类案推荐：让AI成为法官的“判例图书管理员”

可视化演示

演示案件事实与历史判例的相似度计算、特征匹配与推荐排序，理解判例法支持的同类同判机制。

1. 判例法传统：为什么法官需要“找相似”

你走进社区图书馆，发现一个有意思的规矩：新到的书怎么摆、怎么归类，管理员都会先翻出几本同类的旧书对照，理由是“同类的书就该待在一起”。这套规矩不是馆长拍脑袋定的，而是几十年读者借阅习惯沉淀出来的。法律世界也有一条类似的“老规矩”，只不过它管的是更严肃的事——判决。在英美法系国家，法官判案时有一条铁律：遇到类似的案情，必须参考先前法院是怎么判的。

这条铁律的学名叫“先例约束”，法学家称之为 stare decisis（遵循先例）。它的逻辑很朴素：如果两起案件事实相似、情节相当，判决却南辕北辙，当事人会不服，公众也会对司法的公正产生怀疑。反过来，“类似案件类似处理”重复得越多，人们就越能预判自己行为的法律后果。正是这种可预期性，让社会秩序更加稳定。

我国是成文法国家，法律条文是裁判的主要依据，但最高人民法院发布的指导性案例同样具有“应当参照”的效力。问题在于，法官每年审结的案件数以百万计，没有任何人能把所有判例装进脑子里。于是“类案检索”成了法官的基本功：从海量判例库里找到与新案最相似的案例。司法AI的类案推荐，正是把这项又慢又累的人工检索，变成几秒钟完成的自动化推荐。

$$\displaystyle \mathcal{R}(q) = \{ c \in \mathcal{D} \mid \operatorname{sim}(c, q) \geq \theta \}$$

1. 判例库 D：全体历史判决文书组成的集合，相当于图书馆的全部藏书，是推荐的“货架”。

$$\mathcal{D}$$

2. 新案向量 q：待判决案件经过特征工程后的数值向量，相当于读者刚填好的借阅需求单。

$$q$$

3. 相似度函数 sim：计算任意判例 c 与新案 q 相似程度的算子，通常用余弦相似度实现。

$$\operatorname{sim}(c, q)$$

4. 阈值 θ：人为设定的相似度底线，只有分数达到底线才配称为“类案”。

$$\theta$$

5. 推荐集合 R(q)：从判例库中筛出的全部类案，后续展示、排序、解释都基于这个集合。

$$\mathcal{R}(q)$$

图书馆“同类归位”的规矩，催生了管理员找相似书的需求；判例法传统，催生了法官检索类案的需求。理解了这条源头，你就能明白：类案推荐不是法院赶时髦的噱头，而是司法传统在数字时代的必然延伸。

2. 案例特征工程：给每起案件贴“索引卡”

老王能在几十万册书里三分钟找到“像《活着》那样的书”，靠的不是过目不忘，而是每本书都有一张索引卡：作者、出版社、题材、时代背景、主要人物命运。这些条目把一整本书压缩成几个关键字段。要给案件做推荐，第一步也得干同样的事——把一大段案情叙述压缩成一张“案情索引卡”。

这个步骤在技术圈叫“特征工程”。法官拿到手的起诉书、判决书全是自然语言，计算机没法直接比较“被告人深夜翻墙入户”和“被告人趁店主不备顺走手机”这两句话像不像。特征工程的任务，就是从文字里抽取法律上真正重要的要素：罪名是什么、犯罪金额多少、作案几次、涉及几人、有没有自首、有没有造成伤亡。

抽取出来的要素还要数值化：罪名对应一个固定编号（罪名标签化），金额折算成数字、次数直接计数（情节量化），自首标记为1、无自首标记为0。所有要素拼在一起，就得到案件的特征向量——一个只含数字的列表。更先进的系统还会对全文做词频统计补充维度，但底层逻辑一致：向量就是案件的“数字化指纹”。

$$\displaystyle \vec{c} = (x_1, x_2, x_3, x_4, x_5) = (\text{金额}, \text{次数}, \text{人数}, \text{罪名}, \text{自首})$$

