RLJP：基于大语言模型增强的一阶逻辑规则的法律判决预测
人工智能
2026-03-05 v2
摘要
法律判决预测（LJP）是法律人工智能中的一项关键任务。现有的语义增强 LJP 模型整合了司法先例和法律知识以实现高性能。但它们忽略了法律推理逻辑，这是法律判决中需要严密逻辑分析的关键组成部分。尽管一些方法利用法律推理逻辑进行高质量预测，但其逻辑刚性阻碍了其对特定案件逻辑框架的适应，尤其是在冗长且详细的复杂案件中。本文提出了一种基于一阶逻辑（FOL）形式化和对比学习（CL）的规则增强法律判决预测框架，以开发法律判决逻辑的自适应调整机制，并进一步提升 LJP 的性能。受人类备考过程的启发，我们的方法遵循三阶段路径：首先，我们使用 FOL 形式化初始化判决规则，以准确捕获复杂的推理逻辑；其次，我们提出了一种混淆感知对比学习（CACL），通过由易混淆案件组成的测验来动态优化判决规则；最后，我们利用优化后的判决规则来预测法律判决。在两个公开数据集上的实验结果表明，该方法在所有指标上均表现出优越的性能。代码已公开可用{https://anonymous.4open.science/r/RLJP-FDF1}。
引用
@article{arxiv.2505.21281,
title = {RLJP: Legal Judgment Prediction via First-Order Logic Rule-enhanced with Large Language Models},
author = {Yue Zhang and Zhiliang Tian and Shicheng Zhou and Haiyang Wang and Wenqing Hou and Yuying Liu and Xuechen Zhao and Minlie Huang and Ye Wang and Bin Zhou},
journal= {arXiv preprint arXiv:2505.21281},
year = {2026}
}