近年来法律文书阅读理解逐渐成为一个研究热点,它要求模型能够利用有限的数据完成答案分类以及证据和答案的提取,然而现有模型编码粒度单一,且问题和法律文书之间仍缺乏充分的交互。为了解决上述问题,提出了一种基于多粒度增强和答案验...近年来法律文书阅读理解逐渐成为一个研究热点,它要求模型能够利用有限的数据完成答案分类以及证据和答案的提取,然而现有模型编码粒度单一,且问题和法律文书之间仍缺乏充分的交互。为了解决上述问题,提出了一种基于多粒度增强和答案验证的法律文书阅读理解模型。该模型首先使用多粒度编码模块,以字符、词语和序列三种粒度来捕捉输入文本中多层次的信息,提高模型提取信息的能力;然后引入基于问题和证据的注意力,增强问题和法律文书之间的交互,深入挖掘答案分类的线索信息;最后受到人类阅读过程的启发,该模型采用答案验证机制结合局部和全局信息来预测答案。在中文法律阅读理解数据集CAIL2019、CAIL2020和CAIL2020-Enhanced以及英文数据集HotpotQA上的实验结果表明,所提方法的joint F 1分别为76.48%、64.16%、70.82%和69.39%,优于基线模型。展开更多
文摘近年来法律文书阅读理解逐渐成为一个研究热点,它要求模型能够利用有限的数据完成答案分类以及证据和答案的提取,然而现有模型编码粒度单一,且问题和法律文书之间仍缺乏充分的交互。为了解决上述问题,提出了一种基于多粒度增强和答案验证的法律文书阅读理解模型。该模型首先使用多粒度编码模块,以字符、词语和序列三种粒度来捕捉输入文本中多层次的信息,提高模型提取信息的能力;然后引入基于问题和证据的注意力,增强问题和法律文书之间的交互,深入挖掘答案分类的线索信息;最后受到人类阅读过程的启发,该模型采用答案验证机制结合局部和全局信息来预测答案。在中文法律阅读理解数据集CAIL2019、CAIL2020和CAIL2020-Enhanced以及英文数据集HotpotQA上的实验结果表明,所提方法的joint F 1分别为76.48%、64.16%、70.82%和69.39%,优于基线模型。
