新闻|“智慧审判技术装备”课程第六讲——《基于概率图模型的智能量刑辅助》

2019年7月3日下午15：00，“智慧审判技术装备”课程第六讲在四川大学江安校区综合楼B座308教室正式行课。本次课程由四川大学数学学院王皓副研究员主讲，围绕《基于概率图模型的智能量刑辅助》这一主题，主要从数学学科的视角详细讲解了什么是概念图模型以及概念图模型如何运用于司法领域，辅助实现智能量刑。课程包含了四个方面的内容：图与概率论简介、概率图模型概述、基于概率图模型的量刑智能辅助技术、概率图模型算法的优势分析。

图与概率论简介

王皓副研究员首先引导同学们回顾了有关图与概率的基本概念，比如：图（一个包含节点集和边集的数据结构），概率中的随机变量，联合分布函数，条件概率等。随后王皓副研究员解释道，概念图主要是研究“表示”的问题，研究怎么把模型中的参数学习出来以及有了确定的概率图模型以后怎么去推理运用的问题。

概率图模型概述

王皓副研究员讲到，概率图是用来表示联合分布问题的，具体模型种类有贝叶斯网络、无向图模型、基于模板的表示、局部概率模型、高斯网络模型。随后，王皓副研究员重点讲解了贝叶斯网络的特点，即有向性和无圈性。其中每一个节点代表一个随机变量，所以概念图模型实质上是联合分布函数在图上的因式分解。

在表示方面，贝叶斯网络通过图模型搭建，极大减少表示联合分布所需参数数量的同时极大扩展了随机变量之间的独立性，独立性增强，运算功能就能加强，因而越能准确实现智能量刑。在推理方面，通过概念图模型，可以依据概率分布推算出期望以实现推理。而“学习”指的是获取概率图模型的过程，在智能量刑辅助中，通常选择的方式是通过专家搭建图模型的骨架，再利用算法从数据中学习参数。这种方法既提高了可解释性，也使模型充分忠于数据，最大可能地减小了人工的干预。

基于概率图模型的量刑智能辅助技术

基于概率图模型的量刑智能辅助技术主要包括了以下环节：案件分类、要素识别与提取、数据预处理、概率图模型搭建、测试与结果分析。其基本原理是依据最高人民法院发布的量刑指导意见，对输入的法律文书先拆段，然后抽取段中的要素，剔除在法律量刑上无意义的信息，保留有用信息。最后分类提取出总则要素、分则要素。确定要素后开始进行正则匹配，即排序。这一过程本质上是把案情量化，构建数学模型，再通过算法估算出值后，把测试值与真实值进行对比分析，只要误差能控制在一定限度内就是比较准确成功的测量。王皓副研究员解释到，因为法官自由裁量的度很难把控，所以难以避免会导致相似情形下出现不同的量刑结果，所以一定误差的是允许的。

王皓副研究员指出，误差在后期可以通过增大训练样本规模寻找比较好的参数，或者设置隐含节点来尽量缩小。但需要关注的是，不同的案件类型需要的概念图模型是不同的，每个概念图模型都应当与法学知识融合，根据类案特点，参照地区性的不同问题设计出更合理的模型。

概率图模型算法的优势分析

基于概率图模型的智能判决技术将基于规则和基于统计的方法融合，既解决判决过程必须回答的可解释性（要素归类的方式，符合刑法判决中法官本身的思维）问题，又通过大量数据的训练补齐了规则系统适用性差的短板。

王皓副研究员提出了对概念图模型智能量刑的展望：概率图模型实现了规则和数据的结合，在解决“类案不同判”的难题上势必大有所为，能有效提高案件审判效率，缓解法院案多人少的压力。未来随着技术的进一步发展，概率图模型在民法领域也将会大有作为，这也是一个是多学科交叉融合的问题。最后，整场课程在同学们关于概念图模型在法学领域如何运用的思考中圆满结束。

更多精彩内容，敬请期待！“智慧审判技术装备”课程已采用同步录像，视频稍后整理后公开。欢迎大家分享学习！