案例检索：案件预测

可视化演示

展示案件特征工程向量构建、裁判结果预测模型胜诉概率对比及SHAP可解释性特征贡献度分析。

预测概念基础

王法官合上一本十年前的卷宗，对林晓说：“当年这个案子，租户拿着发霉的证据来告房东，我就知道八成要输。为什么？因为同样的故事，我在这一排架子上见过不下二十回。”林晓顺着他的手看去，整整齐齐的档案盒像士兵列队。王法官的经验，本质上就是一部自带检索功能的判例字典——遇到新案，先从记忆里翻出相似的旧案，再顺着旧案的结局推断新案的走向。

这段对话点出了案件预测的全部秘密：它不是算命，而是基于历史判例的大规模经验统计。AI案件预测，就是让计算机代替人脑完成“回忆相似案件、归纳裁判规律、推断新案结论”这三步工作。案例检索在这里扮演入口角色：先把浩如烟海的判决书整理成结构化资料，再对新案情进行比对，找出最相似的裁判实例。没有这一步检索，预测就成了无源之水。

从数学上讲，预测问题可以写成一个条件概率：给出现有案情特征，估计各判决结果的概率。检索式预测的做法最为直观——统计与当前案情高度相似的旧案中，每种结果出现的比例，用这个比例作为预测胜率。这套思路也叫“类案类判”的自动化：你不可能让每个法官都背下五万份判决，但机器可以。

王法官拍了拍档案盒：“你看，我这辈子判的案子，就是这些卷宗给我的底气。”机器也一样，它读的每一份判决书，都是它“办案”的底气。理解了这个起点，后面的数据工程、检索与算法，都是在给这台“机器法官”补课。

案例数据工程

为了让档案室能被快速翻查，王法官手下的书记员定了一套规矩：每份卷宗按案由分类、标出当事人、写明争议焦点、记上判决结果，还要在封面贴一张要素卡片。林晓帮忙整理时发现，卡片写得好不好，直接决定后面找卷宗的速度。有的卡片工工整整，检索时一眼定位；有的卡片字迹潦草，害她多翻了半小时。

案例库的构建也是如此。原始裁判文书是长文本，堆满了程序性内容和套话；直接拿来做检索，不仅慢，还会被无关信息干扰。数据工程阶段要做三件事：清洗、标注、入库。清洗是去掉OCR乱码、页面水印、模板套话；标注是把判决书中的关键要素——案由、诉讼请求、争议焦点、支持事实、判项结果——抽取出来，按统一格式存储。

要素标注的质量，决定了检索的上限。同一场租赁纠纷，“押金纠纷”和“提前解约”在语义上差别巨大；如果都笼统标成“合同纠纷”，检索精度就会大打折扣。实际工程中，标注可以借助预训练语言模型自动抽取，再由法律专家复核。入库时，每个案例被表示成“要素向量 + 判决标签”的记录，向量权重常用TF-IDF或词嵌入计算。TF-IDF的核心思想是：一个要素越是只在少数案例中出现，它就越能区分不同案件。

王法官常说，档案室最怕的不是卷宗多，而是卷宗乱。乱了的档案室，建得再大也找不到要找的东西。这句话放在案例库建设上，一字不差——数据的质量，永远排在数据的数量前面。

语义向量检索

林晓第一次独立找卷宗，抱着“租赁纠纷”四个字翻了两小时。王法官走过来，听她复述了案情摘要，径直走到第三排架子，抽出两本卷宗。林晓问怎么这么快，他说：“我不是在找'租赁'两个字，我是在找'收不回押金的租客'。”同样是找相似，高手找的是意思，不是字面。

机器面临同样的挑战：直接把两篇判决书做文字重合度比较，效果往往不佳——“租客索回押金”和“承租人主张返还保证金”意思相同，却一个汉字都不重合。这促使检索从“字面匹配”升级到“语义匹配”。办法是把文字变成向量：每份案情描述对应高维空间中的一个点，语义相近的表达，在空间中彼此靠近。

