基于卷積神經(jīng)網(wǎng)絡的輔助分案方法研究

敖紹林，秦永彬,2，黃瑞章,2，陳艷平,2，劉麗娟，鄭慶華，陳昌恒，程少芬

1. 貴州大學計算機科學與技術學院，貴州 貴陽 550025；2. 公共大數(shù)據(jù)國家重點實驗室，貴州 貴陽 550025；3. 貴州師范學院，貴州 貴陽 550025；4. 西安交通大學計算機科學與技術學院，陜西 西安 710049；5. 貴州省高級人民法院，貴州 貴陽 550081

0 引言

案件分配是訴訟程序的重要環(huán)節(jié)，也是審判管理的重要內(nèi)容，對合理調(diào)配法院審判資源、激發(fā)法官辦案積極性具有關鍵作用。我國法院分案制度改革的歷史脈絡大致是從人工指定分案發(fā)展為計算機隨機分案。目前我國各級法院的分案方法還是簡單隨機分案，具體表現(xiàn)是以法官分配到的案件數(shù)量相等為目標的均衡分案和不考慮法官專業(yè)能力、案件性質(zhì)的完全隨機分案（比如搖號分案），存在人案不適問題。

隨著國家提出建設智慧法院[1]和實行員額制改革，現(xiàn)有分案方法已無法適應新型辦案機制。在員額制改革的背景下，法官團隊進一步實現(xiàn)專業(yè)化、精英化、職業(yè)化。筆者認為應將案件分配給擅長審判這類案件的法官。針對上述問題，本文的研究目標是將案件自動分配給擅長審判此類案件的法官，形成專業(yè)化的辦案模式，避免司法腐敗，提高辦案質(zhì)效。然而，實現(xiàn)自動分案目前還存在以下兩個研究難點。

● 表示困難。法院系統(tǒng)存儲了法官的基本信息和歷史審判數(shù)據(jù)，其中多為文本信息和元數(shù)據(jù)。如何在法官表示中融合法官抽象語義特征并體現(xiàn)法官擅長的審判領域是實現(xiàn)自動分案的一個難點。

● 匹配困難。如何將案件表示和法官表示自動映射到一個高階語義空間，自動獲取案件表示和法官表示中的關聯(lián)語義信息，計算案件和法官匹配度是實現(xiàn)自動分案的另一個難點。

針對以上難點，本文提出融合審判質(zhì)量的法官表示方法，以突出法官擅長的審判領域。利用案情事實描述表示案件，然后利用三元組損失（triplet loss）技術調(diào)節(jié)卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN），使其更好地學習法官表示和案件表示的語義特征向量。本文主要貢獻如下。

● 提出一種融合案件審判質(zhì)量的法官表示方法。通過審判質(zhì)量評價指標，得出法官在各類案件下的審判質(zhì)量權重。利用法官審判質(zhì)量高的案件語義特征表示法官擅長的審判領域，從而在法官表示中融合法官擅長領域的抽象語義信息。

● 提出利用CNN學習案件和法官的語義特征向量，通過相似性函數(shù)自動計算案件和法官的匹配度。該方法構造了一個三元組，該三元組由案件表示、擅長審判此案件的法官表示和不擅長審判此案件的法官表示組成。在高階語義空間中，利用三元組損失技術調(diào)節(jié)CNN，使其更好地學習案件表示和法官表示的語義特征向量，然后在非線性空間中計算案件和法官特征向量間的余弦相似度，用向量相似度表示案件和法官的匹配度。

本文的分案方法不同于均衡分案，更不同于庭長指定分案。該方法通過同時考慮法官擅長審判領域和案件信息實現(xiàn)自動分案，減少了案件分配過程中的人為干擾因素，以人案匹配為目標，實現(xiàn)公正、合理的分案。

1 相關工作

本文利用融合案件審判質(zhì)量表示法官，利用案情事實描述表示案件?；诰矸e神經(jīng)網(wǎng)絡和余弦相似度方法實現(xiàn)案件和法官的自動匹配。其主要工作涉及文本表示、裁判文書的分析與應用兩個方面。

