检索结果-南通市图书馆

计算机工程 2024年

作者：杨翰林黄瑞章秦永彬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

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... 详细信息

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%。

关键词：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

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

融合时序行为链与事件类型的类案检索方法

引用

计算机应用 2024年

作者：詹力林秦永彬黄瑞章王华陈艳平贵州大学文本计算与认知智能教育部工程研究中心公共大数据国家重点实验室(贵州大学) 贵州大学计算机科学与技术学院

针对现有的类案检索方法缺乏对案情要素的有效利用容易被案例内容语义结构相似性所误导的问题，提出了融合时序行为链与事件类型的类案检索方法。首先，采取序列标注的方法识别出案情描述中的法律事件类型，并利用案例文本中的行为要素... 详细信息

针对现有的类案检索方法缺乏对案情要素的有效利用容易被案例内容语义结构相似性所误导的问题，提出了融合时序行为链与事件类型的类案检索方法。首先，采取序列标注的方法识别出案情描述中的法律事件类型，并利用案例文本中的行为要素构建时序行为链，突出案情的关键要素，使模型聚焦于案例的核心内容，以解决现有方法易被案例的语义结构相似性所误导的问题。其次，利用分段编码构造时序行为链的相似性向量表征矩阵，增强案例间行为要素的语义交互。最后，经过聚合评分器，从时序行为链、法律事件类型、犯罪类型三个角度衡量案例的相关性，增加案例匹配得分的合理性。实验结果表明，与SAILER(Structure-Aware pre-traIned language model for LEgal case Retrieval)方法相比，该方法在LeCaRD(Legal Case Retrieval Dataset)数据集中，P@5值提升了4个百分点、P@10值提升了3个百分点、MAP值提升了4个百分点、NDCG@30值提升了0.8个百分点。该方法有效利用案情要素，避免了案例内容语义结构相似性的干扰，能为类案检索提供可靠的依据。

关键词：案情要素行为要素事件类型时序行为链聚合评分器

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

ED-GAN:基于改进生成对抗网络的法律文本生成模型

引用

小型微型计算机系统 2019年第5期40卷 1020-1025页

作者：康云云彭敦陆陈章刘丛上海理工大学光电信息与计算机工程学院上海200093

法律文本的自动生成能缓解我国法律服务行业中的人力资源不足的问题,对抗生成网络模型的出现为法律文本的自动生成提供了新思路.本文提出一种基于对抗生成网络的文本自动生成模型——ED-GAN(Generative Adversarial Networks based on E... 详细信息

法律文本的自动生成能缓解我国法律服务行业中的人力资源不足的问题,对抗生成网络模型的出现为法律文本的自动生成提供了新思路.本文提出一种基于对抗生成网络的文本自动生成模型——ED-GAN(Generative Adversarial Networks based on Encoder-Decoder).在该模型的生成器中,首先将案情要素的关键词序列输入至编码器Encoder阶段的LSTM中编码成一隐含层向量,再将这个隐含层向量输入到解码器Decoder的LSTM中,并结合其各时间步的输出生成下一时间步的隐含层向量,进而得到各时间步的输出,生成文本序列.模型最后采用CNN网络来鉴别生成文本和真实文本之间的差距.实验验证表明,采用所提模型能够生成较理想的法律文本.

关键词：案情要素 GAN 文本自动生成 LSTMs Encoder-Decoder CNN

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：