王 悦，王平辉，许 诺，陈 龙，杨 鹏，吴 用

西安交通大学 智能网络与网络安全教育部重点实验室，西安 710049

在经济快速发展，社会急剧转型的背景下，公民的权利意识逐渐增强，法院收案量高速增长。相关数据显示，截至2019 年7 月31 日，全国法院新收案件总数同比增加189.0 万件，上升14.54%（http://www.xinhuanet.com/2019-07/31/c_1124822269.htm），“案多人少”矛盾异常突出。准确高效地识别案件审判难度，对于缓解“案多人少”矛盾，提高审判效率具有重要意义。

审判难度预测是指在给定起诉状案情描述文本的情况下，自动预测案件审判难易程度。现阶段，案件审判难度预测工具严重依赖专家知识，其实现方式为：（1）根据办案专家经验，人工构建审判难度判别规则库。（2）对任意受理的案件，匹配相关规则，实现对案件审判难易程度的划分[1]。

现有方法过于依赖专家经验，由于不同专家对案件难易程度的判断标准具有主观性，存在较大差异，导致不同专家对相同案件的审判难度判断结果存在较大偏差。此外，现阶段审判难度预测相关研究较少，而此项工作的顺利开展对于缓解法院“案多人少”矛盾极其重要。

针对上述问题，结合审判难度预测的定义，本文将其归结为自然语言处理中的文本分类问题。通过综合考虑不同专家的判断结果对原始案件的审判难度进行标注，利用文本分类的方法，解决不同专家下，相同案件审判难度偏差大的问题。

常见的文本分类方法是基于序列建模的。然而，起诉状本身是半结构化文本，由判别要素组成，且判别要素间具有明显的结构独特性和逻辑依赖性。……