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

Feb, 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

Joint Span Segmentation and Rhetorical Role Labeling with Data Augmentation for Legal Documents

T.Y.S.S. Santosh, Philipp Bock, Matthias Grabmair

TL;DR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。

Abstract

Segmentation and rhetorical role labeling of legal judgements play a crucial role in retrieval and adjacent tasks, including case summarization, semantic search, argument mining etc. Previous approaches have formulated this task either as independent classification or sequence labeling

legal judgement rhetorical role labeling span segmentation conditional random fields data augmentation

发现论文，激发创造

通过修辞角色进行法律文件的语义分割

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。

Dec, 2021

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

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

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

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

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

语义角色标注的跨度选择模型

本研究提出基于跨度的语义角色标注模型，能够直接考虑所有可能的论元跨度并为每个标签评分，模型具有允许设计和使用跨度级特征的优点。实验结果显示，本研究的集成模型在 CoNLL-2005 和 2012 数据集上实现了最先进结果，分别为 87.4 F1 和 87.0 F1。

Oct, 2018

多句话论点链接

提出了一种新的文档级模型，用于找到填充事件角色的论点范围，在句子级语义角色标注和指代消解中连接相关思想。通过创建一个新的资源 Roles Across Multiple Sentences（RAMS），支持我们的神经模型的发展，该资源包含 139 种类型的 9,124 个注释事件。我们在 RAMS 和其他事件相关数据集上展示了我们的模型的强大性能。

Nov, 2019

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

构建多层次摘要的无监督法律文本问答系统

本文总结了团队 SCaLAR 在《SemEval-2024 任务 5：民事诉讼中的法律论证》方面的工作。我们提出了一种简单而又新颖的基于相似度和距离的无监督方法来生成标签，以解决该二元分类任务。此外，我们通过使用 CNN、GRU 和 LSTM 等集成特征和多级融合的 Legal-Bert 嵌入来探索解决法律文本复杂性的问题。为了解决数据集中冗长的法律解释，我们引入了基于 T5 的分段摘要，成功保留了关键信息，提高了模型的性能。我们的无监督系统在开发集上的宏 F1 得分增加了 20 个百分点，在测试集上增加了 10 个百分点，这是一个令人鼓舞的结果，考虑到其简单的架构。

Mar, 2024