论文部分内容阅读
摘要：为了解决司法公开信息化监管的4个突出问题，站在数据驱动的角度，以形成价值数据为目标，将司法公开数据进行分类，进而给出数据处理的系统功能架构、技术架构和业务架构，涵盖数据采集、数据整理、数据分析、数据应用、数据安全等模块。以该架构为基础推进系统建设，能够有效降低司法公开信息监管的工作强度，分析工作状态，发现工作中的问题，促进司法公开水平的不断提高。
关键词：计算机信息管理系统；数据驱动；司法公开；数据挖掘；监管系统
中图分类号：TP391.1文献标志码：A
文章编号：1008-1542（2016）04-0407-09
Abstract：Aiming at the four outstanding problems of informationized supervision for judicial publicity， the judicial public data is classified based on data driven to form the finally valuable data. Then， the functional structure， technical structure and business structure of the data processing system are put forward， including data collection module， data reduction module， data analysis module， data application module and data security module， etc. The development of the data processing system based on these structures can effectively reduce work intensity of judicial open iformation management， summarize the work state， find the problems， and promote the level of judicial publicity.
Keywords：computer information management system； data driven； judicial open； data mining； supervision system
司法公开是现代社会普遍遵循的司法原则，是一个国家文明程度的重要标志，也是公民权利保障的一项重要内容[1]。《中华人民共和国宪法》第125条明确规定：“人民法院审理案件，除法律规定的特别情况外，一律公开进行。”《刑事诉讼法》、《民事诉讼法》、《行政诉讼法》也分别对司法公开作了明确规定[2]。司法公开满足了人民群众日益多样化的司法需求，对于促进司法公正、提升司法公信力具有根本性的推动作用[3]。
中国共产党第十八届四中全会指出：“要让人民群众在每一个司法案件中都感受到公平正义，构建开放、动态、透明、便民的阳光司法机制。”以之为指引，各级法院、检察院、公安机关、司法行政机关（以下简称各级各类政法机关）分别开展了司法公开信息化的工作。以河北省2014年的司法公开工作为例：1）全省法院系统通过网络直播庭审5 843件，三级法院累计公开裁判文书361 440份、公开案件流程信息813 454条；2）全省检察系统共公开各类法律文书3 873份，上传案件程序性信息27 746条、重要案件信息1 039条；3）全省公安系统总计发布交通安全提示信息800余万条、治安防范信息230余万条、警情信息170余万条、其他警务信息100余万条；4）全省司法行政机关共公示“减假暂”案件1.9万余起，上网公示提请减刑、假释建议书和暂予监外执行决定书1.1万余份。随着这些信息化工作的推进，迅速形成了司法公开的海量基础数据资源；同时，在社会计算[4-7]（以手机、平板电脑、个人电脑（PC）等普及型计算能力，生成、传播并广泛存在于网络空间的社会性内容）普遍存在的时代背景下，微博、博客、论坛等网络媒体上也形成了与司法公开工作有关的大量原文、评价和评论等社会意见，成为蕴民情、含民声、映民意的司法公开社会性数据资源。如何对以上两大类司法公开的数据资源进行处理，形成司法公开的系统性监管能力，解决司法公开推进过程中出现的不愿意公开、不会公开、公开不及时和不到位等问题，让公开成为常态，让被监督成为习惯，是一个需要迫切解决的难题。本文站在数据驱动[8-11]的角度，面向数据的有效利用推进司法公开过程中价值数据的形成。首先，将司法公开数据资源分为两类：基础数据资源和社会性数据资源；继而，以两类数据的采集、整理、分析和应用为线索，给出数据处理的功能架构和技术架构，建立多领域、多来源、多类别数据间的融合方法，从中发现问题、挖掘规律、提取指导性规则，最终形成服务于司法公开监督管理的决策支持类数据。本文研究工作的意义主要在于：1）探索各级各类政法机关司法公开基础数据的信息化融合方法，为建立合理的数据整理体系、破除数据“条块分割”提供可参考的思路，为建设政法系统内部监管系统提供依据，从而形成司法公开的系统内动力；2）探索司法公开社会性数据资源的处理架构，为察民情、听民声、聚民智提供基础性信息化手段，提高司法公开过程中人民群众的参与程度和满意度，形成司法公开的系统外动力。
1司法公开信息化监管的问题当前，司法公开信息化监管的问题突出表现为以下4点。
1）缺少司法公开数据的整体性采集体系。一方面，各级各类政法机关接受各级政法委指导，开展并推进司法公开信息化工作，形成基础数据资源；另一方面，各级各类政法机关分别接受本系统内的垂直管理，导致司法公开的基础数据资源分别沉淀于各自的直管系统内，形成数据的“条块分割”，导致缺少整体性采集体系，给司法公开工作的综合管理带来挑战。 2）司法公开数据间缺乏深度融合和利用。由于各级各类政法机关的司法公开数据独立，难于对其进行深入分析和挖掘，尤其是难以梳理清楚本应紧密联系的法院、检察院、公安机关和司法行政机关的法律文书业务链，难以形成科学有效的决策参考依据。
