COLINGMar, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 语义角色标注遇上定义建模：利用自然语言描述谓词 - 论元结构

    本文提出了一种新的方法，利用定义建模来介绍一种广义的 SRL 形式，即使用自然语言定义而非离散标签来描述谓词论元结构。经过实验证明， 这种灵活的模型不会牺牲性能。

    Dec, 2022

  • 对话语义角色标注

    该研究提出了针对对话中语义角色标注的任务，通过手动标注语义角色的方式建立了一个数据集，表明将 SRL 模型应用于对话任务有望提高性能，并在两个任务上进行了初步研究。

    Apr, 2021

  • 文本理解的显式上下文语义

    本文的研究目的是让语义角色标注（SRL）任务通过指定动词谓词和其相应的语义角色来增强文本理解和推理，并针对深度学习模型，加入语义角色标注以获得更细粒度的语义。经过广泛的实验证明，所提出的语义学习能够在各项挑战性的自然语言理解任务中显著提高现有模型的性能，包括已经用于最新进展的预训练语言模型。

    Sep, 2018

  • 从语法无关到语法相关的完整端到端语义角色标注器？

    本文介绍了一个端到端的神经模型，它统一处理谓语消歧和参数标记，并通过使用双仿射评分器直接预测句子中所有给定单词对的语义角色标签，达到了比现有的支持语法的 SRL 系统更好的性能。

    Aug, 2018

  • 关联记忆网络的语义角色标注

    本文提出了一种基于所提出的关联记忆网络的新颖的语法无关的语义角色标注模型，利用标签已知的相关句子的跨句子注意力作为一种记忆进一步增强基于依存的语义角色标注，并且通过利用已知训练数据的注意力记忆，我们的模型取得了 CoNLL-2009 基准数据集上的最新成果，在增强 SR L 方面展示了一个新的有效研究方向，而不是利用外部资源，如预先训练的语言模型。

    Aug, 2019