Effektive und skalierbare Empfehlungen für gerichtliche Urteile unter Verwendung vorab lernbarer Wort-Embedding

Zusammenfassung Juristen fordern dringend ein automatisches und bequemes System zur Empfehlung juristischer Dokumente (LDRS), um ähnliche Urteile zur Vorbereitung vorteilhaft und strategisch Argumente vor Gericht zu identifizieren. Doc2Vec lernt hervorragend semantisch reichhaltigen Einbettungs (d. h. vektor) Raum aus den Textinformationen des Urteils-Korpus. Während des Lernens von Doc2Vec kann die Praxis des vorherigen domänenspezifischen Wissens potenziell die Einbettungsdarstellung verbessern. Diese Forschung schlägt daher ein auf vorab gelerntem Wort-Embedding basierendes LDRS (P-LDRS) vor, das das Doc2Vec-Embedding mithilfe des auf dem Rechtsbereich spezifischen vorab gelernten Wort-Embeddings mit rechtlichem semantischen Wissen erlernt. Das Lernen des Urteils-Embeddings aus bestehenden umfangreichen juristischen Dokumenten stellt sich jedoch als ein Skalierungsproblem für Doc2Vec heraus. Das vorgeschlagene P-LDRS bietet auch zusätzliche Funktionen, um das Urteils-Embedding verteilt über ein Cluster von Recheneinheiten unter Verwendung von Frameworks wie MapReduce und Spark zu lernen, um das Skalierungsproblem zu adressieren. Die empirische Analyse wird mit einer nicht verteilten und einer verteilten Variante des vorgeschlagenen P-LDRS durchgeführt, um die Effektivität und Skalierbarkeit zu validieren. Die Experimentergebnisse zeigen, dass das vorgeschlagene nicht verteilte P-LDRS deutlich besser abschneidet als das traditionelle Doc2Vec-basierte LDRS mit einer Genauigkeit von 0,88, einem F1-Score von 0,82 und einem MCC-Score von 0,73. Sie zeigen auch, dass das vorgeschlagene verteilte P-LDRS die Zeiteffizienz verbessert und eine stabile Genauigkeit von ≈ 0,88, einen F1-Score von ≈ 0,83 und einen MCC-Score von ≈ 0,72 bei einer steigenden Anzahl von Knoten erreicht.