具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参见图1，本申请提供了一种刑期预测方法，本申请的方法可以应用任意具备数据处理能力的电子设备。该方法包括步骤S101-S103。其中：

S101：获得待预测刑期的案件的案情文书。

案情文书是描述案件的详细信息的文件。如，案情文书可以包括该刑事案件发生的地点、时间以及该案件所属的罪名等等信息。

案情文书的内容会影响该刑事案件的判决结果，为此，预测刑事案件的刑期需要以案情文书中的内容为参考依据。

S102：确定案情文书中包含的关键要素集，关键要素集包括至少一种影响刑期的关键要素。

由前面案情文书的介绍可知，案情文书中包含影响到案件刑期的内容信息，而这些内容信息中可以包含多种从不同维度对量刑刑期产生影响的影响因素，每种影响因素就属于该案情文书中的一种关键要素。

如：案情文书中案件的罪名、作案手段、案件发生的时间、案件发生地点等等都属于影响到案情的刑期的关键要素。其中，确定案情文书中的关键要素的方式可以多种，如，可以基于预先设定的关键要素库，对案情文书进行检索，以定位出案情文书中包含的各个关键要素，得到该案件文书的关键要素集。

在一个示例中，确定案情文书中包含的关键要素集还可以是：依据设定的多种关键要素的要素匹配规则，解析案情文书中的关键要素，得到案情文书中包含的关键要素集。其中，该关键要素集中的关键要素属于设定的多种关键要素。

其中，关键要素的要素匹配规则为基于关键要素所满足的特征构建出的用于从案件文书中检索该关键要素的规则。如，可以通过对多个历史案件文书进行分析得到的，确定不同案情文书中所可能涉及到的所有关键要素，然后，针对每种关键要素，依据该关键要素在不同历史案情文书中描述和不同表现形式等，确定出每个关键要素所具有的特征或者组成规则等，并基于关键要素的特征和组成规则等，构建出该关键要素的要素匹配规则。

例如，对于“酒驾”这一关键要素，考虑到酒驾的特征一般都必须包含酒和驾车这两个词，因此，这一关键要素的要素匹配规则中可以为用于定位包含“酒”和“车”的词或者语句的匹配规则。

其中，该要素匹配规则形式可以有多种可能，如，考虑到正则表达式可以用来检索、替换那些符合某个模式的文本，因此，针对每个关键要素，可以该关键要素的要素匹配规则可以为该关键要素的正则表达式。

其中，为了兼顾关键要素在不同案情文书中的具体形式，每种关键要素可以有一种或者多种要素匹配规则。

可以理解的是，不同刑事罪名的影响因素的差别也较大，因此，不同刑事罪名需要关注的关键要素也会有所不同。因此，本申请可以针对每种刑事罪名分别设定该刑事罪名对应的多种关键要素即每个刑事罪名对应多个关键要素，不同刑事罪名对应的关键要素的种类可以不同。

相应的，在确定该案件的关键要素之前，还可以先根据案情文书，确定出该案件所属的刑事罪名。在该种情况下，根据设定的刑事罪名下的多种关键要素，确定该案情文书中包含的至少一个关键要素。

如，确定出该案件所属的刑事罪名后，依据设定的与该刑事罪名对应的多种关键要素的要素匹配规则，解析出该案件的案情文书中包含的关键要素。

可以理解的是，在案情文书中影响到刑期的要素可以是与法条相关的要素，还可以是与案情相关的要素。因此，本申请中设定的多种关键要素所属的要素类型可以包括：与案情相关的第一类要素以及与法条相关的第二类要素中的一种类型或者两种类型。

可选的，考虑到与案件的案情对于案情更能直观反映出案件的具体情况，也更有利于确定刑期，因此，本申请中预先设定的多种关键要素至少包括与案情相关的关键要素。

S103：基于关键要素集中包含的至少一种关键要素，利用已训练的刑期预测模型预测案件的刑期。

其中，刑期预测模型为利用标注有实际刑期和至少一种关键要素的多个案情文书样本训练得到。其中，案情文书样本标注的至少一种关键要素是指从案情文书样本中提取出的关键要素，从案情文书样本中提取关键要素的方式可以人工提取，也可以是参照前面提到的从案情文书中提取关键要素的相关介绍，在此不再赘述。

