基于非负矩阵分解方法的法律文档分析
机器学习
2021-11-09 v2 计算机与社会
摘要
加州无辜者项目 (CIP) 是一个旨在解救被错误定罪囚犯的临床法学院项目，其评估数千封包含新援助请求及相应案卷的邮件。处理和解释这一大量信息对 CIP 工作人员构成重大挑战，而主题建模技术可成功辅助此事。在本文中，我们应用非负矩阵分解 (NMF) 方法并实现其多种衍生方法于 CIP 编制的此前未受研究的重要数据集。我们识别现有案卷的潜在主题，并按犯罪类型和案件状态（决定类型）对请求文件分类。结果揭示了当前案卷的语义结构，并能在进一步审查前为 CIP 工作人员提供对新接收案卷的总体理解。我们还阐述了 NMF 的流行变体及其实验结果，并通过该实际应用讨论各变体的优劣。
引用
@article{arxiv.2104.14028,
title = {Analysis of Legal Documents via Non-negative Matrix Factorization Methods},
author = {Ryan Budahazy and Lu Cheng and Yihuan Huang and Andrew Johnson and Pengyu Li and Joshua Vendrow and Zhoutong Wu and Denali Molitor and Elizaveta Rebrova and Deanna Needell},
journal= {arXiv preprint arXiv:2104.14028},
year = {2021}
}
备注
16 pages, 4 figures