arXiv · cs.CL· Ibrahim Siddig·· 18 天前AI 评分24
基于知识图谱引导多任务预训练提升预训练语言模型的法律推理能力
Enhancing Legal Reasoning in Pre-trained Language Models via Knowledge Graph-Guided Multi-Task Pre-training
来源与原文
arXiv · cs.CL
作者：Ibrahim Siddig
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.13722v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者提出一种针对德国交通法（StVO）的多任务预训练方法，结合 NSP、知识图谱引导聚类（CLU）与知识图谱感知段落分类（CLS）三个目标，将结构化法律知识直接编码进模型权重，实现零样本法律推理而无需离散图遍历。在 9 个 Transformer 编码器、324 次实验中，模型在合成 StVO 问答上相对基线提升 10.3%–155.0%，并在 LexGLUE 七项基准中的四项超过既有结果，在奥地利驾驶法规上取得 3.4%–15.8% 的零样本迁移增益。该工作已被 EMNLP 2026 共同举办的 NLLP 2026 Workshop 接收。
来源：arXiv · cs.CL · arxiv.org