文献

J-GLOBAL ID：202002254204655156   整理番号：20A2274306

法律文書におけるエンティティ認識のためのデータ強化へのモデル融合の適用【JST・京大機械翻訳】

Applying Model Fusion to Augment Data for Entity Recognition in Legal Documents

著者 (5件)： Zhang Hu (School of Computer and Information Technology, Shanxi University, Taiyuan, China) ,  Gao Haihui (School of Computer and Information Technology, Shanxi University, Taiyuan, China) ,  Zhou Jingjing (School of Computer and Information Technology, Shanxi University, Taiyuan, China) ,  Li Ru (School of Computer and Information Technology, Shanxi University, Taiyuan, China) ,  Li Ru (Key Laboratory of Computing Intelligence and Chinese Information Processing, Ministry of Education, Shanxi University, Taiyuan, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12430  ページ： 244-255  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 法的文書のためのNamedエンティティ認識は,基本的で重要なタスクであり,それは, wDOMの分野における関連タスクのための重要な知識を提供できる。しかし,法的文書のために自動的に命名されたエンティティのラベル付きデータを強化することは,まだ難しい。この問題に取り組むために,複数のモデルを融合することにより,エンティティ認識という新しいデータ増強法を提案した。最初に,Bilstm-CRFとBert-Bilstm-CRFモデルに基づく小規模ラベル付きデータセット上で5倍交差訓練を行うことによって合計10のモデルを訓練した。次に,単一モデル融合とマルチモデル融合モードを適用して,単一モデル融合は,同じベースラインの5つのモデルの予測結果を投票し,一方,マルチモデル融合は,2つの異なる基準線を有する10のモデルの予測結果を投票することである。さらに,有効な実体として複数の実験結果において高い正当性を持つ同定エンティティを取り上げ,次の訓練のための訓練セットに追加した。最後に,著者らは,2つの公開データセットと著者らの構築したジュジカルデータセットについて別々に異なる実験を行い,それは,データ増強を用いた実験結果が,ラベル付きデータセットの5倍に基づく実験結果に近く,そして,初期小規模ラベルデータセットのものより明らかに良いことを示した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *基準線
準シソーラス用語： マルチモデル ,  *エンティティ , 【Automatic Indexing@JST】

著者キーワード (5件)： 知恵 ,  名前付きエンティティ認識 ,  法律文書 ,  データ増強 ,  モデル融合

分類 (2件)： 分子・遺伝情報処理  (JE15040B) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 法律 ,  文書 ,  エンティティ ,  強化 ,  モデル ,  融合