論“智慧法院”知識體系的構建方法

舒怡　毛國慶

基金項目：2018年度國家重點研發計劃項目“智慧法院綜合示范及效能評價”（項目批準號：2018YFC0831600）的階段性成果;課題名稱：“智慧法院總體設計、一體化應用平臺構建及綜合示范”的階段性成果（課題編號：2018YFC 0831606）。

新基建中，知識驅動是智能升級的核心，在建設體系設計中具有重要作用。在新基建背景下，結合司法改革和法院信息化建設的需求，知識也將成為智慧法院建設從信息化向智能化轉型的核心驅動[1]。

本文將回答什么是智慧法院的知識體系，如何構建智慧法院知識體系等關鍵問題。

一、“智慧法院”知識體系的概念、內涵和表現方式

智慧法院知識體系是指，可以與技術支持系統結合的知識處理架構和規范，用于對法院決策、管理、辦案、執行、研究、黨建等信息化系統內的知識流進行處理，以實現上述信息化系統的優化或系統內數據價值的提升[2]。知識體系構建需考慮到法院業務的專業屬性，司法流程的實用屬性，數據處理的規范屬性，以及提升法院工作質效的社會屬性[3]。知識體系不是一個樹狀結構的框架，知識體系中各知識節點之間根據不同的業務場景標簽進行動態的、網狀的聯系。

知識體系與知識門戶存在區別。知識門戶是一種知識的展現形式，知識體系是知識門戶及知識應用系統內在的知識處理框架和邏輯[4]。

知識體系與知識服務存在區別。知識服務是一系列知識應用系統或功能模塊的統稱。包括有知識庫文檔管理、知識檢索、知識地圖、知識推薦、知識問答、知識可視化、知識評價和基于知識系統應用的使用者知識應用行為分析。而知識體系是指為涵蓋上述系統和功能模塊內知識流而構建的一個整體知識框架，以及基于該框架的，對于知識流數據的定義規范、融合規范、關聯規范[5]。

知識體系與知識處理流程存在區別。知識處理流程是指在知識體系指導下借助各種知識處理工具的操作流程。一般的知識的處理流程包括體系構建、知識標準化、知識編輯、知識抽取、知識驗證和知識管理;知識處理需要在知識體系框架下進行，需要考慮到基于大數據挖掘的概率模型和基于專家知識的強規則模型互相之間的滲透和融合，在標準化、編輯、抽取、驗證和調用管理的各個環節預留模型對應和模型比照的空間[6]。這個對應與比照是知識體系進行規范的內容。

知識體系與知識輔助系統存在區別。知識輔助系統是指用知識流數據優化現有流程系統或者管理系統的信息化建設的統稱。有的知識輔助系統，因為缺乏頂層設計，并不存在知識體系的指引，因此不同主體提供的同一功能的知識輔助系統會給出不同的統計結果或者政策建議。最為詬病比如類案推送系統。由于沒有對于類案的準確定義，各家信息化建設廠商提供的類案推薦策略不同，導致推薦結果差異較大。當然不同審級、不同地域甚至不同法官有可能對于類案標準給出不同的主觀判斷，在沒有類案統一標準的情況下，知識輔助系統應當在知識體系的標準框架下，披露自己的知識推薦策略，并允許使用者進行個性化修改。

知識體系與數據管理架構的區別。知識體系和數據管理架構其實是兩個存在并集的集合。有一些數據，本身是知識流的一部分，在數據管理框架和知識體系框架中都有自己的結構位置、屬性和規范標準[7]。

目前，有的單位在進行梳理時，將知識體系框架限定在數據管理框架之外，這里就割裂了知識與數據之間的天然的聯系，導致在應用層功能模塊對接上出現問題。

一般來說，基于數據管理框架中的數據結構再進行知識體系的梳理，是一個較好的辦法。但往往在數據中臺建設項目中，一般數據和知識數據被人為的進行團隊切割，且要求的項目工時相同，導致很多的架構中數據和知識服務內容交雜混亂，不能做統一界定。

