利用脑信号改进法律案例检索

在过去十年中，法律案例检索任务受到了信息检索（IR）社区越来越多的关注。利用隐式用户反馈（如点击）的相关性反馈技术已在传统搜索任务（如网络搜索）中被证明是有效的。然而，在法律案例检索中，收集相关性反馈面临着在现有反馈范式下难以解决的一些挑战。首先，法律案例检索是一项复杂任务，因为用户通常需要详细了解法律案例之间的关系才能正确判断其相关性。诸如点击之类的传统反馈信号过于粗糙，无法反映任何细粒度的相关性信息。其次，法律案例文档通常很长，用户通常需要几十分钟才能阅读和理解它们。当用户几乎点击并检查文档的每个部分时，诸如点击和眼动注视之类的简单行为信号很难发挥作用。在本文中，我们探索了利用脑信号解决法律案例检索中反馈问题的可能性。脑信号处理的最新进展表明，可以通过脑机接口（BMI）以细粒度方式收集人类情绪，而不会中断用户的任务。因此，我们提出了一个利用 EEG 信号优化检索结果的法律案例检索框架。我们收集并创建了一个带有用户 EEG 信号的法律案例检索数据集，并提出了几种提取有效 EEG 特征以进行相关性反馈的方法。我们提出的特征在使用 SVM-RFE 模型进行反馈预测时达到了 71% 的准确率，并且我们提出的考虑用户多样化需求的排序方法可以显著提高用户对法律案例检索的满意度。实验结果表明，重排序后的结果列表使用户更加满意。