3） 缺少司法公开社会评价的数据分析方法和情报追踪体系。缺少对司法公开社会性数据资源的采集与处理方法，缺少情报提炼与追踪体系。公开之后的社会反馈机制尚不完善。司法公开本身不是最终目的，以公开促公正是方向，公开后的信息跟踪、反馈、总结、改进提升是重点。
4）缺少有效可行的信息化监管系统。司法公开日常监管的数据量大、任务量大[12]，但由于配套软、硬件建设水平较低，甚至缺少专门的业务软件系统，导致难以对司法公开数据进行统一协调管理，制约了司法公开的相关工作走向深入。
2系统功能架构本系统依托法院、检察院、公安机关和司法行政机关的司法公开基础数据资源，捕获反映人民群众对司法公开意见的社会性数据资源，实现对司法公开工作的情况掌握、数据分析、宏观管理、事后监督。系统功能模块主要包括数据采集、数据整理、数据分析、数据应用、数据安全，如图1所示。
1）数据采集包括：①基础数据资源采集模块，获取法院、检察院、公安机关和司法行政机关的司法公开网络平台上的公开栏目信息；②社会性数据资源采集模块，通过获取各类网络媒体中涉及司法公开的社会意见，为司法公开工作的精细化管理提取高质量情报；③数据标准化模块，对海量异构、多源多类的数据进行清洗、规范与载入；④数据周期一致性保障模块，实现不同时间窗口的数据对齐（相关数据间形成的一致性指向和表达）。
2）数据整理包括：①司法公开数据的存储模块，优化数据存储结构，整合多源多类数据；②跨模态（视、听、文、图）数据索引模块，支持数据的高效更新（增、删、改）；③数据质量保障模块，保证内容规范准确，提高数据逻辑一致性，为数据分析、管理监督等提供高品质数据。
3）数据分析包括：①司法公开信息查询模块，支持多源多类数据的查询；②司法公开信息规范化分析模块，支持对于法院、检察院、公安机关和司法行政机关的司法公开网络专栏信息的规范性分析；③法律文书分析模块，自动统计分析法院、检察院、公安机关和司法行政机关上报的各类法律文书，查漏排错；④司法公开业务链分析模块，支持对各部门在各自办案阶段的司法公开成效分析。
4）数据应用包括：①监测模块，一方面监测法院、检察院、公安机关和司法行政机关网上公开情况（各栏目内容的发布和更新情况，公开工作进展等），形成数据监测报告，为管理决策服务；另一方面，监测司法公开相关的社会意见信息，及时形成数据分析报告，反馈给相关部门；②案件司法公开信息呈现模块，根据公安机关、检察机关、审判机关、刑罚执行机关对一个案件分别发布的案件信息、法律文书，进行收集、整理、分析与呈现，并支持通过关键词查询，查看各部门在各自办案阶段的公开成效；③建设司法公开监管反馈模块，定期反馈相关的管理指导意见和监督分析结果数据给相关部门，实现监管结果在部门间的共享。
5）数据安全包括：①以系统使用安全权限为依据，确保数据处理的过程（数据采集、整合、分析、呈现等）安全，限定操作人在授权范围内管控数据，保证数据不被泄露；②确保操作人在授权范围内使用系统功能，保障功能权限不被滥用；同时，采用光盘摆渡机、防火墙、入侵防御系统等必要配置，保障系统运行过程中的数据和软硬件安全。
3系统技术架构以数据为核心，图2给出了数据在系统的流动过程中各个主要阶段的处理技术与相关硬件。由图2可知该系统所涉及的主要技术领域有以下5个。
1）数据采集对于线上数据资源，利用网络爬虫[13]、数据库接口等网络信息获取技术，采集司法公开栏目信息（基础性数据）、司法公开社会意见信息（社会性数据），同时保证充足的带宽和服务器能力支持；而在线下数据资源方面，利用U盘和光盘等移动存储介质，实现对各级各类政法机关司法公开业务数据的有效导入，既包括业务关联的周期性数据，也包括与特定事件相关的碎片式信息。通过线上线下的双通道、多渠道采集，实现对结构化、半结构化、非结构化的海量业务数据的接入、传输、转换、初步处理和管理等。
2）数据整理利用网页结构分析与清洗、自然语言处理[14]、文本挖掘[15]、语义网[16]等技术，提炼线上线下中的可用数据，去除冗余、降低噪声和干扰项，并借助领域词典实现数据对齐（相关数据间形成的一致性指向和表达）、借助语义词典实现语义对齐[17]（文字、图片等多模态数据间的一致性和表达）；对于多模态数据向量化表达可能引起的维度灾难问题，利用主成分分析方法[18]，实现有效降维度；利用索引技术，对数据的主要特征分量建立索引库，支持后期高效检索与提取。
3）数据存储数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，关系型数据库包含了传统关系数据库系统以及NewSQL[19]数据库。非关系型数据库主要指的是NoSQL[20]数据库，可分为键值数据库、列存数据库、图存数据库以及文档数据库等类型。改进数据销毁、透明加解密、分布式访问控制、数据审计等技术；突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。
4）数据分析以主题发现[21]、趋势预测、热点发现、规范性检查等为主要任务，通过采用与改造社会心理分析、网络行为分析、情感语义分析等领域的数据挖掘技术[22-23]、机器学习方法[24-25]、神经网络方法[26]、遗传算法[27-29]等等实用性工具，完成基础性数据资源（司法公开、社会意见等）到知识型数据资源的转变，形成能够为司法公开监管业务进行决策支持的知识性数据结果。
5）数据可视化[30-32]作为人机交互领域的一项重要工具，将从3方面充分考虑数据可视化的实用性：数据的规模与类别、决策支持所需完成的具体任务、UI设计的实用性。对颜色、线段、尺寸、距离等可视化要素予以综合考虑；开发或利用既有的可视化引擎，形成对司法公开监督管理的全过程决策支持能力；以平台使用者为中心，围绕司法公开信息化中的管理监督需求，设计支持用户高效阅读、传递信息和操作软件的人机交互系统。 4系统业务架构根据司法机关的司法公开内容，结合监管的业务需求，采集并分析司法机关在互联网司法公开服务工作中发布的内容，及相关服务系统，实现对各部门司法公开的管理监督。
1） 数据采集关联业务 数据采集系统的关联业务架构如图3所示。