早期的文本表示主要基于向量空間模型。代表方法是詞頻-逆文檔頻率（term frequency-inverse document frequency，TF-IDF）[2]。TF-IDF根據(jù)詞在文檔集中的重要度來表示文檔，忽略了詞的上下文關系，無法表示語義。這一時期的文本表示方法無法表示文本間詞的位置信息及上下文語義信息。文本分布式表示的提出旨在解決上述缺陷，早期主要是基于主題模型的方法，這類方法從文本庫中發(fā)現(xiàn)文本的代表性主題，由此計算每篇文檔的主題分布，代表方法有概率潛在語義分析（probabilistic latent semantic analysis，PLSA）模型[3]和隱含狄利克雷分布（latent Dirichlet allocation，LDA）模型[4]。裁判文書數(shù)據(jù)具有邏輯關系嚴謹、時序關系與因果關系明顯等典型特征，利用基于向量空間模型和主題模型的文本表示方法無法較好地體現(xiàn)其語義關系。近年來，深度學習技術的發(fā)展較好地提升了文本表征能力，這一類方法可被統(tǒng)稱為基于神經(jīng)網(wǎng)絡的文本表示方法。Bengio Y等人[5]在2003年提出神經(jīng)網(wǎng)絡語言模型（neural network language model，NNLM），用神經(jīng)網(wǎng)絡建模n-gram，進而得到表征單詞語義的詞向量。2013年，Mikolov T等人[6-7]提出著名的word2vec模型來訓練詞向量，語義上相似或相關的詞得到的表示向量相近。在word2vec之后詞的分布式表示技術得到了長足的發(fā)展。2014年Pennington J等人[8]提出Glove模型，對詞向量進行全局意義上的學習。2017年Bojanowski P等人[9]提出FastText模型，以學習詞的形態(tài)學信息。直到ELMo[10]、BERT（bidirectional encoder representation from transformer）[11]等模型被提出，文本語義表示才開始在考慮詞的形態(tài)學信息的同時兼顧上下文語義信息。另外，由于TF-IDF在特征提取方面存在缺點，2014年Kim Y[12]提出了Text-CNN模型，利用CNN捕捉局部特征能力強的特點，將句子經(jīng)過卷積層、池化層得到句子的表示，在文本分類任務上取得了不錯的效果。2019年馮興杰等人[13]提出基于多注意力的CNN問題相似度計算模型，與基于循環(huán)神經(jīng)網(wǎng)絡的模型相比，該模型對問句的識別能力更強。Chiu J P C等人[14]設計了一種雙向長短期記憶（bi-directional long short-term memory，Bi-LSTM）和CNN結合的神經(jīng)網(wǎng)絡模型，實驗證明了該模型能較好地獲得句子的結構化表示。

本文研究如何表示法官以突出法官擅長的審判領域，以及如何實現(xiàn)法官和案件的自動匹配。這涉及表示向量在非線性空間的高階語義匹配問題，本文研究利用深度學習方法獲取句子的抽象語義表示。

隨著國家司法信息化建設的推進，提高案件受理、審判、執(zhí)行、監(jiān)督等各環(huán)節(jié)的信息化水平，促進司法公平正義成為必然的趨勢，分案過程自動化、智能化對于促進國家司法信息化體系建設具有重要的推動作用。關于分案制度，最高人民法院在相關文件中多次對建立“隨機分案為主，指定分案為輔”的分案方式提出指導意見[15]。目前世界各國都在積極探索隨機分案制度。

