基于知识图谱的案件特征增强法律判决预测

现有基于知识图谱的法律判决预测方法重点关注案件的要素实体和关系,不能充分地获取案件的特征信息。针对该问题,提出了一种增强案件特征融合的知识图谱法律判决预测方法。首先,该方法利用双向门控循环神经网络挖掘事实描述文本深层次的因果、时序等全文语义特征信息。然后通过知识图谱向量空间中案例间相似度注意力计算学习类案特征表示。最后,融合特征信息和知识图谱的结构化知识,丰富实体和关系在案件事实文本中的语义特征表示,实现法律判决链路预测任务。在危险驾驶罪和盗窃罪两类罪名数据集上的实验结果显示,该方法在MRR、Hit@1两个关键评价指标上与当前表现最好的链路预测模型相比提升了1.5%左右,Hit@3和Hit@10等指标也均有提升,验证了案件特征增强融合能补充法律知识图谱中缺失的案件特征信息并提高预测的效果。

一种基于规则的模式分类器设计方法

针对复杂场景下的模式分类问题,该文提出了一种基于规则的模式分类器设计方法。其基本思想是:首先运用非参数统计方法建立描述样本特征分布的规则集;然后构造一种链式结构将规则集中的元素组织起来,形成模式分类器;最后在以训练样本识别结果为指导的前提下,优化规则集的制定方法和分类器结构。该设计方法的有效性在某对海监视雷达目标识别实验中得到了验证。

计算机免疫中基于移动代理的规则提取与规则库构造

计算机免疫系统是防护计算机安全的新兴技术,类MC Agent是计算机免疫系统模型GECISM中的一个代理,是模仿生物免疫系统区分计算机系统中“自我”和“非我”的主要部分.重点介绍了类MC A-gent的设计与实现,包括系统调用短序列的采集、规则的提取以及规则库的构造.