Miko Team: ALQAC 2022 中的法律问答深度学习方法
该论文介绍了 NeCo 团队在 2023 年自动化法律问题回答竞赛(ALQAC 2023)中针对越南文本处理任务提供的解决方案,重点是通过数据丰富来实现对低资源语言的法律领域知识获取。我们的法律文档检索任务方法结合了相似性排名和深度学习模型,而对于第二个任务,要求根据问题从相关的法律文章中提取答案,我们提出了一系列适应性技术来处理不同类型的问题。我们的方法在竞赛的两个任务中都取得了出色的成绩,展示了法律领域中问答系统特别是对于低资源语言的潜在优势和有效性。
Sep, 2023
这篇论文总结了第一届自动法律问题回答竞赛 (ALQAC 2021) 的评估,该竞赛包含三个任务:法规文档处理、法律文本推理预测和法律问题回答,旨在建立一个能够自动确定某个陈述是否合法的系统。
Apr, 2022
该论文提出了 NOWJ1 团队在 2023 年自动法律问答竞赛中的方法,通过整合经典统计模型和预训练语言模型来提高法律任务性能。该方法使用了预处理步骤以克服输入的限制,并应用学习排序方法来整合来自不同模型的特征。问答任务被分为两个子任务:句子分类和答案抽取。我们将最先进的模型用于开发每个子任务的不同系统,并利用经典统计模型和预训练语言模型。实验结果表明该方法在竞赛中具有良好的潜力。
Sep, 2023
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
本文介绍了我们在 SemEval 2024 任务 5 中提出的内容:民事诉讼中的法律争议推理任务。我们提出了解决法律答案验证问题的两种方法:首先,对预训练的 BERT 模型进行了微调,并发现基于领域知识训练的模型效果更好;其次,我们对 GPT 模型进行了少样本提示,发现将答案验证任务改为多项选择问题显著提高了模型的性能。我们的最佳模型是基于 BERT 的模型,在 20 个参赛作品中取得了第 7 名。
Apr, 2024
本研究通过利用法律和金融数据的半结构化特点,实现有效检索相关背景知识来解决将现有问答系统应用于法律和金融等专业领域所面临的挑战,使得大型语言模型在领域特定的问答任务中表现优异,同时提供有用的答案解释,鼓励将大型语言模型整合到未来的法律和金融自然语言处理系统中进行研究。
Oct, 2023
该研究旨在解决法律问答的问题,提供包括 14 个标准数据集和基于深度学习的法律问答模型在内的全面调查。该研究重点讨论了面临的挑战和不足,以及使用的不同方法和技术。
Apr, 2023
本文介绍了澳大利亚麦考瑞大学在 BioASQ 6b,B 阶段中的贡献,探讨了多文档摘要中的深度学习和强化学习方法。最佳结果使用了一个基于深度学习模型的回归框架,该模型使用了基于 LSTM 链输出的特征以及与查询的相似度和句子位置有关的特征。同时,强化学习方法也被证明可行,通过 REINFORCE 算法训练全局策略,该策略由使用包含候选句子、问题和上下文的 tf.idf 特征编码的神经网络来实现。
Sep, 2018