基于TF-Chi概率特征和混合提示学习的犯罪心理归因模型

doi:10.11772/j.issn.1001-9081.2025081057

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3133-3142.DOI: 10.11772/j.issn.1001-9081.2025081057

• 人工智能 • 上一篇

基于TF-Chi概率特征和混合提示学习的犯罪心理归因模型

李聪聪¹^,², 高冠东²^,³(), 肖珂¹, 沈伯玮²^,³

^1.河北农业大学信息科学与技术学院，河北保定 071001
^2.中央司法警官学院数据科学与智能矫正技术研究中心，河北保定 071000
^3.中央司法警官学院信息管理系，河北保定 071000

收稿日期:2025-09-12 修回日期:2025-12-18 接受日期:2026-01-04 发布日期:2026-10-21 出版日期:2026-10-10
通讯作者: 高冠东
作者简介:李聪聪（2001—），男，河北邯郸人，硕士研究生，主要研究方向：自然语言处理、犯罪心理
肖珂（1980—），女，四川内江人，教授，博士，CCF会员，主要研究方向：农业工程、物联网、机器视觉
沈伯玮（1993—），男，河北保定人，讲师，硕士研究生，主要研究方向：机器视觉、三维重建。
基金资助:
中央司法警官学院研究基金资助项目(XYZ202301)

Criminal psychological attribution classification model based on TF-Chi probability features and hybrid prompt learning

Congcong LI¹^,², Guandong GAO²^,³(), Ke XIAO¹, Bowei SHEN²^,³

^1.College of Information Science and Technology，Hebei Agricultural University，Baoding Hebei 071001，China
^2.The Centre of Data Science and Intelligent Correction Technology，The National Police University for Criminal Justice，Baoding Hebei 071000，China
^3.Department of Information Management，The National Police University for Criminal Justice，Baoding Hebei 071000，China

Received:2025-09-12 Revised:2025-12-18 Accepted:2026-01-04 Online:2026-10-21 Published:2026-10-10
Contact: Guandong GAO
About author:LI Congcong， born in 2001， M. S. candidate. His research interests include natural language processing， criminal psychology.
XIAO Ke， born in 1980， Ph. D.， professor. Her research interests include agricultural engineering， internet of things， machine vision.
SHEN Bowei， born in 1993， M. S. candidate， lecturer. His research interests include machine vision， 3D reconstruction.
Supported by:
Research Fund of the National Police University for Criminal Justice(XYZ202301)

摘要/Abstract

摘要：

分析犯罪心理的成因对评估犯罪风险及制定心理矫治方案至关重要。传统模型在理解犯罪心理文本、揭示提示向量与下游任务的关联性，以及动态识别特征词重要性等方面仍存在局限。为此，提出一种基于CP-BERT（Criminal Psychology-Bidirectional Encoder Representations from Transformers）的犯罪心理归因分类模型，以实现对犯罪心理成因的四分类。首先，构建803万字符的犯罪心理语料库，进行领域自适应预训练，增强模型的语义建模能力。其次，设计混合提示（Hybrid Prompt）学习方法，将提示模板划分为前缀与后缀两部分：前缀在初始化阶段注入与归因任务高度相关的先验信息，后缀则采用正态分布随机初始化，用于补充前缀未覆盖的信息，并通过实验确定最优比例。再次，提出改进的TF-Chi（Term Frequency-Chi-Square）关联概率特征方法，将数值特征动态映射为信息关联性概率值，并通过构建权重矩阵实现特征融合。最后，构建一个包含3 484条成长史和犯罪史的标注样本数据集进行模型训练与评估。实验结果表明，该模型的准确率和F1值分别达到91.25%与91.56%，在所有指标上均显著优于ChatGLM、DeepSeek等基线模型，验证了它在犯罪心理归因任务中的有效性。

关键词: 犯罪心理, 领域自适应预训练, 提示学习, 特征融合, 深度学习

Abstract:

