Bert Base Uncased Echr

🚀 LEGAL - BERT：剛從法學院畢業的“布偶秀明星”

LEGAL - BERT是一系列用於法律領域的BERT模型，旨在助力法律自然語言處理研究、計算法學以及法律科技應用。為了預訓練不同版本的LEGAL - BERT，我們從多個領域（如立法、法院案例、合同）的公開資源中收集了12GB多樣的英文法律文本。特定子領域變體（如CONTRACTS - 、EURLEX - 、ECHR - ）和/或通用的LEGAL - BERT在特定領域任務上的表現優於直接使用BERT。這是在歐洲人權法院（ECHR）案例上進行預訓練的子領域變體模型。

🚀 快速開始

LEGAL - BERT是專門為法律領域打造的BERT模型家族，能為法律相關的自然語言處理研究和應用提供有力支持。以下將為你介紹該模型的相關信息，包括預訓練語料、使用方法等。

✨ 主要特性

• 領域針對性強：基於大量法律文本進行預訓練，在法律領域的特定任務上表現出色。
• 多種變體可選：有針對不同子領域（如合同、歐盟法律、歐洲人權法院案例）的變體模型。
• 性能優越：在法律相關任務中，比直接使用普通BERT模型效果更好。

📚 詳細文檔

預訓練語料

LEGAL - BERT的預訓練語料包括：

• 116,062份歐盟立法文件，可從EURLEX（http://eur - lex.europa.eu）獲取，這是由歐盟出版局運營的歐盟法律知識庫。
• 61,826份英國立法文件，可從英國立法門戶（http://www.legislation.gov.uk）獲取。
• 19,867份歐洲法院（ECJ）的案例，同樣可從EURLEX獲取。
• 12,554份歐洲人權法院（ECHR）的案例，可從HUDOC（http://hudoc.echr.coe.int/eng）獲取。
• 164,141份美國各地法院的案例，可從Case Law Access Project門戶（https://case.law）獲取。
• 76,366份美國合同，來自美國證券交易委員會（SECOM）的EDGAR數據庫（https://www.sec.gov/edgar.shtml）。

預訓練細節

• 我們使用Google BERT的GitHub倉庫（https://github.com/google - research/bert）中提供的官方代碼對BERT進行訓練。
• 我們發佈了一個類似於英文BERT - BASE模型（12層、768隱藏層、12頭、1.1億參數）的模型。
• 我們選擇遵循相同的訓練設置：進行100萬步訓練，批次大小為256個長度為512的序列，初始學習率為1e - 4。
• 我們使用了由TensorFlow研究雲（TFRC）免費提供的單個Google Cloud TPU v3 - 8，同時也利用了GCP研究信用。非常感謝谷歌的這兩個項目對我們的支持！

模型列表

注：

• LEGAL - BERT - BASE是Chalkidis等人（2020）中提到的LEGAL - BERT - SC模型；該模型是在下面提到的法律語料庫上從頭開始訓練的，使用了由在相同語料庫上訓練的sentence - piece分詞器創建的新詞彙表。
• 由於很多人對LEGAL - BERT - FP模型（依賴於原始BERT - BASE檢查點的模型）感興趣，這些模型已在Archive.org（https://archive.org/details/legal_bert_fp）上發佈，因為這些模型是次要的，可能僅對那些想深入研究Chalkidis等人（2020）中未解決問題的人有吸引力。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("nlpaueb/bert-base-uncased-echr")
model = AutoModel.from_pretrained("nlpaueb/bert-base-uncased-echr")

作為語言模型使用

🔧 技術細節

可參考文章 "LEGAL - BERT: The Muppets straight out of Law School"（Chalkidis等人，2020）中的實驗內容（https://aclanthology.org/2020.findings - emnlp.261）。

📄 許可證

本項目採用CC - BY - SA - 4.0許可證。

引用

@inproceedings{chalkidis-etal-2020-legal,
    title = "{LEGAL}-{BERT}: The Muppets straight out of Law School",
    author = "Chalkidis, Ilias  and
      Fergadiotis, Manos  and
      Malakasiotis, Prodromos  and
      Aletras, Nikolaos  and
      Androutsopoulos, Ion",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2020",
    month = nov,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    doi = "10.18653/v1/2020.findings-emnlp.261",
    pages = "2898--2904"
}

關於我們

雅典經濟與商業大學自然語言處理小組致力於開發讓計算機處理和生成自然語言文本的算法、模型和系統。該小組目前的研究興趣包括：

• 數據庫、本體、文檔集合和網絡的問答系統，特別是生物醫學問答。
• 從數據庫和本體（特別是語義網絡本體）生成自然語言。
• 文本分類，包括過濾垃圾郵件和不良內容。
• 信息提取和觀點挖掘，包括法律文本分析和情感分析。
• 希臘語的自然語言處理工具，如解析器和命名實體識別器。
• 自然語言處理中的機器學習，特別是深度學習。

該小組隸屬於雅典經濟與商業大學信息學系信息處理實驗室。

Ilias Chalkidis 代表 雅典經濟與商業大學自然語言處理小組

| GitHub: @ilias.chalkidis | Twitter: @KiddoThe2B |