论文解析 | 罪行预测

2018 年 8 月 7 日 黑龙江大学自然语言处理实验室

| 作者：黑龙江大学nlp实验室研究生刘宗林

导读

2017年EMNLP(Conference on Empirical Methods in Natural Language)收录了论文《Learning to Predict Charges for Criminal Cases with Legal Basis》，作者是北京大学—罗炳峰。最近看了这篇论文，对其做一个简单的概述。

背景知识

近些年来，Legal Jugement Prediction 任务越来越引起大家的关注，这个任务的目的是通过给定的事实描述，预测出罪名，法条以及刑期等相关信息，charge prediction 任务就是这样的一个任务，这对一些法律助手是很有帮助的，对法官判决也有很大的帮助，不仅如此，对那些法律知识知之甚少的人也会有一定的积极作用。

目前，这类任务的主流做法是基于文本分类的框架，像流行的SVM，CNN，LSTM等这些深度学习框架，然而，作者认为，仅仅通过给定的事实描述来做，不能够很好的解决问题，他认为，法条信息在这个任务上有很重要的作用，所以，作者通过加入法条特征，使用attention机制，提出了这个任务新的方法，通过他的实验结果也确实表明法条起着至关重要的作用。

数据处理

数据来源于中国裁判文书网，收集了50000个文本用作训练，5000个文本用于开发，5000个文本用于测试，50000个训练文本中，把罪名的频度低于80的看做消极数据，不作处理，仅仅处理频度高于80的数据。

对于法条部分，考虑刑事法律，结果数据集中包含50个不同的罪名，321条不同的相关法条，每个事实描述平均383个词，根据下图，高亮的部分，能够很容易通过正则表达式抽取相关特征。

由于目前很难匹配多个罪名，所以这篇论文仅仅考虑了一个罪名的情况，并没有做多个罪名的情况。

论文模型

模型整体架构

论文的整体的模型图如下图Figure 1:

过程：

事实描述（fact）通过document encoder生成fact向量表示d_f。
fact也通过Article Extractor抽取其中的匹配度较高的k个法条。
抽取出来的k个法条通过document encoder生成向量表示s。然后通过article Aggregator生成法条的最终向量表示d_a。
把 d_f 和 d_a concat在一起，做分类。

Document Encoder

一个句子由多个词组成，一个文本由多个句子组成，可以先过句子级别的encoder，再过文本级别的encoder。如下图可以得到文本的embedding。论文中对这两个encoder都采用了Bi-GRU作为编码端，为了能够获取到更多的信息，论文还采用了attention机制。

Attention Sequence Encoder

为了能够获取更多的有用信息，采用了Hierarchical Attention（16年的一篇文本分类的论文），模型结构图如下图

计算的公式是：

这样就能够明白Figure 1 中的 U_fw 和 U_fs是这里Attention机制的u。

Law Articles

用法条特征来更准确的预测是这篇论文的重点。如何准确的抽取出法条特征也是一个难点，论文中采用了两个步骤来获取特征向量。

首先采用一个快速且容易的SVM分类器，做多个二分类，过滤掉大部分不匹配的法条，得到k的最为匹配的相关法条，分类器还加入了TF-IDF特征、chi-square，更为准确的获取相关法条。
抽取出k个相关法条之后，再通过Article Encoder(和Document Encoder一样)获取法条的向量表示，这里不同的是attention中的u不在是随机的，而是通过fact embedding动态产生的，通过下面的公式。
最后在通过Attentive Sequence Encoder从k个法条中获取到支持预测的法条，这里的u也是通过fact embedding动态产生的。