Sep, 2016

法律文本分析的词汇 - 形态学建模

PDF
TL;DR本文提出了一种基于语言模型和机器学习方法，结合多种词汇和形态特征，用于解决法律问题和提供正确答案的 Legal Information Extraction/Entailment 问题，且无需大量训练数据和专业知识即可与最先进的法律信息检索和问题回答方式相竞争，并在比赛中获得了显著成果。
legal information extractiontextual entailmentlanguage modelmachine learningquestion answering
发现论文，激发创造
  • 基于词汇和语义模型级联的法律案例检索和蕴含

    利用神经网络和传统检索模型，我们参加了 COLIEE-2022 律师案例比赛的任务 1 和任务 2，结果在所有团队中排名第五。实验结果表明，传统的检索模型 BM25 仍然优于神经网络模型。

    Apr, 2022

  • COLIEE 2023 的 CAPTAIN：法律信息检索和蕴含任务的高效方法

    该论文介绍了在 COLIEE 2023 竞赛中处理 Task 2、Task 3 和 Task 4 的策略，使用了先进的深度学习方法、基于领域特征观察的设计方法，以及严谨的工程实践和方法论，在这些任务中取得了优秀的成绩，并在 Task 2 和 Task 3 中获得了第一名，Task 4 中也有良好结果。源代码可在指定的 URL 获得。

    Jan, 2024

  • 利用预训练词组评分模型，采用词汇匹配和摘要方法构建法律案例检索系统

    采用编码总结、文档表示模型、词汇特征提取等方法，结合资源进行比较及潜在特征提取，实现针对法律信息提取 / 推理比赛的最优成果。

    Sep, 2020

  • 将结构知识纳入预训练语言模型，用于法律案例检索：THUIR@COLIEE 2023

    本研究总结了 2023 年 COLIEE 中冠军团队 THUIR 的方法，其中使用结构感知的预训练语言模型来加强对法律案例的理解，借助启发式预处理和后处理方法减少不相关信息的影响，并利用学习排序的方法来合并具有不同维度的特征，实验证明了该方法的优越性。

    May, 2023

  • JNLP 团队：COLIEE 2020 中的法律处理深度学习

    使用深度学习方法实现在 COLIEE 2020 中自动的法律检索和法律问题解答系统，该方法通过在大量数据上进行预训练并进行微调，克服了数据稀缺性并取得了良好的性能，在信息检索和法律决策支持等领域具有相关应用价值。此外，这种方法也可以用于解决其他领域特定的问题。

    Nov, 2020

  • THUIR@COLIEE 2023：更多参数和法律知识用于法律案件推理

    THUIR 在 COLIEE 2023 Legal Case Entailment 任务中尝试了传统词汇匹配方法和不同规模的预训练语言模型，使用学习排序方法进一步提高性能，但学习排序在此任务上不够强大，实验结果表明更多参数和法律知识有助于实现，最终在 COLIEE 2023 中获得第三名。

    May, 2023

  • 上下文中的词汇推断语言模型

    该研究利用基于预训练语言模型的方法探究了语义词汇判断任务，并通过构建几个模型在该任务上取得了新的最优结果。

    Feb, 2021

  • 加强法律文件检索：采用大型语言模型的多阶段方法

    将提示技术作为检索系统中的最后阶段，通过 BM25 预排名和基于 BERT 的再排名的支持，最大限度地提高提示的潜力，从而显着提高了检索准确性。

    Mar, 2024

  • 利用上下文化大语言模型理解法律文件

    针对印度等人口密集的国家法律案件增长的问题，本论文提出了解决该问题的有效技术 ——SemEval-2023 任务 6：理解法律文本的系统，该系统利用 Legal-BERT-HSLN 模型和 Legal-LUKE 模型预测法律文件的修辞角色和识别法律实体，并表明模型优于基线模型，在领先的任务排行榜中取得显著成绩。

    Mar, 2023

  • COLIEE 2023 中的 NOWJ - 法律信息处理中的多任务和集成方法

    该论文介绍了 NOWJ 团队参加 COLIEE 2023 比赛的方法，重点是提高法律信息处理技术并将其应用于现实法律情景中， 团队使用最先进的机器学习模型及创新方法，研究了四个任务，虽然成果未达到最新颖水准但结果提供了有价值洞察，并为改进法律信息处理铺平了道路。

    Jun, 2023