①首先，建立目标网站的URL种子列表，避免过度抓取形成数据繁冗和系统过载，而后，以URL种子网址为基础，采用广度优先搜索策略（在抓取过程中，在完成当前层次的搜索后，才进行下一层次的搜索。为覆盖尽可能多的网页，一般使用此方法）、深度优先搜索策略（从起始网页开始，选择一个URL进入，分析这个网页中的URL，再选择一个进入。如此，一个链接一个链接地抓取下去，直到处理完一条路线之后再处理下一条路线）、最佳优先搜索策略（按照一定的网页分析算法，预测候选URL与目标网页的相似度，或与主题的相关性，并选取评价最好的一个或几个URL进行抓取。它只访问经过网页分析算法预测为“有用”的网页）。利用网络信息获取技术（如网络爬虫、文本挖掘、网页结构分析等），获取司法公开网络平台上的公开栏目信息。
②利用网络爬虫、微博API（application programming interface）、论坛信息抽取、基于DOM（document object model）树结构的提取等技术，获取来自官方媒体、门户站点、社区、搜索引擎、电子刊物、微博等涉及司法公开的社会意见，可以按照不同时期、不同阶段的需求，进行周期可变的内容抓取，并支持按照不同需求的信息采集服务组合。抓取的信息经过内容和格式的统一、规范化处理后，存入数据库。
2） 数据整理关联业务 数据整理系统的主要功能包括：①司法公开相关数据的常规维护，即入库、备份、访问控制、修正、分级、检查、更新等，音频、视频、文本等结构化信息的提取、索引与存储；②面向司法公开移动服务的后台数据提取与整理；③面向司法公开智能问答的后台数据提取与整理。数据整理系统部分关联业务的系统架构如图4所示。
3） 数据分析关联业务 数据分析系统的关联业务架构如图5所示。
①司法公开网络专栏监管分析：a）对各级各类政法机关的司法公开网络专栏中所呈现的信息，从内容到形式进行规范性、完整性、正确性监管分析，对司法公开网络专栏的现状和问题进行发现和提炼并形成报告；b）对法律文书进行规范性分析。系统自动统计分析法院、检察院、公安机关和司法行政机关上报的各类法律文书，进行规范性分析，查漏排错，对现状和问题及时发现并形成报告。②司法公开社会意见分析：根据索引调用网络意见数据，对来自官方媒体、门户站点、社区、搜索引擎、电子刊物、微博等涉及司法公开的社会意见进行分析、分类和处理，例如，对微博舆情部分的处理流程如图6所示。
③案件司法公开业务链分析：以一般刑事案件处理流程（见图7）为例，根据公安机关、检察机关、法院（审判）机关、司法（刑罚执行）机关对一个案件分别发布的案件信息、法律文书，能够将分散的信息进行收集、整理、汇总、分析，集中完整呈现，并通过设定关键词，查看各部门在各自办案阶段的公开成效。④社会评价分析：通过对第三方问卷发布与统计分析系统的研发，支持群众满意度测评与当事人满意度测评的实现，两类测评分别设定不同的问卷，支持“第三方”机构发放调查问卷（司法公开满意度调查等）。问卷采取主、客观相结合的方法，既可以通过门户站点发布电子形式的问卷，也可以进入社区、单位、公共场所等地发布纸质问卷，在一定范围内采集公众意见、当事人/家属意见等，并实现自动统计分析。通过综合两类测评，形成司法公开成效的社会评价。
4） 数据应用关联业务 数据应用系统的关联业务架构如图8所示。
①对于司法公开信息化工作的日常监管，一方面，对司法公开网络专栏等信息化建设工作进行周期性的监查、有效管理、及时督促。依据各类司法公开网络信息，对栏目建设的完整性、内容发布的规范性、法律文书的一致性、流程信息公开的及时性等问题进行评价，实现对一个区域、一个单位执法和司法状况的宏观监督和定期评价；另一方面，获取各类网络媒体中涉及司法公开的社会意见，同时，支持“第三方”机构发放调查问卷（司法公开满意度调查等），采集公众意见、当事人/家属意见等，并实现自动统计分析。为司法公开工作的精细化管理提取高质量情报。②对于系统管理，针对本系统的运维需求（包括：软件管理、硬件管理、数据管理和用户管理功能）对系统软硬件运行进行监测、发现异常、更新数据、调试问题、管理日志、分配权限等。相关模块通过部署在专用的系统监测服务器和统计服务器上实现。5） 应用表示系统 该系统的业务架构如图9所示。基于B/S结构，该系统提供人机交互支持，司法公开信息管理的常规监管操作；同时，提供各类网络媒体中涉及司法公开的社会意见分析，采用数据可视化、人机交互技术设计，根据分析结果，每日自动生成报告。用户可通过浏览器直接查看并交互式调阅报告。
5结语
本文针对司法公开的监管需求，从数据驱动的角度切入，给出了司法公开信息化监管系统的功能架构，技术架构和业务架构。目的在于充分利用政法机关司法公开信息化形成的基础性数据资源，以及反映社情民意的社会性数据资源，从而达到提升司法公开监管效率，形成系统内外的双向合力，促进司法公开水平的不断提高。本文给出的各类架构作为系统建设的基础，支持数据规模可扩充、功能模块可扩展的特点，例如：系统建成后，可以引入司法公开数据融合和挖掘系统、司法公开效果评价系统、司法公开大数据开发系统等，进一步拓展系统服务的深度和广度；后续还可以拓展司法公开监管类型，探索司法公开监管中非信息化结构化的情况，增加司法公开监管客户端类型，引入便携式终端，从而为充分利用司法公开数据推进工作提供更方便快捷的科技手段。
参考文献/References：
[1]王晨光. 借助司法公开深化司法改革[J].法律适用，2014（3）：51-56. WANG Chenguang. Deepen the judicial reform with the help of the judicial public[J].Journal of Law Application， 2014（3）：51-56.
[2]李静. 司法公开的功能、体系及保障[J]. 中国党政干部论坛，2013（10）：39-42.
LI Jing. Function， system and guarantee of judicial openness[J].Chinese Cadres Tribune， 2013（10）：39-42.
[3]李荣珍. 我国司法信息公开的若干问题探讨[J]. 海南大学学报（人文社会科学版），2014（3）：63-70.
LI Rongzhen. Discussion on some problems of China’s judicial information disclosure[J].Humanities & Social Sciences Journal of Hainan University，2014（3）：63-70.
