通过获取案件的判决路径,法院判决系统可以轻松地对案件进行判决.然而,随着司法资源的迅猛增加以及案情特征的多样性,为快速获取案件判决路径提出了挑战.论文利用Rete算法在分析已有法律法规中可能存在的规则集合基础上,根据案件判决路径的有向性,提出了结合案情描述关键字和适用法律规则的概率图模型—Rete-PGM.根据Rete-PGM特征,利用有向图理论及最大后验概率查询算法,提出了适合于Rete-PGM特征的最有可能的路径挖掘算法—DF-MAP(Deep First Max A Posterior),并用实验验证了该算法的性能.通过将所提算法运用于真实的法律文书数据集,实现了真实案件的判决路径挖掘.该模型的提出以及案件判决路径的发现,为创建高效的法院判决系统提供了保障.
概率图模型是一种解决现实世界中复杂问题的强有力的工具,包括有向图模型(贝叶斯模型)和无向概率图模型(马尔可夫随机场,Markov Random Field,MRF)两大类。近年来概率图模型已被广泛应用于社团发现领域,然而这些工作存在两方面的问题:1...
详细信息
概率图模型是一种解决现实世界中复杂问题的强有力的工具,包括有向图模型(贝叶斯模型)和无向概率图模型(马尔可夫随机场,Markov Random Field,MRF)两大类。近年来概率图模型已被广泛应用于社团发现领域,然而这些工作存在两方面的问题:1)基于有向图概率图模型的社团发现方法通常忽视了真实网络中社团模式的多样性,且使用的网络拓扑通常稀疏且可能包含噪声;2)作为概率图模型中的另外一类,无向图概率图模型MRF应用于社团发现的研究工作目前仍处于起步阶段。为了解决上述问题,本文针对采用概率图模型进行社团发现时存在的问题开展了深入研究。首先,基于有向图模型构建“网络嵌入增强”的广义社团发现模型,该模型通过混合建模的思想来描述网络正则,并引入网络嵌入以进一步增强该模型描述网络社团的能力,使得该模型不仅可以更准确地发现网络中的广义社团结构,还对网络的稀疏性和噪声具有鲁棒性。另一方面,我们基于MRF构建了融合结点属性和网络拓扑的MRF社团发现模型,该模型通过引入LDA主题模型得到结点的主题类簇分布,并基于此重新定义MRF能量函数中的单点势函数,再基于网络拓扑定义MRF能量函数中的成对势函数,从而使得该模型可有效融合结点属性和网络拓扑来进行社团发现。本文还分别针对上述两个模型提出了合适的模型推断算法来完成其参数优化工作,实验结果验证了以上模型的优越性能。综上所述,本文基于概率图模型,包括有向图模型(贝叶斯模型)和无向图模型(MRF),提出了两个不同的社团发现方法,并设计了合适的模型推推断算法来完成参数优化过程,使其可解决已有采用概率图模型进行社团发现时存在的问题,且在复杂的真实世界网络中具有良好的可用性。
暂无评论