1. 金额维度 x1：犯罪金额是量刑的重要标尺，通常做归一化处理（如除以100）。

$$x_1 = \text{金额}$$

2. 次数维度 x2：作案次数反映主观恶性与惯犯倾向。

$$x_2 = \text{次数}$$

3. 人数维度 x3：涉及被害人或同案犯的人数影响危害后果评估。

$$x_3 = \text{人数}$$

4. 罪名维度 x4：罪名用固定编号标签化，是权重最高的维度。

$$x_4 = \text{罪名编号}$$

5. 自首维度 x5：自首是法定从宽情节，编码为1或0。

$$x_5 = \text{自首(1/0)}$$

索引卡上写错一个字段，老王就会推荐错一本书；特征选错或量化失真，类案推荐就会跑偏。业内那句话“垃圾进，垃圾出”，说的正是特征工程的决定性地位。

3. 相似度度量：两本书怎么比才公平

有了索引卡，老王怎么比较两本书？他会把卡片并排放，逐项打勾：作者一样打勾，题材一样打勾，年份接近打勾。但有个问题困扰他：作者可比封面颜色重要多了，怎么体现“重要”？更麻烦的是，有的条目是数字（页数、价格），有的是类别（题材、作者），混在一起怎么算总分？

数学家早备好了工具——把每本书看作高维空间里的一个点，坐标就是索引卡上的字段值。两个案件的相似度，转化为两个向量的夹角大小：夹角越小，方向越接近，案情越相似。这就是“余弦相似度”。

公式上，余弦相似度等于两向量内积除以它们模长的乘积。它会自动忽略向量的整体长度（比如金额整体放大100倍，方向不变），只保留“特征配比”的相似程度。系统通常还会加权：罪名权重最高，情节次之，边缘细节再次。算出分数后设一个阈值，超过才算“类案”；最后按分数从高到低排序，取前K名推荐给法官。

$$\displaystyle \operatorname{sim}(\vec{a}, \vec{b}) = \frac{\sum_{i=1}^{n} a_i b_i}{\sqrt{\sum_{i=1}^{n} a_i^2} \times \sqrt{\sum_{i=1}^{n} b_i^2}}$$

1. 分子：维度乘积求和：两个向量逐维相乘再累加，等于“共同特征”的累计量。

$$\sum_{i=1}^{n} a_i b_i$$

2. 分母：两向量的模长：各维平方和开根号，代表向量的“长度”。

$$\sqrt{\sum_{i=1}^{n} a_i^2} \times \sqrt{\sum_{i=1}^{n} b_i^2}$$

3. 比值归一化：用内积除以模长乘积，把相似度压缩到 [-1, 1] 区间，消除了幅值影响。

$$\frac{\vec{a} \cdot \vec{b}}{\|\vec{a}\| \times \|\vec{b}\|}$$

老王不会因为两本书封面都是红色就推荐，也不会因为作者不同就一票否决——权重是他的经验，阈值是他的底线。余弦相似度加上合理的权重，就是算法版的“老王经验”。

4. 同案同判：校准司法的“度量衡”

图书馆有份内部公约：同样超期三天，不管谁来还书，罚金一律相同；同样撕破一页书，修复标准一致。如果管理员今天罚张三一块，明天罚李四五块，读者马上会抗议“不公平”。司法公正的底线，就是这份“公约”：同样的犯罪情节，应当得到大致相同的判决，这被称为“同案同判”。

人是会疲劳、有偏见的。临近年末结案高峰，同一个法官对相似案件的量刑也可能出现波动；不同法院、不同地区的量刑尺度更可能宽严不一。类案推荐的价值，不是替代法官，而是给法官递上一面“镜子”：过去几十起相似案件是怎么判的？你的想法和主流口径差多少？

