【论文标题】Text-guided Legal Knowledge Graph Reasoning

【作者团队】Luoqiu Li, Zhen Bi, Hongbin Ye, Shumin Deng, Hui Chen, Huaixiao Tou

【发表时间】2021/07/02

【机 构】浙大，阿里巴巴

【论文链接】https://arxiv.org/pdf/2106.16034v1.pdf

【代码链接】https://github.com/zjunlp/LegalPP

近年来，随着技术的发展，法律人工智能得到了蓬勃发展。在本文中，我们提出了一个新颖的法律应用--法律条款预测（LPP），其目的是预测相关的法律事务条款。我们将这项任务表述为一个具有挑战性的知识图谱完成问题，它不仅需要文本理解，还需要图推理。为此，我们提出了一种新颖的文本引导的图推理方法。我们从广东省政府服务网站上收集了大量真实世界的法律规定数据，并构建了一个名为LegalLPP的法律数据集。在该数据集上的大量实验结果表明，我们的方法与基线相比取得了更好的性能。

- 我们提出了一个新的法律任务，即法律条款预测，它需要文本表示和知识推理。
- 我们将这一任务表述为一个知识图谱的完成问题，并引入了一种新的文本指导的图推理方法
- 广泛的实验结果表明，与基线相比，我们的方法取得了更好的性能。
- 我们发布了LegalLPP数据集、源代码和预训练的模型，供未来研究使用。

上图即为T-GraphR的架构。其中的TransE（Stage1）和TransE（Stage2）分别指文本表征学习和法律图推理。首先，我们利用预先训练好的语言模型BERT，用低维向量表示实体。然后，我们利用图神经网络（GNN），该网络同化了通用的消息传递推理算法，在法律知识图上进行法律推理。

上图为模型效果以及与baseline的对比，具体结论如下：

  • 我们的方法T-GraphR与GAT取得了最好的性能。我们认为，我们的目标任务是预测事务和法律条款之间的关系，而图中只有四个关系；因此，GAT，隐含地指定不同的权重给邻居中的不同节点，可以获得更好的性能。
  • 仅有图的方法比没有推理的方法BERT和TransE取得了更好的性能，这表明图推理在法律条款预测中发挥了重要作用。
  • 我们的T-GraphR方法取得了最好的性能，与纯文本的无推理模型TransE相比，甚至获得了12.8%的hit@10改进。
  • 整体性能还远未达到令人满意的程度（hit@10小于0.3），未来的工作还有更大的空间。

内容中包含的图片若涉及版权问题，请及时与我们联系删除