融合法律文本结构信息的刑事案件判决预测

近年来,法律领域的智能化引起了学界的广泛关注。选取法律领域中十分重要的法律判决预测任务作为研究重点,法律判决预测包含推荐相关法条、定罪和刑期预测等三个子任务。随着深度学习在各个领域的广泛应用,一些研究者将深度学习方法引入法律判决预测任务并取得了较好的效果。现有基于深度学习的法律判决预测方法通常是通过构建案情描述和法条之间的注意力来提升模型预测能力,或者利用三个法律判决预测子任务间的关系来提升整体的性能。但是这些工作未考虑法律文本中的多层层次化信息,如刑法第三百九十七条包含职务侵占罪和玩忽职守罪,其法条大类是渎职罪,并且每个罪行有不同的刑期。针对该问题,考虑引入法律文本的多层层次化信息用于法律判决预测任务。具体来说,对法律文本的多层结构信息进行预处理,并利用协同注意力机制将法条的多层信息融入到案情描述中,得到每个子任务的融合不同层次的法律信息的案情描述表示,从而提升司法判决预测任务的性能。在真实的法律判决预测任务公开的数据集上进行了实验,结果显示提出的融合法律文本多层结构信息的模型在法律判决预测任务上优于当前最好的模型。对法律智能化的未来和发展进行了展望。

基于多层结构的微博影响力决定因素研究

对狭义的微博影响力进行了研究,通过界定影响微博信息的多层结构,即用户特征和微博属性特征,将微博转发量视为衡量微博影响力的标尺,建立多层线性模型对微博转发量的影响因素进行研究,并应用非参数拔靴法改进了模型的统计推断结果。研究表明,宏观层面的用户特征不仅显著影响微博转发量,并通过跨层交互影响微博属性特征变量进而影响微博转发量。在此基础上,进一步从理论上探讨了用户特征变量与微博属性变量影响微博转发量的原因以及提高微博影响力的可行措施。

词义消歧方法初探

计算机理解自然语言的瓶颈之一是词义的歧义性问题。词义消歧方法大体上可以分为两大类:基于定性的方法和基于定量的方法。要取得较好的词义消歧效果,将两者结合是一条可行之道。本文就这两者的结合作了初步的研究和探讨。

紧框架域重加权L1范数正则化图像恢复模型

针对传统紧框架域L1范数模型忽略框架变换后分解系数与原始图像结构信息之间的联系,采用均匀惩罚的不足,提出一种新的重加权紧框架L1范数正则化稀疏模型.首先对待恢复图像进行紧框架分解,得到包含原始图像多层结构信息的框架系数;其次在L1范数稀疏正则化的基础上,引入框架系数模的图像先验信息作为权重函数,建立重加权L1范数的正则化能量泛函;最后结合恢复过程中权重因子的更新,采用多步交替优化算法求解模型.算法能有效克服传统恢复模型易导致边缘细节模糊的不足,获得更高的结构相似测度(SSIM)和峰值信噪比(PSNR).仿真实验表明,模型具有更强的边缘细节保护能力,大大提高图像恢复质量.

应用BC4J进行Web开发探讨

BC4J是ORACLE公司提出的一种开发组件架构,全面体现了企业级分布式多层结构信息系统的特点。本文讨论了BC4J的主要架构,以及运用这套组件进行企业WEB应用开发的主要办法,并结合企业的实际应用加以说明,最后对BC4J在实际应用中的一些问题进行讨论。