识别事实是做出判断的最基本步骤，因此检测法律文件中的事件对法律案件分析任务非常重要。然而，现有的法律事件检测（LED）数据集只涉及不全面的事件类型，而且注释的数据有限，这限制了LED方法的发展及其下游应用。为了缓解这些问题，我们提出了LEVEN，一个大规模的中国法律事件检测数据集，包括8116份法律文件和108个事件类型中的150977个人类注释的事件提及。不仅是与指控有关的事件，LEVEN还涵盖了一般事件，这些事件对法律案件的理解至关重要，但在现有的LED数据集中却被忽略了。据我们所知，LEVEN是最大的LED数据集，其数据规模是其他数据集的几十倍，这将大大促进LED方法的训练和评估。广泛的实验结果表明，LED具有挑战性，需要进一步努力。此外，我们只是利用法律事件作为侧面信息来促进下游的应用。该方法在低资源判决预测中实现了平均2.2分的精度改进，在无监督案件检索中实现了平均1.5分的精度改进，这表明LED的基础性。
法律事件检测找出发生的事件及其之间的因果关系，是分析法律案件和作出判断的基础。法律事件检测（LED）旨在从法律案件中自动提取事件触发词，然后对其对应的事件类型进行分类，这个任务有利于许多下游法律人工智能应用，例如法律判决预测（LJP）和类似案件检索（SCR）。
现有LED数据集的不足：（1）数据有限：现有的LED数据集仅包含数千个事件提及注释，无法提供足够的训练数据和可靠的评估结果。（2）不全面的事件模式：现有的LED数据集仅涉及十几种罪名事件类型，只覆盖了很小的范围。
LEVEN的优点：（1）规模大：包含8116份法律文件，涵盖118项刑事指控，并有150977次人工注释事件提及；（2）高覆盖率：包含108种事件类型，指控类事件64种，一般类事件44种
第二阶段：为每项刑事指控抽出20份案件文件，邀请一位法律专家对抽样案件中出现的事件进行人工提取和总结。根据提取的事件，进一步过滤掉抽象的事件类型，最终得到了108个事件类型的注释，其中包括面向指控的事件和一般事件。
根据犯罪理论，犯罪的关键因素包括行为、危害结果和它们之间的因果关系。因此，本数据集将事件类型组织成一个分层结构，有三个类别代表行为，一个类别代表结果。
采用启发式方法自动选择候选触发词，并且缩小每个触发词候选项的事件类型选项。
根据注释指南，邀请多名注释者进行多阶段的注释，得到高质量的标注结果。
事件模式包含三个代表行为的事件类别，两个代表结果的事件类别，以及一个代表不可抗力的事件类别。
89.6%的事件类型包含100个以上的事件提及，43.4%的事件类型包含1000个以上的事件提及。
按照0.65:0.15:0.2的比例，将数据集随机分成训练集、验证集和测试集，采用微平均和宏平均的精度、召回率和F1得分作为实验的评价指标。
分类：用BiLSTM和BERT对给定的句子进行编码，用候选触发器的隐藏表示对其相应的事件类型进行分类。
动态池化：采用卷积神经网络（DMCNN）或者BERT来提取序列特征，并采用动态池化层来获得每个候选者的特定触发词表示。
长尾问题：虽然LEVEN包含数十万个事件提及，但有一些事件类型的实例不可避免地有限。少于50个实例的事件类型的micro-F1得分是65.97%，少于100个实例的事件类型是72.24%，低频类型的性能与总体平均性能之间仍有很大差距。
选用BERT作为基本结构，对词嵌入做出微小的改动，以整合事件信息。
采用BERT+CRF模型来检测案例文档中的触发词及其事件类型。通过在输入嵌入层中添加事件类型嵌入来利用BERT模型中的事件信息。事件类型嵌入在训练过程中被随机初始化和更新。
LED可以促进LJP的性能，尤其是在低资源环境下，这证明了LED的有效性。在完整的训练数据集下，LED只能在指控预测和法律条文预测上取得微弱提高，而在期限预测上取得显著提高。
事件信息有助于提高BERT模型的性能，进一步证明了事件信息对案例检索的重要性。
[1]CollinF.Baker,CharlesJ.Fillmore,andJohnB.Lowe.1998.TheBerkeleyFrameNetproject.InCOLING1998Volume1:The17thInternationalConferenceonComputationalLinguistics.
[2]AndersonBertoldi,RoveChishman,SandroJoséRigo,andThaísDomênicaMinghelli.2014.Cognitivelinguisticrepresentationoflegalevents.ProceedingsofCOGNITIVE.