[4]MENG R， GE Y， CAO Z， et al. A framework for generating geospatial social computing environments[J]. IEEE Intelligent Systems， 2015， 30（1）： 44-52.
[5]GAO Y， CHEN Y， LIU K R. Understanding sequential user behavior in social computing： To answer or to vote？[J].IEEE Transactions on Network Science and Engineering， 2015， 2（3）：112-126.
[6]KLIMIS N， SALEM A M， IBRAHIEM E. Social media content ranking based on social computing and user influence[J]. Procedia Computer Science， 2015， 65： 148-157.
[7]KATIE S， JES A K， FLEISCHMANN K R. How to see values in social computing： Methods for studying values dimensions[C]// CSCW’14 Proceedings of the 17th ACM Conference on Computer Supported Cooperative Work & Social Computing. New York： ACM， 2014： 426-435.
[8]DAI X， GAO Z. From model， signal to knowledge： A data-driven perspective of fault detection and diagnosis[J]. IEEE Transactions on Industrial Informatics， 2013， 9（4）： 2226-2238.
[9]LIN S Y， CHAO K M， LO C C. Service-oriented dynamic data driven application systems to urban traffic management in resource-bounded environment[J]. ACM SIGAPP Applied Computing Review， 2012， 12（1）： 35-49.
[10]YIN S， DING S， XIE X， et al. A review on basic data-driven approaches for industrial process monitoring[J].IEEE Transactions on Industrial Electronics， 2014， 61（11）： 6418-6428.
[11]LIN S Y， CHAO K M， LO C C， et al. Distributed dynamic data driven prediction based on reinforcement learning approach[C]// SAC’13： Proceedings of the 28th Annual ACM Symposium on Applied Computing. Coimbra： ACM， 2013： 779-784.
[12]孟祥. 信息时代司法公开的认识与实践[J].法律适用，2015（9）：117-133.
MENG Xiang. Understanding and practice of the judicial openness in the information age[J]. Journal of Law Application， 2015（9）：117-133.
[13]TSAI C， KU T， CHIEN W. Object architected design and efficient dynamic adjustment mechanism of distributed web crawlers[J].International Journal of Interdisciplinary Telecommunications and Networking， 2015， 7（1）： 57-71. [14]CAMBRIA E， WHITE B. Jumping NLP Curves： A review of natural language processing research[J].IEEE Computational Intelligence Magazine， 2014， 9（2）： 48-57.
[15]LI Y， ALGARNI A， ALBATHAN M. Relevance feature discovery for text mining[J]. IEEE Transactions on Knowledge and Data Engineering， 2015， 27（6）：1656-1669.
[16]MACAS J A. Enhancing interaction design on the semantic web： A case study[J]. IEEE Transactions on Systems， Man， and Cybernetics（Part C）： Applications and Reviews， 2012， 42（6）： 1365-1373.
[17]ATENCIA M，SCHORLEMMER M. An interaction-based approach to semantic alignment[J]. Web Semantics Science Services & Agents on the World Wide Web， 2012， S12/S13（2）：131-147.
[18]CARLOS A， BURCU A， CARLOS E， et al. Dimension reduction in principal component analysis for trees[J]. Computational Statistics & Data Analysis， 2014， 74：157-179.
[19]DOSHI K， ZHONG T， LU Z， et al. Blending SQL and NewSQL approaches： Reference architectures for enterprise big data challenges[C]// 2013 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery.Beijing： CyberC， 2013： 163-170.
[20]PADHYE V， TRIPATHI A. Scalable transaction management with snapshot isolation for NoSQL data storage systems[J]. IEEE Transactions on Services Computing， 2015， 8（1）： 121-135.
[21]WANG X， JIN X， CHEN M， et al. Topic mining over asynchronous text sequences[J]. IEEE Transactions on Knowledge and Data Engineering， 2012， 24（1）： 156-169.
[22]WU X， ZHU X， WU G， et al. Data mining with big data[J]. IEEE Transactions on Knowledge and Data Engineering， 2014， 26（1）： 97-107.
[23]ORDONEZ C， CHEN Z. Horizontal aggregations in SQL to prepare data sets for data mining analysis[J]. IEEE Transactions on Knowledge and Data Engineering， 2012， 24（4）： 678-691.
[24]WANG S， CHAOVALITWONGSE W， BABUSKA R. Machine learning algorithms in bipedal robot control[J]. IEEE Transactions on Systems， Man， and Cybernetics（Part C）： Applications and Reviews， 2012， 42（5）： 728-743.
[25]LON B， REDMOND. From machine learning to machine reasoning[J]. Machine Learning， 2014， 94（2）： 133-149.
[26]QIN S， XUE X. A two-layer recurrent neural network for nonsmooth convex optimization problems[J]. IEEE Transactions on Neural Networks and Learning Systems， 2015， 26（6）： 1149-1160.
[27]HUANG S， JIAU M， LIN C. Optimization of the carpool service problem via a fuzzy-controlled genetic algorithm[J]. IEEE Transactions on Fuzzy Systems， 2015， 23（5）： 1698-1712. [28]DING Z， LIU J， SUN Y， et al. A transaction and QoS-aware service selection approach based on genetic algorithm[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2015， 45（7）： 1035-1046.
[29]刘滨.分布式数据挖掘综述[J].河北科技大学学报，2014，35（1）：80-90.
LIU Bin. Survey on distributed data mining[J]. Journal of Hebei University of Science and Technology， 2014， 35（1）： 80-90.
[30]杨彦波，刘滨，祁明月.信息可视化研究综述[J]. 河北科技大学学报， 2014，35（1）： 91-102.
YANG Yanbo， LIU Bin， QI Mingyue. Review of information visualization[J]. Journal of Hebei University of Science and Technology， 2014， 35（1）： 91-102.
[31]ETEMADPOUR R， MOTTA R， de SOUZA J G P， et al. Perception-based evaluation of projection methods for multidimensional data visualization[J]. IEEE Transactions on Visualization and Computer Graphics， 2015， 21（1）： 81-94.
