• <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
    中文字幕另类日韩欧美亚洲嫩草| 999久久久国产精品视频| 欧美日韩一级在线毛片| 性高湖久久久久久久久免费观看| 久久久国产欧美日韩av| 老司机靠b影院| 中文亚洲av片在线观看爽 | 久久国产精品影院| 亚洲三区欧美一区| 黑人巨大精品欧美一区二区蜜桃| 久久精品国产亚洲av香蕉五月 | 国产成+人综合+亚洲专区| 国产成人精品久久二区二区免费| 国产aⅴ精品一区二区三区波| 黄色a级毛片大全视频| 青青草视频在线视频观看| 久久ye,这里只有精品| 免费久久久久久久精品成人欧美视频| 啦啦啦中文免费视频观看日本| 国产高清videossex| 国产97色在线日韩免费| 亚洲久久久国产精品| 午夜免费成人在线视频| 丁香六月天网| 久热这里只有精品99| 国产精品.久久久| 免费高清在线观看日韩| 久久中文字幕人妻熟女| 免费高清在线观看日韩| 最近最新中文字幕大全免费视频| 如日韩欧美国产精品一区二区三区| 午夜精品久久久久久毛片777| 亚洲成a人片在线一区二区| 丰满人妻熟妇乱又伦精品不卡| 国产aⅴ精品一区二区三区波| 久久青草综合色| 久久精品亚洲熟妇少妇任你| 777久久人妻少妇嫩草av网站| 婷婷成人精品国产| 日韩成人在线观看一区二区三区| 久久狼人影院| 十八禁网站免费在线| 黄频高清免费视频| 久久精品成人免费网站| 免费在线观看完整版高清| 国产免费现黄频在线看| 亚洲欧美一区二区三区黑人| 99精品久久久久人妻精品| 亚洲成a人片在线一区二区| 精品卡一卡二卡四卡免费| 久久久久久久国产电影| 亚洲av电影在线进入| 女警被强在线播放| 真人做人爱边吃奶动态| 天天躁狠狠躁夜夜躁狠狠躁| 国产在线免费精品| 菩萨蛮人人尽说江南好唐韦庄| 国产成人免费无遮挡视频| 纯流量卡能插随身wifi吗| 亚洲第一青青草原| 天天添夜夜摸| 亚洲性夜色夜夜综合| 午夜免费鲁丝| 午夜激情久久久久久久| 久久影院123| 9色porny在线观看| 大片电影免费在线观看免费| 精品一区二区三区av网在线观看 | 国产精品久久久久久精品电影小说| 少妇猛男粗大的猛烈进出视频| 人人妻人人添人人爽欧美一区卜| 久久国产亚洲av麻豆专区| a级毛片黄视频| 日本黄色视频三级网站网址 | 精品少妇久久久久久888优播| 老司机福利观看| 日日夜夜操网爽| 欧美日韩av久久| 999久久久国产精品视频| 美女高潮喷水抽搐中文字幕| 久久精品国产亚洲av高清一级| 日韩欧美免费精品| 99香蕉大伊视频| 午夜福利在线免费观看网站| 水蜜桃什么品种好| 老司机亚洲免费影院| av线在线观看网站| 欧美在线黄色| 午夜福利在线免费观看网站| 成年人黄色毛片网站| 欧美日韩亚洲国产一区二区在线观看 | 欧美一级毛片孕妇| 国产精品电影一区二区三区 | 国产成人欧美| 两个人免费观看高清视频| 天天操日日干夜夜撸| 精品国产乱码久久久久久小说| xxxhd国产人妻xxx| 一级a爱视频在线免费观看| 久久久国产欧美日韩av| 大香蕉久久网| 亚洲五月婷婷丁香| 制服诱惑二区| 精品久久久久久电影网| 亚洲欧洲日产国产| 亚洲成人手机| 又紧又爽又黄一区二区| 亚洲国产毛片av蜜桃av| 他把我摸到了高潮在线观看 | 久久久久久久大尺度免费视频| 色94色欧美一区二区| 日本撒尿小便嘘嘘汇集6| 老司机深夜福利视频在线观看| 国产不卡一卡二| 天天操日日干夜夜撸| 午夜激情久久久久久久| 色综合婷婷激情| 国产精品99久久99久久久不卡| 