二、構建“智慧法院”的司法知識體系的方法

（一）知識分類梳理

按照傳統知識工程的方法，可以按照知識類型作為梳理知識體系的入口。比如我們按照規則、規律、推理三種知識類型對司法知識體系進行分類。規則主要指司法知識主要涉及辦案相關的法律、法規、規章制度及業務規范。規律主要指基于數據統計分析的趨勢、特點。而推理這里主要指根據數據結合經驗形成的算法模型。

知識分類梳理法架構下的人民法院司法知識體系，分別包括靜態規則、動態規律以及知識推理幾個部分。訴訟、庭審、判決、送達、公開、立案、執行以及管理屬于靜態規則;審判執行類、社會治理類、司法管理類屬于動態規律;基礎類、服務人民群眾、服務審判執行以及服務司法管理即為知識推理。

根據知識類型進行分類，規則體系可以分為規則文檔、范本文檔兩類，范本文檔又可以根據范本的對象不同區別為內容范本和格式范本兩類[8]。規律體系中主要根據橫向對比或者縱向對比的不同需求，劃分不同的指標體系，主要有趨勢指標和分布指標的差異。推理模型則主要與智慧法院建設中的應用一一對應。

因此在上述知識體系的構建中規則的取值主要為文本。進行知識抽取時主要關注規則的效力時間、效力等級、規則頒布對象、規則適用對象、規則適用條件、規則的適用除外條件、規則的演化內容等。規律型知識主要是數值型的知識，需要明確規律指標的類目、名稱、對應的計算方法或模型、計算時的取值對象（時長、地域、審級、業務范圍）、業務邏輯、值字典等。最后的推理類知識應當有模型描述、計算邏輯、業務邏輯、訓練數據、模型指標、模型測試用例等[9]。

知識分類梳理法具有涵蓋范圍廣的特點，但由于與具體的應用場景距離較遠，知識處理的粒度在后期需要根據調用需求和模型優化需求進行調優。

（二）知識標簽梳理

我們也可以按照我們對于數據標簽梳理的邏輯，將知識作為一類數據，進行知識標簽梳理。通過設計合適的知識標簽并將其掛載到知識標簽類目。知識標簽類目設計完成后，知識標簽體系的框架就有了，然后通過將知識數據提煉轉化為標簽，并掛載到合適的標簽類目下，進而完成整個知識體系的設計。知識標簽設計對司法專業知識、知識抽象、知識提煉，司法業務場景的理解能力要求較高。知識標簽的設計是專業知識與數據項目經驗結合的結晶，是一個漫長的持續迭代的過程。知識標簽的設計與數據標簽的設計一樣，標簽的內容不僅包括名稱，還要有歸屬類目、業務邏輯、調用、取值范圍等。

知識標簽梳理需要通過兩步進行，第一步為知識數據的萃取，第二步為知識標簽的構建。

知識數據的萃取是指按照知識主題和法院的事件流程對知識數據進行匯聚和準化。這一步過程中，首先要選取關鍵的知識域。司法知識域可以包括法律法規域、司法觀點域、法律文書域、電子卷宗域、案例域、司法人員域、組織機構域等主題數據域，涵蓋各司法業務、各訴訟階段。其次要定義知識的粒度，知識粒度的定義一般以具有一定的業務含義為標準;再次，確定每一個知識粒度在業務場景應用中的描述角度[10]。

知識標簽的構建目標是讓知識變得可閱讀、可調取、方便業務的使用，是方法論實施最核心的步驟。知識標簽本質上是一種對知識的度量或描述，是經過縝密的邏輯分析和處理后的產物，用以引導發揮知識數據的應用價值。

知識標簽的構建與數據標簽的構建方法類似，但由于其分類的對象并不是客觀事物，而是知識，有其自己的特點。

1.確定知識域內的標簽體系對象。比如以“人” “物”“案（事）”為主對象，進行司法標簽體類目設計。其中，人包括司法人員（法官/檢察官等）、當事人（被告/原告/第三人等）和代理人（律師/法定代理人等）;案按訴訟領域分為刑事案件、民事案件、行政案件，再按案由進行細分;物包括證據和涉案物品。司法知識體系內有一種比較特別的梳理對象是法律概念。法律概念要進行梳理可以應用：自頂向下法、自底向上法和綜合法。一般可應用司法實踐體系或者應用司法學術分類對概念間的層次結構關系進行搭建，梳理好相應的根節點，枝節點，樹枝，葉節點。法律概念搭建好后，可以將屬性值添加到結構中。屬性可以根據不同的域進行多次定義。每一個域內的子樹都可對應獨立的、模塊化的知識模型。