其中，该刑期预测模型可以为预先训练出的神经网络模型、线性回归模型或者回归树等模型，对此不加限制。

其中，刑期预测模型可以通过对关键要素集中的关键要素进行分析处理，并最终确定出与该关键要素集的关键要素相匹配的刑期。

如，可以将从案情文书中解析出的关键要素集中的关键要素分别转换为向量，再将关键要素集中各个关键要素的向量输入到该刑期预测模型中，以得到刑期预测模型预测出的刑期。

又如，还可以是依据关键要素集中包含的至少一种关键要素，构建要素特征，该要素特征表征关键要素集中包含的关键要素的要素种类；然后，再将要素特征输入已训练的刑期预测模型，得到刑期预测模型预测出的案件的刑期。

其中，关键要素集对应的要素特征可以反映出关键要素集中包含了哪些种类的关键要素。如，要素特征可以为一组要素编码，该组要素编码的位数与预先设定的关键要素的数量相同，且该组要素编码中的每一位代表一种关键要素，要素编码中每位的取值表征是否该位对应的关键要素是否存在。例如，要素编码中每位的取值为0或1，其中，如果某位的取值为1，则表示案情文书中存在该位表示的关键要素；而如果该位取值为0，则表示案情文书中不存在该位表示的关键要素。

为了便于理解，举例说明：

假设设定了10种关键要素，分别为关键要素1-关键要素10，可以设定表征要素特征的要素编码位数为10位，且这10位依次表征关键要素1到关键要素10。

那么，假设如果从案情文书中解析的关键要素集仅包括关键要素1和关键要素3，那么基于该关键要素集，构建表征要素特征的要素编码时，该要素编码中表征关键要素1的位置的取值为1，且要素编码中表征关键要素3的位置上的取值为1，该要素编码中其他位的取值则为0，相应的，构建出的要素编码可以为：1，0，1，0，0，0，0，0，0，0。

相应的，将该要素编码输入到刑期预测模型中，该刑期预测模型基于该要素编码便可以确定出该案件的案情文书中包含了哪几种关键要素，从而基于案情文书中包含的关键要素的种类预测出案件的刑期。

借由上述技术方案，本发明基于案件的案情文书中包含的各个关键要素，利用已训练的刑期预测模型预测案件的刑期，从而为法官确定该案件的刑期提供了依据，降低了确定案件的刑期的复杂度，也减少了由于搜索相似案件来确定刑期所需耗费的大量人力资源，提升了对待预测刑期的案情文书的刑期处理效率，同时也避免了人为判决时存在的潜意识偏差。

由于本申请在基于刑期预测模型预测刑期的过程中并不是直接基于案情文书进行刑期预测，而是结合了案情文书中包含的对影响刑期的关键要素来预测刑期，由于案情文书包含的关键要素更为直接、准确的反映出案件的案情和法条等信息，因此，本申请提供的技术方案除了减少人力资源的耗费之外，结合案情文书中包含的关键要素预测刑期有利于更为准确的预测出刑期。

可以理解的是，为方便理解训练刑期预测模型的过程，以刑期预测模型为训练出的神经网络模型为例说明。如，参见图2，其示出了本申请提供训练刑期预测模型的一种训练流程示意图，该流程包括：

S201，获取多个作为训练样本的历史案情文书，该历史案情文书标注有实际刑期。

其中，历史案情文书为已经确定出刑期的案件的案情文书，因此，每个历史案情文书对应的案件的刑期是确定的。

S202，针对每个历史案情文书，确定该历史案情文书对应的刑事罪名，并依据设定的与该刑事罪名相关的多种关键要素各自的要素匹配规则，从该历史案情文书中提取出包含至少一个关键要素的关键要素集。

其中，从历史案情文书中提取出的至少一个关键要素就是需要为该历史案情文书标注的至少一种关键要素。

当然，该步骤S202仅仅是确定作为训练样本的历史案情文书中至少一个关键要素的一种方式，在实际应用中，也可以是通过其他方式预先确定出历史案情文书中的至少一个关键要素，如，利用工人预先确定并标注该历史案情文书中的至少一个关键要素等。