[32]JAVIER F， SILVIA T， JOS A. A review of quantitative empirical approaches in human-computer interaction[C]// Interacción’14： Proceedings of the XV International Conference on Human Computer Interaction， 2014. Tenerife： Puerto de la Cruz， 2014：56.
关键词：计算机信息管理系统；数据驱动；司法公开；数据挖掘；监管系统
中图分类号：TP391.1文献标志码：A
文章编号：1008-1542（2016）04-0407-09
Abstract：Aiming at the four outstanding problems of informationized supervision for judicial publicity， the judicial public data is classified based on data driven to form the finally valuable data. Then， the functional structure， technical structure and business structure of the data processing system are put forward， including data collection module， data reduction module， data analysis module， data application module and data security module， etc. The development of the data processing system based on these structures can effectively reduce work intensity of judicial open iformation management， summarize the work state， find the problems， and promote the level of judicial publicity.
Keywords：computer information management system； data driven； judicial open； data mining； supervision system
司法公开是现代社会普遍遵循的司法原则，是一个国家文明程度的重要标志，也是公民权利保障的一项重要内容[1]。《中华人民共和国宪法》第125条明确规定：“人民法院审理案件，除法律规定的特别情况外，一律公开进行。”《刑事诉讼法》、《民事诉讼法》、《行政诉讼法》也分别对司法公开作了明确规定[2]。司法公开满足了人民群众日益多样化的司法需求，对于促进司法公正、提升司法公信力具有根本性的推动作用[3]。
中国共产党第十八届四中全会指出：“要让人民群众在每一个司法案件中都感受到公平正义，构建开放、动态、透明、便民的阳光司法机制。”以之为指引，各级法院、检察院、公安机关、司法行政机关（以下简称各级各类政法机关）分别开展了司法公开信息化的工作。以河北省2014年的司法公开工作为例：1）全省法院系统通过网络直播庭审5 843件，三级法院累计公开裁判文书361 440份、公开案件流程信息813 454条；2）全省检察系统共公开各类法律文书3 873份，上传案件程序性信息27 746条、重要案件信息1 039条；3）全省公安系统总计发布交通安全提示信息800余万条、治安防范信息230余万条、警情信息170余万条、其他警务信息100余万条；4）全省司法行政机关共公示“减假暂”案件1.9万余起，上网公示提请减刑、假释建议书和暂予监外执行决定书1.1万余份。随着这些信息化工作的推进，迅速形成了司法公开的海量基础数据资源；同时，在社会计算[4-7]（以手机、平板电脑、个人电脑（PC）等普及型计算能力，生成、传播并广泛存在于网络空间的社会性内容）普遍存在的时代背景下，微博、博客、论坛等网络媒体上也形成了与司法公开工作有关的大量原文、评价和评论等社会意见，成为蕴民情、含民声、映民意的司法公开社会性数据资源。如何对以上两大类司法公开的数据资源进行处理，形成司法公开的系统性监管能力，解决司法公开推进过程中出现的不愿意公开、不会公开、公开不及时和不到位等问题，让公开成为常态，让被监督成为习惯，是一个需要迫切解决的难题。本文站在数据驱动[8-11]的角度，面向数据的有效利用推进司法公开过程中价值数据的形成。首先，将司法公开数据资源分为两类：基础数据资源和社会性数据资源；继而，以两类数据的采集、整理、分析和应用为线索，给出数据处理的功能架构和技术架构，建立多领域、多来源、多类别数据间的融合方法，从中发现问题、挖掘规律、提取指导性规则，最终形成服务于司法公开监督管理的决策支持类数据。本文研究工作的意义主要在于：1）探索各级各类政法机关司法公开基础数据的信息化融合方法，为建立合理的数据整理体系、破除数据“条块分割”提供可参考的思路，为建设政法系统内部监管系统提供依据，从而形成司法公开的系统内动力；2）探索司法公开社会性数据资源的处理架构，为察民情、听民声、聚民智提供基础性信息化手段，提高司法公开过程中人民群众的参与程度和满意度，形成司法公开的系统外动力。
1司法公开信息化监管的问题当前，司法公开信息化监管的问题突出表现为以下4点。
1）缺少司法公开数据的整体性采集体系。一方面，各级各类政法机关接受各级政法委指导，开展并推进司法公开信息化工作，形成基础数据资源；另一方面，各级各类政法机关分别接受本系统内的垂直管理，导致司法公开的基础数据资源分别沉淀于各自的直管系统内，形成数据的“条块分割”，导致缺少整体性采集体系，给司法公开工作的综合管理带来挑战。 2）司法公开数据间缺乏深度融合和利用。由于各级各类政法机关的司法公开数据独立，难于对其进行深入分析和挖掘，尤其是难以梳理清楚本应紧密联系的法院、检察院、公安机关和司法行政机关的法律文书业务链，难以形成科学有效的决策参考依据。
3） 缺少司法公开社会评价的数据分析方法和情报追踪体系。缺少对司法公开社会性数据资源的采集与处理方法，缺少情报提炼与追踪体系。公开之后的社会反馈机制尚不完善。司法公开本身不是最终目的，以公开促公正是方向，公开后的信息跟踪、反馈、总结、改进提升是重点。
