基于回归概念格的案件刑期预测方法及系统

1.本发明属于智慧司法技术领域，尤其涉及一种基于回归概念格的案件刑期预测方法及系统。


背景技术：

2.近年来，科技部和司法部全面贯彻创新驱动发展战略，推进“数字法治、智慧司法”科技创新工程实施，在司法行政领域全面展开科技创新和技术攻关，辅助判案是其中重要项目。案件刑期预测旨在预测案件对应的判决结果，它能辅助法官判理案件，同时极大程度地避免冤假错案的产生。
3.案件刑期预测方法的研究是“智慧司法”中重要课题之一。案件刑期预测是指根据案件文书描述案情，利用案件刑期预测算法预测案件判决结果。案件刑期预测方法旨在辅助法官进行案件判决，当预测结果与实际判决结果出现分歧时，提醒法官再次审理案件，尽可能避免冤假错案的发生。案件判决结果多种多样，这为之后的案件刑期预测算法带来了极大的挑战。目前针对案件刑期预测方法研究主要集中在法律案件文书建模和案件刑期预测模型构建领域。对于前者，以往研究主要基于特征模型和矩阵分解算法。对于后者，以往研究主要基于分类算法。
4.研究者提出一种基于案例论证以及规则推理的案件刑期预测方法，根据法律专家知识对案件进行刻画，通过评判准则计算不同案件之间的差异性和相似性，综合历史案件判决结果预测新的案件的判决结果。后期，研究者提出一种基于专家评估和推理规则的案件刑期预测方法，将法律案件表示为案件要素形式，利用机器学习算法预判案件结果；同时将其呈现在多个具有专业法律知识背景的工作人员视野中，根据评估得分，获取最终的案件判决结果。研究者提出一种基于关联规则的案件刑期预测方法，根据法律专业背景知识，利用数据挖掘算法获得案件特征，构建案件特征模型，利用聚类算法和关联规则构建案件刑期预测模型，进而完成案件刑期预测。也有研究者提出一种基于本体和规则推理的案件刑期预测方法，根据法律专业背景知识构建层次化的案件本体模型，完成法律案件的刻画，利用预定义的决策规则构建案件刑期预测模型，预判案件结果。
5.法律案件的判决结果多种多样。但对于特定的判决结果，它可能对应一系列案件。因此，分类算法可被用于解决案件刑期预测问题。对于预测算法，以往案件刑期预测算法可被分机器学习算法和深度神经网络算法。研究者提出一种基于本体和机器学习的案件刑期预测算法，构建案件本体模型，利用特征挖掘算法抽取出原始法律案件数据中的关键词汇，进而得出案件的数字化表示，并通过其训练常见的机器学习算法，得出案件刑期预测模型。
6.在以往研究中，多种基于机器学习的分类算法被用于解决案件刑期预测问题，常见的有k近邻（k-nearest neighbor，knn）等算法。研究者提出一种基于knn的案件刑期预测算法。给定一个法律案件数据集，对新输入的案件，knn算法在案件数据集中找到与当前案件最相近的若干个案件，抽取出上述案件的判决结果，对其取平均或者取包含案件数目最多的判决，获得的值则视为当前案件的判决预测结果。相对于朴素贝叶斯等分类算法，研究
者提出的基于knn的算法简单易行，计算复杂度低，且数据适应性强，具有较强的可解释性，适用于案件刑期预测。
7.以往案件结果预判方法存在诸多不足。针对预测算法，在实际应用中，案件的判决结果相对连续，离散性以及可区分性差。因此，利用分类算法解决案件结果预判问题存在许多局限。进一步地，常用的分类算法，如机器学习算法以及深度神经网络模型，得出的预测结果粒度过于粗糙，不够精确。举例来说，对于一个特定的案件，分类模型得出的预测结果为五年以下的刑期，参考意义不大。
8.另外，以往案件结果预判方法无法建立前期案件建模过程和后期预测算法间的关联。针对不同罪名的案件，直接训练分类器，用于案件刑期的预测。以往方法未考虑案件的罪名类型，对案件直接预判，极易出现误判情况。


技术实现要素：

9.本发明针对以往案件结果预判方法存在的案件的判决结果相对连续，离散性以及可区分性差，且无法建立前期案件建模过程和后期预测算法间的关联，未考虑案件的罪名类型，对案件直接预判，极易出现误判情况的问题，提出一种基于回归概念格的案件刑期预测方法及系统。
