uOttawa at LegalLens-2024: Transformer-based Classification Experiments
摘要
本文介绍了用于LegalLens-2024共享任务的方法。该任务聚焦于检测非结构化文本数据中的法律违规行为，并将这些违规行为与可能受影响的个体关联起来。共享任务包含两个子任务：A) 法律命名实体识别 (L-NER) 和 B) 法律自然语言推理 (L-NLI)。对于子任务A，采用了spaCy库；对于子任务B，使用了结合RoBERTa和CNN的混合模型。在L-NER子任务中获得了86.3%的准确率，在L-NLI子任务中获得了88.25%的准确率。总体而言，本文展示了Transformer模型在解决法律领域复杂任务中的有效性。实现的源代码可通过提供的链接公开获取。
评论
已被EMNLP会议接收。
主题
计算与语言 (cs.CL)
引用
引用为: arXiv:2410.21139 [cs.CL]
提交历史
提交日期: 2024年10月28日 (版本v1) 最后修订日期: 2024年10月31日 (版本v2)
