聯(lián)合多源分析的罪名預(yù)測研究

彭 韜，楊 亮，張 琍，毛國慶，林鴻飛，任 璐

1.大連理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，遼寧 大連 116024

2.北京計(jì)算機(jī)技術(shù)及應(yīng)用研究所，北京 100854

3.北京國雙科技有限公司，北京 100083

隨著人工智能的發(fā)展和司法信息化體系的構(gòu)建，運(yùn)用人工智能解決司法領(lǐng)域的需求成為近年來自然語言處理領(lǐng)域的研究熱點(diǎn)。一系列人工智能在法律行業(yè)的應(yīng)用被提出，例如法律判決預(yù)測、法律檢索、法律文件生成等應(yīng)用場景[1-3]，這些法律人工智能應(yīng)用與云平臺和人機(jī)對話等技術(shù)結(jié)合，催生出在線法律服務(wù)、法律智能客服等新的法律電商平臺LegalZoom、法信等，正逐步改變現(xiàn)在的法律服務(wù)市場。法律人工智能一方面可以為司法工作者提供輔助服務(wù)，如法律文書的整理分析和生成，簡化司法人員的工作流程，另一方面為廣大人民群眾提供便捷、廉價(jià)的法律咨詢服務(wù)，促進(jìn)法律咨詢行業(yè)標(biāo)準(zhǔn)化、透明化發(fā)展。人工智能在未來數(shù)十年間將會引起法律行業(yè)的一場大變革。

法律判決預(yù)測一般包括多類子任務(wù)：罪名預(yù)測、法條預(yù)測和刑期預(yù)測等[4]。本文主要關(guān)注于罪名預(yù)測任務(wù)，該任務(wù)是基于刑事法律文書中的案情描述和事實(shí)部分，預(yù)測被告人被判的罪名[5]。因?yàn)樗痉▽?shí)踐中存在被告犯有多個(gè)罪名的情形，所以罪名預(yù)測一般是多標(biāo)簽文本分類問題[6-7]。現(xiàn)有的罪名預(yù)測研究中使用的刑事法律文書數(shù)據(jù)集基本來源于裁判文書，裁判文書記錄了當(dāng)事人的訴辯主張、認(rèn)定事實(shí)及說理部分和主文裁判結(jié)果部分[8]。裁判文書主要是司法人員在案件審理完成后整理撰寫出來的書面性文本，精煉客觀地描述了案件的經(jīng)過，是提取案件描述內(nèi)容的優(yōu)質(zhì)數(shù)據(jù)來源。但是，裁判文書側(cè)重于對客觀事實(shí)的描述（如司法鑒定結(jié)果）以及法院推定的案件邏輯，文書中往往省略了案發(fā)時(shí)雙方的主觀動機(jī)以及案件細(xì)節(jié)等因素，而這些因素往往在司法案件中難以確定，且對案件的判決結(jié)果起關(guān)鍵指導(dǎo)作用。為了進(jìn)一步補(bǔ)充和豐富裁判文書中的細(xì)節(jié)，本文收集了部分裁判文書對應(yīng)的庭審文書，結(jié)合裁判文書和庭審文書進(jìn)行罪名預(yù)測。

針對目前罪名預(yù)測數(shù)據(jù)集依賴于裁判文書，但裁判文書對案件細(xì)節(jié)記錄不夠詳實(shí)的問題，本文構(gòu)建了一個(gè)裁判文書和庭審文書一一對應(yīng)的多源聯(lián)合分析數(shù)據(jù)集，并實(shí)現(xiàn)了罪名預(yù)測的部分深度學(xué)習(xí)模型探究單一文書對預(yù)測結(jié)果的影響。最后通過兩種文書聯(lián)合分析的實(shí)驗(yàn)結(jié)果，驗(yàn)證了庭審文書確實(shí)能補(bǔ)充裁判文書中缺乏的案件細(xì)節(jié)，增強(qiáng)模型罪名預(yù)測的準(zhǔn)確性。

1 相關(guān)研究

法律判決預(yù)測任務(wù)起源于20 世紀(jì)六七十年代，受限于當(dāng)時(shí)的研究手段，主要以統(tǒng)計(jì)方法結(jié)合司法知識，從文書法條表示、推理決策等角度構(gòu)建系統(tǒng)化的判決預(yù)測模型[9-11]?；跀?shù)學(xué)模型和法律規(guī)則的這些方法的可解釋性較好，但是模型的預(yù)測效果卻不甚理想，法律判決任務(wù)還有較大的提升空間。

