基于多粒度語義交互的無監(jiān)督法律裁判文書檢索

周獻(xiàn)杭 申妍燕

(中國科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055)

1 引 言

近年來，司法部持續(xù)加強(qiáng)法律服務(wù)智能化建設(shè)，深化“數(shù)字法治、智慧司法”建設(shè)，旨在建設(shè)覆蓋行政立法、行政執(zhí)法、刑事執(zhí)行、公共法律服務(wù)四大職能的“大平臺(tái)、大系統(tǒng)、大數(shù)據(jù)”。隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，以及裁判文書網(wǎng)等司法公開措施的推進(jìn)，人們可以獲得越來越多的裁判文書，但信息過載問題也日益嚴(yán)重，快速且準(zhǔn)確地對(duì)海量法律文書進(jìn)行檢索顯得非常必要。如，法官通過檢索相似案例來獲取辦案參考；律師援引相似案件來作為論證依據(jù)等。

法律裁判文書檢索(Legal Case Retrieval)[1]，是指從歷史裁判文書集合中抽取與用戶查詢相關(guān)的裁判文書的任務(wù)。具體地說，文本檢索模型通過計(jì)算查詢語句(或文檔)與每個(gè)待檢索裁判文書之間的相似度，然后根據(jù)相似度大小對(duì)裁判文書進(jìn)行排序，從而返回滿足用戶需求的裁判文書集。法律文本作為一種特殊的文本形式，具有篇幅較長、結(jié)構(gòu)復(fù)雜、專業(yè)性強(qiáng)等特點(diǎn)，傳統(tǒng)的基于關(guān)鍵字的文本檢索方法已經(jīng)不能滿足用戶查詢法律信息的需求?；陉P(guān)鍵字的檢索方法主要是對(duì)用戶查詢關(guān)鍵字進(jìn)行匹配，雖然能夠快速查找到所需的信息，但該類方法容易出現(xiàn)查準(zhǔn)率低、檢索不全等問題。此外，新用戶很難通過識(shí)別合適的關(guān)鍵詞來準(zhǔn)確檢索法律裁判文書。

隨著深度學(xué)習(xí)的快速發(fā)展，學(xué)者們對(duì)語義檢索進(jìn)行了深入的研究和探索。語義檢索能夠更加準(zhǔn)確地通過用戶輸入的查詢信息理解其真正意圖，從而具有更高的查全率和查準(zhǔn)率[2]。然而，基于語義的文本檢索方法大多依賴于有大量標(biāo)注數(shù)據(jù)的有監(jiān)督學(xué)習(xí)方法，并且法律文本數(shù)據(jù)的人工標(biāo)注過程嚴(yán)重依賴專家知識(shí)，費(fèi)時(shí)費(fèi)力，這無疑給研究工作帶來巨大的人力成本。

為了更好地解決上述問題，本文提出一種基于無監(jiān)督學(xué)習(xí)的法律裁判文書檢索模型，分別從法律概念級(jí)別、詞語級(jí)別和詞組級(jí)別 3 個(gè)方面進(jìn)行多粒度文本匹配，避免了沒有訓(xùn)練數(shù)據(jù)導(dǎo)致的冷啟動(dòng)問題。具體地說，該模型利用詞語級(jí)別的交互特征來捕獲用戶輸入查詢和候選文檔的關(guān)鍵詞信息；利用詞組級(jí)別的交互特征來更加靈活地捕獲特定表達(dá)信息；利用官方法律案由級(jí)別信息和提取的案由數(shù)據(jù)構(gòu)建法律知識(shí)詞典，并通過該詞典捕獲用戶查詢和文檔之間的法律概念級(jí)別匹配信息。然后深度融合法律概念級(jí)別、詞語級(jí)別和詞組級(jí)別的匹配信號(hào)，得到最終的排序結(jié)果。實(shí)驗(yàn)結(jié)果表明，與基準(zhǔn)模型相比，本文模型在法律裁判文書檢索上取得了更好的效果，具有有效性和先進(jìn)性。