S203，针对每个历史案情文书，依据从该历史案情文书中提取出的关键要素集，构建要素编码。

该要素编码表征该历史案情文书中包含的关键要素的具体种类。

其中，具体构建要素编码的过程可以参见前面实施例的相关介绍，在此不再赘述。

S204，针对每个历史案情文书，将该历史案情文书对应的要素编码输入到需要训练的神经网络模型中，得到该神经网络模型预测出的该历史案情文书对应的预测刑期。

S205，依据各个历史案情文书对应的实际刑期和预测刑期，检测是否达到该神经网络模型的训练结束条件，如果是，则训练结束；如果否，则调整神经网络模型的内部参数，并返回步骤S204进行训练。

其中，神经网络的训练结束条件可以为：循环训练的次数到达设定次数，或者满足神经网络模型的收敛条件；还可以是神经网络模型的预测精准度是否符合设定要求等，对此不加限制。

其中，调整神经网络模型的内部参数包括调整神经网络模型中各个关键要素的权重，以及神经网络模型的一些固有参数等。

可以理解的是，在实际应用中，为了进一步确保神经网络模型预测刑期的精准度，本申请还可以获得多个用于验证样本的历史案情文书，其中，每个历史案情文书均标注有实际刑期和至少一种关键要素。

相应的，可以利用多个历史案情文书对训练出的神经网络模型进行验证，如果验证出神经网络模型的预测精准度符合要求，则可以将训练出的该神经网络模型作为刑期预测模型。如果验证出该神经网络模型的预测精准度不符合要求，则可以通过重新获得训练样本并重新训练神经网络模型；或者是重新构建不同刑事罪名相关的多种关键要素，还可以是交由专家复核以确定问题原因。

可以理解的是，本实施例的训练方法是以通过训练神经网络模型作为刑期预测模型为例说明，但是将该神经网络模型替换为其他机器学习模型也同样适用于该训练方法。

上述实施例通过刑期预测模型得到案件对应的预测刑期可以为法官提供案件刑期判决的依据，但是考虑到有些案件的特殊性，仅仅依据预测出的刑期也可能无法确定出案件的准确刑期，因此，本申请还可以在提供预测出的预测刑期的同时，还可以根据从该案件的案情文书中提取出的关键要素集，搜索与该案件的案情文书具有相似特征的其他案情文书，以为法官提供更多确定刑期的依据。

如，参见图3，示出了本申请提供了一种刑期预测方法又一个实施例的流程示意图，该方法包括：

S301：获得待预测刑期的案件的案情文书。

S302：确定案情文书中包含的关键要素集，关键要素集包括至少一种影响刑期的关键要素。

S303：基于关键要素集中包含的至少一种关键要素，利用已训练的刑期预测模型预测案件的刑期，刑期预测模型为利用标注有实际刑期的多个案情文书样本各自包含的至少一种关键要素训练得到。

以上步骤可参照前面实施例中的相关介绍，在此不再赘述。

S304：获得设定的多种关键要素各自的权重。

其中，多种关键要素各自的权重为已训练的刑期预测模型中设置的各个关键要素对应的权重。

可以理解的是，在刑期预测模型训练完成之后，刑期预测模型进行刑期预测时，其申请的每种关键要素的权重就是固定的，因此，可以获得训练出的刑期预测模型中所设定的各种关键要素各自的权重。

可以理解的是，考虑到在不同刑事罪名下，同一种关键要素对刑事罪名的影响程度也会有所差别，因此，在针对不同刑事罪名各自对应的多种关键要素的情况下，还可以针对每种刑事罪名单独训练出适合该刑事罪名的刑期预测模型。

相应的，在基于该案件的案情文书确定该案件的刑事罪名之后，在该步骤S303中，可以基于从该案情文书中提取出的关键要素，利用与该刑事罪名匹配的刑期预测模型，确定该案件的预测刑期。在该种情况下，该步骤S304中设定的多种关键要素的权重也为该刑事罪名涉及的多种关键要素各自的权重。

该步骤S304与步骤S303的顺序不限于图3所示，这两个步骤的顺序可以互换，也可以是同时执行。

S305：根据该案情文书的关键要素集中包含的关键要素，从文书库中搜索满足条件的至少一个历史案情文书。

其中，满足条件的历史案情文书是指与该案情文书具有至少一个相同的关键要素的历史案情文书。

如，该案情文书中的关键要素集中包含关键要素1、关键要素2和关键要素3，那么如果历史案情文书中也包含该关键要素1、关键要素2和关键要素3中的任意一个或者多个，则该历史案情文书为满足条件的历史案情文书。

