基于因果图分析的可解释司法判决预测方法研究

Abstract

随着人工智能技术的发展和海量司法数据的公开，面向“智慧司法”服务的司法判决预测（legal judgment prediction，LJP）任务受到了学术界和工业界的广泛关注，该任务旨在根据有限的案件事实描述文本来预测案件的罪名、法条和刑期。然而，现有工作缺乏对易混淆司法案件的智能决策的研究，且相关模型通常缺乏可解释性，这会导致模型预测严重依赖领域专家，阻碍LJP在不同法律体系中的应用。为此，提出了一种基于因果图分析的司法判决预测（prediction of legal judgment based on causal graph analysis， CGLJ）方法，首先从非结构化的法律事实描述文本中挖掘要素之间的因果关系，然后采用易混淆罪名聚类的构图方法构建因果图，既考虑了相似事实描述之间的差异，又增强了事实描述和法律法规之间的相互作用，最后将构建好的因果图融入深度神经网络进行联合推理，得到判决预测结果。此外，还对模型预测过程中的因果图推理过程进行了可视化，为判决结果提供了更好的可解释性。在2018中国“法研杯”司法人工智能挑战赛（CAIL2018）司法判决预测数据集上的实验结果表明，该方法相比基线模型取得了更好的效果。

Keywords

• 司法判决预测
• 因果图
• 可解释性