Biblioteca73.326 documentos en línea

Artículo

RnRTD: Intelligent Approach Based on the Relationship-Driven Neural Network and Restricted Tensor Decomposition for Multiple Accusation Judgment in Legal CasesRnRTD: Enfoque inteligente basado en la red neuronal basada en la relación y la descomposición tensorial restringida para el juicio de acusaciones múltiples en casos legales

Resumen

El uso de la tecnología de juicio inteligente para ayudar en el juicio es una tendencia inevitable en el desarrollo del juicio en los casos legales sociales contemporáneos. El uso de la tecnología de big data e inteligencia artificial para determinar con precisión las múltiples acusaciones involucradas en los casos legales es un problema urgente a resolver en el juicio legal. La clave para resolver estos problemas radica en dos puntos, a saber, (1) la caracterización de los casos legales y (2) la clasificación y predicción de los datos de los casos legales. Los métodos tradicionales de caracterización de entidades se basan en la extracción de rasgos, que a menudo se basan en información de vocabulario y sintaxis. Por lo tanto, la caracterización tradicional de entidades suele requerir mucha energía y tiene poca generalidad, lo que introduce una gran cantidad de cálculos y una limitación a los algoritmos de clasificación posteriores. Este estudio propone un enfoque de juicio inteligente denominado RnRTD, que se basa en la red neuronal recurrente impulsada por relaciones (rdRNN) y la descomposición tensorial restringida (RTD). Representamos los casos legales como tensores y proponemos un método innovador de RTD. La RTD tiene una baja dependencia del vocabulario y la sintaxis y extrae la estructura de características más favorable para mejorar la precisión del algoritmo de clasificación posterior. RTD mapea los tensores, que representan casos legales, en un espacio de características específico y transforma el tensor original en un tensor central y sus correspondientes matrices de factores. Este estudio utiliza rdRNN para actualizar y optimizar continuamente las restricciones en RTD de modo que rdRNN pueda tener el mejor efecto de clasificación de casos legales en el espacio de características objetivo generado por RTD. Simultáneamente, rdRNN establece una nueva puerta y una lista de casos similares para representar la interacción entre los casos legales. En comparación con los métodos tradicionales de extracción de características, nuestro método de RTD propuesto es menos costoso y más universal en la caracterización de casos legales. Además, la rdRNN con una capa de RTD tiene un mejor efecto que la red neuronal recurrente (RNN) sólo en la clasificación y predicción de acusaciones múltiples en casos legales. Los experimentos muestran que, en comparación con los enfoques anteriores, nuestro método logra una mayor precisión en la clasificación y predicción de las acusaciones múltiples en los casos legales, y nuestro algoritmo es más interpretable.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento