SECaps：一种用于罪名预测的序列增强胶囊模型
人工智能
2019-09-12 v2
摘要
自动罪名预测旨在根据给定刑事案件的事实描述预测适当的终结罪名。自动罪名预测在辅助法官和律师提升法律决策效率方面发挥着关键作用，因此受到了广泛关注。然而，现有大多数自动罪名预测工作在高频罪名上表现良好，但尚无法在案件数量有限的少样本罪名上做出准确预测。本文提出一种序列增强胶囊模型，称为 SECaps 模型，以缓解该问题。具体而言，遵循胶囊网络的工作，我们提出 seq-caps 层，其同时考虑法律文本的序列信息与空间信息。随后我们设计了一个注意力残差单元，为罪名预测提供辅助信息。此外，我们的 SECaps 模型引入 focal loss，缓解了罪名不均衡问题。与最先进（SOTA）方法相比，我们的 SECaps 模型在 Criminal-S 和 Criminal-L 数据集上于 Macro F1 指标下分别获得了 4.5% 和 6.4% 的绝对显著提升。实验结果一致证明了我们所提模型的优越性与竞争力。
引用
@article{arxiv.1810.04465,
title = {SECaps: A Sequence Enhanced Capsule Model for Charge Prediction},
author = {Congqing He and Li Peng and Yuquan Le and Jiawei He and Xiangyu Zhu},
journal= {arXiv preprint arXiv:1810.04465},
year = {2019}
}
备注
13 pages, 3figures, 5 tables