法条增强的法律案件匹配：一种因果学习方法

法律案件匹配通过自动构建模型估计源案件与目标案件间的相似度，在智能法律系统中发挥重要作用。语义文本匹配模型已应用于该任务，其中源与目标法律案件被视为长文本文档。这些通用匹配模型仅基于法律案件文本进行预测，忽视了法条在法律案件匹配中的本质作用。在现实世界中，匹配结果（如相关性标签）受法条显著影响，因为案件内容与判决根本基于法律形成。从因果角度看，匹配决策受法律案件所引法条的中介效应以及案件中关键情形（如详细事实描述）的直接效应影响。鉴于此观察，本文提出一种称为 Law-Match 的模型无关因果学习框架，在该框架下法律案件匹配模型通过学习时尊重相应法条。给定一对法律案件与相关法条，Law-Match 将法条嵌入视为工具变量（IVs），法律案件嵌入视为处理。利用 IV 回归，处理可分解为法条相关与法条无关部分，分别反映中介与直接效应。这两部分随后以不同权重组合共同支持最终匹配预测。我们展示了该框架模型无关，且多种法律案件匹配模型可作为底层模型应用。综合实验表明 Law-Match 在三个公开数据集上优于 SOTA 基线。