国产高清视频在线播放一区| 99久久人妻综合| 成年动漫av网址| av有码第一页| 桃红色精品国产亚洲av| 可以免费在线观看a视频的电影网站| 日日摸夜夜添夜夜添小说| 一二三四在线观看免费中文在| 久久久水蜜桃国产精品网| 最近最新中文字幕大全免费视频| 成人影院久久| 久久久久久久大尺度免费视频| 老司机影院毛片| 欧美一级毛片孕妇| 一边摸一边做爽爽视频免费| 亚洲精品粉嫩美女一区| 大码成人一级视频| 亚洲精品国产区一区二| 俄罗斯特黄特色一大片| 亚洲avbb在线观看| 岛国在线观看网站| 国产野战对白在线观看| 精品少妇黑人巨大在线播放| 成人手机av| 正在播放国产对白刺激| 国产亚洲精品一区二区www | 亚洲欧美精品综合一区二区三区| 亚洲精品国产区一区二| 每晚都被弄得嗷嗷叫到高潮| 国产精品免费大片| 黄色怎么调成土黄色| 五月天丁香电影| 丰满饥渴人妻一区二区三| 12—13女人毛片做爰片一| 免费在线观看影片大全网站| 欧美变态另类bdsm刘玥| 男女床上黄色一级片免费看| 日韩欧美一区视频在线观看| 露出奶头的视频| 国产精品成人在线| www.精华液| 欧美人与性动交α欧美软件| 亚洲精品成人av观看孕妇| 午夜福利乱码中文字幕| 亚洲人成77777在线视频| 在线看a的网站| 免费在线观看黄色视频的| 9色porny在线观看| 国产精品98久久久久久宅男小说| 欧美在线黄色| 一个人免费在线观看的高清视频| 极品教师在线免费播放| 成人手机av| 欧美中文综合在线视频| 王馨瑶露胸无遮挡在线观看| 每晚都被弄得嗷嗷叫到高潮| 99精品欧美一区二区三区四区| 一级片免费观看大全| 在线av久久热| 色综合婷婷激情| 成年动漫av网址| 男人操女人黄网站| 国产精品98久久久久久宅男小说| 一个人免费在线观看的高清视频| 黑人欧美特级aaaaaa片| 女人高潮潮喷娇喘18禁视频| 十八禁人妻一区二区| 久久人妻av系列| 看免费av毛片| 一区二区三区国产精品乱码| 多毛熟女@视频| a级毛片黄视频| 狠狠精品人妻久久久久久综合| 日本欧美视频一区| 国产精品一区二区在线观看99| 视频在线观看一区二区三区| 成人三级做爰电影| 在线 av 中文字幕| 国产在线观看jvid| 亚洲九九香蕉| 免费在线观看黄色视频的| 一级毛片精品| 欧美午夜高清在线| 中文字幕色久视频| 午夜视频精品福利| 黄片大片在线免费观看| 9热在线视频观看99| 欧美日本中文国产一区发布| 法律面前人人平等表现在哪些方面| 每晚都被弄得嗷嗷叫到高潮| 一边摸一边抽搐一进一小说 | 欧美精品啪啪一区二区三区| 午夜福利在线免费观看网站| 日本av手机在线免费观看| tube8黄色片| 如日韩欧美国产精品一区二区三区| 老司机深夜福利视频在线观看| 男女床上黄色一级片免费看| 精品午夜福利视频在线观看一区 | 丁香欧美五月| 美女高潮到喷水免费观看| 狠狠婷婷综合久久久久久88av| 搡老熟女国产l中国老女人| 亚洲三区欧美一区| 男女床上黄色一级片免费看| 午夜精品久久久久久毛片777| 丰满少妇做爰视频| 一个人免费看片子| 国产av精品麻豆| 欧美精品一区二区免费开放| 日本av手机在线免费观看| 五月天丁香电影| 亚洲精品在线观看二区| 国产av精品麻豆| 汤姆久久久久久久影院中文字幕| 多毛熟女@视频| 丰满饥渴人妻一区二区三| 午夜福利欧美成人| 国产欧美日韩精品亚洲av| 国产精品成人在线| 成人国语在线视频| 啦啦啦视频在线资源免费观看| 国产激情久久老熟女| 成年人午夜在线观看视频| 在线观看免费视频网站a站| 亚洲,欧美精品.