基于逆最优传输理由提取的可解释法律案例匹配
信息检索
2022-07-12 v1
摘要
作为法律检索的一项基本操作，法律案例匹配在智能法律系统中起着核心作用。由于其下游应用影响重大——匹配到的法律案例可能为待判案例的判决提供支撑性证据，从而影响法律决策的公平与正义——该任务对匹配结果的可解释性有很高的要求。针对这一具有挑战性的任务，我们借助计算最优传输，提出了一种新颖且可解释的方法，即 IOT-Match，其将法律案例匹配问题建模为逆最优传输（inverse optimal transport, IOT）问题。与大多数仅关注法律案例间句子级语义相似度的现有方法不同，我们的 IOT-Match 基于句子语义及法律特征学习从成对法律案例中提取理由。提取出的理由进一步用于生成忠实解释并进行匹配。此外，所提出的 IOT-Match 对实际法律案例匹配任务中常见的对齐标签不足问题具有鲁棒性，适用于监督与半监督学习范式。为证明 IOT-Match 方法的优越性并构建可解释法律案例匹配任务的基准，我们不仅扩展了知名的 Challenge of AI in Law (CAIL) 数据集，还构建了一个新的可解释法律案例匹配（Explainable Legal cAse Matching, ELAM）数据集，其中包含大量带有详尽可解释标注的法律案例。在这两个数据集上的实验表明，我们的 IOT-Match 在匹配预测、理由提取和解释生成上一致优于 SOTA 方法。
引用
@article{arxiv.2207.04182,
title = {Explainable Legal Case Matching via Inverse Optimal Transport-based Rationale Extraction},
author = {Weijie Yu and Zhongxiang Sun and Jun Xu and Zhenhua Dong and Xu Chen and Hongteng Xu and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2207.04182},
year = {2022}
}
备注
to be published in SIGIR 2022