在美國，州法院使用計算機進行隨機分案，而聯(lián)邦法院通過人為考慮案件的爭議點和復雜性實現(xiàn)分案[16-17]。在德國[18]，先對案件的分配工作做出安排，在之后的一個審判年度內(nèi)，新受理案件都必須按照預先安排進行分配。在中國，北京國雙科技有限公司[19]通過建立案件、法官實體數(shù)據(jù)以及兩者之間的關系，利用分案因素，從法官實體數(shù)據(jù)中匹配法官列表，將待分配案件隨機分配給法官列表中的法官。廣州大學[20]基于機器學習方法和人工決策相結合的模式實現(xiàn)自動分案。陳芳序[21]以法官工作量為導向，打破以往以案件為導向的分案思維，利用統(tǒng)計學相關知識進行Pearson相關性分析，實現(xiàn)對案件工作量的評估，從而確認法官工作量，在工作量較小的N-1個法官中隨機選擇一個法官分配案件。該方法為了平衡法官工作量，只考慮案件因素實現(xiàn)分案，往往會造成人案不適，降低公眾對司法的信任。王小新[22]以江蘇省法院試行的刑事案件難易程度權重為基礎，通過將案件審理難度看作二分類問題，利用Logistic回歸方法構建個案審理難度評估模型，判斷不同法官審理同一案件的難度系數(shù)，以全院審理案件難度系數(shù)最小為約束實現(xiàn)案件的最優(yōu)分配。

在這些研究的基礎上，本文提出基于卷積神經(jīng)網(wǎng)絡模型的輔助分案方法。針對現(xiàn)有方法存在的人案不適、人情案、關系案等弊端，提出一種融合案件審判質(zhì)量的法官表示方法，利用法官審判質(zhì)量高的案件語義特征表示法官擅長的審判領域，從而在法官表示中融合法官擅長領域的抽象語義信息。最后，利用卷積神經(jīng)網(wǎng)絡實現(xiàn)案件與法官的匹配，從而實現(xiàn)高效率分案。

2 分案模型的實現(xiàn)

本文基于卷積神經(jīng)網(wǎng)絡獲取法官和案件的語義特征表示，利用相似性函數(shù)計算案件和任何一個法官的匹配度，再通過分案模塊得出推薦法官。本文方法的分案流程如圖1所示，主要包括案件審判質(zhì)量評價模塊、表示模塊、匹配度估算模塊、分案模塊。

圖1 本文方法的分案流程

本文首先對數(shù)據(jù)進行預處理，通過表示模塊得到案件和法官的表示。通過匹配度估算模塊自動計算案件和法官的匹配度，得出案件和任何一個法官的匹配度。最后基于分案模塊將案件和所有法官的匹配度按大小排序，輸出匹配度較大的前N個法官，即案件推薦的TopN個承辦法官。

2.1 融合案件審判質(zhì)量的法官表示方法

傳統(tǒng)案件分配僅將案由作為唯一分案標準，忽略了法官擅長的審判領域，無法保證為案件分配的法官擅長審判此類案件，常常造成人案不適。為了解決這一問題，本文提出融合案件審判質(zhì)量的法官表示方法，以突出法官專長。法官的歷史審判案件眾多，不同案件的審判質(zhì)量高低不同。本文認為法官審判質(zhì)量較高的案件就是法官擅長審判的案件，利用這類案件語義信息能反映法官的專長、判案思維、審判習慣。

2011年最高人民法院在《關于開展案件質(zhì)量評估工作的指導意見》[23]中公布了31項用于評估法院整體案件審判質(zhì)量的指標。本文從中選取一審改判發(fā)回重審率、案均審理時間、法定正常審限內(nèi)結案率3個指標評估法官個人對案件的審判質(zhì)量。法官對任何一類案件的審判質(zhì)量權重計算如下：

其中，wj表示法官對任何一類案件的審判質(zhì)量權重；j=1,…,m表示案由數(shù)，則每一個法官在m類案由下有m個權重值；?、γμj是調(diào)節(jié)因子；θ表示法定正常審限內(nèi)結案率；α表示一審改判發(fā)回重審率；β表示案均審理時間。分子分母加1的目的是對式子進行平滑處理。

在m類案由下，比較同一法官不同類別下的wj值，權重值越高，法官對該類案件的審判質(zhì)量越高。本文認為審判質(zhì)量最高的這類案件是法官擅長審判的案件。由此可以得到任何一個法官擅長審判的案件類型和不擅長審判的案件類型，保證后續(xù)實驗合理構建三元組數(shù)據(jù)。通過對裁判文書的分析，筆者發(fā)現(xiàn)案情事實描述是案件判決的主要依據(jù)。由此，本文抽取案情事實描述構成案件的表示。法官的表示則由多個案件的案情特征構成。