系统会自动统计类案的量刑均值与标准差；当某个建议刑期离均值太远（比如超过两个标准差），就触发异常提醒。这一步叫“差异控制”。它把“同案同判”从道德口号变成了可计算的工程指标：偏离度越小，裁判越稳定。

$$\displaystyle \delta = \frac{|y - \mu|}{\sigma}$$

1. 类案量刑均值 μ：所有相似判例刑期的平均值，代表“主流口径”。

$$\mu = \frac{1}{N}\sum_{i=1}^{N} y_i$$

2. 标准差 σ：衡量类案量刑波动的分散程度。

$$\sigma = \sqrt{\frac{1}{N}\sum_{i=1}^{N} (y_i - \mu)^2}$$

3. 候选刑期 y：系统或法官当前的量刑建议值。

$$y$$

4. 偏离度 δ：候选刑期离均值几个标准差，超过2即触发预警。

$$\delta = \frac{|y - \mu|}{\sigma}$$

公约的价值不在惩罚，而在校准。老王靠“同类书待遇表”守住图书馆的公平，法官靠类案推荐守住司法的均衡——两者都说明：公正不是拍脑袋，而是有参照系的。

5. 可解释推荐：把推荐理由说出口

老王推荐书有个习惯，一定会补一句理由：“我推荐《许三观卖血记》，因为它和《活着》一样，写的是普通人在苦难里的韧性，还是同一个作者。”读者听完点点头，觉得有道理，下次还找他。反过来，如果老王只丢过来一句“就是像，你拿去读”，再准的推荐也换不来信任。

法官对AI的戒心，比读者对图书管理员的戒心大得多。法官要为自己的裁判承担责任，不可能因为系统说“相似度98%”就照单全收。类案推荐系统的可解释性设计，就是回答那个老王回答过的问题：凭什么推荐这几个案例？理由必须说得出口。

具体做法有三板斧：一是推荐理由展示，把新案与判例重叠的要素高亮出来——“罪名一致、自首情节一致、人数一致”；二是要素对比表，新案和推荐判例逐项并排对照，差异一目了然；三是置信度提示，亮出相似度分数、参与比对的判例数量，让法官知道这个推荐有多“靠谱”。同时系统只做参谋，最终决策权永远在法官手里，法官可以一键否决。

$$\displaystyle p_i = \frac{a_i b_i}{\sum_{j=1}^{n} a_j b_j}$$

1. 单维贡献 aᵢbᵢ：第 i 维对相似度分子的贡献。

$$a_i b_i$$

2. 贡献总和：分子所有维度叠加，代表共同特征总量。

$$\sum_{j=1}^{n} a_j b_j$$

3. 占比 pᵢ：第 i 维贡献占总贡献的比例，值越大越应作为首要推荐理由。

$$p_i = \frac{a_i b_i}{\sum_{j=1}^{n} a_j b_j}$$

“因为……所以……”是老王的信任密码，也是AI的信任密码。可解释性不是给算法加装饰，而是把人机协作的信任地基浇实——让法官每点一次“采纳”，都知道自己为什么采纳。

6. 系统落地：把老王的经验写成手册

老王快退休了，馆长担心推荐手艺失传，于是请他把找相似书的套路写成手册：第一步查索引卡，第二步按题材权重打分，第三步给读者讲理由。新手馆员照着手册做，能马上达到老王七八成的水平。类案推荐的系统落地，本质就是把这套“个人手艺”沉淀为“组织能力”。

一条完整的链路包括四块。第一块是判例库建设：上亿份历史文书要清洗、去重、脱敏、结构化标注，这是系统的“馆藏地基”。第二块是检索接口：法官录入起诉书摘要，系统自动做特征工程、相似度计算，几秒内返回TopK判例和量刑参考区间。

第三块是人机协同：推荐结果不是终点，法官的审核、否决、采纳都要记录在案，持续反馈模型。第四块是伦理规范：要定期检测算法是否存在地域偏见、罪名偏见，明确“AI出错谁担责”的边界。实际系统中，推荐总评分通常由罪名相似度、情节相似度、结果参考三块加权合成。

$$\displaystyle s_{\text{total}} = \alpha \cdot s_{\text{罪名}} + \beta \cdot s_{\text{情节}} + \gamma \cdot s_{\text{结果}}, \quad \alpha + \beta + \gamma = 1$$

1. 罪名相似度 s_罪名：新案与判例在罪名标签上的匹配分数。

$$s_{\text{罪名}}$$

2. 情节相似度 s_情节：金额、次数、人数等情节维度的综合匹配分数。

$$s_{\text{情节}}$$

3. 结果参考 s_结果：判例实际量刑结果的参考系数。

$$s_{\text{结果}}$$

4. 权重系数 α、β、γ：控制各维度重要程度，三者之和为1。

$$\alpha + \beta + \gamma = 1$$

5. 加权求和：三个分数加权相加得到综合推荐分，用于最终排序。

$$s_{\text{total}} = \alpha \cdot s_{\text{罪名}} + \beta \cdot s_{\text{情节}} + \gamma \cdot s_{\text{结果}}$$