| 波多野结衣一区麻豆| 精品福利永久在线观看| 最新美女视频免费是黄的| 亚洲午夜理论影院| 国产一区二区 视频在线| 精品福利观看| videosex国产| 视频在线观看一区二区三区| 久久久久视频综合| 我要看黄色一级片免费的| 丁香欧美五月| 欧美激情极品国产一区二区三区| 精品一区二区三区四区五区乱码| 亚洲情色 制服丝袜| 蜜桃国产av成人99| 国产伦理片在线播放av一区| 国产极品粉嫩免费观看在线| 国产精品欧美亚洲77777| 人人妻人人添人人爽欧美一区卜| 伊人久久大香线蕉亚洲五| 成在线人永久免费视频| 国产一区二区在线观看av| 日日爽夜夜爽网站| 涩涩av久久男人的天堂| 亚洲中文av在线| 一进一出抽搐动态| 啦啦啦视频在线资源免费观看| 国产精品影院久久| 国产有黄有色有爽视频| 亚洲免费av在线视频| 美女福利国产在线| 美女午夜性视频免费| 精品免费久久久久久久清纯 | 精品福利观看| 日韩精品免费视频一区二区三区| 久久精品成人免费网站| 正在播放国产对白刺激| 免费在线观看影片大全网站| 久久久国产精品麻豆| 久久久精品国产亚洲av高清涩受| 一本综合久久免费| 久久久久久人人人人人| 国产免费现黄频在线看| 国产国语露脸激情在线看| 一本综合久久免费| 日韩精品免费视频一区二区三区| 露出奶头的视频| 桃花免费在线播放| 五月天丁香电影| 亚洲第一青青草原| 中文字幕人妻熟女乱码| 黑人操中国人逼视频| 亚洲欧美色中文字幕在线| 欧美精品一区二区大全| 国产高清国产精品国产三级| 一本久久精品| 在线永久观看黄色视频| 亚洲天堂av无毛| 久久 成人 亚洲| 久久久久久久大尺度免费视频| 久久中文字幕一级| 青青草视频在线视频观看| 亚洲少妇的诱惑av| 亚洲五月婷婷丁香| 窝窝影院91人妻| 搡老岳熟女国产| 欧美乱妇无乱码| 精品久久久精品久久久| av在线播放免费不卡| 最近最新免费中文字幕在线| 夫妻午夜视频| 自线自在国产av| 精品国产一区二区三区久久久樱花| 亚洲免费av在线视频| 老司机深夜福利视频在线观看| 久久狼人影院| 国产又色又爽无遮挡免费看| h视频一区二区三区| 天堂中文最新版在线下载| www.精华液| 午夜视频精品福利| 久久中文字幕人妻熟女| 中文字幕最新亚洲高清| 在线亚洲精品国产二区图片欧美| 91成年电影在线观看| 亚洲国产欧美在线一区| 欧美乱码精品一区二区三区| 国产免费av片在线观看野外av| 女警被强在线播放| 一边摸一边抽搐一进一出视频| 高清视频免费观看一区二区| 夜夜夜夜夜久久久久| 精品少妇一区二区三区视频日本电影| 久久精品人人爽人人爽视色| 成人三级做爰电影| 免费看a级黄色片| 热99re8久久精品国产| 国产高清视频在线播放一区| 国产极品粉嫩免费观看在线| av线在线观看网站| 两人在一起打扑克的视频| 伊人久久大香线蕉亚洲五| 操出白浆在线播放| 丝瓜视频免费看黄片| 日韩有码中文字幕| 老熟女久久久| 夜夜夜夜夜久久久久| 精品人妻1区二区| 菩萨蛮人人尽说江南好唐韦庄| 狠狠精品人妻久久久久久综合| 99香蕉大伊视频| 12—13女人毛片做爰片一| 久久午夜亚洲精品久久| 美女视频免费永久观看网站| 日韩有码中文字幕| 人人妻,人人澡人人爽秒播| 三级毛片av免费| 好男人电影高清在线观看| 最黄视频免费看| 在线亚洲精品国产二区图片欧美| 在线观看免费午夜福利视频| 乱人伦中国视频| 三级毛片av免费| www.