10.为了实现上述目的，本发明采用以下技术方案：本发明一方面提出一种基于回归概念格的案件刑期预测方法，包括：步骤1：基于案件背景进行案件建模，得出案件背景矩阵；步骤2：在案件背景矩阵的基础上，利用形式概念分析领域中概念格技术，完成案件罪名分类；步骤3：结合得出的案件背景矩阵和案件罪名类型，针对对应罪名类型下的案件，构建elastic-net回归模型，预测对应罪名类型下的案件的刑期。
11.进一步地，所述步骤1包括：步骤1.1：从案件数据库的法律案件文书中分解出案件由来与调查经过、当事人信息、违法事实和特别说明四个案件要素；步骤1.2：对每一个案件要素中的词汇进行分词、去停用词操作，去除原始数据中无意义词汇；步骤1.3：建立法律术语词典，保留有效词汇，确保案件建模的准确性；步骤1.4：对所有案件要素中的词汇，按照词汇频率、tf-idf值、词汇出现的先后顺序进行排序，确定词汇重要程度，建立案件要素词汇词典；步骤1.5：按照上述生成的案件要素词汇词典，设定特征词汇数量阈值，选出固定数量的特征词汇，利用特征匹配技术，建立针对案件数据库的案件背景矩阵。
12.进一步地，所述步骤2包括：步骤2.1：以案件背景矩阵为基础，对案件特征进行排列组合，得出包含多种案件特征序列的集合s；步骤2.2：多次遍历案件背景矩阵，针对s中每个元素，得出同时包含该元素的案件集合，最终获得包含案件特征序列的案件集合，称该案件特征序列为该案件集合的公共属性序列；
步骤2.3：基于以上计算，设定阈值，当案件集合的公共属性序列长度高于该阈值时，则认为该案件集合中的案件属于同一罪名类型下的案件，最终，完成法律案件的分类。
13.进一步地，所述步骤3包括：步骤3.1：根据案件背景矩阵和案件罪名类型，建立固定罪名类型下的案件背景子矩阵；步骤3.2：在该案件背景子矩阵中，每行为一条案件，每列为一条属性，利用该案件背景子矩阵训练elastic-net回归模型，得出针对该罪名类型的刑期预测回归模型；步骤3.3：针对每一种罪名类型，重复步骤3.2操作，建立该罪名类型下的刑期预测回归模型；最终，得出针对该案件数据库的刑期预测回归模型；步骤3.4：基于得出的针对该案件数据库的刑期预测回归模型预测对应罪名类型下的案件的刑期。
14.本发明另一方面提出一种基于回归概念格的案件刑期预测系统，包括：案件背景矩阵构建模块，用于基于案件背景进行案件建模，得出案件背景矩阵；案件分类模块，用于在案件背景矩阵的基础上，利用形式概念分析领域中概念格技术，完成案件罪名分类；刑期预测模块，用于结合得出的案件背景矩阵和案件罪名类型，针对对应罪名类型下的案件，构建elastic-net回归模型，预测对应罪名类型下的案件的刑期。
15.进一步地，所述案件背景矩阵构建模块包括：案件要素获取子模块，用于从案件数据库的法律案件文书中分解出案件由来与调查经过、当事人信息、违法事实和特别说明四个案件要素；案件要素预处理子模块，用于对每一个案件要素中的词汇进行分词、去停用词操作，去除原始数据中无意义词汇；法律术语词典构建子模块，用于建立法律术语词典，保留有效词汇，确保案件建模的准确性；案件要素词汇词典构建子模块，用于对所有案件要素中的词汇，按照词汇频率、tf-idf值、词汇出现的先后顺序进行排序，确定词汇重要程度，建立案件要素词汇词典；案件背景矩阵得出子模块，用于按照上述生成的案件要素词汇词典，设定特征词汇数量阈值，选出固定数量的特征词汇，利用特征匹配技术，建立针对案件数据库的案件背景矩阵。
16.进一步地，所述案件分类模块包括：案件特征排列组合子模块，用于以案件背景矩阵为基础，对案件特征进行排列组合，得出包含多种案件特征序列的集合s；案件背景矩阵遍历子模块，用于多次遍历案件背景矩阵，针对s中每个元素，得出同时包含该元素的案件集合，最终获得包含案件特征序列的案件集合，称该案件特征序列为该案件集合的公共属性序列；法律案件分类子模块，用于基于以上计算，设定阈值，当案件集合的公共属性序列长度高于该阈值时，则认为该案件集合中的案件属于同一罪名类型下的案件，最终，完成法律案件的分类。
