从图到词袋：引入领域知识以解决混淆罪名预测

混淆罪名预测是法律 AI 中的一项挑战性任务，涉及基于事实描述预测混淆罪名。虽然现有的罪名预测方法已显示出令人印象深刻的性能，但在处理如抢夺罪与抢劫罪等混淆罪名时仍面临重大挑战。在法律领域，犯罪构成要件在区分混淆罪名中起着关键作用。犯罪构成要件是刑事惩罚背后的基本行为，不同罪名之间存在细微差别。本文介绍了一种新颖的“从图到词袋”(FWGB) 方法，该方法引入关于犯罪构成要件的领域知识，以指导模型对混淆罪名做出判断，类似于法官的推理过程。具体而言，我们首先构建一个包含犯罪构成要件的法律知识图谱，以帮助为每个罪名选择关键词，形成词袋。随后，为了引导模型关注上下文中每个罪名的区分信息，我们扩展了注意力机制，并通过词袋中的词语引入了一种带有注意力监督的新损失函数。我们从真实世界的司法文书中构建了混淆罪名数据集。实验证明了该方法的有效性，特别是在保持不平衡标签分布下的卓越性能方面。