六月丁香| 我要搜黄色片| 在现免费观看毛片| 精品99又大又爽又粗少妇毛片 | 一个人免费在线观看电影| 九九爱精品视频在线观看| 色综合色国产| 精品一区二区三区视频在线观看免费| av视频在线观看入口| 亚洲精品成人久久久久久| 成人特级av手机在线观看| 在现免费观看毛片| 日本三级黄在线观看| 特级一级黄色大片| av天堂在线播放| 久久中文看片网| 一夜夜www| 久久精品国产亚洲网站| av专区在线播放| h日本视频在线播放| 午夜影院日韩av| 淫秽高清视频在线观看| 一本一本综合久久| 在线播放国产精品三级| 又黄又爽又免费观看的视频| 村上凉子中文字幕在线| 色哟哟·www| 成人性生交大片免费视频hd| 精品久久久久久久久久免费视频| 中国美白少妇内射xxxbb| 国产爱豆传媒在线观看| 午夜免费成人在线视频| 国产高清视频在线播放一区| 亚洲精品在线观看二区| 精品一区二区免费观看| 欧美性感艳星| 99久久精品国产国产毛片| 99在线视频只有这里精品首页| 久久草成人影院| 亚洲av成人精品一区久久| av福利片在线观看| 91午夜精品亚洲一区二区三区 | 国产成人影院久久av| 久99久视频精品免费| 精品人妻一区二区三区麻豆 | 久久久久免费精品人妻一区二区| 精品乱码久久久久久99久播| 国产精品久久久久久久久免| 不卡一级毛片| 日本a在线网址| 久久久久久久亚洲中文字幕| 亚洲专区中文字幕在线| 亚洲av日韩精品久久久久久密| 国产精品一区二区三区四区久久| 久久久久久九九精品二区国产| av.在线天堂| 精品午夜福利在线看| 亚洲精华国产精华精| 一级毛片久久久久久久久女| 一本久久中文字幕| 蜜桃久久精品国产亚洲av| 三级男女做爰猛烈吃奶摸视频| 97人妻精品一区二区三区麻豆| 亚洲熟妇熟女久久| 久久午夜福利片| 久久久久性生活片| av在线老鸭窝| 日本熟妇午夜| 国产精品久久久久久亚洲av鲁大| 亚洲美女视频黄频| 日本爱情动作片www.在线观看 | 一边摸一边抽搐一进一小说| 老司机福利观看| 看片在线看免费视频| 一区二区三区激情视频| 精品国产三级普通话版| 深爱激情五月婷婷| 亚洲18禁久久av| 一区二区三区免费毛片| 亚洲欧美日韩高清在线视频| 午夜福利高清视频| 国产精品爽爽va在线观看网站| 蜜桃亚洲精品一区二区三区| 国产精品亚洲美女久久久| 3wmmmm亚洲av在线观看| 国产高清有码在线观看视频| 蜜桃久久精品国产亚洲av| 国产一区二区三区视频了| 国产精品爽爽va在线观看网站| 色av中文字幕| 一区二区三区激情视频| 天堂√8在线中文| 99热6这里只有精品| 亚洲性久久影院| 亚洲成人精品中文字幕电影| 黄色视频,在线免费观看| 男人的好看免费观看在线视频| 婷婷丁香在线五月| 免费看光身美女| 免费av毛片视频| 亚洲欧美清纯卡通| 久久久久性生活片| 99久久精品一区二区三区| 看十八女毛片水多多多| 搡老岳熟女国产| 九色成人免费人妻av| 国产真实乱freesex| 国产精品永久免费网站| 亚洲av五月六月丁香网| 美女免费视频网站| 美女xxoo啪啪120秒动态图| 亚洲欧美日韩高清专用| 极品教师在线视频| 韩国av一区二区三区四区| 欧美一区二区精品小视频在线| 国产精品人妻久久久影院| 男人和女人高潮做爰伦理| 国产伦一二天堂av在线观看| 欧美性猛交黑人性爽| 亚洲久久久久久中文字幕| 在线天堂最新版资源| 嫩草影院新地址| av专区在线播放| 国产精品久久久久久精品电影| 99热6这里只有精品| 