實驗時考慮到法官表示文本的長度，規(guī)定構成法官表示的案件個數(shù)為5。本文通過設定參數(shù)ε改變構成法官表示的案件語義特征。ε表示構成法官表示的案件中有多少案件屬于其審判質(zhì)量較高的案件類別。當ε的值大于0.5時，構成法官表示的案件中超過50%的案件屬于其審判質(zhì)量較高的案件。筆者認為，ε值越接近1，法官表示的抽象語義越能體現(xiàn)法官擅長的審判領域。

2.2 基于CNN的案件與法官自動匹配方法

CNN是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡，其特有的卷積和池化結構能以較小的計算量提取有價值的特征。句子中具有豐富的語義信息，CNN可以利用多個不同尺寸的卷積核從不同角度獲取句子豐富的語義特征。本文采用CNN處理案件和法官表示文本，獲取案件和法官的抽象語義表示，用相似度函數(shù)計算向量相似度，自動評估法官和案件的匹配度?；贑NN的匹配模型結構如圖2所示。

圖2 基于CNN的匹配模型結構

本文利用CNN獲取案件和法官表示，借鑒人臉識別的思想，采用三元組損失來調(diào)節(jié)CNN的網(wǎng)絡結構，使其更好地學習案件和法官的語義特征表示。人臉識別任務指輸入一張人臉圖像，在數(shù)據(jù)集中尋找同一個人的圖像。通常的做法是構建三元組（a,p,n）。其中，a是基準正例，表示輸入圖像；p是正例，表示與輸入圖像中的人物是同一個人的圖像；n是負例，表示與輸入圖像中的人物是不同人的圖像。此類檢索任務常用三元組損失調(diào)整網(wǎng)絡參數(shù)，目標是使同類照片在編碼空間中的距離盡量小，使不同類照片在編碼空間中的距離盡量大。上述三元組損失的目標函數(shù)是：

其中，d(a,p)、d(a,n)分別表示a和p、a和n的向量的距離，margin是閾值參數(shù)。通過最小化L，d(a,p)趨于0，d(a,n)遠大于d(a,p)與margin的和。

將上述x到f(x)的映射變換過程進行形式化表示。令L=l1,l2,l3,…，表示案情事實描述，其中l(wèi)i表示文本中的第i個字。在嵌入層，基于預訓練的中文維基百科字向量表W，每一個li都被映射成一個向量。其中，W∈RS×K，S表示字典大小，K表示向量維度。假設輸入模型的文本序列長度為s，經(jīng)嵌入表示得到文本的向量序列為x=[x1,x2,…,xs]，其中xi∈RK。該過程可表示為：

然后將x輸入卷積層提取局部特征，卷積操作由濾波器完成，令濾波器尺寸為Wc∈Rh×K，其中，h表示濾波器移動的窗口大小。該過程可表示為：

其中，b∈R表示偏置量；f表示非線性函數(shù)，將卷積輸出結果做一次非線性映射，本文使用ReLU激活函數(shù)；*表示卷積。在文本操作中，常設置大小不同的多個窗口以獲取不同粒度信息的特征向量，例如h=(3,5,7)時，獲得特征向量表示為[c1,c2,c3]。對每組特征向量進行池化操作以獲取文本中更有價值的特征，本文采用最大池化操作。該過程形式化表示為：

這里f(x)就是文本被CNN學習到的語義特征表示，其中，t表示卷積窗口的數(shù)量。

對于任何一個待分配案件x，基于法官庫，構建得到三元組數(shù)據(jù)，經(jīng)過卷積匹配模型，得到，計算與。若有M個法官就有M個相似度值，用相似度值表示匹配值，通過比較M個值的大小，輸出前N(N＜M)個匹配值較高的法官作為案件的推薦法官。

3 實驗與結果

為了驗證本文方法的高效性和有效性，在相同數(shù)據(jù)集下將本文分案方法和傳統(tǒng)分案方法、傳統(tǒng)機器學習算法和深度學習方法進行了實驗對比分析。通過改變參數(shù)ε的值來改變法官表示的組成特征，分析ε對結果的影響。

