本课题为基于深度学习的司法智能研究,任务主要以司法领域的自动量刑、相关法条预测和相似案例推荐为主。旨在以深度学习技术为主,解决司法领域智慧化问题,开展人工智能与法律领域的结合。在研究过程中,以单人单罪的刑事案件作为实验数据。自动量刑指的是在给定案情描述的情况下,预测案件的罪名、刑期和罚金。在实验中分别采用词袋模型、fast Text和卷积神经网络模型,对刑期和罚金任务,对比使用了预测值变换和数字离散化等方法。罪名预测上卷积神经网络模型效果最好,准确率为96.22%。刑期预测上,最好结果为平均绝对误差5.42个月,平均绝对比例误差36.60%,一致率43.04%。罚金预测上,最好结果为平均绝对误差5199元,平均绝对比例误差52.36%,一致率34.06%。相关法条预测指的是在给定案情描述的情况下,预测案件引用的法条信息。在实验中分别尝试了多种实验思路,如比照法条文本、多标签分类和通过相似案件的法条预测。同时也尝试了融合更多信息的模型,如罪名预测结果和案件要素抽取结果。其中以融合更多信息的多标签分类结果最好,在平均覆盖率@5上结果为92.34%,宏平均准确率为89.43%,宏平均召回率为87.02%,宏平均F1值为88.21%,微平均准确率为88.08%,微平均召回率为84.23%,微平均F1值为86.11%。相似案件推荐指的是在给定案情描述情况下,通过文本相似度的计算在已有的案件库中推荐部分相似案件。在研究中分别尝试了词频-逆向文件词频、doc2vec、词频-逆向文件词频和word2vec融合等方法,其中词频-逆向文件词频和word2vec融合的效果最好。在模型评估上,通过采用人工打分的方法,以avgDCG@5作为评价指标,最好结果为18.51。