向量化方式从TF-IDF稀疏向量，发展到预训练语言模型生成的稠密向量。得到向量后，用余弦相似度衡量两个文本的语义接近程度——它只看方向、不看长度：两条描述一长一短，只要语义方向一致，余弦值就高。检索时，将新案向量与案例库全部向量逐一计算余弦值，按分值取Top-K个最相似案例。这一步就是“案例检索”的字面含义，也是预测系统的前哨站。

王法官的“抽卷宗”绝活，如今被压缩成一个向量库接口：输入案情一句话，输出最像的三段历史。他笑着对林晓说：“记住，找案子跟找人一样，看的是脾性，不是长相。”

预测算法原理

找到相似卷宗之后怎么办？王法官的做法是摊开三本案卷，比较它们的结局：“这两个都判了退押金，一个判了部分退还，那新案多半也要退。”他是把几个“老相识”的结局捏在一起综合判断，而不是只听某一个案子的。

这就是检索式预测的算法原型：K近邻思想。取K个最相似的案例，对这些案例的判决标签进行统计或加权，输出一个概率分布。工程上还会给相似度加一层“加权”：越相似的案例，话语权越大。相似度0.9的旧案，比相似度0.3的旧案更有参考价值，就像王法官更信任那些“几乎一模一样”的老案子。

加权投票的公式如下。假设三个相似案例的相似度分别是0.9、0.8、0.7，判决标签分别为胜、胜、败，则胜诉概率等于 $(0.9 + 0.8)/(0.9 + 0.8 + 0.7) \approx 70.8\%$。更精细的方案是把检索结果输入逻辑回归或神经网络，让模型自动学习每个要素的贡献权重。这类方法对数据量要求更高，但精度上限也更高。

林晓恍然大悟：“所以您是给几个相似案例搞了一次民主投票，相似度就是票数？”王法官点头：“越熟的卷宗，权重越大。机器也学会了这招。”

模型评估调优

预测做多了，王法官养成了一个习惯：每隔一段时间，翻出那些“判完被打脸”的案子——二审改判的、当事人申诉成功的——逐一批注，琢磨当初哪里看走了眼。这相当于给自己的工作做复盘。林晓在法院的第三周，也跟着师父复盘了五件旧案，每一件都让她对“预测”二字多了一分敬畏。

AI模型同样需要复盘。预测系统上线前，要拿一批“只有案情、结果被封存”的旧案做盲测：让模型先预测，再揭晓真实判决。通过对比预测与事实，计算各项指标，判断模型靠不靠谱。这一步就像是给模型办一场“模拟考试”，考卷是它从未见过的题目。

最常用的指标是准确率——预测正确的案例数占总数的比例。但对类别不均衡的数据，比如胜诉案占八成时，模型只要永远预测“胜诉”就能拿到80%准确率，这时必须再看混淆矩阵里的精确率与召回率。调优方面，最典型的坑是过拟合：模型把训练集里的偶然细节当成了规律，换一批新案就露馅。化解手段包括交叉验证、增加训练数据、简化特征、正则化等。

王法官在复盘笔记的扉页抄过一句话：“经验是用来修正的，不是用来迷信的。”这句话同样适合贴在模型评估的白板上——再好的模型，也要在不断的复盘里迭代成长。

行业落地应用

一年后，省高院推广了一套“类案检索支持系统”，年轻法官在判决前先运行一遍相似案例推荐。王法官被请去做验收专家，他翻开系统推送来的几件参考案例，点了点头：“跟我自己挑的差不多。”林晓在一旁偷笑，她知道师父这声“差不多”，是对机器最大的认可。

这集中体现了案件预测的产品形态——不是取代法官，而是成为“第二双眼睛”。系统由三个模块组成：案例库、检索引擎、预测面板。预测面板除了给出胜诉概率，还会列出支撑该概率的参考案例及理由，让使用者能核验、能辩论。按照服务对象不同，产品分化出律所版、法院版、企业版三种形态。