2 檢索算法研究現(xiàn)狀

信息檢索(Information Retrieval，IR)[3]任務(wù)是將用戶的檢索查詢內(nèi)容與數(shù)據(jù)庫中大量的文檔集合根據(jù)特定的條件進(jìn)行相關(guān)性建模，計(jì)算檢索語句與文檔間的相關(guān)程度并召回，再對(duì)召回的文檔根據(jù)用戶需求重新排序后返回給用戶。在過去幾十年的不斷探索實(shí)踐中，已經(jīng)相繼提出許多不同的檢索模型，包括布爾模型[4]、向量空間模型[5]和概率模型[6]等傳統(tǒng)檢索模型，以及統(tǒng)計(jì)語言模型[7]和排序?qū)W習(xí)模型[8]。這些檢索模型成為了信息檢索技術(shù)研究的基礎(chǔ)。其中，基于排序?qū)W習(xí)的檢索模型已經(jīng)在許多應(yīng)用中取得了巨大的成功，至今仍被學(xué)者不斷研究改進(jìn)，并廣泛應(yīng)用于商業(yè)檢索系統(tǒng)。近年來，大數(shù)據(jù)研究掀起的機(jī)器學(xué)習(xí)熱潮，在語音識(shí)別、計(jì)算機(jī)視覺和自然語言處理任務(wù)中取得了令人激動(dòng)的成果，加速了信息檢索技術(shù)的發(fā)展。目前，信息檢索的研究主要分為兩個(gè)方向——基于表示學(xué)習(xí)的檢索模型和基于匹配函數(shù)學(xué)習(xí)的檢索模型[9]。

2.1 傳統(tǒng)檢索模型

1972 年，Jones[10]提出了 TF-IDF 模型，該模型將文檔和檢索語句轉(zhuǎn)換為特征向量，并利用加權(quán)技術(shù)評(píng)估一個(gè)字詞在文檔集合中的重要程度。這個(gè)模型在 20 世紀(jì) 80 年代一直是科研人員的研究重點(diǎn)，直到現(xiàn)在，基于 TF-IDF 的衍生模型仍然被搜索引擎采用。1992 年，Robertson 等[11]提出了基于概率的 BM25 模型，該模型在傳統(tǒng) TFIDF 模型的基礎(chǔ)上增加了可調(diào)節(jié)的參數(shù)，并且將文檔長度作為懲罰因子，使檢索模型具有更高的實(shí)用性。該模型在許多信息檢索任務(wù)中表現(xiàn)優(yōu)異，成為重要的基準(zhǔn)算法。

傳統(tǒng)檢索模型主要通過提取詞條的特征信息，利用集合論知識(shí)、代數(shù)模型和概率模型方法進(jìn)行檢索，不需要標(biāo)注數(shù)據(jù)的支持和復(fù)雜的模型結(jié)構(gòu)，屬于無監(jiān)督檢索模型范疇，可以有效解決沒有訓(xùn)練數(shù)據(jù)導(dǎo)致的冷啟動(dòng)問題。傳統(tǒng)檢索模型依靠特征提取，但原始文檔中的噪聲信息和進(jìn)行句法分析時(shí)累積的匹配誤差會(huì)引起錯(cuò)誤的召回，從而影響最終的檢索效果。此外，傳統(tǒng)檢索模型會(huì)忽略語料庫外詞語的特征信息，同時(shí)使用孤立的關(guān)鍵詞特征脫離了上下文語言環(huán)境，難以還原語義信息，從而影響模型最終的檢索效果。

2.2 基于表示學(xué)習(xí)的模型

基于表示學(xué)習(xí)的模型會(huì)分別學(xué)習(xí)輸入檢索語句和數(shù)據(jù)庫中文檔的高層向量表示，通過構(gòu)造評(píng)估函數(shù)，來得到檢索語句和文檔集合的匹配得分。2013 年，微軟 Huang 等[12]提出 DSSM 模型，這是首個(gè)成功地將表示學(xué)習(xí)應(yīng)用在文本匹配任務(wù)的模型，其采用有監(jiān)督訓(xùn)練方式，不需對(duì)文檔集合進(jìn)行特征標(biāo)注工程，且利用預(yù)先計(jì)算文本向量可大幅降低在線計(jì)算的消耗，該模型為深度語義匹配模型的鼻祖。2014 年，微軟 Shen等[13]提出的 CNN-DSSM，以及 2016 年，Palangi等[14]提出的基于循環(huán)神經(jīng)網(wǎng)絡(luò)的 LSTM-RNN 模型，都對(duì) DSSM 模型進(jìn)行了優(yōu)化，但兩者仍需要大量的訓(xùn)練數(shù)據(jù)及 GPU 支持，導(dǎo)致許多業(yè)務(wù)難以開展。