17.进一步地，所述刑期预测模块包括：
案件背景子矩阵构建子模块，用于根据案件背景矩阵和案件罪名类型，建立固定罪名类型下的案件背景子矩阵；刑期预测回归模型第一构建子模块，用于在该案件背景子矩阵中，每行为一条案件，每列为一条属性，利用该案件背景子矩阵训练elastic-net回归模型，得出针对该罪名类型的刑期预测回归模型；刑期预测回归模型第二构建子模块，用于针对每一种罪名类型，重复刑期预测回归模型中操作，建立该罪名类型下的刑期预测回归模型；最终，得出针对该案件数据库的刑期预测回归模型；刑期预测子模块，用于基于得出的针对该案件数据库的刑期预测回归模型预测对应罪名类型下的案件的刑期。
18.与现有技术相比，本发明具有的有益效果：1. 相对于以往的案件建模方法，基于案件背景的案件建模方法更加简单易行，且结合我国法律法规，针对不同的判案场景，根据案件词汇的重要程度，建立案件要素词汇词典，得出的案件背景矩阵的适应能力和对案件的描述能力更强；2. 相对于以往的案件刑期预测方法，本发明提出的基于回归概念格的案件刑期预测方法及系统得出的预测结果更加细致，符合法务人员的需要，更具有实用性。同时，本发明提出的方法及系统简易可行，容易实现，鲁棒性强，准确率高。本发明能够在多种类型的硬件和软件环境下进行部署，具有更强的实际意义和社会价值。
附图说明
19.图1为本发明实施例一种基于回归概念格的案件刑期预测方法的流程图；图2为法律案件文书组成结构示意图。
具体实施方式
20.下面结合附图和具体的实施例对本发明做进一步的解释说明：本发明提出了一种基于回归概念格的案件刑期预测方法，主要包含三部分：步骤s101：基于案件背景的案件建模算法：基于案件背景进行案件建模，得出案件背景矩阵；步骤s102：基于概念格的案件分类算法：在案件背景矩阵的基础上，利用形式概念分析领域中概念格技术，完成案件罪名分类；步骤s103：基于elastic-net回归的案件刑期预测算法：结合得出的案件背景矩阵和案件罪名类型，针对对应罪名类型下的案件，构建elastic-net回归模型，预测对应罪名类型下的案件的刑期。
21.上述三部分分别用于法律案件的刻画、分流及最终的刑期预测。如图1所示。
22.（1）基于案件背景的案件建模算法法律案件文书由案件由来与调查经过、当事人信息、违法事实和特别说明组成。案件由来与调查经过主要包含发案经过、立案和调查时间等。当事人信息主要包含被告人和原告人的背景信息，如文化程度、政治面貌。违法事实主要包含作案经过、作案动机、案件造成的后果以及特殊情节。特别说明则指出当事人是否有作案前科。法律案件文书具有专业
性强、特征明确、段落逻辑严谨的特点。图2给出从中国法律服务网中获取的法律案件文书的组成结构，包含案件裁判文书与真实案件描述之间的对应关系。
23.基于上述分析，本发明提出基于案件背景的案件建模算法。方法流程如下：步骤s101.1：利用图2中所示的案件数据库中法律案件（裁判）文书的组成结构，从原始的案件数据中，分解出案件由来与调查经过、当事人信息、违法事实和特别说明组成等案件要素。
24.步骤s101.2：对每一个案件要素中的词汇进行分词、去停用词操作，去除原始数据中无意义词汇。
25.步骤s101.3：根据相关法律法规和前期专家咨询，建立专业的法律术语词典，保留有效词汇，确保案件建模的准确性。
26.步骤s101.4：在上述操作的基础上，对所有案件要素中的词汇，按照词汇频率、tf-idf值、词汇出现的先后顺序等进行排序，确定词汇重要程度，建立基于案件要素的案件要素词汇词典。
27.步骤s101.5：按照上述生成的案件要素词汇词典，设定特征词汇数量阈值，选出固定数量的特征词汇，利用特征匹配技术，建立针对案件数据库的案件背景矩阵。
28.（2）基于概念格的案件分类算法在针对案件数据库的案件背景矩阵的基础上，本发明提出基于概念格的案件分类算法，利用形式概念分析领域中概念格技术，完成案件分类。基于概念格的案件分类算法的主要流程如下：步骤s102.1：以案件背景矩阵为基础，对案件特征进行排列组合，得出包含多种案件特征序列的集合s。举例来说，假设案件特征为a、b、c，则s={（a），（b），（c），（a,b），（b,c），（a,c），（a,b,c）}。