3.1 實驗數(shù)據(jù)

實驗數(shù)據(jù)來源于貴州省某法院的買賣合同糾紛和民間借貸糾紛兩類案件。本文抽取2016—2019年間買賣合同糾紛案件（共2096個）和民間借貸糾紛案件（共3110個）作為實驗原始數(shù)據(jù)。數(shù)據(jù)質(zhì)量在很大程度上會影響模型的訓練效果，本文首先對5206個案件卷宗數(shù)據(jù)進行預處理。首先，刪除數(shù)據(jù)源中的傳票、通知書等圖片數(shù)據(jù)以及非判決書文本數(shù)據(jù)；其次，根據(jù)關鍵字正則匹配提取案件案情描述，刪除無法有效提取案情的案件；最后，利用哈爾濱工業(yè)大學的語言技術平臺（language technology platform，LTP）對案情要素進行分析處理，將“公訴機關指控”等詞語以及人名、車牌號、電話號碼、地名等歸一化。經(jīng)過清洗，數(shù)據(jù)中涉及法官18個，共有案件1546個，其中民間借貸糾紛案件1114個，買賣合同糾紛案件432個。每個案件只有一個審判法官。

本文的研究目標是將案件分配給更擅長審判此類案件的法官。抽取案情事實描述表示案件。為了保證分案結果具有實際意義以及防止實驗出現(xiàn)過擬合問題。生成數(shù)據(jù)集時，首先將案件按8∶1∶1切分成訓練集、驗證集以及測試集。接著，在切分得到的訓練集案件下，按照第2.1節(jié)的審判質(zhì)量權重計算方法計算審判質(zhì)量權重，通過比較兩類案件的審判質(zhì)量權重，得到法官擅長審判和不擅長審判的案件類型。通過設置參數(shù)的值，得到法官表示?；诖耍貌煌糠值陌讣獦嫿ㄈM數(shù)據(jù)數(shù)據(jù)集。在數(shù)據(jù)集中，保證每一個案件的審判法官都是擅長審判此類案件的法官。數(shù)據(jù)集情況見表1。

表1 數(shù)據(jù)集情況

3.2 評價指標

本文的實驗目標是給案件推薦N個法官。采用正確率ACC作為實驗結果的評價指標。正確率的大小取決于推薦法官的個數(shù)，推薦法官個數(shù)越多，正確率越高。正確率的計算方法如下：

其中，Z表示測試集案件的個數(shù)，count表示在測試集中為每一個案件推薦的N個法官中包含該案件的原審法官的案件個數(shù)，這里Z恒等于156。在生成數(shù)據(jù)集時保證了原審法官一定擅長審判此案件。count的值由N的大小決定。N越大，推薦法官個數(shù)越多，那么推薦法官中包含原審法官的可能性就越大。

3.3 本文分案方法的實驗結果

本文基于Triplet CNN在N為1、3、5、7時進行實驗，實驗結果見表2。

從表2可以看出，只推薦1個法官的正確率只有86.54%。隨著推薦法官個數(shù)的增多，正確率逐漸增大，當推薦法官個數(shù)為7時，正確率已經(jīng)高達98.72%。這證明了本文的法官推薦方法是高效并且高精準度的，融合審判質(zhì)量的法官表示方法確實能很好地體現(xiàn)法官擅長領域信息。根據(jù)第2.1節(jié)和第2.2節(jié)可知，這樣的結果是合理的。因為任何一個案件只有一個法官擅長，針對每個案件，只有一個法官的匹配度最高。當N逐漸增大時，推薦法官中包含原審法官的概率隨之增大，正確率自然越高。

