論文の概要: Legal Case Document Summarization: Extractive and Abstractive Methods
and their Evaluation
- arxiv url: http://arxiv.org/abs/2210.07544v1
- Date: Fri, 14 Oct 2022 05:43:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 17:09:56.444623
- Title: Legal Case Document Summarization: Extractive and Abstractive Methods
and their Evaluation
- Title(参考訳): 判例文書要約:抽出的・抽象的手法とその評価
- Authors: Abhay Shukla, Paheli Bhattacharya, Soham Poddar, Rajdeep Mukherjee,
Kripabandhu Ghosh, Pawan Goyal, Saptarshi Ghosh
- Abstract要約: 訴訟判断文書の要約は、法律NLPにおいて難しい問題である。
法的事例文書に適用した場合の要約モデルの異なる族がどのように機能するかについては、あまり分析されていない。
- 参考スコア(独自算出の注目度): 11.502115682980559
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Summarization of legal case judgement documents is a challenging problem in
Legal NLP. However, not much analyses exist on how different families of
summarization models (e.g., extractive vs. abstractive) perform when applied to
legal case documents. This question is particularly important since many recent
transformer-based abstractive summarization models have restrictions on the
number of input tokens, and legal documents are known to be very long. Also, it
is an open question on how best to evaluate legal case document summarization
systems. In this paper, we carry out extensive experiments with several
extractive and abstractive summarization methods (both supervised and
unsupervised) over three legal summarization datasets that we have developed.
Our analyses, that includes evaluation by law practitioners, lead to several
interesting insights on legal summarization in specific and long document
summarization in general.
- Abstract(参考訳): 訴訟判断文書の要約は、法律NLPにおいて難しい問題である。
しかし、法的事例文書に適用された場合の要約モデル(例えば、抽出対抽象的)の違いについてはあまり分析されていない。
最近のトランスフォーマティブベースの抽象要約モデルは、入力トークンの数に制限があり、法的文書は非常に長いことが知られているため、この問題は特に重要である。
また、訴訟書類要約システムを評価するのが最善であるかについては、公然の疑問である。
本稿では,これまでに開発した3つの法的要約データセットに対して,複数の抽出的,抽象的要約手法(教師なし,教師なし)を用いて広範な実験を行った。
法律実務者による評価を含む分析は、特定の文書の要約と長い文書の要約に関するいくつかの興味深い洞察をもたらす。
関連論文リスト
- FENICE: Factuality Evaluation of summarization based on Natural language
Inference and Claim Extraction [92.2477303232719]
自然言語推論とクレーム抽出(FENICE)に基づく要約のファクチュアリティ評価を提案する。
FENICEは、ソース文書内の情報と、要約から抽出されたクレームと呼ばれる一連の原子的事実との間のNLIベースのアライメントを利用する。
我々の測定基準は、事実性評価のためのデファクトベンチマークであるAGGREFACTに関する新しい技術状況を設定する。
論文 参考訳(メタデータ) (2024-03-04T17:57:18Z) - 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) - Towards Argument-Aware Abstractive Summarization of Long Legal Opinions
with Summary Reranking [6.9827388859232045]
本稿では,論文の議論構造を考慮した,長い法的意見の抽象的要約のための簡単なアプローチを提案する。
提案手法では、引数ロール情報を用いて複数の候補要約を生成し、文書の引数構造との整合性に基づいてこれらの候補を再分類する。
我々は、長い法的意見のデータセットにアプローチの有効性を実証し、それがいくつかの強いベースラインを上回っていることを示す。
論文 参考訳(メタデータ) (2023-06-01T13:44:45Z) - 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) - Exploiting Contrastive Learning and Numerical Evidence for Confusing
Legal Judgment Prediction [46.71918729837462]
訴訟の事実記述文を考慮し、法的判断予測は、事件の告訴、法律記事、刑期を予測することを目的としている。
従来の研究では、標準的なクロスエントロピー分類損失と異なる分類誤差を区別できなかった。
本稿では,モコに基づく教師付きコントラスト学習を提案する。
さらに,事前学習した数値モデルにより符号化された抽出された犯罪量による事実記述の表現をさらに強化する。
論文 参考訳(メタデータ) (2022-11-15T15:53:56Z) - Computing and Exploiting Document Structure to Improve Unsupervised
Extractive Summarization of Legal Case Decisions [7.99536002595393]
文書構造を利用するために再重み付けアルゴリズムを用いる教師なしグラフベースのランキングモデルを提案する。
カナディアン・ロー・ケース・ロー・データセットの結果,提案手法がいくつかの強い基準線より優れていることが示された。
論文 参考訳(メタデータ) (2022-11-06T22:20:42Z) - The Legal Argument Reasoning Task in Civil Procedure [2.079168053329397]
我々は,米国民事訴訟の領域から新たなNLPタスクとデータセットを提示する。
データセットの各インスタンスは、ケースの一般的な導入、特定の質問、可能な解決策引数で構成されている。
論文 参考訳(メタデータ) (2022-11-05T17:41:00Z) - 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) - Incorporating Domain Knowledge for Extractive Summarization of Legal
Case Documents [7.6340456946456605]
法ケース文書の要約のための教師なし要約アルゴリズムDELSummを提案する。
提案アルゴリズムは,数千対の文書-要約ペアで訓練された教師付き要約モデルより優れている。
論文 参考訳(メタデータ) (2021-06-30T08:06:15Z) - Summarizing Text on Any Aspects: A Knowledge-Informed Weakly-Supervised
Approach [89.56158561087209]
文書に関連する任意の側面を要約する。
監視データがないため、我々は新しい弱い監督構築法とアスペクト・モデリング・スキームを開発した。
実験により,本手法は実文書と合成文書の両方を要約することで,性能の向上を図っている。
論文 参考訳(メタデータ) (2020-10-14T03:20:46Z) - Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。
テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
論文 参考訳(メタデータ) (2020-04-21T16:54:57Z)
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。