隨著司法信息化和人工智能的發(fā)展，研究者逐漸開始利用機(jī)器學(xué)習(xí)算法處理法律判決預(yù)測問題，主要思路是手動構(gòu)造與提取案情描述的文本特征進(jìn)行文本分類。Liu 等[12]收集了12 類罪名的刑事訴訟文檔，從這些文檔中提取重要的法律信息構(gòu)建案件實(shí)例，然后通過k近鄰（k-nearest neighbors，KNN）算法合并相似的案例，提取每一類案由的淺層文本特征作為依據(jù)，用以對訴訟文書進(jìn)行判決預(yù)測。Sulea 等[13]通過提取犯罪事件、犯罪事實(shí)和法律依據(jù)等特征構(gòu)建支持向量機(jī)（support vector machine，SVM）分類模型，在所構(gòu)建的法國最高法院司法文書數(shù)據(jù)集上取得了不錯(cuò)的實(shí)驗(yàn)結(jié)果。Lin等[14]將研究重點(diǎn)放在“強(qiáng)盜罪”和“恐嚇取財(cái)罪”兩類罪名的區(qū)分上，通過定義21種法律要素標(biāo)簽，采用條件隨機(jī)場（conditional random field，CRF）模型自動化標(biāo)記文書中涉及的法律要素，將這些手動構(gòu)造的特征輸入廣義加性模型進(jìn)行分類?；跈C(jī)器學(xué)習(xí)方法的法律判決預(yù)測主要有兩方面局限性：一方面依賴于手動提取文本特征，這往往需要先驗(yàn)的領(lǐng)域知識為指導(dǎo)且操作較為繁瑣；另一方面受限于較小的數(shù)據(jù)規(guī)模和有限的案件類別，這些機(jī)器學(xué)習(xí)模型往往只能在部分罪名案件類別實(shí)現(xiàn)較好的結(jié)果，當(dāng)遷移到其他罪名的案件時(shí)，由于不同罪名的案件要素不同，機(jī)器學(xué)習(xí)模型的效果不甚理想，泛化性能較差。

深度學(xué)習(xí)技術(shù)的興起不僅推動了許多自然語言處理應(yīng)用的落地，也為法律判決預(yù)測提供了新的思路與解決方案。由于深度學(xué)習(xí)規(guī)模對數(shù)據(jù)的需求量較大，許多大規(guī)模的高質(zhì)量司法文書數(shù)據(jù)集發(fā)布。以中國大數(shù)據(jù)司法研究院在2018年“法研杯”法律智能挑戰(zhàn)賽發(fā)布的CAIL2018司法數(shù)據(jù)集[7]影響力最大，其中包含了268萬份刑法法律文書，共涉及183 項(xiàng)罪名，極大地促進(jìn)了深度學(xué)習(xí)算法在司法領(lǐng)域的落地與應(yīng)用。一系列文本分類算法率先被遷移到法律判決任務(wù)中，循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）[15]因其優(yōu)秀的序列建模能力被用于對文本上下文建模。為了進(jìn)一步增強(qiáng)RNN的長文本雙向建模能力，長短期記憶網(wǎng)絡(luò)（long shortterm memory，LSTM）[16]作為RNN的變種在文本分類問題中性能進(jìn)一步加強(qiáng)。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）因其易并行性和捕捉局部特征的能力，首先被大規(guī)模用在計(jì)算機(jī)視覺領(lǐng)域。隨著TextCNN[17]模型的提出，CNN才開始逐步被用于文本分類任務(wù)中。TextCNN 模型利用多個(gè)不同大小的卷積核捕捉文本上下文中的n-gram 特征，通過池化層提取全局信息中的差異化部分實(shí)現(xiàn)文本建模。深度金字塔卷積神經(jīng)網(wǎng)絡(luò)（deep pyramid CNN，DPCNN）[18]為提升CNN提取深層特征的能力，采用了殘差連接和步長為2的池化層，使得多層CNN 模型的收斂性能和算法復(fù)雜度都得到了保證。DPCNN模型如圖1所示。Wang等[19]將CNN與LSTM模型相結(jié)合，提出了CRNN（convolutional recurrent neural network）模型用于文本分類。

