Python 3.5
numpy==1.14.2
jieba==0.39
pandas==0.22.0
tensorflow==1.8.0
Keras==2.1.6
scikit-learn==0.19.1
为了促进法律智能相关技术的发展，在最高人民法院信息中心、共青团中央青年发展部的指导下，中国司法大数据研究院、中国中文信息学会、中电科系统团委联合清华大学、北京大学、中国科学院软件研究所共同举办“2018中国‘法研杯’法律智能挑战赛（CAIL2018）”。
官方网站: http://cail.cipsc.org.cn
域名: http://180.76.238.177
GitHub: https://github.com/thunlp/CAIL
- 任务一
罪名预测：根据刑事法律文书中的案情描述和事实部分，预测被告人被判的罪名 - 任务二
法条推荐：根据刑事法律文书中的案情描述和事实部分，预测本案涉及的相关法条 - 任务三
刑期预测：根据刑事法律文书中的案情描述和事实部分，预测被告人的刑期长短
这次采用的是第一阶段CAIL2018-Small数据，包括19.6万份文书样例，包括15万训练集，1.6万验证集和3万测试集。
{'fact': '昌宁县人民检察院指控，2014年4月19日下午16时许，被告人段某驾拖车经过鸡飞乡澡塘街子，......',
'meta': {'accusation': ['故意伤害'],
'criminals': ['段某'],
'punish_of_money': 0,
'relevant_articles': [234],
'term_of_imprisonment': {'death_penalty': False,
'imprisonment': 12,
'life_imprisonment': False}}}
字段及意义:
- fact: 事实描述
- meta: 标注信息，标注信息中包括:
- criminals: 被告(数据中均只含一个被告)
- punish_of_money: 罚款(单位：元)
- accusation: 罪名
- relevant_articles: 相关法条
- term_of_imprisonment: 刑期
刑期格式(单位：月)
- death_penalty: 是否死刑
- life_imprisonment: 是否无期
- imprisonment: 有期徒刑刑期
共涉及202条罪名，183条法条，刑期长短包括0-25年、无期、死刑。
这个模块主要包含三大块：
- 数据预处理 data_utils
- 模型 model
- 预测 precditor
由于时间和任务的关系，这一次我只利用了第一阶段的数据实现了罪名预测和法条推荐两个任务，两个任务使用相同的模型结构。
数据预处理的功能主要包含在data_utils中，包括数据预处理各类功能函数集合data_processing.py和对数据进行实际预处理的数据准备模块data_preparation.py。
- 基本流程：
- 分别对train、test和valid数据进行分词并清洗；
- 输入分好词的结果，使用keras的数据预处理工具把词语列表转化为词典，取频率最高的前40000个词语（数值可自定义）。事实证明词典大小对结果影响也是相当大的。
- 根据词典，利用
texts_to_sequences功能把词语列表转为序列（数字）列表，不在词典中的词语去掉； - 序列的长度固定为400（也可自定义，对后续的结果也是有一定的影响），利用
pad_sequences对序列进行截断（长度大于400）或补全（长度少于400的补0）。
- 数据预处理要点：
- 对文本进行分词进行分词，只保留长度大于1的词语（即去除单个字的）；
- 部分案情陈述中都有的涉案金额，但金额数量比较零散，不同意，容易导致在分词后建立词典时被筛掉，所以需要对涉案金额进行化整处理； 即预先订好固定的金额区间，如“50, 100, 200, 500, 800, 1000, 2000, 5000”，然后把处于对应区间的金额转化为固定的金额数值；
- 去掉部分停用词，查阅了部分案情陈述后发现，大部分的案情陈述都涉及相同或类似的词语，如“某某，某某乡，某某县，被告人，上午，下午”等。 这类词语词频相当高，需要把他们去掉，以免影响对数据进行干扰。
在这个项目的时候，对RNN和LSTM还不是很了解，所以主要使用了CNN和TextCNN去做，而且对比起RNN，CNN在时间成本上更有优势。
CNN模型结构：
TextCNN模型结构：
