本技术公开了一种基于量刑规则知识图谱驱动的刑期预测方法,属于刑期预测技术领域,具体包括:对涉及案件量刑的法律法规和指导意见进行分析,从模式层至数据层自顶向下构建量刑规则知识图谱,并总结归纳量刑思维链;依据思维链指引,利用知识图谱的结构化数据提示工程对刑事案件法律文书进行结构化和标注,生成SSP指令微调数据集;最后,采用低秩适应LoRA参数高效微调策略,对大语言模型进行有监督的指令微调,生成刑期预测模型,构建出基于量刑规则知识图谱驱动的可解释性刑期预测系统;系统结合用户输入的案情,通过量刑规则知识图谱完成实体识别与检索,利用提示组装实现对刑期预测模型的生成检索增强,优化刑期预测结果。
背景技术
在刑事司法领域,人工智能技术被广泛应用于量刑预测,以克服人为偏见、提升办案质效。然而,传统智能量刑方法主要依赖分类、回归及神经网络算法,通过法律事实推导量刑结果。这些算法的“黑箱”属性导致预测过程缺乏解释性,其法律信任程度存在高敏感性与不确定性,导致预测性司法与司法公正产生内生冲突。
为应对此类矛盾,知识图谱(KnowledgeGraph,KG)逐渐成为刻画案件要素及其关联关系的关键工具,为量刑预测结果的可解释性提供了基础支持。随着大语言模型(LargeLanguageModel,LLM)的迅速发展,法律大模型在法律预测、问答和文本生成等领域表现出色,也因此成为智能量刑研究的焦点。但大多数法律大模型基于通用大模型,通过指令微调和增量训练构建,面临生成机制不透明、生成幻觉文本等问题。此外,法律大模型对法官裁判思维缺乏深入理解,其生成的文本尚难以全面呈现并有效支撑法律判决的完整逻辑体系。
综上所述,单独应用知识图谱技术在量刑判决逻辑推理方面存在显著不足,而单独依赖大语言模型则易产生模型幻觉,无法准确表达法律语言和量刑逻辑,难以在刑事司法场景下进行应用;基于此,本发明提出了一种基于量刑规则知识图谱驱动的刑期预测方法。
实现思路