SESociety and Economy2995-49592995-4975Art and Technology10.61369/SE.12075Article基于GAT 和TextCNN 的罪名预测研究https://artdesignp.com/journal/SE/2/11/10.61369/SE.12075吴晗20242112024-11-20罪名预测作为实现智慧司法的重要任务之一，旨在根据有关犯罪行为的事实描述来预测所成立的罪名。为了更高效、准确地进行罪名预测，本文提出了一个名为GAT-Cross-TextCNN 的罪名预测模型。首先，将案件构建出图结构的数据，然后利用图注意力网络GAT 学习得到整个图的结构表示；再利用文本卷积神经网络TextCNN 学习整个案例的文本语义表示。最后，将学习到的结构表示和语义表示利用交叉注意力机制进行特征融合，并最终得到整个案例的特征向量。最后，使用Softmax 文本分类器进行罪名预测，得到案例所属的罪名。在CAIL2018罪名预测数据集上的实验结果表明,TextCNN-GAT-CrossAttention 模型的准确率、召回率和Ｆ 1值分别达到了0.9416、0.939、0.9398，优于基线模型，验证了本文所提出的方法在罪名预测任务上的性能。罪名预测，图注意力网络，TextCNN，交叉注意力机制

[1]C.Liu, C.Chang, J.Ho. Case instance generation and refinement for case-based criminal summary judgments in Chinese[J]. Journal of Information Science and Engineering,2004, 20(4):783-800.[2]Xiao CJ, Zhong HX, Guo ZP, Tu CC, Liu ZY, Sun MS. Cail2018: A large scale legal dataset for judgment prediction. 2018. https://arxiv.org/abs/1807.0247[3] 刘宗林, 张梅山, 甄冉冉, 等. 融入罪名关键词的法律判决预测多任务学习模型[J]. 清华大学学报（自然科学版）, 2019, 59(7):497-504.[4]Ye H，Jiang X，Luo Z，et al．Interpretable charge predictions for criminal cases: Learning to generate court views from fact descriptions[J］, arXiv preprint arXiv, 1802.08504, 2018.[5]WU Y, KUANG K, ZHANG Y, et al. De-biased court’s view generation with causality[C]//Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing, 2020:763-780.[6] 李明超. 论规范性文件不予一并审查：判断要素及其认定规则—— 基于1799 份裁判文书的分析[J]. 政治与法律，2021（4）:135-147.[7]LI S, ZHAO Z, HU R, et al.Analogical reasoning on Chinese morphological and semantic relations[C]//Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics,2018:138-143.