2.3 基于匹配函數(shù)學(xué)習(xí)的模型

基于匹配函數(shù)學(xué)習(xí)的模型，主要圍繞構(gòu)建交互函數(shù)以獲得檢索語句和文檔中詞語的詳細(xì)交互信號(hào)。2014 年，Hu 等[15]在 NIPS 上提出了 ARCII模型，該模型通過對(duì)檢索語句和文檔中的單詞進(jìn)行 N-Gram 的卷積提取詞序信息，然后對(duì)各自卷積后得到的詞向量按對(duì)進(jìn)行計(jì)算，從而得到一個(gè)匹配度矩陣。2016 年，Guo 等[16]提出了 DRMM模型，該模型將檢索語句和文檔分別表示為由M個(gè)和N個(gè)詞語組成的向量。將檢索語句和文檔逐一比對(duì)計(jì)算相似度，以直方圖的形式進(jìn)行分桶計(jì)算代替池化操作，可以更好地區(qū)分相似和完全匹配，并保留原始信息。基于匹配函數(shù)學(xué)習(xí)的模型規(guī)避了對(duì)長文本進(jìn)行準(zhǔn)確編碼的困難，但構(gòu)造交互矩陣難以進(jìn)行在線計(jì)算，效率有限。

2.4 面向法律領(lǐng)域的匹配模型

在法律文本匹配領(lǐng)域[17]，可利用詞嵌入的方式在文本和向量之間建立連接[18]。有的學(xué)者在基于符號(hào)的方法上引入可解釋的標(biāo)簽[19]，從而在法律文件中的符號(hào)之間進(jìn)行推理。Sugathadasa 等[20]將法律案件轉(zhuǎn)移至向量空間，從而進(jìn)行文檔檢索任務(wù)。Chalkidis 和 Kampas[21]主要圍繞將現(xiàn)有的詞嵌入方法(如 word2vec[22])應(yīng)用于法律語料庫。Tran 等[23]設(shè)計(jì)了一種編碼摘要模型，該模型將給定法律文檔編碼到連續(xù)的向量空間中，同時(shí)嵌入文檔的摘要屬性。法律領(lǐng)域的匹配模型仍在快速發(fā)展，為了獲取法律領(lǐng)域?qū)I(yè)詞匯的表述，可以在詞嵌入中捕獲法律知識(shí)，Liu 等[24]將知識(shí)圖譜結(jié)構(gòu)化信息引入神經(jīng)網(wǎng)絡(luò)檢索模型中。Zhang 等[25]利用圖嵌入技術(shù)，使神經(jīng)網(wǎng)絡(luò)檢索模型能夠利用圖的結(jié)構(gòu)化數(shù)據(jù)自動(dòng)進(jìn)行特征提取，這不僅有助于克服點(diǎn)擊數(shù)據(jù)的長尾問題，而且可以通過結(jié)合外部信息來改善搜索結(jié)果。由于法律領(lǐng)域包含許多規(guī)則和知識(shí)，將知識(shí)進(jìn)行建模對(duì)于法律文本匹配同樣至關(guān)重要[26]。

與通用領(lǐng)域的檢索模型相比，法律領(lǐng)域的檢索模型面向大量結(jié)構(gòu)化的法律文獻(xiàn)、法律法規(guī)和案件文書，若采用傳統(tǒng)的關(guān)鍵字檢索模型，則無法得到關(guān)鍵詞之間的內(nèi)在聯(lián)系，因此，檢索文檔的召回率和排序的準(zhǔn)確率難以得到保證。由于法律信息包含司法專家長期實(shí)踐的經(jīng)驗(yàn)以及法律領(lǐng)域?qū)I(yè)知識(shí)匯總形成的專業(yè)術(shù)語和復(fù)雜的結(jié)構(gòu)表達(dá)，所以想要搜索出檢索語句和文檔之間更深層的含義，在獲得高召回率的同時(shí)，提高排序的準(zhǔn)確率以及增加檢索結(jié)果的可用性，仍然有許多障礙[26]。因此，在前期沒有標(biāo)注數(shù)據(jù)的前提下，根據(jù)用戶輸入的自然檢索語句，構(gòu)建基于多粒度語義交互的無監(jiān)督法律裁判文書檢索模型，優(yōu)化法律領(lǐng)域的文獻(xiàn)檢索，提升排序準(zhǔn)確率具有現(xiàn)實(shí)意義。