4）缺少有效可行的信息化监管系统。司法公开日常监管的数据量大、任务量大[12]，但由于配套软、硬件建设水平较低，甚至缺少专门的业务软件系统，导致难以对司法公开数据进行统一协调管理，制约了司法公开的相关工作走向深入。
2系统功能架构本系统依托法院、检察院、公安机关和司法行政机关的司法公开基础数据资源，捕获反映人民群众对司法公开意见的社会性数据资源，实现对司法公开工作的情况掌握、数据分析、宏观管理、事后监督。系统功能模块主要包括数据采集、数据整理、数据分析、数据应用、数据安全，如图1所示。
1）数据采集包括：①基础数据资源采集模块，获取法院、检察院、公安机关和司法行政机关的司法公开网络平台上的公开栏目信息；②社会性数据资源采集模块，通过获取各类网络媒体中涉及司法公开的社会意见，为司法公开工作的精细化管理提取高质量情报；③数据标准化模块，对海量异构、多源多类的数据进行清洗、规范与载入；④数据周期一致性保障模块，实现不同时间窗口的数据对齐（相关数据间形成的一致性指向和表达）。
2）数据整理包括：①司法公开数据的存储模块，优化数据存储结构，整合多源多类数据；②跨模态（视、听、文、图）数据索引模块，支持数据的高效更新（增、删、改）；③数据质量保障模块，保证内容规范准确，提高数据逻辑一致性，为数据分析、管理监督等提供高品质数据。
3）数据分析包括：①司法公开信息查询模块，支持多源多类数据的查询；②司法公开信息规范化分析模块，支持对于法院、检察院、公安机关和司法行政机关的司法公开网络专栏信息的规范性分析；③法律文书分析模块，自动统计分析法院、检察院、公安机关和司法行政机关上报的各类法律文书，查漏排错；④司法公开业务链分析模块，支持对各部门在各自办案阶段的司法公开成效分析。
4）数据应用包括：①监测模块，一方面监测法院、检察院、公安机关和司法行政机关网上公开情况（各栏目内容的发布和更新情况，公开工作进展等），形成数据监测报告，为管理决策服务；另一方面，监测司法公开相关的社会意见信息，及时形成数据分析报告，反馈给相关部门；②案件司法公开信息呈现模块，根据公安机关、检察机关、审判机关、刑罚执行机关对一个案件分别发布的案件信息、法律文书，进行收集、整理、分析与呈现，并支持通过关键词查询，查看各部门在各自办案阶段的公开成效；③建设司法公开监管反馈模块，定期反馈相关的管理指导意见和监督分析结果数据给相关部门，实现监管结果在部门间的共享。
5）数据安全包括：①以系统使用安全权限为依据，确保数据处理的过程（数据采集、整合、分析、呈现等）安全，限定操作人在授权范围内管控数据，保证数据不被泄露；②确保操作人在授权范围内使用系统功能，保障功能权限不被滥用；同时，采用光盘摆渡机、防火墙、入侵防御系统等必要配置，保障系统运行过程中的数据和软硬件安全。
3系统技术架构以数据为核心，图2给出了数据在系统的流动过程中各个主要阶段的处理技术与相关硬件。由图2可知该系统所涉及的主要技术领域有以下5个。
1）数据采集对于线上数据资源，利用网络爬虫[13]、数据库接口等网络信息获取技术，采集司法公开栏目信息（基础性数据）、司法公开社会意见信息（社会性数据），同时保证充足的带宽和服务器能力支持；而在线下数据资源方面，利用U盘和光盘等移动存储介质，实现对各级各类政法机关司法公开业务数据的有效导入，既包括业务关联的周期性数据，也包括与特定事件相关的碎片式信息。通过线上线下的双通道、多渠道采集，实现对结构化、半结构化、非结构化的海量业务数据的接入、传输、转换、初步处理和管理等。
2）数据整理利用网页结构分析与清洗、自然语言处理[14]、文本挖掘[15]、语义网[16]等技术，提炼线上线下中的可用数据，去除冗余、降低噪声和干扰项，并借助领域词典实现数据对齐（相关数据间形成的一致性指向和表达）、借助语义词典实现语义对齐[17]（文字、图片等多模态数据间的一致性和表达）；对于多模态数据向量化表达可能引起的维度灾难问题，利用主成分分析方法[18]，实现有效降维度；利用索引技术，对数据的主要特征分量建立索引库，支持后期高效检索与提取。
3）数据存储数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，关系型数据库包含了传统关系数据库系统以及NewSQL[19]数据库。非关系型数据库主要指的是NoSQL[20]数据库，可分为键值数据库、列存数据库、图存数据库以及文档数据库等类型。改进数据销毁、透明加解密、分布式访问控制、数据审计等技术；突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。
4）数据分析以主题发现[21]、趋势预测、热点发现、规范性检查等为主要任务，通过采用与改造社会心理分析、网络行为分析、情感语义分析等领域的数据挖掘技术[22-23]、机器学习方法[24-25]、神经网络方法[26]、遗传算法[27-29]等等实用性工具，完成基础性数据资源（司法公开、社会意见等）到知识型数据资源的转变，形成能够为司法公开监管业务进行决策支持的知识性数据结果。
5）数据可视化[30-32]作为人机交互领域的一项重要工具，将从3方面充分考虑数据可视化的实用性：数据的规模与类别、决策支持所需完成的具体任务、UI设计的实用性。对颜色、线段、尺寸、距离等可视化要素予以综合考虑；开发或利用既有的可视化引擎，形成对司法公开监督管理的全过程决策支持能力；以平台使用者为中心，围绕司法公开信息化中的管理监督需求，设计支持用户高效阅读、传递信息和操作软件的人机交互系统。 4系统业务架构根据司法机关的司法公开内容，结合监管的业务需求，采集并分析司法机关在互联网司法公开服务工作中发布的内容，及相关服务系统，实现对各部门司法公开的管理监督。
1） 数据采集关联业务 数据采集系统的关联业务架构如图3所示。
①首先，建立目标网站的URL种子列表，避免过度抓取形成数据繁冗和系统过载，而后，以URL种子网址为基础，采用广度优先搜索策略（在抓取过程中，在完成当前层次的搜索后，才进行下一层次的搜索。为覆盖尽可能多的网页，一般使用此方法）、深度优先搜索策略（从起始网页开始，选择一个URL进入，分析这个网页中的URL，再选择一个进入。如此，一个链接一个链接地抓取下去，直到处理完一条路线之后再处理下一条路线）、最佳优先搜索策略（按照一定的网页分析算法，预测候选URL与目标网页的相似度，或与主题的相关性，并选取评价最好的一个或几个URL进行抓取。它只访问经过网页分析算法预测为“有用”的网页）。利用网络信息获取技术（如网络爬虫、文本挖掘、网页结构分析等），获取司法公开网络平台上的公开栏目信息。