自偷自拍.com| 十八禁人妻一区二区| 五月天丁香电影| 国产高清激情床上av| 国产精品久久久av美女十八| 日本黄色日本黄色录像| 日韩有码中文字幕| 国产精品99久久99久久久不卡| 视频区欧美日本亚洲| av一本久久久久| 乱人伦中国视频| 免费人妻精品一区二区三区视频| 午夜福利影视在线免费观看| 亚洲精品美女久久av网站| 亚洲综合色网址| 一个人免费看片子| 亚洲综合色网址| 国产精品香港三级国产av潘金莲| 多毛熟女@视频| 久久久欧美国产精品| 国产高清videossex| a级片在线免费高清观看视频| 搡老乐熟女国产| 久久av网站| 黄色a级毛片大全视频| 男女床上黄色一级片免费看| 91精品国产国语对白视频| 91成年电影在线观看| 91九色精品人成在线观看| 亚洲九九香蕉| 激情在线观看视频在线高清 | 超色免费av| 亚洲三区欧美一区| 欧美黑人精品巨大| 国产日韩一区二区三区精品不卡| 天堂动漫精品| 国产成人精品久久二区二区免费| 91av网站免费观看| a级毛片黄视频| 久久精品91无色码中文字幕| 天堂俺去俺来也www色官网| 91国产中文字幕| 每晚都被弄得嗷嗷叫到高潮| aaaaa片日本免费| 日韩制服丝袜自拍偷拍| 国产成人免费观看mmmm| av在线播放免费不卡| 男女高潮啪啪啪动态图| 一二三四社区在线视频社区8| 欧美久久黑人一区二区| 久久久欧美国产精品| 久久人人爽av亚洲精品天堂| 亚洲精品国产精品久久久不卡| 91精品国产国语对白视频| 国产精品自产拍在线观看55亚洲 | 女人高潮潮喷娇喘18禁视频| 一级片'在线观看视频| 午夜福利一区二区在线看| 搡老乐熟女国产| 亚洲精品美女久久久久99蜜臀| 国产1区2区3区精品| 俄罗斯特黄特色一大片| 一边摸一边抽搐一进一出视频| 久久精品成人免费网站| 久久久久久久大尺度免费视频| 波多野结衣一区麻豆| 日本黄色视频三级网站网址 | 中文字幕高清在线视频| 国产真人三级小视频在线观看| 别揉我奶头~嗯~啊~动态视频| 黑人巨大精品欧美一区二区mp4| 中文字幕人妻丝袜制服| 真人做人爱边吃奶动态| 久久ye,这里只有精品| 成人av一区二区三区在线看| 久久精品成人免费网站| 中文字幕高清在线视频| 天堂动漫精品| 正在播放国产对白刺激| 搡老岳熟女国产| 国产成人免费观看mmmm| 国产深夜福利视频在线观看| 久久精品亚洲av国产电影网| 变态另类成人亚洲欧美熟女 | 久9热在线精品视频| 久久久久久久国产电影| 亚洲第一欧美日韩一区二区三区 | 日韩一卡2卡3卡4卡2021年| av线在线观看网站| 性少妇av在线| 国产在线一区二区三区精| 国产欧美日韩一区二区精品| 国产一区二区激情短视频| 别揉我奶头~嗯~啊~动态视频| 国产深夜福利视频在线观看| 欧美另类亚洲清纯唯美| 美女高潮喷水抽搐中文字幕| 黑人操中国人逼视频| 久久久久久久精品吃奶| 欧美日韩黄片免| 国产成人一区二区三区免费视频网站| 精品一区二区三卡| 丰满迷人的少妇在线观看| 成人免费观看视频高清| 欧美精品啪啪一区二区三区| 成人手机av| 另类精品久久| 性少妇av在线| 日韩欧美一区二区三区在线观看 | 高清在线国产一区| av有码第一页| 亚洲一区中文字幕在线| 久久精品亚洲av国产电影网| 日本五十路高清| 人妻久久中文字幕网| 国产91精品成人一区二区三区 | 国产成人精品久久二区二区91| 一级a爱视频在线免费观看| 亚洲天堂av无毛| 精品亚洲成国产av| 中文字幕最新亚洲高清| 国产一区二区三区在线臀色熟女 | 免费在线观看日本一区| 免费女性裸体啪啪无遮挡网站| 女同久久另类99精品国产91| 一进一出抽搐动态| 久久精品熟女亚洲av麻豆精品| 黄色a级毛片大全视频| 