融合标签关系与法条逻辑的案情要素识别方法
作者机构:贵州大学文本计算与认知智能教育部工程研究中心 贵州大学公共大数据国家重点实验室 贵州大学计算机科学与技术学院
出 版 物:《计算机工程》 (Computer Engineering)
年 卷 期:2024年
学科分类:0301[法学-法学] 03[法学] 030106[法学-诉讼法学] 081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金资助项目(62066008) 贵州省科技支撑计划项目(No.227)
主 题:案情要素 多标签文本分类 反绎学习 BERT 标签关系增强网络 一阶逻辑 法条逻辑
摘 要:案情要素识别旨在根据案情描述文本识别该案件涉及的重要情节及事实。现有工作考虑该任务案情要素之间存在标签关系,采用融合标签信息的多标签文本分类方法和基于反绎学习的方法予以解决,但前者存在监督信息不足导致模型学习不充分的问题,后者存在先验知识的局限性,并且标签关系为某些案情要素提供的监督信息较为片面。为此,提出融合标签关系与法条逻辑的案情要素识别方法。该方法从数据样本和领域知识两个来源,分别挖掘和利用标签关系和法条逻辑两类外部知识,为识别过程提供约束和引导信息,使模型能更加准确地提取案情描述文本语义特征,从而提升识别结果性能。具体来说,该方法首先利用BERT作为编码器,提取案情描述文本表征得到上下文编码,再通过全连接层得到原始预测结果;然后,设计了标签关系增强网络(LRE-Net)学习和利用案情要素之间的标签关系,对原始预测结果进行修正和增强,以突破标签关系作为先验知识的局限性;此外,引入了一阶逻辑对法条逻辑进行形式化表达,并根据一种一阶逻辑表达到连续数值计算的映射关系,构建了法条逻辑约束下的损失函数,为模型提供额外监督信息。最终在标签关系与法条逻辑的共同约束与相互增益下,该方法在F1值上相较于基线模型提升了2.41%,相较于最优对比模型提升了1.2%。