刑期预测方法、装置、存储介质及设备

摘要

本发明公开了一种刑期预测方法、装置、存储介质及设备，获取目标案情信息，先根据法条款项与目标案情信息的适配度，确定目标款项，然后根据刑期与所确定的目标款项的适配度，确定目标刑期。由于法条款项与目标案情信息的适配度体现的是法条款项适用于目标案情信息的程度，刑期与所确定的目标款项的适配度体现的是刑期适用于目标款项的程度，其相当于对司法审判逻辑的模拟，因而具有司法解释性，而且，本申请的刑期预测方法的准确率与基于神经网络的刑期预测方法的准确率相当，也就是说，基本申请方案，实现了在保证预测准确性的基础上使得刑期预测过程具有司法解释性，提高了刑期预测的实用性。

说明书

技术领域

本发明涉及信息处理技术领域，更具体地说，涉及一种刑期预测方法、装置、存储介质及设备。

背景技术

法律的确定性，行为后果的可预测性，是法制社会的基本特征。因此，刑期的预测问题逐渐成为了判决文书信息挖掘和分析的重要环节，刑期预测的目的是基于犯罪事实描述信息预测将会被处以的刑期，这在辅助司法审判和法律咨询中具有极大的发展空间。

目前的刑期预测方法均是基于神经网络的自然语言处理技术实现的，但是神经网络模型由于其先天的黑箱建模形式缺乏一定的可解释性。仅以犯罪事实描述为输入，刑期为输出，不能展现出从犯罪事实到刑期的审判逻辑，因而未能得到广泛的应用。

发明内容

鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的刑期预测方法、装置、存储介质及设备。

本发明实施例提供如下方案：

一种刑期预测方法，包括：

获取目标案情信息，所述目标案情信息表征与刑期相关的各个司法要素是否存在于待预测刑期的案情中；

对于每一个与刑期相关的法条，根据该法条中每一个款项与所述目标案情信息的适配度，确定该法条中的目标款项；

根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期。

上述方法，优选的，所述根据该法条中每一个款项与所述目标案情信息的适配度，确定该法条中的目标款项，包括：

根据预先学习的法条款项与案情信息的适配度分布情况，确定该法条中每一个款项与所述目标案情信息的适配度；

将该法条中与所述目标案情信息的适配度最大的款项确定为该法条中的目标款项。

上述方法，优选的，所述预先学习的法条款项与案情信息的适配度分布情况为：

将根据历史司法案件学习到的法条款项在案情信息条件下的概率分布，乘以与刑期相关的各个司法要素存在于案情中的概率的连乘结果，得到所述法条款项与案情信息的适配度分布情况；

其中，每个司法要素存在于案情中的概率为：存在该司法要素的历史司法案件的数量与历史司法案件的总量的比值。

上述方法，优选的，所述根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期，包括：

根据预先学习的刑期与法条款项的适配度分布情况，确定所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度；

将与所确定的所有目标款项的适配度最大的刑期确定为目标刑期。

上述方法，优选的，所述预先学习的刑期与法条的适配度分布情况为：

将根据历史司法案件学习到的刑期在法条款项条件下的概率分布，乘以与刑期相关的法条中的各个款项存在于历史司法案件的概率的连乘结果，得到所述刑期与法条的适配度分布情况；

其中，每一个款项存在于历史司法案件的概率为：该款项在历史司法案件中出现的频率。

上述方法，优选的，还包括：

至少输出各个目标款项与所述目标案情信息的适配度；

和/或，

输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

上述方法，优选的，所述至少输出与刑期相关的各个法条中每一个款项与所述目标案情信息的适配度；和/或，输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，包括：