久久中文字幕人妻熟女| 欧美成人午夜精品| 老司机午夜十八禁免费视频| av在线播放免费不卡| 怎么达到女性高潮| 亚洲av第一区精品v没综合| 国产日韩欧美视频二区| 免费不卡黄色视频| 国产免费av片在线观看野外av| 啦啦啦视频在线资源免费观看| 亚洲av第一区精品v没综合| 成人特级黄色片久久久久久久 | 另类精品久久| 亚洲成国产人片在线观看| 国产精品免费一区二区三区在线 | 激情在线观看视频在线高清 | 久久国产亚洲av麻豆专区| 最近最新中文字幕大全免费视频| 999精品在线视频| 久久久久视频综合| 99re6热这里在线精品视频| 亚洲专区字幕在线| 国产精品成人在线| 亚洲少妇的诱惑av| 制服人妻中文乱码| 99精国产麻豆久久婷婷| 国产精品1区2区在线观看. | 亚洲精品国产一区二区精华液| 99精品欧美一区二区三区四区| 欧美乱码精品一区二区三区| 欧美亚洲 丝袜 人妻 在线| 日韩欧美国产一区二区入口| 黄色丝袜av网址大全| 人人妻人人澡人人爽人人夜夜| 亚洲午夜精品一区,二区,三区| 男人操女人黄网站| 日韩 欧美 亚洲 中文字幕| 91老司机精品| videosex国产| 成人永久免费在线观看视频 | 久久人妻av系列| a级毛片黄视频| 51午夜福利影视在线观看| 无限看片的www在线观看| 久久国产精品大桥未久av| 色播在线永久视频| 99精国产麻豆久久婷婷| 老司机深夜福利视频在线观看| 最近最新中文字幕大全免费视频| 欧美日韩精品网址| 夜夜爽天天搞| 国产精品98久久久久久宅男小说| 久久国产精品大桥未久av| 亚洲熟女精品中文字幕| 水蜜桃什么品种好| 91成年电影在线观看| 欧美久久黑人一区二区| 国产欧美日韩精品亚洲av| 国产精品一区二区免费欧美| 天堂动漫精品| 中文字幕高清在线视频| 亚洲欧美一区二区三区黑人| 国产视频一区二区在线看| 视频在线观看一区二区三区| 国产精品99久久99久久久不卡| 交换朋友夫妻互换小说| av电影中文网址| 免费观看av网站的网址| 国产亚洲精品一区二区www | 欧美激情极品国产一区二区三区| 丝袜美足系列| 亚洲九九香蕉| 女人爽到高潮嗷嗷叫在线视频| 午夜成年电影在线免费观看| 亚洲专区中文字幕在线| 免费在线观看黄色视频的| 国产在线一区二区三区精| 日韩一卡2卡3卡4卡2021年| 蜜桃国产av成人99| 免费人妻精品一区二区三区视频| 亚洲色图av天堂| 亚洲av日韩精品久久久久久密| 一区二区三区国产精品乱码| 午夜福利在线免费观看网站| 亚洲色图综合在线观看| 国产精品免费一区二区三区在线 | 免费女性裸体啪啪无遮挡网站| 啦啦啦中文免费视频观看日本| 国产精品一区二区在线观看99| av一本久久久久| av欧美777| 久久影院123| 欧美黄色片欧美黄色片| 丁香六月欧美| 性高湖久久久久久久久免费观看| 国产在线精品亚洲第一网站| 国产精品香港三级国产av潘金莲| 色尼玛亚洲综合影院| 国产不卡av网站在线观看| 精品久久蜜臀av无| 日韩欧美国产一区二区入口| 亚洲伊人久久精品综合| 韩国精品一区二区三区| 精品久久蜜臀av无| 午夜久久久在线观看| 天天躁夜夜躁狠狠躁躁| 国产成人免费观看mmmm| 黑人巨大精品欧美一区二区蜜桃| 国产区一区二久久| 女性被躁到高潮视频| 亚洲第一青青草原| 脱女人内裤的视频| 成在线人永久免费视频| 久久人人爽av亚洲精品天堂| 欧美日韩中文字幕国产精品一区二区三区 | 久久久精品国产亚洲av高清涩受| 成人国产一区最新在线观看| e午夜精品久久久久久久| 成年动漫av网址| 一级毛片女人18水好多|