圖1 深度金字塔卷積神經(jīng)網(wǎng)絡(luò)Fig.1 Deep pyramid convolutional neural network

許多研究人員對罪名預(yù)測任務(wù)也研發(fā)了許多特定的深度學(xué)習(xí)模型。Jiang等[20]2018年在ACL會議上提出了一種基于深度強(qiáng)化學(xué)習(xí)的罪名預(yù)測模型，該模型可以提取案件描述中的關(guān)鍵性要素，模型的可解釋性和實(shí)驗(yàn)性能都獲得了較好的實(shí)驗(yàn)結(jié)果。Xu等[21]針對易混淆罪名的語義相似導(dǎo)致錯(cuò)誤分類的問題，使用了圖蒸餾算子計(jì)算相似罪名之間的差異化信息，再通過注意力機(jī)制[22]提取這些差異化信息，提高了CAIL2018 數(shù)據(jù)集上罪名預(yù)測任務(wù)的準(zhǔn)確率。以上工作主要是基于單一的裁判文書進(jìn)行，但裁判文書只對案件進(jìn)行了概括性描述，內(nèi)容不夠全面詳實(shí)。

2 多源聯(lián)合分析數(shù)據(jù)集構(gòu)建

2.1 多源數(shù)據(jù)集構(gòu)建

為了進(jìn)一步擴(kuò)充數(shù)據(jù)來源，本文選擇司法信息化程度較高的上海市，從上海法院網(wǎng)的網(wǎng)絡(luò)直播板塊（http：//shfy.chinacourt.gov.cn/chat/more/state/4/page/1.shtml）中收集了上海市地區(qū)的高質(zhì)量庭審對話文本，包含了上海市14個(gè)區(qū)人民法院以及上海市第一、第二、鐵路運(yùn)輸中級人民法院的4 863 個(gè)案件，時(shí)間跨度從2010 年3 月至2020 年8 月。本文依據(jù)庭審文書的時(shí)間、法院名、罪名等要素，在中國裁判文書網(wǎng)（https：//wenshu.court.gov.cn/）上檢索對應(yīng)的裁判文書，將庭審文書與裁判文書一一對應(yīng)，總計(jì)獲得2 647個(gè)相互匹配的案件文書，其中包含刑事案件1 743個(gè)，民事案件820個(gè)，以及行政案件84個(gè)。刑事案件案由占比如圖2所示。

圖2 刑事案件案由分布Fig.2 Distribution of criminal cases

本文主要研究罪名預(yù)測任務(wù)。鑒于民事案件主要是關(guān)于民事權(quán)利、義務(wù)性質(zhì)的糾紛，不涉及罪名判決，因此只選擇刑事案件數(shù)據(jù)展開后續(xù)研究。

2.2 數(shù)據(jù)篩選與標(biāo)注

由于多人多節(jié)案件涉及的作案主體比較復(fù)雜，本文參考CAIL2018 數(shù)據(jù)集的形式，進(jìn)一步篩選了單人犯罪案件1 426起，針對這些案件，結(jié)合裁判文書與庭審文書一一標(biāo)注其罪名。因?yàn)閿?shù)據(jù)規(guī)模比較有限，本文標(biāo)注完成后發(fā)現(xiàn)所有案件均只涉及單一罪名，不存在數(shù)罪并罰的情況，所以本文的罪名預(yù)測任務(wù)為單標(biāo)簽分類任務(wù)，不同于CAIL2018中的多標(biāo)簽分類。

本文運(yùn)用正則表達(dá)式進(jìn)一步去除裁判文書和庭審文書中出現(xiàn)的罪名，并考慮到法律條文與罪名之間可能有較強(qiáng)的關(guān)聯(lián)關(guān)系，因此本文也進(jìn)一步去除了所有正則匹配成功的法律條文信息，從而本數(shù)據(jù)集中裁判文書和庭審文書中所有罪名均用“###”符號替代，所有法律條文均用“$$$”符號替代。對標(biāo)注后的1 426 條數(shù)據(jù)統(tǒng)計(jì)分析后，發(fā)現(xiàn)數(shù)據(jù)集分布極不均衡，部分罪名（例如非法狩獵、偷越國邊境等）出現(xiàn)頻次極低，不超過5 次，對后續(xù)劃分?jǐn)?shù)據(jù)集和模型預(yù)測都會造成較大困難。為更好地驗(yàn)證多源聯(lián)合分析數(shù)據(jù)集的有效性，將罪名出現(xiàn)頻次30次以下的數(shù)據(jù)全部篩去，最終保留了1 104條數(shù)據(jù)，其中涉及了8類罪名，各類罪名對應(yīng)的數(shù)據(jù)規(guī)模如表1所示。