以节点图的形式输出与刑期相关的各个法条中每一个款项与所述目标案情信息的适配度；

和/或，

以节点图的形式输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

一种刑期预测装置，包括：

获取模块，用于获取目标案情信息，所述目标案情信息表征与刑期相关的各个司法要素是否存在于待预测刑期的案情中；

第一预测模块，用于对于每一个与刑期相关的法条，根据该法条中每一个款项与所述目标案情信息的适配度，确定该法条中的目标款项；

第二预测模块，用于根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期。

一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行如上任意一项权利要求所述的刑期预测方法。

一种设备，所述设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上任一项所述的刑期预测方法。

借由上述技术方案，本发明提供的刑期预测方法、装置、存储介质及设备，获取目标案情信息，先根据法条款项与目标案情信息的适配度，确定目标款项，然后根据刑期与所确定的目标款项的适配度，确定目标刑期。由于法条款项与目标案情信息的适配度体现的是法条款项适用于目标案情信息的程度，刑期与所确定的目标款项的适配度体现的是刑期适用于目标款项的程度，其相当于对司法审判逻辑的模拟，因而具有司法解释性，而且，本申请的刑期预测方法的准确率与基于神经网络的刑期预测方法的准确率相当，也就是说，基本申请方案，实现了在保证预测准确性的基础上使得刑期预测过程具有司法解释性，提高了刑期预测的实用性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的刑期预测方法的一种实现流程图。

图2示出了本发明实施例提供的贝叶斯网络的一种网络结构；

图3示出了本发明实施例提供的贝叶斯网络的另一种网络结构；

图4示出了本发明实施例提供的贝叶斯网络的又一种网络结构；

图5示出了本发明实施例提供的节点图的一种示例图；

图6示出了本发明实施例提供的刑期预测装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供的刑期预测方法的一种实现流程图如图1所示，可以包括：

步骤S11：获取目标案情信息，所述目标案情信息表征与刑期相关的各个司法要素是否存在于待预测刑期的案情中。

本发明实施例中，预先定义了与刑期相关的多种司法要素，在需要预测某个案情(为便于叙述，记为案情A)所适配的刑期时，可以先判断上述多种司法要素中的各个司法要素是否存在于该案情A中，判断结果即为该案情A的目标案情信息。例如，假设与刑期相关的多种司法要素为80mg/ml以下，严重超过规定时速行驶，追逐竟驶这三个(需要说明的是，这里只是示例性说明，并不构成对本发明方案的限定，实际情况还会有更多其它司法要素，这里不一一举例说明)，则基于该三个与刑期相关的司法要素(80mg/ml以下，严重超过规定时速行驶，追逐竟驶)，案情A的目标案情信息可能为以下八种案情信息中的其中一种：(是，是，是)，(是，是，否)，(是，否，是)，(是，否，否)，(否，是，是)，(否，是，否)，(否，否，是)，(否，否，否)，以目标案情信息为(80mg/ml以下，严重超过规定时速行驶，追逐竟驶)＝(是，否，否)为例，其表征案情A中存在80mg/ml以下这个司法要素，不存在严重超过规定时速行驶这个司法要素，也不存在追逐竟驶这个司法要素。

其中，与刑期相关的多种司法要素可以通过如下方式确定：

对于每一种需要预测刑期的罪名，在历史案件中选取与该罪名相关的案例数据，即在历史案件中选取最终以该罪名定罪的案件。以危险驾驶罪为例，在历史案件中提取所有以危险驾驶罪为最终审判罪名的案件。其它罪名相关的案例数据的选取方式与上述方式相同，这里不一一列举说明。

在提取的案件中找到适用于该罪名的所有法条，并从中剔除与刑期无关的法条(如罚金或者事故责任人行为能力等刑法通用法条)，仅保留与刑期相关的法条。例如，与危险驾驶罪相关的法条包含了刑法中的第133条之一、第52、53条、和第66条，67条，其中，第52、53条因与罚金相关，与刑期无关，被剔除掉，则与危险驾驶罪相关的法条仅保留了与刑期相关的第133条之一和第66条，67条。

根据与刑期相关的法条提取司法要素，所提取的司法要素是相互独立的。该步骤可以结合司法专家的知识来实现。以刑法第133条之一为例，根据刑法第133条之一可以提取如下四种司法要素：

追逐竞驶，情节恶劣的；

醉酒驾驶机动车的；

从事校车业务或者旅客运输，严重超过额定乘员载客，或者严重超过规定时速行驶的；

违反危险化学品安全管理规定运输危险化学品，危及公共安全的。

在司法领域专家的协助下，各个司法要素还可以进一步细化，例如，醉酒驾驶又可以细分为以下三个具体要素：80mg/100ml以下；80-200mg/100ml；200mg/100ml以上。本申请实施例中，与刑期相关的司法要素是指细化后的司法要素。

