CaseGNN：基于文本属性图的图神经网络用于法律案例检索
信息检索
2023-12-20 v2
摘要
法律案例检索是法律领域的一项信息检索任务，旨在根据给定的查询案例检索相关案例。近期关于法律案例检索的研究主要依赖于传统的词袋模型和语言模型。尽管这些方法在检索准确性上取得了显著提升，但仍存在两个挑战：（1）法律结构信息被忽略。以往的法律案例神经检索模型大多将案例的非结构化原始文本编码为案例表示，这导致案例中重要的法律结构信息缺失，从而造成案例表示不佳；（2）冗长法律文本的限制。当使用强大的基于BERT的模型时，输入文本长度存在限制，这不可避免地需要通过截断或分割来缩短输入，从而损失法律上下文信息。本文开发了一个基于图神经网络的法律案例检索模型CaseGNN，以应对这些挑战。为了在编码过程中有效利用法律结构信息，首先将案例转换为文本属性案例图（TACG），随后通过设计的边图注意力层和读出函数获取案例图表示。CaseGNN模型通过精心设计的包含简单和困难负样本采样的对比损失进行优化。由于案例图中的文本属性来自单个句子，进一步避免了使用语言模型的限制，且不丢失法律上下文。在COLIEE 2022和COLIEE 2023的两个基准数据集上进行了大量实验，结果表明CaseGNN优于其他最先进的法律案例检索方法。代码已发布于 https://github.com/yanran-tang/CaseGNN。
引用
@article{arxiv.2312.11229,
title = {CaseGNN: Graph Neural Networks for Legal Case Retrieval with Text-Attributed Graphs},
author = {Yanran Tang and Ruihong Qiu and Yilun Liu and Xue Li and Zi Huang},
journal= {arXiv preprint arXiv:2312.11229},
year = {2023}
}