29.步骤s102.2：多次遍历案件背景矩阵，针对s中每个元素，得出同时包含该元素的案件集合。最终获得包含特定案件特征序列的案件集合，在本发明中，称该特征序列为该案件集合的公共属性序列。
30.步骤s102.3：基于以上计算，设定阈值，当案件集合的公共属性序列长度高于该阈值时，则认为该案件集合中的案件属于同一罪名类型下的案件，最终，完成法律案件的分类。
31.（3）基于elastic-net回归的案件刑期预测算法在基于案件背景的案件建模算法和基于概念格的案件分类算法的基础上，结合案件背景矩阵和案件罪名类型，针对特定罪名类型下的案件，构建elastic-net回归模型，预测该罪名类型下的案件的刑期。基于elastic-net回归的案件刑期预测算法的流程如下：步骤s103.1：根据案件背景矩阵和案件罪名类型，建立特定罪名类型下的案件背景子矩阵。
32.步骤s103.2：在该子矩阵中，每行为一条案件，每列为一条属性，利用该矩阵训练elastic-net回归模型，得出针对该罪名类型的刑期预测回归模型。
33.步骤s103.3：针对每一种罪名类型（或概念），重复步骤s103.2操作，建立该罪名类型下的案件刑期预测回归模型。最终，得出针对该案件数据库的刑期预测模型。
34.步骤s103.4：基于得出的针对该案件数据库的刑期预测回归模型预测对应罪名类
型下的案件的刑期。
35.相对于传统的方法，基于案件背景的案件建模算法适应性和案件描述能力更强。基于案件背景的案件建模算法利用案件裁判文书的组成结构，从原始的案件数据中，分解出案件由来与调查经过、当事人信息、违法事实和特别说明组成等案件要素。对每一个案件要素中的词汇进行分词、去停用词操作，去除原始数据中无意义词汇。进一步地，根据相关法律法规和前期专家咨询，建立专业的法律术语词典，保留有效词汇，确保案件建模的准确性。进而，对所有案件要素中的词汇进行排序，得出贴合特定判案场景和我国法律法规的案件背景矩阵。
36.相对于传统方法，基于概念格的案件分类算法能够直接、准确、快速的得出案件罪名类型，完成案件预分类。基于概念格的案件分类算法利用形式概念分析领域中概念格技术，完成案件分类。对案件特征进行排列组合，得出包含多种案件特征序列的集合。通过遍历案件背景矩阵，得出包含特定公共属性序列的案件集合。进一步地，设定阈值，根据公共属性序列长度，得出特性罪名类型下的案件集合，完成案件分类。
37.相对于传统方法，基于elastic-net回归的案件刑期预测算法得出的预测结果更加细致、准确，与分类算法相比，更符合法务人员的需求。基于elastic-net回归的案件刑期预测算法利用案件背景矩阵和案件罪名类型，建立特定罪名类型下的案件背景子矩阵，进一步地，利用该子矩阵训练elastic-net回归模型，得出针对该罪名类型的刑期预测回归模型。进而，针对每一种罪名类型（或概念），重复上述操作，得出针对该案件数据库的刑期预测模型。
38.在上述实施例的基础上，本发明另一方面提出一种基于回归概念格的案件刑期预测系统，包括：案件背景矩阵构建模块，用于基于案件背景进行案件建模，得出案件背景矩阵；案件分类模块，用于在案件背景矩阵的基础上，利用形式概念分析领域中概念格技术，完成案件罪名分类；刑期预测模块，用于结合得出的案件背景矩阵和案件罪名类型，针对对应罪名类型下的案件，构建elastic-net回归模型，预测对应罪名类型下的案件的刑期。
39.进一步地，所述案件背景矩阵构建模块包括：案件要素获取子模块，用于从案件数据库的法律案件文书中分解出案件由来与调查经过、当事人信息、违法事实和特别说明四个案件要素；案件要素预处理子模块，用于对每一个案件要素中的词汇进行分词、去停用词操作，去除原始数据中无意义词汇；法律术语词典构建子模块，用于建立法律术语词典，保留有效词汇，确保案件建模的准确性；案件要素词汇词典构建子模块，用于对所有案件要素中的词汇，按照词汇频率、tf-idf值、词汇出现的先后顺序进行排序，确定词汇重要程度，建立案件要素词汇词典；案件背景矩阵得出子模块，用于按照上述生成的案件要素词汇词典，设定特征词汇数量阈值，选出固定数量的特征词汇，利用特征匹配技术，建立针对案件数据库的案件背景矩阵。
