[论文解读] Distinguish Confusing Law Articles for Legal Judgment Prediction

Nuo Xu, Pinghui Wang+4 more|arXiv (Cornell University)|Apr 6, 2020

Artificial Intelligence in Law参考文献 20被引用 10

一句话总结

该论文提出LADAN，一种端到端图神经网络模型，通过新颖的图蒸馏算子和注意力机制，自动学习易混淆法律条文之间的区分性差异，从而提升法律判决预测性能。该方法在真实世界数据集上的F1得分相比最先进模型最高提升5.79%，显著增强了相似罪名之间的区分能力。

ABSTRACT

Legal Judgment Prediction (LJP) is the task of automatically predicting a law case's judgment results given a text describing its facts, which has excellent prospects in judicial assistance systems and convenient services for the public. In practice, confusing charges are frequent, because law cases applicable to similar law articles are easily misjudged. For addressing this issue, the existing method relies heavily on domain experts, which hinders its application in different law systems. In this paper, we present an end-to-end model, LADAN, to solve the task of LJP. To distinguish confusing charges, we propose a novel graph neural network to automatically learn subtle differences between confusing law articles and design a novel attention mechanism that fully exploits the learned differences to extract compelling discriminative features from fact descriptions attentively. Experiments conducted on real-world datasets demonstrate the superiority of our LADAN.

研究动机与目标

• 为解决法律判决预测中因相似法律条文常被误分类而带来的混淆罪名挑战。
• 通过自动学习语义相似法律条文之间的区分特征，减少对专家定义属性的依赖。
• 开发一种端到端框架，联合建模法律条文之间的相似性与差异性，以提升预测准确性。
• 通过聚焦于区分相似罪名的关键稀有特征（如被告身份），增强从案件描述中提取特征的能力。

提出的方法

• LADAN采用基于图的表征学习方法，将相似法律条文聚类为社区，并通过新颖的图蒸馏算子（GDO）计算差异向量。
• GDO通过处理相似法律条文的子图，学习条文间的相互差异，生成具有社区特异性的差异向量。
• 采用双层注意力机制，从案件描述中提取宏观层次特征（用于社区选择）和微观层次特征（用于社区内差异区分）。
• 模型使用事实重编码器，利用差异向量对案件描述进行重注意力计算，突出强调如被告身份等稀有、区分性特征。
• 集成多任务学习（MTL）头，联合预测法律条文、罪名和刑罚条款，提升整体泛化能力。
• 图构建层（GCL）使用阈值化相似度度量，在应用GDO前形成有意义的法律条文社区。

实验结果

研究问题

• RQ1 端到端模型是否能在不依赖专家定义属性的情况下，有效区分高度相似的法律条文？
• RQ2 如何利用图神经网络学习语义相近法律条款之间的细微差异？
• RQ3 在法律判决预测中，引入条文间差异在多大程度上能提升预测准确性？
• RQ4 由学习到的差异引导的注意力机制，是否在处理混淆罪名时优于对每条法律条文独立应用的注意力机制？
• RQ5 在真实场景下，该模型在不同法律预测任务（法律条文、罪名、刑罚）中的表现如何？

主要发现

• 在CAIL-big数据集上，LADAN相比最佳现有方法，F1得分最高提升5.79%，展现出显著的性能提升。
• 该模型在罪名预测上的最高F1得分为83.14%，显著优于依赖预定义属性的Few-Shot方法。
• 消融实验表明，若移除图构建层（GCL）或图蒸馏算子（GDO），性能显著下降，证实二者在模型中的关键作用。
• 注意力可视化结果表明，LADAN聚焦于被告身份等区分性特征，这些特征是区分如第163条与第385条等相似罪名的关键。
• 模型在CAIL-big上的表现持续优于CAIL-small，表明更大规模的训练数据有助于提升泛化能力。
• 在- no both消融实验中，模型表现与HARNN+MTL相近，证实条文间差异的整合是性能提升的关键因素。