Apr, 2023

利用深度神经网络和双仿射分类器分析越南法律问题

PDF
TL;DR本文提出使用深度神经网络从越南法律问题中提取重要信息，采用三个阶段的深度模型，利用高级自编码语言模型、字符级和 POS 标签信息生成词表示，Bidirectional LSTM 模型捕捉单词之间的关系并生成句子级别的表示，然后使用 biaffine 分类器来评估每对起始 - 结束单词成为重要细节的概率。
发现论文，激发创造
  • 基于自动数据丰富的越南法律问答系统改进

    本文介绍了利用弱标记的数据提高语言模型质量的方法，并实现了越南文章级别的基于检索的法律问答系统以应对低资源语言的挑战。经过多方面的实验，结果表明所提出的技术是有效的。

    Jun, 2023

  • 使用排序 SVM 和深度卷积神经网络进行法律问答

    该研究采用 Ranking SVM 和卷积神经网络进行法律信息检索和问答，并通过信息检索任务中的统计特征提高了卷积神经网络的准确性。

    Mar, 2017

  • NeCo@ALQAC 2023: 律法领域知识获取低资源语言的数据丰富化

    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

  • 越南语词汇分割、词性标注和依存句法分析的神经联合模型

    本文提出了一个新的多任务学习模型，用于联合越南语词语分割、词性标注和依存句法分析，并在越南基准数据集上进行了实验，结果表明本模型具有最先进或竞争性的表现。

    Dec, 2018

  • 深度学习模型理解贴越语

    利用上下文信息提高概率最大化，本文以 Tieq Viet 为例研究深度学习在语言学上的能力，通过将越南文翻译成 Tieq Viet 测试深度学习模型恢复信息的能力。

    Jul, 2022

  • BARTPhoBEiT：面向越南视觉问答的预训练序列到序列和图像变换模型

    我们引入了一种基于 Transformer 的越南模型 BARTPhoBEiT，该模型包括了预训练的越南序列到序列和双向编码器表示，用于评估越南语 VQA 数据集，并在准确度、精确度、召回率、F1 得分、WUPS 0.0 和 WUPS 0.9 等六个指标上优于强基准模型和现有最先进模型。

    Jul, 2023

  • 提高法律文本处理中的注意力神经网络

    通过实验验证，着重介绍了改进注意力神经网络在自动法律文件处理方面的主要成果，但普遍的自然语言处理模型对于特殊领域如法律文件的适应性仍有挑战。

    Mar, 2022

  • 越南法律文本的多阶段信息检索

    本研究使用句子转换器提出了一种新的越南法律文件信息检索方法，并通过多次实验比较不同的转换器模型、排名得分、音节层和单词层的训练，实验结果表明所提出的模型的表现优于当前越南文件信息检索的模型。

    Sep, 2022

  • 深度学习与传统分类器在越南学生反馈语料库上的对比

    本研究使用机器学习和自然语言处理技术（NaiveBayes，Maximum Entropy，Long Short-Term Memory，Bi-Directional Long Short-Term Memory）对来自大学的越南学生反馈语料库进行情感分析，得出使用双向长短期记忆算法进行情感分类的结果最好，可帮助学校识别出问题并提出改进方法。

    Nov, 2019

  • 基于多种神经网络模型的越南社交媒体数据集的简单高效集成分类器

    使用深度学习模型和集成模型对社交媒体上的越南文本进行分类，实现了比之前研究更好的性能。

    Sep, 2020