Analyzing the causes of criminal psychology is crucial for assessing criminal risks and develop psychological correction plans. Traditional models have limitations in comprehending criminal psychology texts， revealing correlations between prompt vectors and downstream tasks， and identifying the importance of key terms dynamically. Therefore， a CP-BERT （Criminal Psychology-Bidirectional Encoder Representations from Transformers）-based attribution classification model for criminal psychology was proposed， enabling four-class classification of psychological causes of crime. First， an 8.03-million-character criminal psychology corpus was constructed for domain-adaptive pre-training， and semantic modeling capability of the model was enhanced. Second， a hybrid prompt learning method was employed to divide prompt templates into prefix and suffix segments： highly relevant prior information was injected into the prefix segment during the initialization phase， while random initialization was performed on the suffix segment by using normal distribution to supplement information uncovered by the prefix segment， and optimal proportions were determined experimentally. Third， an improved TF-Chi （Term Frequency-Chi-Square） association probability feature method was proposed， in which numerical features were mapped to information relevance probability values dynamically， and feature fusion was achieved by constructing a weight matrix. Finally， an annotated dataset consisting of 3 484 personal and criminal histories was constructed for model training and evaluation. Experimental results demonstrate that this model has an accuracy of 91.25% and an F1 score of 91.56%， significantly outperforming multiple baseline models such as ChatGLM and DeepSeek in all metrics， verifying its effectiveness in criminal psychological attribution tasks.

Key words: criminal psychology, domain-adaptive pre-training, prompt learning, feature fusion, deep learning

中图分类号:

TP391.1

李聪聪, 高冠东, 肖珂, 沈伯玮. 基于TF-Chi概率特征和混合提示学习的犯罪心理归因模型[J]. 计算机应用, 2026, 46(10): 3133-3142.

Congcong LI, Guandong GAO, Ke XIAO, Bowei SHEN. Criminal psychological attribution classification model based on TF-Chi probability features and hybrid prompt learning[J]. Journal of Computer Applications, 2026, 46(10): 3133-3142.

