基于异构图增强的法律引用联合预测
社会与信息网络
2025-06-30 v1 信息检索
摘要
法律体系广泛依赖法律规范和先前法院裁决之间的交叉引用。实践者、初学者和法律AI系统需要获取这些相关数据以 inform appraisals和判断。我们提出一种图神经网络(GNN)链接预测模型，通过融合语义和拓扑信息，可通过高度专业地识别案件-法律和案件-案件引用。我们引入适应性关系图卷积运算作用于扩展和丰富的原始引用图上，这允许对语义元信息的拓扑集成。进一步提高了平均精度提升了3.1分，数据稀疏性提升了8.5分，并且在时间上和在挑战性完全归纳预测中表现出稳健的性能。联合学习和预测案件和规范引用产生了巨大的协同效应，使案件引用预测提升了最高可达4.7分，几乎提高了效率。
引用
@article{arxiv.2506.22165,
title = {The Missing Link: Joint Legal Citation Prediction using Heterogeneous Graph Enrichment},
author = {Lorenz Wendlinger and Simon Alexander Nonn and Abdullah Al Zubaer and Michael Granitzer},
journal= {arXiv preprint arXiv:2506.22165},
year = {2025}
}