日本黄色视频三级网站网址| 日本 欧美在线| 中国美白少妇内射xxxbb| 天堂动漫精品| 观看免费一级毛片| 亚洲乱码一区二区免费版| 国产亚洲精品久久久com| 欧美日韩瑟瑟在线播放| 听说在线观看完整版免费高清| 观看免费一级毛片| 亚洲综合色惰| 色av中文字幕| 亚洲成人精品中文字幕电影| 日本撒尿小便嘘嘘汇集6| 国产精品久久久久久久电影| 日本a在线网址| 麻豆一二三区av精品| 丰满的人妻完整版| 一卡2卡三卡四卡精品乱码亚洲| 午夜福利高清视频| 美女cb高潮喷水在线观看| 成人国产综合亚洲| 日本免费a在线| 欧美最黄视频在线播放免费| 美女黄网站色视频| av黄色大香蕉| 国产蜜桃级精品一区二区三区| 成人鲁丝片一二三区免费| 欧美一区二区精品小视频在线| 久久久久国内视频| .国产精品久久| 舔av片在线| 国产精品电影一区二区三区| 十八禁网站免费在线| 亚洲男人的天堂狠狠| 日本与韩国留学比较| 午夜爱爱视频在线播放| 亚洲成人久久性| 国产成人影院久久av| 又黄又爽又免费观看的视频| 性插视频无遮挡在线免费观看| 极品教师在线视频| 美女大奶头视频| 一进一出抽搐动态| 久久香蕉精品热| 色播亚洲综合网| 亚洲国产日韩欧美精品在线观看| 狂野欧美激情性xxxx在线观看| 久久久久久久亚洲中文字幕| 国产精品久久久久久精品电影| 国产v大片淫在线免费观看| 欧美又色又爽又黄视频| 亚洲成人久久爱视频| 国产午夜福利久久久久久| 国产精品久久视频播放| 国产精品1区2区在线观看.| 在线观看美女被高潮喷水网站| 真人做人爱边吃奶动态| 久久久久久久午夜电影| 午夜视频国产福利| 久久人人爽人人爽人人片va| 99热这里只有是精品50| 深夜精品福利| 国内精品久久久久精免费| 婷婷色综合大香蕉| 亚洲av不卡在线观看| 午夜免费成人在线视频| xxxwww97欧美| 久久久午夜欧美精品| 久久久国产成人免费| 在线天堂最新版资源| 亚洲五月天丁香| 搞女人的毛片| 制服丝袜大香蕉在线| 免费av观看视频| 久久精品综合一区二区三区| 看黄色毛片网站| 国产欧美日韩精品亚洲av| 国产在视频线在精品| 国内揄拍国产精品人妻在线| 桃色一区二区三区在线观看| 亚洲精品亚洲一区二区| 国产成人av教育| 亚洲中文字幕一区二区三区有码在线看| 岛国在线免费视频观看| 欧美精品啪啪一区二区三区| 丝袜美腿在线中文| 久久久久国产精品人妻aⅴ院| 听说在线观看完整版免费高清| 午夜视频国产福利| 亚洲无线在线观看| 亚洲成av人片在线播放无| 丰满乱子伦码专区| 在线播放无遮挡| 久久久久久久久久黄片| 如何舔出高潮| 成人国产麻豆网| 一卡2卡三卡四卡精品乱码亚洲| 波多野结衣高清无吗| 国产精品久久视频播放| 在线a可以看的网站| 久久久久久久精品吃奶| 亚洲,欧美,日韩| 嫩草影院精品99| 少妇的逼水好多| 九九热线精品视视频播放| 天堂av国产一区二区熟女人妻| 亚洲熟妇中文字幕五十中出| 免费人成在线观看视频色| 长腿黑丝高跟| 国产综合懂色| 免费电影在线观看免费观看| 中文在线观看免费www的网站| 国产精品av视频在线免费观看| 国产精品伦人一区二区| 18禁黄网站禁片免费观看直播| 免费看日本二区| 2021天堂中文幕一二区在线观| 18禁黄网站禁片午夜丰满| 大型黄色视频在线免费观看| 99热这里只有是精品在线观看| 免费看a级黄色片| 成年免费大片在线观看| 美女免费视频网站| 国产久久久一区二区三区| 美女大奶头视频| 成年女人毛片免费观看观看9| 