步骤S12：对于每一个与刑期相关的法条(为便于叙述，记为法条F)，根据该法条F中每一个款项与目标案情信息的适配度，确定该法条F中的目标款项。

在刑法法条中，每个法条通常会包含多个条款，一个条款即为一个款项。款项与案情信息的适配度表征款项适用于目标案情信息的程度，因此，款项与目标案情信息的适配度表征款项适用于目标案情信息的程度。该目标款项为该法条F中与目标案情信息的适配度满足条件的款项。可选的，该目标款项可以为该法条F中与目标案情信息的适配度最大的款项。

可选的，若与目标案情信息的适配度满足条件的款项有至少两个，则可以按预设规则在与目标案情信息的适配度满足条件的至少两个款项中选择一目标款项。

由于每一个与刑期相关的法条中均会确定出一个目标款项，因此，当所有与刑期相关的法条中均确定出目标款项后，目标款项的数量等于与刑期相关的法条的数量。

另外，考虑到在实际应用中，案情A可能只涉及到部分与刑期相关的法条，对于案情A不涉及的与刑期相关法条，该与刑期相关法条中的各个款项与案情A应该是均不适用的，所以，本申请实施例中，每个法条的款项除了包括刑法中规定的款项外，还包括一自定义款项，为便于叙述，记为“无”。若目标款项为“无”，表明案情A与该法条无关，即该法条不适用于该案情A。

步骤S12：根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期。

该刑期取值范围为所有需要预测刑期的罪名的所有可能的刑期，该刑期取值范围内的刑期为离散值，通常是以月作为单位的自然数。

刑期与所确定的所有目标款项的适配度是指刑期与所确定的所有目标款项这一组合的适配度，该适配度表征刑期适用于所有目标款项这一组合的程度。该目标刑期为刑期取值范围内与所有目标款项的适配度满足条件的刑期。可选的，该目标刑期可以为与所有目标款项这一组合适配度最大的刑期。

该目标刑期也就是预测得到待预测刑期的案情所适用的刑期。

本申请实施例提供的刑期预测方法，获取目标案情信息，先根据法条款项与目标案情信息的适配度，确定目标款项，然后根据刑期与所确定的目标款项的适配度，确定目标刑期。由于法条款项与目标案情信息的适配度体现的是法条款项适用于目标案情信息的程度，刑期与所确定的目标款项的适配度体现的是刑期适用于目标款项的程度，其相当于对司法审判逻辑的模拟，因而具有司法解释性，而且，本申请的刑期预测方法的准确率与基于神经网络的刑期预测方法的准确率相当，也就是说，基本申请方案，实现了在保证预测准确性的基础上使得刑期预测过程具有司法解释性，提高了刑期预测的实用性。

在一可选的实施例中，可以根据预先学习的法条款项与案情信息的适配度分布情况，确定该法条F中每一个款项与目标案情信息的适配度。

该法条F中的款项与案情信息的适配度分布情况可以基于贝叶斯网络(为便于叙述，记为第一贝叶斯网络)学习得到。

如图2所示，为本申请实施例提供的第一贝叶斯网络的结构示意图，该第一贝叶斯网络中的父节点是与刑期相关的各个司法要素，每个与刑期相关的各个司法要素为一个父节点，该第一贝叶斯网络中的子节点为与刑期相关的法条，每一个与刑期相关的法条为一个子节点，每一个与刑期相关的司法要素为所有与刑期相关的法条的父节点，该第一贝叶斯网络体现的是司法要素的组合与款项之间的因果关系。

对于一个案情来说，司法要素的组合表征的是各个与刑期相关的司法要素是否出现在该案情中。如图2所示，与刑期相关的司法要素一共有n个，每个司法要素有两种可能取值：是和否，即，若司法要素取值为是，说明该司法要素出现在了案情中，若司法要素取值为否，说明该司法要素未出现在案情中，则与刑期相关的司法要素的组合一共有2