表2 本文方法實驗結果

3.4 本文方法與傳統(tǒng)分案方法的實驗對比分析

目前我國法院系統(tǒng)中的分案方法主要為簡單隨機分案。在實踐中，簡單隨機分案方法主要為搖號分案和均衡分案兩種分案方法。搖號分案指將法院所有法官編號，每個法官的編號都是唯一的。法院接收到新的案件后，利用計算機程序隨機產(chǎn)生一個號碼，號碼對應的法官就是程序為案件分配的法官。均衡分案是在搖號分案的基礎上，增加保證每個法官在一段時間內(nèi)的承辦案件數(shù)量基本相等這一約束條件，即每次分案優(yōu)先將案件分給現(xiàn)有案件承辦數(shù)較少的法官。本文在同一數(shù)據(jù)集上對搖號分案和均衡分案方法進行了實驗。本文方法與傳統(tǒng)分案方法的實驗結果對比見表3。

實驗時，在任何一個N值下，搖號分案和均衡分案都做100組實驗，然后計算平均值得到該N值下的正確率。從表3可以看出，搖號分案在推薦Top1法官時，正確率只有5.40%。這是合理的。因為搖號分案是不考慮法官擅長領域和案件信息的完全隨機分案，本文實驗數(shù)據(jù)中有18個法官，每次隨機分配正確的概率只有十八分之一，即正確率只有5.56%左右。由此可知，本文的實驗結果是擬合于實際結果的。同樣，均衡分案本質(zhì)上也是隨機分案，它的實驗結果與搖號分案相差不大。但均衡分案增加了在一段時間內(nèi)保證每個法官承辦的案件數(shù)量基本相等這一約束條件，因此其正確率稍高一點。

從表3可以看出，本文方法的實驗結果明顯優(yōu)于傳統(tǒng)分案方法。在Top1時，本文方法推薦法官的精準度比搖號分案和均衡分案高80%以上。這一實驗結果證明使用本文分案方法不僅可以實現(xiàn)案件的自動分配，還能顯著提高案件分配的精準度，實現(xiàn)人案相適。

表3 本文方法與傳統(tǒng)分案方法的實驗結果對比

3.5 本文方法與機器學習算法的實驗對比分析

為了進一步驗證本文方法的有效性，本文另選取TF-IDF以及BM25算法獲取案件和法官特征向量，結合余弦相似度計算案件和法官的匹配度，并對匹配度進行排序，從而實現(xiàn)分案。本文在同一數(shù)據(jù)集上進行對應的實驗，分案結果見表4。通過實驗發(fā)現(xiàn)，本文方法的性能明顯優(yōu)于傳統(tǒng)機器學習算法。BM25算法是改進的TF-IDF算法，TF-IDF是根據(jù)詞在文本中的重要度來獲取文本特征表示的，TF值在理論上可以無限大，但BM25算法在TF計算方法中增加了常量以限制TF值的增長極限，并且考慮了文檔長度，因此BM25算法對文檔的表征能力要優(yōu)于TF-IDF算法。本文使用卷積神經(jīng)網(wǎng)絡從多角度捕捉文本特征，卷積神經(jīng)網(wǎng)絡考慮了詞的上下文信息，對文本的表征能力明顯優(yōu)于傳統(tǒng)機器學習算法。

表4 本文方法與機器學習算法的實驗結果對比

3.6 本文方法與深度學習方法的實驗對比分析

本組實驗在同一數(shù)據(jù)集情況下，將本文方法與現(xiàn)有常用的深度學習方法進行比較，實驗結果見表5?；鶞誓Ｐ腿缦隆?/p>

表5 本文方法與深度學習方法的實驗結果對比

● Triplet Bi-LSTM（Tri-BiLSTM）：利用Bi-LSTM獲取案件和法官的特征表示，設置最大序列長度為512。

● Triplet BERT（Tri-BERT）：利用BERT獲取案件和法官的特征表示，設置最大序列長度為512。

● Triplet AlBERT（Tri-ALBERT）[24]：該模型是谷歌提出的基于BERT的改進模型，本文利用該模型獲取案件和法官的特征表示，設置最大序列長度為512。