②利用网络爬虫、微博API（application programming interface）、论坛信息抽取、基于DOM（document object model）树结构的提取等技术，获取来自官方媒体、门户站点、社区、搜索引擎、电子刊物、微博等涉及司法公开的社会意见，可以按照不同时期、不同阶段的需求，进行周期可变的内容抓取，并支持按照不同需求的信息采集服务组合。抓取的信息经过内容和格式的统一、规范化处理后，存入数据库。
2） 数据整理关联业务 数据整理系统的主要功能包括：①司法公开相关数据的常规维护，即入库、备份、访问控制、修正、分级、检查、更新等，音频、视频、文本等结构化信息的提取、索引与存储；②面向司法公开移动服务的后台数据提取与整理；③面向司法公开智能问答的后台数据提取与整理。数据整理系统部分关联业务的系统架构如图4所示。
3） 数据分析关联业务 数据分析系统的关联业务架构如图5所示。
①司法公开网络专栏监管分析：a）对各级各类政法机关的司法公开网络专栏中所呈现的信息，从内容到形式进行规范性、完整性、正确性监管分析，对司法公开网络专栏的现状和问题进行发现和提炼并形成报告；b）对法律文书进行规范性分析。系统自动统计分析法院、检察院、公安机关和司法行政机关上报的各类法律文书，进行规范性分析，查漏排错，对现状和问题及时发现并形成报告。②司法公开社会意见分析：根据索引调用网络意见数据，对来自官方媒体、门户站点、社区、搜索引擎、电子刊物、微博等涉及司法公开的社会意见进行分析、分类和处理，例如，对微博舆情部分的处理流程如图6所示。
③案件司法公开业务链分析：以一般刑事案件处理流程（见图7）为例，根据公安机关、检察机关、法院（审判）机关、司法（刑罚执行）机关对一个案件分别发布的案件信息、法律文书，能够将分散的信息进行收集、整理、汇总、分析，集中完整呈现，并通过设定关键词，查看各部门在各自办案阶段的公开成效。④社会评价分析：通过对第三方问卷发布与统计分析系统的研发，支持群众满意度测评与当事人满意度测评的实现，两类测评分别设定不同的问卷，支持“第三方”机构发放调查问卷（司法公开满意度调查等）。问卷采取主、客观相结合的方法，既可以通过门户站点发布电子形式的问卷，也可以进入社区、单位、公共场所等地发布纸质问卷，在一定范围内采集公众意见、当事人/家属意见等，并实现自动统计分析。通过综合两类测评，形成司法公开成效的社会评价。
4） 数据应用关联业务 数据应用系统的关联业务架构如图8所示。
①对于司法公开信息化工作的日常监管，一方面，对司法公开网络专栏等信息化建设工作进行周期性的监查、有效管理、及时督促。依据各类司法公开网络信息，对栏目建设的完整性、内容发布的规范性、法律文书的一致性、流程信息公开的及时性等问题进行评价，实现对一个区域、一个单位执法和司法状况的宏观监督和定期评价；另一方面，获取各类网络媒体中涉及司法公开的社会意见，同时，支持“第三方”机构发放调查问卷（司法公开满意度调查等），采集公众意见、当事人/家属意见等，并实现自动统计分析。为司法公开工作的精细化管理提取高质量情报。②对于系统管理，针对本系统的运维需求（包括：软件管理、硬件管理、数据管理和用户管理功能）对系统软硬件运行进行监测、发现异常、更新数据、调试问题、管理日志、分配权限等。相关模块通过部署在专用的系统监测服务器和统计服务器上实现。5） 应用表示系统 该系统的业务架构如图9所示。基于B/S结构，该系统提供人机交互支持，司法公开信息管理的常规监管操作；同时，提供各类网络媒体中涉及司法公开的社会意见分析，采用数据可视化、人机交互技术设计，根据分析结果，每日自动生成报告。用户可通过浏览器直接查看并交互式调阅报告。
5结语
本文针对司法公开的监管需求，从数据驱动的角度切入，给出了司法公开信息化监管系统的功能架构，技术架构和业务架构。目的在于充分利用政法机关司法公开信息化形成的基础性数据资源，以及反映社情民意的社会性数据资源，从而达到提升司法公开监管效率，形成系统内外的双向合力，促进司法公开水平的不断提高。本文给出的各类架构作为系统建设的基础，支持数据规模可扩充、功能模块可扩展的特点，例如：系统建成后，可以引入司法公开数据融合和挖掘系统、司法公开效果评价系统、司法公开大数据开发系统等，进一步拓展系统服务的深度和广度；后续还可以拓展司法公开监管类型，探索司法公开监管中非信息化结构化的情况，增加司法公开监管客户端类型，引入便携式终端，从而为充分利用司法公开数据推进工作提供更方便快捷的科技手段。
参考文献/References：
[1]王晨光. 借助司法公开深化司法改革[J].法律适用，2014（3）：51-56. WANG Chenguang. Deepen the judicial reform with the help of the judicial public[J].Journal of Law Application， 2014（3）：51-56.
[2]李静. 司法公开的功能、体系及保障[J]. 中国党政干部论坛，2013（10）：39-42.
LI Jing. Function， system and guarantee of judicial openness[J].Chinese Cadres Tribune， 2013（10）：39-42.
[3]李荣珍. 我国司法信息公开的若干问题探讨[J]. 海南大学学报（人文社会科学版），2014（3）：63-70.
LI Rongzhen. Discussion on some problems of China’s judicial information disclosure[J].Humanities & Social Sciences Journal of Hainan University，2014（3）：63-70.
[4]MENG R， GE Y， CAO Z， et al. A framework for generating geospatial social computing environments[J]. IEEE Intelligent Systems， 2015， 30（1）： 44-52.
[5]GAO Y， CHEN Y， LIU K R. Understanding sequential user behavior in social computing： To answer or to vote？[J].IEEE Transactions on Network Science and Engineering， 2015， 2（3）：112-126.
