소개하다

LQA는 법률 사건에 대한 설명, 제안 및 솔루션을 제공하며 한편으로는 비전문가를 위한 법률 지원 및 법률 상담을 제공하고 다른 한편으로는 전문가가 업무 효율성을 높이고 실제 사건을 보다 정확하게 분석할 수 있도록 도와줍니다.

LQA의 문제는 두 가지 범주로 나눌 수 있습니다.

KD-question : 지식주도형, 지식주도형, 법률 개념 이해에 초점
CA-question : case-analysis, case-driven, 좀 더 실제적인 사례 분석에 집중
26,365개의 객관식 질문이 포함되어 있으며 각 질문에는 4개의 옵션이 있으며 단일 선택 및 다중 선택이 있습니다.
필요한 모든 법적 지식/법령을 포함하는 데이터베이스 제공
JEC-QA는 질문 유형(KD/CA 질문) 및 질문에 필요한 추론과 같은 각 질문에 대한 추가 레이블을 제공하며 전문가가 마킹한 데이터는 LQA의 심층 분석에 도움이 됩니다.

JEC-QA는 단어 일치, 개념 이해, 수학적 분석, 다중 긴 읽기 및 다중 홉 추론이 필요합니다.
예를 들어
사진 설명을 추가해주세요

데이터 세트

[표본의 크기]

사진 설명을 추가해주세요

【데이터 베이스】

【논리의 종류】

사진 설명을 추가해주세요

3개의 기존 모델을 사용하여 새로운 주제를 분류하는 총 15개의 주제가 있습니다.

TOP2의 주제를 찾기 위해 BERT를 사용하도록 선택하십시오. 검색된 자료를 기반으로 질문의 46%가 올바르게 답할 수 있었고 KD 질문이 CA 질문보다 훨씬 높았습니다.

입력 삼중 항 $(q, 오, r)$ , 독해를 위해 검색된 질문, 옵션 및 구절을 나타냅니다.

q는 단어의 순서입니다.
o는 $N = 4$ 의 词序列，表示为 $\left(\left(o_{1,1}, o_{1,2}, \ldots, o_{1,\left|o_1\right|}\right), \ldots,\left(o_{n, 1}, \ldots, o_{n,\left|o_n\right|}\right)\right)$
각 옵션에 대해 다음이 있다고 가정합니다. $중 = 18$ 읽기 장, $r_{i,j}$ 를 나타냅니다. $i$ 옵션 $j$ 个阅读篇章，即 $r_{i,j}=\left(r_{i, j, 1}, r_{i, j, 2}, \ldots, r_{i, j,\left|r _{i, j}\오른쪽|}\오른쪽)$ , 其中 $i\in[1,n]$ ， $j\in[1,m]$
출력에는 두 가지 다른 작업이 있습니다. 단일 선택에 답하기, 객관식에 답하기
- 객관식 질문의 경우 단일 레이블 분류가 필요하며 각 질문에 대해 점수 벡터 $score^{single}\in \mathbb{R}^n이 출력됩니다.$ , 각 옵션이 맞을 확률
- 객관식 질문의 경우 채점 벡터 $score^{all}을 출력해야 합니다.$ , 각 질문의 길이는 $2^n-1$

사진 설명을 추가해주세요

적용되지 않는 일부 모델을 변경했습니다.

원래 모델이 질문과 장만 입력할 수 있고 옵션이 없다고 가정하면 질문과 각 옵션을 접합하여 각 옵션의 점수 $s_i 를 얻습니다.$ ，然后 $\text{score}^{single} =\left[s_1, s_2, \ldots, s_n\right]$
원본 모델이 독해 조각에서만 답변을 추출할 수 있는 경우 출력 레이어를 선형 레이어로 수정하고 출력 점수 $s_i$
원본 모델을 여러 장으로 구성된 독해 작업에 사용할 수 없는 경우 각 옵션의 각 장에 별도로 모델을 적용하면 모델이 숨겨진 계층 hi , j ∈ R d h_{i, j} \ $\mathbb{R}^d를 출력합니다.$ 를 의미합니다. $i$ 옵션 $j$ 계층을 선택한 다음 동일한 옵션의 모든 표현에 대해 최대 풀링을 사용하여 $i$ 옵션 의 히든 레이어 $h_i^{\prime}=\left[h_{i, 1}^{\prime}, h_{i, 2}^{\prime}, \ldots, h_{i, d}^{\prime}\right]$ ，其中 $\max \left(h_{i, k, j} \mid \forall 1 \leq k \leq m\right)$ , 그럼 $h_i^{\prime}$ 선형 레이어를 통해 $i$ 옵션 $s_i$
将 $\text{score}^{single}$ $score^{all}을$ $^{얻기}$ 위해 선형 레이어에 $^{단일}$ $^{입력}$ $^{을}$ $^{입력}$ $^{합니다 .}$ $스코어____^{모두__}$

테스트 세트 로 무작위로 20% 선택

공동 매칭: 단답형 질문에 대한 단일 문단 독해 모델
BERT: 중국어 문서에 대해 훈련된 bert를 사용하는 단일 단락 독해 모델
SeaReader: 질문 중심 주의, 문서 중심 주의, 문서 간 주의, 게이트 레이어를 사용한 노이즈 제거의 세 가지 주의 방법을 사용하는 의료 분야의 질문 및 답변
다중 매칭: 증거-답변 매칭 및 질문-통과-답 매칭 모듈을 사용하여 매칭 정보를 생성하고 이를 결합하여 후보자의 점수를 얻습니다.
Convolutional Spatial Attention(CSA): 먼저 어텐션 메커니즘을 사용하여 기사, 후보 답변 및 질문의 식별을 얻은 다음 CNN-MaxPooling을 사용하여 인접한 어텐션 정보를 요약합니다.
Confidence-based Model (CBM): 다중 단락 독해, 단일 단락 독해를 위한 파이프라인, 다중 단락 에 모델을 사용하기 위한 신뢰 기반 방법 적용
DSQA(Distantly Supervised Question Answering): 공개 QA, 분해 QA, 먼저 노이즈 문서를 필터링한 다음 올바른 정보를 추출하고 최상의 옵션을 선택하는 데 사용됩니다.

사진 설명을 추가해주세요