基于多模态法律知识融合的司法判决预测框架MLK-LJP研究

本文创新性地提出MLK-LJP框架，首次将法律条文（Legal article）、法律事件（Legal event）、法律关系（Legal relation）、量化证据及图像证据等多模态法律知识融入司法判决预测（LJP）任务。通过设计法律知识专家融合机制（GNN实现）与知识增强Transformer架构，在CAIL2018等数据集上实现SOTA性能，为突破传统LJP方法单一依赖文本描述的局限提供了新范式。

　　

Highlight

• 突破现有方法单一模态局限，首次通过神经网络构建多模态法律知识混合专家框架（MLK-LJP），显著提升法律特征提取能力

• 创新设计五类法律知识获取方法：法律条文知识、法律事件知识、法律关系知识、数值证据知识及多模态（图像）证据知识

• 提出法律知识专家融合机制，利用图神经网络（GNN）捕捉五类知识专家间的协同信号

• 在三大基准数据集上验证MLK-LJP的优越性，几乎所有指标均达到最新SOTA水平

Legal Judgment Prediction

法律判决预测（LJP）作为法律智能的核心任务，通常需要根据案件事实描述文本预测法条适用、罪名判定及刑期等结果。现有方法主要分为两类：基于统计/特征工程的传统方法，以及基于深度神经网络（如CNN/RNN/GNN/Transformer）的现代方法。预训练语言模型（PLM）的运用进一步推动了该领域发展。

Problem Formulation

任务定义包含四个核心要素：

• 事实描述（F）：法律文书中记载的案件事实文本

• 法律条文（D_l）：与案件事实F相关的法律条款集合（如刑法条文）

• 指控罪名（D_c）：根据事实F和条文D_l确定的刑事罪名集合（如盗窃罪、诈骗罪）

Ablation Analysis

为验证MLK-LJP各组件的有效性，我们在CAIL-small和CAIL-big数据集上进行消融实验。结果显示：移除法律条文知识（w/o law articles）导致准确率下降4.2%，而禁用图像证据模块（w/o image evidence）使F1值降低3.8%，证实多模态知识融合的必要性。

Conclusion

本研究通过MLK-LJP框架首次系统整合多粒度、多模态法律知识，创新性地采用基于GNN的专家混合（MoE）方法进行知识融合。实验表明该框架能显著提升模型对法律文本深层语义的理解能力，为司法人工智能发展提供了新思路。