使用本地语法图为韩语法律聊天机器人生成训练数据集

# 为韩语法律聊天机器人生成训练数据集
来源: https://arxiv.org/abs/2605.07432
查看 PDF (https://arxiv.org/pdf/2605.07432)

> 摘要:聊天机器人是通过文本或语音信号与人类通信的机器人。由于律师的法律代表和法律咨询成本高昂，将弱势和脆弱人群排除在外，因此法律聊天机器人可以提高获取正义的机会。然而，在深度学习对话系统（聊天机器人）的数据集中捕捉实际用户输入的多样性是一项技术挑战。多样性需要大量数据，这些数据还必须进行标注以分类用户意图，而数据标注的成本随着数据量的增加而增加。与其标注大量来自用户的真实数据，我们的方法是通过联合生成大量话语和高质量标签来实现。标记数据集的生成器基于语言资源的形式为局部语法图（LGG），它捕捉并概括语言学家在文本中观察到的词汇和局部语法。LGG 根据特定领域的分类系统将标签与话语关联。我们通过在韩语中实现法律聊天机器人 LIGA 来测试这种方法。聊天机器人通过提供韩国政府公开提供的类似法律案例的信息，回答用户关于法律情况的对话查询。我们在开源 Unitex 平台的帮助下，从 LGG 生成了已标记的话语。这一过程产生了 7 亿条话语。我们在由这些话语组成的数据集上训练了一个 DIET 分类器，经过训练的模型达到了 91% 的 f1-score 性能。我们实现了一个名为 LIGA 的聊天机器人，它使用模型的结果来选择记录类似法律案例的网页链接。

## 提交历史

来自: Eric Laporte [查看邮件 (https://arxiv.org/show-email/9dabeb0b/2605.07432)] **[v1]** 星期五, 8 五月 2026 08:32:56 UTC (825 KB)