| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第7-19页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状综述 | 第8-13页 |
| 1.2.1 裁判文书分析技术的研究现状 | 第8-10页 |
| 1.2.2 卷积神经网络的研究现状 | 第10-12页 |
| 1.2.3 Siamese网络的研究现状 | 第12-13页 |
| 1.3 相关算法介绍 | 第13-16页 |
| 1.3.1 文本分类算法 | 第13-15页 |
| 1.3.2 深度学习思想及相关模型 | 第15-16页 |
| 1.4 论文的主要工作 | 第16-17页 |
| 1.5 论文的组织结构 | 第17-19页 |
| 2 数据特征分析及预处理 | 第19-29页 |
| 2.1 裁判文书文本特征分析 | 第19-22页 |
| 2.2 裁判文书文本预处理 | 第22-27页 |
| 2.2.1 文本预处理流程 | 第22页 |
| 2.2.2 结合法律相关词库的文本分词 | 第22-24页 |
| 2.2.3 基于Skip-Gram模型的文本向量化 | 第24-27页 |
| 2.3 本章小结 | 第27-29页 |
| 3 基于多核CNN模型的裁判文书研究 | 第29-42页 |
| 3.1 多核卷积神经网络模型的结构 | 第29-32页 |
| 3.1.1 输入层 | 第30-31页 |
| 3.1.2 多核卷积层 | 第31页 |
| 3.1.3 池化层 | 第31-32页 |
| 3.1.4 全连接层 | 第32页 |
| 3.2 卷积神经网络模型训练 | 第32-33页 |
| 3.3 实验环境及结果分析 | 第33-41页 |
| 3.3.1 实验环境 | 第33-34页 |
| 3.3.2 实验数据集描述 | 第34页 |
| 3.3.3 参数的选择 | 第34-38页 |
| 3.3.4 实验结果及分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于Siamese-CNN的判决结果预测模型 | 第42-53页 |
| 4.1 Siamese-CNN算法流程概述 | 第42-44页 |
| 4.2 Siamese-CNN模型结构 | 第44-47页 |
| 4.2.1 Siamese-CNN模型主要思想 | 第44-45页 |
| 4.2.2 Siamese-CNN模型损失函数 | 第45-46页 |
| 4.2.3 Siamese-CNN模型分类性能定义 | 第46页 |
| 4.2.4 利用Siamese-CNN模型进行分类 | 第46-47页 |
| 4.3 数据预处理及参数设置 | 第47-49页 |
| 4.4 实验结果与分析 | 第49-50页 |
| 4.5 在常见的文本分类数据集上的分析 | 第50-51页 |
| 4.5.1 实验数据集描述 | 第50页 |
| 4.5.2 数据预处理 | 第50页 |
| 4.5.3 超参数和训练 | 第50-51页 |
| 4.5.4 实验结果与分析 | 第51页 |
| 4.6 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |
