法律论文-增强型法律案例匹配：一种因果学习方法
摘要：法律案件匹配在智能法律系统中起着重要作用，其自动构建模型来估计源案件和目标案件之间的相似性。语义文本匹配模型已应用于该任务，其中源案件和目标案件被视为长篇文本文档。这些通用匹配模型仅基于法律案件中的文本进行预测，忽视了法律条文在法律案件匹配中的重要作用。在现实世界中，匹配结果（例如相关性标签）受到法律条文的影响，因为法律案件的内容和判断是基于法律的。从因果意义上讲，匹配决策受到法律案件引用的法律条文的调节效应以及法律案件中关键情况（例如详细的事实描述）的直接影响。鉴于这种观察，本文提出了一种称为Law-Match的模型无关因果学习框架，通过该框架可以通过尊重相应的法律条文来学习法律案件匹配模型。给定一对法律案件和相关的法律条文，Law-Match将法律条文的嵌入视为工具变量（IVs），将法律案件的嵌入视为处理变量。利用IV回归，处理变量可以分解为与法律相关和不相关的部分，分别反映调节效应和直接效应。然后，这两部分与不同的权重组合以共同支持最终的匹配预测。我们展示了该框架是模型无关的，可以应用多种法律案件匹配模型作为基础模型。综合实验证明，Law-Match在三个公共数据集上优于最先进的基线模型。
作者：Zhongxiang Sun, Jun Xu, Xiao Zhang, Zhenhua Dong, Ji-Rong Wen
论文ID：2210.11012
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-04-27