@进行中{ye-etal-2018-可解释,title=“刑事案件的可解释指控预测:学习根据事实描述生成法庭意见”,author=“叶、海和江、欣和罗、准钦和赵文翰”,editor=“Walker、Marilyn和纪、恒和阿曼达·斯坦特”,booktitle=“计算语言学协会北美分会2018年会议记录:人类语言技术,第1卷(长篇论文)”,月=六月,year=“2018”,address=“路易斯安那州新奥尔良”,publisher=“计算语言学协会”,url=“https://aclantology.org/N18-1168”,doi=“10.18653/v1/N18-1168”,pages=“1854--1864”,abstract=“在本文中,我们建议从刑事案件中的事实描述来研究法庭观点生成问题。该任务旨在提高指控预测系统的可解释性,并帮助自动生成法律文档。我们将该任务定义为文本到文本的自然语言生成(NLG)问题。序列到序列模型在许多NLG任务中取得了尖端性能。然而,由于事实描述的不区分性,Seq2Seq模型很难生成指控歧视性法院意见。在这项工作中,我们探索了收费标签来解决这个问题。我们提出了一个标签条件下的Seq2Seq模型,并注意到这个问题,以解码基于编码费用标签的法院意见。实验结果表明了该方法的有效性。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“网址:http://www.loc.gov/mods/v3"><mods ID=“ye-etal-2018-interpretable”><标题信息>刑事案件的可解释指控预测:学习根据事实描述生成法庭意见</titleInfo><name type=“personal”>海<namePart type=“given”>叶<角色>作者</角色></name><name type=“personal”>辛江<namePart type=“family”><角色>作者</角色></name><name type=“personal”>准钦罗<namePart type=“family”><角色>作者</角色></name><name type=“personal”>文翰赵超<角色>作者</角色></name><originInfo>2018-06发布日期</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会北美分会2018年会议记录:人类语言技术,第1卷(长篇论文)</titleInfo><name type=“personal”>玛丽莲Walker(沃克)<角色><roleTerm authority=“marcorrator”type=“text”>编辑器</roleTerm></角色></name><name type=“personal”>亨吉(Ji)<角色>编辑器</角色></name><name type=“personal”>阿曼达支架<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>路易斯安那州新奥尔良</place></originInfo>会议出版物</relatedItem>在本文中,我们建议从刑事案件中的事实描述来研究法院观点的生成问题。该任务旨在提高收费预测系统的可解释性,并帮助自动生成法律文件。我们将此任务定义为文本到文本的自然语言生成(NLG)问题。序列到序列模型在许多NLG任务中取得了尖端性能。然而,由于事实描述的不区分性,Seq2Seq模型很难生成指控歧视性法院意见。在这项工作中,我们探索了收费标签来解决这个问题。我们提出了一个标签条件下的Seq2Seq模型,并注意到这个问题,以解码基于编码费用标签的法院意见。实验结果表明了该方法的有效性</摘要>2018年ye-etal可解释10.18653/v1/N18-1168<位置><网址>https://aclcollectory.org/N18-1168</url></位置><部分>2018-06年<扩展单元=“page”><开始>1854</开始>1864年</范围></部分></模块></modsCollection>
%0会议记录%刑事案件的可解释指控预测:学习从事实描述中生成法庭意见%阿叶,海%阿江、辛%阿罗,准钦%文翰·阿超%玛丽莲·Y·沃克%Y Ji、Heng%阿曼达·Y·斯坦特%计算语言学协会北美分会2018年会议记录:人类语言技术,第1卷(长篇论文)%2018年D月%6月8日%计算语言学协会%C路易斯安那州新奥尔良%2018年年底可解释%在本文中,我们建议从刑事案件中的事实描述来研究法院观点的生成问题。该任务旨在提高收费预测系统的可解释性,并帮助自动生成法律文件。我们将此任务定义为文本到文本的自然语言生成(NLG)问题。序列到序列模型在许多NLG任务中取得了尖端性能。然而,由于事实描述的不区分性,Seq2Seq模型很难生成指控歧视性法院意见。在这项工作中,我们探索了收费标签来解决这个问题。我们提出了一个标签条件下的Seq2Seq模型,并注意到这个问题,以解码基于编码费用标签的法院意见。实验结果表明了该方法的有效性。%10.18653/v1/N18-1168兰特%U型https://aclantology.org/N18-1168%U型https://doi.org/10.18653/v1/N18-1168%电话:1854-1864
降价(非正式)
[刑事案件的可解释指控预测:学习从事实描述中生成法庭意见](https://aclantology.org/N18-1168)(Ye等人,NAACL 2018)
国际计算语言学协会