3 無監(jiān)督法律文書檢索模型

多粒度語義交互的無監(jiān)督法律裁判文書檢索模型(Unsupervised Legal Case Retrieval based on Multi-granularity Semantic-aware Interaction，ULRM)的輸入為用戶的檢索語句，模型針對(duì)檢索語句分別從詞語級(jí)別、詞組級(jí)別、法律概念級(jí)別進(jìn)行信息匹配，綜合 3 個(gè)模塊的打分結(jié)果來決定召回文書的最終排名順序，隨后輸出精排后的裁判文書并反饋給用戶。利用詞語級(jí)別的交互特征來捕獲用戶輸入查詢和候選文檔的關(guān)鍵詞信息；利用詞組級(jí)別的交互特征來更加靈活地捕獲法律領(lǐng)域的特定表達(dá)；利用官方法律案由級(jí)別信息和提取的案由數(shù)據(jù)構(gòu)建法律知識(shí)詞典，從而更準(zhǔn)確地匹配用戶的需求，提升檢索效果。ULRM模型結(jié)構(gòu)如圖 1 所示。

圖1 ULRM模型結(jié)構(gòu)圖Fig. 1 The architecture of the ULRM

3.1 詞語級(jí)別匹配

其中，n為用戶輸入的檢索語句經(jīng)分詞后的關(guān)鍵詞個(gè)數(shù)；m為數(shù)據(jù)庫中裁判文書經(jīng)分詞后的關(guān)鍵詞個(gè)數(shù)；k為關(guān)鍵詞轉(zhuǎn)換成詞嵌入后向量的維數(shù)；qi為檢索語句經(jīng)預(yù)處理后序列中第i個(gè)詞向量，維度為k；dj為裁判文書經(jīng)預(yù)處理后序列中第j個(gè)詞向量，維度為k。

3.2 詞組級(jí)別匹配

3.3 法律概念級(jí)別匹配

對(duì)律所提供的 8 000 萬份法律文書經(jīng)分詞和去停用詞處理后進(jìn)行特征提取，得到案由數(shù)據(jù)共計(jì) 1 427 條，整合律所提供的 1 392 條專業(yè)案由知識(shí)數(shù)據(jù)，兩份數(shù)據(jù)集進(jìn)行去重整理后，得到刑事、民事、行政案由信息共計(jì) 1 541 條。結(jié)合官方法律案由知識(shí)信息和提取的案由關(guān)鍵詞數(shù)據(jù)，構(gòu)建法律案由知識(shí)詞典。利用 TransE[28]算法將知識(shí)詞典中的實(shí)體信息、實(shí)體間的關(guān)系映射到連續(xù)低維向量空間，并表示為三元組(h,r,t)。其中，h,t分別表示實(shí)體向量信息；r為關(guān)系向量，代表實(shí)體向量h,t間的翻譯?；趯?shí)體與實(shí)體間關(guān)系的向量表示，通過訓(xùn)練調(diào)整h,r,t，最終使得h＋r≈t。其中，t為h＋r的最近鄰，且t與h＋r的距離足夠遠(yuǎn)。圖 2 為構(gòu)建的部分法律知識(shí)詞典示例。

圖2 法律知識(shí)詞典示例Fig. 2 The example of legal knowledge base

4 結(jié)果分析與評(píng)估

4.1 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)檢索語句數(shù)據(jù)集由法律行業(yè)專業(yè)從業(yè)人員進(jìn)行整理，其利用專業(yè)知識(shí)和長期實(shí)踐經(jīng)驗(yàn)分別從債權(quán)債務(wù)、勞動(dòng)糾紛、基礎(chǔ)設(shè)施、婚姻家事、房地產(chǎn)、投資并購和知識(shí)產(chǎn)權(quán) 7 個(gè)方面提煉檢索語句共計(jì) 958 條；將檢索語句輸入Elasticsearch 法律文書數(shù)據(jù)庫，數(shù)據(jù)庫包含法律文書 8 000 萬份，每條語句召回的前 30 份相關(guān)文檔交由法律行業(yè)專業(yè)從業(yè)人員進(jìn)行相關(guān)性標(biāo)記，共計(jì)標(biāo)記文書 23 196 份，構(gòu)成檢索文檔數(shù)據(jù)集。

