論文の概要: ConReader: Exploring Implicit Relations in Contracts for Contract Clause Extraction

• arxiv url: http://arxiv.org/abs/2210.08697v1
• Date: Mon, 17 Oct 2022 02:15:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 18:25:27.695515
• Title: ConReader: Exploring Implicit Relations in Contracts for Contract Clause Extraction
• Title（参考訳）: ConReader: 契約条項抽出のための契約における不適切な関係を探る
• Authors: Weiwen Xu, Yang Deng, Wenqiang Lei, Wenlong Zhao, Tat-Seng Chua, and Wai Lam
• Abstract要約: 法律契約における暗黙の関係をモデル化し,契約条項の自動抽出(CCE)について検討する。 本研究ではまず,契約の複雑性問題を包括的に分析し,契約に共通する3つの暗黙の関係を抽出する。 本稿では,上記の3つの関係を利用して,より優れたコントラクト理解とCCEの改善を実現するための新しいフレームワークであるConReaderを提案する。
• 参考スコア（独自算出の注目度）: 84.0634340572349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study automatic Contract Clause Extraction (CCE) by modeling implicit relations in legal contracts. Existing CCE methods mostly treat contracts as plain text, creating a substantial barrier to understanding contracts of high complexity. In this work, we first comprehensively analyze the complexity issues of contracts and distill out three implicit relations commonly found in contracts, namely, 1) Long-range Context Relation that captures the correlations of distant clauses; 2) Term-Definition Relation that captures the relation between important terms with their corresponding definitions; and 3) Similar Clause Relation that captures the similarities between clauses of the same type. Then we propose a novel framework ConReader to exploit the above three relations for better contract understanding and improving CCE. Experimental results show that ConReader makes the prediction more interpretable and achieves new state-of-the-art on two CCE tasks in both conventional and zero-shot settings.
• Abstract（参考訳）: 法律契約における暗黙の関係をモデル化し,契約条項の自動抽出(CCE)について検討する。 既存のCCEメソッドは主に契約をプレーンテキストとして扱い、高い複雑さの契約を理解する上で大きな障壁となる。 本研究ではまず,契約の複雑性問題を包括的に分析し,契約に共通する3つの暗黙の関係を抽出する。 1) 遠節の相関を捉えた長距離文脈関係 2 重要な用語とその対応する定義との関係をとらえる項-定義関係 3)同じタイプの節間の類似性をキャプチャする類似クロース関係。 次に、上記の3つの関係を利用して、より優れたコントラクト理解とCCEの改善を実現するための新しいフレームワークであるConReaderを提案する。 実験結果から、ConReaderは予測をより解釈しやすくし、従来の設定とゼロショット設定の両方で2つのCCEタスクで新しい最先端のタスクを実現する。

関連論文リスト

• SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
  コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。 類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。 文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
  論文  参考訳（メタデータ） (2024-06-15T21:57:03Z)
• Coherent Entity Disambiguation via Modeling Topic and Categorical Dependency [87.16283281290053]
  従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。 本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。 我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-11-06T16:40:13Z)
• Formal Modeling and Analysis of Legal Contracts using ContractCheck [0.0]
  textitContractCheckは、法律契約、特に販売購入協定(SPA)の整合性解析を可能にする この分析は、SPAの節の実行のための前提の符号化と、一階述語論理の決定可能な断片を用いた制約の提案に依存している。
  論文  参考訳（メタデータ） (2022-12-06T22:03:11Z)
• Learning a General Clause-to-Clause Relationships for Enhancing Emotion-Cause Pair Extraction [20.850786410336216]
  本稿ではEA-GATという新しい節レベルの符号化モデルを提案する。 E-GATは、異なる種類の節から情報を集約するように設計されている。 我々のアプローチは、中国語と英語のベンチマークコーパスに対する現在のアプローチに対して、大きな優位性を持っていることを示す。
  論文  参考訳（メタデータ） (2022-08-29T12:39:39Z)
• Detecting Logical Relation In Contract Clauses [94.85352502638081]
  契約における節間の論理的関係の抽出を自動化する手法を開発する。 結果として得られたアプローチは、コントラクト作者が節間の潜在的な論理的衝突を検出するのに役立つだろう。
  論文  参考訳（メタデータ） (2021-11-02T19:26:32Z)
• CLAUSEREC: A Clause Recommendation Framework for AI-aided Contract Authoring [7.3246387015020025]
  本稿では,契約書作成者の支援と促進に向けた第一歩として,条項推薦の課題を紹介する。 まず、特定の節型がコントラクトに追加されるかどうかを予測し、次に、契約コンテキストに基づいて、与えられた型のトップ節を推奨する2段階パイプラインを提案する。
  論文  参考訳（メタデータ） (2021-10-26T09:20:16Z)
• ContractNLI: A Dataset for Document-level Natural Language Inference for Contracts [39.75232199445175]
  契約書に対する文書レベルの自然言語推論(NLI)を提案する。 システムには一連の仮説と契約が与えられ、それぞれの仮説が「関連づけられている」か、「矛盾している」か、「言及されていない」か(中立である)を分類するよう求められる。 これまでで最大のコーパスを607のアノテート契約でリリースしています。
  論文  参考訳（メタデータ） (2021-10-05T03:22:31Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Improving Long-Tail Relation Extraction with Collaborating Relation-Augmented Attention [63.26288066935098]
  本稿では,ニューラルネットワーク,コラボレーティング・リレーショナル・アテンション(CoRA)を提案する。 一般的なベンチマークデータセットNYTの実験では、提案されたCoRAは、最先端のパフォーマンスを大きなマージンで改善する。
  論文  参考訳（メタデータ） (2020-10-08T05:34:43Z)

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。