Re29：读论文 D2GCLF: Document-to-Graph Classifier for Legal Document Classification

诸神缄默不语-个人CSDN博文目录

论文标题：D2GCLF: Document-to-Graph Classifier for Legal Document Classification
NAACL官方下载地址：https://aclanthology.org/2022.findings-naacl.170/
（这个PDF文档参考文献有缺失内容，我已经发邮件问过作者了，所以如果也有此需要的话可以直接问我要）

本文是2022年NAACL论文，关注法律领域的文书分类任务。是将每篇文书都构建为了4个图，然后将4个关系图合并，用GAT实现图分类任务。

本文的分类标签是民事案件的纠纷类型（从400类中选出语义上最相近的20类）：

本文提出模型Document-to-Graph Classifier (D2GCLF)，从案例中抽取主要当事人之间的关系作为事件，用4张relation graph来代表一篇法律文书。

1. Background

和传统分类任务不同，不同类的法律文书也可能在语义上高度相似：

DOCSCRH（商业住房产权纠纷）类型（只有房地产公司能出售商业住房）：

DOCSPHP（房屋买卖合同纠纷）类型：

本文认为，有两点原因造成传统文本分类方法不适用于法律领域：

1. 传统文本分类没有充分利用文本结构信息。一些过去的方法用句子关系来解决这一问题，但并非所有句子都于预测任务有利。
2. 法律案例中事实与理由部分最重要，但现在的词贡献图难以表征关键事实，且含大量与预测任务无关的词语。

本文认为法律文书分类任务最重要在理解事实，本文表示为实体之间的关系。

2. D2GCLF

从法律抽取中抽取关键当事人（原告和被告）的事实构成4个图：

1. Entity-Matter
2. Entity-Action
3. Entity-Keyword（主题）
4. Semantic Role Labeling (SRL)：建模更广泛的关系，包括有第三方人事的

然后组合4张图，过GNN（GAT），得到图表征，作为文书表征，实现分类。

整体架构图：

2.1 Motivation和民事诉讼文书数据分析

民事诉讼文书组成部分：

• Entity information sections：诉讼当事人的信息
• Facts
• Reason：原告诉讼理由
  （当事人关系常存于facts和reason部分）
• Miscellaneous items：相关法律、程序、证据的讨论，与文书类型关系不大，因为同一法律可能应用于不同纠纷中

组成部分示意图：

不同类型借贷纠纷的示例（DOCPL是私人贷款合同纠纷，例子1讨论借贷行为，例子2、3提到借贷诉讼的目的和原因；DOCS是保人合同纠纷）：

如果模型不知道句子之间的关系，可能会忽略关键词guarantor。

2.2 建图

2.2.1 Entity-Matter Graph

matters：识别纠纷类别的重要证据
常是名词，和原被告出现在同一句，所以本文用POS解析器¹抽取每一包含原被告的句子里的名词。为了理解matters上发生的动作，我们也抽取了形容被抽取名词的动词，如table2中的borrowed和dollar。

文书节点，原告节点A，被告节点B：

2.2.2 Entity-Action Graph

案例中，纠纷必然对应某些原被告之间的动作。
本文抽取出现原被告句子中的动词，和每个动作的对象。

2.2.3 Entity-Keyword Graph

生成原被告相关的主题。
本文用TextRank抽取含有所有当事人句子中的关键词。

2.2.4 SRL Graph

(subject, predicate, object)
predicate谓语
用LTP工具²从每一句中抽取。

2.2.5 Combined graph

2.3 GNN

本文用预训练的词嵌入作为初始节点表征，用GAT聚合得到document节点表征，然后后面的就是常规MLP分类模型了。

3. 实验

3.1 数据集

本文算是给出了一部分的数据集？就给了这些：https://drive.google.com/file/d/1bZVv0TPSjIRsRjO0P67v8Y-K-tb-o7IE/view

4000个案例（每类最新200个案例），20类。70%训练集，30%测试集。替换指示代词为原被告真名。

3.2 baseline

词嵌入用的是https://github.com/Embedding/Chinese-Word-Vectors
传统机器学习方法词嵌入用的是https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip
深度学习方法词嵌入用的是https://huggingface.co/hfl/chinese-roberta-wwm-extlarge
（为什么词嵌入都不统一呢这个小编也不知道！）

基于图的方法：构建文档-词图，即直接连接文档节点及其中的词语节点、在文档中共现的词语节点。

用AUC作为评估指标。

（用不同词嵌入方法的结果见附件）

3.3 实验设置

在训练集上交叉验证³取参数。

3.4 模型分析

---

1. https://pypi.org/project/pkuseg/ 具体使用方法可参考我撰写的博文：常用Python中文分词工具的使用方法 ↩︎

2. 语言技术平台（ Language Technology Plantform | LTP ） ↩︎

3. 交叉验证相关资料，一时不知道该放在哪里，就先放在这里了：
   Kaggle知识点：交叉验证常见的6个错误：在K的数量上一般选择5；用StratifiedKFold保持标签分布不变，用StratifiedGroupKfold保持按照对照组划分；先划分数据集后采样、做特征提取和转换操作；用TimeSeriesSplit划分时间序列；固定数据划分的随机种子 ↩︎