前述实施例中介绍了与刑期相关的司法要素的提取过程，下面介绍法条款项与案情信息的适配度分布情况的学习过程。

本申请实施例中，用法条款项与案情信息的联合概率分布表征法条款项与案情信息的适配度。根据贝叶斯网络中父子节点间的关联关系，可以得到：

其中，P(T＝a,X

下面采用最大似然法来估计第一贝叶斯网络中各个父节点(即司法要素X

首先通过前述提取的历史案件得到各个父节点(记为X

其中，D为所提取的整个历史案件的集合，该集合中，案件的数量为h，d

由于第一贝叶斯网络中的作为父节点的司法要素均为二分取值，因此，司法要素的概率分布均可由伯努利分布表示，因此，参数θ

其中，h为集合D中历史案件总数，h

对似然函数求导，并令求导结果等于零，得到：

由此可知，在伯努利分布下，司法要素X

而子节点(即法条)，由于部分法条的款项不止两条，不好直接假设各个款项是遵从哪种概率分布，因此，不适宜使用最大似然算法，不过由于司法案件数量较为庞大，可以由中心极限定理直接由各款项在各个司法要素已知下的历史案件中出现的频率去表示概率，因此可以得到：

P(T＝a,X

frequency(a|X

在一可选的实施例中，可以根据预先学习的刑期与法条款项的适配度分布情况，确定刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

该刑期与法条款项的适配度分布情况可以基于贝叶斯网络(为便于叙述，记为第二贝叶斯网络)学习得到。

如图3所示，为本申请实施例提供的第二贝叶斯网络的结构示意图。该第二贝叶斯网络中的父节点是与刑期相关的法条，每个与刑期相关的法条为一个父节点，该第二贝叶斯网络中的子节点为刑期取值范围内的各个刑期，每个刑期为一个子节点，每一个与刑期相关的法条为所述刑期取值范围内所有刑期的父节点。每个一法条的可能取值为该法条中包括的各个款项，即该法条中包含的每个款项构成该法条的一个可能的取值。该第二贝叶斯网络体现的是法条条款的组合与刑期间的因果关系。假设一共有m个与刑期相关的法条，其中，第i(i＝1，2，…，m)个法条Fi中包含的法条数为Ki，则法条条款的组合一共有

刑期与法条款项的适配度分布情况的学习过程与前述法条款项与案情信息的适配度分布情况的学习过程相同，这里不再赘述。

具体的，预先学习的刑期与法条的适配度分布情况为：

将根据历史司法案件学习到的刑期在法条款项条件下的概率分布，乘以与刑期相关的法条中的各个款项存在于历史司法案件的概率的连乘结果，得到所述刑期与法条的适配度分布情况；具体用公式可以表示为：

其中，P(Term,T

其中，每一个款项存在于历史司法案件的概率为：该款项在历史司法案件中出现的频率。

发明人在实现本申请的过程中，如果直接基于一个贝叶斯网络预测刑期，需要考虑如图4所示的网络结构进行预测，而这样的话，需要网络中所有的节点(司法要素和法条)已知，这就同时需要司法要素节点与法条节点作为模型输入，然而在真实场景中，我们大部分时候只能得到案情描述，并不知晓该案件所涉及到的具体法条(虽然可以由司法专家通过案情描述进行判断，但是当案件数量很大时，只能确定一个大概范围，而不能精确到哪几个法条)，因此预测准确率较低。另外，由于节点数量较大，导致在存储联合概率分布的时候，需要很大的内存，并在调用该分布时需要较长的时间，到处预测效率低下。基于此，本申请实施例提供的刑期预测方法，基于两个独立的贝叶斯网络来预测刑期，与利用一个贝叶斯网络预测刑期相比，不仅对内存的需求量小，预测效率高，而且，对用户的要求较低，不需要其具有很高的司法知识。

在一可选的实施例中，为了直观的体现审判逻辑，可以输出各个目标款项与目标案情信息的适配度，或者，可以输出刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，或者，各个目标款项与目标案情信息的适配度，以及刑期取值范围内每一个刑期与所确定的所有目标款项的适配度均输出。

