Re21：读论文 MSJudge Legal Judgment Prediction with Multi-Stage Case Representation Learning in the Real

诸神缄默不语-个人CSDN博文目录

论文名称：Legal Judgment Prediction with Multi-Stage Case Representation Learning in the Real Court Setting
论文SIGIR官方下载地址：https://dl.acm.org/doi/abs/10.1145/3404835.3462945（有官方SIGIR讲解视频，这哥们口音倒是不重，但是声音听起来特别疲倦，听得费劲，在透支身体之后……）
论文ArXiv下载地址：https://arxiv.org/abs/2107.05192
官方GitHub项目：mly-nlp/LJP-MSJudge

本文是2021年SIGIR论文。作者来自北大和阿里。

本文认为以前的LJP工作范式太简化真实场景了，因此本文提出了新的更符合真实情况的任务及对应的数据集：
任务是模拟真实庭审场景，通过原告诉求和法律辩论内容实现LJP任务（三分类任务）。辅助任务是从debate中分离出事实（分类任务，某些事实标签是否出现）。
提出新数据集LJP-MSJudge，包含plaintiff’s claims and court debate data（multi-role dialogues of the court debate）（民事案件的判决结果就是对各种诉求是否支持）。

1. Background

case life-cycle information

难点：

1. 不同角色的词汇空间可能都不一样，传统NLP算法很难整（consume）这个。
2. 当事人陈述与最后判决识别的事实之间的gap。

2. 模型MSJudge

多任务
MSJudge：同时从court debate中识别legal facts和预测每个claim的judgment result

（这里面的抽取的事实部分我是有点好奇，可以用最后判决书里的事实描述文本来做teacher forcing吗？）

可视化components（ “debate and fact”, “fact and claim” and “across claims”）之间的互相影响

Multi-Stage Context Encoding：模仿法官理解court debate和pre-trial claims
Debate Utterance Encoder：word embedding + role embedding（随机初始化，联合训练）→Bi-LSTM+attention→utterance embedding
Debate Dialogue encoder：Bi-LSTM，建模得到utterance的全局表征
Pre-trial Claim Encoder：Bi-LSTM+attention（debate和claim共享词嵌入矩阵）
Multi-Stage Content Interaction：建模debates和claims、facts和claims、claims之间的关联，加强claim表征
  Debate-to-Claim
  Debate-to-Fact
  Fact-to-Claim
  Fusion
  Across-Claim
Fact Recognition and Judgment Prediction

3. 实验

1. word embeddings (skip-gram) and role embeddings维度：300
   Bi-LSTM隐藏层维度：256
   Adam 学习率0.001
   batch size 16
   dropout rate 0.8
2. grid search tuning method and cross-validation
3. 把每个claim加上所有debate然后做预测

其他略，待补。