手册不是用来取代老王的，而是让所有馆员都达到老王的水平——AI也不是用来取代法官的，而是让每一份判决都朝着“同案同判”再近一步。这就是类案推荐最朴素也最厚重的价值。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""Simple similar-case recommender using cosine similarity."""import math def build_vector(jine, cishu, renshu, zuiming, zishou):    # feature engineering: turn case facts into a numeric vector    return [jine / 100.0, cishu, renshu, zuiming, 1.0 if zishou else 0.0] def cosine_sim(a, b):    # similarity measure between two case vectors    dot = sum(x * y for x, y in zip(a, b))    norm_a = math.sqrt(sum(x * x for x in a))    norm_b = math.sqrt(sum(y * y for y in b))    return dot / (norm_a * norm_b) if norm_a and norm_b else 0.0 def recommend(fact, library, top_k=2):    # retrieve top-K similar cases from the precedent library    scores = sorted(        ((cosine_sim(fact, c['vec']), c) for c in library),        key=lambda t: t[0], reverse=True    )    return scores[:top_k] def explain(fact, case, sim):    # explainability: show per-dimension matching details    names = ['amount', 'count', 'people', 'crime', 'self-surrender']    lines = ['similarity: %.2f' % sim]    for i, name in enumerate(names):        flag = 'match' if fact[i] == case['vec'][i] else 'diff'        lines.append('%s: %s' % (name, flag))    return lines def main():    # precedent library: case id -> vector + historical judgment    library = [        {'id': 'case-2019-015', 'vec': build_vector(80, 1, 1, 1, 1), 'result': 'theft / 2y'},        {'id': 'case-2020-088', 'vec': build_vector(120, 3, 2, 1, 0), 'result': 'theft / 4.5y'},        {'id': 'case-2018-120', 'vec': build_vector(50, 2, 1, 2, 0), 'result': 'fraud / 3y'},        {'id': 'case-2021-031', 'vec': build_vector(95, 1, 1, 1, 0), 'result': 'theft / 3y'},    ]    # new case arrives: amount 90w, once, one person, theft, self-surrender    new_case = build_vector(90, 1, 1, 1, 1)    top = recommend(new_case, library, top_k=2)    for sim, case in top:        print('recommend: %s (%s)' % (case['id'], case['result']))        for line in explain(new_case, case, sim):            print('  ' + line) if __name__ == '__main__':    main()

1. def build_vector(jine, cishu, renshu, zuiming, zishou):特征工程入口：把金额、次数、人数、罪名、自首五个案情字段收集起来。
2. return [jine / 100.0, cishu, renshu, zuiming, 1.0 if zishou else 0.0]量纲归一化：金额除以100压到和次数同量级，自首这类布尔情节变成1/0。
3. def cosine_sim(a, b):相似度度量：实现余弦相似度公式。
4. dot = sum(x * y for x, y in zip(a, b))计算内积，即两个向量逐维相乘再累加，对应“共同特征总量”。
5. norm_a = math.sqrt(sum(x * x for x in a))计算向量模长，作为归一化的分母。
6. return dot / (norm_a * norm_b) if norm_a and norm_b else 0.0相除得到相似度，并防止除零。
7. def recommend(fact, library, top_k=2):检索入口：对新案与判例库逐个计算相似度并排序。
8. key=lambda t: t[0], reverse=True按相似度分数降序排列，分数最高的排最前。
9. def explain(fact, case, sim):可解释性：逐维对比新案与判例的匹配情况，生成“推荐理由”。
10. new_case = build_vector(90, 1, 1, 1, 1)模拟一起新案：金额90万、作案1次、1人、盗窃、有自首。
11. top = recommend(new_case, library, top_k=2)完成Top2召回，得到最相似的两份判例。
12. for line in explain(new_case, case, sim):把每一条推荐理由打印出来，让“为什么推荐”看得见。

常见误区

面试题