# CAIL2019

**Repository Path**: Robert_mask/cail2019

## Basic Information

- **Project Name**: CAIL2019
- **Description**: CAIL2019法研杯要素识别，基于paddle的多标签分类
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2023-03-09
- **Last Updated**: 2023-09-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# CAIL2019
## CAIL2019法研杯要素识别，基于paddle的多标签分类
本项目将介绍如何基于PaddleNLP对ERNIE 3.0预训练模型微调完成法律文本多标签分类预测。本项目主要包括“什么是多标签文本分类预测”、“如何使用ERNIE 3.0中文预训练模型进行法律文本多标签分类预测”等部分。

### 1. 什么是多标签文本分类预测
文本多标签分类是自然语言处理（NLP）中常见的文本分类任务，文本多标签分类在各种现实场景中具有广泛的适用性，例如商品分类、网页标签、新闻标注、蛋白质功能分类、电影分类、语义场景分类等。多标签数据集中样本用来自 n_classes 个可能类别的m个标签类别标记，其中m的取值在0到n_classes之间，这些类别具有不相互排斥的属性。通常，我们将每个样本的标签用One-hot的形式表示，正类用1表示，负类用0表示。例如，数据集中样本可能标签是A、B和C的多标签分类问题，标签为[1,0,1]代表存在标签 A 和 C 而标签 B 不存在的样本。

近年来，随着司法改革的全面推进，“以公开为原则，不公开为例外”的政策逐步确立，大量包含了案件事实及其适用法律条文信息的裁判文书逐渐在互联网上公开，海量的数据使自然语言处理技术的应用成为可能。法律条文的组织呈树形层次结构，现实中的案情错综复杂，同一案件可能适用多项法律条文，涉及数罪并罚，需要多标签模型充分学习标签之间的关联性，对文本进行分类预测

### 法律文本多标签数据
本数据集（2019年法研杯要素识别任务）来自于“中国裁判文书网”公开的法律文书，每条训练数据由一份法律文书的案情描述片段构成，其中每个句子都被标记了对应的类别标签，数据集一共包含20个标签，标签代表含义如下： DV1 0 婚后有子女 DV2 1 限制行为能力子女抚养 DV3 2 有夫妻共同财产 DV4 3 支付抚养费 DV5 4 不动产分割 DV6 5 婚后分居 DV7 6 二次起诉离婚 DV8 7 按月给付抚养费 DV9 8 准予离婚 DV10 9 有夫妻共同债务 DV11 10 婚前个人财产 DV12 11 法定离婚 DV13 12 不履行家庭义务 DV14 13 存在非婚生子 DV15 14 适当帮助 DV16 15 不履行离婚协议 DV17 16 损害赔偿 DV18 17 感情不和分居满二年 DV19 18 子女随非抚养权人生活 DV20 19 婚后个人财产 数据集示例： text labels 所以起诉至法院请求变更两个孩子均由原告抚养，被告承担一个孩子抚养费每月600元。 0,7,3,1 2014年8月原、被告因感情不和分居，2014年10月16日被告文某某向务川自治县人民法院提起离婚诉讼，被法院依法驳回了离婚诉讼请求。 6,5 女儿由原告抚养，被告每月支付小孩抚养费500元； 0,7,3,1