數(shù)據(jù)集描述如表 1 所示，將 958 條檢索語句按 8∶2 的比例拆分成訓(xùn)練集和測(cè)試集，其中，訓(xùn)練集共計(jì)包含文檔 18 589 份，平均每條檢索語句標(biāo)記正相關(guān)文檔 10.64 份，負(fù)相關(guān)文檔 13.78 份，每份文檔預(yù)處理前標(biāo)題平均長度為32.09 字，本院認(rèn)為部分平均長度 1 188.99 字；測(cè)試集共計(jì)包含文檔 4 648 份，平均每條檢索語句標(biāo)記正相關(guān)文檔 11.07 份，負(fù)相關(guān)文檔 13.19份，每份文檔預(yù)處理前標(biāo)題平均長度為 30.73字，本院認(rèn)為部分平均長度 1 209.19 字。

表1 法律裁判文書檢索數(shù)據(jù)集描述Table 1 Statistics on legal case retrieval dataset

實(shí)驗(yàn)采用的評(píng)價(jià)指標(biāo)為檢索模型通用評(píng)價(jià)指標(biāo)分別為 MAP, MRR, NDCG@10。

平均精度均值(Mean Average Precision，MAP)，從多個(gè)查詢上反映模型的整體檢索性能。Q為相關(guān)檢索的次數(shù)，N為每次檢索的相關(guān)文檔數(shù)，position為相關(guān)文檔i的排名位置，相關(guān)文檔排名越靠前則AvgP越高，MAP值也就越高。若系統(tǒng)沒有返回相關(guān)文檔，那么AvgP值為0，具體計(jì)算公式如下：

4.2 實(shí)驗(yàn)結(jié)果

本文利用表 1 的法律數(shù)據(jù)集進(jìn)行法律文書檢索實(shí)驗(yàn)，數(shù)據(jù)集中檢索語句與法律文書的相關(guān)性均通過人工標(biāo)注，以保證檢索結(jié)果的正確性。為證明實(shí)驗(yàn)結(jié)果的有效性，本文還選用相同的法律數(shù)據(jù)集，將 ULRM 模型與過去發(fā)表的無監(jiān)督檢索模型和在法律領(lǐng)域預(yù)微調(diào)的訓(xùn)練模型進(jìn)行對(duì)比實(shí)驗(yàn)。對(duì)比的基準(zhǔn)模型有：

(1)Jones[10]提出的 TF-IDF 模型，將檢索文檔和檢索語句轉(zhuǎn)換為特征向量，計(jì)算詞頻和逆文檔頻率，用以評(píng)估檢索關(guān)鍵詞對(duì)語料庫中文件的重要程度，還利用加權(quán)技術(shù)得到檢索語句與檢索文檔的相關(guān)性得分。

(2)Roberston[11]提出的 BM25 模型，在 TFIDF 模型的基礎(chǔ)上增加了可調(diào)節(jié)的參數(shù)，控制最終得分對(duì)單一詞頻的敏感程度，計(jì)算檢索語句中每個(gè)詞與每個(gè)文檔的相關(guān)性得分，然后加權(quán)求和，同時(shí)引入文檔長度和平均文檔長度之比作為懲罰因子，最終得到相關(guān)性得分。

(3)查詢似然模型(Query Likelihood Model，QLM)[28]為集合中每個(gè)文檔構(gòu)建對(duì)應(yīng)的語言模型，利用貝葉斯算法計(jì)算給定的查詢語句在文檔集合中的生成概率，然后得到似然排序。

(4)Gysel[29]提出的 NVSM 模型以無監(jiān)督的的方式使用梯度下降算法，從零開始學(xué)習(xí)檢索語句和文檔的低維向量表示，最后根據(jù)文檔和檢索語句向量間的相似性對(duì)文檔進(jìn)行排序。

(5)Shao 等[30]提出的 BERT-PLI 模型，利用BERT 捕獲段落級(jí)別的語義關(guān)系，然后通過匯總段落級(jí)別的交互來推斷兩個(gè)案例之間的相關(guān)性。本文使用劃分的法律檢索數(shù)據(jù)集對(duì) BERT 模型進(jìn)行微調(diào)，使其適用于法律場(chǎng)景。