表1 刑事案件罪名分布Table 1 Distribution of crimes in criminal cases

2.3 多源數(shù)據(jù)分析

本文針對裁判文書和庭審文書進(jìn)行了一些初步的統(tǒng)計(jì)分析，統(tǒng)計(jì)分析結(jié)果如表2 所示，其中詞表大小為采用jieba分詞工具的精確模式分詞后統(tǒng)計(jì)得出。從統(tǒng)計(jì)數(shù)據(jù)中不難分析得出，庭審文書的文本長度普遍長于裁判文書，且平均文本長度相差了7.8倍，從詞表大小亦可觀察出庭審文書的詞匯更加豐富，可能與庭審文書中較多的口語化表達(dá)有關(guān)。

表2 裁判文書與庭審文書文本特征統(tǒng)計(jì)值Table 2 Statistical values of text characteristics of judgment documents and court documents

為進(jìn)一步分析兩類文書的區(qū)別，本文選取了一個(gè)故意傷害案件作為樣例，由于文本長度過長，只節(jié)選了部分內(nèi)容，裁判文書全文和庭審文書全文鏈接已給出。示例如圖3所示。

圖3 裁判文書與庭審文書示例Fig.3 Examples of judgment document and court document

庭審文書主要由審判員、公訴人、被告人、辯護(hù)人等的對話內(nèi)容組成，依據(jù)司法機(jī)關(guān)提供的各項(xiàng)證據(jù)，公訴人對被告人提出對案件關(guān)鍵細(xì)節(jié)的質(zhì)詢，而被告人和辯護(hù)人為自己的動機(jī)和行為等進(jìn)行辯護(hù)，審判員則通過雙方提供的信息挖掘案件事實(shí)進(jìn)行司法判決。從圖3 中裁判文書與庭審文書的對比可以看出，裁判文書對案件的概述較為精煉簡潔，而庭審文書對案件動機(jī)、案發(fā)過程、案后處理等多個(gè)角度進(jìn)行了補(bǔ)充，一方面為司法人員的審判提供了細(xì)節(jié)，另一方面庭審文書為實(shí)現(xiàn)基于庭審過程的法律判決人工智能系統(tǒng)提供了新的可能。

3 模型訓(xùn)練與結(jié)果分布

為了驗(yàn)證本文構(gòu)建的多源聯(lián)合分析罪名預(yù)測數(shù)據(jù)集的效果，在該數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)及分析。

3.1 實(shí)驗(yàn)設(shè)置

數(shù)據(jù)集劃分：本文在上一節(jié)構(gòu)造的數(shù)據(jù)集的基礎(chǔ)上按照每一類罪名85%、5%、15%的比例劃分了訓(xùn)練集、驗(yàn)證集、測試集，數(shù)據(jù)規(guī)模如表3所示。

表3 數(shù)據(jù)集分布Table 3 Dataset distribution

評價(jià)指標(biāo)：本文采用的評價(jià)指標(biāo)參考CAIL2018 評測中罪名預(yù)測的評價(jià)指標(biāo)[23]，假定數(shù)據(jù)集中共有M類罪名，對每一類罪名i，計(jì)算得出TPi（真陽性）、TNi（真陰性）、FPi（假陽性）、FNi（假陰性）。宏平均指標(biāo)計(jì)算公式如下：

微平均指標(biāo)計(jì)算公式如下：

3.2 基線模型

本文主要實(shí)現(xiàn)了基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基線模型。

3.2.1 基于機(jī)器學(xué)習(xí)的模型

機(jī)器學(xué)習(xí)方法主要采取了數(shù)據(jù)預(yù)處理、特征工程和模型選擇三個(gè)步驟。數(shù)據(jù)預(yù)處理主要包括分詞、去除停用詞等步驟。特征工程主要提取句子中的一元分詞（unigram）和二元分詞（bigram）的詞頻逆文檔頻率（TFIDF）。模型選擇部分本文選擇了以下四個(gè)機(jī)器學(xué)習(xí)算法：

（1）支持向量機(jī)（SVM）[24]

（2）基于高斯分布先驗(yàn)的樸素貝葉斯（Gaussian naive Bayes，GNB）[25]

