学习法律案件中细粒度事实与法条的对应关系

自动为给定法律案件推荐相关法条已引起广泛关注，因为它可以极大地将人力从海量法律数据库检索中解放出来。然而，现有研究仅支持粗粒度推荐，即将所有相关法条作为一个整体进行预测，而不解释每条法条与哪些具体事实相关。由于一个案件可能由许多支撑事实构成，逐一核查以验证推荐结果的正确性可能十分耗时。我们认为，学习每个单一事实与法条之间的细粒度对应关系对于构建准确且可信的 AI 系统至关重要。基于此动机，我们开展了开创性研究并构建了带有手动标注事实-法条对应关系的语料库。我们将该学习任务视为文本匹配任务，并提出一个多级匹配网络来解决它。为帮助模型更好地理解法条内容，我们使用随机森林将法条解析为前提-结论对的形式。实验表明，解析后的形式带来了更好的性能，且所得模型超越了其他流行的文本匹配基线。此外，我们与先前研究进行比较，发现建立细粒度事实-法条对应关系可大幅提升推荐准确率。我们的最佳系统达到了 96.3% 的 F1 分数，具有极大的实际应用潜力。它还能显著推动下游的法律判决预测任务，将 F1 分数提升多达 12.7%。