万事皆有因：在法律文本分析中利用因果推断
计算与语言
2021-04-22 v2 机器学习
摘要
因果推断是捕捉变量间因果关系的过程。现有多数工作聚焦于处理结构化数据，而从文本等非结构化数据中挖掘因素间因果关系则较少被研究，但却十分重要，尤其在法律领域。本文提出一种新颖的基于图的因果推断（GCI）框架，其从事实描述中构建因果图而无需过多人工参与，并支持因果推断以辅助法律从业者作出恰当决策。我们在一个具有挑战性的相似罪名消歧任务上评估该框架。实验结果表明，GCI 能捕捉多个易混淆罪名间事实描述的细微差别，并提供可解释的区分，尤其在少样本设定下。我们还观察到，GCI 中包含的因果知识可有效注入强大的神经网络以提升性能与可解释性。
引用
@article{arxiv.2104.09420,
title = {Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis},
author = {Xiao Liu and Da Yin and Yansong Feng and Yuting Wu and Dongyan Zhao},
journal= {arXiv preprint arXiv:2104.09420},
year = {2021}
}
备注
Accepted by NAACL 2021. Code is available at https://github.com/xxxiaol/GCI