基于深度迁移学习的小样本民事纠纷在线咨询分类方法研究

针对民事纠纷在线咨询(COC)存在的数据稀疏、跨平台分散及小样本不平衡导致的分类难题，研究者提出基于深度迁移学习的特征映射分类方法(CMDTL)。通过本体建模规范特征表达、改进边际Fisher分析(IMFA)优化类内类间距离，结合条件特征映射的联合分布适配(JDA-CFM)降低异常值影响。实验显示该方法准确率达84.17%，召回率84.40%，为缺乏数据沉淀的智能法律系统提供关键技术支撑。

　　

随着人工智能在法律服务领域的广泛应用，民事纠纷在线咨询分类(COC)成为智能平台的核心功能。然而，咨询文本的非规范性、跨平台数据碎片化以及小样本不平衡等问题，导致传统机器学习方法表现不佳。中国互联网法院等在线纠纷解决平台虽已建立，但运营时间短、数据积累不足，加之中文语法复杂、咨询用语口语化，使得分类准确率难以提升。这些问题直接影响后续知识推荐的精准度，制约了民事纠纷调解效率的提升。

为解决上述挑战，研究人员提出基于特征映射的深度迁移学习分类方法(CMDTL)。该方法创新性地融合本体设计规范语义表达，采用改进边际Fisher分析(IMFA)增强类内紧凑性与类间分离度，并设计带条件特征映射的联合分布适配算法(JDA-CFM)以抑制异常值干扰。关键技术包括：利用中国杭州、北京、广州等地互联网法院的民事纠纷案例构建跨平台数据集；通过文本向量化处理非结构化咨询文本；采用深度迁移学习实现跨平台知识迁移。

Machine learning methods for online consultation classification
研究对比了传统法律聊天机器人与深度学习方法的局限性，指出小样本场景下现有技术难以捕捉中文咨询文本的复杂实体关系。

The classification method based on feature mapping with deep transfer learning
提出的CMDTL框架包含四个关键模块：文本向量化模块将口语化咨询转换为结构化特征；领域特征优化模块通过IMFA提升特征判别性；联合适配模块采用JDA-CFM对齐源域与目标域分布；深度联合学习模块实现端到端分类。实验证实该方法在跨平台迁移时能有效缓解语义歧义。

Online consultation on civil disputes and dispute resolution case library
基于中国三地互联网法院2017-2023年的婚姻、合同、借贷纠纷案例构建测试集，验证显示CMDTL在准确率(84.17%)和召回率(84.40%)上显著优于基线模型，尤其在样本量不足200的细分案由中优势明显。

Applicability of the proposed method
研究表明，在平台建设初期数据稀疏阶段，传统数据增强方法收效有限，而CMDTL通过迁移其他平台知识可使分类准确率提升12-15个百分点。

Conclusion
该研究通过深度迁移学习突破民事纠纷COC的小样本瓶颈，其创新点在于：首次将本体建模与条件特征映射结合解决法律文本跨平台语义鸿沟；提出的IMFA算法使类间分离度提升23.6%。成果发表于《Engineering Applications of Artificial Intelligence》，为智能法律系统提供可解释性强、数据需求低的分类方案，对提升社会治理效率具有重要实践价值。