公开(公告)号：CN111597331A

公开(公告)日：2020-08-28

申请号：CN201911385776.9

申请日：2019-12-29

Applicant: 东南大学

Inventor： 吕建华 ,  应镕嵘 ,  张柏礼

IPC: G06F16/35 ,  G06F40/289 ,  G06Q50/18 ,  G06N5/04 ,  G06N7/00

Abstract: 本发明涉及一种基于贝叶斯网络的裁判文书分类方法，包括以下步骤：提取基本法律要素；构建法律要素关系网络；提取关联特征；构建裁判文书贝叶斯网络；构建联合树推理模型，进行推理分类。本发明通过基于平均信息熵的权重指标体系对法律要素的主题表现力进行评估，有效过滤了干扰信息，提高了法律要素提取的准确率；基于异构信息网络的法律要素关系模型，有效地表示了文本数据；基于Network Embedding的关联特征提取算法有效解决了传统文本向量化算法受上下文窗口大小限制的问题，能够有效地捕捉法律要素之间的关联关系；基于关联特征的贝叶斯网络结构学习算法能够保证图的连通性，学习到对于裁判文书来说最优的网络结构。

公开(公告)号：CN111597331B

公开(公告)日：2023-05-02

申请号：CN201911385776.9

申请日：2019-12-29

Applicant: 东南大学

Inventor： 吕建华 ,  应镕嵘 ,  张柏礼

IPC: G06F16/35 ,  G06F40/289 ,  G06Q50/18 ,  G06N5/04 ,  G06N7/01

Abstract: 本发明涉及一种基于贝叶斯网络的裁判文书分类方法，包括以下步骤：提取基本法律要素；构建法律要素关系网络；提取关联特征；构建裁判文书贝叶斯网络；构建联合树推理模型，进行推理分类。本发明通过基于平均信息熵的权重指标体系对法律要素的主题表现力进行评估，有效过滤了干扰信息，提高了法律要素提取的准确率；基于异构信息网络的法律要素关系模型，有效地表示了文本数据；基于Network Embedding的关联特征提取算法有效解决了传统文本向量化算法受上下文窗口大小限制的问题，能够有效地捕捉法律要素之间的关联关系；基于关联特征的贝叶斯网络结构学习算法能够保证图的连通性，学习到对于裁判文书来说最优的网络结构。