2.根據對象進行標簽體系的建設，一般一種對象的標簽搭建并不會影響另一種對象標簽體系的建設。司法域內，人物標簽除通用標簽外，有一定的司法標簽類別。我們可以對法律概念拆解，表征為行為標簽（事實標簽）、法律關系標簽（或者構成要件標簽）、法律結果標簽（量刑標簽、定罪標簽）等，并映射到案情基本事實中，成為案件特征標簽或案件中“人”的司法類標簽，以盜竊罪為例，案件標簽如下：故意傷害罪知識體系，主要包括定罪要素、量刑要素以及刑事裁判結果。在定罪方面，主要對犯罪對象、主體、手段以及故意幾個方面進行考量。量刑要素主要是對法定量刑情節、酌定量刑情節、限制死刑、升級法定刑的事由或情節。刑事裁判結果，包括主刑、判決罪名、附加刑、免予刑事處罰、不負刑事責任情形、宣告無罪。

3.在梳理統計標簽時，有時候原子指標和屬性標簽的定義會出現混淆或不完備的問題。標簽對象分類法與數據倉庫對接效果最好。“對象在業務過程事件中產生原子指標，原子指標與修飾詞、計算方法可以組裝出統計標簽。”在項目建設過程中是否需要絕對定義原子指標，還是可以允許對原子指標進行增改需要根據項目的復雜程度和項目的需求變化頻率進行具體分析。

（三）業務流程對應法

智慧法院司法辦案主體業務包括訴訟服務、審判、執行、管理、4大類，立案、審理、結案、涉訴信訪、執行、司法公開、司法管理等7個環節。其中，立案環節包括訴前保全、訴訟調解、收案、審查、立案、分案等業務活動;審理環節包括司法協助、庭前準備、開庭/聽證、合議評議、審委會討論、文書制作等業務活動;結案環節包括歸檔、案件移送、送達等業務活動;涉訴信訪環節包括信訪、審查等業務活動;執行環節包括執行查控與強制執行、執行管理等業務活動;司法公開環節包括審判流程公開、破產案件信息公開、庭審公開、文書公開、執行公開等業務活動;司法管理環節包括審判管理、人事管理、行政事務、司法研究、信息化管理等業務活動。如商業銀行可以服務訴訟費支付;網上訴訟平臺可以進行立案信息的查詢等;利用網絡進行案件要素智能提取分析;數字法庭也需要網絡的應用才可以進行開庭審理等相關工作。司法查控部門負責進行財產查控工作;委托鑒定部門負責財產處置等相關工作。每一個部門都有自己所負責的相關工作，各個部門彼此之間相互協調、促進，這樣才可以保障各項工作都有序展開。

這種做法在信息化建設中是比較能突出“成效”的，能夠迅速找到知識服務的“應用場景”。但是由于業務部門職權責的不同，對接的業務部門或者直屬領導對整體知識工程的認識不一致，這樣的知識服務往往變形為支持單獨應用，知識數據定制化發展。

三、司法知識處理流程中的難點

（一）對于文本型的知識拆解和實踐演繹的知識積累需要用不同的知識工程邏輯和工具進行處理

文本型知識來源于法律法規、司法文件等，首要進行知識的拆解。因此第一步應當確定知識拆解的域、對象和標簽，確立好框架，其次進行標簽標注，根據標注數據構建抽取模型。這一類的知識主要用于檢索、預警和流程中的知識輔助。這一知識需要進行大數據的驗證，包括抽取結果的代表性取樣測評和知識抽取、數據標準的規范化。在知識驗證和優化的過程中，針對特定知識應用場景的田野研究，應用系統指標采集和知識更新管理非常重要。而對于實踐經驗，我們獲取的時候需要依靠大數據挖掘，從數據中總結專家難以積累為文本的知識。而這一類的知識在應用中特別要注意決策輔助的維度，也就是說應當能夠向使用者明確決策推薦算法的數據集、模型邏輯和模型適用限定條件等。在知識驗證的階段，專家驗證和基于知識驗證模型的自動比對驗證需要進行結合。自動比對的知識驗證模型我們一般以偏離模型最大值作為對專家驗證的輸出值。

