Description
This is a Multiclass classification model which identifies law area labels(civil_law, penal_law, public_law, social_law) in Italian-based Court Cases.
Predicted Entities
civil_law, penal_law, public_law, social_law
How to use
document_assembler = nlp.DocumentAssembler() \
.setInputCol("text") \
.setOutputCol("document")
embeddings = nlp.BertSentenceEmbeddings.pretrained("sent_bert_multi_cased", "xx")\
.setInputCols(["document"]) \
.setOutputCol("sentence_embeddings")
docClassifier = legal.ClassifierDLModel.pretrained("legclf_law_area_prediction_italian", "it", "legal/models")\
.setInputCols(["sentence_embeddings"])\
.setOutputCol("category")
nlpPipeline = nlp.Pipeline(stages=[
document_assembler,
embeddings,
docClassifier
])
df = spark.createDataFrame([["Per questi motivi, il Tribunale federale pronuncia: 1. Nella misura in cui è ammissibile, il ricorso è respinto. 2. Le spese giudiziarie di fr. 1'000.-- sono poste a carico dei ricorrenti. 3. Comunicazione al patrocinatore dei ricorrenti, al Consiglio di Stato, al Gran Consiglio, al Tribunale amministrativo del Cantone Ticino e all'Ufficio federale dello sviluppo territoriale."]]).toDF("text")
model = nlpPipeline.fit(df)
result = model.transform(df)
result.select("text", "category.result").show(truncate=100)
Results
+----------------------------------------------------------------------------------------------------+------------+
| text| result|
+----------------------------------------------------------------------------------------------------+------------+
|Per questi motivi, il Tribunale federale pronuncia: 1. Nella misura in cui è ammissibile, il rico...|[public_law]|
+----------------------------------------------------------------------------------------------------+------------+
Model Information
| Model Name: | legclf_law_area_prediction_italian |
| Compatibility: | Legal NLP 1.0.0+ |
| License: | Licensed |
| Edition: | Official |
| Input Labels: | [sentence_embeddings] |
| Output Labels: | [class] |
| Language: | it |
| Size: | 22.3 MB |
References
Train dataset available here
Benchmarking
label precision recall f1-score support
civil_law 0.86 0.86 0.86 58
penal_law 0.85 0.82 0.83 55
public_law 0.79 0.79 0.79 52
social_law 0.93 0.96 0.94 68
accuracy - - 0.86 233
macro-avg 0.86 0.86 0.86 233
weighted-avg 0.86 0.86 0.86 233