©PaperWeekly 原创 · 作者 | 金金

单位 | 阿里巴巴研究实习生

研究方向 | 推荐系统

简介

法律判决预测是民法系统法律智能中的一项基本任务，旨在自动预测指控、法律条文和刑期预测等多个子任务的判决结果。现有的研究主要集中在整个事实描述对所有子任务的影响。他们忽视了实际的司法场景，即法官采用犯罪情节（即事实的各个部分）来决定判决结果。

为此，在本文中，作者通过探索犯罪情节，提出了一个环境感知的法律判断预测框架（即 NeurJudge）。具体来说，NeurJudge 利用中间子任务的结果将事实描述分成不同的情况，并利用它们对其他子任务进行预测。此外，考虑到困难的判决（即罪名和法条）的流行，作者进一步将 NeurJudge 扩展到一个更全面的框架，由 NeurJudge+ 表示。特别是，NeurJudge+ 利用标签嵌入方法将标签（即罪名和法条）的语义合并到事实中，以生成更具表现力的事实表示，以解决困难的判决问题。

在两个真实世界数据集上的大量实验结果清楚地验证了本文提出的框架的有效性。

论文标题：

NeurJudge: A Circumstance-aware Neural Framework for Legal Judgment Prediction

论文来源：

SIGIR 2021

论文链接：

https://dl.acm.org/doi/pdf/10.1145/3404835.3462826

模型

本文首先定义了一个案件描述中具备的三种部分：决定判决的部分（ADC），决定刑期的部分（SSC）和对刑期有影响的部分（DSC），并给出了他们直接的关系。

在此基础上，作者提出了一个基础的判决预测框架，该框架首先根据相关罪名将 ADC 和 SEC 从事实中分离出来，并采用 ADC 来预测相应的法条。接下来，根据预测的法条，从 SEC 中识别出 SSC 和 DSC，并利用它们来预测刑期。

此外，为了缓解困难的判决问题并提高 NeurJudge 的性能，作者在 NeurJudge 的基础上提出了一个扩展模型（由 NeurJudge+ 表示），采用基于图的标签嵌入方法。特别是，作者利用标签（即罪名和法条）的描述来构建两个标签的相似图。然后，作者通过分解策略从图中提取特殊标签特征。通过这些特征和事实描述之间的相互作用，捕获案例中可区分的组成部分，可以获得更具表现力的事实表示并将其合并到 NeurJudge 中以提高其性能。

实验

作者在中的 CAIL 数据集上进行了实验，首先对比了不使用 BERT 的模型效果，本文的模型也使用了 GRU 的编码器，发现本文模型取得了显著更好的效果。

另外和 BERT 的模型比较，本文的模型也取得了显著更好的效果。

结论

在本文中，作者提出了一个环境感知框架（即 NeurJudge）来模拟判断过程以提高 LJP 的性能。 具体来说，NeurJudge 通过利用中间子任务的结果，利用 CCFS 将事实分为不同的情况，并利用这些情况的表示来预测相应的任务。

此外，为了解决困难的判决问题，作者在 NeurJudge 的基础上设计了一个扩展，用 NeurJudge+ 表示。特别是，通过从标签相似度图中提取的标签特征与事实描述之间的相互作用，NeurJudge 中加入了更具表现力的事实表示，以做出更准确的预测。对两个真实世界数据集的大量实验证明了 NeurJudge 和 NeurJudge+ 的优越性。

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

???? 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

???? 投稿通道：

• 投稿邮箱：hr@paperweekly.site

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·