午夜影院日韩av| 女人被狂操c到高潮| 日韩欧美精品v在线| 国产亚洲欧美98| 精品久久久久久,| 成年女人毛片免费观看观看9| 一级a爱片免费观看的视频| 极品教师在线视频| 99久久精品热视频| 成人亚洲精品av一区二区| 婷婷精品国产亚洲av在线| 久久久精品欧美日韩精品| 亚洲精品色激情综合| 国内精品久久久久久久电影| 免费av不卡在线播放| 伦理电影大哥的女人| 男人舔女人下体高潮全视频| 麻豆成人午夜福利视频| 亚洲国产精品合色在线| 成人特级av手机在线观看| 精品久久久久久久久久久久久| 大型黄色视频在线免费观看| 午夜亚洲福利在线播放| 亚洲人成网站高清观看| 男人舔女人下体高潮全视频| 午夜精品在线福利| 国产精品人妻久久久久久| 免费不卡的大黄色大毛片视频在线观看 | 亚洲精品久久国产高清桃花| 亚洲中文日韩欧美视频| 久久久久久伊人网av| 人妻少妇偷人精品九色| 亚洲成人免费电影在线观看| a级毛片免费高清观看在线播放| 国产久久久一区二区三区| 国产三级在线视频| 成人av在线播放网站| 亚洲中文字幕日韩| 成人午夜高清在线视频| 国产乱人伦免费视频| 久久久久久大精品| av在线亚洲专区| 一个人免费在线观看电影| 国产免费男女视频| 99国产精品一区二区蜜桃av| 精品不卡国产一区二区三区| 成年人黄色毛片网站| 在线观看av片永久免费下载| 久久精品国产99精品国产亚洲性色| 少妇丰满av| 乱码一卡2卡4卡精品| 免费高清视频大片| 天堂av国产一区二区熟女人妻| 国产精品自产拍在线观看55亚洲| 国产免费男女视频| 亚洲五月天丁香| 精品一区二区三区视频在线观看免费| 少妇人妻精品综合一区二区 | 国产伦一二天堂av在线观看| 性插视频无遮挡在线免费观看| 日韩中文字幕欧美一区二区| 三级毛片av免费| 国产精品无大码| 午夜福利成人在线免费观看| 免费不卡的大黄色大毛片视频在线观看 | 91在线观看av| 日日干狠狠操夜夜爽| 三级男女做爰猛烈吃奶摸视频| 久久午夜亚洲精品久久| 国产三级中文精品| 很黄的视频免费| 3wmmmm亚洲av在线观看| 又黄又爽又刺激的免费视频.| 国产一区二区激情短视频| 亚洲成av人片在线播放无| 听说在线观看完整版免费高清| 麻豆一二三区av精品| 国产国拍精品亚洲av在线观看| 日韩欧美精品免费久久| 久久99热6这里只有精品| 国语自产精品视频在线第100页| 久久久久久大精品| 免费人成在线观看视频色| 午夜福利欧美成人| 中出人妻视频一区二区| 小说图片视频综合网站| 成人特级黄色片久久久久久久| 亚洲五月天丁香| 国产精品乱码一区二三区的特点| 久久人人爽人人爽人人片va| 亚洲天堂国产精品一区在线| 婷婷色综合大香蕉| 又爽又黄无遮挡网站| 久久欧美精品欧美久久欧美| 午夜精品在线福利| 国产精品久久久久久久电影| 亚洲最大成人手机在线| 国产一级毛片七仙女欲春2| 嫁个100分男人电影在线观看| 国产精品一区二区三区四区免费观看 | 不卡视频在线观看欧美| 最近视频中文字幕2019在线8| 美女被艹到高潮喷水动态| 国产亚洲91精品色在线| 十八禁国产超污无遮挡网站| 亚洲 国产 在线| 午夜爱爱视频在线播放| 男人舔奶头视频| 亚洲欧美日韩高清专用| 日本黄色视频三级网站网址| 色精品久久人妻99蜜桃| 在线a可以看的网站| 色播亚洲综合网| 99久久精品一区二区三区| 天堂动漫精品| 亚洲男人的天堂狠狠| 国产主播在线观看一区二区| 成熟少妇高潮喷水视频| 久久精品国产自在天天线| 