Escute esse artigo
Tempo de leitura: 3 minutos

 

Instituição de Ensino Superior: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL
Programa: CIÊNCIA DA COMPUTAÇÃO (42005019016P8)
Título: UNDERSTANDING CONTRACTS IN NATURAL LANGUAGE
Autor: DANIELE ANTUNES PINHEIRO
Tipo de Trabalho de Conclusão: DISSERTAÇÃO
Data Defesa: 20/03/2019
Resumo:
Contratos são acordos entre pessoas ou organizações, chamados de partes. Geralmente são escritos em linguagem formal e são compostos por um conjuntos de regras que devem ser seguidas pelas partes envolvidas nele. No processamento de contratos, é comum assumir uma etapa manual para extrair os componentes do contrato, o que é uma tarefa que exige tempo e geralmente é baseada em domínio específico. Considerando um cenário onde todos os dias há mais pessoas interessadas em processar o trabalho legal, uma ferramenta automatizada para extrair componentes contratuais é extremamente útil. Esta pesquisa definiu um método para extrair e formalizar automaticamente esses componentes, resultando em uma estrutura semântica útil para outros projetos. Para avaliar nosso trabalho, nós criamos um dataset com 15 contratos anotados e medimos a nossa acurácia em diferentes tipos de extração. Nossa abordagem foi utilizada em dois tipos de processamento de contratos: uma nova avaliação de equanimidade e na identificação de conflitos, com resultados competitivos em relação ao estado da arte.

Palavras-Chave: Contratos;PLN;aprendizado de máquina;deep learning

Abstract: Contracts are agreements between people or organization, called parties. They are usually written in formal language and are composed of a set of rules to be followed by the parties involved in it. In the processing of contracts, it is common to assume a manual step to extract the contract components to work with, which is a task that demands time and usually is domain based. Considering a scenario where every day there are more people interested in processing legal work, an automated tool to extract contractual components is extremely useful. This research defines an approach to automatically extract and formalize these components resulting in a semantic structure useful for other projects. To evaluate our work, we created a dataset containing 15 annotated contracts and measure our accuracy over different types of extractions. Our approach was used in two contract processing tasks: a new evaluation of fairness and conflict identification, with competitive results with the state of the art.

Keyword: Contracts;NLP;machine learning;deep learning

Volume: 1
Páginas: 80
Idioma: PORTUGUES
Biblioteca Depositária: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL
Autorização de divulgação: O trabalho possui divulgação autorizada
Anexo: DANIELE ANTUNES PINHEIRO_DIS
Área de Concentração: CIÊNCIA DA COMPUTAÇÃO
Linha de Pesquisa: INTELIGÊNCIA COMPUTACIONAL
Projeto de Pesquisa:

 

Compartilhe!