图/表 16

参考文献 45

[1]	Wang Y. A study on criminal psychology of juvenile violent murderers［C］// ICMHHE 2021. Dordrecht： Atlantis Press， 2021： 299-305.
[2]	Verona E， Fox B. Pathways to crime and antisocial behavior： a critical analysis of psychological research and a call for broader ecological perspectives［J］. Annual Review of Clinical Psychology， 2025， 21： 439-464.
[3]	Aubrey O， Jones K A， Paddock E. Self-reported impulsivity， aggression and childhood trauma in the general population： a United-Kingdom-based online survey［J］. Journal of Criminal Psychology， 2025， 15（3）： 350-368.
[4]	Jones E E， Harris V A. The attribution of attitudes［J］. Journal of Experimental Social Psychology， 1967， 3（1）： 1-24.
[5]	罗大华. 犯罪心理学［M］. 5版. 北京：中国政法大学出版社， 2007： 99-101.
	Luo Dahua. Criminal psychology［M］. 5th ed. Beijing： China University of Political Science and Law Press， 2007： 99-101.
[6]	张玉. 论犯罪心理形成的相关因素［J］. 求实， 2009（）： 80-82.
	Zhang Yu. On the related factors of criminal psychology formation［J］. Truth Seeking， 2009（S2）： 80-82.
[7]	Koolschijn M， Janković M， Bogaerts S. The impact of childhood maltreatment on aggression， criminal risk factors， and treatment trajectories in forensic psychiatric patients［J］. Frontiers in Psychiatry， 2023， 14： No.1128020.
[8]	Spytska L. Psychological profile and prerequisites for the formation of the killer’s personality［J］. Social and Legal Studios， 2023， 6（1）： 41-48.
[9]	常皓. 李征琴虐待养子案的心理分析［J］. 湖南警察学院学报， 2016， 28（2）： 52-57.
	Chang Hao. Psychoanalysis case of LI Zheng-qin abused foster child［J］. Journal of Hunan Police Academy， 2016， 28（2）： 52-57.
[10]	邵晓顺. 犯罪个案概念化在罪犯心理矫治工作中的应用研究［J］. 中国监狱学刊， 2023， 38（2）： 100-106.
	Shao Xiaoshun. Application of criminal case conceptualization in offender psychological correction work［J］. China Prison Journal， 2023， 38（2）： 100-106.
[11]	Oberlader V， Verschuere B. Bias is persistent： sequencing case information does not protect against contextual bias in criminal risk assessment［J］. Legal and Criminological Psychology， 2025， 30（1）： 143-158.
[12]	马皑，宋业臻. 情感计算技术如何推动犯罪风险评估工具的发展？［J］. 心理科学， 2021， 44（1）： 52-59.
	Ma Ai， Song Yezhen. How does emotional computing technology promote the development of crime risk assessment tools？［J］. Journal of Psychological Science， 2021， 44（1）： 52-59.
[13]	de Vasconcelos Dos Santos R， Junior， Coelho J V V， Cacho N A A， et al. A criminal macrocause classification model： an enhancement for violent crime analysis considering an unbalanced dataset［J］. Expert Systems with Applications， 2024， 238（Pt A）： No.121702.
[14]	Markkandeyan S， Selvam L， Tamizharasu K， et al. Experimental analysis of the machine learning algorithms for crime web page classification［J］. IETE Journal of Research， 2024， 70（5）： 4890-4902.
[15]	杨涵天，周景. 基于提示增强的少样本法律判决预测方法［J］. 计算机应用， 2025， 45（）： 49-55.
	Yang Hantian， Zhou Jing. Few-shot legal judgment prediction method based on prompt enhancement［J］. Journal of Computer Applications， 2025， 45（S1）： 49-55.
[16]	詹力林，秦永彬，黄瑞章，等. 融合时序行为链与事件类型的类案检索方法［J］. 计算机应用， 2025， 45（6）： 1741-1747.
	Zhan Lilin， Qin Yongbin， Huang Ruizhang， et al. Legal case retrieval method integrating temporal behavior chain and event type［J］. Journal of Computer Applications， 2025， 45（6）： 1741-1747.
[17]	张家伟，高冠东，肖珂，等. 基于改进分层注意网络和TextCNN联合建模的暴力犯罪分级算法［J］. 计算机应用， 2024， 44（2）： 403-410.
	Zhang Jiawei， Gao Guandong， Xiao Ke， et al. Violent crime hierarchy algorithm by joint modeling of improved hierarchical attention network and TextCNN［J］. Journal of Computer Applications， 2024， 44（2）： 403-410.
[18]	Gao G， Xiao K， Li H， et al. An intelligent assessment method of criminal psychological attribution based on unbalance data［J］. Computers in Human Behavior， 2024， 158： No.108286.
[19]	Licari D， Comandè G. ITALIAN-LEGAL-BERT models for improving natural language processing tasks in the Italian legal domain［J］. Computer Law and Security Review， 2024， 52： No.105908.
[20]	Tagarelli A， Simeri A. Unsupervised law article mining based on deep pre-trained language representation models with application to the Italian Civil Code［J］. Artificial Intelligence and Law， 2022， 30（3）： 417-473.
[21]	Chalkidis I， Fergadiotis E， Malakasiotis P， et al. Large-scale multi-label text classification on EU legislation［C］// ACL 2019. Stroudsburg： ACL， 2019： 6314-6322.
[22]	Gui J， Zhou Y， Yu K， et al. PSC-BERT： a spam identification and classification algorithm via prompt learning and spell check［J］. Knowledge-Based Systems， 2024， 301： No.112266.
[23]	Sun S， Pan X， Qi S， et al. Knowledge enhanced prompt learning framework for financial news recommendation［J］. Pattern Recognition， 2025， 163： No.111461.
[24]	Wang Y， Zhou L， Zhang W， et al. A soft prompt learning method for medical text classification with simulated human cognitive capabilities［J］. Artificial Intelligence Review， 2025， 58（4）： No.118.
[25]	Liu X， Wang S， Lu S， et al. Adapting feature selection algorithms for the classification of Chinese texts［J］. Systems， 2023， 11（9）： No.483.
[26]	Sun G， Cheng Y， Zhang Z， et al. Text classification with improved word embedding and adaptive segmentation［J］. Expert Systems with Applications， 2024， 238（Pt B）： No.121852.
[27]	Botelle R， Bhavsar V， Kadra-Scalzo G， et al. Can natural language processing models extract and classify instances of interpersonal violence in mental healthcare electronic records： an applied evaluative study［J］. BMJ Open， 2022， 12（2）： No.e052911.
[28]	Liu Q， Liu H. Criminal psychological emotion recognition based on deep learning and EEG signals［J］. Neural Computing and Applications， 2021， 33（1）： 433-447.
[29]	Fan Y. Criminal psychology trend prediction based on deep learning algorithm and three-dimensional convolutional neural network［J］. Journal of Psychology in Africa， 2021， 31（3）： 292-297.
[30]	Li T， Mi L， Meng X， et al. Addressing long-tailed distribution in judicial text for criminal motive classification： a balanced contrastive learning approach［J］. EPJ Data Science， 2025， 14： No.14.
[31]	Breve B， Cimino G， Deufemia V. Hybrid prompt learning for generating justifications of security risks in automation rules［J］. ACM Transactions on Intelligent Systems and Technology， 2024， 15（5）： No.103.
[32]	Hadi Z， Suryadi E， Akbar A， et al. Cyber bullying sentiment analysis based on social categories using the Chi-Square test［J］. Journal Computer and Technology， 2024， 2（1）： 1-9.
[33]	Rupapara V， Rustam F， Ishaq A， et al. Chi-Square and PCA based feature selection for diabetes detection with ensemble classifier［J］. Intelligent Automation and Soft Computing， 2023， 36（2）： 1931-1949.
[34]	Cui Y， Che W， Liu T， et al. Pre-training with whole word masking for Chinese BERT［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2021， 29： 3504-3514.
[35]	Ahmad S， Asghar M Z， Alotaibi F M， et al. A hybrid CNN+BILSTM deep learning-based DSS for efficient prediction of judicial case decisions［J］. Expert Systems with Applications， 2022， 209： No.118318.
[36]	Soni S， Chouhan S S， Rathore S S， et al. TextConvoNet： a convolutional neural network based architecture for text classification［J］. Applied Intelligence， 2023， 53（11）： 14249-14268.
[37]	Jamjoom A A， Karamti H， Umer M， et al. RoBERTaNET： enhanced RoBERTa Transformer based model for cyberbullying detection with GloVe features［J］. IEEE Access， 2024， 12： 58950-58959.
[38]	Touvron H， Lavril T， Izacard G， et al. LLaMA： open and efficient foundation language models［PP/OL］. arXiv（2023-02-27）［2025-03-10］..
[39]	Team GLM. ChatGLM： a family of large language models from GLM-130B to GLM-4 all tools［PP/OL］. V2. arXiv（2024-07-30）［2025-11-20］..
[40]	Guo D， Yang D， Zhang H， et al. DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning［J］. Nature， 2025， 645（8081）： 633-638.
[41]	Hu Z， Li X， Tu C， et al. Few-shot charge prediction with discriminative legal attributes［C］// COLING 2018. Stroudsburg： ACL， 2018： 487-498.
[42]	Liu D， Du W， Li L， et al. Augmenting legal judgment prediction with contrastive case relations［C］// COLING 2022. ［S.l.］： International Committee on Computational Linguistics， 2022： 2658-2667.
[43]	Yue L， Liu Q， Jin B， et al. NeurJudge： a circumstance-aware neural framework for legal judgment prediction［C］// SIGIR 2021. New York： ACM， 2021： 973-982.
[44]	Lyu Y， Wang Z， Ren Z， et al. Improving legal judgment prediction through reinforced criminal element extraction［J］. Information Processing and Management， 2022， 59（1）： No.102780.
[45]	Tong S， Yuan J， Zhang P， et al. Legal judgment prediction via graph boosting with constraints［J］. Information Processing and Management， 2024， 61（3）： No.103663.