需要说明的是，文书库中存储有多个历史案情文书。其中，每个历史案情文书均对应有预先从该历史案情文书中分析出的关键要素。

如，可以筛选出一些较为经典的案件的案情文书作为文书库中存储的历史案情文书。

可选的，该文书库中的历史案情文书可以为用于训练刑期预测模型的多个历史案情文书。由于在训练刑期预测模型过程中，该历史案情文书对应的关键要素已经完成了提取，因此，在文书库中存储历史案情文书与该历史案情文书中包含的关键要素。

S306，针对满足条件的每个历史案情文书，根据该历史案情文书与该案情文书中相同的至少一个关键要素以及该相同的至少一个关键要素各自的权重，确定该历史案情文书与该案情文书的相似度。

如，历史案情文书与该案情文书的相似度为该历史案情文书与该案情文书中相同的关键要素的加权和。

例如，假设历史案情文书与案情文书具有相同的关键要素1和关键要素3，其中，关键要素1的权重为0.6，而关键要素3的权重为0.2，则相似度为1*0.6+1*0.2＝0.8。

S307，从满足条件的至少一篇历史案情文书中，确定出相似度符合要求的至少一篇历史案情文书。

如，该相似度符合要求可以为按照相似度从高到低的顺序排序，排序属于前设定位，例如，相似度较高的前5篇历史案情文书确定为相似度符合要求的历史案情文书。

又如，相似度符合要求还可以为相似度超过设定阈值，例如，相似度超过0.8则确认相似度满足要求。

S308：输出关键要素集、相似度满足要求的至少一篇历史案情文书以及刑期预测模型预测出的该案件的刑期。

其中，输出与该案件的案情文书相似度较高的历史案情文书可以避免了法官手动搜索相似案情文书，又可以为法官结合预测出的预测刑期确定案件的最终刑期提供了又一个维度的参考依据，有利于法官更为准确、可靠的确定案件的刑期。

需要说明的是，输出该案件的案情文书中提取出的关键要素集仅仅是一种可选方式，其目的是给法官提供搜索出的各个历史案情文书的搜索依据，以便法官结合该关键要素集中的关键要素来辅助判断下搜索出的历史案情文书是否为其所需要的案情文书。

又一方面，本申请还提供给了一种刑期预测装置。如，参见图4，本申请实施例的一种刑期预测装置包括：

文书获取模块401，用于获得待预测刑期的案件的案情文书；

要素确定模块402，用于确定案情文书中包含的关键要素集，关键要素集包括至少一种影响刑期的关键要素；

预测模块403，用于基于关键要素集中包含的至少一种关键要素，利用已训练的刑期预测模型预测案件的刑期，刑期预测模型为利用标注有实际刑期和至少一种关键要素的多个案情文书样本训练得到。

借由上述技术方案，本发明基于案件的案情文书中包含的各个关键要素，利用已训练的刑期预测模型预测案件的刑期，从而为法官确定该案件的刑期提供了依据，降低了确定案件的刑期的复杂度，也减少了由于搜索相似案件来确定刑期所需耗费的大量人力资源。

在一个示例中，要素确定模块在确定案情文书中包含的关键要素集时，具体用于：

依据设定的多种关键要素的要素匹配规则，对所述案情文书中的关键要素进行解析，得到所述案情文书中包含的所述关键要素集。

在一个示例中，刑期预测装置还可以包括：

罪名确定模块，用于基于所述案情文书确定所述案件涉及的刑事罪名。

要素确定模块在依据设定的多种关键要素的要素匹配规则，对所述案情文书中的关键要素进行解析，得到所述案情文书中包含的所述关键要素集时，具体用于：

依据设定的与刑事罪名对应的多种关键要素的要素匹配规则，对所述案情文书中的关键要素进行解析，得到所述案情文书中包含的所述关键要素集。

在一个示例中，预测模块在基于关键要素集中包含的至少一种关键要素，利用已训练的刑期预测模型预测案件的刑期时，具体用于：

依据所述关键要素集中包含的至少一种关键要素，构建要素特征，所述要素特征表征所述关键要素集中包含的关键要素的要素种类。

将所述要素特征输入已训练的刑期预测模型，得到所述刑期预测模型预测出的所述案件的刑期。

参见图5，其示出了本申请提供的刑期预测装置的另一种组成结构示意图，具体的该装置除了包括文书获取模块401，要素确定模块402和预测模块403之外，还包括：

权重获取模块404，用于获得设定的多种关键要素各自的权重，多种关键要素各自的权重为已训练的刑期预测模型中设置的各个关键要素对应的权重。文书初选模块405，用于依据所述案情文书的关键要素集中包含的关键要素，从文书库中搜索满足条件的至少一篇历史案情文书，所述满足条件的历史案情文书是指与所述案情文书包含有至少一个相同的关键要素的历史案情文书；