40.进一步地，所述案件分类模块包括：
案件特征排列组合子模块，用于以案件背景矩阵为基础，对案件特征进行排列组合，得出包含多种案件特征序列的集合s；案件背景矩阵遍历子模块，用于多次遍历案件背景矩阵，针对s中每个元素，得出同时包含该元素的案件集合，最终获得包含案件特征序列的案件集合，称该案件特征序列为该案件集合的公共属性序列；法律案件分类子模块，用于基于以上计算，设定阈值，当案件集合的公共属性序列长度高于该阈值时，则认为该案件集合中的案件属于同一罪名类型下的案件，最终，完成法律案件的分类。
41.进一步地，所述刑期预测模块包括：案件背景子矩阵构建子模块，用于根据案件背景矩阵和案件罪名类型，建立固定罪名类型下的案件背景子矩阵；刑期预测回归模型第一构建子模块，用于在该案件背景子矩阵中，每行为一条案件，每列为一条属性，利用该案件背景子矩阵训练elastic-net回归模型，得出针对该罪名类型的刑期预测回归模型；刑期预测回归模型第二构建子模块，用于针对每一种罪名类型，重复刑期预测回归模型中操作，建立该罪名类型下的刑期预测回归模型；最终，得出针对该案件数据库的刑期预测回归模型；刑期预测子模块，用于基于得出的针对该案件数据库的刑期预测回归模型预测对应罪名类型下的案件的刑期。
42.综上，相对于以往的案件建模方法，基于案件背景的案件建模方法更加简单易行，且结合我国法律法规，针对不同的判案场景，根据案件词汇的重要程度，建立案件要素词汇词典，得出的案件背景矩阵的适应能力和对案件的描述能力更强。相对于以往的案件刑期预测方法，本发明提出的基于回归概念格的案件刑期预测方法及系统得出的预测结果更加细致，符合法务人员的需要，更具有实用性。同时，本发明提出的方法及系统简易可行，容易实现，鲁棒性强，准确率高。本发明能够在多种类型的硬件和软件环境下进行部署，具有更强的实际意义和社会价值。
43.以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于回归概念格的案件刑期预测方法，其特征在于，包括：步骤1：基于案件背景进行案件建模，得出案件背景矩阵；步骤2：在案件背景矩阵的基础上，利用形式概念分析领域中概念格技术，完成案件罪名分类；步骤3：结合得出的案件背景矩阵和案件罪名类型，针对对应罪名类型下的案件，构建elastic-net回归模型，预测对应罪名类型下的案件的刑期。2.根据权利要求1所述的基于回归概念格的案件刑期预测方法，其特征在于，所述步骤1包括：步骤1.1：从案件数据库的法律案件文书中分解出案件由来与调查经过、当事人信息、违法事实和特别说明四个案件要素；步骤1.2：对每一个案件要素中的词汇进行分词、去停用词操作，去除原始数据中无意义词汇；步骤1.3：建立法律术语词典，保留有效词汇，确保案件建模的准确性；步骤1.4：对所有案件要素中的词汇，按照词汇频率、tf-idf值、词汇出现的先后顺序进行排序，确定词汇重要程度，建立案件要素词汇词典；步骤1.5：按照上述生成的案件要素词汇词典，设定特征词汇数量阈值，选出固定数量的特征词汇，利用特征匹配技术，建立针对案件数据库的案件背景矩阵。3.根据权利要求1所述的基于回归概念格的案件刑期预测方法，其特征在于，所述步骤2包括：步骤2.1：以案件背景矩阵为基础，对案件特征进行排列组合，得出包含多种案件特征序列的集合s；步骤2.2：多次遍历案件背景矩阵，针对s中每个元素，得出同时包含该元素的案件集合，最终获得包含案件特征序列的案件集合，称该案件特征序列为该案件集合的公共属性序列；步骤2.3：基于以上计算，设定阈值，当案件集合的公共属性序列长度高于该阈值时，则认为该案件集合中的案件属于同一罪名类型下的案件，最终，完成法律案件的分类。4.