4.3 討論與分析

表 2 為已有基線模型與 ULRM 模型在法律裁判文書數(shù)據(jù)集上的檢索實(shí)驗(yàn)結(jié)果。TF-IDF 與BM25 模型指標(biāo)相近，QLM 模型指標(biāo)則較兩者表現(xiàn)稍差，由此可得，在法律裁判文書檢索領(lǐng)域，利用文檔與檢索語句之間的相關(guān)性建模方式效果略差于基于關(guān)鍵詞匹配的 TF-IDF 與BM25 模型。與已有無監(jiān)督的基線模型相比，ULRM 模型利用外部法律知識(shí)提高了法律知識(shí)的匹配能力，綜合詞語級(jí)別、詞組級(jí)別和法律概念級(jí)別 3 個(gè)方面的匹配信號(hào)，在 MAP、MRR 和NDCG@10 指標(biāo)上有明顯提升；與基于 BERT 并在法律數(shù)據(jù)集上微調(diào)的預(yù)訓(xùn)練模型 BERT-PLI 相比，ULRM 模型在 MRR 與 NDCG@10 指標(biāo)上仍有小幅優(yōu)勢(shì)。本實(shí)驗(yàn)結(jié)果證明，ULRM 模型在法律文書檢索數(shù)據(jù)集上檢索的有效性。

表2 法律裁判文書數(shù)據(jù)集檢索實(shí)驗(yàn)結(jié)果Table 2 Retrieval performance on legal case retrieval dataset

ULRM 模型最終得分由詞語級(jí)別匹配、詞組級(jí)別匹配和法律概念級(jí)別匹配 3 個(gè)方面的評(píng)分綜合得出。為了評(píng)估各模塊的重要性，本文還對(duì)ULRM 模型進(jìn)行了消融實(shí)驗(yàn)，即在單次實(shí)驗(yàn)中去除一個(gè)模塊后觀測(cè)實(shí)驗(yàn)指標(biāo)的變化情況，實(shí)驗(yàn)結(jié)果如圖 3 和表 3 所示。從表 3 中可以發(fā)現(xiàn)：

圖3 ULRM 模型消融實(shí)驗(yàn)結(jié)果Fig. 3 ULRM ablation experiment

表3 法律數(shù)據(jù)集檢索消融實(shí)驗(yàn)結(jié)果Table 3 Ablation experiments on legal case retrieval dataset

(1)僅使用一個(gè)模塊時(shí)，按詞語級(jí)別匹配 3個(gè)指標(biāo)分別為 MAP：0.655 3、MRR：0.735 2、NDCG@10：0.667 8，較其他模塊下降最少。按詞組級(jí)別匹配 3 個(gè)指標(biāo)分別為 MAP：0.642 1、MRR：0.711 2、NDCG@10：0.653 6，較其他模塊下降最多。按法律概念匹配 3 個(gè)指標(biāo)分別為MAP：0.652 3、MRR：0.731 4、NDCG@10：0.660 5。綜上所述，可知按詞語級(jí)別匹配對(duì)ULRM 模型的作用最大。

(2)當(dāng)禁用按詞語級(jí)別匹配時(shí)，隨著按詞組級(jí)別匹配比例的增加，MRR 指標(biāo)趨于平緩，當(dāng)比例超過 0.4 時(shí)逐漸降低；MAP 和 NDCG@10指標(biāo)隨比例的增加呈緩慢上升趨勢(shì)，當(dāng)比例在0.7 時(shí)趨近最大值，然后快速下降。

(3)當(dāng)禁用按詞組級(jí)別匹配時(shí)，隨著按詞語級(jí)別匹配比例的增加，3 個(gè)指標(biāo)變化趨勢(shì)基本一致，呈逐漸上升趨勢(shì)，在 0.7 附近時(shí)，3 個(gè)指標(biāo)均逼近最大值后逐漸下降，其中，MRR 指標(biāo)下降明顯。

(4)當(dāng)禁用按法律概念級(jí)別匹配時(shí)，隨著按詞語級(jí)別匹配比例的增加，MRR 指標(biāo)變化明顯，呈快速上升趨勢(shì)，在 0.8 附近接近最大值后緩慢下降。MAP、NDCG@10 指標(biāo)先呈緩慢上升趨勢(shì)，當(dāng)比例超過 0.2 時(shí)趨于平緩。

