abstract

还是做LPP任务，在中国法系下，预测事务的相关法律条文，用图推理做。

代码和数据链接：https://github.com/zxlzr/LegalPP

intro

一个例子：

将LPP任务视为知识图谱完成问题，将事务和法律条文视为实体，并定义模式结构用作关系。这样一来，LPP任务就是知识图谱中的链接预测任务。（e.g.事务实体和法律条文实体之间的关系）

LPP存在的一些挑战是：1.文本理解，比如对task_336的描述具有重要意义，这些文本需要好好理解并利用。2.法律推理，比如人工干的时候能迅速由“task_155：市政府投资项目稽查”推得“深圳经济特区政府投资项目管理条例”中的“深圳经济特区政府投资项目管理条例第3节第1款”。

解决上述问题的方法是把文本表示和图推理结合起来。用预训练好的BERT表示低维向量的实体，然后用GNN（用了两个 R-GCN/GAT）在法律知识图上执行法律推理。

作者还自己从广东省政府服务网站收集数据新做了一个数据集LegalLPP。

data collection

把法律条文、事务、法律、权利建模为实体，如图所示：

base_entry_is：法律条文与此事务有关（共4526条）

right_is：事务含此权利（共1090条）

base_law_is：法律与事务有关（共2152条）

belongs_to：法律条文属于该法律（共182624条）

methodology

问题：知识图谱G定义为三元组的集合（h,r,t），h、t属于实体词典，r属于预定义关系的集合（上面那四种），文章要做的是预测affair实体和legal provision实体之间是否存在base_entry_is。

模型不是端到端的，主要由两个部分组成：

Text Representation Learning：给定输入事务文本 h 和法律条文文本 t ，利用BERT得到表示mh=BERT(h)，mt=BERT(t)，然后再用MLP层降维，得到：

vh和vt是最终要输入给GNN的文本表示。然后文章还用了三个评分函数来微调文本表示，但是我没看懂。

Legal Graph Reasoning：把顶点表示vi输入到图型编码器里获得能够显式建模法律知识图结构的隐藏向量，然后用了两个GNN模型：

1.GAT：计算邻近节点的注意力权重进行聚集，计算公式：，得到最终的图节点表示

2.R-GCN：，N是节点i在关系r下的邻居索引集

之后，将MLP层输出的残差连接添加到图节点表示中，vi是利用文本和图推理的最终实体表示，然后再用三个评分函数计算得分。

experiments

硬件：GPU 1080Ti，和一些参数设置

baseline：没有图推、只有图推

result：用GAT的效果最好，只有图推的比没有图推的效果好，进步空间很大

 case studies：该方法可以预测具有复杂表面语境的正确法律条文。

 

好文阅读

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：