相似度计算模块406，用于针对满足条件的每个历史案情文书，根据所述历史案情文书与所述案情文书中相同的至少一个关键要素以及所述相同的至少一个关键要素各自的权重，确定所述历史案情文书与所述案情文书的相似度；

文书复选模块407，用于从所述满足条件的至少一篇历史案情文书中，确定出相似度符合要求的至少一篇历史案情文书。

可选的，该装置还可以包括输出模块408，用于输出关键要素集、相似度满足要求的至少一篇历史案情文书以及刑期预测模型预测出的该案件的刑期。

在一个示例中，多种要素所属的要素类型包括：与案情相关的第一类要素以及与法条相关的第二类要素中的一种类型或者两种类型。

所述刑事预测装置包括处理器和存储器，上述文书获取模块、要素确定模块以及预测模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来基于案件的案情文书，对案件进行刑期预测，从而引导法官对案件文书做出刑期判决。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述刑期预测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述刑期预测方法。

本发明实施例提供了一种电子设备，如图6所示，该电子设备包括至少一个处理器601、以及与处理器601连接的至少一个存储器602、总线603；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的刑期预测方法。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获得待预测刑期的案件的案情文书；

确定所述案情文书中包含的关键要素集，所述关键要素集包括至少一种影响刑期的关键要素；

基于所述关键要素集中包含的至少一种关键要素，利用已训练的刑期预测模型预测所述案件的刑期，所述刑期预测模型为利用标注有实际刑期和至少一个关键要素的多个案情文书样本训练得到。

在一个示例中，所述确定所述案情文书中包含的关键要素集，包括：依据设定的多种关键要素的要素匹配规则，对所述案情文书中的关键要素进行解析，得到所述案情文书中包含的所述关键要素集。

在一个示例中，在所述确定所述案情文书中包含的关键要素集之前，还包括：

基于所述案情文书确定所述案件涉及的刑事罪名；

所述依据设定的多种关键要素的要素匹配规则，对所述案情文书中的关键要素进行解析，得到所述案情文书中包含的所述关键要素集，包括：

依据设定的与所述刑事罪名对应的多种关键要素的要素匹配规则，对所述案情文书中的关键要素进行解析，得到所述案情文书中包含的所述关键要素集。

在一个示例中，所述基于所述关键要素集中包含的至少一种关键要素，利用已训练的刑期预测模型预测所述案件的刑期，包括：

依据所述关键要素集中包含的至少一种关键要素，构建要素特征，所述要素特征表征所述关键要素集中包含的关键要素的要素种类；

将所述要素特征输入已训练的刑期预测模型，得到所述刑期预测模型预测出的所述案件的刑期。

在一个示例中，所述刑期预测方法还包括：

获得设定的多种关键要素各自的权重，所述多种关键要素各自的权重为所述已训练的刑期预测模型中设置的各个关键要素对应的权重；

依据所述案情文书的关键要素集中包含的关键要素，从文书库中搜索满足条件的至少一篇历史案情文书，所述满足条件的历史案情文书是指与所述案情文书包含有至少一个相同的关键要素的历史案情文书；

针对满足条件的每个历史案情文书，根据所述历史案情文书与所述案情文书中相同的至少一个关键要素以及所述相同的至少一个关键要素各自的权重，确定所述历史案情文书与所述案情文书的相似度；

从所述满足条件的至少一篇历史案情文书中，确定出相似度符合要求的至少一篇历史案情文书。

在一个示例中，所述刑期预测方法还包括：

输出所述关键要素集、该相似度符合要求的至少一篇历史案情文书的信息以及所述刑期预测模型预测出的所述案件的刑期。

在一个示例中，所述多种要素所属的要素类型包括：与案情相关的第一类要素以及与法条相关的第二类要素中的一种类型或者两种类型。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。