基于网络加权机制的动态迭代聚类算法

动态网络在分析功能属性与拓扑结构的相关性方面具有重要作用。文中提出了一个新的动态迭代聚类算法,通过引入包含拓扑信息的权重W和紧密度T来调整边权和节点紧密度,以提高网络聚类结构检测的速度与准确度。值得一提的是,为了估计最优的迭代停止时间,文中利用以时间t为分辨率参数的稳定性指标(stability)作为测度指标,可以自然地找到使聚类划分达到最优的时刻t。该算法非常高效,而且不需要预先指定聚类的数目,因此可以方便地应用于各种模糊网络。最后在包括法律案例关联网络等数据上的实验结果表明,该算法能快速而准确地探测各种人工和现实网络的聚类结构。

大数据助力“类案类判”的逻辑技术突破

尽管机器学习在辅助司法裁判的探索中遇到了非结构化数据识别困境和法律思维逻辑困惑,然而运用案例大数据辅助法官"类案类判"仍然是司法实践发展趋势,不应因技术阻碍而止步不前。本文借鉴其他学科领域大数据智能化应用成果,将法律逻辑融合到计算机,实现了司法案例数据被计算机决策系统识别和解析,在大数据技术辅助"类案类判"领域取得了逻辑和技术突破。具体而言,本文尝试将司法案例进行结构化表达,提出了满足多层次应用功能通识性司法案例结构化模型,在利用该模型的基础上,运用算法实现了相似案例的计算。希冀未来司法案例大数据能够帮助实现法官办案效率最大化、司法公正最大化。