律所版聚焦诉讼策略：律师在接案前评估胜诉率、预判对方主张、规划调解区间。法院版聚焦统一裁判尺度：自动推送类案、标注改判风险，辅助实现“同案同判”。企业版聚焦合规风控：法务把合同条款发给系统，即时得到“若发生争议我方胜诉概率”的提示。每一类产品都会在输出概率时附带置信度和案例证据链，避免使用者盲目依赖一个孤零零的数字。在业务指标上，团队通常用“系统建议采纳率”来度量产品的真实价值。

验收晚宴上，王法官对林晓说：“我退休以后，这套系统还会在法院继续当差。它读过的卷宗，大概比我一辈子看的还多。”林晓望向窗外的法院大楼，忽然理解了——经验会退休，规律不会。而这套系统，正是把规律留在了档案室里。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""检索式案件预测：基于相似案例的加权投票胜诉率估算"""import mathfrom collections import Counter # 虚构判例库：每个案例包含要素列表与判决标签（1胜诉，0败诉）CASES = [    {"title": "甲公司诉乙公司拖欠租金案", "elems": ["租金", "拖欠", "合同", "违约", "保证金"], "win": 1},    {"title": "丙诉丁租赁设备未付款案",   "elems": ["设备", "租赁", "欠款", "合同", "利息"], "win": 1},    {"title": "戊诉己提前终止租约案",     "elems": ["租约", "提前终止", "违约金", "解约", "押金"], "win": 0},    {"title": "庚与辛房屋租赁押金纠纷案", "elems": ["房屋", "租赁", "押金", "返还", "合同"], "win": 1},    {"title": "壬诉癸商铺转租纠纷案",     "elems": ["商铺", "转租", "合同", "违约", "租金"], "win": 0},] def vectorize(elems):    """将要素列表转为词频向量（Counter字典）"""    return Counter(elems) def cosine_sim(a, b):    """计算两个词频向量的余弦相似度"""    common = set(a.keys()) & set(b.keys())    dot = sum(a[k] * b[k] for k in common)    na = math.sqrt(sum(v * v for v in a.values()))    nb = math.sqrt(sum(v * v for v in b.values()))    if na == 0 or nb == 0:        return 0.0    return dot / (na * nb) def predict(query_elems, top_k=3):    """检索最相似案例并加权投票预测胜诉概率"""    query_vec = vectorize(query_elems)    scored = []    for idx, case in enumerate(CASES):        sim = cosine_sim(query_vec, vectorize(case["elems"]))        scored.append((sim, idx))    scored.sort(key=lambda x: x[0], reverse=True)    top = scored[:top_k]    weight_sum = sum(s for s, _ in top)    if weight_sum == 0:        return 0.5, []    prob = sum(s * CASES[i]["win"] for s, i in top) / weight_sum    detail = [(CASES[i]["title"], round(s, 3), "胜诉" if CASES[i]["win"] else "败诉") for s, i in top]    return prob, detail if __name__ == "__main__":    new_case = ["房屋", "租赁", "押金", "返还", "合同"]    prob, detail = predict(new_case)    print("输入案件要素:", new_case)    for title, sim, result in detail:        print("  [%.3f] %s -> %s" % (sim, title, result))    print("预测胜诉概率: %.1f%%" % (prob * 100))

1. from collections import Counter用计数器把要素列表转成词频向量，方便后续计算余弦相似度
2. def cosine_sim(a, b):定义余弦相似度函数，衡量两个案件在语义空间的接近程度
3. common = set(a.keys()) & set(b.keys())取出两个向量共同拥有的要素，避免重复遍历所有词
4. return dot / (na * nb)点积除以模长乘积，得到0到1之间的相似度分数
5. scored.append((sim, idx))把每个案例的相似度连同编号记录下来，形成待排序列表
6. scored.sort(key=lambda x: x[0], reverse=True)按相似度从高到低排列，最相似的案例排在最前面
7. prob = sum(s * CASES[i]["win"] for s, i in top) / weight_sum把相似度当作票权进行加权投票，算出最终胜诉概率

常见误区

面试题