[6]KLIMIS N， SALEM A M， IBRAHIEM E. Social media content ranking based on social computing and user influence[J]. Procedia Computer Science， 2015， 65： 148-157.
[7]KATIE S， JES A K， FLEISCHMANN K R. How to see values in social computing： Methods for studying values dimensions[C]// CSCW’14 Proceedings of the 17th ACM Conference on Computer Supported Cooperative Work & Social Computing. New York： ACM， 2014： 426-435.
[8]DAI X， GAO Z. From model， signal to knowledge： A data-driven perspective of fault detection and diagnosis[J]. IEEE Transactions on Industrial Informatics， 2013， 9（4）： 2226-2238.
[9]LIN S Y， CHAO K M， LO C C. Service-oriented dynamic data driven application systems to urban traffic management in resource-bounded environment[J]. ACM SIGAPP Applied Computing Review， 2012， 12（1）： 35-49.
[10]YIN S， DING S， XIE X， et al. A review on basic data-driven approaches for industrial process monitoring[J].IEEE Transactions on Industrial Electronics， 2014， 61（11）： 6418-6428.
[11]LIN S Y， CHAO K M， LO C C， et al. Distributed dynamic data driven prediction based on reinforcement learning approach[C]// SAC’13： Proceedings of the 28th Annual ACM Symposium on Applied Computing. Coimbra： ACM， 2013： 779-784.
[12]孟祥. 信息时代司法公开的认识与实践[J].法律适用，2015（9）：117-133.
MENG Xiang. Understanding and practice of the judicial openness in the information age[J]. Journal of Law Application， 2015（9）：117-133.
[13]TSAI C， KU T， CHIEN W. Object architected design and efficient dynamic adjustment mechanism of distributed web crawlers[J].International Journal of Interdisciplinary Telecommunications and Networking， 2015， 7（1）： 57-71. [14]CAMBRIA E， WHITE B. Jumping NLP Curves： A review of natural language processing research[J].IEEE Computational Intelligence Magazine， 2014， 9（2）： 48-57.
[15]LI Y， ALGARNI A， ALBATHAN M. Relevance feature discovery for text mining[J]. IEEE Transactions on Knowledge and Data Engineering， 2015， 27（6）：1656-1669.
[16]MACAS J A. Enhancing interaction design on the semantic web： A case study[J]. IEEE Transactions on Systems， Man， and Cybernetics（Part C）： Applications and Reviews， 2012， 42（6）： 1365-1373.
[17]ATENCIA M，SCHORLEMMER M. An interaction-based approach to semantic alignment[J]. Web Semantics Science Services & Agents on the World Wide Web， 2012， S12/S13（2）：131-147.
[18]CARLOS A， BURCU A， CARLOS E， et al. Dimension reduction in principal component analysis for trees[J]. Computational Statistics & Data Analysis， 2014， 74：157-179.
[19]DOSHI K， ZHONG T， LU Z， et al. Blending SQL and NewSQL approaches： Reference architectures for enterprise big data challenges[C]// 2013 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery.Beijing： CyberC， 2013： 163-170.
[20]PADHYE V， TRIPATHI A. Scalable transaction management with snapshot isolation for NoSQL data storage systems[J]. IEEE Transactions on Services Computing， 2015， 8（1）： 121-135.
[21]WANG X， JIN X， CHEN M， et al. Topic mining over asynchronous text sequences[J]. IEEE Transactions on Knowledge and Data Engineering， 2012， 24（1）： 156-169.
[22]WU X， ZHU X， WU G， et al. Data mining with big data[J]. IEEE Transactions on Knowledge and Data Engineering， 2014， 26（1）： 97-107.
[23]ORDONEZ C， CHEN Z. Horizontal aggregations in SQL to prepare data sets for data mining analysis[J]. IEEE Transactions on Knowledge and Data Engineering， 2012， 24（4）： 678-691.
[24]WANG S， CHAOVALITWONGSE W， BABUSKA R. Machine learning algorithms in bipedal robot control[J]. IEEE Transactions on Systems， Man， and Cybernetics（Part C）： Applications and Reviews， 2012， 42（5）： 728-743.
[25]LON B， REDMOND. From machine learning to machine reasoning[J]. Machine Learning， 2014， 94（2）： 133-149.
[26]QIN S， XUE X. A two-layer recurrent neural network for nonsmooth convex optimization problems[J]. IEEE Transactions on Neural Networks and Learning Systems， 2015， 26（6）： 1149-1160.
[27]HUANG S， JIAU M， LIN C. Optimization of the carpool service problem via a fuzzy-controlled genetic algorithm[J]. IEEE Transactions on Fuzzy Systems， 2015， 23（5）： 1698-1712. [28]DING Z， LIU J， SUN Y， et al. A transaction and QoS-aware service selection approach based on genetic algorithm[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2015， 45（7）： 1035-1046.
[29]刘滨.分布式数据挖掘综述[J].河北科技大学学报，2014，35（1）：80-90.
LIU Bin. Survey on distributed data mining[J]. Journal of Hebei University of Science and Technology， 2014， 35（1）： 80-90.
[30]杨彦波，刘滨，祁明月.信息可视化研究综述[J]. 河北科技大学学报， 2014，35（1）： 91-102.
YANG Yanbo， LIU Bin， QI Mingyue. Review of information visualization[J]. Journal of Hebei University of Science and Technology， 2014， 35（1）： 91-102.
[31]ETEMADPOUR R， MOTTA R， de SOUZA J G P， et al. Perception-based evaluation of projection methods for multidimensional data visualization[J]. IEEE Transactions on Visualization and Computer Graphics， 2015， 21（1）： 81-94.
[32]JAVIER F， SILVIA T， JOS A. A review of quantitative empirical approaches in human-computer interaction[C]// Interacción’14： Proceedings of the XV International Conference on Human Computer Interaction， 2014. Tenerife： Puerto de la Cruz， 2014：56.