利用对比学习与数值证据解决易混淆法律判决预测
计算与语言
2023-10-24 v3 人工智能
摘要
给定法律案件的事实描述文本，法律判决预测（LJP）旨在预测案件的罪名、法条与刑期。LJP的一个核心问题是如何区分仅存在细微文本差异的易混淆法律案件。先前研究未能以标准交叉熵分类损失区分不同的分类错误，且忽略了事实描述中用于预测刑期的数字。为解决这些问题，本工作中，我们首先提出一种基于moco的监督对比学习以学习可区分表征，并探索最佳正例对构建策略以同时惠及LJP的全部三个子任务。其次，为利用法律案件中的数字预测特定案件的刑期，我们进一步用提取的犯罪金额（由预训练数值模型编码）增强事实描述的表征。在公开基准上的大量实验表明，所提方法取得了新的最优结果，尤其在易混淆法律案件上。消融研究也证明了各组件的有效性。
引用
@article{arxiv.2211.08238,
title = {Exploiting Contrastive Learning and Numerical Evidence for Confusing Legal Judgment Prediction},
author = {Leilei Gan and Baokui Li and Kun Kuang and Yating Zhang and Lei Wang and Luu Anh Tuan and Yi Yang and Fei Wu},
journal= {arXiv preprint arXiv:2211.08238},
year = {2023}
}
备注
Accepted to Findings of EMNLP 2023