SEMDR: 一种面向法律判决预测的语义感知双编码器模型与法律线索追踪
计算与语言
2024-08-20 v1
摘要
法律判决预测旨在基于犯罪事实描述形成法律判决。然而，研究人员在分类令人困惑的刑事案件（如抢劫与盗窃）时面临困难，这要求法律判决预测模型能够区分相似犯罪之间的细微差别。现有方法通常设计手工特征来提取必要的语义法律线索以做出更准确的法律判决预测。在本文中，我们提出了一种语义感知双编码器模型（SEMDR），它设计了一种新颖的法律线索追踪机制，在犯罪事实与法律条文之间进行细粒度的语义推理。我们的法律线索追踪机制建立在三个推理层次之上：1) 词汇追踪，旨在从犯罪描述中提取犯罪事实；2) 句子表示学习，对比训练语言模型以更好地表示令人困惑的犯罪事实；3) 多事实推理，构建原因图以在事实节点之间传播语义线索，从而捕捉犯罪事实之间的细微差异。我们的法律线索追踪机制帮助 SEMDR 在 CAIL2018 数据集上取得了最先进的性能，并展示了其在少样本场景中的优势。我们的实验表明，SEMDR 具有学习更统一且更具区分性的犯罪事实表示的强大能力，这有助于对令人困惑的刑事案件做出更准确的预测，并减少了判决过程中的模型不确定性。所有代码将通过 GitHub 发布。
引用
@article{arxiv.2408.09717,
title = {SEMDR: A Semantic-Aware Dual Encoder Model for Legal Judgment Prediction with Legal Clue Tracing},
author = {Pengjie Liu and Wang Zhang and Yulong Ding and Xuefeng Zhang and Shuang-Hua Yang},
journal= {arXiv preprint arXiv:2408.09717},
year = {2024}
}