在一可选的实施例中，除了输出目标款项与目标案情信息的适配度意外，还可以输出其它款项与目标案情信息的适配度，这样可以体现更加详细的审判逻辑。

可选的，可以以预定格式输出上述适配度，例如，可以以表格形式输出上述适配度。

进一步的，为了更直观的体现审判逻辑，可以以节点图的形式输出与刑期相关的各个法条中每一个款项与所述目标案情信息的适配度；

和/或，

以节点图的形式输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

节点图中的节点可以分层分布，其中，司法要素位于同一层，法条位于同一层，刑期位于另一层。如图5所示，为本申请实施例提供的节点图的一种示例图，司法要素位于第一层，法条位于第二层，刑期位于第三层。

其中，第一层的司法要素节点，标注司法要素的取值(是或否)，第二层的法条节点标注有目标法条(如图5中的一、三、无)，第三层的刑期节点记为目标刑期。

与方法实施例相对应，本申请实施例还提供一种刑期预测装置，本申请实施例提供的刑期预测装置的结构示意图如图6所示，可以包括：

获取模块61，第一预测模块62和第二预测模块63；其中，

获取模块61用于获取目标案情信息，所述目标案情信息表征与刑期相关的各个司法要素是否存在于待预测刑期的案情中；

第一预测模块62用于对于每一个与刑期相关的法条，根据该法条中每一个款项与所述目标案情信息的适配度，确定该法条中的目标款项；

第二预测模块63用于根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期。

本申请实施例提供的刑期预测装置，获取目标案情信息，先根据法条款项与目标案情信息的适配度，确定目标款项，然后根据刑期与所确定的目标款项的适配度，确定目标刑期。由于法条款项与目标案情信息的适配度体现的是法条款项适用于目标案情信息的程度，刑期与所确定的目标款项的适配度体现的是刑期适用于目标款项的程度，其相当于对司法审判逻辑的模拟，因而具有司法解释性，而且，本申请的刑期预测方法的准确率与基于神经网络的刑期预测方法的准确率相当，也就是说，基本申请方案，实现了在保证预测准确性的基础上使得刑期预测过程具有司法解释性，提高了刑期预测的实用性。

在一可选的实施例中，第一预测模块62包括：

第一确定单元，用于根据预先学习的法条款项与案情信息的适配度分布情况，确定该法条中每一个款项与所述目标案情信息的适配度；

第二确定单元，用于将该法条中与所述目标案情信息的适配度最大的款项确定为该法条中的目标款项。

在一可选的实施例中，所述预先学习的法条款项与案情信息的适配度分布情况为：

将根据历史司法案件学习到的法条款项在案情信息条件下的概率分布，乘以与刑期相关的各个司法要素存在于案情中的概率的连乘结果，得到所述法条款项与案情信息的适配度分布情况；

其中，每个司法要素存在于案情中的概率为：存在该司法要素的历史司法案件的数量与历史司法案件的总量的比值。

在一可选的实施例中，第二预测模块63可以包括：

第三确定单元，用于根据预先学习的刑期与法条款项的适配度分布情况，确定所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度；

第四确定单元，用于将与所确定的所有目标款项的适配度最大的刑期确定为目标刑期。

在一可选的实施例中，所述预先学习的刑期与法条的适配度分布情况为：

将根据历史司法案件学习到的刑期在法条款项条件下的概率分布，乘以与刑期相关的法条中的各个款项存在于历史司法案件的概率的连乘结果，得到所述刑期与法条的适配度分布情况；

其中，每一个款项存在于历史司法案件的概率为：该款项在历史司法案件中出现的频率。

在一可选的实施例中，还可以包括输出模块，用于：

至少输出各个目标款项与所述目标案情信息的适配度；

和/或，

输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

在一可选的实施例中，输出模块具体可以用于：

以节点图的形式输出与刑期相关的各个法条中每一个款项与所述目标案情信息的适配度；

和/或，

以节点图的形式输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

所述刑期预测装置包括处理器和存储器，上述获取模块61，第一预测模块62和第二预测模块63等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现刑期预测。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述刑期预测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述刑期预测方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：

