面向智慧检务的案件研判关键技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究的目的和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国内研究现状 | 第11-13页 |
| 1.2.2 国外研究现状 | 第13-15页 |
| 1.2.3 国内外研究现状简析 | 第15页 |
| 1.3 研究内容与章节安排 | 第15-17页 |
| 第2章 研判相关知识 | 第17-27页 |
| 2.1 自然语言处理相关技术 | 第17-21页 |
| 2.1.1 语言模型 | 第17-18页 |
| 2.1.2 文本分布式表示 | 第18-21页 |
| 2.2 面向研判的机器学习算法 | 第21-26页 |
| 2.2.1 卷积神经网络 | 第22-23页 |
| 2.2.2 循环神经网络 | 第23-25页 |
| 2.2.3 线性回归 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于自然语言处理的刑事案件建模 | 第27-39页 |
| 3.1 案件建模方法 | 第27-29页 |
| 3.2 数据获取与清洗 | 第29-31页 |
| 3.2.1 数据来源 | 第29-30页 |
| 3.2.2 数据清洗 | 第30-31页 |
| 3.3 案件预处理方法 | 第31-36页 |
| 3.3.1 无关段落去除 | 第31-32页 |
| 3.3.2 数值型要素提取 | 第32-34页 |
| 3.3.3 无关词语去除 | 第34-36页 |
| 3.4 词向量生成 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于深度学习的案件辅助判决技术 | 第39-49页 |
| 4.1 基于语义的案件特征 | 第39-41页 |
| 4.2 基于案件模型的案件特征 | 第41-42页 |
| 4.3 刑期预测 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-48页 |
| 4.4.1 基于语义的案件特征实验 | 第43-44页 |
| 4.4.2 基于案件模型的案件特征实验 | 第44-47页 |
| 4.4.3 实验对比与分析 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于类案比对的案件督查技术 | 第49-61页 |
| 5.1 案件特征选取 | 第49-51页 |
| 5.2 相似性度量方法 | 第51-53页 |
| 5.3 偏差性度量方法 | 第53-54页 |
| 5.4 实验结果与分析 | 第54-60页 |
| 5.4.1 基于语义的案件特征实验 | 第54-57页 |
| 5.4.2 基于案件模型的案件特征实验 | 第57-59页 |
| 5.4.3 实验对比与分析 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-69页 |
| 致谢 | 第69页 |
