Leverage Knowledge Graph and Large Language Model for Law Article Recommendation: A Case Study of Chinese Criminal Law

📄 arXiv: 2410.04949v2 📥 PDF

作者: Yongming Chen, Miner Chen, Ye Zhu, Juan Pei, Siyu Chen, Yu Zhou, Yi Wang, Yifan Zhou, Hao Li, Songan Zhang

分类: cs.IR, cs.AI

发布日期: 2024-10-07 (更新: 2025-03-09)

💡 一句话要点

提出融合知识图谱与大语言模型的法律条文推荐方法，提升法院效率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 知识图谱 大语言模型 法律条文推荐 智能法院 案例分析 自然语言处理 法律人工智能

📋 核心要点

  1. 基层法院面临案件积压，依赖司法人员的认知劳动，缺乏智能工具是核心问题。
  2. 构建案例增强的法律条文知识图谱（CLAKG），并结合大语言模型实现法律条文推荐。
  3. 实验结果表明，该方法将法律条文推荐准确率从0.549提升至0.694，显著优于基线方法。

📝 摘要（中文）

为了提高法院效率，解决基层法院案件积压问题，并减少对司法人员认知劳动的依赖，本文提出了一种高效的法律条文推荐方法，该方法融合了知识图谱（KG）和大语言模型（LLM）。首先，我们构建了一个案例增强的法律条文知识图谱（CLAKG），作为存储法律法规、历史案例信息以及法律条文与历史案例之间对应关系的数据库。此外，我们还提出了一种基于LLM的自动化CLAKG构建方法。在此基础上，我们提出了一种闭环法律条文推荐方法。最后，通过在中国裁判文书网的判决文书上进行的一系列实验，我们将案件中法律条文推荐的准确率从0.549提高到0.694，证明了我们提出的方法明显优于基线方法。

🔬 方法详解

问题定义：论文旨在解决基层法院案件积压，法官查找相关法律条文效率低下的问题。现有方法依赖人工检索，效率低且易出错。缺乏有效的智能工具辅助法官快速准确地找到适用的法律条文。

核心思路：论文的核心思路是构建一个包含法律法规、历史案例以及它们之间关联的知识图谱，并利用大语言模型理解案情，从而实现更准确的法律条文推荐。通过知识图谱存储和检索相关信息，利用大语言模型进行语义理解和推理，弥补了传统方法的不足。

技术框架：整体框架包含以下几个主要模块：1) 基于LLM的自动化CLAKG构建模块，用于构建案例增强的法律条文知识图谱；2) 案例信息输入模块，将待判决的案件信息输入系统；3) 法律条文推荐模块，基于CLAKG和大语言模型，为案件推荐相关的法律条文；4) 闭环反馈模块，根据法官的反馈不断优化推荐结果。

关键创新：论文的关键创新在于提出了Case-Enhanced Law Article Knowledge Graph (CLAKG)，并将大语言模型应用于知识图谱的构建和法律条文的推荐。CLAKG不仅存储了法律条文，还存储了历史案例信息以及它们之间的关联，从而能够更全面地反映法律知识。利用大语言模型进行语义理解，可以更准确地把握案情，从而推荐更相关的法律条文。

关键设计：论文中关于CLAKG的构建细节，例如实体和关系的定义，以及如何利用大语言模型进行实体抽取和关系抽取，是关键的设计细节。此外，法律条文推荐模块中，如何融合知识图谱的结构化信息和大语言模型的语义信息，也是一个重要的技术细节。具体的损失函数和网络结构等细节在论文中可能没有详细描述，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在法律条文推荐任务中取得了显著的性能提升，将准确率从0.549提高到0.694。相较于基线方法，该方法能够更准确地推荐相关的法律条文，有效提升了法律条文推荐的效率和准确性。该结果验证了知识图谱和大语言模型在法律领域的应用潜力。

🎯 应用场景

该研究成果可应用于智能法院建设，辅助法官快速查找相关法律条文，提高办案效率，减少案件积压。同时，也可为律师、法律从业者提供法律咨询和案例分析服务，促进法律知识的普及和应用。未来，该技术有望扩展到其他法律领域，构建更完善的法律知识图谱，实现更智能化的法律服务。

📄 摘要（原文）

Court efficiency is vital for social stability. However, in most countries around the world, the grassroots courts face case backlogs, with decisions relying heavily on judicial personnel's cognitive labor, lacking intelligent tools to improve efficiency. To address this issue, we propose an efficient law article recommendation approach utilizing a Knowledge Graph (KG) and a Large Language Model (LLM). Firstly, we propose a Case-Enhanced Law Article Knowledge Graph (CLAKG) as a database to store current law statutes, historical case information, and correspondence between law articles and historical cases. Additionally, we introduce an automated CLAKG construction method based on LLM. On this basis, we propose a closed-loop law article recommendation method. Finally, through a series of experiments using judgment documents from the website "China Judgements Online", we have improved the accuracy of law article recommendation in cases from 0.549 to 0.694, demonstrating that our proposed method significantly outperforms baseline approaches.