类型	训练集样本数	测试集样本数	总计
总计	2 788	696	3 484
原发型	1 413	353	1 766
继发型	765	189	954
突变型	326	82	408
机遇型	284	72	356

类型	训练集样本数	测试集样本数	总计
总计	2 788	696	3 484
原发型	1 413	353	1 766
继发型	765	189	954
突变型	326	82	408
机遇型	284	72	356

参数	参数值	参数	参数值
词嵌入维度	768	优化器	Adam
LSTM隐藏单元数	256	学习率	0.001
LSTM层数	1	轮次	20
卷积核尺寸	3	批处理大小（Batch size）	32
卷积核数量	100	随机种子	42

参数	参数值	参数	参数值
词嵌入维度	768	优化器	Adam
LSTM隐藏单元数	256	学习率	0.001
LSTM层数	1	轮次	20
卷积核尺寸	3	批处理大小（Batch size）	32
卷积核数量	100	随机种子	42

方法	Acc/%	p值（Acc）	P/%	p值（P）	R/%	p值（R）	F1/%	p值（F1）
KNN	70.10	8.92E-11	75.08	1.05E-10	63.54	1.99E-12	65.74	1.59E-12
GNB	70.24	9.16E-11	69.80	3.52E-11	74.09	1.34E-11	70.86	3.86E-12
BNB	75.11	2.63E-10	83.62	1.79E-09	64.98	2.46E-12	68.05	7.69E-10
DT	75.25	2.72E-10	75.06	1.04E-10	75.83	2.06E-11	75.44	1.05E-11
RF	78.11	5.98E-10	84.74	3.19E-09	70.48	6.29E-12	74.09	7.61E-12
MNB	80.26	1.22E-09	86.63	1.08E-08	75.24	1.77E-11	78.87	2.73E-11
SVM	84.69	9.62E-09	86.56	1.03E-08	85.01	7.54E-10	85.74	6.17E-10
LR	85.12	1.26E-09	85.98	6.83E-09	86.05	1.55E-09	86.00	7.41E-10
XGBoost	87.27	7.08E-08	88.16	4.28E-08	87.69	6.94E-09	87.87	3.82E-09
本文方法	91.25	0	91.90	0	91.34	0	91.56	0