本實(shí)驗(yàn)驗(yàn)證了按詞語級(jí)別匹配、按詞組級(jí)別匹配和按法律概念級(jí)別匹配對(duì)于模型的指標(biāo)均有積極作用。當(dāng)使用單一模塊時(shí)模型 3 個(gè)指標(biāo)的表現(xiàn)普遍降低 0.1～0.2，引入法律知識(shí)詞典中的實(shí)體信息用更為準(zhǔn)確的語義描述進(jìn)行匹配，可以將按詞語級(jí)別匹配的 MAP、MRR、NDCG@10 分別從 0.655 3、0.735 2、0.667 9 提升至 0.663 8、0.750 2、0.676 5；將按詞組級(jí)別匹配的 MAP、MRR、NDCG@10 分別從 0.642 1、0.711 2、0.653 6 提升至 0.656 6、0.739 5、0.668 1。控制一個(gè)模塊后逐漸變化各模塊的比例時(shí)模型表現(xiàn)呈獻(xiàn)先上升后下降趨勢(shì)。對(duì)比各模塊占比對(duì)實(shí)驗(yàn)指標(biāo)的影響，選用按詞語級(jí)別匹配比例 0.42，按詞組級(jí)別匹配比例 0.39，按法律概念級(jí)別匹配比例 0.19 時(shí)可以獲得接近最優(yōu)的指標(biāo)，此時(shí) MAP 為 0.666 1，MRR 為 0.754 5，NDCG@10 為 0.679 4。表 4 為法律裁判文書檢索示例，其以“土地出讓合同約定了建設(shè)規(guī)模、容積率，但建成物業(yè)的建設(shè)規(guī)劃、容積率超出土地出讓合同約定的法律后果？”為檢索問題，各模型經(jīng)檢索排序后的第一個(gè)結(jié)果標(biāo)題及案由信息如表 4 所示。

表4 法律裁判文書檢索示例Table 4 An example of legal case retrieval

5 結(jié) 論

在法律文書檢索領(lǐng)域，由于文書內(nèi)容的特殊性，往往缺乏大量的標(biāo)注數(shù)據(jù)，從而難以通過訓(xùn)練得到效果優(yōu)異的深度學(xué)習(xí)模型。此外，標(biāo)注訓(xùn)練數(shù)據(jù)需要耗費(fèi)大量法律行業(yè)從業(yè)人員的時(shí)間及精力，人工成本較高。因此，本文提出了基于無監(jiān)督的法律裁判文書檢索模型 ULRM，綜合詞語級(jí)別、詞組級(jí)別和法律概念級(jí)別 3 個(gè)方面的打分結(jié)果，來對(duì)召回文書進(jìn)行重排名：在詞語級(jí)別，利用注意力機(jī)制獲取用戶輸入信息和法律文書的關(guān)鍵詞信號(hào)；在詞組級(jí)別，引入平均池化層模擬短語匹配從而獲取更多關(guān)鍵詞匹配信號(hào)；在法律概念級(jí)別，考慮法律專業(yè)術(shù)語實(shí)體信息從而更準(zhǔn)確地獲取匹配信號(hào)，提升模型的檢索效果。

模型使用無監(jiān)督的方式避免了對(duì)大量標(biāo)注數(shù)據(jù)的依賴，并通過實(shí)驗(yàn)驗(yàn)證，該模型在法律裁判文書數(shù)據(jù)集上的 MAP、MRR、NDCG@10 指標(biāo)遠(yuǎn)超已有基線模型，與基于 BERT 并在法律數(shù)據(jù)集上微調(diào)的預(yù)訓(xùn)練模型 BERT-PLI 結(jié)果相近，能夠?qū)φ倩匚臅M(jìn)行有效重排序。由于模型 3 個(gè)模塊主要使用關(guān)鍵字信息進(jìn)行檢索，對(duì)于語料庫中缺少的內(nèi)容無法識(shí)別，同時(shí)由于詞袋模型的使用無法關(guān)聯(lián)上下文語義，對(duì)模型指標(biāo)的提升仍有局限。因此，將模型部署上線，利用無監(jiān)督模型獲取用戶的檢索及點(diǎn)擊數(shù)據(jù)，對(duì)于標(biāo)注數(shù)據(jù)的獲取及后期進(jìn)行有監(jiān)督模型的訓(xùn)練具有重要意義。