本文是2022年CCF B论文，关注LJP任务，提出CEEN模型。该模型用强化学习定位案例中4种犯罪要素，最后以多任务范式实现LJP预测。文中还指出此前方法存在的问题，介绍了模型各部分及实验情况，包括数据集、基线模型等。
论文名称：Improving legal judgment prediction through reinforced criminal element extraction
论文下载地址：https://www.sciencedirect.com/science/article/pii/S0306457321002600
官方GitHub项目：GitHub - lvyougang/CEEN（包括CE标注结果，但是这个是直接标注为数字的，由于论文具体细节没看所以还没看懂是啥意思）
本文是2022年Information Processing & Management（CCF B）论文，关注LJP任务。
本文提出CEEN模型，使用强化学习定位案例中4种有区分性的犯罪要素：1. criminal 2. target 3. intentionality 4. criminal behavior
最后用多任务范式实现LJP预测。
有一篇相似的2022年IJCAI论文（都用RL抽取CE辅助实现LJP任务），可供参考：Re28：读论文 CECP Charge Prediction by Constitutive Elements Matching of Crimes_诸神缄默不语的博客-优快云博客
很大一部分原因在于我不会强化学习，所以方法论部分没怎么看。
文章目录
1. Motivation
问题：共有单词和法律概念太多，导致事实描述文本和法条易混淆。
以前的方法部分解决了这些问题，如增加额外信息以区分相似事实描述、聚类并蒸馏法条以区分易混淆法条。
但1. 不同罪犯和目标的事实描述难以区分。2. 相似TF-IDF的法条易混淆。
2. CEEN模型
2.1 事实描述表征器
hierarchical Bi-LSTM
2.2 基于RL抽取要素
2.3 CE discriminator
2.4 多任务预测器
3. 实验
3.1 数据集
CAIL
3.2 baseline
TextCNN
HARNN
FLA
Few-Shot
TOPJUDGE
MPBFN
LADAN
BERT
3.3 实验设置
3.4 主实验结果
3.5 模型分析
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
