通过多样化法律因素提升刑事案件匹配效果
计算与语言
2024-06-18 v1
摘要
刑事案件匹配旨在确定不同刑事案件之间的相关性。传统方法仅基于实例级语义特征进行预测，忽略了与不同法院判决相关的多样化法律因素（LFs），导致无法全面代表单个刑事案件。此外，提取和利用这些 LFs 进行刑事案件匹配还面临两个挑战：（1）LFs 的手动标注高度依赖专业法律知识；（2）LFs 之间的重叠可能损害模型性能。本文提出了一种两阶段框架，称为多样化法律因素增强型刑事案件匹配（Diverse Legal Factor-enhanced Criminal Case Matching, DLF-CCM）。首先，DLF-CCM 采用多任务学习框架，在大规模法律判决预测数据集上预训练 LFs 提取网络。在第二阶段，DLF-CCM 引入 LFs 去冗余模块，以学习共享 LFs 和独占 LFs。此外，引入熵加权融合策略，以动态融合所有 LFs 生成的多个相关性。实验结果验证了 DLF-CCM 的有效性，并显示其相对于竞争性基线具有显著改进。代码：https://github.com/jiezhao6/DLF-CCM。
引用
@article{arxiv.2406.11172,
title = {Enhancing Criminal Case Matching through Diverse Legal Factors},
author = {Jie Zhao and Ziyu Guan and Wei Zhao and Yue Jiang},
journal= {arXiv preprint arXiv:2406.11172},
year = {2024}
}