（3）梯度提升樹（gradient boosting decision tree，GBDT）[26]

（4）隨機(jī)森林（random forest classifier，RFC）[27]

3.2.2 基于深度學(xué)習(xí)的模型

LSTM[16]：先用一個(gè)雙向LSTM 得到句子的上下文表示，然后通過兩層LSTM提取高層語義特征，取序列尾部的隱層向量送入分類器分類。

TextCNN[17]：使用大小分別為2、3、4、5 的一維卷積核建模文本的局部特征，再通過最大池化層提取特征，拼接不同卷積核的特征后送入分類器分類。

DPCNN[18]：如圖1所示。

CRNN[19]：用CNN提取局部特征后，通過兩層LSTM提取序列特征，取序列尾部的隱層向量送入分類器分類。

3.2.3 超參數(shù)設(shè)置

本文采用基于百度百科預(yù)訓(xùn)練的中文300 維詞向量[28]，學(xué)習(xí)率為0.000 3，訓(xùn)練最大輪次為50 輪，dropout值為0.5。LSTM的隱藏層維度為256，由于裁判文書和庭審文書的長度不同，LSTM 針對兩類文本的最大序列長度分別設(shè)置為300 和2 000。CNN 的輸出通道數(shù)為250。

3.3 實(shí)驗(yàn)結(jié)果

綜合分析表4實(shí)驗(yàn)結(jié)果，可以得出一些結(jié)論：（1）基于深度學(xué)習(xí)的模型效果遠(yuǎn)高于機(jī)器學(xué)習(xí)的方法，說明在判決預(yù)測任務(wù)上深度學(xué)習(xí)方法確實(shí)提取特征的能力更強(qiáng)。（2）機(jī)器學(xué)習(xí)方法中，梯度提升樹算法的效果遠(yuǎn)優(yōu)于其他機(jī)器學(xué)習(xí)算法，但與深度學(xué)習(xí)算法的表現(xiàn)尚有一段差距。（3）深度學(xué)習(xí)算法中卷積神經(jīng)網(wǎng)絡(luò)類算法的整體表現(xiàn)優(yōu)于循環(huán)神經(jīng)網(wǎng)絡(luò)的表現(xiàn)，其中TextCNN模型表現(xiàn)最佳，說明裁判文書中的局部特征對于罪名預(yù)測任務(wù)有重要價(jià)值。

表4 裁判文書罪名預(yù)測分類實(shí)驗(yàn)結(jié)果Table 4 Experimental results of charge prediction classification of judgment documents

結(jié)合表4 與表5 的實(shí)驗(yàn)結(jié)果，可以得出一些新的結(jié)論：（1）庭審文書的實(shí)驗(yàn)結(jié)果與裁判文書對比可發(fā)現(xiàn)，整體上實(shí)驗(yàn)結(jié)果遜色于裁判文書的結(jié)果。這可能由兩部分原因構(gòu)成，一是庭審文書的文本長度較長，且表達(dá)過于口語化，這對于模型的文本建模能力提出了巨大挑戰(zhàn)，二是庭審文書中部分?jǐn)?shù)據(jù)記錄并不十分詳細(xì)，只記錄了一些司法審判的程序性對話內(nèi)容，不包含案件的細(xì)節(jié)性信息。（2）LSTM 模型和CRNN 模型在裁判文書上效果較好，但是在庭審文書上模型效果崩潰。這可能是由于庭審文書文本長度過長，循環(huán)神經(jīng)網(wǎng)絡(luò)在時(shí)間步上進(jìn)行反向梯度傳播時(shí)會導(dǎo)致梯度消失，從而導(dǎo)致模型參數(shù)無法得到有效訓(xùn)練。（3）Text-CNN 模型和DPCNN 模型依然表現(xiàn)最為良好，說明卷積神經(jīng)網(wǎng)絡(luò)較適用于長文本的建模，也表明了庭審文書在一定程度上也可以作為罪名預(yù)測的原始文本，盡管其效果遜色于裁判文書，但是庭審文書不需要專業(yè)的司法人員撰寫，獲取成本較低，可作為切入罪名預(yù)測任務(wù)的另一角度。

表5 庭審文書罪名預(yù)測分類實(shí)驗(yàn)結(jié)果Table 5 Experimental results of charge prediction classification of court documents

