《表2 访谈成员基本信息：融合CNN与BiLSTM的刑事案件决策研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合CNN与BiLSTM的刑事案件决策研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

法条预测的实验结果如表2所示，可以看出，本文方法在各项指标较其他模型均取得了最好结果，说明本文模型是有效的。本文方法相比Text-CNN和GRU，在macro-F1指标上分别提高了8%和13.8%，从侧面说明了本文对文本特征提取的有效性；与LJPVTP模型相比，在macro-F1指标上结果相近略有提高。LJPVTP采用了多个尺寸的CNN对文本进行编码，得到的是多尺度特征的结果，虽然LJPVTP也使用了LSTM进行进一步的特征提取，但由于其在CNN之后先使用了最大池化层，再连接至LSTM层，这样只提取案件最重要的特征而丢失了案件部分细节信息，虽用LSTM来提取句子相关性信息，但最终结果与本文结果相差不多，可能的原因在于多尺度特征经过最大池化层后多尺度特征的优势被抵消掉了。本文采用了2-gram特征（即滤波器尺寸为2），而且没用使用池化层而直接输入至BiLSTM，既提取了短时特征又考虑到长时特征，而且没有遗漏细节信息，并且特征尺度没有LJPVTP复杂，运算量没有LJPVTP大，特征提取效果却能达到后者的效果甚至更高，说明了本文方法特征提取的高效性和分类结果精度更高。