使用已注释和增强的议案语料库学习议案相似度
使用唯一向量空间嵌入法比较不同机构之间的政策差异,发现各机构之间存在有意义的差异,并使用文法向量回答具体问题,正在扩展为更综合的法律语义地图。
Sep, 2016
该研究主要通过使用超过100万份法案的词汇内容和上下文引导来构建预测模型,探究了影响美国50个州和华盛顿特区立法成功的因素,并展示了这些信号的互补预测能力。
Jun, 2018
本文针对美国国会和加州州政府发布的众多议案进行了研究,推出了第一个用于议案自动摘要的数据集-- BillSum。文章介绍了该数据集的属性,对比了不同的提取方法,并证明了基于国会议案的模型能够应用于对加州议案的自动摘要。
Oct, 2019
该研究发现美国国会议员使用有积极和消极两种推动议案的方式,与政治同僚和议案内容的支持有关。为此,开发一种基于编码器和RGCN的模型,通过议案文本和演讲转录学习议员代表并预测积极和消极的联合赞助度。应用这些议员代表预测投票结果,结果具有可解释性并且适用于未知任务。
May, 2022
本研究旨在解决fine-tuned神经语言模型在特定应用中的文本表示优化问题,结合德国政党清单,通过使用基于文档结构启发式策略、最大化党内相似性及标准化等一系列措施,实现对政党相似性的可靠预测,无需人工注释。
Oct, 2022
DeepParliament是一份涵盖自1986年至今的议案文件和元数据、执行各种议案状态分类任务的法律领域基准数据集,其中提供了更完整的议会法案内容信息。该文提供数据收集、详细统计和分析,并提供了二进制和多类议案状态分类的新基准模型,该模型可用于协助议员、总统和法律从业者审查或优先处理议案,提高决策的质量和减少时间消耗。该工作将首次呈现议会法案预测任务,并公开了代码和数据集,以提高法律AI资源的可访问性和促进可重现性。
Nov, 2022
本文研究了在法律文件中识别多句子共享同一修辞角色标签的跨度分割问题,使用了半马尔可夫条件随机场模型进行标签分类,辅助三种数据增强策略,通过实验证明了该方法在提升跨度级预测度量方面的优点,需要文件中具有多句子跨度。
Feb, 2023