基于TF-Chi概率特征和混合提示学习的犯罪心理归因模型

Criminal psychological attribution classification model based on TF-Chi probability features and hybrid prompt learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 45

相关文章 15

编辑推荐

Metrics

模型	Acc/%	p值（Acc）	P/%	p值（P）	R/%	p值（R）	F1/%	p值（F1）
CNN-BiLSTM	87.62	1.70E-06	87.51	3.90E-07	87.62	9.20E-07	87.44	6.87E-07
TextConvoNet_4	84.42	1.46E-08	86.54	1.10E-08	84.56	3.64E-09	85.50	1.96E-10
TextConvoNet_6	85.34	8.02E-09	88.29	1.12E-07	84.82	4.27E-09	86.17	2.53E-09
RoBERTa	81.99	1.06E-09	82.92	6.31E-10	81.99	5.62E-08	80.78	1.50E-11
LLaMA	89.89	8.32E-06	90.10	8.90E-07	90.01	3.75E-06	90.04	1.03E-07
ChatGLM	90.08	1.56E-04	90.24	1.66E-05	90.20	6.42E-05	90.18	4.48E-06
DeepSeek	90.26	4.61E-05	90.34	3.67E-06	90.34	2.71E-05	90.24	6.20E-07
本文模型	91.25	0	91.90	0	91.34	0	91.56	0

模型	Acc/%	p值（Acc）	P/%	p值（P）	R/%	p值（R）	F1/%	p值（F1）
无CP-BERT	89.21	3.67E-08	89.70	4.37E-08	90.01	1.84E-07	89.80	7.58E-08
无Hybrid Prompt	88.81	2.74E-06	89.16	1.35E-06	89.94	1.30E-05	89.47	5.88E-07
无关联概率特征方法	90.08	9.73E-07	91.30	2.33E-05	90.59	2.78E-05	90.90	3.26E-06
无双通道结构	90.41	1.13E-05	90.60	7.19E-07	91.75	2.01E-04	91.11	1.06E-05
本文模型	91.25	0	91.90	0	91.34	0	91.56	0

方法	初始化	token数	Acc/%	P/%	R/%	F1/%
Hard Prompt_1	根据成长史，分析案例	10	89.13	89.25	89.13	88.93
Hard Prompt_2	根据成长史，分析这个案例	12	89.73	90.24	91.61	90.80
Hard Prompt_3	根据成长史的内容，分析案例	13	89.43	90.12	90.90	90.33
Hard Prompt_4	根据成长史的内容，分析这个案例	15	88.83	89.92	90.33	89.83
Hard Prompt_5	根据成长史的内容，分析这个案例的类型	18	88.98	89.24	90.97	89.94

方法	token数	Acc/%	P/%	R/%	F1/%
Soft Prompt_1	5	89.58	89.19	91.29	90.08
Soft Prompt_2	10	89.43	89.41	91.19	90.18
Soft Prompt_3	15	89.73	89.96	90.87	90.33
Soft Prompt_4	20	89.13	89.62	91.08	90.23
Soft Prompt_5	25	90.47	91.49	91.52	91.44
Soft Prompt_6	30	89.88	90.82	90.49	90.32
Soft Prompt_7	35	90.47	90.66	91.81	91.16
Soft Prompt_8	40	90.02	90.63	90.48	90.38
本文方法	24	91.25	91.90	91.34	91.56

方法	Soft Prompt 长度	token 数	Acc/%	P/%	R/%	F1/%
Hybrid Prompt_1	0	12	90.62	91.38	91.36	91.28
Hybrid Prompt_2	4	16	90.47	90.94	91.49	91.07
Hybrid Prompt_3	8	20	89.21	89.40	89.21	89.13
Hybrid Prompt_4	12	24	89.88	91.40	90.18	90.63
Hybrid Prompt_5	16	28	90.17	91.01	90.99	90.80
Hybrid Prompt_6	20	32	91.04	91.53	91.96	91.67
Hybrid Prompt_7	24	36	91.22	91.93	91.38	91.59
Hybrid Prompt_8	28	40	90.77	91.79	91.02	91.34