由表5可知，在Top1下本文方法的分案效果優(yōu)于其他方法。BERT及ALBERT都是大規(guī)模語料的預訓練模型，預想對文本的表征能力應該優(yōu)于CNN。但通過對裁判文書數(shù)據(jù)的分析，案件的案情文本長度大多在1500以上，個別案情文本長度甚至超過3000，而BERT能接收的最大序列長度為512，因此用BERT模型獲取案情文本特征表示時會丟失較多語義信息。并且根據(jù)裁判文書的書寫規(guī)范，案情事實描述通常以“公訴機關指控”“某某地某某區(qū)檢察院指控”“經(jīng)審理查明”等固定短語開頭，以“上述事實，有公訴機關當庭出示，并經(jīng)庭審質(zhì)證的被告人MM在公安機關的供述及戶籍證明，xxx等證據(jù)證實，足以認定”等固定句式結尾。由此可以看出，案情的關鍵信息應集中在案情文本的中間部分，而不是案情描述的開頭和結尾，而BERT的序列長度約定使其提取的關鍵信息受到限制，從而在分案效果上不如基于CNN的分案方法。另外，預想LSTM的表現(xiàn)能力應該優(yōu)于CNN。根據(jù)上述分析，雖然LSTM能捕捉序列的長距離依賴關系，但由于案情文本長度過長，LSTM的循環(huán)機制決定其對較長文本的特征提取更關注序列的末尾，而案情描述結尾的內(nèi)容不能較好地體現(xiàn)案情信息，故本文方法是優(yōu)于基于LSTM的分案方法的。

3.7 參數(shù)ε對實驗結果的影響

從第2.1節(jié)可知，構成法官表示的案情特征是由參數(shù)ε決定的。隨著ε的變化，構成法官表示的案情事實描述可能有部分或全部是法官審判質(zhì)量較低的案件類型。基于本文模型，保證模型參數(shù)設置不變，本文在參數(shù)ε=1.0、0.5、0.1下分別進行了實驗。當ε=1.0時，構成法官表示的案件都屬于審判質(zhì)量較高的案件類別。當ε=0.5時，構成法官表示的案件個數(shù)中有50%從其審判質(zhì)量較高的案件類別中隨機選擇，另外50%從其案件審判質(zhì)量較低的案件類別中隨機選擇。同樣，當ε=0.1時，構成法官表示的案件個數(shù)中有10%從其審判質(zhì)量較高的案件類別中隨機選擇，另外90%從其案件審判質(zhì)量較低的案件類別中隨機選擇。不同參數(shù)值下本文方法的實驗結果見表6。

從表6可以看出，在ε=1、0.5、0.1情況下，ε=1時實驗效果最好。這一實驗結果表明，用法官審判質(zhì)量較高的案件來表示法官能更好地體現(xiàn)法官擅長的領域信息，用CNN提取法官表示特征，能實現(xiàn)更加精準的分案。隨著ε的變化，構成法官表示的特征也發(fā)生變化。若法官表示中包含其審判質(zhì)量較低的案件，會導致CNN提取的抽象語義特征向量不能很好地突出法官擅長的領域，無法更精準地匹配案件，最終導致正確率降低。

表6 不同參數(shù)值下本文方法的實驗結果

4 結束語

筆者希望打破法院系統(tǒng)中傳統(tǒng)人定分案的局面，解決人為干擾案件分配、人案不適、人情案等問題，探索一種以人案相適為目標的輔助分案方法。本文提出了一種融合案件審判質(zhì)量的法官表示方法，利用法官審判質(zhì)量較高的案件語義特征，綜合反映法官擅長的審判領域，從而在法官表示中融合法官擅長領域的抽象語義信息。用案情事實描述表示案件。采用卷積神經(jīng)網(wǎng)絡學習案件表示和法官表示中不同粒度的抽象語義特征表征向量，計算案件和多個法官的表征向量間的余弦相似度，用向量相似度表示案件與法官的匹配度，輸出前N個匹配值較高的法官作為案件的推薦法官。該方法可為案件推薦擅長審判此類型案件的法官，實現(xiàn)專案專辦，形成專業(yè)化辦案模式，避免關系案、金錢案等弊端，提高辦案質(zhì)效。本文分案方法避免了在分案過程中的人為因素干擾，保證了分案過程留痕可查，促進司法公開、公正。未來筆者將結合繁簡分流思想進行分案，并擬融合推薦系統(tǒng)方法，以取得更好的分案效果。