論文の概要: THUIR@COLIEE-2020: Leveraging Semantic Understanding and Exact Matching
for Legal Case Retrieval and Entailment
- arxiv url: http://arxiv.org/abs/2012.13102v1
- Date: Thu, 24 Dec 2020 04:59:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 08:09:57.927274
- Title: THUIR@COLIEE-2020: Leveraging Semantic Understanding and Exact Matching
for Legal Case Retrieval and Entailment
- Title（参考訳）: thuir@coliee-2020: 判例検索と補足のための意味理解と正確なマッチングの活用
- Authors: Yunqiu Shao, Bulou Liu, Jiaxin Mao, Yiqun Liu, Min Zhang, Shaoping Ma
- Abstract要約: 本稿では,訴訟の検索と包含に関する課題に取り組むための方法論を提案する。
私たちは2つの訴訟法タスク、すなわち、法的事件の検索タスクと法的事件の関連タスクに参加しました。
いずれのタスクにおいても,セマンティック理解のためのニューラルモデルと,正確なマッチングのための従来の検索モデルを採用しました。
- 参考スコア（独自算出の注目度）: 41.51705651274111
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present our methodologies for tackling the challenges of
legal case retrieval and entailment in the Competition on Legal Information
Extraction / Entailment 2020 (COLIEE-2020). We participated in the two case law
tasks, i.e., the legal case retrieval task and the legal case entailment task.
Task 1 (the retrieval task) aims to automatically identify supporting cases
from the case law corpus given a new case, and Task 2 (the entailment task) to
identify specific paragraphs that entail the decision of a new case in a
relevant case. In both tasks, we employed the neural models for semantic
understanding and the traditional retrieval models for exact matching. As a
result, our team (TLIR) ranked 2nd among all of the teams in Task 1 and 3rd
among teams in Task 2. Experimental results suggest that combing models of
semantic understanding and exact matching benefits the legal case retrieval
task while the legal case entailment task relies more on semantic
understanding.
- Abstract（参考訳）: 本稿では,法律情報抽出・包括競争における訴訟検索・包括の課題に取り組むための方法論について述べる(coliee-2020)。
我々は,2つの事例検索業務,すなわち,訴訟検索業務と訴訟関連業務に参画した。
タスク1(検索タスク)は、新規ケースが与えられたケース法コーパスから支援ケースを自動的に識別すること、タスク2(附タスク)は、関連ケースにおいて、新規ケースの決定を伴う特定段落を識別することを目的とする。
いずれのタスクにおいても,セマンティック理解のためのニューラルモデルと,正確なマッチングのための従来の検索モデルを採用しました。
その結果、私たちのチーム(TLIR)は、タスク1のチームの中で2位、タスク2のチームでは3位にランクインしました。
実験の結果, 意味理解と厳密なマッチングの融合モデルは, 法的事例検索タスクに有用であり, 法的事例検索タスクは意味理解に強く依存していることが示唆された。
関連論文リスト
- LawLLM: Law Large Language Model for the US Legal System [43.13850456765944]
我々は,米国法域に特化して設計されたマルチタスクモデルであるLawLLM(Law Large Language Model)を紹介する。
類似症例検索(SCR)、PCR(Precedent Case Recommendation)、LJP(Lawal Judgment Prediction)においてLawLLMが優れている
そこで本研究では,各タスクに対して,生の法定データをトレーニング可能な形式に変換する,カスタマイズされたデータ前処理手法を提案する。
論文 参考訳（メタデータ） (2024-07-27T21:51:30Z) - DELTA: Pre-train a Discriminative Encoder for Legal Case Retrieval via Structural Word Alignment [55.91429725404988]
判例検索のための識別モデルであるDELTAを紹介する。
我々は浅層デコーダを利用して情報ボトルネックを作り、表現能力の向上を目指しています。
本手法は, 判例検索において, 既存の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2024-03-27T10:40:14Z) - MUSER: A Multi-View Similar Case Retrieval Dataset [65.36779942237357]
類似事例検索(SCR)は、司法公正の促進に重要な役割を果たす代表的法的AIアプリケーションである。
既存のSCRデータセットは、ケース間の類似性を判断する際にのみ、事実記述セクションにフォーカスする。
本稿では,多視点類似度測定に基づく類似事例検索データセットMと,文レベル法定要素アノテーションを用いた包括的法定要素を提案する。
論文 参考訳（メタデータ） (2023-10-24T08:17:11Z) - An Intent Taxonomy of Legal Case Retrieval [43.22489520922202]
訴訟検索は、訴訟文書に焦点をあてた特別情報検索(IR)タスクである。
判例検索の新しい階層的意図分類法を提案する。
判例検索において,検索意図の違いによるユーザの行動と満足度に有意な差が認められた。
論文 参考訳（メタデータ） (2023-07-25T07:27:32Z) - SAILER: Structure-aware Pre-trained Language Model for Legal Case
Retrieval [75.05173891207214]
判例検索は知的法体系において中心的な役割を果たす。
既存の言語モデルの多くは、異なる構造間の長距離依存関係を理解するのが難しい。
本稿では, LEgal ケース検索のための構造対応プレトランザクショナル言語モデルを提案する。
論文 参考訳（メタデータ） (2023-04-22T10:47:01Z) - SemEval 2023 Task 6: LegalEval - Understanding Legal Texts [2.172613863157655]
法律文書の処理と自動理解のためのNLPベースの技術を開発する必要がある。
Task-A (Rhetorical Roles Labeling) は、法的文書を意味的に一貫性のある単位に自動的に構造化することを目的としており、Task-B (Legal Named Entity Recognition) は、法的文書内の関連エンティティを識別する、Task-C (Court Judgement Prediction with Explanation) は、訴訟の結果を自動的に予測する可能性を探る。
それぞれのサブタスクにおいて、提案されたシステムはベースラインよりも優れているが、多くのスコープがある。
論文 参考訳（メタデータ） (2023-04-19T10:28:32Z) - Legal Element-oriented Modeling with Multi-view Contrastive Learning for
Legal Case Retrieval [3.909749182759558]
本稿では,多視点コントラスト学習目標を用いた訴訟検索のための対話型ネットワークを提案する。
ケースビューコントラスト学習は、関連する訴訟表現の間の隠れた空間距離を最小化する。
ケースの法的な要素を検出するために、法的な要素の知識を意識した指標を用いています。
論文 参考訳（メタデータ） (2022-10-11T06:47:23Z) - nigam@COLIEE-22: Legal Case Retrieval and Entailment using Cascading of
Lexical and Semantic-based models [0.951828574518325]
本稿では,タスク1と2のケースロー・コンペティションに関するCOLIEE-2022(COLIEE-2022)ワークショップへの参加について述べる。
セマンティック理解にはSentence-BERTとSent2Vec、両方のタスクの正確なマッチングには従来の検索モデルBM25を使用しました。
論文 参考訳（メタデータ） (2022-04-16T18:10:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。