从诉讼中学习：图谱与大语言模型在电子发现中的检索与推理
人工智能
2025-06-16 v2 信息检索
摘要
电子发现(eDiscovery)需要从庞大的文档集合中识别出供法律生产请求相关的文档。虽然人工智能(AI)和自然语言处理(NLP)技术已提高了文档审查效率，但当前方法在处理法律实体、引用和复杂法律制品方面仍存在挑战。为此，我们引入了 DISCOvery Graph(DISCOG)，一个集成了知识图谱以增强文档排序和分类、并由大语言模型驱动推理的新兴系统。DISCOG 在 F1 分数、精确率和召回率方面均优于强大的基线，在平衡和不平衡数据集上表现显著。在实际部署中，它将诉讼相关文档审查成本降低约 98%，显示出显著的商业影响。
引用
@article{arxiv.2405.19164,
title = {Learning from Litigation: Graphs and LLMs for Retrieval and Reasoning in eDiscovery},
author = {Sounak Lahiri and Sumit Pai and Tim Weninger and Sanmitra Bhattacharya},
journal= {arXiv preprint arXiv:2405.19164},
year = {2025}
}
备注
Updated with Camera Ready Copy for ACL 2025