基于 LLM、RAG 与结构化摘要的印度案法增强问题引导检索
信息检索
2025-08-08 v1
摘要
识别相关法律先例 remains 挑战性, 因为大多数检索方法侧重事实相似性而非法律问题, 且当前系统常缺乏阐明案件相关性的解释。本文提出利用大型语言模型 (LLM) 以解决这一问题, 通过自动化方式检索相关案件、生成解释以阐明相关性、并识别核心法律问题, 无需法律专业知识。我们的方法将检索增强生成 (RAG) 与针对印度案法优化的结构化摘要相结合。借助增强问题引导检索 (AQgR) 框架, 系统根据事实情景生成针对性法律问题, 以更有效地识别相关案法。结构化摘要由法律专家进行了手动评估, 因缺乏合适的结构化摘要数据集而无法进行自动化评估。案法检索使用 FIRE 数据集进行评估, 解释由法律专家审阅, 因检索过程中的解释生成仍是一项新兴创新。在 FIRE 2019 数据集子集上的实验评估显示, 实验结果令人鼓舞, 在测试查询上实现了平均精确率 (MAP) 为 0.36 和平均召回 (MAR) 为 0.67, 显著超越当前 MAP 基准的 0.1573。本工作引入了一套新颖的贡献, 旨在推动案法检索。通过从基于事实的检索向基于法律问题的检索转变, 所提出的方法提供更贴合法律专业人员需求的上下文相关结果。通过在检索过程中集成法律问题, AQgR 框架确保检索更精确且有意义, 通过细化查询上下文来实现这一目标。
引用
@article{arxiv.2508.04710,
title = {Augmented Question-guided Retrieval (AQgR) of Indian Case Law with LLM, RAG, and Structured Summaries},
author = {Vishnuprabha V and Daleesha M Viswanathan and Rajesh R and Aneesh V Pillai},
journal= {arXiv preprint arXiv:2508.04710},
year = {2025}
}