近日，我院孔荫莹教授团队（包括王友干教授，邓浩东研究生等人）在国际知名期刊Knowledge-Based Systems发表了题为“LF-HGRILF: A Law-Fact Heterogeneous Graph Representation and Iterative Learning Framework”的研究论文。
研究简介：法律判决预测（Legal Judgment Prediction, LJP）是法律智能领域的关键任务，旨在利用机器学习和自然语言处理技术分析法律事实，并预测相关法条、罪名和量刑。现有的大多数方法主要关注个案与法条之间的语义关系，忽视了它们之间的拓扑结构联系。这种忽略在法条内容相似、法律依据交叉的案件中，容易导致判断失误。为克服上述局限，本文提出了一种法律-事实异构图（Law-Fact Heterogeneous Graph, LF-HetG）及其对应的迭代学习框架（LF-HGRILF）。与以往方法不同，LF-HetG融合了四类节点：案件事实、事实句、关键词和法条，不仅能够刻画案件事实与法条之间的连接关系，还可通过共现关键词建立语义相似关系。LF-HGRILF框架通过引入法律领域知识、案件关联信息及词级语义信息，有效弥补现有模型的不足。该框架通过邻居聚合的迭代过程学习案件的深层嵌入表示，并引入法条区分模块（Law Article Distinction Module, LADM），提升语义相似法条之间嵌入表示的区分度。最后，本文使用不同的分类器对三个LJP任务分别进行预测。实验结果表明，LF-HGRILF在所有预测任务中均显著优于现有方法，有效提升了法律判决预测的准确性。
