EMNLPDec, 2021

通过修辞角色进行法律文件的语义分割

PDF
TL;DR本文提出了一种新的法律文件语料库，标注了 13 个语义连贯性单元标签（称为修辞角色），并使用该语料库进行了深度学习模型，其中包括多任务学习的实验，以自动处理法律文件并将其分成相关信息单元。
legal document processingcorpus annotationrhetorical rolesdeep learning modelmultitask learning
发现论文，激发创造
  • 用于自动化结构化法律文件的语料库

    本文介绍一种用于处理法律文档的语料库以及基于该语料库训练的模型，可自动预测法律文档中的修辞角色，进而提高摘要和法律判决预测的性能，并在本文中发布了此语料库和基线模型代码。

    Jan, 2022

  • 使用 Transformer 和图神经网络对法律文件进行修辞角色标注

    本文探讨了使用图卷积网络和标签传播算法等基于图的方法以及变种的 BERT 等变压器为基础的方法，在执行 SemEval 任务 6 的过程中进行了修辞角色标注任务，以理解印度法律文件并提高复杂法律文档的文本分类准确性得分。

    May, 2023

  • 利用数据增强的方法进行法律文件的联合跨度分割和修辞角色标注

    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

  • 确定印度法律判决中句子的修辞角色

    本文通过使用深度神经网络，解决了自动理解印度最高法院判决中句子的修辞角色的难题，从而达成了对法律案例做出摘要和搜索等下游任务的目的。

    Nov, 2019

  • 利用句子位置嵌入增强预训练语言模型在法律观点的修辞角色识别中

    基于预训练语言模型（PLMs）和文档内句子位置信息知识的改进模型，自动预测法律意见书的修辞角色。通过在 LegalEval@SemEval2023 比赛注释的语料库上验证，我们的方法需要更少的参数，计算成本也更低，同时实现了出色的性能。此外，我们展示了在基于 BERT 的局部上下文的分层模型中增加更多注意力并结合句子位置信息会增强结果。

    Oct, 2023

  • 法律文件的结构化文本分段

    本研究提出了一种基于 transformer 网络和结构化文本分割的方法来预测跨越多个段落的连续文本段落的主题连贯性，以更有效地满足用户特定的信息需求，研究结果表明，此方法显著优于基线，并适应法律文件的结构特点。

    Dec, 2020

  • 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

  • 留意你的邻居：利用类似实例进行法律文件的修辞角色标注

    通过提出适用于法律判决的修辞角色标签（RRL）的新技术，利用来自语义上相似的实例（邻居）的知识，加强了 RRL 的性能，并通过推理和训练方法，结合 prototypical learning 和新颖的基于话语的对比方法，在嵌入空间上直接工作，实现了宏观 F1 得分的显著提升，同时评估了方法的跨领域适用性，展示了在不同法律领域之间传递知识的有效性。

    Mar, 2024

  • SemEval 2023 任务 6：LegalEval - 理解法律文本

    该论文探讨了 Legal NLP 领域的研究，分析了 SemEval 举办的 LegalEval 任务的三个子任务：语言角色标注，法律实体识别和法院判例预测，并总结了 26 个团队的研究成果。

    Apr, 2023

  • 司法援助用句子嵌入的分类

    本文旨在解决 AILA2021（法律协助人工智能）中的任务之一，在使用 BERT 获取的句子嵌入和线性分类器的结合下，将文档在语义上分割为 7 个预定义标签或 “修辞角色”，通过对实验加权分析，表明赋予最高频率类别更大的权重可获得更好的结果。在任务 1 中，团队 legalNLP 获得了 0.22 的 F1 分数。

    Feb, 2022