Enhancing Criminal Case Matching through Diverse Legal Factors

犯罪案件匹配旨在确定不同犯罪案件之间的相关性。传统方法仅基于实例级语义特征预测相关性，忽略了与不同法院判决相关的各种法律因素（LFs）。因此，全面地表示一个犯罪案件仍然是这些方法面临的挑战。此外，提取和利用这些LFs进行犯罪案件匹配面临两个挑战：（1）LFs的手动注释严重依赖于专业的法律知识；（2）LFs之间的重叠可能会潜在地损害模型的性能。在本文中，我们提出了一个名为“Diverse Legal Factor-enhanced Criminal Case Matching（DLF-CCM）”的两阶段框架。首先，DLF-CCM采用多任务学习框架，在大规模法律判决预测数据集上预训练LF提取网络。在第二阶段，DLF-CCM引入了一个LF去冗余模块来学习共享LF和独占LF。此外，引入了一种熵加权融合策略，动态融合所有LF生成的多个相关性。实验结果验证了DLF-CCM的有效性，并显示其相对于竞争基线的显着改进。代码：https://github.com/jiezhao6/DLF-CCM。

本论文的问题是如何在刑事案件匹配中综合考虑不同的法律因素（LFs），并解决手动标注LFs和LFs之间重叠的问题。

本论文提出了一个名为DLF-CCM的两阶段框架，通过多任务学习预训练LF提取网络，并引入LF去重模块来学习共享LF和独占LF。此外，还引入了熵加权融合策略来动态融合所有LF生成的多个相关性。

本文的实验结果验证了DLF-CCM的有效性，并展示了它相对于竞争基线的显著改进。作者还提供了开源代码并使用了大规模的法律判决预测数据集。

近期在这个领域中的相关研究包括：'Legal Case Retrieval Using Neural Network with Multi-Task Learning'和'Judgment Prediction with Legal Hierarchical Attention Network'等。