获取目标案情信息，所述目标案情信息表征与刑期相关的各个司法要素是否存在于待预测刑期的案情中；

对于每一个与刑期相关的法条，根据该法条中每一个款项与所述目标案情信息的适配度，确定该法条中的目标款项；

根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期。

可选的，所述根据该法条中每一个款项与所述目标案情信息的适配度，确定该法条中的目标款项，包括：

根据预先学习的法条款项与案情信息的适配度分布情况，确定该法条中每一个款项与所述目标案情信息的适配度；

将该法条中与所述目标案情信息的适配度最大的款项确定为该法条中的目标款项。

可选的，所述预先学习的法条款项与案情信息的适配度分布情况为：

将根据历史司法案件学习到的法条款项在案情信息条件下的概率分布，乘以与刑期相关的各个司法要素存在于案情中的概率的连乘结果，得到所述法条款项与案情信息的适配度分布情况；

其中，每个司法要素存在于案情中的概率为：存在该司法要素的历史司法案件的数量与历史司法案件的总量的比值。

可选的，所述根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期，包括：

根据预先学习的刑期与法条款项的适配度分布情况，确定所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度；

将与所确定的所有目标款项的适配度最大的刑期确定为目标刑期。

可选的，所述预先学习的刑期与法条的适配度分布情况为：

将根据历史司法案件学习到的刑期在法条款项条件下的概率分布，乘以与刑期相关的法条中的各个款项存在于历史司法案件的概率的连乘结果，得到所述刑期与法条的适配度分布情况；

其中，每一个款项存在于历史司法案件的概率为：该款项在历史司法案件中出现的频率。

可选的，还包括：

至少输出各个目标款项与所述目标案情信息的适配度；

和/或，

输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

可选的，所述至少输出与刑期相关的各个法条中每一个款项与所述目标案情信息的适配度；和/或，输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，包括：

以节点图的形式输出与刑期相关的各个法条中每一个款项与所述目标案情信息的适配度；

和/或，

以节点图的形式输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取目标案情信息，所述目标案情信息表征与刑期相关的各个司法要素是否存在于待预测刑期的案情中；

对于每一个与刑期相关的法条，根据该法条中每一个款项与所述目标案情信息的适配度，确定该法条中的目标款项；

根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期。

可选的，所述根据该法条中每一个款项与所述目标案情信息的适配度，确定该法条中的目标款项，包括：

根据预先学习的法条款项与案情信息的适配度分布情况，确定该法条中每一个款项与所述目标案情信息的适配度；

将该法条中与所述目标案情信息的适配度最大的款项确定为该法条中的目标款项。

可选的，所述预先学习的法条款项与案情信息的适配度分布情况为：

将根据历史司法案件学习到的法条款项在案情信息条件下的概率分布，乘以与刑期相关的各个司法要素存在于案情中的概率的连乘结果，得到所述法条款项与案情信息的适配度分布情况；

其中，每个司法要素存在于案情中的概率为：存在该司法要素的历史司法案件的数量与历史司法案件的总量的比值。

可选的，所述根据刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，确定目标刑期，包括：

根据预先学习的刑期与法条款项的适配度分布情况，确定所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度；

将与所确定的所有目标款项的适配度最大的刑期确定为目标刑期。

可选的，所述预先学习的刑期与法条的适配度分布情况为：

将根据历史司法案件学习到的刑期在法条款项条件下的概率分布，乘以与刑期相关的法条中的各个款项存在于历史司法案件的概率的连乘结果，得到所述刑期与法条的适配度分布情况；

其中，每一个款项存在于历史司法案件的概率为：该款项在历史司法案件中出现的频率。

可选的，还包括：

至少输出各个目标款项与所述目标案情信息的适配度；

和/或，

输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

可选的，所述至少输出与刑期相关的各个法条中每一个款项与所述目标案情信息的适配度；和/或，输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度，包括：

以节点图的形式输出与刑期相关的各个法条中每一个款项与所述目标案情信息的适配度；

和/或，

以节点图的形式输出所述刑期取值范围内每一个刑期与所确定的所有目标款项的适配度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。