根据权利要求1所述的基于回归概念格的案件刑期预测方法，其特征在于，所述步骤3包括：步骤3.1：根据案件背景矩阵和案件罪名类型，建立固定罪名类型下的案件背景子矩阵；步骤3.2：在该案件背景子矩阵中，每行为一条案件，每列为一条属性，利用该案件背景子矩阵训练elastic-net回归模型，得出针对该罪名类型的刑期预测回归模型；步骤3.3：针对每一种罪名类型，重复步骤3.2操作，建立该罪名类型下的刑期预测回归模型；最终，得出针对该案件数据库的刑期预测回归模型；步骤3.4：基于得出的针对该案件数据库的刑期预测回归模型预测对应罪名类型下的案件的刑期。5.一种基于回归概念格的案件刑期预测系统，其特征在于，包括：案件背景矩阵构建模块，用于基于案件背景进行案件建模，得出案件背景矩阵；案件分类模块，用于在案件背景矩阵的基础上，利用形式概念分析领域中概念格技术，
完成案件罪名分类；刑期预测模块，用于结合得出的案件背景矩阵和案件罪名类型，针对对应罪名类型下的案件，构建elastic-net回归模型，预测对应罪名类型下的案件的刑期。6.根据权利要求5所述的基于回归概念格的案件刑期预测系统，其特征在于，所述案件背景矩阵构建模块包括：案件要素获取子模块，用于从案件数据库的法律案件文书中分解出案件由来与调查经过、当事人信息、违法事实和特别说明四个案件要素；案件要素预处理子模块，用于对每一个案件要素中的词汇进行分词、去停用词操作，去除原始数据中无意义词汇；法律术语词典构建子模块，用于建立法律术语词典，保留有效词汇，确保案件建模的准确性；案件要素词汇词典构建子模块，用于对所有案件要素中的词汇，按照词汇频率、tf-idf值、词汇出现的先后顺序进行排序，确定词汇重要程度，建立案件要素词汇词典；案件背景矩阵得出子模块，用于按照上述生成的案件要素词汇词典，设定特征词汇数量阈值，选出固定数量的特征词汇，利用特征匹配技术，建立针对案件数据库的案件背景矩阵。7.根据权利要求5所述的基于回归概念格的案件刑期预测系统，其特征在于，所述案件分类模块包括：案件特征排列组合子模块，用于以案件背景矩阵为基础，对案件特征进行排列组合，得出包含多种案件特征序列的集合s；案件背景矩阵遍历子模块，用于多次遍历案件背景矩阵，针对s中每个元素，得出同时包含该元素的案件集合，最终获得包含案件特征序列的案件集合，称该案件特征序列为该案件集合的公共属性序列；法律案件分类子模块，用于基于以上计算，设定阈值，当案件集合的公共属性序列长度高于该阈值时，则认为该案件集合中的案件属于同一罪名类型下的案件，最终，完成法律案件的分类。8.根据权利要求5所述的基于回归概念格的案件刑期预测系统，其特征在于，所述刑期预测模块包括：案件背景子矩阵构建子模块，用于根据案件背景矩阵和案件罪名类型，建立固定罪名类型下的案件背景子矩阵；刑期预测回归模型第一构建子模块，用于在该案件背景子矩阵中，每行为一条案件，每列为一条属性，利用该案件背景子矩阵训练elastic-net回归模型，得出针对该罪名类型的刑期预测回归模型；刑期预测回归模型第二构建子模块，用于针对每一种罪名类型，重复刑期预测回归模型中操作，建立该罪名类型下的刑期预测回归模型；最终，得出针对该案件数据库的刑期预测回归模型；刑期预测子模块，用于基于得出的针对该案件数据库的刑期预测回归模型预测对应罪名类型下的案件的刑期。

技术总结
本发明属于智慧司法技术领域，公开一种基于回归概念格的案件刑期预测方法及系统，包括：步骤1：基于案件背景进行案件建模，得出案件背景矩阵；步骤2：在案件背景矩阵的基础上，利用形式概念分析领域中概念格技术，完成案件罪名分类；步骤3：结合得出的案件背景矩阵和案件罪名类型，针对对应罪名类型下的案件，构建Elastic-net回归模型，预测对应罪名类型下的案件的刑期。本发明针对不同的判案场景，根据案件词汇的重要程度，建立案件特征词典，得出的案件背景矩阵的适应能力和对案件的描述能力更强。力更强。力更强。


技术研发人员：郭小丁 张磊 皂菲菲
受保护的技术使用者：河南大学
技术研发日：2021.12.13
技术公布日：2022/3/8