在法律判决预测领域中,案件描述通常具有相似的结构,而现有的预测方法容易忽略不同案件间的要素差异,难以有效利用案件要素特征,导致模型预测准确率不高.此外,罪名预测任务还面临易混淆罪名问题.针对上述问题,提出了一种融合案件要素和...在法律判决预测领域中,案件描述通常具有相似的结构,而现有的预测方法容易忽略不同案件间的要素差异,难以有效利用案件要素特征,导致模型预测准确率不高.此外,罪名预测任务还面临易混淆罪名问题.针对上述问题,提出了一种融合案件要素和案件属性的罪名预测多任务学习模型(Case Elements And Attributes Multi-Task Learning Model,简称CEAT-MLM),通过挖掘案件要素及案件属性与罪名之间的关联关系,将案件属性预测和罪名预测进行联合建模,达到提升罪名预测准确率的目标.实验结果表明,本文提出的模型相较于通用的文本分类模型具有显著的性能提升,并与法律判决领域的典型模型相比,Macro-F1得分提升了1.76%.展开更多
文摘在法律判决预测领域中,案件描述通常具有相似的结构,而现有的预测方法容易忽略不同案件间的要素差异,难以有效利用案件要素特征,导致模型预测准确率不高.此外,罪名预测任务还面临易混淆罪名问题.针对上述问题,提出了一种融合案件要素和案件属性的罪名预测多任务学习模型(Case Elements And Attributes Multi-Task Learning Model,简称CEAT-MLM),通过挖掘案件要素及案件属性与罪名之间的关联关系,将案件属性预测和罪名预测进行联合建模,达到提升罪名预测准确率的目标.实验结果表明,本文提出的模型相较于通用的文本分类模型具有显著的性能提升,并与法律判决领域的典型模型相比,Macro-F1得分提升了1.76%.
