文献

J-GLOBAL ID：202202225017571093   整理番号：22A1037908

LSTM-CRF深層学習モデルを用いた法的テキスト認識【JST・京大機械翻訳】

Legal Text Recognition Using LSTM-CRF Deep Learning Model

著者 (2件)： Xu Hesheng (Department of Law, Zhejiang University City College, Hangzhou 310015, China) ,  Hu Bin (Department of Law, Zhejiang University City College, Hangzhou 310015, China)
資料名： Computational Intelligence and Neuroscience (Web)  (Computational Intelligence and Neuroscience (Web))
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： U7694A  ISSN： 1687-5265  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 法的テキストにおいて,エンティティ認識(NER)を深層学習モデルを用いて研究する。最初に,法的テキストにおけるNERを研究するための双方向(Bi)長短期メモリ(LSTM)条件ランダム場(CRF)モデルを確立した。第二に,異なるアノテーション法を用いて,Bi-LSTM-CRFモデルのエンティティ認識効果を比較し,解析した。最後に,他の目的損失関数を設定し,Bi-LSTM-CRFモデルのエンティティ認識効果を比較し,解析した。研究結果は,単語配列ラベリングコーパスで訓練されたモデルのF1値が,単語配列ラベリングコーパスのものより88.13%高いことを示した。2種類のエンティティ,場所名および組織名に対して,単語セグメンテーションを用いたBi-LSTM-CRFモデルによって得られたF1値は,それぞれ67.60%および89.45%であり,文字セグメンテーションを用いたモデルによって得られたF1値より高かった。したがって,単語セグメンテーションを用いたBi-LSTM-CRFモデルは,拡張エンティティを認識するためにより好適である。対数尤度を用いたパラメータ学習結果は,最大区間基準を用いたものより良好であり,それはBi-LSTM-CRFモデルにとって理想的である。この方法は法的テキスト認識の研究のためのアイデアを提供し,特定の価値を持っている。Copyright 2022 Hesheng Xu and Bin Hu. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  セグメンテーション ,  損失関数 ,  データ ,  研究 ,  認識 ,  *単語 ,  *機械学習 ,  アノテーション
準シソーラス用語： 確率場 ,  パラメータ学習 ,  エンティティ ,  対数尤度 ,  *深層学習 ,  長短期記憶 , 【Automatic Indexing@JST】

分類 (3件)： 人工知能  (JE08000Z) ,  自然語処理  (JE06000L) ,  パターン認識  (JE07000S)

引用文献 (28件)：

• J. A. Sánchez, V. Romero, A. H. Toselli, M. Villegas, E. Vidal, "A set of benchmarks for handwritten text recognition on historical documents," Pattern Recognition, vol. 94, pp. 122-134, 2019.
• D. Ghosh, D. Chaurasia, S. Mondal, A. Mahajan, "Handwritten documents text recognition with novel pre-processing and deep learning," Grace Hopper Celebration India (GHCI), vol. 2021, pp. 1-5, 2021.
• O. Ghiasvand, R. J. Kate, "Learning for clinical named entity recognition without manual annotations," Informatics in Medicine Unlocked, vol. 13, pp. 122-127, 2018.
• H. Chen, L. Wu, J. Chen, W. Lu, J. Ding, "A comparative study of automated legal text classification using random forests and deep learning," Information Processing & Management, vol. 59, no. 2, 2022.
• J. Zhang, M. Guo, Y. Geng, M. Li, Y. Zhang, N. Geng, "Chinese named entity recognition for apple diseases and pests based on character augmentation," Computers and Electronics in Agriculture, vol. 190, 2021.

タイトルに関連する用語 (4件)： LSTM ,  CRF ,  深層学習 ,  モデル