[論文レビュー] Similar Cases Recommendation using Legal Knowledge Graphs

Jaspreet Singh Dhani, Ruchika Bhatt+3 more|arXiv (Cornell University)|Jul 10, 2021

Artificial Intelligence in Law参考文献 11被引用数 8

ひとこと要約

本稿では、インドの知的財産権（IPR）関係の判例から抽出した法的知識グラフを用いて、グラフニューラルネットワーク（GNN）ベースの類似判例推薦手法を提案する。トピックモデリングおよび名前付きエンティティ認識を用いて抽出した分野特異的特徴量（例：法的ポイント）を活用することで、引用関係および類似性予測の性能が向上し、関係性付きグラフ畳み込みネットワーク（RGCN）を用いて、引用予測でAUC 0.620、類似性予測でAUC 0.556を達成した。

ABSTRACT

A legal knowledge graph constructed from court cases, judgments, laws and other legal documents can enable a number of applications like question answering, document similarity, and search. While the use of knowledge graphs for distant supervision in NLP tasks is well researched, using knowledge graphs for applications like case similarity presents challenges. In this work, we describe our solution for predicting similar cases in Indian court judgements. We present our results and also discuss the impact of large language models on this task.

研究の動機と目的

• AIを活用した類似判例推薦により、法的制度における判例処理の遅れを解消し、迅速な判例解決を実現すること。
• 構造化された法的知識を活用して、判例類似性、引用予測、法的認知支援などの法的文書分析タスクの性能を向上させること。
• トピックモデリングおよび法的ポイントのアノテーションを用いて、法的判例の分野に適応した特徴表現を構築し、GNNの性能を向上させること。
• 関係性付きグラフ畳み込みネットワーク（RGCN）が、異種の法的知識グラフ上で判例の類似性および引用リンクを予測する能力を実証すること。
• 法的実務家および学生が、説明可能なAIを用いて類似判例を探索し、法的概念を理解できるインタラクティブデモを提供すること。

提案手法

• ルールベースおよびディープラーニング手法を用いて、非構造化のインドIPR判例文書、判決、立法文書から法的知識グラフを構築した。
• IBM Data Discovery APIおよびStanzaを含む自然言語処理パイプラインを用いてエンティティおよび関係を抽出し、SystemTによるカスタムアノテーションを用いて分野特異的エンティティを処理した。
• キーワードの特定および分野特異的オントロジーの構築のため、ラテンディリクレット・アロケーション（LDA）を適用した。
• 「法的ポイント」を分野特異的キーワードおよびフレーズ（例：「特許」「著作権」「商標」）として定義し、意味的にラベル付けすることでノード特徴を強化した。
• 関係（引用、類似性）および関連するノードタイプ（例：判例、法規）のみを用いて、法的ポイントおよびメタデータから特徴を抽出したケースグラフを構築した。
• Deep Graph Libraryを用いて、法的ポイントおよびメタデータを含む特徴量を用いて、関係性付きグラフ畳み込みネットワーク（RGCN）を訓練し、欠落したリンクおよび判例類似性を予測した。

実験結果

リサーチクエスチョン

• RQ1 分野特異的特徴量で強化された法的知識グラフは、異種グラフ環境下で判例類似性予測を向上させるか？
• RQ2 意味的にラベル付けされたIPR関連用語（法的ポイント）を、法的判例推薦における関係性付きGNNの特徴量として用いることは効果的か？
• RQ3 トピックモデリングから得られる概念を統合することで、法的引用および類似性予測タスクにおけるグラフニューラルネットワークの性能が向上するか？
• RQ4 説明可能性機能は、法的実務家および学生がGNNの予測結果を解釈するのをどの程度支援するか？
• RQ5 分野特異的特徴量を有する・なしの状況で、法的判例グラフタスクにおけるRGCNモデルの性能はどのように変化するか？

主な発見

• 法的ポイント特徴量の導入により、引用リンク予測の性能が顕著に向上し、1200エポックでAUC 0.620を達成した。
• 類似性予測において、法的ポイント特徴量を有するモデルはAUC 0.556を達成し、法的ポイントなしのベースラインを上回った。
• 法的ポイント特徴量を欠落させたモデルは類似性予測で著しく性能が低く、最大AUC 0.513にとどまり、分野特異的特徴量がなければ予測能力が限定的であることが示された。
• 法的ポイントなしの状況で、最高の引用モデルはAUC 0.587を達成しており、これはベースライン特徴量でさえもリンク予測に有意義な貢献をしていることを示している。
• 説明可能性の可視化により、予測された類似判例間のキーフィーチャーおよびメタデータの差異が明確に特定され、解釈可能性が裏付けられた。
• デモシステム（http://case-similarity-demo.mybluemix.net/）は、類似判例およびその背後にある特徴量のインタラクティブな探索を可能にした。