老司机福利观看| 久久国产乱子免费精品| 最新在线观看一区二区三区| 欧美又色又爽又黄视频| 热99re8久久精品国产| 免费在线观看影片大全网站| 99久久精品国产国产毛片| 日本-黄色视频高清免费观看| 中亚洲国语对白在线视频| 国语自产精品视频在线第100页| 我要搜黄色片| 内射极品少妇av片p| 嫩草影院新地址| 看免费成人av毛片| 91久久精品国产一区二区成人| 日韩国内少妇激情av| 狠狠狠狠99中文字幕| 嫩草影院新地址| 一本精品99久久精品77| 婷婷六月久久综合丁香| 亚洲欧美精品综合久久99| 久久婷婷人人爽人人干人人爱| 久久久久久久久久久丰满 | 国产精品综合久久久久久久免费| 精品久久久久久久久av| 直男gayav资源| 国产蜜桃级精品一区二区三区| 中文在线观看免费www的网站| 97超视频在线观看视频| 中文字幕久久专区| 国产免费av片在线观看野外av| 成人av在线播放网站| 国内少妇人妻偷人精品xxx网站| 99在线视频只有这里精品首页| 亚洲精品亚洲一区二区| 97超级碰碰碰精品色视频在线观看| 成人毛片a级毛片在线播放| 国产人妻一区二区三区在| 身体一侧抽搐| 久久午夜福利片| 国产熟女欧美一区二区| 亚洲aⅴ乱码一区二区在线播放| 国产精品98久久久久久宅男小说| 久久天躁狠狠躁夜夜2o2o| 又紧又爽又黄一区二区| 午夜免费激情av| 国产一区二区三区视频了| 国产精品美女特级片免费视频播放器| 国产爱豆传媒在线观看| 中文字幕精品亚洲无线码一区| 此物有八面人人有两片| 国产视频内射| 婷婷色综合大香蕉| 亚洲不卡免费看| 久久久成人免费电影| 别揉我奶头 嗯啊视频| 久久中文看片网| 啦啦啦观看免费观看视频高清| 麻豆国产97在线/欧美| 麻豆一二三区av精品| 嫩草影院精品99| 欧美激情国产日韩精品一区| 日韩av在线大香蕉| 在线天堂最新版资源| 麻豆成人午夜福利视频| 国产精品综合久久久久久久免费| 性欧美人与动物交配| 日韩欧美三级三区| 少妇熟女aⅴ在线视频| 久99久视频精品免费| 黄色女人牲交| 中文字幕av在线有码专区| 亚洲五月天丁香| 亚洲精品一区av在线观看| 99热这里只有是精品50| 成人午夜高清在线视频| 91午夜精品亚洲一区二区三区 | 天堂√8在线中文| 亚洲经典国产精华液单| 一级黄片播放器| 九九久久精品国产亚洲av麻豆| 国产亚洲精品av在线| 亚洲四区av| 少妇丰满av| 免费av观看视频| 国内精品宾馆在线| 午夜a级毛片| netflix在线观看网站| 99riav亚洲国产免费| 亚洲专区中文字幕在线| 亚洲天堂国产精品一区在线| 一夜夜www| 大型黄色视频在线免费观看| 国产综合懂色| 91在线精品国自产拍蜜月| 亚洲专区中文字幕在线| 国产又黄又爽又无遮挡在线| 亚洲av一区综合| 久久久久久九九精品二区国产| 精品人妻一区二区三区麻豆 | 男插女下体视频免费在线播放| 色在线成人网| 人妻丰满熟妇av一区二区三区| 欧美激情在线99| 精品人妻1区二区| 国产在线精品亚洲第一网站| 俄罗斯特黄特色一大片| 免费在线观看影片大全网站| 亚洲第一电影网av| 国产黄色小视频在线观看| 99久久久亚洲精品蜜臀av| 国产av一区在线观看免费| 校园人妻丝袜中文字幕| 国内少妇人妻偷人精品xxx网站| 中文字幕人妻熟人妻熟丝袜美| 国内毛片毛片毛片毛片毛片| 久久久久久九九精品二区国产| 老师上课跳d突然被开到最大视频| av视频在线观看入口| 精品人妻1区二区| 免费人成在线观看视频色|