面向法律 charge 预测的多源异构知识注入提示学习方法
计算与语言
2024-08-06 v1 人工智能
摘要
法律 charge 预测是法律 AI 中的一项关键任务，旨在为案件描述分配准确的 charge 标签，近年来受到广泛关注。现有方法主要直接建模案件描述，采用多种神经网络结构，无法有效利用多源外部知识。我们提出了一种基于提示学习框架的方法，同时利用来自法律知识库、对话式大语言模型和相关法律文献的多源异构外部知识。具体而言，我们通过法律知识库匹配案件描述中的知识片段，并通过硬提示模板将其封装到输入中。此外，我们通过对比学习检索与给定案件描述相关的法律文章，然后通过对话式大语言模型获取案件描述中的事实要素。我们将软提示 token 的嵌入向量与事实要素的编码向量融合，以实现知识增强的模型前向推理。实验结果表明，我们的方法在 CAIL-2018（最大的法律 charge 预测数据集）上取得了最好的性能，且数据依赖性更低。案例研究还表明，我们的方法具有很强的可解释性。
引用
@article{arxiv.2408.02233,
title = {A Multi-Source Heterogeneous Knowledge Injected Prompt Learning Method for Legal Charge Prediction},
author = {Jingyun Sun and Chi Wei and Yang Li},
journal= {arXiv preprint arXiv:2408.02233},
year = {2024}
}
备注
20 pages