（二）法學知識抽取要依賴有監督的學習和專家經驗進行驗證

無監督的學習和遷移學習的效果都有一定的局限性。但是在有監督的學習過程中，如前所述，法學知識的應用有一定的主觀性，不同的專家給出的經驗具有個性化，同時存在知識偏見，因此在有監督的學習時，不同的專家在訓練數據的標注時就存在知識定義模糊甚至定義沖突的情況，導致學習的困難。這樣的模糊和沖突會使得系統建設者期待在系統使用過程中，收集用戶使用數據，優化知識抽取效果的期待落空。經過培訓的數據處理人員，按照特定專家的指導對訓練數據進行清洗和標注目前是較好的辦法。

（三）知識圖譜作為底層知識表達，知識融合成本非常高

知識圖譜最初定義為用于增強其搜索引擎功能的知識庫由Google提出。知識圖譜可用來更好地查詢復雜的關聯信息，從語義層面理解用戶意圖，改進搜索質量。本質上，知識圖譜是一種揭示實體之間關系的語義網絡，可以對現實世界的事物及其相互關系進行形式化地描述。目前知識圖譜被越來越多的作為知識內核被應用在信息化系統底層。但是在建設過程中，領域圖譜的知識融合成本非常高。一般來說，通過知識抽取可以得到原始的知識資源，但由于知識來源廣泛、質量難以判定，其中可能包含大量的模糊、歧義、冗余甚至錯誤信息，所以必須對原始數據進行清洗和融合。知識融合是對知識組織方式的更高抽象，所設計的技術主要有實體消歧、共值消解，多元數據合并等。

知識融合中有三個重要的建設包括：

第一，知識融合組件搭建。

第二，schema規約機制確立。

第三，沖突檢測的自動化。

在法學專業領域，深入理解行業邏輯，梳理領域專業術語，明確各專業術語之間的界限和區隔是融合的關鍵。知識融合組件的搭建、schema規約機制確立和沖突檢測的方法都需要深度的理解業務規則和知識圖譜服務的業務流程。

上述三方面建設中，要求有司法專業的人員投入，有效的進行各類知識節點的界說、定義、范例、反例，特別在一些學說界定不明或者有界定爭議的知識界節點上，需要以通說或者有利于數據實現的方法進行“再定義”。另一方面，技術人員對專業人員知識邊界梳理結果的再學習和再編輯，在這個過程中，代碼的模塊化開發，實時的動態流程監測能夠有效的避免謬誤、降低成本。

參考文獻：

[1] 楊臨萍.司法體制改革與智慧法院的實踐與探索[M].法律出版社，2019.

[2] 呂艷濱.人民法院信息化3.0版建設應用評估報告以山東法院為視角[M].中國社會科學出版社，2017.

[3] 王昊奮，漆桂林，陳華鈞.知識圖譜：方法、實踐與應用[M].電子工業出版社，2019.

[4] 趙軍.知識圖譜[M].高等教育出版社，2018.

[5] 曾鯤.大數據時代如何構建智慧法院——以1059名法官的訪談實錄為樣本[J].東南司法評論，2019（9）.

[6] 黃曉云.智慧法院：以現代科技應用助推司法改革[J].中國審判，2017.

[7] 高曉桐.關于智慧法院建設現狀的思考[J].法制博覽，2019（8）.

[8] 高學強.人工智能時代的中國司法[J].浙江大學學報（人文社會科學版），2019（7）.

[9] 馬燦.面向“智慧法院”的知識圖譜構建方法與研究[J].貴州大學碩士論文 2019.

[10] 秦永彬，馮麗，陳艷平，黃瑞章，劉于雷.“智慧法院”數據融合分析與集成應用[J].大數據，2019（5）.