一种融合外部知识并学习标签数量的多标签罪名预测方法
计算与语言
2019-07-05 v1 机器学习
摘要
多标签罪名预测是为法律案件预测相应指控的任务，近来成为热点。然而，当前研究使用粗略的方法处理标签数量，这些手段手动设置参数来选择标签数，影响了最终预测质量。我们提出一种融合外部知识的多标签罪名预测方法，包含两阶段。一是利用法条外部知识的罪名标签预测阶段，二是设计数量学习网络（NLN）的数量学习阶段。我们经外部知识增强的方法可自动调整阈值以获取法律案件的标签数量，将样本的输出概率与其对应标签数量结合得到最终预测结果。实验中，我们的方法连接了一些最先进的深度学习模型。通过在已发布的最大中文法律数据集上测试，我们发现该方法对这些模型均有提升。我们进一步在数据集的多标签样本上实验：在macro-F1方面，基线结合本方法提升3%–5%；在micro-F1方面，本方法显著提升5%–15%。实验结果显示了本方法对多标签罪名预测的有效性。
引用
@article{arxiv.1907.02205,
title = {An External Knowledge Enhanced Multi-label Charge Prediction Approach with Label Number Learning},
author = {Duan Wei and Li Lin},
journal= {arXiv preprint arXiv:1907.02205},
year = {2019}
}