論文の概要: Computing and Exploiting Document Structure to Improve Unsupervised Extractive Summarization of Legal Case Decisions

• arxiv url: http://arxiv.org/abs/2211.03229v1
• Date: Sun, 6 Nov 2022 22:20:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 16:44:09.472070
• Title: Computing and Exploiting Document Structure to Improve Unsupervised Extractive Summarization of Legal Case Decisions
• Title（参考訳）: 判例決定の教師なし抽出要約を改善するための文書構造の計算と活用
• Authors: Yang Zhong, Diane Litman
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.99536002595393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Though many algorithms can be used to automatically summarize legal case decisions, most fail to incorporate domain knowledge about how important sentences in a legal decision relate to a representation of its document structure. For example, analysis of a legal case summarization dataset demonstrates that sentences serving different types of argumentative roles in the decision appear in different sections of the document. In this work, we propose an unsupervised graph-based ranking model that uses a reweighting algorithm to exploit properties of the document structure of legal case decisions. We also explore the impact of using different methods to compute the document structure. Results on the Canadian Legal Case Law dataset show that our proposed method outperforms several strong baselines.
• Abstract（参考訳）: 多くのアルゴリズムは、自動的に判例決定を要約するために使用することができるが、ほとんどの場合、法的決定における重要な文が文書構造の表現にどの程度関係しているかに関するドメイン知識を組み込むことができない。 例えば、判例要約データセットの分析は、決定において異なる種類の議論的役割を果たす文が、文書の異なるセクションに現れることを実証する。 本研究では,再重み付けアルゴリズムを用いて判例決定の文書構造の性質を活用し,教師なしグラフに基づくランキングモデルを提案する。 また、異なる手法を用いて文書構造を計算することの影響についても検討する。 カナディアン・訴訟法データセットの結果,提案手法がいくつかの強いベースラインを上回っていることがわかった。

関連論文リスト

• JudgeRank: Leveraging Large Language Models for Reasoning-Intensive Reranking [81.88787401178378]
  本稿では,文書関連性を評価する際に,人間の認知過程をエミュレートする新しいエージェント・リランカであるJiceRankを紹介する。 我々は,推論集約型BRIGHTベンチマークを用いて判定Rankを評価し,第1段階の検索手法よりも性能が大幅に向上したことを示す。 さらに、JiceRankは、人気の高いBEIRベンチマークの細調整された最先端リランカと同等に動作し、ゼロショットの一般化能力を検証している。
  論文  参考訳（メタデータ） (2024-10-31T18:43:12Z)
• Query-driven Relevant Paragraph Extraction from Legal Judgments [1.2562034805037443]
  法律専門家は、クエリに直接対処する情報をピンポイントするために、長い法的判断をナビゲートすることに悩まされることが多い。 本稿では,クエリに基づく法的判断から関連する段落を抽出する作業に焦点をあてる。 本稿では,欧州人権裁判所(ECtHR)のケース・ロー・ガイドを用いて,この課題のための特別なデータセットを構築した。
  論文  参考訳（メタデータ） (2024-03-31T08:03:39Z)
• 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)
• Legal Case Document Summarization: Extractive and Abstractive Methods and their Evaluation [11.502115682980559]
  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。
  論文  参考訳（メタデータ） (2022-10-14T05:43:08Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• 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)

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。