刑事案件的可解释罪名预测：从事实描述学习生成法庭观点
计算与语言
2018-02-26 v1
摘要
在本文中，我们提出研究刑事案件中从事实描述生成法庭观点（COURT VIEW GEN）的问题。该任务旨在提升罪名预测系统的可解释性，并助力自动化法律文书生成。我们将此任务表述为一个文本到文本的自然语言生成（NLG）问题。序列到序列模型已在诸多NLG任务中取得领先性能。然而，由于事实描述缺乏区分度，Seq2Seq模型难以生成具有罪名判别性的法庭观点。本工作中，我们借助罪名标签来解决该问题。我们提出一种带注意力的标签条件Seq2Seq模型，以在编码罪名标签的条件下解码法庭观点。实验结果表明了我们所提方法的有效性。
引用
@article{arxiv.1802.08504,
title = {Interpretable Charge Predictions for Criminal Cases: Learning to Generate Court Views from Fact Descriptions},
author = {Hai Ye and Xin Jiang and Zhunchen Luo and Wenhan Chao},
journal= {arXiv preprint arXiv:1802.08504},
year = {2018}
}
备注
To appear in NAACL 2018, Long paper