美国法院裁决的法律摘要提取
本研究提出了一种在法律决策摘要中提取摘要的技术,该技术利用有限的专家注释数据在低资源环境下操作。我们测试了一组使用顺序模型定位相关内容的模型,并利用最大边际相关性来处理冗余以组合摘要。我们还展示了一种隐式方法来帮助培训我们的建议模型生成更多有信息量的摘要。我们的多任务学习模型变体通过将修辞角色识别作为辅助任务来进一步提高摘要器的性能。我们对包含来自美国退伍军人委员会的法律裁决的数据集进行了广泛的实验,并对我们的模型进行了定量和专家排名评估。我们的结果表明,所提出的方法可以实现 ROUGE 得分与与专业提取的摘要相匹配的得分。
Oct, 2022
本论文介绍了一种基于强化学习并且能够逐步提取文本摘要的 MemSum 摘要器,它在每一步都可以使用包括文本内容、全局文本上下文和提取历史在内的信息集合来决定摘要中摘录哪些句子;经对 PubMed、arXiv 和 GovReport 等长文档进行测试,该轻量架构模型的 ROUGE 性能处于领先水平;消融研究证明了局部、全局和历史信息的重要性;人类评估也印证了 MemSum 生成的摘要质量高且冗余度低。
Jul, 2021
本文对不同类型的文本摘要模型(如抽取式与生成式模型)在法律文本中的表现进行分析,特别是将最近的基于 transformer 的生成式摘要模型应用于法律文本摘要时,由于法律文档非常长,必须考虑这些模型的限制。同时,本文还提供了在针对法律文档进行摘要系统评估方面的一些有用结论。
Oct, 2022
本文提出了一种基于深度学习的有效自动案例总结系统,该系统利用最先进的自然语言处理技术,提供了监督和无监督方法来生成简洁且相关的冗长法律案例文件的摘要。用户友好的界面允许用户浏览系统的法律案例库,选择所需案例,并选择他们偏好的总结方法。该系统为法律文本的每个小节以及整体生成全面的摘要。该演示简化了法律案例文档分析,可能通过减轻工作量和提高效率从而使法律专业人员受益。未来的工作将集中在改进摘要技术并探索将我们的方法应用于其他类型的法律文本。
Dec, 2023
面向法律专业人员的,将自动摘要技术应用于长篇法律文书以便满足用户多样化信息需求的研究,引入了一种来自欧洲人权法庭司法管辖区域的面向方面的法律案例决策摘要的新数据集(LexAbSumm),并且通过评估针对长篇文档进行调整的多种生成性摘要建模方法揭示了这些模型在生成方面特定摘要上的挑战,以促进法律领域方面的摘要研究。
Mar, 2024
本文提出了一种摘要框架,通过将目标的所有评论压缩为多个密集向量以代替传统的前置筛选步骤,从而最大化地保留所有信息,进而生成更具信息量的摘要,并且采用零样本技术,能够有效地生成根据用户需求定制的摘要,实验结果表明了该模型在 Rotten Tomatoes 数据集上的优越性能。
Sep, 2019
本研究提出了一种称为混合记忆网络的全数据驱动端到端深度网络,用于单个文档摘要任务,其通过联合捕获局部和全局句子信息以及摘要有价值的句子的概念来学习文档的连续统一表示,实验结果表明,与现有最先进的基线相比,该模型展示了显著的性能提升。
Dec, 2019
提出了一种考虑文档的论证结构进行长篇法律意见的抽象概述的简单方法,其中使用论点角色信息生成多个候选摘要,并基于与文档的论证结构的对齐重新排序这些候选项。证明了该方法在长篇法律意见数据集上的有效性,并表现优于一些强基线。
Jun, 2023