方法	Acc	P	R	F1
Few-Shot^［41］	83.65	80.84	82.01	81.55
CTM^［42］	87.03	77.85	76.61	75.64
NeurJudge^［43］	83.92	82.76	81.85	81.96
CEEN^［44］	86.83	85.61	86.86	86.22
GJudge^［45］	87.87	86.64	87.38	87.01
本文模型	87.52	88.90	87.59	87.33

真实类型	罪犯电子信息记录		归因权重				归因类型
真实类型	成长史	犯罪史	原发型	继发型	突变型	机遇型	归因类型
原发型	十二三岁时，胡某因父母离婚后无处容身，流浪社会，结识他人后走上偷窃道路，因未成年多次被拘留……	胡某成年后因盗窃两次入狱……	0.475 1	0.175 0	0.174 9	0.174 9	原发型
继发型	徐某自幼受宠，性格娇气且内向。高中毕业后就读大专，毕业后短暂打工便回家，在父母安排下结婚生子……	34岁的徐某因沉迷网络赌博欠下巨债，为筹赌资向亲友借贷，最终因诈骗罪入狱……	0.174 9	0.475 2	0.174 9	0.174 9	继发型
突变型	陈某初中毕业后参军四年，退伍后务农至案发……	1999年9月，陈某在争执中持刀砍伤被害人及其母亲，致被害人死亡……	0.175 3	0.176 6	0.472 7	0.175 2	突变型
机遇型	邓某从小视父亲为偶像，认为父亲自幼读书成绩优异，但因为家里贫穷，不得不早早放弃自己的学业，外出打工补贴家用……	邓某夜晚独自回家途中，看见一辆面包车的车门未关，瞬间心情莫名烦躁，发现车内背包后将其破坏，随后离开……	0.175 0	0.175 2	0.186 5	0.463 3	机遇型

[1]	何戡, 马洪峰, 宗学军, 史洪岩, 连莲, 宁博伟. 融合双通道语义特征的工业控制协议模糊测试方法DCSFFuzzer[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2877-2888.
[2]	徐晓翠, 李波, 邹宇童. 基于双分支表征融合与跨模态对齐的脑电信号解码模型[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 3035-3042.
[3]	陈江彦, 王彦丹, 刘翼虎, 马应龙. 基于协同查询优化的长尾目标检测框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2769-2775.
[4]	周益民, 符雯惠, 罗杰, 王娟. 基于时空特征增强网络的端到端抗屏摄攻击鲁棒视频水印[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2889-2897.
[5]	董思语, 贾鑫, 张密, 陈新文, 孙昕霙, 程方骁. 基于CNN-Transformer编码器和多维脑电特征融合的抑郁状态识别模型[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 3025-3034.
[6]	杨定礼, 卫元芳, 胡文瑞, 孔力杨, 于银山. 时空建模与层次化特征增强的行人重识别算法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2776-2786.
[7]	崔伟, 张平, 肖卓凌, 陈卓航. 基于视觉SLAM的增量式语义建图系统[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2800-2808.
[8]	刘赏, 汤兆森, 刘鸿月, 董林芳, 周金. 共享语义条件下面向模态缺失的多模态情感分析模型[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2761-2768.
[9]	闫江毓, 王世乾, 王红. 基于改进带梯度惩罚的Wasserstein生成对抗网络和时频特征融合的窃电检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2691-2698.
[10]	刘新亮, 徐雨时, 李杜白, 任延昭. 基于知识图谱的问答方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2394-2410.
[11]	黄麟, 李英顺, 佟维妍, 张树园, 王子涵. 基于改进实时检测Transformer的遥感图像目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2652-2659.
[12]	郭晓金, 隋旭洋, 周柯男. 基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2548-2554.
[13]	刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.
[14]	刘凤春, 邵馨莹, 张春英, 王立亚, 任静. 多尺度特征优化的单目深度估计框架FCMdepth[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2603-2611.
[15]	刘威, 李维刚, 田志强. 面向点云分类与分割的层次化旋转不变几何结构的表征学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2594-2602.

统计项	统计值
训练集案例	120 473
测试集案例	30 441
罪名数	191

统计项	统计值
训练集案例	120 473
测试集案例	30 441
罪名数	191