為研究裁判文書和庭審文書的互補(bǔ)性，本文進(jìn)一步結(jié)合兩類文本進(jìn)行罪名預(yù)測研究。對于機(jī)器學(xué)習(xí)模型，本文將兩個(gè)文本拼接起來輸入到機(jī)器學(xué)習(xí)模型中。對于深度學(xué)習(xí)，鑒于循環(huán)神經(jīng)網(wǎng)絡(luò)在長文本中的不佳表現(xiàn)，且其訓(xùn)練時(shí)間較長，因此未進(jìn)行相關(guān)實(shí)驗(yàn)。而Text-CNN 和DPCNN 模型，則分別建模兩個(gè)文書后，拼接其隱藏層向量再送入分類器分類。實(shí)驗(yàn)結(jié)果如表6所示。

表6 裁判文書結(jié)合庭審文書罪名預(yù)測分類實(shí)驗(yàn)結(jié)果Table 6 Experimental results of charge prediction classification of judgement documents combining court documents

從表6 實(shí)驗(yàn)結(jié)果可看出：（1）SVM、GNB 和RFC 模型效果相較于單一的庭審文書的結(jié)果略有上升，但是較單一的裁判文書的結(jié)果相差較遠(yuǎn)。這可能是兩類文本拼接會導(dǎo)致“噪聲”，“噪聲”對模型的影響占主導(dǎo)作用。（2）對于GBDT、TextCNN和DPCNN這些文本建模能力較強(qiáng)的模型，兩類文本聯(lián)合分析的實(shí)驗(yàn)結(jié)果優(yōu)于任一單一文本的實(shí)驗(yàn)結(jié)果。說明庭審文書確實(shí)在一定程度上豐富了裁判文書的信息，兩者具有一定的互補(bǔ)關(guān)系，也側(cè)面驗(yàn)證了GBDT、TextCNN和DPCNN模型的魯棒性，能夠消除兩類文本中的“噪聲”因素，提取有效的司法語義信息。

3.4 消融實(shí)驗(yàn)

為研究不同領(lǐng)域的預(yù)訓(xùn)練詞向量對模型的影響，本文采用Li等人[26]在百度百科、人民日報(bào)和微博等語料上預(yù)訓(xùn)練的詞向量，分別評估對實(shí)驗(yàn)結(jié)果的影響。實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 詞向量對模型的影響Fig.4 Influence of word vector on model

分析圖4可得：（1）對裁判文書分析，人民日報(bào)詞向量的實(shí)驗(yàn)結(jié)果最好，微博詞向量的實(shí)驗(yàn)結(jié)果不佳，可能是由于裁判文書與人民日報(bào)都是書面性表達(dá)。（2）對庭審文書分析，微博詞向量表現(xiàn)最佳，人民日報(bào)詞向量表現(xiàn)不佳，這可能是由于庭審文書與微博均為口語性表達(dá)。（3）對兩類文書聯(lián)合分析時(shí)，百度百科詞向量結(jié)果表現(xiàn)最佳，可能是由于百度百科詞向量的詞匯覆蓋度較好，能夠兼顧兩類文書的詞匯表達(dá)進(jìn)行向量表示。

4 結(jié)束語

針對目前罪名預(yù)測任務(wù)主要基于單一的裁判文書，可能存在案件細(xì)節(jié)缺失的問題，本文構(gòu)建了一個(gè)結(jié)合裁判文書和庭審文書的多源聯(lián)合分析司法罪名預(yù)測數(shù)據(jù)集，并采用了一系列機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型驗(yàn)證兩類文書在罪名預(yù)測任務(wù)中的作用。實(shí)驗(yàn)結(jié)果表明，兩類文書在信息上確實(shí)存在一定的互補(bǔ)性，可以提升罪名預(yù)測任務(wù)的準(zhǔn)確性。

在下一步工作中，將從兩方面延續(xù)本文的研究內(nèi)容：（1）繼續(xù)挖掘庭審文書中的多人對話文本結(jié)構(gòu)，嘗試采用一些對話建模技術(shù)進(jìn)一步提升分析庭審文書的能力。（2）將該數(shù)據(jù)集的任務(wù)繼續(xù)拓展到法條預(yù)測、刑期預(yù)測、司法問答等其他法律智能領(lǐng)域之中，以新的角度看待法律智能面臨的各個(gè)問題，進(jìn)一步促進(jìn)法律人工智能的落地與應(yīng)用。