Redes neuronales para extracción de información relevante de sentencias legales

Simple item page
dc.catalogadoraba
dc.contributor.advisorBarceló Baeza, Pablo
dc.contributor.authorSuárez Carbonell, Lucas Andrés
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2023-11-17T19:56:01Z
dc.date.available2023-11-17T19:56:01Z
dc.date.issued2023
dc.descriptionTesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2023.
dc.description.abstractEn los últimos anos el Procesamiento de Lenguaje Natural, desde ahora PLN, ha utilizado técnicas de Aprendizaje Automático para representar fragmentos de texto. La introducción de la arquitectura del Transformer (Vaswani et al., 2017) y posteriormente de BERT (Devlin et al., 2018) junto con su versión más pequeña ALBERT (Lan et al., 2019) revolucionaron el estado del arte en PLN, imponiéndose como estándar para resolver tareas que involucren el modelamiento computacional de lenguaje. Una de estas tareas corresponde a sumarización extractiva, donde el objetivo es crear un resumen de un texto dado seleccionando y extrayendo frases y oraciones clave del documento original. Una de las limitaciones que aparecen con el uso de BERT en este tipo de tareas corresponde al tamaño máximo que tienen los transformers para procesar el texto de entrada, lo que dificulta el trabajo con documentos largos. En este trabajo utilizamos BERT y otros modelos de lenguaje similares para construir un sistema que permita obtener la jurisprudencia de una sentencia legal de la Corte Suprema. Para ello, se propone una arquitectura capaz de encapsular la información en dos niveles: a nivel de bloque de texto y a nivel de documento, para luego realizar una clasificación binaria de cada una de los bloques. Para validar que el modelo propuesto es capaz de resolver la tarea se realizaron pruebas sobre el dataset de documentos legales BillSum (Kornilova & Eidelman, 2019), alcanzando resultados comparables con modelos del estado del arte en términos de ROUGE.
dc.description.abstractIn recent years, Natural Language Processing (NLP) has used Machine Learning techniques to represent text fragments. The introduction of the architecture of the Transformer (Vaswani et al., 2017) and later of BERT (Devlin, Chang, Lee, & Toutanova, 2018) together with its smaller version ALBERT (Lan et al., 2019) revolutionized the state of the art in NLP, establishing itself as a standard for solving tasks that involve the computational language modeling. One of these tasks corresponds to extractive summarization, where the goal is to create a summary of a given text by selecting and extracting key phrases and sentences from the original document. One of the limitations that appear with the use of BERT in this type of task corresponds to the maximum size that the transformers have to process the input text, which makes it difficult to work with long documents. In this work we use BERT and other similar language models to build a system that allows us to obtain the jurisprudence of a legal sentence of the Supreme Court. For this, an architecture capable of encapsulating the information in two levels is proposed: a text block level and a document level, to then carry out a binary classification of each one of the blocks. To validate that the proposed model is capable of solving the task, tests were carried out on the legal documents dataset BillSum (Kornilova & Eidelman, 2019), reaching comparable results with state-of-the-art models in terms of ROUGE.
dc.fechaingreso.objetodigital2023-11-17
dc.format.extentx, 35 páginas
dc.fuente.origenSRIA
dc.identifier.doi10.7764/tesisUC/ING/75332
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/75332
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/75332
dc.information.autorucInstituto de Ingeniería Matemática y Computacional; Barceló Baeza, Pablo; 0000-0003-2293-2653; 13516
dc.information.autorucEscuela de Ingeniería; Suárez Carbonell, Lucas Andrés; S/I; 233086
dc.language.isoes
dc.nota.accesoContenido completo
dc.rightsacceso abierto
dc.subjectProcesamiento de Lenguaje Natural
dc.subjectResumen extractivo
dc.subjectTransferencia de Aprendizaje
dc.subjectTransformer
dc.subjectModelos Preentrenados
dc.subjectDocumentos Largos
dc.subjectSentencias Judiciales
dc.subjectNatural Language Processing
dc.subjectExtractive Summarization
dc.subjectTransfer Learning
dc.subjectTransformers
dc.subjectPretrained Models
dc.subjectLong Documents
dc.subjectLegal Sentences
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.titleRedes neuronales para extracción de información relevante de sentencias legales
dc.typetesis de maestría
sipa.codpersvinculados13516
sipa.codpersvinculados233086
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TESIS_LSuárez_Firma Final.pdf
Size:
687.84 KB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
3.01 Tesis magíster