文献类型：期刊文章

作　　者：刘宗林[1] 张梅山[1] 甄冉冉[1] 公佐权[2] 余南[1] 付国宏[1]

LIU Zonglin;ZHANG Meishan;ZHEN Ranran;GONG Zuoquan;YU Nan;FU Guohong(Heilongjiang University,Harbin150080,China;School of Information,Guizhou University ofFinance and Economics,Guiyang550025,China)

机构地区：[1]黑龙江大学计算机科学技术学院,哈尔滨150080 [2]贵州财经大学信息学院,贵阳550025

出　　处：《清华大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(61672211,61602160,U1836222);黑龙江省自然科学基金资助项目(F2016036)

年　　份：2019

卷　　号：59

期　　号：7

起止页码：497-504

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：作为新兴的智慧法院技术之一,基于案情描述文本的法律判决预测越来越引起自然语言处理界的关注。罪名预测和法条推荐是法律判决预测的2个重要子任务。这2个子任务密切相关、相互影响,但常常当作独立的任务分别处理。此外,罪名预测和法条推荐还面临易混淆罪名问题。为了解决这些问题,该文提出一种多任务学习模型对这2个任务进行联合建模,同时采用统计方法从案情描述中抽取有助于区分易混淆罪名的指示性罪名关键词,并将它们融入到多任务学习模型中。在CAIL2018法律数据集上的实验结果表明:融入罪名关键词信息的多任务学习模型能够有效解决易混淆罪名问题,并且能够显著地提高罪名预测和法条推荐这2个任务的性能。

关 键 词：法律判决预测  多任务学习 罪名关键词  

分 类 号：D926[法学类] TP391.1]