El uso de la tecnología de juicio inteligente para ayudar en el juicio es una tendencia inevitable en el desarrollo del juicio en los casos legales sociales contemporáneos. El uso de la tecnología de big data e inteligencia artificial para determinar con precisión las múltiples acusaciones involucradas en los casos legales es un problema urgente a resolver en el juicio legal. La clave para resolver estos problemas radica en dos puntos, a saber, (1) la caracterización de los casos legales y (2) la clasificación y predicción de los datos de los casos legales. Los métodos tradicionales de caracterización de entidades se basan en la extracción de rasgos, que a menudo se basan en información de vocabulario y sintaxis. Por lo tanto, la caracterización tradicional de entidades suele requerir mucha energía y tiene poca generalidad, lo que introduce una gran cantidad de cálculos y una limitación a los algoritmos de clasificación posteriores. Este estudio propone un enfoque de juicio inteligente denominado RnRTD, que se basa en la red neuronal recurrente impulsada por relaciones (rdRNN) y la descomposición tensorial restringida (RTD). Representamos los casos legales como tensores y proponemos un método innovador de RTD. La RTD tiene una baja dependencia del vocabulario y la sintaxis y extrae la estructura de características más favorable para mejorar la precisión del algoritmo de clasificación posterior. RTD mapea los tensores, que representan casos legales, en un espacio de características específico y transforma el tensor original en un tensor central y sus correspondientes matrices de factores. Este estudio utiliza rdRNN para actualizar y optimizar continuamente las restricciones en RTD de modo que rdRNN pueda tener el mejor efecto de clasificación de casos legales en el espacio de características objetivo generado por RTD. Simultáneamente, rdRNN establece una nueva puerta y una lista de casos similares para representar la interacción entre los casos legales. En comparación con los métodos tradicionales de extracción de características, nuestro método de RTD propuesto es menos costoso y más universal en la caracterización de casos legales. Además, la rdRNN con una capa de RTD tiene un mejor efecto que la red neuronal recurrente (RNN) sólo en la clasificación y predicción de acusaciones múltiples en casos legales. Los experimentos muestran que, en comparación con los enfoques anteriores, nuestro método logra una mayor precisión en la clasificación y predicción de las acusaciones múltiples en los casos legales, y nuestro algoritmo es más interpretable.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Síntesis de superficies recubiertas con polvo de titanio TiO2 dopado con plata y su capacidad para inactivar Pseudomonas aeruginosa y Bacillus subtilis
Artículo:
Algoritmo de fusión de datos para redes heterogéneas de sensores inalámbricos basado en la máquina de aprendizaje extremo optimizada por optimización de enjambre de partículas
Artículo:
Nanocompuestos multicomponentes para terapias anticancerígenas complejas: Efecto de los procesos de agregación en su eficacia
Artículo:
Clasificación de imágenes de patología gástrica mediante el ajuste paso a paso de redes neuronales profundas
Artículo:
Selección de características y optimización de parámetros de SVM mediante optimización de enjambre de partículas para la clasificación de fallos en sistemas de distribución eléctrica
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Tesis:
Materiales y prácticas de construcción sostenible
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060